⏱ 预计阅读：22 分钟；关注不迷路，加星标更聚焦
图注：这张图按年份展示 8 大平台 22 年来的 AI 进度：2004 年血液/形态学先把显微镜复核数字化，随后生化免疫进入自动审核，质谱/蛋白组走向谱库与定量解释，微生物进入培养皿分流，分子/基因检测进入知识库驱动解读，数字病理进入 WSI 辅助诊断，流式/细胞分析开始做门控辅助，最后由 LIS/中间件/质控把 AI 纳入实验诊断生产流程管理。
图注：这张证据卡替代原 openFDA 长截图，保留本篇标题年数的关键事实：K033840、2004-02-10、CellaVision DM96、510(k) substantially equivalent、Hematology、Automated cell-locating device。原始依据为 openFDA / FDA 510(k) 记录，访问时间：2026-07-01。
过去医院谈检验科、病理科 AI，最常见的问题是：“能不能自动出报告？”这个问法现在已经不够用了。真正落地的产品正在证明，AI 对实验诊断的改变不是从报告末端开始，而是从报告之前更长的生产链条开始：样本进入、前处理、仪器检测、图像或谱图生成、自动审核、异常分流、人工复核、LIS 回写、质控追踪、报告签发。
换句话说，检验科病理科 AI 的主战场，正在从“单纯出报告”转向“AI 生产流程管理”。报告只是最后一个出口，前面还有大量决定结果质量、周转时间和责任边界的环节。血涂片不是只看一个细胞，微生物不是只识别一个菌落，基因检测不是只跑一个 panel，数字病理也不是只在切片上画一个框。
这篇文章的边界因此要放宽：它不是狭义检验科，也不是单独病理科，而是实验诊断相关 AI。它覆盖检验科、病理科、分子诊断、基因检测、第三方医学实验室和 IVD 厂商交付体系。核心判断是：检验科病理科 AI 已经进入真实工作流，但成熟方向不是“自动替人写结论”，而是把样本、仪器、图像、谱图、测序、规则、复核、LIS 和质控连成可追踪、可回退、可审计的生产流程。
从医院视角看，这个变化很现实。AI 如果只能给一个漂亮结果，但不能说明样本从哪里来、结果由谁复核、异常如何升级、接口如何回写、模型升级后如何验证，它就很难进入临床生产系统。反过来，一个 AI 系统即使不直接签发诊断，只要能稳定减少重复劳动、分流低风险样本、发现异常组合、保留复核痕迹、监控 TAT 和质控漂移，就已经开始改变检验科和病理科的运行方式。
所以这篇文章按 8 类技术平台来拆，而不是按厂商名录来堆。
本文主线：不是“AI 替谁写报告”，而是“哪一段生产流程已经被 AI 接管、记录、复核和追踪”。
提示：因手机排版问题，建议电脑端阅读更佳。
| 技术平台 | 主要数据 | 工作流位置 | 医院最该看什么 |
|---|---|---|---|
| 血液/形态学 | 血涂片、体液、骨髓图像 | 扫描、预分类、远程复核 | 图像质量、复核责任、LIS关联 |
| 生化免疫 | 结构化数值、报警、质控 | 自动审核、复检、危急值 | 本院规则、参考区间、质控漂移 |
| 质谱/蛋白组 | 谱图、峰、定量、多组学 | 谱库匹配、定量、解释 | 谱库版本、批间差异、临床解释 |
| 微生物 | 培养皿图像、菌落、LIS | 分流、自动释放、药敏前置 | 菌种谱、规则配置、自动释放边界 |
| 分子/基因 | NGS、生信、变异、知识库 | 变异注释、用药/试验匹配 | 知识库版本、报告复核、隐私 |
| 数字病理 | WSI全玻片图像 | 病灶提示、分级、病理复核 | 癌种适应证、扫描质量、签发责任 |
| 流式/细胞分析 | 多参数散点图、细胞群 | 门控辅助、异常细胞群提示 | panel差异、专家复核、稀有群体 |
| LIS/中间件/质控 | 全实验室接口和日志 | 自动审核、异常升级、TAT和质控 | 数据流、权限、回退、审计 |
IVD 厂商和 ICL 不是独立技术平台，而是交付模式。Roche、Siemens、Beckman、bioMérieux 是 IVD 系统交付路线；Quest、Labcorp、Mayo Clinic Labs 是 ICL 运营路线。它们应该作为医院选型参照，而不是和“血液/形态学”“微生物”“基因检测”并列成同一层级。
血液/形态学平台：把显微镜复核变成数字任务
图注：血液/形态学平台的核心不是“替代技师看细胞”，而是把玻片输入、扫描成像、细胞定位、预分类、远程复核和 LIS 回写串成可追踪任务。
图注：CellaVision 官网显示 DM1200 面向血液和体液 differential，强调 high-speed robotics、digital imaging、自动定位和高质量图像采集。访问时间：2026-07-01。
血液/形态学是检验相关 AI 最早产品化的一层。它解决的不是“医生不会看细胞”，而是传统显微镜复核不容易标准化：图像不易保存，复核不易分发，培训材料难沉淀，质控过程难追踪。
CellaVision DM1200 代表中心实验室路线，适合有一定通量、需要血液和体液复核标准化的医院。CellaVision DC-1 代表小型实验室路线，它把数字方法下沉到低通量场景。Scopio 的外周血涂片应用强调 full-field imaging 和 AI-powered Decision Support System，价值在更大视野、远程复核和医院网络连接。
图注：CellaVision 官网显示 DC-1 面向低通量血液实验室，帮助其实施数字方法进行血细胞 differential。访问时间：2026-07-01。
图注：Scopio 官网称其外周血涂片应用提供 full-field imaging 和 AI-powered Decision Support System，并支持通过医院安全网络远程连接。访问时间：2026-07-01。
代表企业案例：CellaVision。官网/产品页：CellaVision DM1200、CellaVision DC-1。产品介绍：DM1200 面向血液和体液 differential，结合高通量机器人、数字成像、细胞自动定位和图像采集；DC-1 则面向低通量血液实验室，把同一套数字形态学方法下沉到更小场景。它从 DM96 到 DM1200、DC-1 的产品线说明，血液/形态学 AI 的成熟路径不是“自动诊断”，而是把显微镜复核变成可保存、可分发、可追踪的数字任务。
真实工作流与 AI 落点：血液/形态学的典型流程是 CBC 初筛触发涂片复核，随后制片、染色、显微镜或数字扫描、细胞预分类、技师/检验医师复核、LIS 关联和报告。真实世界里，制片染色通常是十几分钟量级；数字扫描一张涂片常见为数分钟到十分钟量级，取决于扫描面积、倍率、细胞数量和是否需要重扫；人工复核简单病例可能数分钟，异常细胞、幼稚细胞、体液或骨髓相关样本会显著拉长。AI 已经比较成熟地落在细胞定位、图像采集、WBC 预分类、RBC/PLT 形态提示、远程复核和教学质控。未来更有价值的方向不是直接签发诊断，而是低质量涂片自动提醒、罕见异常优先级排序、骨髓/体液多场景扩展、跨院远程复核队列和图像证据回写。科室建议先选“复核量大、规则清楚、结果不直接自动签发”的场景试点，用复核一致性、重扫率、异常漏检反馈、TAT 和技师工作量变化评估。
医院判断这一类平台，要看四件事：扫描和图像质量能否覆盖本院涂片差异；预分类结果如何进入复核工作台；图像、结论、修改痕迹能否回写或关联 LIS；异常细胞、低质量涂片、罕见形态由谁最终确认。
生化免疫平台：AI主要在自动审核和质控漂移
图注：生化免疫平台的数据多是结构化数值，AI 和规则引擎的价值在自动审核、复检规则、危急值、TAT 和质控漂移监测。
生化免疫不应该和质谱混在一个平台里。生化、免疫、凝血这类项目的特点是高通量、结构化结果多、规则密集、异常组合多。这里的 AI 不是先看图，也不是先读基因，而是帮助实验室决定哪些结果可以自动审核通过，哪些需要复检、稀释、追加项目、危急值通知或人工复核。
这类平台最像“规则引擎 + 统计监测 + 异常组合提示”。它的价值很实际：减少人工审核压力，缩短 TAT，把危急值和异常组合更稳定地推到人面前，并监测仪器、试剂批号、校准和质控漂移。
但它也最容易被夸大。生化免疫的规则高度依赖本院参考区间、本院患者结构、本院仪器和本院临床科室习惯。厂商给出的通用规则只能作为起点，不能直接变成自动放行边界。代表企业案例：Roche Diagnostics。官网/产品入口：Roche Diagnostics。产品介绍：Roche 的代表性不在一个单独 AI 模型，而在 cobas 检测平台、实验室自动化、中间件、质控和结果管理体系可以形成同一条生产链。放到生化免疫平台看，它给医院的参考价值是：自动审核、复检规则、危急值、TAT、质控漂移和仪器状态必须一起进入流程管理。医院参考这类厂商时，要重点看规则如何配置、哪些结果允许自动放行、异常组合如何升级，而不是只看仪器吞吐量。
真实工作流与 AI 落点：生化免疫的流程通常是采血、运输、离心、分杯或上机、检测、质控判断、结果审核、危急值/异常组合处理和报告。急诊或 STAT 项目在院内条件成熟时常以几十分钟到一两小时作为管理目标；常规门诊和住院批量样本则常受采血窗口、运输、离心排队、仪器负载和人工审核影响，可能从数小时到当天内完成。AI 已落地较多的不是“读报告”，而是自动审核规则、delta check、历史结果比对、复检/稀释提示、危急值触发、质控漂移监测和 TAT 预警。未来可落地的方向包括按样本优先级动态排队、干扰因素识别、跨仪器结果一致性监测、试剂批号切换风险提示、科室级运营看板。科室建议从低风险、高重复、规则稳定的项目建立自动审核白名单，先做静默运行和人工对照，再逐步放开自动放行比例。
医院上线时应要求保留规则版本、修改记录、命中日志和回退机制。
质谱/蛋白组平台：从谱图到临床解释，中间隔着很长一段路
图注：质谱/蛋白组平台处理的是谱图、峰识别、定量、谱库匹配和多指标解释；它和生化免疫自动审核不是同一种技术问题。
质谱/蛋白组应该单独成章。LC-MS、MALDI、药物浓度监测、毒理筛查、微生物鉴定、蛋白组和代谢组，面对的是谱图、峰、定量、谱库和批间校正。AI 在这里的价值，是帮助识别复杂谱图、做峰面积定量、发现异常峰、匹配谱库，并把多指标模式转成可解释结果。
它的难点也很清楚。第一，样本前处理影响极大。第二，仪器和批次差异会改变峰形和定量表现。第三，谱库版本和模型版本会影响结果解释。第四，研究型组学发现不能自动等同临床诊断结论。
代表企业案例：Bruker MALDI Biotyper。官网/产品入口：Bruker Microbial Identification。产品介绍：MALDI Biotyper 代表质谱在临床微生物鉴定中的成熟路径，核心资产不是某一次模型输出，而是仪器、谱库、质控和结果解释的长期积累。扩展到 LC-MS、蛋白组和代谢组时，医院同样要把谱库版本、批间校正、定量方法和报告模板当成核心采购对象。
真实工作流与 AI 落点：质谱/蛋白组的流程先看任务类型。MALDI 微生物鉴定通常是培养后取菌、点样、基质处理、上机、谱库匹配和结果审核，上机与匹配可以很快，但前置培养常常已经耗费 18-48 小时。LC-MS 药物浓度、毒理或代谢物检测通常需要样本前处理、内标、色谱分离、质谱采集、峰识别、定量、质控和报告；单次上机可从数分钟到几十分钟，批量前处理和审核让整体 TAT 常见为当天到数天。蛋白组/代谢组研究流程更长，可能以天到周计。AI 已较现实地落在峰识别、谱图质控、谱库匹配、异常峰提示、批次漂移监测和结果解释辅助。未来方向是复杂谱图去卷积、跨批次校正、药物/毒物知识库联动、组学结果临床可解释化。科室建议把“临床刚需项目”和“科研探索项目”拆开建设，先让 TDM、毒理、微生物鉴定等证据链清楚的流程进入临床，再谨慎扩展蛋白组和代谢组解释。
医院如果把质谱和组学纳入 AI 平台建设，要把“临床已验证项目”和“科研探索项目”分开管理。药物浓度、毒理、微生物鉴定这类已有较清晰临床路径的任务，可以更早进入工作流；蛋白组和代谢组的多指标解释，则更需要证据等级、报告模板和专家复核。
微生物平台：培养皿不是“识别”，而是分流
图注：微生物 AI 的关键链条是培养皿图像、菌落特征、LIS 信息和实验室规则。它的价值主要体现在分流、自动释放边界和 TAT 管理。
图注：COPAN 官网描述 PhenoMATRIX 是 AI-powered plate interpretation and workup，结合 AI、LIS 信息和实验室自定义规则分析菌落特征并分流培养皿。访问时间：2026-07-01。
微生物 AI 和血涂片 AI 完全不是一回事。血涂片的基本单位是细胞图像，微生物培养皿的基本单位是培养条件、菌落生长、样本来源、LIS 信息和实验室规则。
PhenoMATRIX 的代表性在于，它没有把自己包装成单纯的“菌落识别模型”，而是把 AI、LIS 信息和实验室自定义规则放在一起。对微生物实验室来说，真正影响效率的是大量培养皿如何排序：哪些阴性盘可以自动释放，哪些阳性盘要优先处理，哪些盘需要人工确认，哪些需要进入鉴定和药敏。
代表企业案例：COPAN PhenoMATRIX。官网/产品页：PhenoMATRIX。产品介绍：COPAN 官方将 PhenoMATRIX 描述为 AI-powered plate interpretation and workup，结合 AI、LIS 信息和实验室自定义规则，分析菌落特征并对培养皿自动解释、分流、标记和释放。它的代表性在于把培养皿图像、菌落特征、LIS 信息和实验室规则放在一起，而不是只卖一个“菌落识别算法”。这也是微生物 AI 最值得医院学习的地方：先定义阴性释放、阳性优先级和人工复核边界，再谈自动化比例。
真实工作流与 AI 落点：微生物的流程包括标本接收、接种、培养、培养皿观察、阴阳性判断、菌落挑选、鉴定、药敏、结果审核和临床沟通。这里最慢的不是 AI，而是生长时间：普通细菌培养常见需要 18-24 小时才进入初步判断，阳性后鉴定和药敏又可能增加一天或更久；血培养自动系统常设最长约 5 天观察期，多数常见病原可更早报阳。AI 已落地的环节主要是培养皿图像判读、阴性/阳性分流、菌落特征识别、自动释放边界、与 LIS 规则联动和工作列表排序。未来方向包括菌落挑选机器人联动、耐药风险早期提示、AST 前置预测、污染/混合菌识别、抗菌药物管理联动。科室建议不要一开始追求“全自动微生物报告”，而应先定义阴性自动释放、阳性优先处理和必须人工复核的边界，用本院标本类型和菌种谱做验证。
医院部署这类平台时，不能只看总体性能。更重要的是本院菌种谱、本院标本类型、本院培养条件和本院规则配置。自动释放一旦进入流程，责任边界必须写清楚：哪些场景允许自动释放，哪些场景只能提示，哪些场景必须人工复核。
分子/基因平台：AI真正卡在变异解读和临床行动
图注：分子与基因检测 AI 的工作流不是止于测序，而是从样本、NGS、生信分析、变异注释、知识库、分子报告，走到用药、临床试验和遗传咨询建议。
图注：Foundation Medicine 官网显示 FoundationOne CDx 是 FDA-approved tissue-based broad companion diagnostic，面向实体瘤提供临床可行动信息。访问时间：2026-07-01。
图注：Tempus 官网将其肿瘤业务表述为用 AI-driven insights 支持 precision oncology，并整合 molecular and clinical data。访问时间：2026-07-01。
基因检测常被误写成“测序平台竞争”。但对医院来说，NGS 只是中间步骤。真正困难的是变异注释、证据等级、药物匹配、临床试验匹配、遗传咨询和知识库版本管理。
Foundation Medicine 代表综合基因组分析和伴随诊断路线。Tempus 代表多源数据和 AI-driven insights 路线，更强调 molecular data 与 clinical data 的结合。SOPHiA DDM 这类平台可作为数据驱动医学和多机构数据分析路线参照；本次其目标页面截图未通过有效页面核验，所以正文不把它作为截图案例。
代表企业案例：Foundation Medicine 与 Tempus。官网/产品页：FoundationOne CDx、Tempus Oncology。产品介绍：FoundationOne CDx 是 tissue-based broad companion diagnostic，强调为实体瘤提供 clinically actionable information；Tempus Oncology 强调整合 molecular and clinical data，用 AI-driven insights 支持 precision oncology。医院不能把它们简单理解成“测序公司”，而要看变异知识库、临床证据等级、报告解释和后续治疗行动如何闭环。
真实工作流与 AI 落点：分子/基因检测流程通常包括样本接收、核酸提取、建库、测序或 PCR、原始数据质控、生信分析、变异注释、知识库匹配、报告审核和临床解释。小 panel 或 PCR 项目可以较快完成；NGS 肿瘤、遗传病或外显子相关项目常见 TAT 是数天到数周，主要耗时在建库排批、测序、生信质控和专家解释。AI 已落地在读段质控、变异检测辅助、CNV/融合识别、变异注释、证据等级匹配、用药和临床试验匹配、报告草稿辅助。未来方向是结合 EMR、病理、影像、家系和用药史做多模态解释，但这会带来隐私、责任和知识库版本问题。科室建议建立知识库版本管理、人工复核签名、报告结构化回写和患者授权机制；不要把“AI 能匹配药物”直接等同于“可自动给治疗建议”。
分子/基因平台的医院选型，不能只问 panel 有多大。更关键的问题是：知识库多久更新，变异证据如何分级，报告由谁复核，LIS/EMR 如何接收结构化结果，患者隐私和二次利用如何授权，不同 panel 和不同实验室之间如何避免误横比。
数字病理平台：病理科是实验诊断AI的另一半
图注：病理 AI 平台围绕组织切片、WSI 全玻片扫描、病灶/分级提示、病理医生复核和报告协作展开。它和检验科共享“样本-图像-复核-报告”的逻辑，但责任边界更靠近诊断签发。
图注：Paige 官网显示其定位为用 AI 解决癌症关键问题，并强调 pathology next generation technology。访问时间：2026-07-01。
病理科必须纳入检验相关 AI 的大图。病理 AI 和血涂片 AI 的底层相似：都是把显微镜下的图像变成数字对象，再让 AI 在图像上做定位、提示、分类或质控。但两者的责任边界不同。血涂片复核更多在检验流程内部，病理 AI 更靠近诊断结论、肿瘤分级、治疗路径和 MDT 决策。
Paige、Ibex、PathAI 这类产品的核心价值，不是让系统单独签发病理报告，而是让病理医生在 WSI 工作台上更快定位高风险区域、减少漏看、统一质控，并把切片图像变成可远程会诊和教学的数据资产。
代表企业案例：Paige。官网：Paige.ai。产品介绍：Paige 官方定位是用 AI 解决癌症病理关键问题，并强调 pathology next generation technology；它围绕 WSI、癌症病理工作台、病理医生复核和临床证据建立产品，而不是把 AI 做成孤立插件。对医院来说，病理 AI 的采购重点应放在扫描质量、算法适应证、复核界面、报告系统接口和病理责任边界。
真实工作流与 AI 落点：数字病理的流程从取材、固定、包埋、切片、染色开始，再到玻片扫描、图像质控、病理医生阅片、必要时免疫组化/分子补充、报告签发和归档。前处理通常以小时到天计，常规病理报告 TAT 在不同医院和标本类型下差异很大；WSI 扫描单张切片可从数分钟到更久，取决于倍率、组织面积、Z-stack、扫描仪负载和重扫率。AI 已较现实地落在扫描质控、模糊/折叠/污染提示、病灶区域提示、阳性区域计数、肿瘤分级辅助、优先级分诊和远程会诊。未来方向是多染色联合、病理-基因-影像证据链、MDT 自动摘要、质控抽检和工作量调度。科室建议先把数字化底座建稳：扫描质量、WSI 存储、阅片工作站、病理报告接口和签发责任，再选择癌种明确、适应证清楚的 AI 模块。
医院如果把病理 AI 纳入实验诊断平台建设，需要单独看四件事：扫描仪和 WSI 存储能力，病理医生复核工作台，肿瘤类型和算法适应证，病理报告系统与院内数据平台接口。不能因为“都是图像 AI”，就把血涂片、培养皿和组织切片放在同一个性能表里横比。
流式/细胞分析平台：门控和异常细胞群不能黑箱化
图注：流式/细胞分析平台的重点是多参数散点图、门控辅助、异常细胞群提示和复核一致性，不能把门控策略变成不可解释黑箱。
流式和细胞分析是之前版本缺掉的一块。它和血涂片同属细胞层面的判断，但数据形态完全不同。流式面对的是多参数散点图、抗体 panel、门控策略、细胞群比例和异常群体识别。
AI 在这里的价值，是帮助标准化门控、提示稀有细胞群、减少操作者之间的差异，并在血液肿瘤、免疫监测、微小残留病灶等场景中提高复核一致性。
它的风险也很特殊。不同医院的抗体 panel 不同，门控策略不同，样本处理不同。AI 如果只给一个结果而不能解释门控路径，就会把专家判断变成黑箱。代表企业案例：BD Biosciences。官网/产品入口：BD Biosciences。产品介绍：BD 的代表性不只是流式仪器，而是仪器、试剂、抗体 panel、分析软件和细胞分析生态共同构成工作流；FlowJo 等分析软件也让流式数据分析和复核更接近标准化。医院在这一层看 AI，不能只问“能不能自动门控”，而要看门控路径、散点图证据和专家修改痕迹能否保留。
真实工作流与 AI 落点：流式/细胞分析流程包括样本处理、抗体 panel 染色、上机采集、多参数数据质控、门控、异常细胞群识别、专家复核和报告。上机采集本身可以是分钟级，但样本处理、染色孵育、panel 选择、人工门控和专家解释让整体流程常以数小时到当天计；复杂血液肿瘤、MRD 或免疫监测项目可能更久。AI 已落地或接近落地的环节是数据质控、自动/半自动门控、细胞群聚类、异常群体提示、批间一致性分析和复核一致性评估。未来方向是跨 panel 标准化、稀有细胞群监测、MRD 趋势分析和与形态学/基因检测联动。科室建议把 AI 定位为“门控和异常提示助手”，不要让黑箱模型直接替代专家门控；每次自动门控都应保留散点图证据和人工修改记录。
医院上线时应要求保留门控策略、散点图证据、人工修改痕迹和最终复核人。
LIS/中间件/质控平台：全实验室AI最后都卡在这一层
图注：LIS/中间件/质控平台不是某一种样本的 AI，而是全实验室 AI 能否落地的底座：接口、规则、自动审核、异常升级、日志、TAT 和回退都在这一层。
检验相关 AI 最容易被忽略的技术平台，是 LIS、中间件和质控平台。血液图像、培养皿、质谱、基因检测、病理切片都可以各自有 AI，但如果结果不能进入正确队列，不能回写，不能留痕，不能触发异常升级，不能被审计，最终都只是单点工具。
Techcyte 这类多工作流平台的价值，也应该放到这一层理解：它不是某一个具体检验项目，而是试图统一图像、算法、复核和质控底座。IVD 厂商的中间件、自动审核模块、流水线调度系统，也是在这一层承接 AI 输出。
图注：Techcyte 官网称其 clinical pathology solutions 提供 advanced artificial intelligence workflows and tools，并强调解决技师短缺、流程负担等问题。访问时间：2026-07-01。
这一层还要承接两种交付模式。第一是 IVD 厂商路线：Roche、Siemens、Beckman、bioMérieux 更容易把 AI 嵌入仪器、流水线、中间件和质控体系。第二是 ICL 运营路线：Quest、Labcorp、Mayo Clinic Labs 更强调样本规模、标准作业、集中复核、跨网点质控和 TAT 管理。
图注：IVD 和 ICL 不是独立技术平台，而是两种交付模式：前者看系统交付，后者看运营闭环。
代表企业案例：Data Innovations Instrument Manager。官网/产品入口：Data Innovations。产品介绍：Instrument Manager 代表 LIS/中间件层的核心价值：仪器连接、规则引擎、自动审核、异常管理、结果回写和日志留痕。它不是某个单病种 AI，却决定不同 AI 平台的输出能否进入队列、触发复核、回写 LIS 并被审计。未来检验病理 AI 能否规模化，最后往往取决于这一层能不能接住不同平台的输出。
真实工作流与 AI 落点：LIS/中间件/质控层贯穿所有平台，流程是仪器连接、条码匹配、结果接收、规则判断、异常升级、人工审核、结果回写、报告归档和质控监测。单条结果传输和规则判断可以是秒级到分钟级，但真正影响 TAT 的是接口稳定性、异常队列积压、人工审核策略、危急值闭环和系统故障回退。AI 已落地在自动审核、规则命中、异常组合提示、TAT 看板、质控漂移监测、仪器状态预警和工作量预测。未来方向是跨平台任务编排、主动运维、模型版本治理、院内知识库和多科室证据链。科室建议把这一层作为 AI 落地底座：所有 AI 输出都必须能被排队、复核、回写、审计和回退，否则单点模型再好也无法进入生产系统。
医院判断这一层，不是问“算法准确率多少”，而是问 6 个更硬的问题：字段怎么映射，规则怎么留痕，异常怎么升级，权限怎么分配，升级怎么回滚，出错以后谁负责。
提示：因手机排版问题，建议电脑端阅读更佳。
| 平台 | 更像谁负责交付 | 采购时必须索取 |
|---|---|---|
| 血液/形态学 | 形态学设备厂商 + LIS | 图像归档、复核日志、接口清单 |
| 生化免疫 | IVD厂商 + 中间件 | 自动审核规则、复检逻辑、质控记录 |
| 质谱/蛋白组 | 质谱平台 + 专家团队 | 谱库版本、批间校正、报告模板 |
| 微生物 | 自动化厂商 + LIS | 自动释放边界、菌种谱验证、规则配置 |
| 分子/基因 | 测序平台 + 知识库 + 分子病理 | panel范围、知识库版本、报告复核 |
| 数字病理 | 扫描仪 + AI工作台 + 病理系统 | 癌种适应证、WSI存储、签发责任 |
| 流式/细胞分析 | 流式平台 + 专家门控 | panel、门控策略、修改痕迹 |
| LIS/中间件/质控 | 信息科 + 检验科 + 厂商 | 数据流、权限、审计、回退机制 |
写在最后
图注：封面图概括本文主线：检验科病理科 AI 不是单一模型替代报告，而是围绕 8 类技术平台和 2 类交付模式重塑实验诊断生产流程。
图注：这张业务架构图把未来检验科病理科 AI 拆成五层：临床需求、样本与技术平台、AI 生产任务、专家复核、交付与治理。它强调 AI 不是孤立模型，而是从样本到报告的生产流程管理。
图注：这张技术架构图把未来检验科病理科 AI 拆成六层：数据采集、数据标准、AI 模型、工作流编排、治理安全、应用层。医院选型时要同时看接口、日志、权限、漂移监测和回退机制。
如果只看“能不能出报告”，检验科病理科 AI 会被低估。未来 3-5 年，更值得看的不是某一个模型突然替代医生，而是 AI 逐步进入实验诊断的生产管理层：它知道样本在哪里、仪器跑到哪一步、哪些结果可以自动审核、哪些需要复检、哪些图像或谱图要升级给专家、哪些变异证据需要知识库更新、哪些报告需要回退。
我认为下一阶段会出现三个变化。第一，AI 从单点工具走向中间件和质控平台，报告前的流程管理会比报告后的文字生成更重要。第二，检验科和病理科的边界会被重新连接，血液形态学、数字病理、分子诊断和流式分析会围绕同一个患者问题形成多模态证据链。第三，医院采购会从“买一个 AI 模块”变成“买一段可验证、可追踪、可回退的生产流程”。
这也意味着医院不能只问厂商准确率。真正该问的是：AI 输出进入哪个队列？谁复核？谁签发？哪个版本的规则和知识库在生效？接口错误怎么发现？模型升级后如何验证？如果本院患者结构、样本质量、仪器批次、试剂批号发生变化，系统能不能发现性能漂移？
提示：因手机排版问题，建议电脑端阅读更佳。
| 技术平台 | 代表产品/路线 | 代表公司 | 医院参考价值 |
|---|---|---|---|
| 血液/形态学 | DM1200、DC-1、Peripheral Blood Smear | CellaVision、Scopio | 血涂片/体液数字复核、远程复核、教学质控 |
| 生化免疫 | 自动审核、中间件规则、流水线质控 | Roche、Siemens、Beckman Coulter、Mindray | 高通量结果审核、复检规则、危急值和TAT管理 |
| 质谱/蛋白组 | MALDI Biotyper、LC-MS/TDM/毒理/组学平台 | Bruker、SCIEX、Thermo Fisher、Waters | 谱图识别、谱库匹配、药物浓度和组学解释 |
| 微生物 | PhenoMATRIX、培养皿AI分拣 | COPAN、bioMérieux | 培养皿分流、自动释放边界、药敏前置 |
| 分子/基因 | FoundationOne CDx、Tempus Oncology、SOPHiA DDM | Foundation Medicine、Tempus、SOPHiA GENETICS | NGS变异解读、用药匹配、临床试验匹配 |
| 数字病理 | 病理AI工作台、WSI辅助诊断 | Paige、Ibex、PathAI | 病灶提示、病理复核、远程会诊、肿瘤证据层 |
| 流式/细胞分析 | 流式门控、细胞群识别、免疫表型分析 | BD、Beckman Coulter、Cytobank 等 | 门控标准化、稀有细胞群提示、血液肿瘤复核 |
| LIS/中间件/质控 | Instrument Manager、自动审核、规则引擎、质控平台 | Data Innovations、Clinisys、Epic Beaker、本地LIS厂商 | 接口治理、规则留痕、TAT监控、升级回滚 |
| ICL运营参照 | 集中检测、跨网点质控、标准作业 | Quest Diagnostics、Labcorp、Mayo Clinic Labs、金域医学 | 规模化运营、人力调度、集中复核和质量管理 |
这张清单不是采购排名，而是提醒医院：不同平台的数据形态、监管边界和责任链完全不同。血液形态学、微生物、基因检测、数字病理和质谱不能放在同一张“准确率榜单”里横比；它们要分别看输入、输出、复核、接口和质控。
国内检验与病理 AI 公司清单也要按平台看，不要按“AI公司”一刀切。
| 国内公司 | 代表产品/方向 | 覆盖平台 | 产品特色 |
|---|---|---|---|
| 迈瑞医疗 | 血液分析、数字细胞形态、实验室自动化与中间件 | 血液/形态学、生化免疫、LIS/中间件 | 仪器装机基础强，适合从设备、流水线和规则审核切入；具体 AI 功能和接口边界需按型号核验 |
| 金域医学 | 第三方医学实验室、病理与检验数字化能力 | ICL运营、病理、分子/基因 | 样本规模和多中心运营经验强，适合作为集中复核、质控和TAT管理参照 |
| 兰丁智能 | 宫颈细胞学 AI 筛查、数字细胞病理 | 数字病理、细胞学 | 聚焦宫颈癌筛查和基层细胞病理场景，强调大规模筛查效率和质控 |
| 迪英加科技 | 数字病理 AI 平台、肿瘤病理辅助分析 | 数字病理 | 聚焦 WSI、病灶识别、病理医生工作台和病理质控，适合病理科数字化转型评估 |
| 衡道医学 | 数字病理平台、远程病理、病理数据服务 | 数字病理、远程会诊 | 更偏病理服务网络和数字病理基础设施，AI能力需结合具体模块核验 |
| 华大基因/华大智造 | 测序平台、生信分析、基因检测解释流程 | 分子/基因 | 适合分子诊断、遗传病、肿瘤基因检测场景；重点核验知识库、报告复核和数据安全 |
| 燃石医学 | 肿瘤 NGS 检测、伴随诊断与报告解释 | 分子/基因 | 肿瘤基因检测产品化和临床证据积累较强，适合评估变异解读、用药匹配和院内报告闭环 |
| 透景生命 | 免疫、分子诊断与检测平台 | 生化免疫、分子/基因 | 更偏 IVD 产品与检测项目组合，若纳入 AI/自动审核要重点确认软件、规则和接口范围 |
这张国内表的采购意义是：医院不要只问“有没有 AI”，而要要求厂商拿出注册证/备案资料、产品说明书、接口清单、网络拓扑、数据流向、规则版本、升级回滚方案和本院验证计划。没有披露的部署方式，不要替厂商脑补。
本期一句话：检验科病理科 AI 已经走过 22 年，下一阶段的关键不是从“人工报告”跳到“自动报告”，而是从单点工具迈向可验证、可追踪、可回退的 AI 生产流程管理。
如果你是医院检验科、病理科、分子诊断中心或信息科负责人，下一个具体问题不是“要不要上 AI”，而是：本院哪一条实验诊断生产流程，最值得先交给 AI 做 3 个月真实世界验证？