萬萬沒想到，只是參加一個科技展會，卻能讓人感到扎心。
這一切的起因，要從活動中展出的一個故事講起：
生孩子這件本應令人喜悅的事情，最終卻演變成讓一個家庭背負了十多萬元的債務。
而這一切的“元兇”，是一個叫做妊娠糖尿病合并高血壓的疾病。
正是因為它，還在孕期的故事主人公小琳（化名），不得不讓腹中的孩子早產出生。
而自己的視網膜也隨之脫落，導致雙目近乎失明，只能看到微弱的光芒，
在得知這個故事后的我，心情久久無法平復。
這到底是一種什么疾病？
于是帶著好奇心，我在網上開始對它展開深入地調研，
原來，妊娠期糖尿病引起的酮癥酸中毒，再伴隨高血壓等癥狀，會導致視網膜病變的發生。
更令人震驚的是，這還真不是個別現象：
39%病程超過15年的糖尿病女性，在妊娠期間會發生增殖性視網膜病變。
而即便患有糖尿病不足15年，該病的發生率也高達18%，
難道就沒有辦法預防嗎？
有的，只需要及時接受檢查即可，
但問題也正是出現在了這一重要的環節。
一來是因為許多在孕期的準媽媽，對這種疾病并不了解，直到出現癥狀了才去就診，錯過了最佳的治療時機。
再者，像故事中小琳所處的城市屬于貧困地區，醫療資源較為緊張，能夠檢查和醫治視網膜疾病的醫生可謂是鳳毛麟角，
為了解決這種情況，一種“快、準、狠”的方法悄然誕生。
他們將“專業醫生”帶到貧困縣區
這種方式，其實就是預防。
以妊娠糖尿病合并高血壓為例，若是小琳能夠在癥狀發生之前，及時做檢查，便可以有充分的時間進行降糖和激光治療。
而且比起事發之后的10萬元天價醫療費用，事前的定期檢查和康復費用便顯得格外經濟有效，
早篩查、早發現、早治療，其重要性便可見一斑了，
但剛才也提到了，目前全國各地的醫療水平不均是一個確確實實存在的客觀問題（尤其是貧困地區）。
在這種情況下，又該如何做好預防？
人工智能技術，便是一種破局之道。
一家叫做Airdoc（鷹瞳科技）的公司，正在用實際行動，證明人工智能技術對于基層的重要意義。
小琳所在的貧困縣區，是Airdoc精準扶貧的對象之一。Airdoc為他們帶去了“視網膜檢測儀”。
但千萬不要小瞧了這位“AI醫生”，
它是“學習”了數百萬張視網膜影像，再由數百名資深醫學專家親自輔導（交叉標注），耗時多年才誕生。
患者只要讓它“看”一眼，便可以發現常見的眼健康風險，而且基于此，還可以分析全身性血管和神經健康所存在的風險。
在為期僅僅4天的時間里，這位“AI醫生”便“開著車”，為4個鎮、600多位貧困群眾提供了健康服務。
如此效率，換作是人類醫生恐怕無法勝任。
那么Airdoc又是怎么做到的呢？
實時出結果，源自5年技術積淀
視網膜影像識別技術能評估健康風險，原理來自：
視網膜是全身唯一可以直接觀察血管和神經的部位，而高血壓、動脈硬化、糖尿病等重大疾病，都會引起血管的改變，包括視網膜血管，
因此，針對該部位的檢查，不僅能檢測糖尿病視網膜病變、青光眼等眼底疾病，還能直接體現身體其他方方面面的健康風險，是臨床診斷、病情隨訪的重要手段，
然而，眼底篩查至今沒能推廣到三四線城市，根本原因在于：具備眼底病檢查能力的專業眼科醫生太少，廣大地區醫療資源嚴重缺乏，
如果用專業醫生的診斷數據教AI學會識別視網膜影像，不僅能快速診斷結果，還能將資源批量應用到全國的中小城市去。
這也是Airdoc成立的初衷。鷹瞳Airdoc創始人、CEO張大磊在一次采訪中表示：“成立Airdoc的初衷之一，就是因為家人曾遭遇誤診，”
實際上，最初研發AI視網膜識別技術的不止Airdoc，一開始還有谷歌、IBM、Digital Diagnostics、Eyenuk等巨頭，大陸幾家巨頭也都進行過相關研究。
尤其谷歌，在開發算法模型時，選擇針對美國醫院的視網膜影像數據集進行研究，相關模型精度在實驗室可達90%以上，研究發表在JAMA等雜志上，引起巨大轟動，
然而，這項技術面向醫療條件落后的地區，如東南亞時，出現了嚴重的“水土不服”，
要知道，美國醫院的高精度數據集，源于專業醫生的拍攝技術、高配的硬件，導致谷歌算法模型對數據質量要求極高，同時只能適配昂貴的高精度眼底相機，
2020年，他們在泰國實際落地時，谷歌才發現算法不適配各種當地硬件產品、當地醫生拍攝水平也不足，導致準確度明顯低于實驗室結果。耗巨資做出來的AI視網膜影像識別模型，實際落地效果不好，至今仍未大規模商業化。
清華大學部附屬北京清華長庚醫院眼科主任胡運韜曾表示，眼底相機性能、人員拍攝能力、網速，都是導致谷歌AI模型“水土不服”的原因，
谷歌AI模型遇到的問題，對于醫療AI研究人員來說并不陌生。Airdoc醫學總監王斌坦言：“谷歌在泰國面臨的問題，我們在一線試點時基本上都碰到過。”
為了規避谷歌遇到的類似落地問題，真正實現“落地到三四線城市，解決醫療資源分配不均”這一目標，張大磊和團隊在這幾年時間里，同時做了三件事：
做軟體算法，做數據集，做硬件，且每個部分都必須比多數同行付出更多，
先說說軟體算法層面，Airdoc自研了不少針對各類疾病的AI算法，相關研究在柳葉刀、Nature等醫學頂刊，以及MICCAI等醫療AI頂會上都有收錄。
其中就包括醫學圖像處理領域頂會MICCAI上，一篇與莫納什大學部（藥學專業全球TOP 2）合作的論文Retinal Abnormalities Recognition Using Regional Multitask Learning，
論文中的AI視網膜影像識別模型，利用多任務學習語義分類，讓三個子網路分別學習視網膜不同區域的疾病，最終實現自動精準識別36種視網膜病變，
Airdoc的自動圖像質量控制算法，也是產品的一個亮點。
自動圖像質量控制，可以高效智能實時地對眼底相機采集的圖像進行質量分析，發現圖像采集質量不高的情況以及導致質量不高的原因，然后引導用戶或操作員重新采集高質量的圖片。
這項技術極大地提高了在基層環境中產品服務用戶的效率。
再從數據集層面看。Airdoc的重心放在數據標注精度上，與其合作的專業醫生，基本都來自《大陸醫院排行榜（復旦版）》上名列前茅的醫院，經過他們重復標注的數據集，數量達370萬張。
這些數據具有較強的多樣性，用它訓練出來的算法，可以適配大多數眼底相機，支持對不同質量的眼底圖片都做出準確分析，
如此一來，便大大降低了產品落地應用的門檻。
△實際標注情況示例
最后再看硬件方面，Airdoc還是唯一一家自研硬件產品的公司，代表作之一就是全自助的免散瞳眼底相機。
驗過光的讀者，也許對“散瞳”有印象，這是一種視網膜眼底檢查手段，用藥水麻痹睫狀肌，目的是放松瞳孔，避免其在遇到傳統照相機強光時自動縮小，無法成像。但散瞳藥物可能導致過敏。相比多數設備，更先進的眼底相機，對瞳孔直徑要求小，能將眼底圖直接成像于傳感器上，全過程不到1秒鐘，無需經過至少30分鐘的快速散瞳。
先進設備算法進一步為硬件帶來了加成，例如像“自動檢測、自動對齊、自動對焦、智能語音交互”這樣的智能算法實現了硬件的全自助拍攝能力。
在這樣的努力下，Airdoc-AIFUNDUS(1.0)成為首個獲得國家藥監局第三類醫療器械證書的AI視網膜影像識別產品，真正實現了上市，目前已經落地到不少三四線城市，文前提及的陜西省安康市，就是其中之一。
更值得一提的是，Airdoc其他用于檢測糖尿病視網膜病變等系列疾病診斷的軟硬件產品，也都獲得了能夠上市的第二類醫療器械證書，
既要研究軟體算法、數據集，又要做硬件，技術追求毫無疑問地帶來了成本負擔，Airdoc招股書顯示，2019、2020年兩年的研發投入占比極高，甚至一度超過了收入。
其中，2019年的研發投入占總營收的135%，而2020年的研發投入也占了總營收的88%。在醫療AI一度被唱衰的當下，這樣的做法多少顯得有些“冒進”。
但技術追求收獲的成果是明顯的，
上海市靜安區市北醫院陳吉利醫生曾在Nature子刊上發表一篇臨床試驗文章，驗證結果顯示，Airdoc的AI與專業眼科醫生篩選出的糖尿病視網膜患者數量極為接近，只比眼科醫生多篩選2例，相對更偏嚴格，具有臨床可用性，
其招股書也大大方方寫道：谷歌產品主要篩查類型為糖尿病視網膜病變、糖尿病黃斑水腫兩類，而Airdoc的人工智能醫療器械軟體（SaMD），檢測的疾病類型要更多，下面數據來源于弗若斯特沙利文，更能佐證Airdoc在細分領域的努力：
近日，一度要在醫療AI領域“火力全開”的谷歌健康部門面臨重組，這被視為谷歌對醫療健康領域的一次大規模調整，
但無論是在三年前合并DeepMind Health、還是數次更替研發項目，谷歌在2016年成立的糖尿病視網膜病變篩查項目，一直沒有變過，
甚至重新整合過后，糖尿病視網膜病變篩查被從原來的項目組中剝離出來，單獨成立了一個團隊，進一步加以研究落地，
這足以證明谷歌對“糖網”項目潛力的認可。
然而，包括谷歌、IBM等巨頭在內，確實有不少醫療AI相關的項目仍未曾盈利，這似乎也是當下醫療AI行業的普遍現狀——
盡管大家都知道，這是一項造福人類的事業，但真正做起來反而并不容易。
這到底是實現路徑錯了，還是最終目標錯了？
至少Airdoc正在用另外一種方式，朝目標堅定前進，
2019-2020年兩年間，逐年增加的研發投入：
這兩年，除去銷售成本的收入毛利率，也從53%上升到了61%；
至于虧損的情況，也在逐年好轉，從286.5%下降到了167%。
而就在今年5月，Airdoc已完成由禮來亞洲基金（LAV）、清池資本、OrbiMed、富匯創世共同投資D輪融資。
截至目前，Airdoc共完成了從Pre-A輪到D輪的7輪融資，總額超8億元。
6月21日，鷹瞳科技（Airdoc）向港交所正式提交申請版招股書。
不過，上市只是第一步。
面對未來的巨大藍海市場，醫療AI這個領域的探索，才剛剛起步，
