技术：已走出实验室，商业化加速落地
人工智能在医疗领域的尝试最早可以追溯到80年代。最早的一波在医疗领域进行人工智能探索的尝试，出现在1972年。由利兹大学研发的AAP Help，这是医疗领域最早出现的人工智能系统。AAP Help系统基于贝叶斯理论开发，主要是用于腹部剧痛的辅助诊断以及手术的相关需求。1976年美国斯坦福大学开发了一个用于细菌感染病诊断的专家咨询系统-MYCIN，它是世界上第一个功能较全面的专家系统。1980年，已经有一些商业化应用系统的出现，比如哈佛医学院开发的DX plain，主要是依据临床表现提供诊断方案。DX plain的知识库中，已经收录了2200种疾病，和5000多种症状。同时期，我国的医学专家系统也开始进入研究阶段。
总体来说，早期的医疗人工智能的厂商并不成功，技术本身也存在很大的局限性，包括在医疗辅助诊断领域的CDSS（临床辅助决策系统）、医疗影像领域的CAD（计算机辅助诊断），均没有获得理想的商业效果，在实际的应用过程中，也并不受医疗从业者的欢迎。主要的原因在于，无论从算法、算力或者数据来看，人工智能技术本身并不成熟。医疗的高度复杂性对于过去的人工智能而言还是一个不可逾越的行业。
在人工智能基础技术突飞猛进提供了持续的技术红利的大背景下，医疗+AI开始突破早期的技术瓶颈，获得新的发展契机。
以医疗影像为例，新一代人工智能技术在精确度上已经实现了“超越人类水平”的技术临界点。
以前的医疗影像CAD（计算机辅助诊断）依旧主要表现为事先输入的预先假设和病例特征结构之间的判断程序，计算机识别不够精确，敏感度和特异性不够，漏诊（假阴性）和误诊（假阳性）的可能性还是比较大，因此对于一个放射科医师还是临床专业医师都无法起到很好的辅助作用，反而可能在使用的时候拖慢效率，极大地阻碍了CAD在临床医疗实践中的推广和发展。引入深度学习之后的医疗人工智能与过去传统的人工智能模型的区别在于，传统人工智能模型的成本非常高，需要一大批的专家来教机器某一种疾病的各种类型的特征。这种模型准确率本身不高，而且能够做出来的病种也非常有限。但深度学习的模型，本质上有点类似一个普通医学生的自学习过程，只要有足够的数据量作为学习材料，就能实现更精准、覆盖病种更多的模型。从2013年开始，已经有多个医疗影像人工智能的学术研究以及商业化的案例，通过引入深度学习算法，在某些病种的识别和诊断上，达到“超越人类水平”的技术临界点。
实际上，医疗人工智能在众多应用场景已经走出了实验室，进入了商业化落地阶段。除了上文提到的了医疗影像之外，医疗人工智能商业化落地的案例中，最为大家所熟知的就是IBM沃森肿瘤医生。2012年，沃森肿瘤医生通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。从2016年起，IBM正式全线发力推广沃森肿瘤医生，截止至2017年3月底，在全球7个国家服务的病患数量已达到数万名。
巨头们开始加强医疗人工智能的产业布局力度。其中，标志性的事件就是，百度宣布将原先专攻互联网医疗领域的医疗事业部进行重组，对外发布了「百度医疗大脑」，将未来医疗的重心方向定位于医疗人工智能。
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
医疗人工智能赛道尚未跑出巨头，各个体量公司皆有机会。观察整个医疗人工智能产业的创业赛道，目前仍然处于初期，融资轮次大部分集中于A轮。如果将巨头纳入到考查范围内，现阶段也尚未出现绝对领先的公司。即使考虑国外，已经经过多年孵化、较为成熟的IBM沃森，也只是在商业化方面刚刚起步，领先优势并不大。考虑到医疗行业本身的复杂性和高门槛，我们判断：1）未来会出现新进入者，但是不会出现蜂拥而入而陷入恶性竞争的情况；2）医疗人工智能空间广阔，现阶段各体量公司皆有机遇。
从医疗需求端来看，随着中国人口老龄化趋势下，疾病高发的年数量日增多，医疗需求持续
加大。
从供给端来看，优质医疗服务资源紧张的表现更为明显。我国医生学历层次不齐导致医疗服务质量差距较大。根据中国卫生统计年鉴，在医院供职的医生中，具有高级职称(主任医师、副主任医师)的占7.6%,中级职称(主治医师、主管)占21.3%,初级职称为60.8%.主任在医生中占比不到一成，而“专家”更是少数中的少。然而，当患上较严重的疾病或者对治疗技术要求较高时，人人都想去看专家，就更加剧了看病难问题。考虑到一般医学生需要九年的学习、临床培训才能成为一个能够执业的医生，这意味着未来280万人的增长是被锁定的。
医疗资源供给的紧张催生医疗人工智能的刚需。面对医疗健康产业供需严重不平衡的大背景，过去互联网公司进入医疗做医患匹配，可以解决一部分医疗资源不平均带来的问题。但长期来看，通过引入人工智能技术，提升医疗服务的效率、扩大医疗服务的供给才是解决问题的根本方法，医疗资源供给的紧张将催生医疗人工智能的刚需。
人工智能赋能基层医疗。现阶段，分级诊疗的难点在于基层的医疗服务水平的薄弱，导致了患者对于基层医生的广泛不信任，造成分级诊疗难以落实。强基层是分级诊疗体系建设的重要一环。人工智能的引入有望将将顶尖医学专家的知识和诊治经验进行快速复制，为基层医生提供实效、实时的决策支持，可以提高广大经验不足的医疗工作者的工作能力。
政策对于医疗人工智能的技术引入松开了口子；2）收费政策尚未明晰。
准入政策：医疗人工智能“持证”上岗。1）医疗影像领域：人工智能在CFDA中没有申报项目录，智能医学影像产品还是作为三类医疗器械向CFDA进行认证申请。获得CFDA认证的时间成本和技术水平的要求很高，需要同国家指定的三甲医院合作进行临床测试，同做临床试验的每一个病人签订合同，在国家专业机构做检测和报备，方可通过认证；2）医疗辅助诊断领域：2017年2月，国家卫计委发布了2017版“人工智能辅助诊断技术管理规范”及“人工智能辅助诊断技术临床应用质量控制指标”。对于人工智能辅助诊断技术做了定性：“人工智能辅助诊断技术为辅助诊断和临床决策支持系统，不能作为临床最终诊断，仅作为临床辅助诊断和参考，最终诊断必须由有资质的临床医师确定。”
国内监管未来或可参考美国FDA，成立独立的AI与数字医疗审评部。鉴于认证的流程过于缓慢，面对越来越多的医疗人工智能产品和技术方案，美国FDA于2017年正式授权组建一个专门致力于数字化医疗和AI技术审评的新部门，其终极的目标就是“让FDA赶上硅谷的速度”。我们认为，目前国内医疗人工智能的落地同样面临认证审核流程过长的问题，一定程度上延缓了产业发展的进程。我们预计，未来随着医疗人工智能产品的不断成熟，国内有望参考美国FDA，成立专门的AI产品审核部，加快医疗人工智能“持证”上岗的速度。
现阶段，医疗人工智能是否能进入诊疗收费项目名录中存在争议。以医疗人工智能影像为例，由于“人工智能读片费”不在诊疗收费项目名录内，是否可以向患者收费存在争议。在医疗人工智能辅助诊断领域，IBM沃森肿瘤医生的收费是以咨询费而非医疗服务的形式进行收费。
我们认为，如果未来医疗人工智能可以进入诊疗收费项目名录甚至医保目录，那么无疑将大大推动其商业化落地的速度。
从国外调研数据来看，医疗人工智能商业前景乐观。根据Healthcare IT News报道，其联合HIMSS分析（HIMSS Analytics）针对美国医院人工智能技术应用前景开展了一项调查，调查分析的85家医院中，目前已应用人工智能技术的仅占4.7%，不过人工智能在医院的普及前景光明。调查显示，计划在一年内应用人工智能的医院占10.6%，两年内应用人工智能的占23.5%，另有24.7%的医院计划在三年到五年内应用人工智能。以此推算，大约35%的医疗机构计划在两年内使用人工智能技术，而计划五年内应用人工智能的医院超过一半以上。
现代医学是数据驱动的学科。一提到技术对于医学的作用，可能大家的第一反应就是医疗是一门手艺活，靠的是经验和实践，技术本身并没那么重要。我们认为这是一种偏见或者无解，事实上，中西医分科治学后，现代医学已经是一门数据驱动的学科了。传统医学的底层驱动其实是经验医学；到了现代医学，特别是西医，强调的是循证医学，其背后的支撑是基础理论的研究+临床经验（以数据的形式呈现）。循证医学会采集大样本的临床数据，进行系统性的评价，最后把临床数据总结成临床诊疗指南、临床路径；循证医学发展到精准医疗时代，数据的重要性更加明显。精准医疗在循证医学的基础上，更加强调患者个体的个性化诊疗，通过对患者的数据的分析结合临床经验，给出最佳的治疗方式，甚至会出现“同病不同治”、“同治不同病”的情况。因此，如果我们承认数据是现代医学的基础，那么将人工智能技术引入医疗领域显然是历史发展的必然。
图：现代医学是数据驱动的学科
人工智能在医疗领域的尝试最早可以追溯到80年代。最早的一波在医疗领域进行人工智能探索的尝试，出现在1972年。由利兹大学研发的AAP Help，这是医疗领域最早出现的人工智能系统。AAP Help系统基于贝叶斯理论开发，主要是用于腹部剧痛的辅助诊断以及手术的相关需求。1976年美国斯坦福大学开发了一个用于细菌感染病诊断的专家咨询系统-MYCIN，它是世界上第一个功能较全面的专家系统。1980年，已经有一些商业化应用系统的出现，比如哈佛医学院开发的DX plain，主要是依据临床表现提供诊断方案。DX plain的知识库中，已经收录了2200种疾病，和5000多种症状。同时期，我国的医学专家系统也开始进入研究阶段。
总体来说，早期的医疗人工智能的厂商并不成功，技术本身也存在很大的局限性，包括在医疗辅助诊断领域的CDSS（临床辅助决策系统）、医疗影像领域的CAD（计算机辅助诊断），均没有获得理想的商业效果，在实际的应用过程中，也并不受医疗从业者的欢迎。主要的原因在于，无论从算法、算力或者数据来看，人工智能技术本身并不成熟。医疗的高度复杂性对于过去的人工智能而言还是一个不可逾越的行业。
图：医疗人工智能发展史大事件整理
在人工智能基础技术突飞猛进提供了持续的技术红利的大背景下，医疗+AI开始突破早期的技术瓶颈，获得新的发展契机。
以医疗影像为例，新一代人工智能技术在精确度上已经实现了“超越人类水平”的技术临界点。
以前的医疗影像CAD（计算机辅助诊断）依旧主要表现为事先输入的预先假设和病例特征结构之间的判断程序，计算机识别不够精确，敏感度和特异性不够，漏诊（假阴性）和误诊（假阳性）的可能性还是比较大，因此对于一个放射科医师还是临床专业医师都无法起到很好的辅助作用，反而可能在使用的时候拖慢效率，极大地阻碍了CAD在临床医疗实践中的推广和发展。引入深度学习之后的医疗人工智能与过去传统的人工智能模型的区别在于，传统人工智能模型的成本非常高，需要一大批的专家来教机器某一种疾病的各种类型的特征。这种模型准确率本身不高，而且能够做出来的病种也非常有限。但深度学习的模型，本质上有点类似一个普通医学生的自学习过程，只要有足够的数据量作为学习材料，就能实现更精准、覆盖病种更多的模型。从2013年开始，已经有多个医疗影像人工智能的学术研究以及商业化的案例，通过引入深度学习算法，在某些病种的识别和诊断上，达到“超越人类水平”的技术临界点。
图：医疗影像领域人工智能技术突破“人类水平”的案例
实际上，医疗人工智能在众多应用场景已经走出了实验室，进入了商业化落地阶段。除了上文提到的了医疗影像之外，医疗人工智能商业化落地的案例中，最为大家所熟知的就是IBM沃森肿瘤医生。2012年，沃森肿瘤医生通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。从2016年起，IBM正式全线发力推广沃森肿瘤医生，截止至2017年3月底，在全球7个国家服务的病患数量已达到数万名。
资本：一级市场持续火爆，巨头加速布局
医疗人工智能在一级市场已经融资超过180亿。我们引用亿欧智库的相关研究数据，截止至2017年8月15日，国内医疗人工智能公司累积融资额已超过180亿人民币，融资公司共104家。考虑到大部分医疗人工智能创业都成立于2014、2015年，医疗人工智能超过180亿的融资一定程度的反应了行业的火爆程度。此外，从全球范围来看，IDC在其《全球半年度认知/人工智能支出指南》中将医疗人工智能统列为2016年吸引最多投资的领域之一，并表示在未来五年内，包括医疗人工智能+诊断和治疗系统的使用案例将获得最大的发展。在五年期间，它预测医疗健康人工智能投资的年复合增长率为69.3%。同样，CBInsights将医疗健康列为人工智能中最热的领域。
图：医疗人工智能创业在2014、2015年开始激增
图：医疗人工智能融资已经超过180亿
巨头们开始加强医疗人工智能的产业布局力度。其中，标志性的事件就是，百度宣布将原先专攻互联网医疗领域的医疗事业部进行重组，对外发布了「百度医疗大脑」，将未来医疗的重心方向定位于医疗人工智能。
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
图：国内巨头医疗人工智能产业布局概览
医疗人工智能赛道尚未跑出巨头，各个体量公司皆有机会。观察整个医疗人工智能产业的创业赛道，目前仍然处于初期，融资轮次大部分集中于A轮。如果将巨头纳入到考查范围内，现阶段也尚未出现绝对领先的公司。即使考虑国外，已经经过多年孵化、较为成熟的IBM沃森，也只是在商业化方面刚刚起步，领先优势并不大。考虑到医疗行业本身的复杂性和高门槛，我们判断：1）未来会出现新进入者，但是不会出现蜂拥而入而陷入恶性竞争的情况；2）医疗人工智能空间广阔，现阶段各体量公司皆有机遇。
产业环境：供需不平衡仍将延续，消费升级产生新的付费方
产业环境从医疗服务的供给方、需求方、付费方三个视角来看：1）人工智能的引入有望解决医疗服务供给紧张；2）医改倡导的分级诊疗体系将重新划分医疗服务供给方的服务半径，基层医疗面临智能升级的强需求；3）消费升级的趋势下，个人消费者将有望成为智能医疗服务的重要付费方，也将加速倒逼产业的智能升级。供需总量分析：供给不平衡仍将延续
医疗健康产业供需严重不平衡。、我国目前医疗存在的“看病难、看病贵”问题主要是因为资源稀缺、分布不均衡以及效率低下，无法满足民众医疗需求的增长。国内，目前有280万注册执业医生，每天有2000万门诊量，但这2000万不是医疗需求全部，另外3500万去了药店，还有1500万人处于未管理的状态，产业供需严重不平衡。从医疗需求端来看，随着中国人口老龄化趋势下，疾病高发的年数量日增多，医疗需求持续
加大。
从供给端来看，优质医疗服务资源紧张的表现更为明显。我国医生学历层次不齐导致医疗服务质量差距较大。根据中国卫生统计年鉴，在医院供职的医生中，具有高级职称(主任医师、副主任医师)的占7.6%,中级职称(主治医师、主管)占21.3%,初级职称为60.8%.主任在医生中占比不到一成，而“专家”更是少数中的少。然而，当患上较严重的疾病或者对治疗技术要求较高时，人人都想去看专家，就更加剧了看病难问题。考虑到一般医学生需要九年的学习、临床培训才能成为一个能够执业的医生，这意味着未来280万人的增长是被锁定的。
图：医疗供需严重不平衡
图：国内人口以及60岁以上人口的统计，单位（万）
医疗资源供给的紧张催生医疗人工智能的刚需。面对医疗健康产业供需严重不平衡的大背景，过去互联网公司进入医疗做医患匹配，可以解决一部分医疗资源不平均带来的问题。但长期来看，通过引入人工智能技术，提升医疗服务的效率、扩大医疗服务的供给才是解决问题的根本方法，医疗资源供给的紧张将催生医疗人工智能的刚需。
供需结构分析：分级诊疗趋势下，基层面临智能化升级的强需求
分级诊疗带来新的市场机遇。我们医疗服务体系正在向分级诊疗方向演进，落实分级诊疗一直是我国新医改最重要的事情，通过优化医疗资源的配臵，让不同层级的医院形成有效的分工协作，从而实现缓解目前医疗服务供给不足的矛盾。说得通俗一点，就是按照疾病的轻重缓急进行分级，让不同级别的医疗机构承担不同疾病的治疗工作，从而缓解居民看病难的问题。基层医疗机构将成为未来居民健康的“守门人”和“健康管理者”，基层首诊意味着基层医疗将成为新的就医入口。
图：分级诊疗流程
人工智能赋能基层医疗。现阶段，分级诊疗的难点在于基层的医疗服务水平的薄弱，导致了患者对于基层医生的广泛不信任，造成分级诊疗难以落实。强基层是分级诊疗体系建设的重要一环。人工智能的引入有望将将顶尖医学专家的知识和诊治经验进行快速复制，为基层医生提供实效、实时的决策支持，可以提高广大经验不足的医疗工作者的工作能力。
付费方：消费者有望成为智能医疗服务的重要付费方
个人消费者将成为智能医疗服务的重要付费方。考虑到现阶段医保、商保等支付方对于人工智能辅助诊断或者人工智能阅片服务是否纳入报销目录尚未有定论，个人消费者可能是人工智能医疗服务的重要付费方。欣喜的是，我们观察到，伴随着消费升级，个人对于自身健康的关注度持续提高，个人对于数字医疗的认可度和付费意愿在持续提高。以互联网医疗在线问诊平台为例，根据财新健康点的调研数据显示：自2016年开始延续至今，付费在线问诊业务已是互联网医疗企业（平台）普遍选择的战略转折点，并且C端付费正呈现出良好的增长态势。政策：需“持证”上岗，收费政策尚未明晰
医疗人工智能领域的相关政策主要包括两大块：准入政策和收费政策。1）从大方向来看，政策对于医疗人工智能的技术引入松开了口子；2）收费政策尚未明晰。
准入政策：医疗人工智能“持证”上岗。1）医疗影像领域：人工智能在CFDA中没有申报项目录，智能医学影像产品还是作为三类医疗器械向CFDA进行认证申请。获得CFDA认证的时间成本和技术水平的要求很高，需要同国家指定的三甲医院合作进行临床测试，同做临床试验的每一个病人签订合同，在国家专业机构做检测和报备，方可通过认证；2）医疗辅助诊断领域：2017年2月，国家卫计委发布了2017版“人工智能辅助诊断技术管理规范”及“人工智能辅助诊断技术临床应用质量控制指标”。对于人工智能辅助诊断技术做了定性：“人工智能辅助诊断技术为辅助诊断和临床决策支持系统，不能作为临床最终诊断，仅作为临床辅助诊断和参考，最终诊断必须由有资质的临床医师确定。”
图：AI+医疗影像产品认证流程
国内监管未来或可参考美国FDA，成立独立的AI与数字医疗审评部。鉴于认证的流程过于缓慢，面对越来越多的医疗人工智能产品和技术方案，美国FDA于2017年正式授权组建一个专门致力于数字化医疗和AI技术审评的新部门，其终极的目标就是“让FDA赶上硅谷的速度”。我们认为，目前国内医疗人工智能的落地同样面临认证审核流程过长的问题，一定程度上延缓了产业发展的进程。我们预计，未来随着医疗人工智能产品的不断成熟，国内有望参考美国FDA，成立专门的AI产品审核部，加快医疗人工智能“持证”上岗的速度。
现阶段，医疗人工智能是否能进入诊疗收费项目名录中存在争议。以医疗人工智能影像为例，由于“人工智能读片费”不在诊疗收费项目名录内，是否可以向患者收费存在争议。在医疗人工智能辅助诊断领域，IBM沃森肿瘤医生的收费是以咨询费而非医疗服务的形式进行收费。
我们认为，如果未来医疗人工智能可以进入诊疗收费项目名录甚至医保目录，那么无疑将大大推动其商业化落地的速度。
商业前景：技术赋能是当下，医疗服务是未来
未来医疗人工智能商业化落地的模式可以分为1.0的技术赋能（联合医院共同输服务C端）以及2.0的直接切入医疗服务（基于医疗牌照+科技直接展业）。现阶段，受制于本身的技术成熟度以及政策监管，医疗人工智能只能以技术赋能的形式，面向医疗机构，进行商业推广。但随着技术的不断成熟以及医疗改革的深入，支持社会办医的政策落实，医疗的“牌照”价值正在下降，未来有大概率出现独立的AI诊断中心，直接提供诊断服务。除了鼓励社会办医之外，2016年底,国家卫计委陆续印发4类独立设臵医疗机构的基本标准和管理规范,包括医学影像诊断中心、医学检验实验室、血液净化机构、病理诊断中心。实际上，这也为未来AI诊断中心开了政策的口子。
图：未来医疗人工智能的商业模式
从国外调研数据来看，医疗人工智能商业前景乐观。根据Healthcare IT News报道，其联合HIMSS分析（HIMSS Analytics）针对美国医院人工智能技术应用前景开展了一项调查，调查分析的85家医院中，目前已应用人工智能技术的仅占4.7%，不过人工智能在医院的普及前景光明。调查显示，计划在一年内应用人工智能的医院占10.6%，两年内应用人工智能的占23.5%，另有24.7%的医院计划在三年到五年内应用人工智能。以此推算，大约35%的医疗机构计划在两年内使用人工智能技术，而计划五年内应用人工智能的医院超过一半以上。
资料来源：中国报告网整理，转载请注明出处（ZQ）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
