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，中國處于“醫療+AI”的產業發展初期。在此階段，影響行業的重要因素是數據、落地、付費和市場——其中，數據是相關產品的核心競爭力。研究還發現，八個應用場景中，AI藥物研發是當前最具商業價值的賽道。
人工智能技術本質是基于概率的推論，關鍵在于數據的積累。它的突破是革命性的，因為計算機開始從人為制定的規則走出，到海量數據中自己尋找規則。
人工智能技術作用很多：輸入圖片，輸出圖片的內容——這是圖像識別；輸入語音，輸出語音的內容——這是語音識別；輸入傳感器信息，輸出汽車的位置——這是自動駕駛。
近年來，人工智能技術發展迅速，很大原因是由于神經網絡算法的突破。這種算法的核心是基于概率的推論，利用了無數函數的嵌套，運算過程存在“黑箱”。在主流算法和框架都是開源的情況下，高質量的數據越多，神經網絡就更有效率。
人工智能技術的應用場景很多，但從融資金額來看，醫療是最重要的場景。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”的2倍。
圖片1
世界范圍來看，“醫療+AI”在美國發展最快，中國落后近10-20年。
最早誕生的是專家系統——即根據專家經驗，求解問題的計算機系統。1974年匹茲堡大學研發了INTERNIST-I內科疾病的專家系統，該知識庫包括了572種疾病，約4500種癥狀，以及10萬種疾病與疾病表現之間的聯系。專家系統在80年代進入了商業化階段，但受制于當時的算力和算法，90年代進入瓶頸期。
AI影像是第二類較早發展的產品。伴隨70年代CT投入臨床實用，醫學影像數字化設備誕生，圖像存儲和傳輸標準進一步發展，AI影像出現不少嘗試。然而，它的發展一直受制于圖像模糊和傳統算法的局限——直到2006年深度學習的突破——IBM Watson是該領域的典型探索者。
之后，“醫療+AI”繼續朝著降本增效和提升價值的方向演進。患者、醫生、醫療機構、藥企都是潛在受益者。
圖片2
“醫療+AI”的發展是循序漸進的，決策者應當以實際應用為導向，尊重行業發展的客觀規律。
大量且優質的數據是“醫療+AI”發展的基礎,但這一基礎的建設周期可能相當漫長。在這一過程中，電子健康記錄是關鍵，因為它包含豐富的臨床數據和經驗記錄，是醫療數據的重要入口和來源。
以美國的經驗而言，HITECH法案提出了醫療信息化的五個階段目標，分別是信息化、聯通化、合規化、標準化、智能化。美國在第一個階段停留了10-20年——2004年布什首次呼吁計算機化的健康記錄，11年后，美國有96%的醫院和87%的醫生使用了電子健康記錄。如今，美國正從第一階段向第二階段過渡。
中國處于第一階段，從2018年才開始出臺電子病歷的相關政策——因此，中國的醫療數據整體呈現碎片化、孤島化。
圖片3
IBM Watson (沃森)是“醫療+AI”行業的典型探索者。沃森重點布局的是腫瘤和心血管疾病的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、臨床知識等，提供多種潛在治療方案；最后，對方案進行排序，并注明醫學證據。
理論上，沃森能大大提高醫療效率。當前，每73天醫學文獻會翻2倍，醫生需要每周花160小時才能學習完——沃森每秒能學習267萬頁。
實際上，沃森的商業化并不順利，投入多，回報少。2020年12月，傳出沃森將被IBM?出售的消息。近年來，沃森花費幾十億進行大量收并購，標的分布在機器學習、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。然而，2020年其財報顯示營收只有15億美元。
原因是多方面的。表面上是產品實用性不佳。經統計，沃森癌癥治療方案與醫生的一致率在泰國、印度、韓國某醫院分別為83%、73%、49%。
根本上由于：其一，數據質量和數量的不足，尤其對于罕見病的診斷——在某肺癌病種的分析中，沃森只用了635個病例對算法進行訓練；其二，NLP技術的局限性，無法解讀某些自然語義，比如象征性或微妙、模糊的表達；其三，神經網絡是基于相關關系，而非因果關系，不符合循證醫學的精神；其四，公司個收并購節奏過快，缺乏整體規劃。
圖片4
二、“醫療+AI”的發展評估要素
以下將分析影響“醫療+AI”發展的關鍵要素，并對它們的重要性進行量化比較，同時為文章第三板塊做鋪墊。
當前驅動行業發展的主要是技術、需求、政策和資本。
技術上，算力不斷提高，算法取得突破。在一次閱片比賽中，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，看病難看病貴是痛點，醫療行業亟待降本增效。醫療資源和其他國家相比更為緊張，并且在國內分布極不平衡；中國醫保壓力逐年增大，私人支出占比要比世衛標準（20%）還高9%。
政策上，國家到地方都有所支持。從2015國務院提出《中國制造 2025》開始，政府對人工智能與醫療的鼓勵措施就在不斷強化。
資本上，融資熱度也在不斷遞增。2016到2018年間，該行業的融資總額和均值都翻了2倍以上。
圖片5-1
圖片5-2
當前阻礙行業發展的主要是數據、倫理、付費、人才、落地條件。
醫療數據基礎差，難以迭代更新。一方面數據質量不佳，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，開放度不高。
對于倫理，一方面是AI技術本身的“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的不明朗。
對于付費意愿，患者、醫院和保險公司都不強烈。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的商業模式買單。
人才方面，國內缺少多學科復合背景人才，并且大學教育以培養應用型人才為主，對基礎科學的重視程度不夠——但是人工智能技術的發展需要大量數學家。
最后，落地條件參差不齊。有些醫院信息基礎設施差、網速慢，影響數據傳輸效率；還有些醫院設備落后，導致圖像拍攝不符合AI處理要求。
圖片6
在進行大量專家訪談、投資人訪談、文獻資料閱讀之后，本文利用優序圖對不同要素進行了權重計算，發現當前階段，對于“醫療+AI”，最重要的是數據和落地，相對重要的是付費和市場，相對不太重要的是資本、政策、技術、人才和倫理。
圖片7
三、醫療+AI的應用場景
整體來看，“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包括藥企和醫院，前者主要應用于藥物研發；后者包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序。
圖片8
“醫療+AI”離產業化尚有距離。根據動脈網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，?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。
目前，國內資本主要聚焦在醫療影像板塊，去年融資額近112億元，是第二名虛擬助手融資額的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
To-C主要面對個人用戶，主要有智能問診和健康管理兩類。
對于智能問診，監管約束多，導流是商業閉環的關鍵——商業價值評估為3.7分。AI智能問診是基于自然語言處理技術，以智能導診為核心的AI產品，例如智能問病、智能問藥、醫務咨詢等。
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%，其中在線問診占比超過47%——但主要針對輕癥慢病患者的求醫問藥。另外，智能問診的數據非常結構化，推薦算法也很成熟。然而，由于監管限制及商業閉環問題，發展存在一定瓶頸。
相關決策者可以從推薦導流和用戶選擇入手，尋找與輕癥慢病和消費醫療市場的契合點。
對于健康管理，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采集體征信息，經由AI評估，向個人用戶提供健康管理方案的產品。國外在該領域的初創公司較多，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公司會給女性用戶提供設備，讓用戶自主輸入體溫、睡眠情況、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，輸出個性化的飲食方案。這類應用場景目前比較雞肋，一是由于數據采集端硬件技術不成熟，二是市場需求不強烈，沒能直接解決行業痛點。
圖片10
To-B包括藥企和醫院，前者主要應用于藥物研發；后者包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序。
AI藥物研發能在一定程度上提高藥物研發效率，是AI醫療重要的應用領域。
藥物研發最大的痛點是研發難、研發貴。據德勤統計，2010到2019年期間，每種上市新藥的平均研發成本從12億美元到21億美元（包含研發失敗的成本），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。
其中，基礎研究是新藥研發的核心瓶頸，傳統研發采用老藥新用，與人體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。
傳統藥物發掘采用高通量篩選，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項指標進行龐雜的數據分析，借助AI，研發人員能定性推測生理活性物質結構和活性關系，從而同時優化多想指標，提高藥物構效關系分析速度。
AI藥物研發的商業價值評分最高，為4.2分。盡管該領域缺少復合型背景人才，但是場景特性非常適合AI技術。其一，藥物研發的數據基礎好，如跨國藥企有50-300萬種化合物儲備和大量醫患電子信息；其二，直擊市場痛點，部分解決研發難研發貴的問題；其三，符合AI技術本質，藥物研發本身就是基于概率的事件；其四，商業模式清晰，藥企付費意愿強烈；不直面臨床，倫理糾紛較小。
圖片11
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醫學影像是當前最熱的創業領域，但商業價值評估只有2.9分，主要由于數據、落地和付費問題較為突出。它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的人工閱片，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（影像科醫生供不應求——影像數據年均增長30%，放射科醫生年均增長4.1%）。瓶頸主要在于數據、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于語音識別技術錄入電子病歷，從而讓醫生專注診療的AI產品。應用優勢比較明顯，中國在語音識別的人工算法較為領先，有技術和人才儲備；市場需求大，目前有50%的住院醫生每天要花費4小時書寫病歷；不直接參與臨床診療，倫理阻礙較小。
可能存在的困境是，醫生習慣的改變——但這不構成長期阻礙因素，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。該公司旗下的Dragon Medical能為用戶提供在解決方案、平臺、設備之間一致且個性化的臨床文檔體驗。美國有77%的醫院已經使用了NUANCE的語音識別技術。
圖片12
醫學研究的商業價值評估為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，找出變量相關性的過程。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。其中發展阻力最大的是CDSS,沃森是典型失敗案例，具體參考1.4。
醫院管理的商業價值評估為1.7分，市場需求不高，價值存疑。AI醫院管理是指基于AI技術的信息系統，用于提高醫院管理效率。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，國內創業公司不多。
圖片13
?AI基因檢測的商業價值評估為3.3分，發展潛力巨大，但目前仍受制于測序技術的發展。優勢上，基因數據量大并且非常結構化；市場增長迅速，人類基因組測序數量以年復合增長率200%的速度上升；商業模式清晰，付費意愿高——尤其是藥企，基因數據能幫助研究疾病發生和基因的關系、疾病治療和基因的關系，幫助藥物研發，輔助精準診斷。
然而，雖然隨著測序技術的發展，測序成本不斷下降，但目前價格依然偏高，每個人類基因組測序成本在680美金。
圖片14
研究發現，當前階段，影響AI醫療發展最重要的因素是數據和落地，相對重要的是付費和市場。另外，八個應用場景中，AI藥物研發是目前最具商業價值的賽道，值得重點關注。
圖片15
圖片16
搜索“智醫療”
或掃描二維碼
