万万没想到，只是参加一个科技展会，却能让人感到扎心。
这一切的起因，要从活动中展出的一个故事讲起：
生孩子这件本应令人喜悦的事情，最终却演变成让一个家庭背负了十多万元的债务。
而这一切的“元凶”，是一个叫做妊娠糖尿病合并高血压的疾病。
正是因为它，还在孕期的故事主人公小琳（化名），不得不让腹中的孩子早产出生。
而自己的视网膜也随之脱落，导致双目近乎失明，只能看到微弱的光芒。
在得知这个故事后的我，心情久久无法平复。
这到底是一种什么疾病？
于是带着好奇心，我在网上开始对它展开深入地调研。
原来，妊娠期糖尿病引起的酮症酸中毒，再伴随高血压等症状，会导致视网膜病变的发生。
更令人震惊的是，这还真不是个别现象：
39%病程超过15年的糖尿病女性，在妊娠期间会发生增殖性视网膜病变。
而即便患有糖尿病不足15年，该病的发生率也高达18%。
难道就没有办法预防吗？
有的，只需要及时接受检查即可。
但问题也正是出现在了这一重要的环节。
一来是因为许多在孕期的准妈妈，对这种疾病并不了解，直到出现症状了才去就诊，错过了最佳的治疗时机。
再者，像故事中小琳所处的城市属于贫困地区，医疗资源较为紧张，能够检查和医治视网膜疾病的医生可谓是凤毛麟角。
为了解决这种情况，一种“快、准、狠”的方法悄然诞生。
他们将“专业医生”带到贫困县区
这种方式，其实就是预防。
以妊娠糖尿病合并高血压为例，若是小琳能够在症状发生之前，及时做检查，便可以有充分的时间进行降糖和激光治疗。
而且比起事发之后的10万元天价医疗费用，事前的定期检查和康复费用便显得格外经济有效。
早筛查、早发现、早治疗，其重要性便可见一斑了。
但刚才也提到了，目前全国各地的医疗水平不均是一个确确实实存在的客观问题（尤其是贫困地区）。
在这种情况下，又该如何做好预防？
人工智能技术，便是一种破局之道。
一家叫做Airdoc（鹰瞳科技）的公司，正在用实际行动，证明人工智能技术对于基层的重要意义。
小琳所在的贫困县区，是Airdoc精准扶贫的对象之一。Airdoc为他们带去了“视网膜检测仪”。
但千万不要小瞧了这位“AI医生”。
它是“学习”了数百万张视网膜影像，再由数百名资深医学专家亲自辅导（交叉标注），耗时多年才诞生。
患者只要让它“看”一眼，便可以发现常见的眼健康风险，而且基于此，还可以分析全身性血管和神经健康所存在的风险。
在为期仅仅4天的时间里，这位“AI医生”便“开着车”，为4个镇、600多位贫困群众提供了健康服务。
如此效率，换作是人类医生恐怕无法胜任。
那么Airdoc又是怎么做到的呢？
实时出结果，源自5年技术积淀
视网膜影像识别技术能评估健康风险，原理来自：
视网膜是全身唯一可以直接观察血管和神经的部位，而高血压、动脉硬化、糖尿病等重大疾病，都会引起血管的改变，包括视网膜血管。
因此，针对该部位的检查，不仅能检测糖尿病视网膜病变、青光眼等眼底疾病，还能直接体现身体其他方方面面的健康风险，是临床诊断、病情随访的重要手段。
然而，眼底筛查至今没能推广到三四线城市，根本原因在于：具备眼底病检查能力的专业眼科医生太少，广大地区医疗资源严重缺乏。
如果用专业医生的诊断数据教AI学会识别视网膜影像，不仅能快速诊断结果，还能将资源批量应用到全国的中小城市去。
这也是Airdoc成立的初衷。鹰瞳Airdoc创始人、CEO张大磊在一次采访中表示：“成立Airdoc的初衷之一，就是因为家人曾遭遇误诊。”
实际上，最初研发AI视网膜识别技术的不止Airdoc，一开始还有谷歌、IBM、Digital Diagnostics、Eyenuk等巨头，国内几家巨头也都进行过相关研究。
尤其谷歌，在开发算法模型时，选择针对美国医院的视网膜影像数据集进行研究，相关模型精度在实验室可达90%以上，研究发表在JAMA等杂志上，引起巨大轰动。
然而，这项技术面向医疗条件落后的地区，如东南亚时，出现了严重的“水土不服”。
要知道，美国医院的高精度数据集，源于专业医生的拍摄技术、高配的硬件，导致谷歌算法模型对数据质量要求极高，同时只能适配昂贵的高精度眼底相机。
2020年，他们在泰国实际落地时，谷歌才发现算法不适配各种当地硬件产品、当地医生拍摄水平也不足，导致准确度明显低于实验室结果。耗巨资做出来的AI视网膜影像识别模型，实际落地效果不好，至今仍未大规模商业化。
清华大学附属北京清华长庚医院眼科主任胡运韬曾表示，眼底相机性能、人员拍摄能力、网速，都是导致谷歌AI模型“水土不服”的原因。
谷歌AI模型遇到的问题，对于医疗AI研究人员来说并不陌生。Airdoc医学总监王斌坦言：“谷歌在泰国面临的问题，我们在一线试点时基本上都碰到过。”
为了规避谷歌遇到的类似落地问题，真正实现“落地到三四线城市，解决医疗资源分配不均”这一目标，张大磊和团队在这几年时间里，同时做了三件事：
做软件算法，做数据集，做硬件，且每个部分都必须比多数同行付出更多。
先说说软件算法层面。Airdoc自研了不少针对各类疾病的AI算法，相关研究在柳叶刀、Nature等医学顶刊，以及MICCAI等医疗AI顶会上都有收录。
其中就包括医学图像处理领域顶会MICCAI上，一篇与莫纳什大学（药学专业全球TOP 2）合作的论文Retinal Abnormalities Recognition Using Regional Multitask Learning。
论文中的AI视网膜影像识别模型，利用多任务学习语义分类，让三个子网络分别学习视网膜不同区域的疾病，最终实现自动精准识别36种视网膜病变。
Airdoc的自动图像质量控制算法，也是产品的一个亮点。
自动图像质量控制，可以高效智能实时地对眼底相机采集的图像进行质量分析，发现图像采集质量不高的情况以及导致质量不高的原因，然后引导用户或操作员重新采集高质量的图片。
这项技术极大地提高了在基层环境中产品服务用户的效率。
再从数据集层面看。Airdoc的重心放在数据标注精度上，与其合作的专业医生，基本都来自《中国医院排行榜（复旦版）》上名列前茅的医院，经过他们重复标注的数据集，数量达370万张。
这些数据具有较强的多样性，用它训练出来的算法，可以适配大多数眼底相机，支持对不同质量的眼底图片都做出准确分析。
如此一来，便大大降低了产品落地应用的门槛。
△实际标注情况示例
最后再看硬件方面，Airdoc还是唯一一家自研硬件产品的公司，代表作之一就是全自助的免散瞳眼底相机。
验过光的读者，也许对“散瞳”有印象，这是一种视网膜眼底检查手段，用药水麻痹睫状肌，目的是放松瞳孔，避免其在遇到传统照相机强光时自动缩小，无法成像。但散瞳药物可能导致过敏。相比多数设备，更先进的眼底相机，对瞳孔直径要求小，能将眼底图直接成像于传感器上，全过程不到1秒钟，无需经过至少30分钟的快速散瞳。
先进设备算法进一步为硬件带来了加成，例如像“自动检测、自动对齐、自动对焦、智能语音交互”这样的智能算法实现了硬件的全自助拍摄能力。
在这样的努力下，Airdoc-AIFUNDUS(1.0)成为首个获得国家药监局第三类医疗器械证书的AI视网膜影像识别产品，真正实现了上市，目前已经落地到不少三四线城市，文前提及的陕西省安康市，就是其中之一。
更值得一提的是，Airdoc其他用于检测糖尿病视网膜病变等系列疾病诊断的软硬件产品，也都获得了能够上市的第二类医疗器械证书。
既要研究软件算法、数据集，又要做硬件，技术追求毫无疑问地带来了成本负担，Airdoc招股书显示，2019、2020年两年的研发投入占比极高，甚至一度超过了收入。
其中，2019年的研发投入占总营收的135%，而2020年的研发投入也占了总营收的88%。在医疗AI一度被唱衰的当下，这样的做法多少显得有些“冒进”。
但技术追求收获的成果是明显的。
上海市静安区市北医院陈吉利医生曾在Nature子刊上发表一篇临床试验文章，验证结果显示，Airdoc的AI与专业眼科医生筛选出的糖尿病视网膜患者数量极为接近，只比眼科医生多筛选2例，相对更偏严格，具有临床可用性。
其招股书也大大方方写道：谷歌产品主要筛查类型为糖尿病视网膜病变、糖尿病黄斑水肿两类，而Airdoc的人工智能医疗器械软件（SaMD），检测的疾病类型要更多。下面数据来源于弗若斯特沙利文，更能佐证Airdoc在细分领域的努力：
近日，一度要在医疗AI领域“火力全开”的谷歌健康部门面临重组，这被视为谷歌对医疗健康领域的一次大规模调整。
但无论是在三年前合并DeepMind Health、还是数次更替研发项目，谷歌在2016年成立的糖尿病视网膜病变筛查项目，一直没有变过。
甚至重新整合过后，糖尿病视网膜病变筛查被从原来的项目组中剥离出来，单独成立了一个团队，进一步加以研究落地。
这足以证明谷歌对“糖网”项目潜力的认可。
然而，包括谷歌、IBM等巨头在内，确实有不少医疗AI相关的项目仍未曾盈利。这似乎也是当下医疗AI行业的普遍现状——
尽管大家都知道，这是一项造福人类的事业，但真正做起来反而并不容易。
这到底是实现路径错了，还是最终目标错了？
至少Airdoc正在用另外一种方式，朝目标坚定前进。
2019-2020年两年间，逐年增加的研发投入：
这两年，除去销售成本的收入毛利率，也从53%上升到了61%；
至于亏损的情况，也在逐年好转，从286.5%下降到了167%。
而就在今年5月，Airdoc已完成由礼来亚洲基金（LAV）、清池资本、OrbiMed、富汇创世共同投资D轮融资。
截至目前，Airdoc共完成了从Pre-A轮到D轮的7轮融资，总额超8亿元。
6月21日，鹰瞳科技（Airdoc）向港交所正式提交申请版招股书。
不过，上市只是第一步。
面对未来的巨大蓝海市场，医疗AI这个领域的探索，才刚刚起步。
