“ AI+ 医疗”如何质变：人工智能企业抱团突围？

伴随着自然语言处理（NLP）、计算机视觉、深度学习等技术的飞速发展，人工智能的应用场景不断拓宽， "AI 医疗 " 成为 投资 人和 创业 者的关注焦点。

人工智能技术在医疗领域的应用不仅大幅减少医院的工作量、缩短诊断时间，还能帮助基层医院医生提高诊断的准确率，在疾病早期提前发现、及时治疗，降低个人、家庭及社会医保负担。此外，利用人工智能技术，还能帮助制药公司大幅度缩短制药时间，降低研发成本。

目前 "AI 医疗 " 各类研究成果不断出现，正处于量变到质变的过程。一旦获得重大突破，发生质变，各大人工智能公司将会获得巨额回报。

为了抢夺市场，提前布局相关赛道，微软在今年 4 月豪掷 197 亿美金收购人工智能公司 Nuance，后者第一大收入来源就与医疗相关。

在国内，包括 BATJ、科大讯飞、云从 科技 、冰鉴科技、云知声等在内的各大人工智能公司都积极参与医疗行业。北京大学（医疗机器人研究中心）、浙江大学（健康医疗大数据国家研究院）、吉林大学（智能医疗研究中心）等一些高校还专门成立智慧医疗研究院，并与企业、医院、国外知名高校（如哈佛大学）深度合作，寄希望在该领域获得突破。

然而，学术研究如火如荼、企业投资方兴未艾之际，"AI 医疗 " 的 商业 化进程却低于预期。医疗 AI 先锋企业—— IBM Watson 更是因为前期投入过多、商业化不理想而传出要被 IBM 出售。此外，国内的相关研究同质化严重，存在资源扎堆、恶性竞争现象；AI 仪器功能单一，也难以满足医生多样化需求。

面对 "AI 医疗 " 的巨大市场，人工智能企业该从哪里切入？商业化进程如何？医院、医生和病患真的愿意为 AI 技术买单吗？

01 发展史："AI 医疗 " 步入深水区

"AI 医疗 " 在 21 世纪之前发展较慢，几乎没有商业化产品。进入 21 世纪之后， "AI 医疗 " 才开始快速发展。国外以 Watson、Nuance、Google Health 为代表，国内科大讯飞、腾讯觅影、阿里健康等企业起步早、投入多。

国外，"AI 医疗 " 的发展冰火两重天

Watson 成为 IBM" 弃子 " 的传闻令医疗 AI 行业跌入冰点。目前获得批准的 AI 医疗器械也少得可怜。2020 年 9 月，《NPJ Digital Medicine》发表的文章提到：目前可以找到的 FDA 批准的基于 AI/ML 的医疗器械软件只有 64 款。"

而微软宣布 197 亿美元收购人工智能公司 Nuance，又显示出行业火热的一面。国泰君安分析师认为：" 微软收购 Nuance 的一个重要原因是，Nuance 在医疗等领域的语音交互市场中处于领先地位。其核心业务之一是对医患谈话进行转录形成电子病历并据此提供辅助诊断服务。根据微软的数据，无论从医师医院覆盖率还是从产品性能上来讲，Nuance 的产品在医疗领域都处于领先地位。"

国内，2015 年起风险投资开始加速布局 "AI 医疗 "

得益于于深度学习、计算机视觉（特别是图像识别）、NLP 等技术的进步，"AI 医疗 " 近十年开始萌芽，大量新兴公司开始成立或者转型专攻 "AI 医疗 "。

据 IT 桔子网统计，2012 年至今，"AI 医疗 " 领域共有 1439 家公司，获得 1553 起投资，总投资额为 7006 亿人民币，BATJ、科大讯飞、平安、云知声、云从科技、冰鉴科技等争相进入 "AI 医疗 " 领域。

02 人工智能在医疗领域的应用

人工智能与医疗结合应用的领域非常多，其中健康管理、药物研发、辅助诊断、医学影像、疾病预测这五大领域应用在当前最为主流。

健康管理 / 慢性病管理、智能语音病历录入等领域相对成熟

2018 年 12 月，国家卫生健康委员会发布的《关于印发电子病历系统应用水平分级评价管理办法（试行）及评价标准（试行）的通知》明确：" 所有二级以上医院需要按时参加电子病历系统功能应用水平分级评价，且评估结果纳入公立医院绩效考核。到 2020 年，所有三级医院要达到分级评价 4 级以上，二级医院要达到分级评价 3 级以上。" 该政策为 "AI 医疗 " 未来发展提供了数据基础，并由此带动了科大讯飞、云知声等公司智能语音病历录入业务迅速发展。

国务院新闻办发表的《中国的医疗卫生事业》白皮书显示：伴随中国工业化、城镇化、老龄化进程的加快，居民慢性病患病、死亡呈现持续快速增长趋势。中国现有确诊慢性病患者 2.6 亿人，慢性病导致的死亡占中国总死亡的 85％，导致的疾病负担占总疾病负担的 70％。因此，慢病管理市场空间大，医渡科技、第四范式、医鹿康福等一些人工智能公司迅速参与其中。

" 基于医学影像判断各种疾病，然后给予医生辅助诊断建议（医学影像 辅助诊断）" 是众多人工智能公司偏爱的研究领域

冰鉴科技研究院认为，人工智能公司偏爱 " 医学影像 辅助诊断 " 主要有两方面原因，其一该领域运用的人工智能技术相对成熟，且大量疾病诊断准确率被证明优于基层医生；其二，与疾病预测、药物研发等相比，该领域应用难度较低，商业化前景更好。

AI 医学影像 辅助诊断，是指将人工智能技术应用在医学影像的诊断上，特别是各种疾病筛查，并提供诊断建议给医生参考。目前常用的疾病筛查包括肺结节 / 肺癌、眼底疾病、宫颈癌、肺炎、眩晕症、肿瘤、结直肠癌等。在美国，Watson 等企业开始商业化运用 AI 技术为疾病提供辅助诊断。

药物研发、疾病预测是 "AI 医疗 " 的深水区

在 AI 药物研发企业分布上，据 Deep Knowledge Analytics 统计，截至 2020 年底，全球共有 240 多家 AI 药物研发企业，美国仍然稳居领先地位，占比 54.4%。

国内方面，2020 年 7 月腾讯宣布将正式进军 AI 新药研发，开发的人工智能药物发现平台 " 云深智药 " 将向科研人员全面开放。此外，剂泰医药、望石智慧、晶泰科技（XtalPi）等创业公司也开始利用 AI 技术参与药物研发，但是目前依然未发现相关成果商业化。

在疾病预测方面，由于数据不全、门槛高，国内参与者更是寥寥无几。不过，随着可穿戴设备普及，病历电子化，实时监测血氧、睡眠、呼吸和心跳，未来对于一些疾病的预判成为可能。

国外，也仅有一些研究成果发表在医学期刊上。如《自然》杂志 2017 年 2 月报道，通过大脑数据预测自闭症。北卡罗来纳大学的研究人员说，通过扫描兄弟姐妹患有自闭症的婴儿的大脑，他们已经能够对这些高风险婴儿中的哪一个日后会发展为自闭症做出合理准确的预测。

03 人工智能在医疗领域的应用价值

疾病筛查：解决传统效率问题

2019 年《中国人工智能医疗白皮书》披露，传统诊断模式，医生对单个肿瘤病人约 200 张 CT 图像勾画需要 3-5 小时，找到肿瘤位置后，还要根据肿瘤大小、形状等花费时间设计方案。相比传统模式，人工智能可以大批量快速处理图像数据，并一次完成。

武汉兰丁股份董事长孙小蓉博士说，" 病理医生用传统方式做癌症筛查，主要就是简单重复地看显微镜，但终其一生，能够看完的片子数量也十分有限。" 以宫颈癌筛查为例，传统的人工方式不仅效率不高，中国病理医生的人数也远远不够。面对近三亿需要接受宫颈癌筛查的适龄妇女，没有科技创新手段是不行的，而人工智能技术则可以提供一个可行的解决途径。该公司研发的 " 两癌 " 筛查技术，截至 2020 年底，累计完成 117 万例宫颈癌检查，这也是人工智能技术迄今为止最大规模的人群应用。

医学影像辅助诊断方面，通过人工智能对医学影像进行标注，能够大大提高医生的工作效率，减少重复工作和遗漏。

辅助诊断：降低误诊率

根据《临床误诊误治》杂志的统计，全球疾病误诊率高达 30%。，据权威机构调查，美国医生的临床误诊率依然维持在 15%-45% 之间。根据《福布斯中文网》数据显示，近 20 年来中国的年度门诊误诊率在 50-90%，住院部误诊率在 26-31% 之间。这其中癌症最易被误诊，如脑肿瘤的误诊率高达 70% 左右，转移性骨肿瘤的误诊发生率为 40%，大肠癌的误诊率可达 79%。

广东省卫生厅副厅长廖新波曾发表博文《医生的诊断有三成是误诊》，如果在门诊看病，误诊率是 50%。 " 脑肿瘤的误诊甚至在 70% 左右，甚至高达 100%。" 他解释，无论是器质性还是功能性的病变都能引起头痛、头晕，而 CT 和 MR 不能检查出功能性病变，只能依靠医生的经验做判断了。

误诊的原因也五花八门，比如医生不够专业、病人隐瞒病情、病情太过复杂、早期症状隐匿等。所有接受治疗的病人，大约只有 10% 幸运找到了病因，并且得到恰到好处的治疗。

而利用人工智能技术可以很好的规避人为因素，降低误诊率、漏诊率，特别是当疾病处于早期隐匿期。

斯坦福大学用人工智能来诊断皮肤癌，准确率超过 90%。

俄勒冈健康科学大学（OHSU）和马萨诸塞州总医院（MGH）的研究人员在《美国医学会眼科杂志》上也发表了一项成果：他们新开发的一种算法能够自动检测导致儿童失明症的潜在的病变原因，准确率达 91%，同期测试的八位医生组成的对照组对眼球照片进行诊断，准确率只有 82%。

麻省理工学院研究员最近发表在《IEEE 医学与生物学工程学杂志》上的一篇论文提到，他们的模型识别出确诊为 Covid-19 的人的咳嗽的准确率为 98.5%，其中，利用咳嗽声识别无症状感染者的准确度高达 100%。研究人员收集了 7 万多条录音，每个录音含多个咳嗽声，共计 20 多万个咳嗽音样本。

平安智慧医疗研究团队利用医学中心创伤急诊科 1888 名患者的骨盆 X 光影像数据进行测试，运用 AI 技术判断骨折结果和位置，模型的预测精度达到 92.4%。在与台湾长庚医院四个科室的 23 位医生合作（AI 医生）中，急诊科医生使用 AI 系统之后，漏诊率从 9.7% 下降至 0.7%，住院医师漏诊率从 11.3% 下降至 1.58%，专家医师漏诊率从 6% 下降至 0.5%。AI 骨折系统在检测敏感度和特异度等定量指标方面，较为明显地超越急诊科医生和住院医师，逼近并略好于放射科医生及部分骨科专科医生。

提高医生工作效率（智能语音病历录入与管理）

美国著名医学专业网站医景网 ( Medscape ) 对 1.5 万名美国执业医生进行调研发现，近三分之二的医生表示自己职业倦怠 ( 42% ) 、情绪低落 ( 15% ) 或两者兼而有之 ( 14% ) 。主要原因包括临床医生必须处理各种复杂的医疗文件 ( 56% ) 以及花费大量时间将患者信息输入电子健康记录中 ( 24% ) 。

智能语音病历录入与管理可以有效帮助医生节约时间，提高工作效率。这也促使该领域在 "AI 医疗 " 的细分领域商业化最成熟，典型案例包括科大讯飞、Nuance 等。

药物研发：缩短时间，降低成本

据 Deep Knowledge Analytics 统计，新药研发具有成本高 ( 10 亿 ) 、研发周期长 ( 10-12 年 ) 、成功率低（13.8%）三大高风险特性。 药物研发的投资回报率从 2010 年的 10.1 ％稳步下降至 2018 年的 1.9 ％ 。对某些复杂疾病领域更是如此，比如肌萎缩性侧索硬化症，在过去半个世纪里超过 50 项临床试验未显示出任何积极的疗效。

与此同时，利用自然语言处理、深度学习、图像识别、机器学习等人工智能技术，可以缩短药物研发时间、降低药物研发成本、提高预测准确率及药效。

北京大学前沿交叉学科研究院定量生物学中心研究员裴剑锋认为，AI 技术尤其是强人工智能的发展，有望解决药物设计中挑战性的难题。例如，随着自然语言处理技术和 AI 文献信息提取技术发展，未来 AI 能自动处理海量非结构化的专利、文献数据，从中提取关键信息构建知识图谱和认知图谱，自动发现药物靶点和药物分子。

《麻省理工科技评论》2019 年 9 月报道，AI 制药公司 Insilicon Medicine 与多伦多大学的科学家合作，从开始研发新的靶向药，到完成初步的生物学验证，仅仅花了 46 天时间，而传统方法至少需要 8 年才能完成。这项研究结果已发表在的《自然生物技术》杂志上，标题为：deep learning enables rapid identification of potent DDRI kinase inhibitors。

晶泰科技 CEO 马健接受《IT 时报》采访时说道，" 通过计算，能够帮助药企优先选择最容易成功的药物化合物、晶型候选和研发路线，帮助这些药物研发专家趋利避害，减少研发时间和试错范围，尤其是晶型研发周期，会从几个月甚至一年缩短到几周到几个月。"

04 市场空间及商业化现状

市场空间广阔

根据 ReportLinker 数据库早前发布的报告指出：计算能力的提升以及硬件成本的降低，推动全球医疗 AI 市场发展，预计到 2025 年，全球医疗行业的 AI 市场规模达到 2500 亿元人民币。

中国信息通信研究院西部分院发布的《2020 智慧医疗发展研究报告》显示，2020 年，中国智慧医疗行业规模已突破千亿元大关，预计 2021 年规模将达 1259 亿元，行业将进入智能化、高效化、规模化发展的高速增长期。

具体到单个公司，2021 年 4 月 20 日，科大讯飞公布 2020 年业绩报告，智慧医疗业务在报告期内实现营收同比增长 69.25%。此外，云知声招股书披露其 2017-2019 年智慧医疗收入增长率也超过 50%（如下图）。

此外，医渡科技招股书显示，其健康管理平台和解决方案业务由 2019 财年的 1075.8 万元增长至 2020 财年的 5564.8 万元，同比增长 417.27%。

但智能语音在病历录入、健康管理方面的监管相对宽松，但在疾病诊断、药物研发等领域要求会更加严格。

商业化较难

在美国，Watson 商业化收入与其投入严重不匹配。《华尔街日报》援引知情人士报道， Watson 年收入为 10-15 亿美元，这与 IBM 的首席执行官 Virginia Rometty 在 2013 年 10 月预估的收入差十倍。

与此同时，Nuance 日子也不好过。虽然与美国 77% 的医院有合作，但是营业收入自从 2016 年开始连续五年下降。

在国内，BATJ 等众多 互联网 、人工智能公司、医疗机构、高校、风险投资等花费几百亿巨资参与智慧医疗，相关研究不断出现在于学术杂志上。但是，成功得到国家药品监督管理局（NMPA）批准的医疗器械软件仅 11 款，想要各大医院医生认可并大规模商业化更是路途遥远。

据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，规模商业化还需 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。

05 "AI 医疗 " 的现实问题

在 AI 影像筛查领域，过去五年间发生了 200 多起融资事件，但是，该领域普遍面临高质量数据不够、研究方向同质化严重、与医生需求差距较大、基层医院经费不足等现实问题。

高质量数据不够

表面上看，BATJ 等众多人工智能企业与上百成千家医院开展合作，总体医疗数据庞大，但是针对特定疾病的数据并不多，部分影像资料质量较差，数据不全、非结构化，且一些医生的诊断结果是基于并发症及患者的精神状况做的判断——这些数据很多并没有被记录。如 Google 研究人员发表的两篇乳腺癌检查文章都存在数据不够的问题。

各自为政，同行合作较少，导致研究方向同质化

冰鉴科技研究院发现，就单一疾病早筛项目而言，参与研究的少则几家企业，多则几十家企业，产品研究同质化严重。但是，各企业之间几乎没有技术、数据共享，各自为政非常明显，社会资源浪费严重。据动脉橙数据库，大量的企业扎堆涉足肺结节和眼底筛查，推出相关产品，但真正能进入医院获得收入的不到 10 家。

与医生需求差距巨大、采购动力不足

目前各大人工智能公司都是针对单一疾病开展单个研究，而医生在对病人做检查时，需要对多种疾病、并发症、精神状况等进行综合判断，而不是一种。据了解，仅仅皮肤病就有 2000 多种，而 AI 技术目前也只能判断几十种皮肤病。

中国电子科技集团公司第五十五研究所职工医院院长张建燕接受亿欧网采访时说：" DE- 超声机器人（ 汇医在线研发的，用于甲状腺结节诊断 ）仅覆盖甲状腺癌一项，有点少，还不能满足完全满足医院的需求 ，另外在判断是否为结节的问题上与医生会出现分歧。" 其补充道，采购该仪器与该 医院所在医联体的推荐有关。

此外，基层医院的医生对癌症、肿瘤等疾病治疗水平有限，对辅助诊断需求较大，可以帮助基层医院医生确诊相关疾病。但是，一旦发现相关疾病，一般是建议其去三甲医院或者专科医院进行复查，接受治疗。这就导致基层医院收入少，相关仪器采购经费不足。

而一些专科医院或者三甲医院医生水平较高，对辅助治疗的需求不足，因此，采购动力也不足。

06 总结与展望——谁来推动 AI 公司合作？

正如汇医慧影创始人柴象飞所说：" 现在的 AI 医疗产品，具有降低漏诊提高效率的短期价值，精准医疗、个性化的诊断，才是长远价值。"

从短期来看，基于 AI 医学影像做各种疾病的筛查诊断相对成熟，可以有效降低基层医院的误诊率，各大 AI 公司正在积极布局。

但从长远来看，"AI 医疗 " 的细分市场领域众多，寄望于在每个领域短期出成果，并获得医院医生认可比较困难。Watson 的经验教训表明，AI 企业单打独斗并不明智。

此外， 各大创业公司主要依靠风险投资提供资金支持，若长时间不见成果落地或者收入低于预期，后续投资必然会有所减少。

各大人工智能初创公司应该加强合作，做好疾病数据共享，研究方向合理分工，针对某一大类疾病开展人工智能诊断筛查服务，比如皮肤科、眼科疾病、肠胃疾病、胸部疾病，这样才能更好的满足医生需求。如华为云开发肺部全病种 ( 包括肺炎、肺结节、肺癌等 ) 辅诊系统，斯坦福大学团队皮肤病变研究涵盖 2000 多种疾病。

如果几家人工智能公司通力合作，把某一类疾病（如胃部疾病、肺部疾病）研究透彻，并将研究成果聚集到同一款医疗器械上，开发出能够满足医生需求的多功能诊断仪器，必将加快商业化落地进程。

有从业者提出建设全国一体化的国家大数据中心，在卫健委或行业协会牵头下，打破医疗数据孤岛，对人工智能在医疗行业的广泛应用进行顶层设计。但在医疗数据安全治理、个人隐私保护等无法绕过的难题面前，医疗 AI 数据共享与合作必然道阻且长。（ 本文首发钛 媒体 APP ）

来源： 钛媒体