目录

• 一、医学原理：为什么瞳孔反射能预测疾病？
• 二、工具链选择：免费"
• 三、技术实操：从视频到诊断报告
• 四、商业落地：三种变现模式
• 五、技术边界
• 六、最后的话
• 附录：开源工具速查表

中国有5800万只宠物猫，其中15岁以上老年猫占比12%，约700万只。这些老猫中，超过30%患有高血压，但直到失明送医才被发现

等到眼球出血、视网膜脱落，治疗成本飙升到5000-20000元，且多数已不可逆。

关键在于眼科检查需要专业设备（眼底镜、裂隙灯），宠物医院配置率不足40%，且成本高昂，难以普及。

但如果我们换个思路，用手机闪光灯测瞳孔反射，再用 AI分析视频帧判断瞳孔缩放延迟，就能在家完成早期筛查。

本文将以老年猫咪作为切入点，通过光刺激引发的神经反射延迟，发早期现神经系统或视网膜病变风险，只需Gemini 3 Pro（免费）+ 手机。

一、医学原理：为什么瞳孔反射能预测疾病？

1. 瞳孔缩放的神经通路

正常情况下，强光照射瞳孔，会触发这样一条反射链：

视网膜感光细胞 → 视神经 → 中脑顶盖前区 → 副交感神经 → 瞳孔括约肌收缩

整个过程在0.2-0.4秒内完成。但当猫患有以下疾病时，这条链路会卡壳：

关键点： 这都是有科学依据的，而且是眼科神经学的黄金检测标准，我们只是把医生的肉眼观察换成了AI的像素级分析。

2. 为什么手机闪光灯可行？

专业眼底镜的光强约为2000-3000流明，iPhone 14的闪光灯可达1500流明，三星 S23达到1800流明，足够触发瞳孔反射。配合慢动作视频（240fps），能捕捉到0.004秒级别的瞳孔变化。

二、工具链选择：免费

方案A：零成本

• 适用场景： 个人开发者、宠物博主做POC验证，每天处理 < 100只猫的筛查量。
• 限制： 数据需上传至Google服务器，不适合医疗机构的合规需求。

方案B：商业级本地部署（DeepSeek + Qwen2-VL）

• 适用场景： 宠物医院连锁、保险公司、宠物体检中心，日处理 > 500只猫。
• 推荐硬件配置：
  • 入门级： RTX 3090（24GB显存），处理7B模型。
  • 生产级： RTX 4090×2（48GB显存），可跑14B模型。
  • 云端方案： 阿里云PAI按量付费。

方案C：混合部署（本地检测+云端决策）

手机采集视频 → 本地OpenCV提取瞳孔坐标 → 上传坐标数据（非视频）→ Gemini分析 → 返回风险评估

• 优势： 敏感视频数据不上传，只传数值，符合隐私合规。成本几乎为零。

三、技术实操：从视频到诊断报告

步骤一：采集标准化视频

关键要求：

1. 环境： 暗室（关灯，拉窗帘），避免环境光干扰。
2. 距离： 手机距猫眼15-20cm。
3. 时长： 录制5秒，前2秒不开闪光灯（记录基准瞳孔大小），第3秒开启闪光灯。
4. 帧率： 至少120fps，推荐240fps。

• iPhone操作： 相机 → 慢动作 → 点击闪光灯图标设为"开启"。
• Android操作： 相机 → 更多 → 慢动作 → 设置中开启补光灯。

步骤二：AI分析瞳孔变化（Gemini方案）

核心思路：让Gemini逐帧识别瞳孔直径，计算缩放速度。

提示词：
分析这段猫眼视频，完成以下任务：

识别瞳孔边缘，测量每一帧的瞳孔直径（像素）
标记闪光灯开启的时间点
计算从光照到瞳孔开始收缩的延迟时间
判断瞳孔收缩速度是否异常（正常应<0.4秒达到最小值）

输出JSON格式：

{

"baseline_diameter": 像素值,

"min_diameter": 像素值,

"latency": 秒数,

"contraction_speed": "正常/迟缓/无反应",

"abnormal_signs": ["浑浊", "散光", "不对称"]

}

"""
response = model.generate_content([video_file, prompt])

print(response.text)

输出示例：

{
  "baseline_diameter": 145,
  "min_diameter": 52,
  "latency": 0.58,
  "contraction_speed": "迟缓",
  "abnormal_signs": ["晶状体轻度浑浊", "瞳孔边缘不规则"]
}

判断逻辑：

• latency > 0.5秒 → 高风险，建议眼底检查
• contraction_speed = 无反应 → 紧急，疑似青光眼或神经损伤
• abnormal_signs 包含浑浊 → 白内障早期征兆

步骤三：本地部署方案（OpenCV + Qwen2-VL）

如果要避免数据上传，可以用OpenCV先提取瞳孔坐标，再让本地模型分析。

import cv2
import numpy as np
def detect_pupil(frame):

"""提取瞳孔中心和半径"""

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

blurred = cv2.GaussianBlur(gray, (7, 7), 0)
# 检测圆形（瞳孔）
circles = cv2.HoughCircles(
    blurred, cv2.HOUGH_GRADIENT, 
    dp=1.2, minDist=50, 
    param1=100, param2=30, 
    minRadius=20, maxRadius=100
)

if circles is not None:
    x, y, r = circles[0][0]
    return (int(x), int(y), int(r))
return None

处理视频
cap = cv2.VideoCapture(‘cat_eye.mp4’)

pupil_data = []
while cap.isOpened():

ret, frame = cap.read()

if not ret:

break
pupil = detect_pupil(frame)
if pupil:
    pupil_data.append({
        "time": cap.get(cv2.CAP_PROP_POS_MSEC) / 1000,
        "diameter": pupil[2] * 2
    })

计算延迟
baseline = pupil_data[0]["diameter"]

min_diameter = min(p["diameter"] for p in pupil_data)

latency = next(p["time"] for p in pupil_data if p["diameter"] < baseline * 0.7)
print(f"瞳孔反射延迟: {latency}秒")

再调用 Qwen2-VL 本地模型分析：

# 使用vLLM部署Qwen2-VL-7B
vllm serve Qwen/Qwen2-VL-7B-Instruct \
  --tensor-parallel-size 1 \
  --max-model-len 4096

from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
response = client.chat.completions.create(

model="Qwen2-VL-7B-Instruct",

messages=[{

"role": "user",

"content": f"""

瞳孔数据：基准直径145px，最小52px，延迟0.58秒

判断：是否存在视网膜病变风险？给出医学建议。

"""

}]

)
print(response.choices[0].message.content)

本地模型的优势：

• 视频不出服务器，符合医疗数据合规。
• 响应速度 < 2秒（vs 云端5-10秒）。
• 无API调用限制。

步骤四：Agent决策层（DeepSeek-R1联动）

单纯的 延迟0.58秒 数据，普通用户看不懂。我们用Agent把技术指标翻译。

from langchain.agents import create_agent
from langchain.tools import tool
@tool

def query_medical_guideline(symptom: str) -> str:

"""查询猫科医疗指南"""

guidelines = {

"瞳孔反射延迟": "建议检查血压和眼底，排除高血压视网膜病变",

"晶状体浑浊": "疑似白内障早期，建议超声检查晶状体密度"

}

return guidelines.get(symptom, "暂无相关指南")
agent = create_agent(

model="deepseek-r1-distill-qwen-7b",

tools=[query_medical_guideline],

system_prompt="你是猫科眼科专家，根据检测数据给出就医建议"

)
response = agent.invoke({

"messages": [{

"role": "user",

"content": "检测结果：瞳孔反射延迟0.58秒，晶状体轻度浑浊，猫12岁"

}]

})
print(response[‘messages’][-1][‘content’])

输出示例：

风险等级：中-高

立即行动：

1. 48小时内测量血压（正常值 < 150mmHg）
2. 预约眼底镜检查，重点观察视网膜血管
3. 暂停高盐零食，增加饮水量

原因： 12岁老年猫 + 瞳孔反射延迟 = 高血压概率 > 60% 晶状体浑浊提示白内障形成，需监测进展速度

预估费用：

• 血压检查：50-100元
• 眼底检查：200-500元
• 若确诊高血压，月均药费约150元

四、商业落地：三种变现模式

模式1：To C 家庭筛查服务

• 产品形态： 小程序 / App，用户上传视频，AI出具报告。
• 定价策略：
  • 单次检测：29元/次
  • 包年会员：199元（无限次检测 + 医生在线咨询）
• 成本结构（按10万用户算）：
  • Gemini API免费额度可覆盖日均1000次检测。
  • 超出部分按 $0.0025/次计算，月成本约 $75（约500元）。
  • 获客成本：短视频投放，CPM约30元，转化率2%。
• 盈利测算： 月活5000用户，30%付费 = 1500付费用户 → 年利润15万。

模式2：To B 宠物医院SaaS

• 痛点： 宠物医院眼科设备利用率低（<20%），但眼科疾病占就诊量15%。
• 解决方案： 提供"AI预筛 + 设备确诊"工作流。
  1. 前台用平板给猫拍视频（1分钟）。
  2. AI判断风险等级。
  3. 高风险引导到眼科深度检查（提高设备使用率）。
• 收费模式： SaaS订阅 1000元/年/分院。

模式3：To G 宠物保险风控

• 需求： 宠物保险理赔中，眼科疾病占比18%，其中60%是未及时治疗导致恶化。
• 方案： 投保时要求用户提交眼部筛查视频。
  • 低风险 → 标准费率
  • 中风险 → 费率上浮20%或眼科免责
  • 高风险 → 拒保或要求体检

五、技术边界

1. 这套系统不能做什么？

   • 不能替代眼底镜确诊： AI只能筛查，最终诊断必须由医生完成。
   • 不能检测早期青光眼： 需要眼压测量，手机做不到。
   • 不适用应激严重的猫： 瞳孔散大时无法准确测量。

2. 数据安全原则

   • 视频本地处理优先： 能用OpenCV提取的数据，不上传原视频。
   • 匿名化： 上传云端时脱敏（去除GPS、时间戳等元数据）。
   • 用户授权： 明确告知数据用途，获取书面同意。

3. 避免AI诊断的法律风险

   • 错误表述：AI诊断猫患有高血压
   • 正确表述：AI检测到瞳孔反射异常，建议就医确诊
   • 在产品文案中，始终强调辅助筛查、风险提示，而非诊断、治疗。

六、最后的话

一只猫从高血压初期到失明，平均6-12个月。如果能在第2个月就通过瞳孔反射发现异常，治疗成本降低，治愈率从20%提升到80%。 而且这不是让少数人用得起的 黑科技，而是让每只猫都能享受的 基础医疗。

附录：开源工具速查表

部署命令速查：

# 本地部署Qwen2-VL（需要24GB显存）
pip install vllm
vllm serve Qwen/Qwen2-VL-7B-Instruct --gpu-memory-utilization 0.9
本地部署DeepSeek-R1（需要16GB显存）
ollama pull deepseek-r1:7b

ollama run deepseek-r1:7b