很多人没听过子痫这个词，直到在新闻里读到一位年轻母亲在产前突然抽搐、昏迷甚至离世。它的本质是一种全身性的小血管病变，被医学界视为孕产妇最严重的并发症之一。在常规产检里，医生主要靠血压和尿蛋白来诊断子痫前期，然而，当这两项指标出现明显异常，往往疾病也进展到了严重阶段。
孕产妇身体里的细微变化，有没有可能更早被看见？
熊健皓和他所在的团队，给出的答案是：从眼睛入手。
视网膜是人体里唯一可以无创直接观察到血管和神经的组织。微血管在压力升高、血红蛋白浓度变化时发生的形态改变，会在眼底图上留下痕迹。把这些痕迹连起来读，理论上就能比常规指标更早察觉风险。问题是，这种“读”过去基本只能依靠极少数经验丰富的眼底专科医生，而具备这种判断能力的医生是少数。
把医生没有时间一一去看的图，交给AI学着看
熊健皓在2017年加入这家以“让健康无处不在”为使命目标的公司时，团队已经在做眼底图像的AI模型，但他和同事很快意识到：要让眼底检查真正成为孕产妇可以用得上的预警工具，光有算法不够，还需要让设备本身走出大医院。
第一步是教AI看图。研发人员把上百万张已经被专家反复标注过的眼底照交给模型，让它在海量样本里学习正常与异常之间的差别。
“我们不直接告诉模型怎么去预测一个疾病，而是让AI模型自己摸索疾病的相关特征。”熊健皓解释，每张图背后用一个编号代表对应的疾病或状态。模型要做的，是从血管走向、动静脉比值、视盘轮廓、出血点这一连串特征里，自己摸索出与子痫前期、动脉硬化、糖代谢异常这些状态有关的规律。
让人意外的是，模型学到了一些医生此前并未刻意总结过的东西。比如同样一张眼底照，它可以在没有任何附加信息的情况下，相对准确地推断出受检者的性别、大致年龄、是否处于贫血状态。这背后的依据并不神秘：内分泌情况、血红蛋白浓度、血管形态本就和这些因素有关。只是医生没有时间在一辈子里看完几百万张图，把这些细微的关联一一总结出来。
为了把更多隐藏的相关性挖出来，团队在上海等地的产科机构采集了一批孕妇的眼底队列数据，从孕早期到分娩前持续随访，再把最终是否发生妊娠期高血压、子痫前期等结果回填到每一张照片背后。AI在这套数据上学到的能力是：在症状尚未明显阶段的眼底图上，去预测风险是否会在未来几周内出现。熊健皓介绍，第一批结果显示，仅依靠眼底图，模型对子痫前期的预测准确率已经能达到八成以上；再叠加孕周、胎次等基础信息，性能可以进一步提升。
让一张眼底照片走出大医院
技术做出来只是开始。熊健皓和团队很清楚，子痫真正吞噬母亲生命的地方，往往不是大城市三甲医院的产科病房，而是产检间隔长甚至没有产检、设备稀缺、专业人员不足的地区。要让这套技术真正起作用，仪器必须更便宜、更便携。
团队为此做了一件事情：十年前他们买回一台几十万元的眼底相机，整台拆开。每一个元器件、每一片镜头、每一组光路都被重新核算了成本，然后发现，如果重新做光学设计、用算法替换掉一部分本来需要昂贵硬件来完成的对焦、瞳孔对齐等工作，整台设备的成本完全可以压缩到原先的零头。
随后几年，眼底相机被一代代重新设计：体积压缩到书包放得下；设备中配备了长续航的电池，可以在没有电力供给的偏远地区连续工作一天以上；通信方式同时支持Wi-Fi、4G/5G和断网本地缓存，等到下一次进入有网区域再上传；语言根据手机系统自动切换；操作流程被简化到普通医务人员经过两小时培训就能上手，整个采集时间不到一分钟。
在尼日尔，一支当地医护团队接受了短短半天培训，就能在卫生中心稳定地为孕产妇拍出合格的眼底图。这些图像通过云端进入模型，再以本地语言把风险报告传回到当地医生手中。多个国家的合作研究点位也开始为更广泛的人群积累数据，让模型在不同人群和不同设备条件下的判断变得更稳健。
被看见，比先进更重要
“我们不是要替代医生，而是帮助医生发现更多患者。”熊健皓不止一次强调这一点。模型给出的是辅助判断，最终的诊断仍要医生签字。在公司内部，所有报告中只要出现需要转诊的阳性结果，团队会主动联系受检者或服务方，确认是否进入下一步治疗。这件事被写进流程，不是商业策略，而是对一项检测必须负到底的态度。
在他看来，眼底相机要做的不是炫技，而是把过去散落在医生经验、专业仪器与中心化实验室里的能力，重新组织成一种几乎人人都能用得上的方式——就如团队的愿景“一分钟、一块钱，在任何地方都能完成一次AI健康检查”，让那些过去因为产检条件不足而错过预警的孕产妇，有机会在抽搐发生之前被看见。
团队也意识到，跨人群部署带来的不只是工程问题，还有判断标准的再校准。不同地区的人群在血红蛋白浓度、糖代谢基线、瞳孔颜色上各有差异，模型必须在多中心样本里反复验证，确保风险评分对每一位受检者都公平。这只能靠和当地医院做长期随访。一项工具要让更多孕产妇受益，就不能只在某一种环境里好用。
让本来不可见的风险，提前几周显形；让本来无处可去的检查，进入更广阔的人群。
这才是了不起的创新。