「美国每年新增540万例皮肤癌病例，但全国执业皮肤科医生不足1.2万人。」这个供需缺口，正在催生一批新的AI产品。
一个被Cloudflare拦住的MedLens
我原本想深挖MedLens这款AI皮肤病变分析器的细节，却在Medium原文页面撞上了Cloudflare的验证墙。页面代码里只剩一行提示：「Enable JavaScript and cookies to continue」。
但这反而让我更想搞清楚：到底是什么样的产品，值得平台用这么重的防护？
从URL和标题能确认的核心信息很有限——它叫MedLens，定位是「AI驱动的皮肤病变分析器」（AI Powered Skin Lesion Analyzer），发布者账号是@sbhavya638。仅此而已。
不过，这个极短的产品描述恰好踩中了医疗AI领域最敏感的神经：把图像识别技术塞进皮肤病诊断流程，到底靠不靠谱？
皮肤癌筛查：为什么AI看起来很适合
皮肤病诊断有个特点——高度依赖视觉。
医生通过肉眼观察皮损的形态、颜色、边界、对称性，再结合皮肤镜（一种带偏振光的放大镜）做判断。这种「看图说话」的模式，天然契合计算机视觉的技术路径。
2017年，斯坦福大学团队在《自然》杂志发表论文，宣布训练出的卷积神经网络（一种深度学习模型）在识别皮肤癌任务上，准确度已经达到「与21位认证皮肤科医生相当」的水平。这篇论文被引用超过8000次，直接点燃了医疗影像AI的创业热潮。
此后几年，类似产品密集出现：SkinVision、Miiskin、Scanoma、DermEngine……它们的功能高度同质化——用户上传患处照片，AI给出风险评估，建议是否就医。
MedLens的入局时间不明，但从命名规律看，它想强调「医学透镜」的专业感，而非消费级应用的随意性。
技术路径的隐藏分歧
这类产品表面相似，底层技术路线却有分野。
一类是「二分类」模型——只回答「是癌/不是癌」，或者「良性/恶性」。这种设计简单直接，但临床价值有限，因为医生真正需要的是鉴别具体病种：黑色素瘤、基底细胞癌、鳞状细胞癌、脂溢性角化病……
另一类是「多分类」模型——输出具体诊断标签。技术难度陡增，需要更庞大的标注数据集，且必须处理类间相似性极高的难题（比如早期黑色素瘤和不典型痣的区分）。
MedLens选择了哪条路？原文没有说明。但产品名称里的「Analyzer」（分析器）而非「Detector」（检测器），暗示它可能偏向多分类的精细化诊断。
另一个关键变量是训练数据的来源。皮肤病变图像存在显著的肤色偏差——公开数据集以浅色皮肤为主，导致AI在深色皮肤患者上的准确率明显下降。2021年《科学进展》的一项研究指出，部分商业皮肤癌检测应用对黑皮肤患者的假阴性率高达47%。
MedLens是否针对性解决了这个问题？同样无据可查。
监管套利的灰色地带
医疗AI产品面临的核心矛盾是：技术迭代速度远超监管审批节奏。
美国FDA对软件类医疗器械采取分级管理。如果产品仅提供「信息参考」而不给出具体诊断建议，可能被归类为Class I（低风险），走510(k)简化通道甚至豁免；一旦涉及「辅助诊断」或「筛查建议」，则需按Class II甚至Class III审批，流程可能长达数年。
这催生了一种常见的产品设计策略：用模糊话术规避监管红线。
比如，界面显示「该 lesion（皮损）有73%的恶性概率」，但不写「建议活检」；或者标注「请咨询专业医生」，把决策责任完全转移给用户。
MedLens的界面设计和风险提示强度，原文未提及。但这是判断其商业成熟度的关键指标——是想做严肃医疗工具，还是蹭健康焦虑的流量生意。
用户行为的反直觉发现
皮肤病自检类应用有个悖论：真正需要它的人，往往不会用；用的人，多数不需要。
皮肤癌高危人群是60岁以上、长期日晒、有家族病史的群体。但他们对手机拍照上传这件事的接受度，远低于年轻用户。而焦虑驱动的年轻用户，上传的多是青春痘、湿疹、老年斑，AI判断为「低风险」后，反而可能延误真正需要就医的情况。
2020年《美国医学会杂志·皮肤病学》的一项研究显示，某主流皮肤癌检测应用的实际使用中，只有3.6%的用户最终被确诊为皮肤癌，但超过40%的用户因AI提示「高风险」而产生不必要的就医行为。
这意味着产品设计的核心挑战不是「准确率」，而是「校准率」——如何让AI的置信度与真实风险概率对齐，避免过度敏感或过度迟钝。
MedLens是否内置了这种校准机制？比如根据用户年龄、肤色、病史动态调整阈值？原文没有提供任何线索。
商业模式的两种极端
皮肤AI应用的变现路径，目前看只有两条路走得通。
一条是To B：卖给保险公司或雇主，作为健康管理工具嵌入福利体系。比如，美国部分大型雇主开始为员工提供皮肤癌筛查补贴，AI应用可以作为前置分流工具，降低理赔成本。
另一条是To C的订阅制：用户按月付费解锁无限次检测或专家复核服务。但这条路的用户留存极差——皮肤问题是低频事件，多数人用完一次就流失。
更激进的尝试是「AI+远程医生」的混合模式：AI先做初筛，可疑病例自动转接在线皮肤科医生，平台从诊疗费中抽成。这需要解决跨州执业许可、处方权、责任归属等复杂问题，目前只有Teladoc、Amwell等少数平台跑通了闭环。
MedLens的商业模式无从得知。但它的Medium发布渠道（个人账号而非企业官方号），暗示这可能是一个早期项目，甚至个人开发者的 side project（副业项目）。
被验证墙挡住之后
回到最初的障碍：为什么Medium要给这篇内容加Cloudflare验证？
几种可能：发布者触发了平台的反垃圾机制；文章包含被标记为敏感的医疗健康声明；或者这个账号此前有违规记录。也可能是Medium整体升级了防护策略，与内容本身无关。
但这件事本身有个讽刺意味——一个关于「AI降低医疗门槛」的产品，其信息获取却被技术门槛拦住了。
这像极了医疗AI行业的缩影：技术承诺的普惠性，与信息、资源、认知的实际不平等，始终存在张力。
你应该关注什么
如果MedLens后续有更多信息释出，这几个维度值得追踪：
第一，临床验证数据。有没有与皮肤科医生对比的前瞻性研究？样本量、肤色分布、病种构成如何？
第二，监管状态。FDA是否将其列为医疗器械？如果是，属于哪个风险等级？
第三，数据闭环。用户上传的照片是否被用于持续训练模型？隐私协议如何约定？
第四，实际落地场景。是挂在应用商店等人下载，还是与医疗机构、保险公司建立了合作？
在医疗AI领域，产品发布只是起点，临床接受度、监管合规性、商业模式可持续性，才是真正的淘汰赛。
MedLens能否跑过这三关，现在判断为时过早。但它出现的时机——皮肤癌 awareness（认知）提升、远程医疗习惯养成、AI图像技术成熟——确实踩在了正确的趋势上。
对于科技从业者，这个案例的价值在于：它展示了如何把「技术可行性」翻译成「产品定义」，又如何在「产品定义」阶段就预埋了监管、伦理、商业的多重变量。这些决策的先后顺序，往往比算法精度更能决定成败。
如果你正在关注医疗AI赛道，建议把MedLens加入观察清单。不是因为它已经证明了什么，而是因为它代表了大量同类产品的典型状态——有明确的需求锚点，有可行的技术路径，但所有的关键细节都还是问号。
这种「已知-未知」的分布，正是早期机会与早期风险并存的地方。
热门跟贴