为什么眼睛成为医疗AI的第一块拼图——从糖网筛查到数字人体入口，眼科如何走出AI医疗商业化的第一条验证路径
在人体所有器官中，眼睛可能是最适合被人工智能“完全数字化”的器官。
一张标准的眼底照片，能无创捕捉到丰富的视网膜微血管、黄斑结构与神经纤维变化；一次高分辨率的OCT（光学相干断层扫描），更像是一台“微观CT”，能将视网膜的十层结构解析得丝丝入扣。这些过去高度依赖专家经验解读的结构化影像，如今正被AI重新解码。
从糖尿病视网膜病变（DR）筛查，到青光眼预测与黄斑变性进展分析，眼科已然成为医疗AI商业化落地最快、技术突破最深、生态最成熟的示范专科。
但眼科AI的终局，绝不是简单的“替代医生看片”，而是将眼睛转化为预测全身健康状态的数字入口。
一、为什么AI首先选择眼科？——第一块拼图的四个条件
2016年，DeepMind宣布与英国Moorfields眼科医院合作，利用AI分析OCT影像。随后在Google Health团队的共同推进下，这一方向逐步发展成为医疗AI的重要里程碑。当时很多人不理解：为什么是眼科？
答案不是“眼底容易”，而是：眼科恰好同时满足AI成功落地的四个苛刻条件。
第一，数据高度标准化。眼底摄影、OCT、OCTA等检查产生的图像具有高度的一致性和可重复性。相比内科医生的问诊记录（“哪里疼？”“感觉怎么样？”），眼科图像是客观的、数字化的、可被机器直接读取的。——这是第一块拼图：数据标准化。
第二，临床标签清晰明确。糖尿病视网膜病变的诊断标准相对统一——有没有出血？有没有渗出？需不需要转诊？这些明确的临床终点让AI训练有了清晰的目标。——这是第二块拼图：明确终点。
第三，针对糖尿病视网膜病变等标准化筛查任务，医生之间的一致性相对较高。相较于放射科或病理科，眼科医生对关键病变的判断共识程度更高，这为AI提供了更可靠的“金标准”。——这是第三块拼图：可靠参照。
第四，验证路径成熟。眼病的结局（失明与否、视力下降与否）可以在相对明确的时间窗口内被验证，使得AI的临床价值可以被量化评估。——这是第四块拼图：可验证闭环。
AI真正选择的不是眼科，而是一个最容易完成临床验证的医学场景。 眼科AI的意义，也因此超越了眼科本身——它证明了AI能够安全、有效地进入临床实践。
二、为什么不是放射科？——眼科AI与放射科AI的本质差异
很多人会问：AI看片，不是放射科更成熟吗？肺结节、骨折、脑出血——这些单病种的AI确实已经非常成熟。但放射科AI面临几个眼科AI没有的结构性障碍：
设备与协议的多样性。CT、MRI来自不同品牌，扫描协议千差万别，同一病灶在不同设备上可能呈现完全不同的影像特征。而眼科影像（眼底照片、OCT）的成像协议高度统一。
病种的巨大跨度。放射科覆盖从头到脚的全部疾病谱，而眼科病种相对集中——糖尿病视网膜病变、青光眼、AMD、白内障——AI可以在更紧凑的问题空间内做到极致。
医生一致性的差异。放射科医生对同一影像的判读差异大于眼科医生，这意味着AI在眼科更容易找到可靠的“金标准”进行训练。
因此，目前商业化最成熟的放射科AI，多数仍以单病种、单任务辅助识别为主；而眼科AI更早开始进入覆盖筛查、诊断、随访、转诊的完整专科工作流。 这也是为什么眼科比放射科更容易形成真正的商业闭环。
三、眼科AI发展时间轴
四、第一阶段：AI让眼科医生“看得更快”
过去几年，眼科AI最成熟的应用是糖尿病视网膜病变（DR）筛查。传统模式的问题是大量糖尿病患者因流程繁琐而无法坚持定期检查，筛查率长期偏低。AI改变了流程：患者在基层由操作人员通过眼底照相机拍照（无需散瞳）→AI快速分析→当场输出结果。需要转诊的再到眼科，无需转诊的直接获得“定期复查”建议，流程从半天压缩到几分钟。这种模式并不是“替代医生”，而是扩大医生的服务半径——让眼科医生从繁琐的筛查中解放出来，专注于复杂诊断。
在中国，这一模式已进入大规模验证阶段。北京同仁医院牵头的AI眼底筛查项目已在东城、海淀、昌平、顺义4个区130多家基层机构落地，累计服务超400万人次，准确率达95%。同仁医院眼科主任魏文斌表示：“中国1.25亿糖尿病患者中约三分之一会合并DR，实际筛查率不足20%。AI规模化落地有望在3至5年内将这一数字提升至50%以上。
全球层面，LumineticsCore（原IDx-DR）2018年获FDA首个自主AI诊断系统授权，EyeArt 2020年获FDA批准。2026年5月，杜克眼科中心启动美国首个机构级AI-DR筛查项目，标志着眼科AI从研究工具进入真实医院工作流。
第一块拼图已经嵌入医疗系统。 接下来，AI将不再满足于“看得快”，而是开始“看得懂”。
五、第二阶段：AI开始理解OCT，从诊断走向预测
如果说眼底照片让AI学会“看”，那么OCT让AI开始“理解”。OCT（光学相干断层扫描）是一种高分辨率眼科影像技术，能够清晰显示视网膜不同层次结构。过去医生阅读OCT依赖经验，大量时间用于寻找异常、判断变化、比较随访结果。AI正在改变这一过程。
标志性突破：DeepMind与Moorfields眼科医院合作
2020年5月，Google Health、DeepMind与Moorfields眼科医院合作在Nature Medicine发表了一项突破性研究。研究团队开发了一个深度学习系统，利用OCT预测已患湿性AMD（年龄相关性黄斑变性）患者的对侧眼在未来6个月内转化为湿性AMD的风险。该系统基于2,795名患者的回顾性匿名OCT数据训练，表现与6位临床专家中的5位相当或更好。
这意味着：AI不仅告诉医生“这里异常”，还能告诉医生“这个患者未来半年发生严重视力下降的风险较高”。眼科AI正在从疾病识别走向疾病预测。
六、第三阶段：从“看见疾病”到“预测全身健康”
眼科AI更大的想象空间，并不只是眼病。视网膜是人体唯一能无创直接观察微血管和神经组织的器官。眼底血管的变化，可能反映在代谢状态（糖尿病）、心血管风险（高血压、冠心病）、神经系统变化（阿尔茨海默病、帕金森病）、肾脏疾病、衰老速度与生物年龄。
学术界正将这种通过眼部影像预测全身疾病的范式定义为视网膜组学（Oculomics）。与CT、MRI相比，眼底摄影具有无创、低成本、可重复、高通量等特点，更适合长期随访和人群筛查——这也是它能够成为数字医学入口的重要原因。未来，一次普通的眼底扫描，不仅能筛查眼病，更将成为心血管风险评估、阿尔茨海默病早期筛查的“无创低成本入口”。眼睛正在从“视觉器官”变成“全身健康传感器”。
过去十年，医学主要通过血液、生化、基因等指标理解人体；未来十年，视网膜可能成为一种新的数字生物标志物（Digital Biomarker）。
七、阴影与局限：算法不是万能药
在拥抱光明前景的同时，必须正视眼科AI当前面临的现实挑战。
假阳性与假阴性的临床代价。即使已获FDA批准的IDxDR，也存在明确局限：仅适用于未确诊DR的糖尿病患者、不能检测其他眼病、对图像质量有严格要求。假阴性可能导致延误诊断，假阳性则可能导致不必要的转诊和患者焦虑。
真实世界采用率仍低。一项2025年覆盖45个国家的国际调查显示，全球仅7.2%的眼科医生报告常规使用AI工具，73.4%报告完全未使用任何AI工具。技术成熟不等于临床采纳——医疗AI真正进入医院，决定因素往往不是算法精度，而是医保支付、责任归属、工作流整合以及医生信任。
数据隐私与监管障碍。眼科AI系统需要大量患者数据训练和验证，但医疗数据的敏感性使得数据共享、跨机构协作面临重重阻力。
算法偏见与泛化挑战。多数AI模型在不同种族、不同设备、不同图像质量下的表现存在差异。如果训练数据主要来自特定人群，模型在其他人种中的表现可能显著下降。
八、生成式AI正在进入眼科——但尚处早期探索阶段
大模型时代正在改变眼科AI的研究方向。以下能力目前多处于探索或早期验证阶段，但代表了该领域的重要演进方向：
- 多模态视觉语言模型（VLM）与视觉基础模型（Vision Foundation Model）：同时理解眼底照片、OCT、电子病历和基因数据，实现图文协同诊断。
- 视觉思维链（Visual ChainofThought）：不仅给出诊断结果，还能高亮关键病灶并展示推理过程，大幅提升AI的可解释性。
- 合成数据（Synthetic Data）：利用生成式AI补充罕见眼病的训练样本，解决长尾疾病的模型训练瓶颈。
九、眼科AI企业竞争：从算法到生态
早期眼科AI竞争的核心是谁的算法更准，未来竞争的核心是谁能进入完整的眼科生态。
包括：
数据入口——眼科影像设备（OCT、眼底相机等）
AI模型——疾病识别、风险预测、治疗建议
临床流程——与医院系统、电子病历的深度集成
治疗闭环——药物、手术、随访的全周期管理
全球代表企业包括Google DeepMind、LumineticsCore、Eyenuk、RetinAI，以及设备巨头Topcon、ZEISS。从全球趋势来看，未来竞争优势可能更多来自“设备+AI+数据+服务”的一体化生态，而不是单一算法精度。设备企业、平台企业和AI企业之间的边界正在逐渐模糊。未来领先者不会是单纯的AI算法公司，而是连接设备、医院、医生和患者的平台。
十、中国眼科AI的发展机会
中国眼科AI拥有巨大的应用空间：人口基数大、老龄化推动眼病需求增加、基层眼科资源严重不足、医疗数据丰富。
目前，中国企业已在眼底筛查、OCT分析、青光眼辅助诊断、屈光管理、眼科机器人等方向探索。鹰瞳Airdoc的RetinaAI已通过一张眼底照片评估多种健康风险，覆盖全球多个国家和地区；硅基智能、体素科技等企业也获批了DR筛查III类医疗器械证。
与欧美企业相比，中国企业最大的优势不一定是单点算法，而是庞大的真实世界数据、基层筛查场景以及医院数字化建设速度。
十一、未来十年：眼科可能成为AI医疗的示范专科
眼科正在经历一个完整的演化过程：
第一阶段：AI看图（筛查糖网、青光眼、AMD）
第二阶段：AI理解OCT（识别液体、量化水肿、预测进展）
第三阶段：AI理解全身健康（视网膜组学、心血管风险、神经退行性疾病预测）
第四阶段：AI参与治疗管理（打针时机决策、手术规划）
远景：AI成为眼健康智能平台（510年长期目标）
这个演化路径，本质上对应着医疗AI能力边界的不断扩展——从识别（Recognition），到理解（Understanding），到预测（Prediction），最终走向决策支持（Decision Support）。眼科只是最先完成这一演化闭环的专科，而不是唯一会完成这一演化的专科。
结语：眼科——医疗AI的第一块试验田
过去二十年，眼科医生通过眼睛发现眼病。未来二十年，AI将通过眼睛理解人体。眼睛，正在成为人体最容易被持续数字化监测的器官。它记录的不只是视力，而是：衰老、代谢、血管、神经、免疫，甚至未来几十年的健康轨迹。眼科AI真正的意义，不止于“让眼科医生看得更准”或“让患者少去医院”。
它开启了医疗AI的第一个完整范式——数据标准化、影像自动化、预测精准化、临床可及化。眼科不仅是AI最早成功的医学专科，更像是整个医疗AI时代的第一块试验田。 今天AI在眼科走过的路——数据验证、监管审批、医保探索、临床工作流整合——未来很可能会在心血管、肿瘤、病理、神经内科等更多专科重新上演。
眼科不是医疗AI的终点，而是整个智能医疗时代的起点。眼科只是第一块拼图，而整个数字医学时代的版图，才刚刚开始拼接。
AI医疗 · 用最笨的方法做最扎实的内容
本文不构成任何医疗建议。
信源说明
IDxDR（LumineticsCore）：FDA De Novo授权，2018年4月
EyeArt：FDA 510(k)许可，2020年8月
DeepMind/Moorfields AMD预测研究：Nature Medicine，2020年5月，2,795名患者
杜克眼科中心AI DR筛查项目：Duke Health官方公告，2026年5月
眼科AI真实世界采用率：2025年45国国际调查
视网膜影像预测全身疾病：基于多篇同行评议研究
眼科AI监管批准：基于FDA及NMPA公开信息