1200亿美金“体外诊断”赛道，AI正在重写“检验科”的底层逻辑

诊断（IVD）被誉为医生的「眼睛」。行业常引用一个数字：临床上约70%的医疗决策依赖IVD的检测结果——虽然口径不一，但方向是清晰的——这是一个千亿美元级别的全球市场。而在AI医疗的内容世界里，它几乎是隐形的。

所有人都在讲「AI看CT」「AI看病理」「AI看眼底」。检验科是什么？是那个抽了血然后把管子送进去的地方。没有人讲。

但AI正在进入这个地方。而且它带来的变化可能比影像AI更深远——因为检验数据是最接近临床决策的数据。CT告诉医生「这里有个阴影」，检验报告告诉医生「该用什么药」。

更关键的是数据。全球AI驱动的IVD市场正处于快速增长期，不同机构估计其规模在数十亿美元级别，年增速在15%至25%之间。这不是一个小赛道在加速——这是一个大产业在重构。

本文沿着IVD产业链的六个节点，结合全球范围内的实际案例，逐一拆解AI的介入深度、商业化成熟度和落地障碍。

一、凌晨三点的检验科，AI替你多“看了一眼”

一个三甲医院检验科一天处理几千份血常规。在多数医院，其中绝大部分结果完全正常。这些正常结果——没有医生会看，检验师直接审核发出。

AI自动审核系统已经在做这件事：正常结果AI自动发报告，异常结果推送给人工复核。这不是科幻，这是检验科目前AI落地最大的场景。罗氏的cobas infinity、雅培的AlinIQ、贝克曼的DxOne都内置了AI自动审核模块。

当血常规发现异常——白细胞太高、血小板太低——检验师会推一张血涂片，染色，放到显微镜下。然后他需要在数百个细胞中人工识别：这是什么细胞？有没有异常？比例对不对？迈瑞医疗的血球分析仪加上AI阅片机，已经可以自动完成这个过程。Sysmex和Beckman Coulter也在推进类似的功能。

凌晨三点，急诊检验科一个人值班。AI扫完了今天全部血常规，标出了几份疑似异常——其中一份，值班医生差一点就放过去了。

这才是AI在IVD里真正的样子。不是科幻，是凌晨三点的检验科。

二、癌症诊断的金标准，AI为什么碰了四年还没碰动

2021年9月，Paige.AI的Paige Prostate获得FDA De Novo批准——这是FDA批的第一个病理AI，用于前列腺癌检测。

但病理AI整体比影像AI慢了数年。

三件事拖住了它。第一，数据量。一张全切片图像（WSI）约2-5GB，是CT图像的十几倍。存储和传输的压力完全不同。第二，标注难。标注一张WSI需要病理科医生——而全世界缺病理科医生，比缺放射科医生更严重。第三，审批严。病理是癌症诊断的金标准。影像AI错了可以复查——再拍一张CT。病理切片通常只有一张，错了没有第二次机会。

在国内，透彻影像、迪英加、江丰生物等公司在这个方向上推进。但数字病理AI的三类证产品尚未形成广泛商业化——细胞学辅助诊断类产品可能有突破，但整体审批节奏明显慢于影像AI。这是IVD AI里最慢、但价值最高的一个节点。

三、50年前一个AI诊断细菌感染，死了。今天它回来了

微生物检验是IVD里自动化程度最低的环节。

大部分医院还在靠人眼看培养皿——菌落长什么样、什么颜色、有没有溶血环——然后凭经验判断是什么菌。BD的Kiestra和Copan的WASPLab是微生物全自动流水线的代表，两者都加入了AI读板模块：摄像头定时拍摄培养皿，AI识别菌落形态、颜色和溶血特征，自动发出初步报告。药敏试验的抑菌圈判读也在走向AI化——AI测量直径，自动判定敏感、中介还是耐药。

MALDI-TOF质谱是目前最快的微生物鉴定方法，中国的安图生物在这个领域有国产替代产品。AI可以辅助罕见菌的鉴定——数据库里没有的菌，AI从蛋白质谱图推断。

这段历史有一个闭环。1976年，斯坦福的MYCIN做了细菌感染诊断——从细菌培养结果出发，推荐抗生素。它覆盖了微生物检验的后端（从结果到处方），但没有碰前端（培养皿阅读）。MYCIN想一步登天做临床决策，死了。50年后，AI终于进了微生物室——不是替医生推理，是替技术员看培养皿。老老实实看培养皿的AI，活了。

四、AlphaFold拿了诺奖，但它的输入是谁给的？

一个全外显子测序产生几万个变异。从中筛出真正致病的几个——传统方法需要数周，需要遗传学专家对着数据库一个一个比对。

AI变异解读系统可以在几小时内完成。Fabric Genomics和Illumina的DRAGEN平台都在做这件事。华大智造也在国产测序仪上集成AI生信分析。

这是IVD里一条值得单独展开的暗线：基因变异→蛋白质结构改变（AlphaFold预测）→功能丧失或获得→疾病。AlphaFold+AI变异解读+靶向药物设计在方向上串成了一条完整的链。但需要说明：AlphaFold与临床IVD的直接整合目前仍处于早期探索阶段——更多是在科研层面打通了逻辑，尚未进入常规诊断流程。IVD（基因测序→变异发现）是这条链的起点。

五、尿检、心电图、听心肺——你的手机正在变成检验科

Healthy.io是以色列一家公司。它的产品极其简单：孕妇用手机摄像头拍一张尿试纸，AI分析颜色变化，自动报告10项指标。英国NHS大规模采购了这项服务——孕妇在家做产前尿检，不用跑医院。FDA已批准。

AI听诊器也在同样的方向上。Eko的产品获得了FDA批准，可以分析心音和肺音，辅助筛查心律失常和肺炎。它是一个真实的产品，在真实的市场上卖，有真实的FDA批号。我们之前做6月大盘点时，把「印度用AI听诊器下乡」判了假——查无实据。但AI听诊器本身是真的。区别很简单：查得到批号、查得到公司、查得到临床数据——是真的。只有一段「感人的描述」——是假的。

六、AI在检验科干的最多的活：不是诊断，是管人

英国雷丁大学和皇家伯克郡NHS基金会做了一个AI工具，预测医护人员会不会辞职——2026年6月拿了英国国家AI奖。这是「AI管理医院」，不是「AI诊断病人」。

检验科全流程AI的逻辑一模一样。自动审核、质控预警、周转时间预测、试剂库存预测、危急值闭环管理——这些不是替检验师做诊断，是替检验科主任管科室。罗氏cobas infinity、雅培AlinIQ、国内的润达医疗都在做这个方向。

新一代IVD设备正在从「给出一个数字」变成「给出辅助判断」。引入大模型技术的智慧检验系统，能在糖化血红蛋白检测中利用AI峰拟合技术自动识别变异体干扰，同时结合患者病史和历史数据，辅助输出临床参考建议。从「提供数据」到「辅助决策」——这一步，IVD走了三十年。

一个根本的区别在这里浮现：影像AI告诉医生「这里有个阴影」。检验AI告诉医生「这些指标的组合提示了某种病理生理状态」。前者是定位，后者是定性。后者直接衔接治疗决策。

七、三道坎拦住了AI进检验科的脚步：数据、监管、谁买单

尽管前景广阔，IVD AI的落地并非坦途。产业目前正从概念炒作进入深水区，三道坎不可忽视。

第一，数据非标与孤岛效应。医疗数据是AI训练的原油。但不同医院、不同品牌IVD设备之间的数据格式、编码标准极不统一。清洗这些「脏数据」需要耗费巨大资源。Watson Health当年在肿瘤领域翻车，根本原因是临床文本数据一团乱麻。IVD数据确实比病历文本规整——血常规、生化指标都是结构化的数字。但IVD有自己的麻烦：不同厂家的试剂常数不一样，定标方法不一样，同一个项目在甲医院和乙医院的参考区间可能差出20%。数据是整齐的，但整齐的数据之间互不认识。

第二，合规与伦理的红线。AI诊断的「黑盒效应」——算法如何得出结论——一直让临床保持审慎。如何确保算法的透明性、数据隐私安全，以及通过医疗器械注册审批，是横在所有企业面前的硬关卡。

第三，商业闭环的探索——这是三道坎里最硬的一道。医院凭什么为AI算法单独买单？目前行业的主流做法是把AI功能打包进设备一起卖——检验科买的是仪器，AI是附赠的。单独为AI软件付费的商业模式，在IVD领域还没跑通。部分企业在尝试按例收费（做一次AI分析收一笔）或通过提升科室周转率间接体现价值，但迄今为止，「AI单独收费」在多数地区没有明确的医保物价答案。这个问题不解决，前两道坎——数据质量和合规审批——就算都翻过去了，AI还是进不了检验科的门。

八、IVD AI的市场版图

「数字病理」这个标签下面其实是两件事。宫颈癌筛查和血细胞形态学——细胞学AI——跑得快，多款产品已获批。前列腺癌、乳腺癌的全切片组织病理——WSI AI——因为一张片子几个GB、标注半天、金标准压力大，至今仍是IVD里最慢的。成熟的归成熟，慢的归慢。

获批不等于广泛商业化。以下表格标注的成熟度反映的是产品获批进展，而非市场渗透率。

数字病理是目前IVD AI商业化最成熟的赛道——因为它最接近影像AI，都是「识别+辅助分级」。宫颈癌筛查和血液细胞形态学是两大核心场景。分子诊断正在加速，精准肿瘤早筛是主要驱动力。智慧实验室的AI化相对分散——自动审核、质控预警、库存预测——每一项都是小切口，但合在一起构成了检验科未来的基础设施。

结语：CT告诉你阴影在哪，检验报告告诉你用什么药

影像AI做的是「识别」。一张片子，有没有结节——二分类，任务明确。

IVD AI做的是「解读」。几十个检验指标，组合在一起意味着什么——不是二分类，是多维判断。数据更碎、标准更杂、科室之间的壁垒更高。

但也正因为如此，IVD AI比影像AI离临床决策更近一步。CT告诉你阴影在哪。检验报告辅助医生判断用什么药。

未来的IVD企业，将不再仅仅是医疗器械制造商，更是医疗健康大数据的治理者。能够率先打通「高质量数据—顶尖算法—临床价值闭环」的企业，会成为下一个医疗时代的领跑者。

而检验科和药房——背靠背。