在AI医疗产业中，医疗影像一直是一个相对热门的领域。通过深度学习算法对医疗影像数据的和分析建立模型，实现对医疗影像的智能分析。现在每年的计算机视觉学术论坛中，都有关于各种疾病的影像数据分析比赛，并且在诸如肿瘤、心血管疾病等等大量领域中，AI的阅片准确度、速度，都已经超过了人类。
但在一系列AI医疗影像项目中，AI眼底影像一直是一个很特别的存在。相比其他项目，AI眼底筛查软件的落地速度之迅猛，超过了很多人的想象。像DeepMind联合伦敦Moorfields医院合作推出的AI眼底筛查技术，能够实现在30秒之内识别出数种疾病，被称作DeepMind首个有望商业化的AI项目；而百医院捐赠数百台AI眼底筛查一体机，让技术以打包形式直接落地到应用场景中；AI医疗创业公司体素科技的“VoxelCloud-Retina眼底全病种筛查解决方案”目前在全国超过家MMC（国家标准化代谢性疾病管理中心）落地。这种普及效率和速度，被成为“落地之王”也不为过。
今天我们要讨论的问题，就是AI眼底筛查究竟是如何从实验室走进现实，在未来又会呈现出何种走向？
从眼底到身体，
我们为什么需要更高效的眼底筛查？
通过眼底影像检查，可以对大量眼底疾病进行辅助判断。既能反映糖尿病视网膜病变、青光眼、老年*斑等一系列眼底疾病，同时还能反映高血压、糖尿病等慢性病的病变和累积。
可是对于眼底影像检查的普及程度，却与这一技术的价值并不匹配。
其中原因在于两方面，其一是眼底疾病病灶微小、不同病灶间区分度低，目前全国范围内拥有阅片能力的医生相对较少。医院的体系架构中，眼底筛查被归类于眼科，而眼科医生很难对于糖网病、高血压等内科、内分泌科等等疾病进行追踪式的诊疗，但离开眼科后，其他科室的医生又很难具备眼底影像阅片能力。
另外，根据《年中国卫生和计划生育统计年鉴》获悉，中国有4亿左右慢性眼病患者，而只有3.6万名眼科医生，门诊量超过1.1亿，住院患者超过万。患有糖尿病视网膜病变的患者往往无法及时获知病情，因此早筛早治是慢病管理的关键，但现今医疗资源无法满足需求，导致许多病人到晚期才能发现治疗，但往往为时已晚，为国家医保带来巨大的不必要负担，严重影响该人群的劳动能力。
在医疗资源日益紧张的情况下，如果能够高效利用起眼底筛查的能力，既可以帮助患者及时发现病情，也能辅助慢性疾病管理更加高效，让更多人享受到高效的医疗体验。
体素科技就是在这样的矛盾中发现了机会。
“AI医师”的养成计划：
眼底筛查是如何智能化的？
体素科技的眼科产品总监在采访时提到，体素科技和很多AI医疗创业企业一样，发现了眼底筛查这一技术的价值，同时市场上存在着一些公开的眼底影像数据集，可供企业在其中进行分析和挖掘。
具体来说，AI眼底筛查的实现过程是通过专业医学知识对数据进行标注，挖掘训练出疾病分类网络，构成针对于不同病灶的分类模型和疾病识别模式。但问题在于，当大家都面对着同样的公开数据集时，又该如何从技术上构建差异化优势呢？
体素科技在一开始对AI眼底影像项目进行研发时，身边基本没有企业在做这个研究，到年开始陆续有很多创业公司也开始研发这个项目，但从去年年底开始，体素科技的AI眼底筛查项目逐渐落地时，却发现很多当初的同行者却已经离开市场。
提及这其中的原因，体素科技眼科产品总监告诉了我们若干细节。
首先，体素科技自主扩大了眼底图像数据的获取范围。除了应用公开数据集之外，体素科技在不断尝试落地的过程中，还在不断的扩大着数据获取范围。尤其作为横跨上海和洛杉矶的跨国创业企业，让体素科技可以接触到不同人种的丰富眼底数据，增强模型的精准度和广泛适用性。
而在其他企业专注于单病种（糖网病）研发时，体素科技已经开始做全病种的研发。一般眼科医生拿到患者的眼底照片后，经过阅片基本能判断病患有哪些病症，因此AI技术要真正能辅助医生临床，必须具备全病种阅片能力。一直以来体素科技源源不断的增加着关于眼底图像的数据标注，以病灶位置、病灶类型等不同，归类为数十上百种疾病组合。这实现了从一个全病种分布平衡的数据上，进行多任务模型的训练。目前体素科技的AI眼底筛查软件除了可以识别糖尿病视网膜病变、糖尿病*斑水肿、青光眼、白内障、老年*斑变性等病灶特征，还可识别包括微血管瘤，视网膜内出血，硬性渗出，棉絮斑，视网膜外出血，新生血管，激光斑，玻璃膜疣，玻璃体混浊等十余种病灶病变。体素科技的全病种体系极大的扩展了AI眼底筛查的应用范围，医院检查时，可能并不知道自己患有的是什么疾病，如果AI眼底筛查技术能够尽可能的包揽多病种筛查，无疑也提升了就诊效率。
同时在落地过程中体素科技发现，由于眼底照片的拍摄属于人为操作，其中会存有很多不确定性，例如光线的强与弱，不同眼底照相设备的图像质量等等，都有可能造成AI判断不准甚至彻底失灵的可能。总的来说，还是算法模型的鲁棒性差，对于应用环境的要求较高。发现这一问题后，体素科技一边训练质量控制模型来对模型进行泛化，一边加强了不同设备拍摄数据的收集，进而不断的提升模型在落地时的应对能力。
其中体素科技眼科产品总监还提到了很有趣的一点：很多创业企业在做AI眼底筛查项目时，往往专注于提升算法模型在单一数据集中的准确率。而体素科技则更关心算法在现实场景中的表现，不断发现问题和解决问题。
如此一来产生的结果，就是专注单一数据集表现的AI算法会有些“高分低能”，在落地时表现差，自然会被市场淘汰。而体素科技在第三方测试中敏感度高达97%，并在三个月内连续获得红杉资本领投的数千万美元投资与腾讯的1亿元投资，并在年9月又获得了弘泰资本万美元投资。
打破象限：
AI眼底筛查带来的健康公平
从资本的密集