行業|盤點人工智慧+醫療，十大細分方向創業圖景

醫療是關乎民生的重要行業，人口老齡化、慢病高速增長、醫療資源供需嚴重失衡以及地域分配不均等問題日益突出，但是互聯網帶來的模式創新並沒有從根本上提升醫療供給端的服務能力，解決醫療資源、尤其是優質醫生供不應求的局面。大數據、人工智慧等新技術被看作是解決醫療問題的「靈丹妙藥」，它們會給醫療行業帶來怎樣的變革？十年後你會接受AI醫生開出的診療單嗎？

AI+醫療，Why now?

醫療行業存在相當多的痛點：

優質醫療資源不足，醫療資源分配不均，患者只認大醫院，大醫院規模擴張超越了醫護服務承受範圍，基層醫療衛生機構、二三級醫院門庭冷落；

醫療成本高，「看不起病」的現象非常普遍；

醫生培養周期長，醫生誤診率高，區縣級醫院醫療人才缺口非常大；

醫療信息更新快，疾病圖譜變化快，醫生在繁重的日常工作外，還必須花大量時間跟蹤學習最新醫學進展，研究前沿技術，提升醫療水平。

看病難，看病貴，醫療行業痛點明顯

痛點如此明顯，醫療行業改革呼之欲出

需求層面，隨著國民經濟水平的提升，人們對健康的重視程度逐漸提高，醫療服務的需求持續增加。

政策層面，國家在逐步推動醫療大數據的融合共享、開放應用，以及分級診療體系的落地。

技術層面，隨著技術的逐漸成熟，應用場景在不斷擴展，大數據分析用於解析、挖掘醫療數據，自然語言理解用於處理醫學病歷、文獻，圖像識別用於處理醫學影像，同時AI和生物技術、基因工程也在逐漸融合，推動精準醫療時代的加速到來。

商業層面，2014年後醫療人工智慧企業出現井噴，國內技術人才聚集效應明顯，多家創業公司順利獲得融資，僅去年一年國內AI+醫療領域融資總額達25.8億人民幣，且大部分處於早期階段。

醫療改革勢在必行

AI+醫療的創業圖景

AI+醫療有很多細分的創業領域：

1. 醫療大數據

IDC digital曾預測，到2020年全世界醫療數據總量將達到40萬億GB，是2010年的30倍，且其中約80%為非結構化數據。

醫療是數據密集型產業，數據的來源非常豐富，包括臨床數據、醫療檢測數據、患者數據、醫保數據、藥廠數據、醫療設備數據等等。但是在大數據應用水平上，醫療行業遠遠落後於互聯網、金融、電信等信息化程度較好的行業。姑且不論不同醫療機構之間的數據集成，即使是同一家醫院臨床、化驗、放射、藥房等不同部門之間的數據互通都還是奢望。

各行業數據化程度（來源：阿里經濟數據研究中心）

由於醫療大數據的來源具有很強的專業性，壁壘高，創業者依靠自身優勢選擇的切入點也各有不同，例如做醫療信息化系統的醫惠科技、做分級診療雲平台的星醫科技，做移動醫療掌上醫院的桃谷科技，做電子病歷和隨訪系統的醫鳴科技，做腫瘤領域大數據平台的連心醫療，做跨系統、跨業務醫療數據集成的醫渡雲等等。

2. 輔助診療

眾所周知醫學院學生的培養周期長，學業負擔重，他們需要閱讀大量醫學典籍、文獻，熟記各種病症、藥理，然後經過大量臨床病例的實踐積累，還要時刻跟蹤最新的醫學科研進展，掌握最先進的治療方法，專業醫師人才的匱乏就是導致基層醫療服務始終跟不上的原因。

實際上醫學診療就是醫生結合文獻資料記載和歷史病例經驗做出判斷和決策的過程，而數據分析恰好是機器最擅長的，它們可以在短時間內閱讀大量資料，將數據結構化進行深度挖掘，以數據驅動輔助診療。在基礎薄弱、人才缺失的基層醫療機構，AI可以幫助他們提高診斷率、分擔三甲醫院的就診壓力。

AI為醫生提供基於數據驅動的洞察

IBM Waston經受了超過300種以上高等級醫學期刊文獻、250本以上醫療書籍、1500萬頁論文數據研究和MSKCC臨床實踐等數據的訓練，可以在幾秒鐘內推薦最佳治療方案。森億智能致力於醫學文本分析和數據二次應用，康夫子發布了基於知識圖譜的「醫療大腦」，Airdoc可提供精準分診、病歷分析、單病種輔助診斷等服務，他們以不同角度為醫生提供數據驅動的臨床決策工具。

IBM Watson的輔助診療流程

3. 醫學影像

因為ImageNet的貢獻圖像識別成為了人工智慧最先突破的領域，目前看來醫學影像也會是AI+醫療最快落地的應用。

去醫院看病不可避免的一件事情就是「拍片」，不同的科室、不同的檢驗方法會產生各種各樣的醫學片子，X光、CT、核磁、病理、B超、OCT、超聲等等，這些片子必須由放射科或病理科的專業醫師進行解讀，患者往往要等上好幾個小時才能拿到解析報告，而且準確度和醫生的經驗有很大的相關性。一個不爭的事實是，醫學影像誤診人數每年達到5700萬，主要發生在基層醫療機構。醫學影像數據量每年增長30%，而專業醫師的增長率僅僅只有4.1%，巨大的缺口催生了急迫的需求。據調查，AI可將醫生的看片時間平均減少4.25個小時，準確率提高到90%以上。

發射科和病理科醫生每天閱片的負擔非常重

從公司的發展路徑來看，AI+醫學影像公司大致可分為兩類：

第一類公司是人工智慧技術公司，提供智能影像分析系統，客戶主要有醫療設備廠商、基層醫療機構、遠程醫療平台等，代表公司有DeepCare、推想科技、圖瑪深維、雅森科技，成立時間一般較短。

第二類公司是醫療影像雲服務商，近幾年醫學影像逐漸從傳統膠片過渡到電子膠片，跨平台的影像雲有巨大的市場需求。積累了足夠多的數據后，這些公司正在切入到影像的智能分析，其中以匯醫慧影、醫眾影像、醫渡云為代表，成立時間一般為二到三年。

機器自動標記腦出血區域

4. 精準醫療

精準醫療是和前沿生物科技結合最為緊密的一個細分領域。人類基因組計劃讓我們明白生命數據是多麼的龐大、浩瀚，只有用人工智慧對其進行解讀和量化，才能找到其中的規律性和關聯性，從而定製個性化的醫療和健康方案，造福人類。

近些年來國內消費級基因檢測服務逐漸普及，隨著成本的進一步降低，會越來越多地被普通老百姓所接受，未來我們可能只需要提供一點唾液，就可以得到關於自身的疾病風險、用藥反應、遺傳狀況、個人體征、健康觀測的評估結果。

人體基因數據異常龐大，必須交由AI進行解讀

奇雲諾德致力於對基因測序數據進行智能解讀，實時獲取一對一的健康管理報告。賽福基因通過構建基因、疾病、藥物關聯資料庫，推出了基於全基因測序數據的疾病精準診療解析工具。最引人注目的當屬碳雲智能，有著「尋找碳基生命的硅基未來」的宏大願景，成立半年時即完成了騰訊領投的估值超10億人民幣的A輪融資。碳雲致力於在基因、免疫、蛋白、代謝、微生物、臨床、體檢、運動、飲食、環境等等多層次生命數據的基礎上，構建生命健康領域的大數據生態系統，進而最終運用人工智慧技術，幫助人們做精準的健康管理。

用AI解析基因檢測數據實現精準醫療

5. 健康管理

用智能手機、可穿戴設備記錄或採集用戶數據，了解其飲食習慣、鍛煉周期、生活習慣、體征數據、服藥規律等，用AI技術進行數據分析，評估用戶健康狀態，定製健康管理計劃，或提供遠程醫療服務，或識別疾病發生的風險及提供降低風險的措施。

可穿戴設備13、14年的時候「火」過一波，但是因為採集的數據不知道該怎麼用，沒有提供有價值的健康指導，用戶留存率低，後來集體「啞火」了。疾病風險預測方面國外的創企非常多，付費客群包括保險公司、數字健康設備公司、大型健康計劃、護理機構等等，但國內這塊卻始終沒有做起來，原因就是國人的疾病風險防範意識普遍不高，慢病管理、疾病預防的需求不明確。

健康管理這一細分領域覆蓋範圍廣，應用場景多，有很大一部分是消費級產品，做好了市場規模不小。但也正是因為切入點太多，反而不容易找准產品定位，至今沒有摸索出非常好的商業模式，目前還是一片「藍海」。悅糖和醫隨訪都運用了機器學習的方法分析用戶的血糖指標、生活習慣，提供個性化的血糖管理方案。

健康管理類應用的業務模式

6. 藥物研發

藥物研發是一個不斷試錯、苦苦尋覓的過程，在自然界無數種物質中找到一種能治療某種特定疾病的物質，從早期研究到臨床試驗到審批上市平均需要花費12年時間，投入66億人民幣。

利用人工智慧開發虛擬篩選技術，提前預測藥物的有效性、安全性和副作用，可以極大提高研發速度和成功率。高盛曾在報告中指出，人工智慧和機器學習可以幫助人們在新葯研發過程中顯著地實現「去風險」，節約的成本價值超過每年280億美元。

藥物研發過程漫長，耗資巨大

AI通過計算機模擬，可以快速、準確地挖掘和篩選合適的化合物或生物。矽谷初創公司Atomwise是抗擊埃博拉的功臣，其超級計算機可以在幾天之內評估820萬種化合物，他們僅用了不到一周時間就找到了兩種能控制埃博拉病毒的藥物，成本不超過1000美元，傳統藥物研發方法尋找則可能要耗費好幾年的時間。

用AI輔助藥物研發在矽谷已經成為一種趨勢，付費客群主要有製藥公司、創業公司和研究機構。這個領域需要生物化學、量子計算、人工智慧等多學科的交叉融合，對團隊的要求非常高，國內的初創企業還很稀缺。XtaIPI晶泰科技可以對藥物的晶體結構進行精準快速的篩選和設計，目前已獲得達晨、騰訊、真格和鋒瑞的投資。

AI輔助藥物研發在矽谷形成了一波創業浪潮

7. 虛擬助理和智能醫療機器人

虛擬助理和智能醫療機器人主要是擔任醫生的「助理」。「助理」這個詞涵蓋範圍廣，產品定義難度大，初創公司較難做好。

目前主要有三種切入方式，一種是通用型助理，百度、阿里雲、科大訊飛等巨頭們布局的「醫療大腦」，具備輔助診療、醫學影像、疾病監測、健康管理等多項功能，幾乎涵蓋了智慧醫療的各個領域。

百度醫療大腦

第二種是服務型助理，協助醫生完成某項重複性高、可替代的工作。光明醫療幫助醫生搜集、整理和推薦信息，藥師小喬能自動完成推薦用藥、康復計劃等服務，萬物語聯可以充當醫生高徒完成院前院后延伸性服務，旗瀚科技三寶機器人可智能完成導診、分診、挂號、付費、看護、報告查詢等功能，使就醫流程更加便捷。

旗瀚科技醫療機器人

還有一種是智能語音錄入，大部分住院醫生每天花在寫病歷的時間約為4個小時，放射科醫生每天閱片和寫報告的工作量非常大，手術醫生在工作過程中沒有辦法實時記錄病情，在醫療的某些場景中語音輸入是有剛需的。語音識別市場的格局基本已定，醫療行業主要的玩家有科大訊飛、雲知聲、中科匯能，挑戰在於醫院的環境比較嘈雜，同時醫生工作習慣的轉換和培養也需要時間。

醫療場景中的智能語音錄入

AI+醫療的突圍之路

1. 什麼是AI能做的？什麼是AI不能做的？

AI能做的：

對人來說，一方面職業醫生培養過程非常漫長，至少要10年左右的學習時間，需要記憶和背誦大量的醫學知識，另一方面醫生的經驗是有限的，即使一個專科領域最優秀的醫生也不可能見過所有的患者、所有的癥狀，熟知所有的治療方案，比較過所有的治療效果，經驗難免會有偏頗。

AI的優勢是對海量數據進行分析和挖掘的能力，AI可以在短時間內不眠不休地讀完所有醫書、所有病歷，給出全面的分析結果，以數據驅動輔助診療過程。AI既幫助醫生彌補經驗的缺陷，以數據分析的細顆粒度透析人類醫生難以覺察的細節，又可以及時更新疾病圖譜和世界最先進的治療方案，幫助醫生迭代知識，提升診療水平。

AI不能做的：

看病的過程其實就是醫生根據患者的癥狀進行詢證、預測和推理，從而確定疾病類型，探索發病原因，找到治療方案。醫生會把問題引向合適的方向，會選擇特定的檢驗方法印證自己的判斷，這需要經驗和直覺。AI的最大挑戰在於到底要用多少數據去train，才能讓它構建起與人類相當的感知和認知能力。機器沒有常識，也沒有直覺，它可以輔助醫生，提供基於大數據的分析和洞察，但它不能替代醫生，至少現在看來不能。

退一萬步說，即使AI可以達到甚至超越醫生的診療水平，患者仍然需要與醫生的交流，當患者被關切地詢問和仔細地檢查，他們會得到心理的慰藉。調研表明，能夠很好地與患者互動的醫生治療效果也往往更好，這是機器永遠也替代不了的。

必須明確AI的應用邊界：

目前來看AI+醫療還處於發展初期，無法實現大規模商用。在技術上，要依賴醫療大數據的收集、醫學知識圖譜的構建，於是專業數據的準確和完備性、知識圖譜的規模從根本上決定了AI+醫療的瓶頸；在應用上，不同病種、不同應用場景的底層邏輯不同，創業者要根據實際情況有針對性地提升效果，但同時也制約了規模擴張的可能性；在用戶上，如何讓醫生和患者接受、理解這套診斷邏輯，並用於輔助治療過程還有很長的路要走。

AI可以輔助醫生，但不能替代醫生

2. AI+醫療的數據瓶頸

我們教孩子認識「貓」的時候，只需要告訴他們哪個是「貓」，下次再見到貓他們漸漸地就認識了。但是對於機器，我們要給它展示上萬張貓的圖片，它們才能學會認識。同樣地，Watson即使輸入了遠超人類醫生學習量的醫書和論文，它也不見得比人類醫生更高明。到底要多少數據量才能建立起真正可信、可靠、有效的智能醫療系統，我們並不知道。在我們人類看來的「大數據」，對於機器來說也許真的還不足夠「大」。

數據的標註是否專業？

醫療數據最大的痛點就在於如何進行大批量的標註，如何保證標註的質量。以醫學影像為例，雖然前幾年影像雲平台的建立積累了大量數據，但基本都沒有對病灶進行標註，而這個工作只能由專業醫師來完成。做智能安防的公司以很低的成本雇些臨時工就能完成對行人、車輛、路標的標註，這足夠讓智能醫療公司羨慕嫉妒恨了。醫學專家臨床和科研的負擔都很重，沒有時間給創業公司標註數據，即使花錢也很難請到，折中的辦法就是找醫學院的學生。你餵給機器什麼樣的數據，就決定了它能學出什麼水準的結果，很難想象用醫學院實習生標註的數據能學出專家的水平來。

醫療數據標註需要專業醫生的配合

數據來源是否全面？

不管是醫學診療，還是健康管理，好的醫學決策一定需要結合多方數據，比如醫生的診斷一般是綜合了患者癥狀和化驗、影像、病理結果等做出的。今天的智能診療、智能影像都還只是依賴單一數據來源的輔助系統，真正的精準醫療離我們就更遠了，還只是個概念。在數據壁壘高、數據孤島現象嚴重的今天，且不說獲取樣本數量足夠大、來源足夠全面的數據有多難，即使能夠獲取，把不同種類的數據結構化、進行綜合處理分析在技術上也是一個不小的難題。

醫學全維數據：表徵+生理+代謝+蛋白+基因

3. AI+醫療的產品價值與商業模式

醫療創業to C產品還很難去向用戶收費，最主要原因是還沒有找到一個非常痛的點，你且看看身邊有多少人手機里裝了醫療健康類app就知道了。醫療產品沒有傳播性，沒法像互聯網產品那樣一看就想買、一用就離不開、有即時滿足感。無論是體征監測、風險識別，還是患者教育、用藥提醒，用戶要看到健康改善的效果就得長期堅持，這本身就是一個「逆人性」的過程。試想有多少用戶願意花時間、犧牲享樂去等待尚不確定的效果呢？這類app留存率極低也就不足為奇了。

既然to C行不通，那就不如專註於to B。B端的難點在於渠道，如何敲開醫療機構的大門。公立三甲醫院設備先進，通常自帶高級功能，醫生經驗豐富，智能診療系統能給他們帶來的改善不如基層醫院那麼明顯。而基層醫院自由資金比較少，很難給出比較高的價格，讓他們花幾萬甚至十幾萬去買一套智能系統還不太現實。AI醫療產品究竟如何定價還在摸索階段，在臨床上應用未來還將面臨監管合規的約束。

目前AI醫療公司主要靠篩查服務或分析報告去變現，悲觀點說，都還沒有形成可持續的商業模式。創業者要打開思路，從有預算的部門去倒推可行路徑，多想想有「錢」有需求的地方，比如藥廠、設備商、保險公司等，從企業支出的大蛋糕裡面去切，不能在從前沒有預算的地方生硬地創造盈利模式。B端的付費意願主要來自於「效率、風險、體驗、成本」這四個環節：第一，提升醫生的效率，減輕醫生的負擔；第二，降低醫療風險，減少誤診漏診；第三，改善就醫體驗，簡化就醫流程；第四，降低醫療成本，減少不必要的檢查，在這點上政府和保險公司都會有意願去推動的。

☞來源：小研聊科技

往期回顧|001講王田苗—國內外機器人發展熱點與趨勢

往期回顧|002講新松總裁曲道奎--機器人發展的臨界點

往期回顧|003講中民國際資本執行董事劉國清-數字化工廠與人工智慧

往期回顧|004講趙勝--全球視野下的工業4.0和機器人

往期回顧|005講甘中學——從智能工業機器人到智慧工業機器人

往期回顧|006講長江學者王樹新——微創手術機器人技術創新與產業發展

往期回顧|007講哈工大教授杜志江——國產手術機器人的研究體會

往期回顧|008講80后博導齊俊桐--無人機智能控制前沿技術

重磅|清華大學教授攻克機器人最後1cm防線

一堂課下潛深海7000米！揭秘罕見黑暗生物鏈+蛟龍號「龍腦」

投資藍海+國防重任！上海大學精海系列無人艇突破多項關鍵技術填補空白

無人機也有"大小腦"?湖南衛視偶像級80后科學家分享多項首創突破性技術

溫馨提示

意向合作，文章轉載， 均可聯繫堂博士電話：13810423387(同微信)。

。