【千亿生意】一张眼底图，浮现你未来十年身体1000多种疾病风险

【千亿生意】一张眼底图，浮现你未来十年身体1000多种疾病风险

一眼看全身
鹰瞳思路
眼底看全身论文
眼底成像技术
眼底看肝脏
眼底看多囊卵巢综合征
眼底看肺部
眼底看贫血
眼底看少肌症
眼底看神经退行
眼底看心血管
眼底看肾脏

鹰瞳视网膜论文

一眼看全身

眼病，是身体其他疾病的标志。

眼底是唯一能直接观察到动脉、静脉和毛细血管的部位。

一张眼底图，浮现你未来十年身体1000多种疾病风险，常见慢性病多达200多种。

影像科在医院中扮演着至关重要的角色，几乎涉及到90%的疾病诊断和治疗过程。

这意味着大多数疾病的诊断和治疗决策都依赖于影像学的结果。

影像学技术如X光、CT扫描、MRI、超声波以及PET扫描等，都是医生用来查看体内情况、确定疾病状况和治疗效果的重要手段。

如果【一眼看全身】能完全实现，这将是 AI 医疗结合最神奇的技术，让全球 80 亿人随时随地掌握自己的健康状况，甚至预测未来十年身体患病的风险，提早做预防。

通过基于眼部影像的AI检测全身性疾病的迹象 —— 一种非侵入性且经济实惠的传统筛查替代方法 —— 预计将是医疗保健的有益补充，甚至可能成为传统筛查策略的替代品。

鹰瞳思路

目前，AI医疗第一股【鹰瞳科技】：

聚焦视网膜影像人工智能识别领域，做到了全身 55 种疾病预测（糖尿病、贫血、高血压、动脉硬化等）
鹰瞳Airdoc自研了全国首款全自动、全自助、便携式的眼底相机
软硬一体化，参数指标领先于国内外同行的基础上，把成本降低到了原来的1/10以下
检测一次价格是140-180，鹰瞳一次的利润是40-70
视网膜影像数据库，370万张完整的真实世界用户视网膜影像和相对应的多模态数据，由资深医学专家标注及按疾病和病变处理。
其产品已覆盖超过950家视光网点、400多家等级医院、28个省份区域内保险机构、140家体检中心

鹰瞳实验：

从临床选择了一组单独的病例集(OCT图像+眼底图像)，将一个眼科专家团队根据其OCT图像做出的诊断标注作为黄金标准，然后用相对应的眼底图像组成测试集，由鹰瞳Airdoc独立研发的AI算法模型和其他眼科医生分别给出判读。
以OCT诊断为标准诊断，AI眼底彩照识别模型的AUC为0.8566，其敏感性和特异性比人类医生更加均衡和出色
基于眼底照片的AI分析可作为ERM筛查中人类医生诊断的替代方案，患者在难以获得眼科专家看诊或先进检查的情况下，能以相对较低的成本取得较好的诊断准确性。
尽管OCT图像是ERM诊断的黄金标准，但眼底照片也为诊断提供了有价值的增益信息。基于眼底照片研发的AI模型，在实际临床场景具有良好的性能。

鹰瞳困境：

鹰瞳科技所涉及的AI影像业务受制于与数据保护有关的多种法律、规则、政策，整体监管体系的改变随时可能掐断其发展前景，监管危机如影随形。
2021年，鹰瞳科技销售费和管理费分别为7259万元及7707万元，同比增长181%及330%，仅这两项费用总额就远超过了年营收，更别提研发1亿费用了（人均工资90万）！折旧及摊销的费用也很高，光2021年就有1549万，总亏损-1.43亿元，估价跌了八成。
在AI医疗方面，百度、腾讯、阿里等互联网大厂也做的很好，在数据、算法、算力层面都有限制，竞争大。
数坤科技，从医学影像中重建数字器官，全自动检出“病灶”，发现“病史“，同时可以结合形态学和功能学做出医生急需的精确诊断结果。数坤科技的创新致力于解决覆盖心、脑、肺、腹等关键部位疾病，而这些疾病不仅覆盖数量大，且治疗流程复杂
推想医疗的肺结节产品成为全世界唯一一个拥有欧盟CE、日本PMDA、美国FDA、中国NMPA四大市场认证的AI产品，获得了全球绝大部分主要医疗市场的准入资格。

如果技术能持续突破，那什么都不是问题；如果技术不能突破，那大厂、各个 AI 医疗企业都能做到，就没竞争力啦。

眼底看全身论文

论文：https://www.mdpi.com/2227-9032/11/12/1739

神经退行性疾病和精神障碍：使用OCT和眼底图像进行研究
心血管疾病（CVD）：主要通过OCTA和眼底图像来研究
贫血：通过OCT、OCTA和眼底图像来研究
慢性肾脏疾病：通过眼底图像来研究
肝胆疾病：通过眼底图像来研究
多囊卵巢综合征：未指明使用的成像技术
肺部肿瘤：未指明使用的成像技术
贫血：通过OCTA来研究
肌少症：未指明使用的成像技术

眼底成像技术

成像技术分为：

巩膜图即（“白眼球”）
视网膜图像 fundus
裂隙灯图
光学相干断层扫描（OCT）
光学相干断层造影（OCTA）

巩膜图 - 眼睛外部白色部分即（“白眼球”）：

裂隙灯图：

眼底图 fundus：

OCT 图：

OCTA：
在这里插入图片描述

分为 3 类：

从眼球前表面的详细检查（如裂隙灯摄影和巩膜图）
眼球内部结构的深入观察（如OCT和眼底图）
血管结构的详细分析（如OCTA）

裂隙灯图（Slit Lamp Photography）：

用途：裂隙灯是一种眼科设备，通过强光束来检查眼睛前部结构，如角膜、虹膜、晶状体和前房。
优点：裂隙灯摄影对于发现和诊断角膜划伤、干眼症、白内障和青光眼等前段眼部疾病非常重要，并且能够记录治疗前后的变化。

巩膜图（Scleral Imaging）：

用途： 巩膜图是显示眼球外部白色部分，即巩膜的图片。通常用来评估巩膜的健康状况，如检查巩膜的炎症、色素沉着或其他异常情况。
优点： 巩膜图可以帮助医生诊断和监测眼表疾病，如红眼病、巩膜炎症或结膜下出血等，也可用于评估眼外伤或手术后的恢复情况。

眼底图（Fundus Imaging）：

用途： 眼底图是通过特殊的摄影技术捕捉眼球内部后部的图像，包括视网膜、视盘和黄斑等结构。
优点： 眼底图在诊断和管理诸如糖尿病视网膜病变、青光眼、视网膜脱落和年龄相关的黄斑变性等疾病中非常有用。

OCT (Optical Coherence Tomography)：

用途：OCT是一种非侵入性成像测试，可以生成眼睛内部结构，特别是视网膜的高分辨率横截面图像。
优点：OCT对于检测视网膜疾病（如黄斑变性、黄斑水肿、视网膜裂孔）及其管理至关重要，因为它提供了细胞层级的结构细节。

OCTA (Optical Coherence Tomography Angiography)：

用途：OCTA是OCT的一种进阶形式，能够以无需染色剂的方式展现眼睛内部的血流和血管结构。
优点：OCTA对于观察视网膜和脉络膜的血管病变非常有用，尤其是在诊断和监测糖尿病视网膜病变、视网膜静脉阻塞等疾病的血管变化。

眼底看肝脏

论文：https://www.thelancet.com/journals/landig/article/PIIS2589-7500(20)30288-0/fulltext

Xiao等人在2021年进行的研究。

该研究的目标疾病包括肝癌、肝硬化、慢性病毒性肝炎、非酒精性脂肪肝病（NAFLD）、胆石症和肝囊肿。

研究使用了基于眼底图像和裂隙灯图像的 ResNet-101 架构进行分析。

研究的训练/测试数据集包括1252名参与者的2481张裂隙灯图像和1989张眼底图像，其中75%用于训练，20%用于调整模型。

外部验证涉及1069张裂隙灯图像和800张眼底图像。

该研究是前瞻性的，其任务是识别上述的肝脏疾病。

研究结果的输出是二元的，意味着模型的输出是判断疾病是否存在的是/否形式。

模型在不同疾病的检测上表现出不同程度的准确性，这通过AUC（曲线下面积）值来衡量。

裂隙灯图像的AUC值如下：

肝癌：0.93
肝硬化：0.90
慢性病毒性肝炎：0.69
NAFLD：0.63
胆石症：0.58
肝囊肿：0.66

相对应地，眼底图像的AUC值如下：

肝癌：0.84
肝硬化：0.83
慢性病毒性肝炎：0.62
NAFLD：0.70
胆石症：0.68
肝囊肿：0.69

这些AUC值反映了模型在不同肝脏疾病诊断上的准确性，数值越接近1，说明模型的预测性能越好。

眼底看多囊卵巢综合征

论文：https://www.frontiersin.org/articles/10.3389/fendo.2021.789878/full

Lv等人在2021年发表的一项关于多囊卵巢综合征（PCOS）的研究。

使用了U-Net, Resnet-18, MIL（多实例学习）模型来分析巩膜图像。

数据集来自北京大学第三医院，包含4608张用于训练的图像和1160张用于测试的图像，并采用了5折交叉验证方法。

这项研究是回顾性的，其任务是通过巩膜图像的AI分析来识别PCOS，输出是二元的（即患病/未患病），并且在模型的外部验证中获得了0.979的AUC（曲线下面积）值，这表明模型在识别PCOS方面具有很高的准确性。

眼底看肺部

黄等人在2023年进行的一项关于肺部新生物（可能指肺癌）的研究。

研究中使用了U-Net, Resnet-18, MIL（多实例学习）模型分析巩膜图像。

数据集来自紧急综合医院，共950张巩膜图像。

任务是通过分析巩膜图像来识别肺部新生物，输出是二元的（即肿瘤存在与否），并且在模型的验证中获得了0.897的AUC（曲线下面积）值，这表明模型在识别肺部新生物方面具有相当高的准确性。

眼底看贫血

论文：https://link.springer.com/article/10.1134/S1054661819030027

Bauskar等人在2019年进行的一项研究，该研究关注的是贫血。

研究使用了结膜图像，并应用了修改过的支持向量机（SVM）算法来进行贫血的识别。

结膜图像专注于眼睑内侧和眼球表面的透明薄膜部分，即结膜。
通常用来检测结膜炎症、感染、过敏反应、血管模式的变化，或者观察结膜下的出血或肿瘤等情况。

数据集包括了48位贫血患者和51位健康对照（HC）用于训练模型，并使用了k折交叉验证来评估模型的性能。

这项研究是前瞻性的，旨在通过分析结膜图像来识别贫血，其输出结果是二元的（即诊断为贫血或非贫血），并且模型在验证中达到了0.93的AUC（曲线下面积）值，这个值很高，意味着模型在贫血诊断方面的性能很好。

在医学图像分析领域，AUC值是衡量模型诊断准确性的一个常见指标，越接近1表示模型越准确。

论文：https://onlinelibrary.wiley.com/doi/full/10.1002/eng2.12667

该系统易于使用，不依赖于综合实验室基础设施或训练有素的人员，因此可以在资源匮乏的环境中筛查贫血。

论文：https://www.frontiersin.org/articles/10.3389/fpubh.2022.1079389/full

论文：贫血妊娠患者

论文：OCT 进行实时贫血筛查

论文：视网膜眼底图像中检测贫血

论文：视网膜年龄差距与肾衰竭

眼底看少肌症

论文：https://link.springer.com/article/10.1007/s13167-022-00292-3

论文：https://www.thelancet.com/journals/landig/article/PIIS2589-7500(20)30216-8/fulltext

眼底看神经退行

论文：视网膜区分阿尔茨海默氏症、帕金森氏症

论文：OCT 区分阿尔茨海默病

论文：OCT 区分多发性硬化症

论文：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0216410

论文：黄斑微血管密度作为阿尔茨海默病的诊断

论文：OCTA 评估视网膜微血管变化与阿尔茨海默病和轻度认知障碍

论文：视网膜血管系统对阿尔茨海默病分类

论文：视网膜检测阿尔茨海默病

论文：眼底照片的帕金森病

论文：视网膜年龄差距作为帕金森病未来风险

论文：视网膜图对精神分裂症分类

论文：视网膜预测心肌梗塞

论文：视网膜对微血管系统进行表型组和基因组范围的分析

眼底看心血管

论文：视网膜区分缺血性中风

论文：视网膜评估心血管疾

论文：Multimodal deep learning of fundus abnormalities and traditional risk factors for cardiovascular risk prediction

论文：视网膜图预测高冠状动脉钙

论文：视网膜预测心血管危险因素

论文：视网膜预测生物年龄，并对发病和死亡风险进行分层

论文：视网膜预测冠状动脉钙评分心血管风险分层

论文：Validation of a deep-learning-based retinal biomarker (Reti-CVD) in the prediction of cardiovascular disease: data from UK Biobank

论文：视网膜动脉粥样硬化评分

眼底看肾脏

论文：视网膜照片中检测慢性肾脏

论文：眼底图检测慢性肾病和2型糖尿病并预测

论文：Prediction of systemic biomarkers from retinal photographs: development and validation of deep-learning algorithms

鹰瞳视网膜论文

鹰瞳Airdoc算法团队

鹰瞳Airdoc莫纳什研究中心联合培养博士生和起源人工智能研究院（IIAI）

1.Semi-supervised Left Atrium Segmentation with Mutual Consistency Training

2.Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition
https://arxiv.org/abs/2104.11057

3.Medical Matting: A New Perspective on Medical Segmentation with Uncertainty
https://arxiv.org/abs/2106.09887

4.End-to-end Ugly Duckling Sign Detection for Melanoma Identification with Transformers
https://xueshu.baidu.com/usercenter/paper/show?paperid=1m2p0pk0x86f0j30g4640v00a9134769

5.Self-Supervised Multimodal Generalized Zero Shot Learning For Gleason Grading
https://link.springer.com/chapter/10.1007/978-3-030-87722-4_5

6.Self-Supervised Learning of Inter-Label Geometric Relationships For Gleason Grade Segmentation
https://link.springer.com/chapter/10.1007/978-3-030-87722-4_6

7.Continual Domain Incremental Learning for Chest X-ray Classification in Low-Resource Clinical Settings

Artificial intelligence-based detection of epimacular membrane from color fundus photographs
https://www.semanticscholar.org/paper/Artificial-intelligence-based-detection-of-membrane-Shao-Liu/52aa73504e421e6e17b7a5ee26e617189640d8ab

Ruyi Zha, Xuelian Cheng, Hongdong Li, Mehrtash Harandi, ZongYuan Ge ,“EndoSurf: Neural Surface Reconstruction of Deformable Tissues with Stereo Endoscope Videos” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Zhen Yu, Ruiye Chen, Peng Gui, Lie Ju, Xianwen Shang, Lisa Zhuoting Zhu Zhu, Mingguang He, ZongYuan Ge , “Retinal Age Estimation with Temporal Fundus Images Enhanced Progressive Label Distribution Learning” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Dwarikanath Mahapatra, Antonio Jose Jimeno Yepes, Shiba Kuanar, Sudipta Roy, Behzad Bozorgtabar, Mauricio Reyes, ZongYuan Ge , “Class Specific Feature Disentanglement And Text Embeddings For Multi-Label Generalized Zero Shot CXR Classification” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Siyu Liu, Linfeng Liu, Craig Engstrom, Xuan Vinh To, ZongYuan Ge, “Style-based Manifold for Weakly-supervised Disease Characteristic Discovery” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Siyuan Yan, Chi Liu, Zhen Yu, Lie Ju, Dwarikanath Mahapatra, Victoria Mar, Monika Janda, H. Peter Soyer Soyer, ZongYuan Ge, “EPVT: Environment-aware Prompt Vision Transformer for Domain Generalization in Skin Lesion Recognition” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Deval Mehta, Shóbi Sivathamboo Sivathamboo, Hugh Simpson, Patrick Kwan, Terence O’Brien O’Brien, Zongyuan Ge, “Privacy-preserving Early Detection of Epileptic Seizures in Videos” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Wei Feng, Lie Ju, Lin Wang, Kaimin Song, ZongYuan Ge, “Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering” in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.

Xin Zhang, Deval Mehta, Chao Zhu, Daniel Merlo, Yanan Hu, Melissa Gresle, David Darby, Anneke van der Walt, Helmut Butzkueven and Zongyuan Ge,“Deep Survival Analysis in Multiple Sclerosis” in Predictive Intelligence in Medicine (PRIME), 2023.