Singpath-VL模型：赋予AI"证据驱动"的诊断思维，开源数据集助力临床研究

在显微镜下寻找宫颈细胞的细微异常，是病理医生日复一日的重要工作。安必平人工智能实验室（Singpath AI Lab）尝试研发出一个辅助病理医生诊断的助手，名为Singpath-VL的视觉语言模型，它不再是"黑盒"猜出诊断结果，而是尝试模仿病理医生观察、分析和推理。

为了促进业界研究，我们将开源其构建的大规模细胞图像描述数据集及测试基准，也期待更多的技术团队一起研究解决临床问题。

当前，许多医学AI模型都是和黑状态：输入一张图像，它直接输出一个诊断标签。至于"为什么是这个诊断？"、"它看到了哪些关键特征？"——模型无法给出令人信服的解释。

然而，宫颈细胞学的诊断（如TBS系统分类）本身就是一个严谨的推理过程。医生需要综合评估细胞核的大小、形状、染色深浅、核质比等一系列形态学特征，才能做出"正常（NILM）"、"非典型鳞状细胞（ASC-US）"或"低度/高度鳞状上皮内病变（LSIL/HSIL）"等判断。

无法展示推理过程，在复杂的临床场景中很难获得医生的完全信赖，我们尝试做整个判读的归因链路的分析AI，因此诞生了Singpath-VL。

Singpath-VL的工作方式模拟了医生的诊断思维链：

第一步：形态特征识别。模型首先像医生的眼睛一样，扫描图像，系统地识别出关键的异常形态学改变，如核增大、核深染、挖空等。

第二步：逻辑整合诊断。然后，模型会像医生的大脑一样，根据细胞病理学的诊断标准（TBS系统），将这些识别出的"特征证据"进行整合，最终推导出诊断结论，并能够生成相应的诊断依据。

"我们不只是让AI学习'是什么'，更重要的是让它理解'为什么'。" 核心思路在于，让AI的决策过程变得透明、可追溯，从而建立起与临床医生协作的信任基础。

训练一个专业的细胞学AI，最大的难题在于缺乏高质量的"教材"——即大量精准标注了形态描述和诊断结论的细胞图片。

我们设计了一条"AI合成流水线"来解决这个数据荒问题：

▪ 初筛：先让多个通用的视觉语言AI对同一张细胞图片进行描述。

▪ 共识：再用大语言模型对这些描述进行"会诊"，融合共识，消除矛盾。

▪ 精修：最后引入病理学领域知识，对描述进行最终的润色与修正。

通过这条流水线，构建了名为 Singpath-CytoText 的大规模图文数据集，为模型提供了扎实的学习材料。

为了验证模型的能力。我们建立了两个核心测试基准：

1. "火眼金睛"测试——识别细胞形态特征 

在识别核增大、深染等9项关键形态特征的任务中，Singpath-VL的平均准确率达到了89.0%。作为对比，参与构建测试集的病理医生小组内部一致性约为78.2%。这表明，在稳定识别特定形态特征方面，模型展现出了高度可靠性。

Singpath-VL在形态特征识别任务上表现优异，优于其他多模态大模型

2. "诊断决断"测试——TBS分类 

在一个包含超过2.9万个细胞、涵盖NILM、ASC-US、LSIL、ASC-H、HSIL、AGC等各类别的测试集上，Singpath-VL的总体诊断准确率为80.2%。

尤其值得关注的是，在ASC-US（意义不明的非典型鳞状细胞）和ASC-H（不能排除高度病变的非典型鳞状细胞） 这些临床诊断的"灰色地带"和难点上，Singpath-VL展现出了比单纯图像分类模型更强的判别能力。

Singpath-VL在TBS诊断分类中的准确率（%）

Singpath-VL在各类别诊断中表现均衡且稳健，显著优于其他多模态大模型

案例一：避免"过度诊断"

下图是一例正常的宫颈细胞（NILM）。通用AI模型错误地提示异常。而Singpath-VL准确地识别出其正常的形态特征，并给出了"NILM"的正确判断，有助于减少不必要的恐慌和进一步检查。

案例二：精准捕捉低度病变

下图是一例明确的LSIL（低度鳞状上皮内病变）细胞。Singpath-VL不仅准确诊断为LSIL，其推理过程也清晰地指向了"细胞核增大、挖空"等关键证据。而其他模型则产生误判。

为推动可解释性AI在细胞病理学领域的进步，LBP Singpath AI Lab将向学术界和产业界开源部分数据。我们希望这些资源能成为一个公共的"起跑线"和"测试场"，吸引更多医生和科学家一同参与，共同开发下一代真正懂医生、助医生的临床AI工具。

Singpath AI Lab已推出全新一代LBC（液基细胞学）辅助诊断平台，将AI能力带入日常工作流程。其中AI性能达到敏感性95% 、特异性85%。

平台预览：清晰的界面设计，直观展示可疑阳性细胞与诊断结果