伴隨著自然語言處理（NLP）、計算機視覺、深度學習等技術的飛速發展，人工智能的應用場景不斷拓寬， "AI 醫療 " 成為投資人和創業者的關注焦點。

人工智能技術在醫療領域的應用不僅大幅減少醫院的工作量、縮短診斷時間，還能幫助基層醫院醫生提高診斷的準確率，在疾病早期提前發現、及時治療，降低個人、家庭及社會醫保負擔。此外，利用人工智能技術，還能幫助制藥公司大幅度縮短制藥時間，降低研發成本。

目前 "AI 醫療 " 各類研究成果不斷出現，正處于量變到質變的過程。一旦獲得重大突破，發生質變，各大人工智能公司將會獲得巨額回報。

為了搶奪市場，提前布局相關賽道，微軟在今年 4 月豪擲 197 億美金收購人工智能公司 Nuance，后者第一大收入來源就與醫療相關。

在國內，包括 BATJ、科大訊飛、云從科技、冰鑒科技、云知聲等在內的各大人工智能公司都積極參與醫療行業。北京大學（醫療機器人研究中心）、浙江大學（健康醫療大數據國家研究院）、吉林大學（智能醫療研究中心）等一些高校還專門成立智慧醫療研究院，并與企業、醫院、國外知名高校（如哈佛大學）深度合作，寄希望在該領域獲得突破。

然而，學術研究如火如荼、企業投資方興未艾之際，"AI 醫療 " 的商業化進程卻低于預期。醫療 AI 先鋒企業—— IBM Watson 更是因為前期投入過多、商業化不理想而傳出要被 IBM 出售。此外，國內的相關研究同質化嚴重，存在資源扎堆、惡性競爭現象；AI 儀器功能單一，也難以滿足醫生多樣化需求。

面對 "AI 醫療 " 的巨大市場，人工智能企業該從哪里切入？商業化進程如何？醫院、醫生和病患真的愿意為 AI 技術買單嗎？

01 發展史："AI 醫療 " 步入深水區

"AI 醫療 " 在 21 世紀之前發展較慢，幾乎沒有商業化產品。進入 21 世紀之后， "AI 醫療 " 才開始快速發展。國外以 Watson、Nuance、Google Health 為代表，國內科大訊飛、騰訊覓影、阿里健康等企業起步早、投入多。

國外，"AI 醫療 " 的發展冰火兩重天

Watson 成為 IBM" 棄子 " 的傳聞令醫療 AI 行業跌入冰點。目前獲得批準的 AI 醫療器械也少得可憐。2020 年 9 月，《NPJ Digital Medicine》發表的文章提到：目前可以找到的 FDA 批準的基于 AI/ML 的醫療器械軟件只有 64 款。"

而微軟宣布 197 億美元收購人工智能公司 Nuance，又顯示出行業火熱的一面。國泰君安分析師認為：" 微軟收購 Nuance 的一個重要原因是，Nuance 在醫療等領域的語音交互市場中處于領先地位。其核心業務之一是對醫患談話進行轉錄形成電子病歷并據此提供輔助診斷服務。根據微軟的數據，無論從醫師醫院覆蓋率還是從產品性能上來講，Nuance 的產品在醫療領域都處于領先地位。"

國內，2015 年起風險投資開始加速布局 "AI 醫療 "

得益于于深度學習、計算機視覺（特別是圖像識別）、NLP 等技術的進步，"AI 醫療 " 近十年開始萌芽，大量新興公司開始成立或者轉型專攻 "AI 醫療 "。

據 IT 桔子網統計，2012 年至今，"AI 醫療 " 領域共有 1439 家公司，獲得 1553 起投資，總投資額為 7006 億人民幣，BATJ、科大訊飛、平安、云知聲、云從科技、冰鑒科技等爭相進入 "AI 醫療 " 領域。

02 人工智能在醫療領域的應用

人工智能與醫療結合應用的領域非常多，其中健康管理、藥物研發、輔助診斷、醫學影像、疾病預測這五大領域應用在當前最為主流。

健康管理 / 慢性病管理、智能語音病歷錄入等領域相對成熟

2018 年 12 月，國家衛生健康委員會發布的《關于印發電子病歷系統應用水平分級評價管理辦法（試行）及評價標準（試行）的通知》明確：" 所有二級以上醫院需要按時參加電子病歷系統功能應用水平分級評價，且評估結果納入公立醫院績效考核。到 2020 年，所有三級醫院要達到分級評價 4 級以上，二級醫院要達到分級評價 3 級以上。" 該政策為 "AI 醫療 " 未來發展提供了數據基礎，并由此帶動了科大訊飛、云知聲等公司智能語音病歷錄入業務迅速發展。

國務院新聞辦發表的《中國的醫療衛生事業》白皮書顯示：伴隨中國工業化、城鎮化、老齡化進程的加快，居民慢性病患病、死亡呈現持續快速增長趨勢。中國現有確診慢性病患者 2.6 億人，慢性病導致的死亡占中國總死亡的 85％，導致的疾病負擔占總疾病負擔的 70％。因此，慢病管理市場空間大，醫渡科技、第四范式、醫鹿康福等一些人工智能公司迅速參與其中。

" 基于醫學影像判斷各種疾病，然后給予醫生輔助診斷建議（醫學影像 輔助診斷）" 是眾多人工智能公司偏愛的研究領域

冰鑒科技研究院認為，人工智能公司偏愛 " 醫學影像 輔助診斷 " 主要有兩方面原因，其一該領域運用的人工智能技術相對成熟，且大量疾病診斷準確率被證明優于基層醫生；其二，與疾病預測、藥物研發等相比，該領域應用難度較低，商業化前景更好。

AI 醫學影像 輔助診斷，是指將人工智能技術應用在醫學影像的診斷上，特別是各種疾病篩查，并提供診斷建議給醫生參考。目前常用的疾病篩查包括肺結節 / 肺癌、眼底疾病、宮頸癌、肺炎、眩暈癥、腫瘤、結直腸癌等。在美國，Watson 等企業開始商業化運用 AI 技術為疾病提供輔助診斷。

藥物研發、疾病預測是 "AI 醫療 " 的深水區

在 AI 藥物研發企業分布上，據 Deep Knowledge Analytics 統計，截至 2020 年底，全球共有 240 多家 AI 藥物研發企業，美國仍然穩居領先地位，占比 54.4%。

國內方面，2020 年 7 月騰訊宣布將正式進軍 AI 新藥研發，開發的人工智能藥物發現平臺 " 云深智藥 " 將向科研人員全面開放。此外，劑泰醫藥、望石智慧、晶泰科技（XtalPi）等創業公司也開始利用 AI 技術參與藥物研發，但是目前依然未發現相關成果商業化。

在疾病預測方面，由于數據不全、門檻高，國內參與者更是寥寥無幾。不過，隨著可穿戴設備普及，病歷電子化，實時監測血氧、睡眠、呼吸和心跳，未來對于一些疾病的預判成為可能。

國外，也僅有一些研究成果發表在醫學期刊上。如《自然》雜志 2017 年 2 月報道，通過大腦數據預測自閉癥。北卡羅來納大學的研究人員說，通過掃描兄弟姐妹患有自閉癥的嬰兒的大腦，他們已經能夠對這些高風險嬰兒中的哪一個日后會發展為自閉癥做出合理準確的預測。

03 人工智能在醫療領域的應用價值

疾病篩查：解決傳統效率問題

2019 年《中國人工智能醫療白皮書》披露，傳統診斷模式，醫生對單個腫瘤病人約 200 張 CT 圖像勾畫需要 3-5 小時，找到腫瘤位置后，還要根據腫瘤大小、形狀等花費時間設計方案。相比傳統模式，人工智能可以大批量快速處理圖像數據，并一次完成。

武漢蘭丁股份董事長孫小蓉博士說，" 病理醫生用傳統方式做癌癥篩查，主要就是簡單重復地看顯微鏡，但終其一生，能夠看完的片子數量也十分有限。" 以宮頸癌篩查為例，傳統的人工方式不僅效率不高，中國病理醫生的人數也遠遠不夠。面對近三億需要接受宮頸癌篩查的適齡婦女，沒有科技創新手段是不行的，而人工智能技術則可以提供一個可行的解決途徑。該公司研發的 " 兩癌 " 篩查技術，截至 2020 年底，累計完成 117 萬例宮頸癌檢查，這也是人工智能技術迄今為止最大規模的人群應用。

醫學影像輔助診斷方面，通過人工智能對醫學影像進行標注，能夠大大提高醫生的工作效率，減少重復工作和遺漏。

輔助診斷：降低誤診率

根據《臨床誤診誤治》雜志的統計，全球疾病誤診率高達 30%。，據權威機構調查，美國醫生的臨床誤診率依然維持在 15%-45% 之間。根據《福布斯中文網》數據顯示，近 20 年來中國的年度門診誤診率在 50-90%，住院部誤診率在 26-31% 之間。這其中癌癥最易被誤診，如腦腫瘤的誤診率高達 70% 左右，轉移性骨腫瘤的誤診發生率為 40%，大腸癌的誤診率可達 79%。

廣東省衛生廳副廳長廖新波曾發表博文《醫生的診斷有三成是誤診》，如果在門診看病，誤診率是 50%。 " 腦腫瘤的誤診甚至在 70% 左右，甚至高達 100%。" 他解釋，無論是器質性還是功能性的病變都能引起頭痛、頭暈，而 CT 和 MR 不能檢查出功能性病變，只能依靠醫生的經驗做判斷了。

誤診的原因也五花八門，比如醫生不夠專業、病人隱瞞病情、病情太過復雜、早期癥狀隱匿等。所有接受治療的病人，大約只有 10% 幸運找到了病因，并且得到恰到好處的治療。

而利用人工智能技術可以很好的規避人為因素，降低誤診率、漏診率，特別是當疾病處于早期隱匿期。

斯坦福大學用人工智能來診斷皮膚癌，準確率超過 90%。

俄勒岡健康科學大學（OHSU）和馬薩諸塞州總醫院（MGH）的研究人員在《美國醫學會眼科雜志》上也發表了一項成果：他們新開發的一種算法能夠自動檢測導致兒童失明癥的潛在的病變原因，準確率達 91%，同期測試的八位醫生組成的對照組對眼球照片進行診斷，準確率只有 82%。

麻省理工學院研究員最近發表在《IEEE 醫學與生物學工程學雜志》上的一篇論文提到，他們的模型識別出確診為 Covid-19 的人的咳嗽的準確率為 98.5%，其中，利用咳嗽聲識別無癥狀感染者的準確度高達 100%。研究人員收集了 7 萬多條錄音，每個錄音含多個咳嗽聲，共計 20 多萬個咳嗽音樣本。

平安智慧醫療研究團隊利用醫學中心創傷急診科 1888 名患者的骨盆 X 光影像數據進行測試，運用 AI 技術判斷骨折結果和位置，模型的預測精度達到 92.4%。在與臺灣長庚醫院四個科室的 23 位醫生合作（AI 醫生）中，急診科醫生使用 AI 系統之后，漏診率從 9.7% 下降至 0.7%，住院醫師漏診率從 11.3% 下降至 1.58%，專家醫師漏診率從 6% 下降至 0.5%。AI 骨折系統在檢測敏感度和特異度等定量指標方面，較為明顯地超越急診科醫生和住院醫師，逼近并略好于放射科醫生及部分骨科專科醫生。

提高醫生工作效率（智能語音病歷錄入與管理）

美國著名醫學專業網站醫景網 ( Medscape ) 對 1.5 萬名美國執業醫生進行調研發現，近三分之二的醫生表示自己職業倦怠 ( 42% ) 、情緒低落 ( 15% ) 或兩者兼而有之 ( 14% ) 。主要原因包括臨床醫生必須處理各種復雜的醫療文件 ( 56% ) 以及花費大量時間將患者信息輸入電子健康記錄中 ( 24% ) 。

智能語音病歷錄入與管理可以有效幫助醫生節約時間，提高工作效率。這也促使該領域在 "AI 醫療 " 的細分領域商業化最成熟，典型案例包括科大訊飛、Nuance 等。

藥物研發：縮短時間，降低成本

據 Deep Knowledge Analytics 統計，新藥研發具有成本高 ( 10 億 ) 、研發周期長 ( 10-12 年 ) 、成功率低（13.8%）三大高風險特性。藥物研發的投資回報率從2010年的10.1％穩步下降至2018年的1.9％。對某些復雜疾病領域更是如此，比如肌萎縮性側索硬化癥，在過去半個世紀里超過 50 項臨床試驗未顯示出任何積極的療效。

與此同時，利用自然語言處理、深度學習、圖像識別、機器學習等人工智能技術，可以縮短藥物研發時間、降低藥物研發成本、提高預測準確率及藥效。

北京大學前沿交叉學科研究院定量生物學中心研究員裴劍鋒認為，AI 技術尤其是強人工智能的發展，有望解決藥物設計中挑戰性的難題。例如，隨著自然語言處理技術和 AI 文獻信息提取技術發展，未來 AI 能自動處理海量非結構化的專利、文獻數據，從中提取關鍵信息構建知識圖譜和認知圖譜，自動發現藥物靶點和藥物分子。

《麻省理工科技評論》2019 年 9 月報道，AI 制藥公司 Insilicon Medicine 與多倫多大學的科學家合作，從開始研發新的靶向藥，到完成初步的生物學驗證，僅僅花了 46 天時間，而傳統方法至少需要 8 年才能完成。這項研究結果已發表在的《自然生物技術》雜志上，標題為：deep learning enables rapid identification of potent DDRI kinase inhibitors。

晶泰科技 CEO 馬健接受《IT 時報》采訪時說道，" 通過計算，能夠幫助藥企優先選擇最容易成功的藥物化合物、晶型候選和研發路線，幫助這些藥物研發專家趨利避害，減少研發時間和試錯范圍，尤其是晶型研發周期，會從幾個月甚至一年縮短到幾周到幾個月。"

04 市場空間及商業化現狀

市場空間廣闊

根據 Reportlinker 數據庫早前發布的報告指出：計算能力的提升以及硬件成本的降低，推動全球醫療 AI 市場發展，預計到 2025 年，全球醫療行業的 AI 市場規模達到 2500 億元人民幣。

中國信息通信研究院西部分院發布的《2020 智慧醫療發展研究報告》顯示，2020 年，中國智慧醫療行業規模已突破千億元大關，預計 2021 年規模將達 1259 億元，行業將進入智能化、高效化、規模化發展的高速增長期。

具體到單個公司，2021 年 4 月 20 日，科大訊飛公布 2020 年業績報告，智慧醫療業務在報告期內實現營收同比增長 69.25%。此外，云知聲招股書披露其 2017-2019 年智慧醫療收入增長率也超過 50%（如下圖）。

此外，醫渡科技招股書顯示，其健康管理平臺和解決方案業務由 2019 財年的 1075.8 萬元增長至 2020 財年的 5564.8 萬元，同比增長 417.27%。

但智能語音在病歷錄入、健康管理方面的監管相對寬松，但在疾病診斷、藥物研發等領域要求會更加嚴格。

商業化較難

在美國，Watson 商業化收入與其投入嚴重不匹配。《華爾街日報》援引知情人士報道， Watson 年收入為 10-15 億美元，這與 IBM 的首席執行官 Virginia Rometty 在 2013 年 10 月預估的收入差十倍。

與此同時，Nuance 日子也不好過。雖然與美國 77% 的醫院有合作，但是營業收入自從 2016 年開始連續五年下降。

在國內，BATJ 等眾多互聯網、人工智能公司、醫療機構、高校、風險投資等花費幾百億巨資參與智慧醫療，相關研究不斷出現在于學術雜志上。但是，成功得到國家藥品監督管理局（NMPA）批準的醫療器械軟件僅 11 款，想要各大醫院醫生認可并大規模商業化更是路途遙遠。

據蛋殼研究院的產業評估，醫學影像、醫學研究、虛擬助手離產業化最近，規模商業化還需 2-5 年左右，但目前處于期望過高的階段；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 年后 AI 醫療產品才會從整體上提高醫療資源效率。

05 "AI 醫療 " 的現實問題

在 AI 影像篩查領域，過去五年間發生了 200 多起融資事件，但是，該領域普遍面臨高質量數據不夠、研究方向同質化嚴重、與醫生需求差距較大、基層醫院經費不足等現實問題。

高質量數據不夠

表面上看，BATJ 等眾多人工智能企業與上百成千家醫院開展合作，總體醫療數據龐大，但是針對特定疾病的數據并不多，部分影像資料質量較差，數據不全、非結構化，且一些醫生的診斷結果是基于并發癥及患者的精神狀況做的判斷——這些數據很多并沒有被記錄。如 Google 研究人員發表的兩篇乳腺癌檢查文章都存在數據不夠的問題。

各自為政，同行合作較少，導致研究方向同質化

冰鑒科技研究院發現，就單一疾病早篩項目而言，參與研究的少則幾家企業，多則幾十家企業，產品研究同質化嚴重。但是，各企業之間幾乎沒有技術、數據共享，各自為政非常明顯，社會資源浪費嚴重。據動脈橙數據庫，大量的企業扎堆涉足肺結節和眼底篩查，推出相關產品，但真正能進入醫院獲得收入的不到 10 家。

與醫生需求差距巨大、采購動力不足

目前各大人工智能公司都是針對單一疾病開展單個研究，而醫生在對病人做檢查時，需要對多種疾病、并發癥、精神狀況等進行綜合判斷，而不是一種。據了解，僅僅皮膚病就有 2000 多種，而 AI 技術目前也只能判斷幾十種皮膚病。

中國電子科技集團公司第五十五研究所職工醫院院長張建燕接受億歐網采訪時說："DE-超聲機器人（匯醫在線研發的，用于甲狀腺結節診斷）僅覆蓋甲狀腺癌一項，有點少，還不能滿足完全滿足醫院的需求，另外在判斷是否為結節的問題上與醫生會出現分歧。" 其補充道，采購該儀器與該醫院所在醫聯體的推薦有關。

此外，基層醫院的醫生對癌癥、腫瘤等疾病治療水平有限，對輔助診斷需求較大，可以幫助基層醫院醫生確診相關疾病。但是，一旦發現相關疾病，一般是建議其去三甲醫院或者專科醫院進行復查，接受治療。這就導致基層醫院收入少，相關儀器采購經費不足。

而一些專科醫院或者三甲醫院醫生水平較高，對輔助治療的需求不足，因此，采購動力也不足。

06 總結與展望——誰來推動 AI 公司合作？

正如匯醫慧影創始人柴象飛所說：" 現在的 AI 醫療產品，具有降低漏診提高效率的短期價值，精準醫療、個性化的診斷，才是長遠價值。"

從短期來看，基于 AI 醫學影像做各種疾病的篩查診斷相對成熟，可以有效降低基層醫院的誤診率，各大 AI 公司正在積極布局。

但從長遠來看，"AI 醫療 " 的細分市場領域眾多，寄望于在每個領域短期出成果，并獲得醫院醫生認可比較困難。Watson 的經驗教訓表明，AI 企業單打獨斗并不明智。

此外，各大創業公司主要依靠風險投資提供資金支持，若長時間不見成果落地或者收入低于預期，后續投資必然會有所減少。

各大人工智能初創公司應該加強合作，做好疾病數據共享，研究方向合理分工，針對某一大類疾病開展人工智能診斷篩查服務，比如皮膚科、眼科疾病、腸胃疾病、胸部疾病，這樣才能更好的滿足醫生需求。如華為云開發肺部全病種 ( 包括肺炎、肺結節、肺癌等 ) 輔診系統，斯坦福大學團隊皮膚病變研究涵蓋 2000 多種疾病。

如果幾家人工智能公司通力合作，把某一類疾病（如胃部疾病、肺部疾病）研究透徹，并將研究成果聚集到同一款醫療器械上，開發出能夠滿足醫生需求的多功能診斷儀器，必將加快商業化落地進程。

有從業者提出建設全國一體化的國家大數據中心，在衛健委或行業協會牽頭下，打破醫療數據孤島，對人工智能在醫療行業的廣泛應用進行頂層設計。但在醫療數據安全治理、個人隱私保護等無法繞過的難題面前，醫療 AI 數據共享與合作必然道阻且長。