收购潮背后，病理AI商业化难在哪里?

需要关注的是另一件事：Proscia近12个月营收超过1800万美元，服务4000余家实验室、医院和诊所，客户覆盖全球前20大药企中的16家——但它的临床诊断收入，可能不足以支撑2.4亿美元。

所以， 安捷伦买的不是当下，而是：在病理数据从玻璃片迁移到数字切片的过程中，能掌握“中央操作层”，能掌握下一阶段病理商业化的入口。

这恰恰暴露了数字病理AI最核心的悖论：资本在抢入口，临床在慢落地。收购潮越热闹，越说明纯算法公司的独立商业化空间在收窄；而商业化难点，确实在于从扫描仪到报告之间那条漫长、破碎、充满制度摩擦的链条上。

算法很热，临床很冷

学术文献给这个现象起了一个准确的名字：adoption paradox。基础模型和多模态系统在诊断、预后和生物标志物任务上已经达到专家级水平，但真正进入常规临床的AI系统屈指可数，而且进入临床的产品与研究原型之间存在 实质性差异。

数据是冷酷的。截至2026年，美国FDA授权的AI/ML医疗器械中，放射影像领域有1094款，而基于全视野数字切片（WSI）的现代病理AI产品仅有 5款 ；美国只有约4%的病理切片以数字化方式完成阅片。

KLAS的数据显示，2023年美国采用数字病理用于临床的医疗机构不足10%，数字化方式报告的诊断病例不足5%；到2026年，进入部署或采用阶段的机构仍不足15%，即便在先行者中，大型机构通常也只对不到一半的组织病理病例完成数字化阅片。硬件增长并不慢，全球数字病理扫描仪装机在持续攀升，中国三甲医院渗透率据报已达到较高水平。但“装了扫描仪”和“AI真正进入诊断流程”之间，还有相当路程。

基础设施的“最后一公里”不是算法，是数据底座 。

放射影像AI之所以跑在前面，有原因：CT和MRI在采集完成时就已经是标准化数字文件，可以直接进入PACS。

而病理没有可直接进入的 。一张玻片要经过取材、固定、包埋、切片、染色、扫描、质控、存储、传输，才能变成一张可用的WSI；而不同厂商的扫描仪在组织检测算法、色彩还原和文件格式上存在差异，扫描诱导的域偏移会系统性地影响下游AI的表现。更麻烦的是，病理切片的信息密度远超放射影像，一张WSI是吉像素级图像，存储和调阅成本随数字化规模线性甚至超线性上升。低资源场景下的研究报告显示，仅存储需求就可达到每季度约12 TB，扫描仪通量不足和显示器质量参差同样构成瓶颈。

医院要为先决条件买单：合规的扫描仪、足够的算力与存储、与LIS和图像管理系统的接口改造、以及专门的技术人员。一笔AI采购的隐性总拥有成本，往往数倍于算法本身的报价。当医院算的是这笔账时，准确率95%的模型，远不如一个“能让扫描通量翻倍、质控自动化”的工具。

第二重难点： 支付机制只解决了“能不能收”，没解决“为什么买”

2025年12月，国家医保局印发《病理类医疗服务价格项目立项指南（试行）》，将“人工智能辅助诊断”列为病理诊断的扩展项， 首次在制度层面给出了收费路径。

但政策的实际效果需要拆开看。扩展项的性质决定了AI辅助诊断费用包含在“病理诊断费”之中，不单独收取；医院无法通过这项服务额外创收，因此在采购决策中缺乏直接的经济激励。与此同时，辅助诊断类AI产品需要按医疗器械法规取得三类注册证，但竞争激烈，可供选择的AI软件并不稀缺；医院没有紧迫性为一项“不单独收费、效果需要时间验证、还要改造工作流”的产品支付溢价。

更深层的问题在于 支付逻辑的错位 。病理AI的价值主张通常是“提升效率、减少漏诊、缓解病理医生短缺”，但这些是系统层面的收益，不一定落在买单方。放射AI至少可以嵌入影像检查的收费链条，病理AI面对的却是一个收费项目被长期压低、人力成本占比极高、自动化基础薄弱的科室经济结构。支付政策打开了门，但门后面的激励链条仍然是不完整。

第三重难点： 工作流不是“集成”，是“重建”

即便医院愿意买，AI进入病理科的方式也远比“装一个软件”复杂。 它是要求整个诊断工作流从“显微镜主导”转向“屏幕主导”。

这涉及病理医生的认知节奏：多年训练形成的阅片习惯、对染色色调和细胞形态的判读经验，不会因为屏幕上多了一个热图就自动迁移。学术文献将这类障碍概括为“工作流错位”——AI的输出节奏与病理医生的诊断节奏不匹配，自动化偏差可能让医生要么过度依赖、要么系统性忽视模型提示。

系统集成的摩擦同样被低估。医院现有的LIS和图像管理系统与AI解决方案之间的兼容性普遍不佳，集成的成本和周期经常超过算法部署本身。商业深度学习模型常常依赖专有查看器，在解剖病理LIS中的集成并非易事；即便存在接口，糟糕的互操作性仍然会增加点击次数、强制界面切换，把注意力从病例上拉走。Proscia之所以有价值，就是因为它做的是“中央操作层”：连接扫描仪、LIS、图像分析应用和AI工具，而不是自己去做某一个诊断算法。

第四重难点： 信任不是靠准确率建立的，是靠前瞻性证据和问责框架建立的。

病理诊断的法律后果是具体的。一个假阴性意味着漏诊，一个假阳性意味着不必要的治疗。AI要在这种场景中获得临床信任，需要的不只是回顾性数据集上的AUC。当前多数模型在回顾性数据上训练和验证，缺乏在大型真实世界临床样本上的前瞻性验证和长期稳定性证据。“黑箱”性质使得决策逻辑不透明，难以满足病理诊断对严谨性和可问责性的要求。监管审批要求的证据门槛，有时低于证明临床获益所需的门槛；而 一旦进入真实临床，模型漂移、扫描仪更换、染色方案调整都可能改变输出，却没有成熟的上市后监测框架来兜底 。

这解释了为什么病理AI的商业化呈现出一种“产品 archetype 分化”：真正进入常规临床的，不是通用的“诊断AI”，而是边界清晰的工具——群体级细胞学筛查、辅助检测（第二读者模式）、定量IHC评分。

共同特征是任务定义窄、输出可复核、医生保留最终决策权。

把安捷伦收购Proscia放回行业图景中，脉络或许更清楚；罗氏以7.5亿美元首付、最高3亿美元里程碑收购PathAI，看中的是PathAI的AISight图像管理系统与罗氏伴随诊断体系的结合；Tempus收购Paige，拿的是近700万张临床标注切片的专有数据集和算法能力。

这些交易的共同点不是“买算法”，而是 买入口、买数据资产、买与硬件和试剂绑定的工作流控制权 ，纯算法公司的独立商业化空间正在被挤压。

当然，这不是说病理AI的商业化在退步。只是说重心变了，从“证明模型多准”，转向“证明系统多省事、多可问责、多能嵌入既有经济结构”。

数字病理的长期价值不在单点算法，而在从样本到报告的数据基础设施。 谁能把扫描、质控、图像管理、LIS集成和AI分析收敛到一个可运维、可计费、可监管的工作流里，谁才有机会等到支付意愿真正成熟的那一天。

1.超16亿元！科学仪器巨头的AI竞争，打响实验室入口争夺战，仪器信息网，2026

2.安捷伦24亿美元收购Proscia加码AI数字病理，解螺旋资讯组，2026

3.“AI+医疗”产品如何实现商业落地 产业界热议付费新路径，第一财经，2026

注： 本文内容仅供行业动态参考，不构成任何投资建议或临床医疗决策依据。