Shanghai Artificial Intelligence Laboratory, China · 成立于 2020
以人工智能
赋能医学与健康
打造世界领先的 AI 模型、智能体与工具，推动精准医学与大健康的普惠落地，让高水平的诊断、治疗与科学发现惠及每一位医生、每一位患者、每一个社区。
Shanghai Artificial Intelligence Laboratory, China
向下滚动
30+
学术论文
20+
在组成员
10,000+
引用次数
我们的北极星
让最好的医学与健康不再被地域、机构或身份所分割—— 让 AI 把每一位优秀医生的那双手， 伸向地球上的每一个人。
我们的使命。在本十年内，交付真正通用的医学 AI—— 基础模型、多智能体系统与开放工具链—— 让它们在真实医院、真实诊所与真实社区的日常健康中，带来可衡量的改变。
01
1,800+已归档数据集
100B+tokens 语料
3.61亿分割掩码
医学数据基础设施
夯实基础：大规模医学数据平台建设
我们构建了驱动世界领先医学 AI 的数据基础设施。Project Imaging-X 通过元数据驱动融合范式（MDFP），
系统整合 1,000+ 个开放医学影像数据集，并搭建交互式发现门户。
我们的私有语料库涵盖超 100B tokens 生物医学文本、过亿医学图像及 3.61 亿分割掩码，
为跨模态、跨任务、跨疾病的通用基础模型训练提供坚实支撑。
Project Imaging-X
元数据驱动融合
探索 Imaging-X 项目 →
02
550万图文对
18临床科室
38影像模态
医学多模态大模型
通用医学视觉语言模型：GMAI-VL 与垂类突破
我们打造世界领先的医学多模态大模型。GMAI-VL 基于涵盖 18 个临床科室的 550 万图文对训练，
在医学 VQA 和诊断推理任务上达到并刷新 SOTA 水平。SlideChat 是首个能直接理解千兆像素
全切片病理图像的视觉-语言助手（CVPR 2025）。GMAI-VL-R1 引入强化学习，
在八种影像模态上平均准确率提升近 30%，超越参数量大 36 倍的基线模型。
GMAI-VL
GMAI-VL-5.5M
GMAI-VL-R1
GMAI-MMBench
探索 GMAI-VL →
03
14.3万三维掩码（SA-Med3D）
247解剖类别
SOTA三维分割
医学图像分割
分割一切：SAM-Med2D 与 SAM-Med3D 医学通用分割
我们将 Segment Anything Model 深度适配至医学领域，在 14 种影像模态、247 类解剖与病灶
目标上实现通用可提示分割。SAM-Med2D 基于 SA-Med2D-20M 覆盖二维切片场景；SAM-Med3D
采用全原生三维架构，在 SA-Med3D-140K（2.2 万体积、14.3 万掩码）上训练，仅需单个三维
点提示即可实现超过 SAM 60% 的 Dice 提升，真正实现"分割一切"。
SAM-Med3D
SAM-Med2D
SA-Med3D-140K
交互式分割
探索 SAM-Med3D →
04
81.17%VQA 准确率（TCGA）
18/22最优评测任务数
176KVQA 训练样本
临床 AI 系统
全切片病理智能：SlideChat 与临床 AI 的未来
SlideChat 是首个能够理解 Gigapixel 全切片病理图像的视觉语言助手。在 SlideInstruction
（4.2K WSI 描述 + 176K 视觉问答对）上训练，在 SlideBench 22 个任务中 18 个达到最优，
SlideBench-VQA（TCGA）准确率 81.17%，超越第二名 13.47 个百分点。论文已被 CVPR 2025 接收。
SlideChat（CVPR 2025）
SlideInstruction
SlideBench
全切片图像理解
探索 SlideChat →
05
14亿参数（STU-Net-H）
90.06%平均 DSC
104解剖类别
医学图像分割
医学影像中的规模扩展定律：STU-Net 从 1400 万到 14 亿参数
STU-Net 在三维医学图像分割领域验证了规模扩展定律。S（1400万）、B（5800万）、
L（4.4亿）、H（14亿）四档模型均基于 TotalSegmentator（1,204 个 CT 体积、104 个
解剖类别）预训练。STU-Net-H 以 90.06% 平均 DSC 刷新基准纪录，超越 nnU-Net 3.3
个百分点及所有 Transformer 方法。最关键的发现：14 亿参数的单一通用模型性能超越
五个专科模型集成——迈出了迈向医学分割基础模型的决定性一步。
STU-Net-H（14亿）
TotalSegmentator
MICCAI 2023 冠军
迁移学习
探索 STU-Net →
学术产出
近期论文
arXiv · 2025
MedQ-Deg: A Multidimensional Benchmark for Evaluating MLLMs Across Medical Image Quality Degradations
arXiv · 2025
UniMedVL: Unifying Medical Multimodal Understanding and Generation through Observation-Knowledge-Analysis
动态
最新动态
MedQ-Deg released — benchmarking MLLM robustness under medical image degradations
UniMedVL: First unified model for medical image understanding and generation
MedQ-Bench: New benchmark for medical image quality assessment in MLLMs
Welcoming new visiting researchers to GMAI Lab
加入我们
共建通用医学智能
我们是上海人工智能实验室的研究团队，致力于实现通用医学智能（General Medical
Intelligence）——能够理解、推理并服务于全谱系临床与生物医学任务的 AI。我们与全球顶尖高校和
医院深度合作。如果你认同这一愿景，我们有开放岗位，欢迎联系。