從2016年起，人工智能和醫療的融合在各個環節開始擦出火花。經過幾年的發展，醫療AI在2019年迎來商業落地考驗，紛紛進入臨床應用和醫生的工作流，并在2020年初開花結果。2020年1月15日，國家藥品監督管理局批準了科亞醫療的創新產品“冠脈血流儲備分數計算軟件”的注冊，成為了首個獲得AI影像Ⅲ類證的產品。

圍繞核心算法能力的醫療AI應用矩陣

根據依賴應用服務對象、使用醫療環節、醫療應用病種范圍，報告制作了醫療人工智能應用矩陣，并對我國醫療人工智能行業進行了總結，制作出了醫療人工智能行業圖譜。

?

醫療人工智能應用矩陣

?

醫療人工智能行業圖譜

??

醫療AI在醫院端的應用場景分析

>>>>

AI+虛擬助手：打通診療不同環節是關鍵

據丁香園調查，50%以上的住院醫生每天用于寫病歷的平均時間達4小時以上。《福布斯》曾報道，在門診室，醫生只花52.9%的時間在跟患者溝通，37%的時間在處理書面工作，還有10%的時間在處理瑣事。

?

排隊3小時，問診2分鐘。醫生病歷錄入工作量大、病歷質控難、患者門診服務缺失是就診階段的三大痛點。基于語音識別、語義理解、麥克風陣列三大核心技術，AI+虛擬助手可以應用于診前、診中、診后多個環節。

?

診前：智能導診機器人逐漸成為醫院的一道新的風景線。導診機器人主要是通過患者的語音輸入進行語義分析，然后給出分診和導診建議，節約人力，方便患者。更先進的導診機器人還能通過傳感器收集患者的生命體征信息，進行預問診，提前將患者的基本體征、病情摘要反饋給門診醫生。這使得醫生在見到患者之前，便已獲得患者病情的部分信息，從而提高醫生問診效率，減少誤診。

?

診中：AI病歷助手可以直接將語音轉為結構化的電子病歷。智能語音錄入全過程由醫療語言數據模型進行支撐，能夠實現檢查、診斷和病歷錄入同時進行，避免了醫生診斷總是被打斷的情形，從而節省醫生的時間，使其能專注于診療本身。AI手術助手可以讓手術醫生利用虛擬屏幕、語音識別，手勢識別等技術，隔空操作電子設備。這有效減少了手術時間，降低感染風險。

?

診后：在患者離院后，AI虛擬助手可以對患者進行回訪以及滿意度調查，推送醫囑事項、復查提醒、醫學科普等。

?

>>>>

AI+臨床工作流：合理配置醫療資源，實現效益最大化

臨床工作流，是對醫院管理流程和醫生工作流程的概括描述。臨床工作流解決的主要問題是：利用數字化工具在多個參與者之間自動傳遞文檔、信息或者任務，實現醫院業務目標（非診療行為的信息化）。

?

人工智能正在通過醫院管理和診療流程管理，引領醫療行業的全數字化轉型，幫助醫療機構優化臨床工作流程，提供更好的醫療服務，創造更高的利潤。

?

醫院管理的目的是充分優化醫院的醫療資源配置，實現效益最大化。

?

AI根據醫院已有的信息進行建模，訓練出一套精準的算法，自動制定工作安排。比如它能根據電子病歷、既往病史等信息分析出哪些患者是最需要及時救治的，把醫療資源優先提供給他們，優化醫療服務的先后順序。

?

從產品分類看，臨床工作流管理根據對象可以分為醫療設備管理、醫生工具和支付管理。

?

醫療設備管理：人工管理向智能化管理轉變。醫療設備管理過程中存在的離散分布、維修保養和質控管理效率低等痛點。隨著智能化、信息化、規范化逐漸成為醫療設備資產管理的大趨勢，醫療設備服務市場已經從單純的設備維修，轉變為醫療設備全生命周期管理。

?

醫生工具：從單點醫生賦能到多點醫生協作賦能。醫生工具的作用主要是為醫生賦能，提高工作效率、增強醫生能力。

?

醫保控費：從規則控費向大數據控費轉變。人工智能和大數據為醫保智能監控系統的建設提供了新思路。部分地區開始探索通過運用包括案例推理、醫療行為模式分析、診療方案分析、醫患網絡擴散分析等在內的大數據分析手段來提升對欺詐騙保行為的識別能力，確保醫保報銷的合理性。

?

>>>>

AI+預防管理：實現疾病的全面篩查和預測

上醫治未病，預防醫學優于被動治療。隨著人工智能、大數據、基因等技術的進步，現在已經能夠實現部分疾病的可能性預測了。安吉麗娜·朱莉接受預防性的雙側乳腺切除手術，以降低罹患癌癥的風險。而之所以進行這項手術，是因為她有基因缺陷，罹患乳腺癌和卵巢癌的風險恐怕較高。

?

這是從基因的角度進行的疾病風險預測，而AI也能從我們的行為、生化、影像等檢查結果中實現疾病的篩查和預測。

?

以糖網病為例，糖網病是是常見的視網膜血管病變，也是糖尿病患者的主要致盲眼病。中國是全球2型糖尿病患者最多的國家，隨著糖尿病患者的增多，糖尿病視網膜病變的患病率、致盲率也逐年升高。

?

因為糖網病早期往往沒有任何臨床癥狀，而一旦有癥狀，病情已較嚴重，容易錯過最佳治療時機。所以糖網病的治療效果取決于治療是否及時。但是由于我國眼科醫生匱乏、居民重視程度不高，目前我國糖網病篩查的比例不足10%。

?

中國有90多萬家基層醫療機構，占整個醫療體系機構數量的95%，覆蓋人群5.8億人。但是，基層醫生供給不足，現有醫生的數量已經無法承擔這些工作量，導致醫生過勞，誤診、漏診的情況出現。

?

此外，基層醫療設備先進性不足，我國基層醫療衛生機構設備集中在50萬元以下，100萬元以上設備極少，說明設備先進性偏低，僅能滿足基礎疾病的診療，無法完成疑難雜癥的早期篩查。

?

預防管理按照其產品的使用范圍，可以劃分為篩查類產品和預測類產品。

?

篩查和診斷的核心區別，在于診斷是已經有明顯的癥狀后確定是哪種疾病，而篩查事先并不知道是否患病。

?

通過分析市面上主流的AI早篩類產品，我們發現其主要聚集在肺結節篩查、糖網病篩查、癌癥篩查三大類。這是因為上述篩查的影像大多是DR、CT、眼底照片等，比較容易獲取。而且中檢院在2018年已經建立起了彩色眼底圖像和肺部CT影像兩個標準數據庫，這對產品研發、審批、推廣也有很大幫助。

?

人工智能基于多模態數據，包括文本、影像和流數據等（心率、血氧、呼吸等），可以應用于多種疾病預測，比如流行性疾病、慢性非傳染病、精神類疾病等。

?

>>>>

AI+輔助診斷：CDSS與MDT聯合是未來發展方向

從診斷的數據流看，首先，患者分別進行影像、病理、體外診斷等一系列檢查，并得到初步的檢查結果。然后，檢查數據通過PACS、HIS等信息化系統整合存儲起來。最后，所有的數據匯集到醫生端做綜合解讀。

?

人工智能的最終目標是像專家一樣能實現單獨綜合診斷，然而目前最成熟的應用還是集中在單個項目上，尤其影像領域。我們統計了AI+輔助診斷領域的120家企業，其中影像類輔助診斷占比最高（34%），其次是數據整合存儲（占比22%）。

?

影像：云端化、集成化發展

基于四大影像技術：X射線、CT、MRI、超聲，加上最新的核醫學成像技術（PET），人工智能在影像領域的應用主要是圖像分類、器官標記、組織結構的分割、病灶區的分割，以及圖像配準等。產品布局的方向集中在胸部、頭部、盆腔、四肢關節。最多投入的就是肺結節以及肺部相關疾病，其次是心腦血管，盆腔的主要是前列腺、直腸，骨關節主要圍繞骨折和骨齡。

?

對于醫院需求方來說，影像AI產品想要切入三甲醫院，必須抓住三甲醫院醫生的兩個關鍵需求——效率需求和科研需求。如今產品比較成熟的CT肺結節、CTA冠心病、腦卒中等輔助診斷產品均滿足了醫生對于閱片效率的追求。

?

而對于醫療能力略遜一籌的鄉鎮級醫院，受限于設備落后、人員不足等困境，基層醫療的影像AI產品主要基于X射線和超聲，輔助診斷一些常見病。影像AI企業可為其搭建私有云、連接醫聯體的云PACS，也可在院內以教學的方式培養醫生的閱片能力與出具報告能力。

?

病理：分病種攻克

在整個醫療診斷的工作流程中，病理診斷作為醫學影像分析的下一環節，是診斷的“金標準”。

?

傳統的病理診斷主觀性強、重復性低、誤診率高。病理醫生依靠肉眼和個人經驗，將顯微鏡下切片放大40到400倍后，觀察細胞形態和組織結構，進行分析診斷，必要時進行免疫組織化學或免疫熒光檢測協助判斷，然后對圖像進行人工計數或借助軟件統計。

?

同時，與放射科一樣，我國病理科的專業人士也非常短缺。據衛生統計年鑒顯示，我國注冊的病理科執業醫師只有1.02萬人，與衛健委制定的每100張床配備1~2名病理醫生的標準相差懸殊，我國病理醫生的缺口總數將近10萬人。

?

AI在病理學中的應用按照參與程度可以分為三類：

?

利用數字掃描技術，形成全切片數字化圖像（WSI）：圖像相關特征的提取及定性定量分析：包括細胞大小、結構特征、細胞群密度、空間分布等信息。

?

病理圖像的分類和分級：AI可以直接輸出組織分類、良惡性鑒別和癌癥分級結果，提高病理學診斷的準確性、高效性和一致性。目前AI技術在乳腺癌、腦癌、前列腺癌等分類分級問題上都達到了90%左右的準確率。

?

全流程數字化，實現數字切片首診、數字化報告、數字切片存檔等：利用高通量與快速WSI技術，可以將常規切片全部掃描制作成數字切片。再結合計算機存儲及互聯網傳輸技術，將數字化切片存檔并上傳云端，建立區域性網絡病理診斷平臺，并提供快速檢索功能，形成打破地域限制的“云病理科”。這進一步減少了病理醫師經驗性誤判導致的誤診情況，方便病理醫生和其他醫務人員獲取數據，提高了工作效率。

?

整合其他學科，例如生物學、化學、免疫學、遺傳學及臨床信息，輔助醫生診斷治療AI不僅用于病理形態數據的分析，還可以整合免疫組織化學、分子檢測數據和臨床信息，得出一個整合相關信息的最后病理診斷報告，為患者提供預后信息和精準的藥物治療指導。

?

基因：AI突破測序解讀瓶頸

2018年11月，在第13屆全球蛋白質結構預測競賽上（蛋白質領域的奧林匹克競賽），DeepMind 的人工智能程序 —AlphaFold成功根據基因序列預測蛋白質的3D結構，獲得冠軍。

?

AI越來越多的應用到基因檢測上。隨著第二代測序技術的成熟，單個基因組的檢測成本已經降到1000美元以下，快速發展的基因測序也產生了海量數據，如何解讀這些基因大數據，獲取與疾病相關的變異，找到致病基因，成為目前發展的瓶頸。人工智能便依靠其強大的數據處理能力和學習能力切入到了基因序列解讀的進程中。

?

早在2014年，IBM就與紐約基因組中心展開了合作，基于IBM的沃森人工智能系統開發一個專門分析腫瘤基因組的程序。IBM在最近發表在《Neurology Genetics》雜志上的一篇文章中披露了她們最新的研究成果。科研人員從一位患者身上獲取了腫瘤的活檢樣本以及一份血樣，并對兩份樣品中的DNA和腫瘤中的RNA進行了測序。

?

這些測序數據被分別送給了IBM沃森基因組程序和一個由生物信息學家和腫瘤學家組成的專家團隊進行分析。沃森系統僅僅用了10分鐘就完成了一份可供考慮的臨床治療方案的報告，而專家組的人工分析花了160個小時，才得到了一份相似的報告。

?

綜合輔助診斷：CDSS與MDT聯合

綜合輔助診斷系統類似于MDT（多學科聯合會診），由多學科專家共同討論，為患者制定個性化診療方案的過程，尤其適用于腫瘤、腎衰、心衰等復雜疾病的診療。

?

人工智能想要實現綜合解讀，至少要做到如下兩步：多源異構數據挖掘，以及CDSS與MDT聯合使用。

多源異構數據挖掘：人工智能企業與醫院合作，需要利用大數據技術完成多源、結構和非結構數據的清洗、脫敏、結構化、標準化，使得醫院能夠一統原先分裂的醫療數據，形成互聯互通的醫療大數據平臺，為實現大數據處理和分析奠定數據基礎。

?

CDSS與MDT聯合使用：基于單學科的CDSS缺乏共享化服務模式，往往作為一個子系統嵌入EMR中，無法全面評估患者情況。如果借助MDT多學科協作的優勢，基于相關證據關聯，得出最佳的診斷結果和治療方案，有望進一步提高醫療服務效率和質量。

?

>>>>

AI+輔助治療：圍繞手術和藥物，以提效為核心

圍繞藥物治療和手術治療兩大主要治療方式，AI輔助治療在術前規劃、術中導航、智能化用藥方面都起到了很好的作用，可以有效降低手術時間、減少并發癥。

?

在腫瘤治療過程中，靶區勾畫與治療方案設計占用了醫生大量的時間和精力。每個腫瘤病人的CT圖像在200張左右，醫生在勾畫的時候，需要給每個圖片上的器官、腫瘤位置進行標注。這個過程按照傳統的方法要耗費醫生3-5個小時。如果第一個療程的治療由于靶區勾畫的不準確或者腫瘤的變化，導致治療無效（腫瘤組織減少小于30%），這個時候就需要更改治療方案，這就需要醫生重新為病人做勾畫。

?

術前規劃：人工智能可以基于CT/MRI影像數據，利用圖像識別技術自動勾畫相應靶區，自動生成具體的放射性照射方案或者手術方案后，再交由醫生做最終確認。

?

術中導航：將患者術前的影像數據和實際解剖結構準確對應，利用VR、MR、導板等技術，通過三維數字建模及算法優化，對病灶進行精準定位。

?

用藥建議：基于真實世界的用藥大數據，運用人工智能技術實現個體化用藥指導。個體化用藥就是在最適的時間、對最適的患者、給予最適的藥物和最適的劑量。

?

>>>>

AI+康復：以患者回歸生活為目的

臨床醫學以生存為主要目的，通過藥物、醫療器械、手術等治療手段，讓患者能夠生存下來。而康復醫學則是以生活為目的，通過康復治療手段讓患者受損的功能能夠得到部分或全部恢復，更好地回歸社會。因此，臨床醫學與康復醫學是相輔相成的，臨床醫學在病患治療期介入，康復醫學在病患恢復期介入，它們最終都是消除病患，讓患者逐步向常人過渡。

?

從康復的數據流來看，康復分為監測——指導——調理三個環節，也就是先獲取數據、然后分析數據、最后應用數據。

?

監測——可穿戴設備：相比于AI在診斷和治療環節的應用，人工智能在康復領域的應用更加困難。這是因為AI在診療環節的數據是容易獲取的（來自于醫院的信息化系統），產品只需利用數據和算法迭代打磨即可。而康復則需要可穿戴設備來采集個人健康數據。目前，市面上大部分可穿戴設備為監測類設備，可以監測血糖、血壓、心率、體溫、呼吸等健康指標。

?

指導——康復機器人：一個人每天產生的健康數據量是非常大的，怎么去處理數據，把數據變成信息，把信息變成知識，把知識變成健康管理的信息，這便是人工智能在人類生命數據收集后的工作。

?

其中最直觀的就是康復機器人，康復機器人應用人工智能、物聯網、大數據等技術，讓康復設備變得人性化、智能化，實現人機交互、智能輔助訓練、精準力控等目標。目前康復機器人主要集中于骨關節康復、聽視力康復、言語康復等領域，未來有望拓展到心肺康復、神經康復等。調理：健康管理

?

健康管理是變被動的疾病治療為主動的自我健康監控。根據體征數據，人工智能健康管理通過數據學習每個人的身體特點，針對每個人設計個性化健康管理方案。目前主要的應用范圍是糖尿病、慢病管理、血壓管理、乳腺健康管理、胎心監測等。

?

健康管理涉及的健康環節主要有風險識別、健康評估、精神監測、健康干預等。

?

風險識別：通過獲取信息并運用人工智能技術進行分析，識別疾病發生的風險及提供降低風險的措施。

?

健康評估：收集病人的飲食習慣、鍛煉周期、服藥習慣等個人生活習慣信息，運用人工智能技術進行數據分析并評估病人整體狀態，協助規劃日常生活。

?

精神健康：運用人工智能技術從語言、表情、聲音等數據進行情感識別。

?

健康干預：運用人工智能對用戶體征數據進行分析，定制健康管理計劃。

?

>>>>

AI+科研：生產工具解放科研學者的生產力

AI+藥物研發

一般而言，制藥公司需要花費5-10億美元，用10-15年時間，才能成功研發出一款新藥。新藥研發的風險大、周期長、成本高，是藥企最大的痛點。

?

目前，人工智能在新藥研發領域的應用已經滲透到藥物發現階段、臨床研究階段、審批上市階段各個環節。主要涉及靶點發現、化合物篩選、晶型預測、藥物重定向、醫學翻譯、藥物警戒等多個應用場景。

?

藥物發現階段

藥物研發從靶點發現開始，藥學家從科學文獻和個人經驗去推測生理活性物質結構，進而發現靶點。然而在信息爆炸的今天，每30秒就會有一篇生命科學論文發表。此外，還有大量的專利、臨床試驗結果等海量信息散布在世界各地，科研工作者沒有時間和精力來關注所有信息。傳統方式的靶點發現過程平均耗時2-3年。

?

人工智能通過自然語言處理技術（NLP）學習海量醫學文獻和相關數據，通過深度學習去發現化合物與疾病之間的作用關系，找到靶點，縮短靶點發現周期。

?

在化合物合成上，AI能模擬小分子化合物的藥物特性，能夠在數周內挑選出最佳的模擬化合物進行合成試驗，而且能夠將每個化合物的測試成本控制在0.01美分，大幅降低了化合物合成的成本。

?

臨床前藥物研究階段

在找到靶點后，還需要尋找相應的小分子化合物去跟靶點匹配。這個匹配過程就類似于用戶在百度搜索某詞匯（靶點），引擎回應出相關的搜索結果列表（小分子化合物）。這就是化合物的篩選。

?

高通量篩選以及傳統的虛擬藥物篩選所需時間長，藥物開發成功率低，人工智能的出現為創新小分子藥物的發現打開一扇新的大門。

?

臨床研究階段

優化臨床試驗設計：2015年《臨床試驗數據核查公告》，嚴格臨床研究數據核查，隨后的多項政策都對臨床研究提出了更高更明確的要求，也反復提及信息化系統和技術的應用，太美醫療科技通過人工智能技術結構化醫療知識，輔助多源異構臨床數據的結構化、標準化以及相關推理，在eCollect（EDC）中，應用不良反應藥物關聯度計算和病歷OCR識別等人工智能技術，大大提高數據采集的質量和效率。

?

審批上市階段

注冊申報：2019年起，中國開始逐步實施eCTD（電子通用技術文件）標準，不斷推動藥品注冊審評的國際化與電子化。傳統CTD自動化程度低，導致報批工作依然消耗企業大量時間和人力在“paper work”上。而引進人工智能技術，有望實現在注冊申報流程中自動寫作、自動翻譯、自動出版及報批一體化智能操作。

?

藥物警戒：藥物警戒主要涉及藥物的兩個方面，安全性和有效性，包含藥物和治療中不良反應的收集，分析，監測和預防。2015年FDA規定，藥品上市后安全報告必須以電子方式提交；2019年國家不良反應中心啟用不良反應直報系統實施不良反應在線遞交，太美醫療科技的eSafety藥物警戒系統可以直接對接CDE、NMPA藥物不良反應直報系統，直報不良反應，并通過了FDA AERS及歐盟EudraVigilance藥物警戒數據庫遞交測試。人工智能技術的應用讓eSafety系統具備CIMOS自動導入、SAE掃描件報告自動導入、不良反應提取、報告翻譯等功能，大大提高工作效率。

?

醫療AI產品管線分析

我們調研了7大細分領域的62家企業，重點考察它們的產品應用進展，共涉及82個產品。其中輔助診斷、預防篩查類產品數量最多，分別是31個和13個。對比去年的報告《2018醫療人工智能報告：跨越再出發》，可以發現以下新變化：合作醫院數量普遍從去年的數十家，增加到數百家；從影像AI紅海市場，逐漸拓展到藥物研發、康復管理、臨床工作流管理等藍海市場；2018年影像AI主要聚焦在胸肺、眼科等疾病，2019年重點布局心腦血管領域。

?

?

醫療AI產品應用進展摘錄（截止2019年10月）

?

中國醫療AI企業投融資分析

為了便于統計，我們在對投融資數據處理時遵循以下原則：統計范圍涵蓋醫療AI行業主要的180多家企業；本報告中涉及的融資事件僅包括從天使輪到IPO以前的風險投資事件，不包括IPO、定向增發、捐贈和并購事件等；將天使輪—A輪之間的輪次合并為天使輪，所有帶A的輪次合并為A輪，所有帶B的輪次合并為B輪，所有帶C的輪次合并為C輪，D輪及以上IPO以下的輪次合并為D輪及以上。

?

本報告圖表中金額計量單位均為人民幣，將外幣統一換算成人民幣（根據事件發生當年平均匯率換算）；將融資額為數百萬/千萬/億統一劃定為1百萬/千萬/億；未公開輪次和未公開金額的融資事件在下列圖表中均不予統計；數據截止日期為2019年10月31日。

?

?

2018—2019年投資機構活躍度

?

從融資輪次看，2019年投融資主要集中在A輪（25次，占比60%），單個企業平均融資額2千萬人民幣，這些企業大多在2017-2018年成立（如長木谷醫療、睿心智能、諾道醫學等）。D輪及以上的融資雖然只有6次，但總額達到24.6億元（占比58%）。

??

從單個企業融資額看，2019年太美醫療科技以15億總融資額排名第一，其次是思派網絡和森億智能。有別于2018年集中于影像AI領域，今年融資額TOP10企業主要分布在AI藥物研發和醫療大數據平臺領域。

?

2019年完成融資的部分醫療AI企業（截止2019年11月）

?

從融資用途看，上述企業所融資金仍主要用于產品研發，不斷豐富產品線、提高產品壁壘，比如數坤科技在獲得2億人民幣融資后，將延伸到瘤和神經系統等其他病種，覆蓋心、腦、肺、乳腺、前列腺等重要疾病和臨床場景。其次，部分企業將資金用于拓展其他領域，例如太美醫療在完成15億人民幣E+輪融資后，將拓展醫藥新營銷市場。最后，部分資金會被用于產品的市場推廣。