一次常规抽血查出早期白血病：检验大模型想当检验科的"第二双眼睛"

一名牙疾患者到医院抽血，本意是查查牙痛相关的炎症指标。检验大模型在完成常规检测之外，多提示了一条线索：指标组合提示"白血病"可能。血液科复检确诊——早期白血病。9月10日服贸会上，北京小蝇科技发布的Panavita AI大模型，用这个真实案例给自己的发布做了一个最有说服力的注脚。

牙科患者的血常规里，藏着一个血液科答案

这个案例值得展开讲。牙痛查血，是再普通不过的就诊流程——血常规、C反应蛋白，检验科按单出数，医生看数开药，流程闭环。Panavita做的事情，是在这个流程里多问了一句：这组指标之间的组合关系，是否指向了原始送检目的之外的疾病？

据广州日报9月10日报道，患者血液随后被送至血液科进一步检验，最终确诊早期白血病。小蝇科技联合创始人、CTO连荷清的总结是："靠大模型在常规检验中的筛查能力，这位患者的血液病得以尽早发现、及时治疗。"

从产品视角看，这个案例定义了Panavita的核心能力边界：它不是替代检验技师做检测，也不是替代医生做诊断，而是在"检验数据"与"临床洞察"之间补上了一层此前缺失的翻译——从多维数据的组合模式中，发现单一指标阈值报警逻辑捕捉不到的疾病信号。

Panavita：把检验科从"出数字"升级到"给洞察"

9月10日的发布会上，连荷清给Panavita的定位是"一个可复用的AI+医疗的技术基座"，可在验血、验尿、生化、免疫等多个领域应用，血液检验是率先突破的细分方向。目前该模型已与全国近百家医院达成合作。

"基座"这个说法值得注意。医学检验是一个高度分段的学科：血液、生化、免疫、微生物，各有各的方法学、设备体系和质控标准。传统检验AI多为"单任务模型"——识别一个指标、预警一种疾病，扩展成本高。而大模型路线的想象空间在于：用统一的模型架构吃下多维度检验数据，在基座之上按需微调出不同科室场景的应用。连荷清举的例子是它的常规操作：患者做常规检验时，大模型通过多维数据综合分析，快速筛查症状不明显的疾病，减少重复检查，同时为医生提供临床指征和检查建议。

"减少重复检查"这半句尤其有现实意义。检验科饱受"重复开单"困扰——医生为排除不同可能反复开检验项目，患者多抽血、医保多花钱。如果检验数据的综合分析能前置给出"下一步最值得查什么"的建议，价值就不只是临床早筛，还包括医疗支出的结构优化。

近百家医院之后：检验AI的落地路径与边界

冷静地看，检验大模型要走的路还很长。

第一步是证据。牙疾患者的白血病案例足够亮眼，但个案不等于性能。检验AI的临床价值需要前瞻性研究来量化：在多大样本里、对哪些病种、能提前多久给出提示、假阳性率多少——这些数字决定了医院敢不敢把它接进真实流程。近百家医院的合作规模提供了一个良好的验证网络，接下来要看的是同行评议的研究数据。

第二步是责任界定。"提示白血病可能"是一句高敏感度的话：提示对了是早筛功臣，提示错了是恐慌制造者。AI的提示如何进入医生的工作流、医生如何处置AI的提示、误报漏报的责任如何分担，这些制度设计比模型本身更决定产品的生死。

第三步是商业闭环。检验科的采购决策权分散在医院设备科、检验科主任和医院管理层之间，AI软件类产品缺少独立的收费条目（这恰好是医保价格立项改革正在解决的问题），付费主体模糊是全行业共同的痛。

检验科的新分工：流水线负责效率，大模型负责意义

把时间线拉长一天，会看到一个有趣的呼应：就在Panavita发布的前一天，本刊刚报道过迈瑞MT 7000全实验室智能化流水线——机械臂处理样本分拣、离心、去盖、归档，样本异常识别准确率97%。一个是硬件流水线，把检验科的"体力活"自动化；一个是大模型基座，把检验数据的"脑力活"增值化。

这两条路线并不竞争，而是互补——检验科的未来分工图景正在成形：流水线负责效率，让样本跑得更快、更稳；大模型负责意义，让每一个数字组合都被读懂。对患者而言，这意味着下一次普通的抽血，可能比想象中透露更多关于健康的答案——前提是，这套"第二双眼睛"被足够多的真实数据训练得足够可靠。

原文链接：广州日报大洋网

千方医数集编辑部 出品