北极光创投邓锋：商业化变现是AI医疗核心问题

我们把整个大健康分成分5部分：医药/生物技术、医疗器械、医疗服务、体外诊断和E-Health。 

从整个大环境看，今年投医疗领域火热程度比去年高，特别是在药和E-Health领域。据鲸准统计，在过去的5年间，AI+医疗的融资数量一路猛涨，2013年时候仅有16例，而到2018年上半年就已经发生了79例。主要项目围绕虚拟助手、医疗机器人和医疗影像三大种类。 

北极光最早在2014年布局了医药/生物技术领域，这部分在整个健康医疗投资中占比最大。主要原因在于资本和技术，现在资本市场退出时间点比较早而且被投项目估值都很高，这就导致机构更关注早期项目。

另外，医药界现在出现了很多世界级创新技术，研发新药的方法也在发生变化，比如CMO（Contract Manufacture Organization药品合同生产组织，CMO 企业主要接受制药公司的委托，为其提供生产工艺的开发和改进服务，以及临床试验药物和商业化销售药物所用中间体、原料药、制剂的生产供应服务）。

医疗器械领域也有很多创新，基本是传统风投在投。不过，医疗器械比较零散，企业的天花板可能比较低，所以北极光在投器械时比较谨慎。

医疗服务方面，在中国提出医改后，无论从医院管理、专科医院还是消费型服务都存在相当多的机会。这个领域更多的不是靠技术创新而是靠运营、服务、品牌来决定的，PE有大量机会，北极光也有布局，不过该领域留给风投的投资机会不像其它领域那么多。

体外诊断有很大的市场，传统的也还有分级诊断的技术。比如跟基因组学相关、PCR（聚合酶链式反应，这是一种用于放大扩增特定DNA片段的分子生物学技术，最大特点是能将微量的DNA大幅增加），还有新的蛋白组学等。

最近E-Health领域在国际上讨论非常火热，从纯的技术创新来说还是美国领先一些，对于中国来说则刚刚起步，但后者发展速度很快。北极光对E-Health的前景非常看好，也很重视。关注人工智能+医疗诊断服务是正确的方向，但这里有很多泡沫。

真正能成功的企业可能未必在于人工智能技术有多先进，因为现在各企业的技术差异并不大，特别是医疗影像处理领域。跟E-Health相关的还有新型的传感器技术，健康人和病人的监护、数据的提取，在某种程度上这跟大数据、人工智能相关，这领域里更多是硬件的机会。软硬件一体化，综合的解决方案、诊疗也算是E-Health相关的。

所以，对于人工智能来说，我们更看中的是其产品能否迅速落地、是否能够平衡各个节点的利益方。

在人工智能+医疗诊断服务上，北极光投了如翼展、影领、Wision AI、Atman四个典型企业，在医疗大数据信息化范畴中，投了太美、芯联达。因为无论是在诊断、制药、药物管理流程中，采集后的数据分裂较为严重，容易形成数据孤岛，对这些也没有做好结构化、数据清洗以及规范数据等工作，所以需要有专门的企业去做信息化解决方案。

政策下的智能/大数据+大健康

政策方面，目前是利好AI医疗发展的，尤其是审批方面，在最近的一两年有很多的改进，那些获得CNDA认证的医疗AI企业将告别产品免费试用阶段，正式进入商业化，这极大地促进了整个行业发展。 

国家层面的规划也在人工智能领域给出很多新资金和政策。去年，工业和信息化部印发了《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，其中在医疗影像辅助诊断系统领域，特别指出要推动医学影像数据采集标准化与规范化，支持脑、肺、眼等典型疾病领域的医学影像辅助诊断技术研发，加快医疗影像辅助诊断系统的产品化及临床辅助应用。

人工智能可以帮助中国在医生很缺乏的情况下，提高治疗效率。我们并不认为人工智能可完全替代医生，在未来，人工智能更多地会扮演辅助诊断的角色，其职责是帮医生更高效的把诊断质量提高。 

在中国，人才始终是稀缺的，尤其是好的影像医师太缺乏了，对此国家制定了“千人计划”（海外高层次人才引进计划）和“万人计划”（国家高层次人才特殊支持计划），吸引一批人才回国。

AI+医疗 如何落地变现最关键

对于现在，技术如何落地变现是最关键问题。从AI+医疗产业的发展趋势来看，我们认为未来会有5个方向的变化。

1、从今年起，影响产品落地速度将不断加快，产品性能成熟度也会不断提高；

2、语音电子病历在医院的普及率会加快，头部企业可以形成规模效应；

3、智能问诊的发展可能相对早期，但是对知识图谱的建设在未来将是很大的趋势，预问诊功能可以有效提升医生效率，长期看智能问诊有很大机会；

4、国家、产业和企业将共同推动健康大数据建设，未来AI在健康管理场景下应用程度会进一步提高；

5、药物研发投资的风险仍然很高，AI药物研发企业短时间内不会变现，但是一旦研发成功，就有机会成为医疗AI领域里的独角兽。

整体来说，智能医疗E-Health可以涉及到很多方面，比如虚拟助理（语音电子病历/智能问诊/智能导诊）、影像处理（病灶识别与标注等）、辅助诊疗（基因测序与检测预测）、疾病风险预测、健康管理、医院管理、药物研发等领域。这些都是人工智能或大数据可涉及到的。 

需要注意的是，在AI+医疗的创业方向中，技术门槛可能并不是核心壁垒。在医疗领域，基于概率分析的关联推理无法判断疾病的因果关系。计算机的深度学习最主要特征是基于数据学习的概率分析，其结果是能够进行有效的诊断和预测，因此目前的深度学习在影像疾病筛检诊断中表现出彩。

但疾病诊治是一个复杂动态的决策系统，需要去理解不同因素与疾病的因果关系，才能够采取更有效的干预实现疾病的治疗。没有医学知识体系作为基础的深度学习数据分析，只是将结果压在训练数据上，训练数据的样本量和离散情况对于训练结果将产生直接影响。

在行业注册、准入、监管体系还在完善的同时，也出现了一些新的问题，比如高质量标注数据获得困难，这涉及到核心的资源，即高质量医生的时间和效率，很多情况下数据的标准比算法更难，因为需要好的数据好的标准。再比如人工智能辅助诊断结果评估缺乏统一标准，应用需要与学界达成共识，同一张影像图，标准及答案是什么？由谁来定义？盲标还是非盲标？这都是需要考虑的。

只靠人工智能去解决医疗影像问题很有限，且商业及变现模式仍然不是很清晰。

关注AI医疗初创团队5个方面

我认为，技术不是判断团队好坏的唯一标准，产品落地能力及变现能力、平台潜力以及团队综合行业背景都很重要，另外，创业团队的产品要符合医疗路径，要能提供整体的解决方案。强的团队能够很敏锐的感到市场的变化、能够实时调整自己的步伐；海外市场离商业变现会更近，因此我们也关注能“走出去”的公司，我们曾经投过一些团队，他们不仅在中国本土能够发展，也能走向海外。 

说到底，无论技术输出还是产品输出，我们也是有机会成为全球范围内高利润的公司的。根据我最近几年的观察，影像辅助诊断的头部效应已经非常明显，投资人对这个领域的初创公司应该抱有谨慎态度，毕竟临床价值才是最终影响公司估值的因素，对待那些纯粹蹭人工智能热度的项目，在进行估值的时候需要更理性。