引子：2017年，斯坦福的那篇Nature论文
2017年1月，斯坦福大学的研究团队在《Nature》上发表了一篇论文：
《Dermatologist-level classification of skin cancer with deep neural networks》。
他们用12.9万张皮肤镜图像训练了一个CNN（卷积神经网络），然后让AI和21位皮肤科认证医师「同台竞技」——看照片判断痣的良恶性。结果：AI的诊断准确率与皮肤科医生相当，甚至在某些指标上略高。
这篇论文的价值不在于技术有多新颖——CNN早在2012年就火了。它的价值在于向医学界传递了一个信号：在某些图像驱动的医学领域，AI已经可以和医生「平起平坐」了。
七年后回头看，皮肤科和眼科成了医疗AI两个最成功的落地场景。它们成功的原因惊人地相似——读完这一章就明白了。
34.1 皮肤镜AI：从斯坦福到你的手机
34.1.1 为什么皮肤科是AI的「低垂果实」？
在医疗AI的所有细分方向中，皮肤科具备几个独特的优势：
优势 说明图像获取零门槛 一部手机就能获取高质量的皮肤病损照片标注相对明确 每张照片都有「金标准」——病理活检结果专科医生缺口大 中国皮肤科医生约3万人，人均服务4.3万人（美国1.3万人）
筛查需求巨大 黑色素瘤早期vs晚期五年生存率：99% vs 27%患者端市场存在 普通人可以用手机自检皮肤病变，无需去医院
34.1.2 AI在皮肤镜下的「看」法
皮肤镜AI的典型分析流程：
| 步骤 | AI做的事 | 类比 |
|---|---|---|
| 第一步：图 | ||
| 像质量判断第二步：病 | 判断照片是否合格（清晰度、光照、有无遮挡）「这张照片能用」 | |
| 灶分割第三步：特征提取分析ABCDE特征（不对称性Asymmetry、边界Border、颜色Color、直径Diameter、演化Evolution）「它长什么样」第四步：良 | 精确勾画出痣/斑块的边界 | 「病灶在哪」 |
| 恶性判断 | 给出良恶性概率和置信度 | 「要不要去看医生」 |
34.1.3 商业化产品：从医院到消费者
产品类型 代表 使用场景 监管路径临床辅助决策系统DermEngine（澳大利亚）、FotoFinder（德国）
皮肤科诊室，医生使用 FDA 510(k)/CE消费者自查
应用 SkinVision（荷兰）、Miiskin患者端，手机
自拍
强调「不替代医生诊断」
中国代表 体素科技、推想皮肤AI 医院+体检中
心 NMPA三类证
34.1.4 中国皮肤镜AI的特殊场景
中国皮肤科AI面临一个独特的机会：基层的皮肤病诊断能力极度薄弱。 很多乡镇卫生院的医生甚至没有受过系统的皮肤科训练——湿疹和银屑病分不清、体癣和湿疹搞混。AI对基层的帮助，不是「帮主任看疑难病」，而是「帮全科医生不把常见病看错」。
34.2 眼底照AI：医疗AI最成功的落地案例
34.2.1 一张眼底照片能看到什么？
眼底是全身唯一可以直接、无创地观察血管和神经的地方。一张眼底照片（彩色眼底照相）中「藏」着的疾病信息远超想象：
可诊断/筛查的疾病 眼底表现 AI检测能力糖尿病视网膜病变（糖网）微血管瘤、出血、渗出、新生血管 ★★★★★青光眼 视盘凹陷扩大、盘沿变窄 ★★★★年龄相关性黄斑变性（AMD）玻璃膜疣、地图状萎缩、脉络膜新生血管★★★★高血压性视网膜病变 动脉狭窄、铜丝/银丝样改变 ★★★高颅内压 视乳头水肿 ★★★除此之外，Google的研究还发现：眼底照片可以推断年龄、性别、吸烟状况、收缩压、HbA1c、甚至预测5年内心血管事件的风险——这些是肉眼完全无法做到的。
34.2.2 糖尿病视网膜病变筛查：完美契合AI的临床场景
糖网筛查是医疗AI最成功的应用案例，没有之一。原因极其清晰：
完美条件 说明疾病负担大 中国糖尿病患者约1.4亿，其中约1/3有糖网筛查手段简单 一张眼底照片即可，不需要特殊设备完美条件 说明分级标准明确 国际标准五级分类（无/轻度/中度/重度/增殖期）
早干预效果好 早筛早治可防盲率>90%筛查覆盖率极低 中国糖网筛查率<20%（发达国家>60%）
眼科医生极度不足 中国眼科医生约4.5万人，不足以覆盖1.4亿糖尿病患者
34.2.3 IDx-DR：FDA首个「自主诊断」AI
2018年4月，IDx-DR获得FDA批准——这是人类历史上第一个可以在没有医生参与的情况下独立做出诊断的AI医疗器械。
IDx-DR的能力和限制：
| 维度 | 详情 |
|---|---|
| 能做什么 | 自动分析眼底照片，判断是否有「中度以上糖网」需要转诊 |
| 不能做什么 | 不能判断轻度糖网、不能诊断黄斑水肿、不能看青光眼 |
| 使用场景 | 基层诊所（内分泌科、全科），而非眼科诊所 |
| 输出类型 | 二元判断——「需要转诊」或「不需要转诊」 |
| 临床意义 | 让没有眼科医生的场所也能做糖网筛查 |
| IDx-DR的意义远远超出了一个具体的产品——它为「AI自主诊断」打开了监管的大 |
门。 在此之前，所有AI医疗产品都是「辅助」，IDx-DR是第一个「自主」。
34.2.4 Google的视网膜AI：不仅是糖网
Google Health的视网膜AI团队走得更远：
| 阶段 | 成果 | 时间 |
|---|---|---|
| 糖网检测 | 敏感度>90%，特异度>90% | 2016 |
| AMD检测 | 与视网膜专家水平相当 | 2018 |
心血管风险预测仅从眼底照片预测5年CVD风险，准确率接近传统风险评分2018真实世界部署 泰国10家诊所前瞻性验证（暴露部署挑战） 2020泰国研究的发现尤其重要：在实际部署中，Google眼底AI的性能显著低于实验室——原因是诊室的灯光太亮、护士拍照不规范、网络带宽不足导致上传太慢。这又一次证明了：实验室的AUC和真实世界的AUC之间，差着一个「工程化」的距离。
34.2.5 中国：鹰瞳Airdoc的国家级糖网筛查
鹰瞳科技（Airdoc）是中国眼底AI的代表企业。其糖网辅助诊断软件于2020年获NMPA三类证，是全国首款获批的眼底AI产品。
核心数据：
| 指标 | 数据 |
|---|---|
| 累计筛查人次 | >3000万（截至2025年） |
| 部署场景 | 社区服务中心、药店、体检中心、内分泌科 |
| 筛查效率阳性率（需要转诊眼科）约15-18% | 单台设备每小时可筛查20-30人 |
| 关键创新 | 「硬件+AI+云」一体化——自研眼底相机+AI分析+云端报告 |
鹰瞳的模式展示了医疗AI商业化的另一种可能：不以「卖软件给医院」为核心，而是「卖筛查服务给基层机构」。一台带AI的眼底相机放在社区卫生服务中心，比配一个眼科医生现实得多。
34.3 青光眼AI：视盘与OCT的双重战场
34.3.1 从眼底照片到OCT
青光眼AI有两个主要的数据来源：
数据类型 优势 局限彩色眼底照相 便宜、普及、筛查场景适用只能看视盘形态（杯盘比），无法定量测量视网膜神经纤维层厚度OCT（光学相干断层扫描）
精确测量RNFL厚度和神经节细胞复合体 设备贵（20-50万/台），普及率低
34.3.2 AI在青光眼的具体任务
| 任务 | 基于眼底照片 | 基于OCT |
|---|---|---|
| 视盘/视杯分割 | ★★★★ | ★★★★★ |
| 杯盘比自动计算 | ★★★★ | ★★★★★ |
| RNFL厚度偏离分析 | 不适用 | ★★★★★ |
| 青光眼概率预测 | ★★★ | ★★★★★ |
| 进展监测（对比前后两次检查） | ★★ | ★★★★ |
34.4 皮肤科AI的患者端革命：你的手机就是「第一道防线」
34.4.1 患者端皮肤AI的逻辑
| 场景 | AI的角色 | 用户 |
|---|---|---|
| 自查新出现的痣定期追踪已有痣的变 | 初步良恶性判断 | 普通人 |
| 化 | 变化监测 | 高风险人群（有黑色素瘤家族史） |
| 皮肤病分诊 | 建议挂皮肤科/皮外科/无需就 | |
| 医 | 所有人 | |
| 治疗效果追踪 | 皮损面积/炎症程度量化 | 正在治疗中的患者 |
34.4.2 「手机拍照看病」的局限
必须诚实地告诉读者：当前的患者端皮肤AI远未达到「靠谱」的水平。
| 问题 | 影响 |
|---|---|
| 拍照质量参差不齐 | 光线、角度、焦距无法控制，AI准确率大幅下降 |
| 肤色多样性不足 | 大多数模型用白种人皮肤训练，对深肤色人群准确率低 |
只分析一颗痣，不看全身皮肤科医生的优势在于「全身体检」——看所有的痣比较判断监管灰色地带 「健康建议」和「医疗诊断」之间的边界模糊
34.5 眼科和皮肤科为什么成了AI突破口？
34.5.1 三条共同的「成功基因」
成功因素 眼科 皮肤科图像获取容易 眼底相机10秒一张，非侵入手机拍照，零门槛标准化程度高 眼底照相有国际标准 皮肤镜有规范化采集指南专科医生缺口大约4.5万（覆盖不全） 约3万（人均服务人数远超美国）
筛查属性强 糖网筛查有明确公共卫生需求皮肤癌早筛有巨大的公共健康价值阴性率极高 >80%的筛查结果是阴性 >95%的痣是良性的这三个因素叠加，形成了医疗AI的完美公式：
AI价值 = 疾病负担 × 筛查可行性 × 专科医生缺口 × 阴性筛除率眼科和皮肤科在这个公式里，每一项都是「高分」。
34.5.2 这对其他科室意味着什么？
反推这个公式，你就能理解为什么有些科室的AI进展慢：
科室 AI进展 卡在哪一步心内科（心电图AI） 较快 有标准数据，但需前瞻性验证消化科（内镜AI） 中速 图像获取容易，但实时性要求高神经科（脑电图AI） 较慢 数据非标准化，医生标注一致性差精神科 很慢 无法直接从图像诊断，需要多模态数据
34.6 对医生的启示
启示一：筛查＞诊断
眼科和皮肤科AI的成功经验告诉我们：AI最先突破的不是「诊断最难的疾病」，而是「筛查最广的疾病」。 与其追求AI替代高年资主任看疑难病，不如让AI在基层承担大规模筛检任务。
启示二：关注「真实世界部署」的差距
Google视网膜AI在泰国真实部署中的性能下降是一个警钟——实验室的0.95 AUC可能在真实世界只有0.85。任何AI产品在进入你的临床场景之前，都必须用「你所在环境的真实数据」做验证。 光照条件、拍照操作、患者人群特征，每一项都可能让性能大打折扣。
启示三：专科AI的普及不会消灭专科医生
糖网AI筛查最大的受益者是谁？是眼科医生。因为筛查出的阳性患者最终都需要眼科医生来治疗——AI筛得越多，眼科医生就越忙。AI消灭的不是医生，而是「本该筛查却没有筛查到的患者」。
34.7 本章小结
方向 AI价值 成熟度 代表产品皮肤镜AI 痣的良恶性鉴别、黑色素瘤早筛★★★★ 斯坦福CNN、SkinVision糖网筛查 大规模糖网筛检 ★★★★★ IDx-DR、鹰瞳Airdoc青光眼AI 视盘/OCT分析、早期发现 ★★★ 多种算法产品眼底全身健康预测 从眼底预测心血管、肾脏病风险★★ Google视网膜AI皮肤患者端应用 手机拍照推动就医 ★★★ SkinVision等成功公式 疾病负担×筛查可行性×医生缺口×阴性筛除率 — —
34.8 延伸思考
如果明年体检中心给你做眼底照相时，AI同时给出了「糖网风险」「青光眼风险」
「心血管5年风险」三份报告——你会相信吗？你会建议患者进一步检查吗？
皮肤科AI的手机端应用已经可以做到「拍照判断痣的风险」，你会推荐你的患者使用吗？如果AI说「低风险」而你肉眼觉得可疑，你会怎么办？
眼科和皮肤科为什么能成为AI突破口？这个规律是否适用于你的专业领域？你的科室最缺什么——标准化数据、专科医生、还是筛查工具？
本章初稿，待浩哥审阅。