“医疗+AI”行业研究

作者：杭实资管研究员 朱之颜（微信：Zhiyan_Zhu）

编辑：顿雨婷

摘要：目前，中国处于“医疗+AI”的产业发展初期。在此阶段，影响行业的重要因素是数据、落地、付费和市场——其中，数据是相关产品的核心竞争力。研究还发现，八个应用场景中，AI药物研发是当前最具商业价值的赛道。

一、“医疗+AI”的基本背景

1.1 定义

人工智能技术本质是基于概率的推论，关键在于数据的积累。它的突破是革命性的，因为计算机开始从人为制定的规则走出，到海量数据中自己寻找规则。

人工智能技术作用很多：输入图片，输出图片的内容——这是图像识别；输入语音，输出语音的内容——这是语音识别；输入传感器信息，输出汽车的位置——这是自动驾驶。

近年来，人工智能技术发展迅速，很大原因是由于神经网络算法的突破。这种算法的核心是基于概率的推论，利用了无数函数的嵌套，运算过程存在“黑箱”。在主流算法和框架都是开源的情况下，高质量的数据越多，神经网络就更有效率。

人工智能技术的应用场景很多，但从融资金额来看，医疗是最重要的场景。2019年全球“医疗+AI”融资金额高达40亿美元，是排名第二“金融+AI”的2倍。

图片1

1.2 简史

世界范围来看，“医疗+AI”在美国发展最快，中国落后近10-20年。

最早诞生的是专家系统——即根据专家经验，求解问题的计算机系统。1974年匹兹堡大学研发了INTERNIST-I内科疾病的专家系统，该知识库包括了572种疾病，约4500种症状，以及10万种疾病与疾病表现之间的联系。专家系统在80年代进入了商业化阶段，但受制于当时的算力和算法，90年代进入瓶颈期。 

AI影像是第二类较早发展的产品。伴随70年代CT投入临床实用，医学影像数字化设备诞生，图像存储和传输标准进一步发展，AI影像出现不少尝试。然而，它的发展一直受制于图像模糊和传统算法的局限——直到2006年深度学习的突破——IBM Watson是该领域的典型探索者。 

之后，“医疗+AI”继续朝着降本增效和提升价值的方向演进。患者、医生、医疗机构、药企都是潜在受益者。

图片2

1.3 发展特点

“医疗+AI”的发展是循序渐进的，决策者应当以实际应用为导向，尊重行业发展的客观规律。

大量且优质的数据是“医疗+AI”发展的基础,但这一基础的建设周期可能相当漫长。在这一过程中，电子健康记录是关键，因为它包含丰富的临床数据和经验记录，是医疗数据的重要入口和来源。

以美国的经验而言，HITECH法案提出了医疗信息化的五个阶段目标，分别是信息化、联通化、合规化、标准化、智能化。美国在第一个阶段停留了10-20年——2004年布什首次呼吁计算机化的健康记录，11年后，美国有96%的医院和87%的医生使用了电子健康记录。如今，美国正从第一阶段向第二阶段过渡。 

中国处于第一阶段，从2018年才开始出台电子病历的相关政策——因此，中国的医疗数据整体呈现碎片化、孤岛化。 

图片3

1.4 IBM Watson 案例分析

IBM Watson (沃森)是“医疗+AI”行业的典型探索者。沃森重点布局的是肿瘤和心血管疾病的AI诊断和治疗。

以肿瘤诊断为例：沃森首先帮助医生分析病历信息（结构化和非结构化）；其次，结合病历信息、外部研究、临床知识等，提供多种潜在治疗方案；最后，对方案进行排序，并注明医学证据。

理论上，沃森能大大提高医疗效率。当前，每73天医学文献会翻2倍，医生需要每周花160小时才能学习完——沃森每秒能学习267万页。 

实际上，沃森的商业化并不顺利，投入多，回报少。2020年12月，传出沃森将被IBM 出售的消息。近年来，沃森花费几十亿进行大量收并购，标的分布在机器学习、医疗临床数据、人口健康数据、医学图像算法、医疗数据分析等各领域——单2016年就花费近40亿。然而，2020年其财报显示营收只有15亿美元。

原因是多方面的。表面上是产品实用性不佳。经统计，沃森癌症治疗方案与医生的一致率在泰国、印度、韩国某医院分别为83%、73%、49%。

根本上由于：其一，数据质量和数量的不足，尤其对于罕见病的诊断——在某肺癌病种的分析中，沃森只用了635个病例对算法进行训练；其二，NLP技术的局限性，无法解读某些自然语义，比如象征性或微妙、模糊的表达；其三，神经网络是基于相关关系，而非因果关系，不符合循证医学的精神；其四，公司个收并购节奏过快，缺乏整体规划。

图片4

二、“医疗+AI”的发展评估要素

以下将分析影响“医疗+AI”发展的关键要素，并对它们的重要性进行量化比较，同时为文章第三板块做铺垫。

2.1 驱动要素

当前驱动行业发展的主要是技术、需求、政策和资本。

技术上，算力不断提高，算法取得突破。在一次阅片比赛中，高级医生平均花费1000秒，正确率为66%；计算机花费192秒，正确率为68%。

需求上，看病难看病贵是痛点，医疗行业亟待降本增效。医疗资源和其他国家相比更为紧张，并且在国内分布极不平衡；中国医保压力逐年增大，私人支出占比要比世卫标准（20%）还高9%。 

政策上，国家到地方都有所支持。从2015国务院提出《中国制造 2025》开始，政府对人工智能与医疗的鼓励措施就在不断强化。 

资本上，融资热度也在不断递增。2016到2018年间，该行业的融资总额和均值都翻了2倍以上。 

图片5-1

图片5-2

2.2 阻碍要素

当前阻碍行业发展的主要是数据、伦理、付费、人才、落地条件。 

医疗数据基础差，难以迭代更新。一方面数据质量不佳，呈现多类型、缺失和模糊状态；另一方面数据数量有限，医疗信息孤岛严重，开放度不高。 

对于伦理，一方面是AI技术本身的“黑箱问题”，导致医疗安全隐患、责任界定难；另一方面是隐私数据处置和数据资产受益方的不明朗。 

对于付费意愿，患者、医院和保险公司都不强烈。患者只关心诊断结果，大医院影像科预算有限，基层医院流量不足，保险公司又难以为尚未被验证的商业模式买单。 

人才方面，国内缺少多学科复合背景人才，并且大学教育以培养应用型人才为主，对基础科学的重视程度不够——但是人工智能技术的发展需要大量数学家。 

最后，落地条件参差不齐。有些医院信息基础设施差、网速慢，影响数据传输效率；还有些医院设备落后，导致图像拍摄不符合AI处理要求。

图片6

2.3 评估要素

在进行大量专家访谈、投资人访谈、文献资料阅读之后，本文利用优序图对不同要素进行了权重计算，发现当前阶段，对于“医疗+AI”，最重要的是数据和落地，相对重要的是付费和市场，相对不太重要的是资本、政策、技术、人才和伦理。

图片7

三、医疗+AI的应用场景

3.1 应用场景分类和企业图谱

整体来看，“医疗+AI”按照用户类别可以分为To-C和To-B。

To-C主要面对个人用户，主要有智能问诊和健康管理两类。To-B包括药企和医院，前者主要应用于药物研发；后者包括医学影像、虚拟助手、医学研究、医院管理和基因测序。

图片8

3.2 “医疗+AI”应用场景概况

“医疗+AI”离产业化尚有距离。根据动脉网蛋壳研究院的产业评估，医学影像、医学研究、虚拟助手离产业化最近， 2-5年左右，但目前处于期望过高的阶段；健康管理、药物研发、医院管理、疾病筛查距离产业化较远，有5-10年。根据Accenture Analysis和杭实资管估算，10年后AI医疗产品才会从整体上提高医疗资源效率。 

目前，国内资本主要聚焦在医疗影像板块，去年融资额近112亿元，是第二名虚拟助手融资额的2倍以上；另一方面，疾病筛查和药物研究受资本关注度最低。 

图片9

3.3 To-C 应用场景

To-C主要面对个人用户，主要有智能问诊和健康管理两类。 

对于智能问诊，监管约束多，导流是商业闭环的关键——商业价值评估为3.7分。AI智能问诊是基于自然语言处理技术，以智能导诊为核心的AI产品，例如智能问病、智能问药、医务咨询等。

应用优势方面，首先是需求增长快，近年来互联网医院市场规模年均增速超过45%，其中在线问诊占比超过47%——但主要针对轻症慢病患者的求医问药。另外，智能问诊的数据非常结构化，推荐算法也很成熟。然而，由于监管限制及商业闭环问题，发展存在一定瓶颈。

相关决策者可以从推荐导流和用户选择入手，寻找与轻症慢病和消费医疗市场的契合点。 

对于健康管理，产品实用性是主要瓶颈——商业价值评估为1.7分。AI健康管理主要指手动输入或通过智能穿戴设备采集体征信息，经由AI评估，向个人用户提供健康管理方案的产品。国外在该领域的初创公司较多，主要有四大场景：人口健康管理、母婴健康管理、慢性病健康管理、精神健康管理。

Ovia Health公司会给女性用户提供设备，让用户自主输入体温、睡眠情况、排卵测试结果等，输出预测排卵期，提高受孕率。Virta Health会要求用户输入身高、体重、饮食量等指标，输出个性化的饮食方案。这类应用场景目前比较鸡肋，一是由于数据采集端硬件技术不成熟，二是市场需求不强烈，没能直接解决行业痛点。

图片10

3.4 To-B 应用场景

To-B包括药企和医院，前者主要应用于药物研发；后者包括医学影像、虚拟助手、医学研究、医院管理和基因测序。

• 药企

AI药物研发能在一定程度上提高药物研发效率，是AI医疗重要的应用领域。

药物研发最大的痛点是研发难、研发贵。据德勤统计，2010到2019年期间，每种上市新药的平均研发成本从12亿美元到21亿美元（包含研发失败的成本），而全球研发投入回报成本从10%下降到2%。 

药物研发可以分为药物发现和临床研究阶段，但前者更具AI价值——包括基础研究、药物发掘、药物优化三个小阶段。

其中，基础研究是新药研发的核心瓶颈，传统研发采用老药新用，与人体1万多个靶点交叉研究匹配。而AI可以自行分析海量文献，获取分子结构，让研发成本降低3亿美金，研发周期缩短至少3.5年。

传统药物发掘采用高通量筛选，费时费钱。AI能优化高通量筛选，甚至实现虚拟筛选，提高效率。传统药物优化需要对20-30项指标进行庞杂的数据分析，借助AI，研发人员能定性推测生理活性物质结构和活性关系，从而同时优化多想指标，提高药物构效关系分析速度。

AI药物研发的商业价值评分最高，为4.2分。尽管该领域缺少复合型背景人才，但是场景特性非常适合AI技术。其一，药物研发的数据基础好，如跨国药企有50-300万种化合物储备和大量医患电子信息；其二，直击市场痛点，部分解决研发难研发贵的问题；其三，符合AI技术本质，药物研发本身就是基于概率的事件；其四，商业模式清晰，药企付费意愿强烈；不直面临床，伦理纠纷较小。

图片11

• 医院

医院应用包括医学影像、虚拟助手、医学研究、医院管理和基因测序。 

AI医学影像是当前最热的创业领域，但商业价值评估只有2.9分，主要由于数据、落地和付费问题较为突出。它能帮助医生病灶筛查、靶区勾画、三维成像、病历分析、定量分析等。相对根据经验逐张进行的人工阅片，AI会根据标准批量初筛，阅片时间短，准确率稳定。另外，图像识别算法相对成熟，市场需求大（影像科医生供不应求——影像数据年均增长30%，放射科医生年均增长4.1%）。瓶颈主要在于数据、落地和付费。 

虚拟助手（医疗型）总体前景可观，商业价值评估为3.3分。医疗型虚拟助手是基于语音识别技术录入电子病历，从而让医生专注诊疗的AI产品。应用优势比较明显，中国在语音识别的人工算法较为领先，有技术和人才储备；市场需求大，目前有50%的住院医生每天要花费4小时书写病历；不直接参与临床诊疗，伦理阻碍较小。

可能存在的困境是，医生习惯的改变——但这不构成长期阻碍因素，2021年4月据报道微软正以160亿美元收购全球最大语音识别技术公司NUANCE。该公司旗下的Dragon Medical能为用户提供在解决方案、平台、设备之间一致且个性化的临床文档体验。美国有77%的医院已经使用了NUANCE的语音识别技术。

图片12

医学研究的商业价值评估为2.6分，底层技术特点决定其较难深入临床。AI医学研究是指对病历文献进行自然语言处理和信息提取，找出变量相关性的过程。应用领域包括病历结构化处理、多源异构数据挖掘和临床决策支持CDSS。其中发展阻力最大的是CDSS,沃森是典型失败案例，具体参考1.4。 

医院管理的商业价值评估为1.7分，市场需求不高，价值存疑。AI医院管理是指基于AI技术的信息系统，用于提高医院管理效率。比如利用病房、走廊摄像头，对突发情况及时报警；对病患信息进行分析，排出就诊优先级。该领域比较冷门，国内创业公司不多。

图片13

 AI基因检测的商业价值评估为3.3分，发展潜力巨大，但目前仍受制于测序技术的发展。优势上，基因数据量大并且非常结构化；市场增长迅速，人类基因组测序数量以年复合增长率200%的速度上升；商业模式清晰，付费意愿高——尤其是药企，基因数据能帮助研究疾病发生和基因的关系、疾病治疗和基因的关系，帮助药物研发，辅助精准诊断。

然而，虽然随着测序技术的发展，测序成本不断下降，但目前价格依然偏高，每个人类基因组测序成本在680美金。

图片14

四：总结和建议

研究发现，当前阶段，影响AI医疗发展最重要的因素是数据和落地，相对重要的是付费和市场。另外，八个应用场景中，AI药物研发是目前最具商业价值的赛道，值得重点关注。

图片15

图片16