IFA智慧化走到哪一步，才算真正落地？

9月18日，在中华医学会第二十次检验医学学术会议期间，亚辉龙发布间接免疫荧光智动化整体解决方案，并同期举办“从经验到数据：AI时代自身抗体检测的临床价值重塑”专题研讨会。

如果只从产品层面看，这是一套由自动化样本处理、数字化图像采集和AI辅助判读构成的IFA解决方案。但将其放在自身抗体检测的发展进程中观察，更值得关注的是：当自动制片、数字成像和AI识别逐渐成为行业共同方向，IFA智慧化的竞争重点正在发生变化。

判断一套方案是否真正具备落地价值，已经不能只看设备能否自动运行、算法能否识别核型，而要进一步追问：算法背后是否有可信、持续迭代的数据底座？不同自动化环节能否形成完整闭环？形态学信息能否转化为可积累、可追溯的数据？

这或许才是此次发布更值得行业关注的部分。

以HEp-2细胞为基质的间接免疫荧光法，是抗核抗体筛查与核型识别的重要方法。与只输出阴阳性或定量数值的检测不同，IFA可以呈现荧光分布、染色部位、细胞周期及形态特征等多维信息，为后续特异性抗体检测和临床鉴别诊断提供线索。

但丰富的形态学信息，也带来了标准化难题。

从样本处理、荧光片制备到显微成像、核型识别和结果报告，多个环节都可能影响检测结果。特别是在判读端，不同人员在经验、观察习惯和核型认知上的差异，可能影响实验室间的结果一致性。随着检测需求增长，资深人员培养周期长、复杂样本复核压力大、质量控制难统一等问题也更加突出。

近年来，国内外企业持续推进IFA自动化与AI判读布局，自动制片、数字成像、阴阳性识别、核型分类和滴度辅助判断等功能已陆续进入实验室。因此，“有没有AI”正在成为一道基础题。真正拉开差距的，是AI所依赖的数据质量、不同环节的协同能力，以及系统对实验室标准化和质量管理的实际价值。

换句话说，IFA智慧化正在从“功能竞争”走向“体系能力竞争”。

医学AI的性能上限，首先取决于数据质量。

IFA图像容易受到试剂、基质、成像设备、曝光参数、实验操作和样本差异等因素影响。如果训练数据来源单一、样本量有限，或者缺少统一标注与跨中心验证，即使模型在特定条件下表现良好，也未必能够适应真实实验室中的复杂场景。

2026年3月，由北京协和医院牵头、亚辉龙作为参与单位之一的“多中心自身免疫性疾病间接免疫荧光形态数据库”项目正式启动。该项目入选工信部人工智能医疗器械创新任务“揭榜挂帅”，计划建设来源广泛、核型覆盖全面、质量控制严格的标准化IFA形态数据库，并逐步覆盖ICAP规范核型及复杂复合核型。

按照公开规划，项目预计到2027年纳入超过20万个亚洲人群样本。其意义不只是增加图像数量，更在于通过多中心采集、统一标注、质量控制和跨平台验证，为AI模型研发、性能评价、人员培训及实验室质控建立相对统一的参照。

当然，国家级数据库并不是某一家企业的专属数据资产。但对参与企业而言，其产品可以在更加多元的数据环境中接受验证，并持续提升对不同试剂、设备和成像条件的适应能力。

这个效果已有初步显现，根据公开数据，搭载亚辉龙平台的AI判读模型，ANA荧光模型识别准确率达到96.51%，dsDNA荧光阴阳性判读准确率达到97.74%。这些结果为后续应用提供了阶段性依据。下一步更值得关注的，是模型在更多中心、不同平台和复杂样本中的泛化表现。

从这个角度看，亚辉龙已有可信的数据底座

IFA智慧化还推动解决瓶颈问题：自动制片、数字成像、智能判读和报告输出等，在同一套流程中实现有效衔接。

因为，若仅完成自动制片或增加AI判读功能，固然可以减少部分人工操作，但如果样本处理、图像采集、结果复核和报告输出仍然相互割裂，仍需在不同设备和系统之间反复切换，检测数据也难以持续积累，质量也受质疑。

从此次发布的方案来看，亚辉龙试图通过iSlide 240、iReader 600与“荧枢^® FluoroCore”AI智能判读系统的协同，实现从样本处理、图像采集到智能判读及报告输出的流程贯通。

其中，自动化平台负责提高实验操作的一致性，数字成像系统将显微镜下的形态学信息转化为可存储、可调阅的图像，AI则在此基础上辅助完成阴阳性、荧光强度、核型和滴度等信息的识别与分析。

可见，只有实验过程、荧光图像、判读结果和复核记录能够相互关联，自动化的价值才可能从减少手工操作，延伸到结果追溯、质量控制和数据积累。

因此，评价一套IFA智慧化方案，不能只看单台设备的通量或某项算法的识别表现，还要看设备能否协同、数据能否贯通，以及这种贯通能否真正改善实验室的日常工作。

从“单点自动化”走向“流程数据化”，可能是IFA智慧化下一阶段的重要竞争方向。

传统IFA判读中，检验人员需要综合观察荧光分布、染色部位、荧光强度、细胞周期及形态特征，并据此作出阴阳性、核型和滴度判断。这些信息过去主要存在于显微镜下的即时观察和专业人员的经验中，难以被完整保存、重复调用和持续积累。

如今，IFA智慧化除了提高阅片速度或分流常规样本之外，关键时能将这些形态学信息，转化为更加标准、稳定、可记录的数据。

例如：“荧枢”AI智能判读系统尝试改变这种信息的存在和使用方式。基于标准化采集的荧光图像，系统可辅助完成阴阳性判断、荧光强度分析、常见核型识别和滴度判读，并对复杂或低置信度样本进行提示。一张荧光图像由此成为可以识别、分析、存储、复核和追溯的数字化信息。

从这里也可以佐证：AI正在全面提升判读效率、减少人员经验差异，为复杂样本复核、实验室质量控制、人员培训和模型迭代提供数据基础等。

亚辉龙此次发布的另一层考量，是将IFA放回自身抗体检测的整体路径中。

自身免疫性疾病的实验室诊断通常难以依赖单一方法完成。IFA擅长广谱筛查和形态学识别，免疫印迹、化学发光及液相芯片等方法，则分别在特异性抗体确认、精确定量和多指标联合检测中发挥作用。

目前，亚辉龙已布局间接免疫荧光、免疫印迹、化学发光和液相芯片等技术平台，尝试将筛查、确认、定量及动态监测连接起来。

多平台虽然不等于整体解决方案，但能实现流程衔接、信息互认和结果综合分析。显然，亚辉龙的目标已不只是提供一台完成IFA检测的设备，而是建立从荧光筛查到特异性抗体检测、再到疾病监测的多方法学协同能力。

未来，自免诊断领域的竞争或将不再局限于单台仪器的性能，而更多体现为企业对疾病诊断路径的理解，以及整合多种技术平台的能力。

技术之外，支付端也出现了新的变化。

国家医保局发布的《检验类医疗服务价格项目立项指南（试行）》设置了“间接免疫荧光显微镜检测”等加收项，以兼顾相关技术操作的必要成本；针对一次检验操作同时输出多个结果的联检模式，则明确了分档折扣计价方式。

这意味着，复杂形态学检测所包含的设备、操作和专业判断成本，正在获得更加细化的价格表达，多指标联合检测也开始拥有相对清晰的计价框架。未来市场放量有了初步的基础。

什么样的IFA智慧化，才算真正落地？

答案已经不能停留在“设备可以自动运行”或“系统可以识别核型”。一套真正具备应用价值的方案，需要可信且持续迭代的数据底座，需要从样本处理到报告输出的流程贯通，也需要将形态学信息转化为可积累、可追溯的数字能力。

从这一标准来看，亚辉龙此次发布的间接免疫荧光智动化整体解决方案，提供了一条值得观察的国产路径：参与共建多中心标准化数据基础，将自动化、数字化和AI判读连接起来，并尝试把IFA纳入更加完整的自身免疫诊断链条。

未来IFA智慧化的真正壁垒，可能不只是算法本身，而是谁能以可信数据为基础，将技术、流程与临床应用持续连接起来。