科技猎为您梳理人工智能+医疗行业概况及其投资逻辑
行业背景及现状
人工智能过去的60年
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能诞生到现在已经60多年了，它的概念第一次真正被提出，是在1956年的达特茅斯会议上，一批著名科学家，日后图灵奖的获得者，首次确立了“人工智能”的概念：让机器像人那样认知、思考和学习，即用计算机模拟人的智能。
人工智能发展历史
人工智能发展60多年来，经历过浪潮、经历过低谷，21世纪后逐步崭露头角，拥有了令人兴奋的技术突破和商业应用。
第一次人工智能浪潮，出现在1956～1974年。其间，算法和方法论有了新的进展，特别是算法方面出现了很多世界级发明，其中包括一种称作增强学习的雏形（贝尔曼公式）。增强学习，是谷歌阿尔法狗（AlphaGo）算法的核心思想内容。如今人们常听到的深度学习模型的雏形——感知器，也是那几年发明的。
第一次人工智能寒冬，出现在1974～1980年。人们发现逻辑证明器、感知器和增强学习等，只能做很简单，领域很窄的任务，稍微超出范围就无法应对。实际这受到了计算机性能瓶颈、计算机复杂性增长以及可供学习知识不足的局限。
第二次人工智能寒冬，系由1987～1993年个人电（PC）出现“促成”的。计算机由此走入家庭，特别是费用远远低于专家系统所使用的Symbolics和Lisp等机器。于是，在美国，由于政府支持的经费数额开始下降，故又一次寒冬来临。虽然研究还在继续，但是人工智能已经很少被提及了。
21 世纪初，随着计算机周边的互联能力、大数据、计算性能、存储能力和传感器技术的大幅度进步，以及人工智能相关的图像识别、深度学习和神经网络算法等关键技术的突破，人工智能终于有了革命性发展。人工智能从过去的基于专家和人为设定规则中走出，开始从海量数据中自动寻找规则。
人工智能+医疗的历史
医疗领域最突出的问题就是优质医疗资源不足，同时，医生对疾病的诊断准确度和效率还有非常大的提升空间。长期以来，大多数国家和地区，特别是进入老龄化社会之后，对医生的需求量有增无减。解决医生资源不足的问题，除了增加供给量，别无他法。但是医生培养需要周期，而且供给量也不能无限增加。于是，人们开始寄希望于机器。因为一旦能够实现机器看病，供给量将会无限增加。所以，人工智能+医疗的结合，是人工智能诸多应用场景中最重要一个。
人工智能+医疗发展历史
科技辅助医疗发展的三个阶段
人工智能辅助医疗领域，可以获得诸多颠覆性的改进：
（1） 帮助医生提高医疗诊断速度、准确度，提高医生的供应量；
（2） 提高患者自查自诊自我管理的比例，降低患者对医生的需求量；
（3） 更早发现疾病，减少后续的医疗费用支出；
（4） 提高医疗机构、医生的工作效率，降低医疗成本；
（5） 优化医院管理水平，减少不合理的医疗支出；
（6） 帮助研发人员发现有价值的新药物，帮助医生对患者进行个性化分析和方案设计
人工智能发展三大条件
我国人工智能现状
尽管美国在人工智能的基础研究领域一直处于前沿地位，但是近两年来，中国的人工智能科技人才正在实现弯道超车。根据美国发布的《国家人工智能研究与发展策略规划》报告，从2013年到2015年，SCI 收录的人工智能方向论文，涉及“深度学习”的论文数量增长了约6倍。中国学者的论文发表数量从2014年开始超过美国，并大幅度领先于其他国家。
从目前人工智能的发展情况来看，算法和算力已经基本不存在较高的技术壁垒，我国的研究已属于全球第一梯队，数据将成为决定项目成败的关键，特别是在医疗方面。落实到医疗领域，我国的医疗数据并不匮乏，但是有效的医疗数据仍旧捉襟见肘。特别是对这些数据的标注和结构化是一个难题，这让机器学习困难重重。
中国初创企业目前在医疗数据的获取上，还有相当大的难度。第一，尽管能够通过医院或其他渠道获得海量数据，但是数据缺乏标准化，数据质量不高。第二，对跨境数据流通的限制也使得中国在全球合作中处于不利地位。
政策层面，近几年国家积极发布多个文件推动整个产业发展，更是在2017年将人工智能提升到国家战略的高度。国家战略所提出的具体规划带来丰富的创业机会点，人工智能+医疗领域的创业拥有非常优越的政策环境。
八大细分应用领域
人工智能和医疗的结合方式非常多，从就医流程来看，有针对诊前、诊中、诊后的各阶段应用；从应用对象来看，有针对患者、医生、医院、药企等多角色应用；从业务类型来看，有增效、减成本等多种模式。从具体业务模式细分，可以分为以下八个方向：
（1） 虚拟助手
虚拟助手是一种可以和人类进行沟通和交流的辅助机器人，它通过人工智能技术理解人类的想法，学习人类的需求，并输出各类知识和信息，辅助人类的生活和工作。
通用型的虚拟助手大家相比已经很熟悉了，比如苹果手机上的Siri、微软Cortana、亚马逊Alexa、谷歌Google Assistant、Facebook M等。人工智能虚拟助手使用自然语言处理技术进行语音和语义识别，以及优化的决策算法来完成与人类的互动。医疗虚拟助手和通用型虚拟助手在信息输入和输出方式上类似，但其数据库范围局限在医疗领域，更加专业和复杂，同时受到严格的监管。
（2） 疾病筛查和预测
现代医学，是从人们的各种生化、影像的检查结果中，去诊断是否患病。如果要实现疾病的未来发展预测，往往力不从心。人工智能能够参与疾病的筛查和预测，需要从行为、影像、生化等检查结果中进行判断，依靠得最多的检查数据是MRI、CT、X光等影像数据。人工智能在进行疾病的筛查和预测过程中，除了通过生化、影像检查结果中去发现疾病的端倪，人们的语言、文字也会成为精神健康和身体健康状况的可测指标。
目前，人工智能参与的疾病筛查和预测上，绝大部分是人类尚无法攻克的严重疾病，一组数据说明了这一点。人工智能相关的医学论文中，肿瘤以892篇遥遥领先，阿兹海默排名第二。
阿兹海默症预测：来自英国的Avalon AI公司通过脑部核磁共振（MRI）图像，预测在未来患老年痴呆症的几率。他们利用深度学习技术开发计算机医学影像诊断工具，目前对老年痴呆的有效预测准确率已经达到了75%。
脑疝预测：《中国卫计统计》2014 年刊登了一篇名为《利用人工智能系统预测大面积脑梗死患者的转归》的论文，利用人工神经网络多层感知机建立多因素预测模型，对大面积脑梗患者的预后进行预测。
慢性肾病分级预测：华南农业大学食品学院的研究员曾经基于人工智能对肾小球过滤进行预测，通过BP神经网络构造了预测模型，从而最终构建出一个实用性良好的慢性肾病分型预警模型。
心脏病患者死亡预测：英国科学家在《放射学（Radiology）》杂志上发表文章，研究结果认为人工智能可以预测心脏病人何时死亡。英国医学研究委员会下的MRC 伦敦医学科学研究所称，人工智能软件通过分析血液检测结果和心脏扫描结果，可以发现心脏即将衰竭的迹象。
骨关节炎发展预测：卡内基梅隆大学生物工程博士Shinjini Kundu 在一次会议上，展示了人工智能在骨关节炎发展方面进行预测的研究。在Shinjini Kundu 的研究中，通过收集大量人群10 年间的软骨MRI影像数据，通过人工智能去寻找健康人群和患病人群的影像差别。人工智能通过大量图像数据的学习，能够发现正常人的软骨中的异常，从而预测出未来三年患有骨关节炎的概率。
流行病风险预测：中国平安与重庆疾控中心联合课题组研发的全球首个流感预测模型取得阶段性进展：利用平安的大医疗健康数据和人工智能技术，及重庆市疾控中心监测数据，能够提前一周预测流感发病趋势，并在验证中取得了准确的预测效果。
（3） 医学影像
现代医学是建立在实验基础上的循证医学，医生的诊疗结论必须建立在相应的诊断数据上，影像是重要的诊断依据，医疗行业80%~90%的数据都来源于医学影像。所以临床医生有极强的影像需求，他们需要对医学影像进行各种各样的定量分析、历史图像的比较，从而能够完成一次诊断。
“人工智能+医学影像”便是计算机在医学影像的基础上，通过深度学习，完成对影像的分类、目标检测、图像分割和检索工作，协助医生完成诊断、治疗工作的一种辅助工具。
（4） 病例／文献分析
人工智能的切入主要是利用机器学习和自然语言处理技术自动抓取病历中的临床变量，智能化融汇多源异构的医疗数据，结构化病历、文献生成标准化的数据库将积压的病历自动批量转化为结构化数据库。
目前人工智能病历/ 文献分析的应用场景主要有三类：病历结构化处理、多源异构数据挖掘、临床决策支持。
（5） 医院管理
“医院管理”顾名思义，是指以医院为对象的管理科学，它根据医院工作的客观规律，运用现代的管理理论和方法，对人、财、物、信息、时间等资源，进行计划、组织、协调、控制，充分利用医院的现有资源，实现医疗效用的最大化。
（6） 智能化器械
智能化器械是指由现代通信与信息技术、计算机网络技术、行业技术、智能控制技术、人工智能技术汇集而成的针对医疗器械的应用。但是智能化器械不是指普通的拥有智能功能的医疗器械，它可以摆脱对医生操作的依赖，通过机器学习等底层技术实现自我的更新迭代。
智能化器械在两个方面能够大大提升医疗效率：
首先，智能化器械能够帮助医生节省工作量。传统的医疗器械仅仅能够作为一种工具帮助医生对病人进行诊断、治疗和康复，而在人工智能等技术的帮助下，智能医疗器械可以成为医生的助手，他们能与传统器械进行融合，方便医生快速进行诊断。比如，智能化器械能筛出不需要医生进行分析的信息，让医生专注于疑难杂症的处理上。
其次，智能化器械能够提高器械使用的精准度。传统器械是独立操作，而智能化器械能够与其他设备产生广泛的联系，借用大数据的优势。比如，在利用智能化器械进行诊断时，他能够在大数据的帮助下，根据历史信息，做出更加准确的判断。
对于传统的器械公司来说，组建一个新部门研发产品的流程是比较复杂的，但是与人工智能公司合作，自己就无需耗费时间、财力和精力去做这个事情，通过合作的方式将人工智能系统搭载在器械上面销售，增加器械的竞争力。
对于医疗人工智能公司来说，产品研发出来以后，与器械厂商的合作有两种好处，一方面可以通过科研合作的方式，验证自己产品的实际临床效果。
此类应用的参与公司包括国外的三大巨头GPS（通用、飞利浦、西门子）、万东医疗、安翰医疗、成运医疗。
（7） 药物发现
新药的开发流程可分为药物发现、临床前开发和临床开发三个部分。而现代药物发现在技术上又可以分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化三个阶段。药物发现是一种资本密集型的过程，需要药业公司以及各国政府的大量投资。
目前新药产品的研发越来越难以取得突破。一方面，大多数可以被使用的化合物已经被发现，新的化合物开发难度逐渐加大。另一方面，科学成果的数量增长速度很快，人类个体不可能完全理解这些数据。而人工智能可以从海量论文中社区所需的分子结构等信息，并且可以自主学习，建立其中的关联，提供新的思路和想法。
人工智能在新药研发上的应用主要可以是两个阶段：一个是新药发现阶段，另一个是临床试验阶段。共7种不同应用方向。
（8） 健康管理
个人的健康数据十分复杂，按照数据的来源我可以将个人健康数据分为基因数据、生理数据 ( 比如血压、脉搏 )、环境数据 ( 比如每天呼吸的空气 )、社交数据等。有了这些个人健康数据，加上人工智能最终可以实现人们对健康的前瞻性管理。
健康管理是变被动的疾病治疗为主动的自我健康监控。通过带有医疗监控功能的可穿戴设备实时监控人体各项生理指标，结合其他个人健康数据，对潜在健康风险做出提示，并给出相应的改善策略。
根据人工智能应用在不同领域的健康管理，可将AI在健康管理上的应用分为：慢病健康管理、人口健康管理、母婴健康管理、精神健康管理、术后健康管理、运动健康管理六个细分领域。
商业模式分析
成本组成
人工智能+医疗企业的成本主要有生产成本（数据成本、算力成本和人力成本等）和营销成本（运营成本和推广成本等），一般情况下生产成本占据全部成本的大部分。
盈利方式
目前虽然绝大多数人工智能+医疗的公司未实现盈利，产品多在医院试用阶段，但通过不同的业务模式仍可以实现付费收入。
现实挑战
虽然人工智能在医疗领域的应用能产生巨大的潜在价值，但是在现实中让人工智能达到预期效果仍要面临一些问题。尤其是在人才、技术发展、客观基础条件、数据壁垒、政府监管和市场培育等挑战。
人才供需不平衡：人才供需不均衡，人才成本过高严重影响了人工智能公司的发展。
数据质量：人工智能可以对人的意识、思维的信息过程进行模拟，可以像人一样思考，人工智能学习医生的经验就像我们上学时学习课本知识，因此数据的质量至关重要。
数据标注问题：人工智能数据处理中80% 的时间都是在做数据预处理工作，标注的准确性关乎结果的准确性，近两年之内没有什么好的办法，还是要大量医生去标注。
算法方向选择问题：在医生的工作中，影像只是一部分，还有很多主诉和交流，但是目前人工智能尚处于弱人工智能阶段，并不能进行深入的沟通，因此选择辅助分析算法的时候需要选择更少沟通，更客观的方向。
数据监管问题：医疗技术监督管理是卫生监督体系的主要组成部门，是规范医疗服务市场秩序的重要手段和方式，而人工智能刚刚应用到医疗领域，很多监管政策还没有制定，在接下来的发展过程中一定会遇到医疗监管的问题。
市场培养：医疗被认为是人工智能最早落地的领域，但是医疗的特殊性对产品的要求会更高，从认识到被接受再到相应支付体系的完善，以及到医保的接入，都需要一个很长的过程。
政府监管：目前医疗人工智能行业还处于跑马圈地阶段，虽然国家出台了《新一代人工智能发展规划》，但是规划中指出，到2025 年，国家才会初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力。也就是说在这几年内，人工智能几乎“无法可依”。
行业布局及潜在投资标的
大公司
国外的科技巨头中，IBM 在人工智能+ 医疗领域的布局最早也最深入，谷歌和微软也有部分参与。Facebook、苹果、亚马逊等巨头在人工智能领域已经有长远考虑，但是主要布局在它们各自有竞争优势的行业，对于跨界应用于医疗行业的人工智能项目较少。
国内的科技巨头中，百度和阿里都推出了自己的人工智能+ 医疗解决方案，而腾讯主要以投资创业公司的形式在人工智能+ 医疗领域布局，最近也推出了具体的人工智能医疗产品。
初创公司
据不完全统计，国内和国外的人工智能+医疗初创企业共有192家。其中国内83家，国外109家。国内83家企业主要布局在医学影像、病历/文献分析和虚拟助手三个应用场景，而其中涉足医学影像类的企业数量达到40家，远高于其他应用场景的企业数量。
潜在投资标的
据亿欧智库不完全统计，国内共有人工智能+医疗大公司、创业公司131家，公司名称及主营业务列示如下：
投资逻辑及总结
2016年是人工智能+医疗在国内形成投资风口的元年，有27家国内企业在2016年进行融资，其中16家企业融资金额在千万级人民币或美元以上，医疗大数据公司碳云智能当年的融资金额高达10亿人民币。截至2017年8月31日，国内83家企业的融资总额已经接近42亿人民币。
国内83家人工智能+医疗企业中有61家有公开的融资信息，它们目前的融资轮次集中于A轮和天使轮，国内企业在人工智能应用于医疗领域的商业竞赛才刚刚开始。
本周精选
1、互联网医院4年长征路，高歌猛进下仍存3点隐忧
2、精准医疗大潮渐起，医明康德如何实现全生命周期的健康管理？
3、丁晓伟：成为医生左膀右臂的AI技术，如何推开传统医疗市场大门？
2017年，人工智能在各行各业掀起了风暴，医疗界也不例外。与其他行业不同的是，医疗关乎到每一个人身家性命，这让人工智能在医疗行业的落地速度更缓慢。但在科技、政策的推动下，新科技和新理念带给医疗行业的惊喜远超乎想象： 辅助诊断、医疗机器人、生物技术、医疗影像等细分行业涌现众多玩家，它们正在角逐下一位独角兽。
2018年6月15日，亿欧将在上海举办“ 智能+大健康峰会 ” ，携众嘉宾畅谈智能在医疗各细分领域的应用，激发智能+大健康潜力。这片蓝海，远比你想象得更广阔。
报名链接： https://www.iyiou.com/post/ad/id/615
