这篇写“8年”，不是从最近的多模态大模型热潮算起，也不是从某个 OCT（光学相干断层扫描）算法新闻算起。可核验起点是 openFDA 记录里的 IDx-DR，DEN180001，decision_date 为 2018-04-11；统计到 2026-07-15，精确相差 8年3个月4天，所以标题写“8年”，不写“近9年”。
图注：Digital Diagnostics LumineticsCore 官方页面桌面端截图，访问时间 2026-07-15。画面展示眼底相机采集场景和产品定位：在点-of-care 场景为糖尿病患者做自主糖网筛查。标题年数依据仍来自 openFDA 的 DEN180001 记录，保存在过程文件中，不把监管 JSON 截图放进正文。
我对眼科 AI 当前阶段的判断很直接：最成熟的不是“替眼科医生看所有眼病”，而是把糖尿病视网膜病变筛查变成一个可在基层、体检、内分泌和验光场景里运行的入口。真正难的，是阳性患者被筛出来以后，谁接住、怎么转诊、如何随访。
眼科AI为什么先从筛查跑出来
眼科天然适合 AI（人工智能），但它适合的原因不是“图像多”这么简单。眼底照、OCT、OCTA（光学相干断层扫描血管成像）、视野检查都比较结构化；糖尿病视网膜病变、年龄相关性黄斑变性、青光眼、糖尿病黄斑水肿又都有明确的影像线索和随访需求。
问题在于，眼科的真实瓶颈经常不在“能不能识别一张图”，而在“该不该让这个患者去眼科”。糖尿病患者每年要做眼底检查，但现实世界里依从性不足、基层眼底相机覆盖不均、眼科医生阅片资源有限、阳性患者转诊链路不稳定。AI 之所以先在糖网筛查成熟，是因为它切到了一个非常具体的运营缺口：把年筛从专科门诊搬到更靠前的位置。
所以，本期不把眼科 AI 写成一个“准确率排行榜”。更现实的看法是：眼科 AI 已经分成三类产品。第一类是自主糖网筛查，目标是现场出结果；第二类是 AI+远程眼科筛查，目标是把设备、AI、报告、转诊连起来；第三类是眼科数据与多病种平台，目标是把眼底、OCT、临床研究和药企真实世界证据连接起来。
医院真正要问的不是“AI会不会看眼底”，而是“筛出来的阳性患者，院内有没有能力接住”。
AI正在重写哪段眼科工作流
图注：这张白板图把眼科 AI 从检查入口、图像质控、AI 判读、报告转诊到长期随访拆成 5 段，强调“筛查只是入口，阳性患者闭环才是落地”。
眼科 AI 的工作流可以拆成五段。
第一段是检查入口前移。糖尿病门诊、内分泌门诊、体检中心、基层医疗机构、验光门店，都可能成为眼底筛查入口。AI 在这里的价值不是替代眼科门诊，而是把“哪些患者必须进入眼科路径”提前标出来。
第二段是图像采集和质量控制。眼底相机是否免散瞳、患者瞳孔状态、图像清晰度、相机型号、操作者培训，都会影响结果。很多失败不是算法失败，而是采集流程失败。
第三段是自动判读和风险分层。糖网、AMD（年龄相关性黄斑变性）、DME（糖尿病黄斑水肿）、青光眼等任务，对应的输入、输出和责任边界不同。能做糖网筛查，不代表能覆盖完整眼科诊断。
第四段是报告和转诊。最关键的不是生成一个 PDF，而是把结果回写到 EHR（电子病历系统）、体检系统、慢病管理系统或转诊平台。阳性结果如果没有复核、预约、通知和随访，就只是制造了新的积压。
第五段是长期随访和真实世界数据。眼科慢病不是一次筛查结束。视网膜病变进展、黄斑病变随访、青光眼结构和功能变化，都需要把多次检查串起来。这里才是眼科 AI 下一阶段的空间。
从自主糖网筛查到多病种平台
提示：因手机排版问题，建议电脑端阅读更佳。
| 时间 | 节点 | 说明 | 工作流意义 |
|---|---|---|---|
| 2018-04 | IDx-DR DEN180001 | openFDA 记录显示 De Novo 起点 | 自主糖网筛查进入监管产品路径 |
| 2020 | EyeArt 获 FDA clearance | 官方页称其为自主 DR 筛查 AI | 60秒报告和多相机适配成为产品卖点 |
| 2021-2022 | IDx-DR / LumineticsCore 迭代 | openFDA 可见后续 K203629、K213037 | 从早期产品走向持续版本管理 |
| 2023-2024 | 便携相机与基层筛查扩展 | AEYE Health 等强调便携和现场报告 | 筛查入口进一步离开眼科专科诊室 |
| 2024-2026 | OCT/多病种平台升温 | RetinAI 官网显示 OCT Atlas、LuxIA 等进展 | 从单病种筛查走向数据平台和多任务分析 |
| 2026-07 | 当前阶段 | 筛查、转诊、随访、数据治理成为同一个问题 | 竞争重心转向闭环能力 |
这条时间线最值得看的地方是：眼科 AI 的起点很早就不是“写报告助手”，而是一个被明确限定适应证的自主筛查产品。后来的多病种平台、OCT 分析、远程阅片和设备集成，都是在补同一块短板：让筛查结果真正进入患者路径。
产品竞争已经分成三层
图注：这张白板图把眼科 AI 产品分成自主糖网筛查、AI+远程眼科运营、数据与多病种平台三层，避免把不同工作流位置的产品放进同一张准确率表横比。
第一层是自主糖网筛查。LumineticsCore、EyeArt、AEYE-DS 都属于这一层。它们的共同点是把眼底图像变成现场筛查报告，目标使用场景不一定在眼科，而是在糖尿病管理、初级保健、体检或内分泌场景。
第二层是 AI+远程眼科筛查。RetinaLyze 这类产品不只强调 AI 判读，也强调设备集成、OCT/眼底输入、远程眼科医生协作、数字转诊和报告。它更像一个筛查运营系统，而不只是一个算法。
第三层是眼科数据与多病种平台。RetinAI Discovery、Topcon Harmony 这类平台的价值不一定是某一个疾病模型，而是把多模态眼科数据、AI 分析、临床研究和设备生态放到同一个数据层里。它们更适合眼科中心、研究型医院、药企真实世界研究和多设备集团化管理。
眼科 AI 的分层说明一个事实：同样叫“眼科AI”，有的卖点是现场诊断，有的卖点是转诊运营，有的卖点是数据资产。医院不能用同一张准确率表横比。
代表产品逐个拆解
LumineticsCore：自主糖网筛查的最早样本
图注：Digital Diagnostics LumineticsCore 官方页面桌面端截图，访问时间 2026-07-15。页面强调点-of-care 诊断、CPT 92229、30秒内算法诊断和无需 specialist overread。
LumineticsCore 的代表性在于，它把糖网筛查从“拍照后等医生阅片”推进到“现场自动给出可转诊/无需转诊的诊断结果”。这类产品的价值不在于替代眼科医生，而在于让大量还没有进入眼科的糖尿病患者先完成第一道筛查。
它的优势很清楚：流程短、结果快、适合糖尿病管理场景，且有最早的 FDA De Novo 监管起点作为产品化标志。但边界也同样清楚：它聚焦糖尿病视网膜病变筛查，不是完整眼科诊断；它能把阳性患者筛出来，却不能替医院安排眼科接诊、激光/抗 VEGF 治疗、长期随访和患者教育。
医院如果部署这一类产品，试点指标不要只看“筛查量”。更应该看年筛完成率、不可判读比例、阳性转诊到诊率、眼科门诊接诊能力、报告回写质量和患者随访闭环。
EyeArt：把60秒报告做成产品语言
图注：Eyenuk EyeArt 官方页面桌面端截图，访问时间 2026-07-15。页面强调 60秒报告、无需人工阅片、FDA clearance、多相机型号和真实世界验证规模。
EyeArt 的产品语言非常直接：眼底照片上传后，系统在短时间内生成糖网筛查报告，面向初级保健、糖尿病中心和验光门诊。它强调“no human grading needed”，这在运营上很重要，因为很多筛查项目卡住的地方正是人工阅片能力。
EyeArt 的价值不只是速度，而是把筛查任务从专科医生时间里拆出来。但这也意味着医院必须更认真地定义责任边界：谁负责拍照，谁处理不可判读，谁通知患者，谁解释结果，谁接住可转诊患者。
如果这些角色没有被写进 SOP（标准操作流程），60秒报告反而会把问题暴露得更快：阳性患者积压、患者不理解结果、基层和眼科之间互相等待。
AEYE-DS：便携相机把筛查带到更前端
图注：AEYE Health 官方页面桌面端截图，访问时间 2026-07-15。页面强调便携或台式相机、1分钟自主 DR 检查、现场报告和无需医生解释。
AEYE-DS 值得关注的地方，是把自主糖网筛查和便携相机绑定得更紧。对基层筛查、移动筛查、内分泌门诊和社区慢病管理来说，便携入口可能比算法本身更重要。因为现实里很多患者不是不需要眼底检查，而是没有走到眼科设备前。
它的产品优势在“更轻的采集入口”：1张/眼、1分钟报告、便携设备、现场结果。这类产品如果能稳定工作，可能让筛查更接近血压、血糖、尿检这类常规慢病管理动作。
但它的风险也在这里。设备便携不等于质量稳定，现场报告不等于患者会完成后续转诊。医院或基层机构采购时，必须确认适用相机、适应证、监管辖区、不可判读规则、阳性转诊路径和数据回传方式。
RetinaLyze：AI筛查要和远程眼科协作绑在一起
图注：RetinaLyze 官方页面桌面端截图，访问时间 2026-07-15。页面强调 60+ 设备和软件集成、45秒结果、OCT/眼底输入、远程眼科医生和数字转诊。
RetinaLyze 和前三类自主糖网产品的差异在于，它更像一个筛查运营平台。它强调把 retinal images 和 OCT scans 自动送入系统，用 AI 识别病变迹象，再通过远程医疗、眼科医生网络和数字转诊把结果送到下一环。
这条路线对医院很有启发。眼科 AI 如果只做“识别”，会停在一个很薄的产品层；如果同时做设备集成、报告、复核、转诊和 EHR/PACS 连接，才更接近真实工作流。
它的边界也更复杂。远程眼科医生网络、数据合规、跨机构转诊、PACS/EHR 接口、国家或地区的数字转诊规则，都会决定它是否能落地。医院采购时不能只看 AI 功能，还要看本地化交付能力和责任划分。
产品对比：别把筛查工具和数据平台混在一起
提示：因手机排版问题，建议电脑端阅读更佳。
| 产品/平台 | 工作流位置 | 输入 | 输出 | 医院最该问 |
|---|---|---|---|---|
| LumineticsCore | 点-of-care 糖网筛查 | 眼底照片 | 即时诊断结果 | 阳性患者如何进入眼科路径 |
| EyeArt | 初级保健/糖尿病中心筛查 | 彩色眼底照片 | 60秒 DR 报告 | 哪些相机和人群适用 |
| AEYE-DS | 便携或台式现场筛查 | 1张/眼眼底图 | 1分钟 DR 报告 | 采集质量和监管边界如何验证 |
| RetinaLyze | AI+远程筛查运营 | 眼底图、OCT | 风险分层、报告、转诊 | 本地医生网络和数字转诊是否可用 |
| RetinAI Discovery | 数据平台/研究/多病种分析 | 眼科多模态数据 | AI分析、数据管理、研究洞察 | 是否服务临床日常还是研究数据资产 |
| Topcon Harmony | 影像和数据管理平台 | 多模态眼科数据 | 数据共享、AI-enabled insights | 是否能接入现有设备和院内系统 |
我认为这张表最重要的是把“筛查产品”和“平台产品”分开。前者的关键指标是可判读率、阳性转诊和现场流程；后者的关键指标是数据标准、设备兼容、医生协作和长期随访。
医院如何选型与部署
眼科 AI 的选型，建议先从一个问题开始：本院到底缺的是“筛查入口”，还是“眼科数据平台”？
如果医院缺的是糖尿病患者年筛完成率，优先看自主糖网筛查产品。试点可以放在内分泌门诊、体检中心、慢病管理中心或基层医联体。验证指标包括筛查完成率、不可判读比例、阳性率、阳性患者预约率、到诊率、最终确诊率和患者教育成本。
如果医院缺的是跨机构筛查和转诊运营，优先看 AI+远程眼科平台。这里要重点确认远程医生网络、转诊规则、报告归档、患者通知、责任边界和医保/支付路径。
如果医院缺的是眼科中心数据管理、临床研究或多设备协作，优先看数据平台和设备生态。这里的关键不是单个算法，而是 DICOM（医学影像传输与存储标准）、FHIR（医疗数据交换标准）、PACS、EMR、设备接口、数据治理、权限审计和模型版本管理。
眼科 AI 最容易被低估的成本，是阳性患者被筛出来之后的服务能力。如果一个县域医共体或体检中心筛出了大量可转诊患者，但眼科门诊号源、患者通知、交通、费用、后续治疗都没有安排好，AI 会把原来隐藏的服务缺口变成显性矛盾。
国内代表厂家：产品边界与交付方式
提示：因手机排版问题，建议电脑端阅读更佳。
| 公司 | 具体产品/方向 | 可核验优势 | 部署边界 |
|---|---|---|---|
| 鹰瞳科技 Airdoc | 视网膜影像 AI / 慢病风险评估 | 国内较早推进眼底 AI 产品化和注册路径 | 具体设备、适应证、院内部署拓扑需按注册证和项目资料确认 |
| 硅基智能 / 相关眼底AI厂商 | 眼底筛查与慢病管理 | 面向基层筛查、体检和慢病管理场景 | 官网和招采资料需逐项目核验 |
| 依图医疗 | 医学影像 AI，曾覆盖眼底等方向 | 算法工程和医疗影像产品化经验 | 当前眼科产品线公开信息需招采时确认 |
| 腾讯觅影 | 眼底疾病筛查相关 AI 探索 | 互联网平台和医疗合作资源 | 具体临床产品、适应证和部署模式需以官方资料为准 |
| 眼科设备厂商生态 | 眼底相机/OCT + AI合作 | 设备入口稳定，便于采集质量控制 | AI模块、数据接口和责任边界需逐厂商确认 |
这张表只是采购坐标，不等于推荐榜。国内眼科 AI 采购尤其要看三件事：第一，注册证或备案材料覆盖的适应证是什么；第二，是否能接入本院眼底相机、OCT、体检系统、EMR 和转诊平台；第三，阳性患者后续由谁通知、谁解释、谁接诊、谁随访。
风险、证据与治理边界
眼科 AI 的第一类风险是适应证外使用。一个糖网筛查产品不能被默认当作 AMD、青光眼或所有眼底病变诊断工具。产品宣传里的“眼科 AI”四个字，必须拆成具体疾病、具体输入、具体输出。
第二类风险是采集质量。眼底图像质量不稳定、OCT 扫描不完整、操作者培训不足，会让模型性能在本院下降。上线前必须做本院样本验证，并记录不可判读原因。
第三类风险是阳性转诊。筛查的伦理责任不止在“发现异常”，还在“患者是否被接住”。如果没有通知、预约、复核和随访闭环，筛查 AI 可能扩大不平等：能去眼科的人更快进入路径，不能去的人只是多了一条异常报告。
第四类风险是数据治理。眼底图、OCT、慢病信息和随访数据都可能跨机构流动。医院要明确数据存储、访问权限、模型版本、审计日志、患者告知和退出机制。
第五类风险是采购口径。不要用厂商演示环境里的速度和准确率替代本院验证。真正应写进验收的是：可判读率、报告周转时间、阳性到诊率、医生复核负荷、系统回写成功率、患者投诉和模型版本变更记录。
写在最后
图注：这张图把眼科 AI 从筛查入口延伸到专家复核、转诊、随访和患者教育，强调医院采购应看闭环而不是单点算法。
图注：未来眼科 AI 的技术底座不只是模型，还包括眼底/OCT/OCTA/视野数据、DICOM/FHIR/PACS/EMR 接口、版本治理、权限审计和应用层工作流。
本期一句话：眼科 AI 已经证明自己能把糖网筛查前移，下一阶段真正要证明的是，阳性患者能不能被稳定接住、复核和随访。
如果你是医院管理者或眼科负责人，我建议下一次评估眼科 AI 时，不要先问“准确率多少”，先问一个更具体的问题：我们今天筛出 100 个阳性患者，7 天内到底有多少人能完成眼科复核？