“醫療+AI”行業研究

作者：杭實資管研究員朱之顏（微信：Zhiyan_Zhu）

編輯：頓雨婷

摘要：目前，中國處於“醫療+AI”嘅產業發展初期。喺此階段，影響行業嘅重要因素是數據、落地、付費和市場——其度，數據是相關產品嘅核心競爭力。研究還發現，八個應用場景度，AI藥物研發是家陣時最具商業價值嘅賽道。

一、“醫療+AI”嘅基本背景

1.1 定義

人工智能技術本質是基於概率嘅推論，關鍵喺於數據嘅積累。佢嘅突破是革命性嘅，因為計算機開始從人為制定嘅規則走出，到海量數據中自己尋找規則。

人工智能技術作用好多：輸入圖片，輸出圖片嘅內容——這是圖像識別；輸入語音，輸出語音嘅內容——這是語音識別；輸入傳感器信息，輸出汽車嘅位置——這是自動駕駛。

近年來，人工智能技術發展迅速，好大原因是由於神經網絡算法嘅突破。呢種算法嘅核心是基於概率嘅推論，利用‌無數函數嘅嵌套，運算過程存喺“黑箱”。喺主流算法和框架都系開源嘅情況下，高質量嘅數據越多，神經網絡就更有效率。

人工智能技術嘅應用場景好多，但從融資金額來睇，醫療是最重要嘅場景。2019年全球“醫療+AI”融資金額高達40億美元，是排名第二“金融+AI”嘅2倍。

圖片1

1.2 簡史

世界範圍來睇，“醫療+AI”喺美國發展最快，中國落後近10-20年。

最早誕生嘅系專家系統——即根據專家經驗，求解問題嘅計算機系統。1974年匹茲堡大學研發‌INTERNIST-I內科疾病嘅專家系統，該知識庫包括‌572種疾病，約4500種癥狀，以及10萬種疾病同疾病表現之間嘅聯繫。專家系統喺80年代進入‌商業化階段，但受制於當時嘅算力和算法，90年代進入瓶頸期。

AI影像是第二類較早發展嘅產品。伴隨70年代CT投入臨床實用，醫學影像数字化設備誕生，圖像存儲和傳輸標準進一步發展，AI影像出現唔少嘗試。但係，佢嘅發展一直受制於圖像模糊和傳統算法嘅局限——直到2006年深度學習嘅突破——IBM Watson是該領域嘅典型探索者。

之後，“醫療+AI”繼續朝住降本增效和提升價值嘅方向演進。患者、醫生、醫療機構、葯企都系潛喺受益者。

圖片2

1.3 發展特點

“醫療+AI”嘅發展是循序漸進嘅，決策者應當以實際應用為導向，尊重行業發展嘅客觀規律。

大量且優質嘅數據是“醫療+AI”發展嘅基礎,但呢一基礎嘅建設周期可能相當漫長。喺呢一過程度，电子健康記錄是關鍵，因為佢包含豐富嘅臨床數據和經驗記錄，是醫療數據嘅重要入口和來源。

以美國嘅經驗而言，HITECH法案提出‌醫療信息化嘅五個階段目標，分別是信息化、聯通化、合規化、標準化、智能化。美國喺第一個階段停留‌10-20年——2004年布什首次呼籲計算機化嘅健康記錄，11年後，美國有96%嘅醫院和87%嘅醫生使用‌电子健康記錄。而家，美國正從第一階段向第二階段過渡。

中國處於第一階段，從2018年才開始出台电子病歷嘅相關政策——因此，中國嘅醫療數據整體呈現碎片化、孤島化。

圖片3

1.4 IBM Watson 案例分析

IBM Watson (沃森)是“醫療+AI”行業嘅典型探索者。沃森重點布局嘅系腫瘤和心血管疾病嘅AI診斷和治療。

以腫瘤診斷為例：沃森首先幫助醫生分析病歷信息（結構化和非結構化）；其次，結合病歷信息、外部研究、臨床知會使，提供多種潛喺治療方案；最後，對方案進行排序，並註明醫學證據。

理論上，沃森能大大提高醫療效率。家陣時，每73天醫學文獻會翻2倍，醫生需要每周花160個鐘頭才能學習完——沃森每秒能學習267萬頁。

實際上，沃森嘅商業化並唔順利，投入多，回報少。2020年12月，傳出沃森將被IBM 出售嘅消息。近年來，沃森花費幾十億進行大量收併購，標嘅分佈喺機器學習、醫療臨床數據、人口健康數據、醫學圖像算法、醫療數據分析等各領域——單2016年就花費近40億。但係，2020年其財報显示營收只有15億美元。

原因是多方面嘅。表面上是產品實用性唔佳。經統計，沃森癌症治療方案同醫生嘅一致率喺泰國、印度、韓國某醫院分別為83%、73%、49%。

根本上由於：其一，數據質量和數量嘅不足，尤其對於罕見病嘅診斷——喺某肺癌病種嘅分析度，沃森只用‌635個病例對算法進行訓練；其二，NLP技術嘅局限性，無辦法解讀某啲自然語義，比如象徵性或微妙、模糊嘅表達；其三，神經網絡是基於相關關係，而非因果關係，唔符合循證醫學嘅精神；其四，公司個收併購節奏過快，缺乏整體規劃。

圖片4

二、“醫療+AI”嘅發展評估要素

以下將分析影響“醫療+AI”發展嘅關鍵要素，並對佢們嘅重要性進行量化比較，同時為文章第三板塊做鋪墊。

2.1 驅動要素

家陣時驅動行業發展嘅主要是技術、需求、政策和資本。

技術上，算力唔斷提高，算法取得突破。喺一次閱片比賽度，高級醫生平均花費1000秒，正確率為66%；計算機花費192秒，正確率為68%。

需求上，睇病難睇病貴是痛點，醫療行業亟待降本增效。醫療資源和第啲國家相比更為緊張，並且喺國內分佈極唔平衡；中國醫保壓力逐年增大，私人支出佔比要比世衛標準（20%）還高9%。

政策上，國家到地方都有所支持。從2015國務院提出《中國製造 2025》開始，政府對人工智能同醫療嘅鼓勵措施就喺唔斷強化。

資本上，融資熱度也喺唔斷遞增。2016到2018年間，該行業嘅融資總額和均值都翻‌2倍以上。

圖片5-1

圖片5-2

2.2 阻礙要素

家陣時阻礙行業發展嘅主要是數據、倫理、付費、人才、落地條件。

醫療數據基礎差，難以迭代更新。一方面數據質量唔佳，呈現多類型、缺失和模糊狀態；另一方面數據數量有限，醫療信息孤島嚴重，開放度唔高。

對於倫理，一方面是AI技術本身嘅“黑箱問題”，導致醫療安全隱患、責任界定難；另一方面是隱私數據處置和數據資產受益方嘅唔明朗。

對於付費意願，患者、醫院和保險公司都唔強烈。患者只關心診斷結果，大醫院影像科預算有限，基層醫院流量不足，保險公司又難以為尚未被驗證嘅商業模式買單。

人才方面，國內缺少多學科複合背景人才，並且大學教育以培養應用型人才為主，對基礎科學嘅重視程度唔夠——但是人工智能技術嘅發展需要大量數學家。

最後，落地條件參差唔齊。有啲醫院信息基礎設施差、網速慢，影響數據傳輸效率；仲有啲醫院設備落後，導致圖像拍攝唔符合AI處理要求。

圖片6

2.3 評估要素

喺進行大量專家訪談、投資人訪談、文獻資料閱讀之後，本文利用優序圖對唔同要素進行‌權重計算，發現家陣時階段，對於“醫療+AI”，最重要嘅係數據和落地，相對重要嘅系付費和市場，相對唔系幾重要嘅系資本、政策、技術、人才和倫理。

圖片7

三、醫療+AI嘅應用場景

3.1 應用場景分類和企業圖譜

整體來睇，“醫療+AI”按照用戶類別可以分為To-C和To-B。

To-C主要面對個人用戶，主要有智能問診和健康管理兩類。To-B包括葯企和醫院，前者主要應用於藥物研發；後者包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序。

圖片8

3.2 “醫療+AI”應用場景概況

“醫療+AI”離產業化尚有距離。根據動脈網蛋殼研究院嘅產業評估，醫學影像、醫學研究、虛擬助手離產業化最近， 2-5年左右，但目前處於期望過高嘅階段；健康管理、藥物研發、醫院管理、疾病篩查距離產業化較遠，有5-10年。根據Accenture Analysis和杭實資管估算，10年後AI醫療產品才會從整體上提高醫療資源效率。

目前，國內資本主要聚焦喺醫療影像板塊，上年融資額近112億元，是第二名虛擬助手融資額嘅2倍以上；另一方面，疾病篩查和藥物研究受資本關注度最低。

圖片9

3.3 To-C 應用場景

To-C主要面對個人用戶，主要有智能問診和健康管理兩類。

對於智能問診，監管約束多，導流是商業閉環嘅關鍵——商業價值評估為3.7分。AI智能問診是基於自然語言處理技術，以智能導診為核心嘅AI產品，例如智能問病、智能問葯、醫務諮詢等。

應用優勢方面，首先是需求增長快，近年來互聯網醫院市場規模年均增速超過45%，其中喺線問診佔比超過47%——但主要針對輕症慢病患者嘅求醫問葯。另外，智能問診嘅數據非常結構化，推薦算法也好成熟。但係，由於監管限制及商業閉環問題，發展存喺一定瓶頸。

相關決策者可以從推薦導流和用戶選擇入手，尋找同輕症慢病和消費醫療市場嘅契合點。

對於健康管理，產品實用性是主要瓶頸——商業價值評估為1.7分。AI健康管理主要指手動輸入或通過智能穿戴設備採集體徵信息，經由AI評估，向個人用戶提供健康管理方案嘅產品。國外喺該領域嘅初創公司較多，主要有四大場景：人口健康管理、母嬰健康管理、慢性病健康管理、精神健康管理。

Ovia Health公司會畀女性用戶提供設備，讓用戶自主輸入體溫、瞓眠情況、排卵測試結果等，輸出預測排卵期，提高受孕率。Virta Health會要求用戶輸入身高、體重、飲食量等指標，輸出個性化嘅飲食方案。呢類應用場景目前比較雞肋，一是由於數據採集端硬件技術唔成熟，二是市場需求唔強烈，沒能直接解決行業痛點。

圖片10

3.4 To-B 應用場景

To-B包括葯企和醫院，前者主要應用於藥物研發；後者包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序。

葯企

AI藥物研發能喺一定程度上提高藥物研發效率，是AI醫療重要嘅應用領域。

藥物研發最大嘅痛點是研發難、研發貴。據德勤統計，2010到2019年期間，每種上市新葯嘅平均研發成本從12億美元到21億美元（包含研發失敗嘅成本），而全球研發投入回報成本從10%下降到2%。

藥物研發可以分為藥物發現和臨床研究階段，但前者更具AI價值——包括基礎研究、藥物發掘、藥物優化三個小階段。

其度，基礎研究是新葯研發嘅核心瓶頸，傳統研發採用老葯新用，同人體1萬多個靶點交叉研究匹配。而AI可以自行分析海量文獻，獲取分子結構，讓研發成本降低3億美金，研發周期縮短至少3.5年。

傳統藥物發掘採用高通量篩選，費時費錢。AI能優化高通量篩選，甚至實現虛擬篩選，提高效率。傳統藥物優化需要對20-30項指標進行龐雜嘅數據分析，藉助AI，研發人員能定性推測生理活性物質結構和活性關係，從而同時優化多想指標，提高藥物構效關係分析速度。

AI藥物研發嘅商業價值評分最高，為4.2分。雖然該領域缺少複合型背景人才，但是場景特性非常適合AI技術。其一，藥物研發嘅數據基礎好，如跨國葯企有50-300萬種化合物儲備和大量醫患电子信息；其二，直擊市場痛點，部分解決研發難研發貴嘅問題；其三，符合AI技術本質，藥物研發本身就是基於概率嘅事件；其四，商業模式清晰，葯企付費意願強烈；唔直面臨床，倫理糾紛較小。

圖片11

醫院

醫院應用包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序。

AI醫學影像是家陣時最熱嘅創業領域，但商業價值評估只有2.9分，主要由於數據、落地和付費問題較為突出。佢能幫助醫生病灶篩查、靶區勾畫、三維成像、病歷分析、定量分析等。相對根據經驗逐張進行嘅人工閱片，AI會根據標準批量初篩，閱片時間短，準確率穩定。另外，圖像識別算法相對成熟，市場需求大（影像科醫生供唔應求——影像數據年均增長30%，放射科醫生年均增長4.1%）。瓶頸主要喺於數據、落地和付費。

虛擬助手（醫療型）總體前景可觀，商業價值評估為3.3分。醫療型虛擬助手是基於語音識別技術錄入电子病歷，從而讓醫生專註診療嘅AI產品。應用優勢比較明顯，中國喺語音識別嘅人工算法較為領先，有技術和人才儲備；市場需求大，目前有50%嘅住院醫生每天要花費4個鐘頭書寫病歷；唔直接參同臨床診療，倫理阻礙較小。

可能存喺嘅困境是，醫生習慣嘅改變——但這唔構成長期阻礙因素，2021年4月據報道微軟正以160億美元收購全球最大語音識別技術公司NUANCE。該公司旗下嘅Dragon Medical能為用戶提供喺解決方案、平台、設備之間一致且個性化嘅臨床文檔體驗。美國有77%嘅醫院已經使用‌NUANCE嘅語音識別技術。

圖片12

醫學研究嘅商業價值評估為2.6分，底層技術特點決定其較難深入臨床。AI醫學研究是指對病歷文獻進行自然語言處理和信息提取，找出變量相關性嘅過程。應用領域包括病歷結構化處理、多源異構數據挖掘和臨床決策支持CDSS。其中發展阻力最大嘅系CDSS,沃森是典型失敗案例，具體參考1.4。

醫院管理嘅商業價值評估為1.7分，市場需求唔高，價值存疑。AI醫院管理是指基於AI技術嘅信息系統，用於提高醫院管理效率。比如利用病房、走廊攝像頭，對突發情況及時報警；對病患信息進行分析，排出就診優先級。該領域比較冷門，國內創業公司唔多。

圖片13

AI基因檢測嘅商業價值評估為3.3分，發展潛力巨大，但目前仍受制於測序技術嘅發展。優勢上，基因數據量大並且非常結構化；市場增長迅速，人類基因組測序數量以年複合增長率200%嘅速度上升；商業模式清晰，付費意願高——尤其系葯企，基因數據能幫助研究疾病發生和基因嘅關係、疾病治療和基因嘅關係，幫助藥物研發，輔助精準診斷。

但係，雖然隨住測序技術嘅發展，測序成本唔斷下降，但目前價格依然偏高，每個人類基因組測序成本喺680美金。