2016年以来，人工智能与医疗的融合开始在各个方面擦出火花。经过几年的发展，医疗AI在2019年迎来了商业落地的考验，陆续进入临床应用和医生工作流程，并将在2020年初开花结果。2020年1月15日，国家药监局批准注册科亚医疗创新产品“冠脉血流储备分数计算软件”，成为首家获得AI影像三级证书的产品。另外，2019年AI产品有哪些新进展？动脉网蛋壳研究院在2019未来医学百强大会上发布《2019中国医疗人工智能报告》。本文为报告节选。您可以扫描以下二维码免费下载完整版。以核心算法能力为核心的医疗人工智能应用矩阵报告根据依赖应用服务对象、医疗环节使用情况、医疗应用病种范围，制作了医疗人工智能应用矩阵，总结了医疗人工智能产业在我国，制作了医疗人工智能应用矩阵。智能产业地图。医疗人工智能应用矩阵医疗人智能产业图谱医疗AI在医院的应用场景分析AI+虚拟助手：打通以上诊疗不同环节的关键。《福布斯》据报道，在门诊，医生只用52.9%的时间与患者沟通，37%的时间花在文书工作上，10%的时间花在琐碎的事情上。排队3小时，咨询2分钟。医生问诊阶段的三大痛点是医生病历录入工作量大、病历质量控制难、患者门诊服务缺失。基于语音识别、语义理解、麦克风阵列三大核心技术，AI+虚拟助手可应用于诊前、诊中、诊后多个环节。预诊：智能导诊机器人逐渐成为医院新风景。导引机器人主要通过患者的语音输入进行语义分析，进而给出分诊和导引建议，既节省了人力，又方便了患者。更先进的导诊机器人还可以通过传感器采集患者的生命体征信息，进行预诊断，提前将患者的基本体征和病情总结反馈给门诊医生。这样就可以让医生在看病人之前就获得一些关于病人病情的信息，从而提高医生的会诊效率，减少误诊。诊断时：AI病历助手可直接将语音转换为结构化的电子病历。全程智能语音输入，由医学语言数据模型支持，可同时实现检查、诊断和病历输入，避免医生诊断总是被打断的情况，从而节省医生的时间，让他们专注于诊断和治疗本身。AI手术助手可以让外科医生利用虚拟屏幕、语音识别、手势识别等技术，在空中操作电子设备。这有效地减少了操作时间并降低了感染风险。诊后：患者出院后，AI虚拟助手可对患者进行复诊及满意度调查，推送医嘱、复查提醒、医学科普等。AI+临床工作流程：合理化分配医疗资源，实现效益最大化。临床工作流程是对医院管理流程和医生工作流程的概括描述。临床工作流解决的主要问题是：利用数字化工具在多个参与者之间自动传递文档、信息或任务，以实现医院业务目标（非诊疗行为的信息化）。人工智能正通过医院管理和诊疗流程管理引领医疗行业全面数字化转型，帮助医疗机构优化临床工作流程，提供更优质的医疗服务，创造更高的利润。医院管理的目的是充分优化医院医疗资源配置，实现效益最大化。AI基于医院现有信息进行建模，训练出一套精准的算法，自动制定工作安排。例如，可以根据电子病历、既往病史等信息，分析出哪些患者最需要及时治疗，优先为其提供医疗资源，优化医疗服务秩序。从产品分类来看，临床工作流程管理按对象可分为医疗设备管理、医生工具和支付管理。医疗设备管理：从人工管理向智能化管理转变。在医疗设备管理过程中，存在散布分散、维护效率低、品控管理等痛点。随着智能化、信息化、标准化逐渐成为医疗设备资产管理的大势所趋，医疗设备服务市场已经从简单的设备维护向医疗设备全生命周期管理转变。医生工具：从单点医生赋能到多点医生协同赋能。医生工具的作用主要是为医生赋能，提高工作效率，提升医生能力。医保控费：从规则控费到大数据控费人工智能和大数据为医保智能监控系统建设提供了新思路。部分地区开始探索运用案例推理、就医行为模式分析、诊疗方案分析、医患网络扩散分析等大数据分析方法，提高对保险欺诈的识别能力，确保医疗合理性。保险报销。AI+预防管理：实现对疾病的全面筛查和预测，预防疾病，预防医学优于被动治疗。随着人工智能、大数据、基因等技术的进步，现在已经可以预测一些疾病发生的可能性。安吉丽娜·朱莉(AngelinaJolie)接受了预防性双乳切除术，以降低她患癌症的风险。之所以进行手术，是因为她的基因缺陷使她患乳腺癌和卵巢癌的风险更高。这是从基因的角度预测疾病风险，而AI也可以从我们的行为、生化、影像等检查结果中实现对疾病的筛查和预测。以糖尿病视网膜病变为例，它是一种常见的视网膜血管疾病，是糖尿病患者失明的主要原因。中国是世界上2型糖尿病患者最多的国家。随着糖尿病患者的增多，糖尿病视网膜病变的患病率和致盲率也逐年上升。因为糖尿病早期往往没有任何临床症状，一旦出现症状，病情就已经很严重了，很容易错过治疗的最佳时机。因此，糖尿病的治疗效果取决于治疗是否及时。但由于我国眼科医师匮乏，居民关注度低，我国糖尿病筛查比例不足10%。中国有90万多个基层医疗机构，占医疗系统机构总数的95%，覆盖5.8亿人口。但基层医生供给不足，现有医生数量无法承担工作量，导致医生过劳、误诊、漏诊。此外，基层医疗设备先进水平不足。我国基层医疗卫生机构装备集中在50万元以下，100万元以上的装备十分稀少，说明装备先进水平偏低。只能满足基础疾病的诊治，不能完成疑难杂症。早期筛查。预防管理按其产品的使用范围可分为筛查产品和预测产品。筛查和诊断的核心区别在于，诊断是在出现明显症状后才确定疾病，而筛查并不能提前知道你是否患有疾病。通过分析市面上主流的AI早筛产品，我们发现它们主要集中在肺结节筛查、糖尿病筛查和癌症筛查三类。这是因为上述筛查影像多为DR、CT、眼底照片等，获取相对容易。而且，2018年中检院还建立了彩色眼底影像和肺部CT影像两大标准数据库，对产品研发、审批和推广也有很大帮助。人工智能基于多模态数据，包括文本、图像和流式数据（心率、血氧、呼吸等），可应用于多种疾病的预测，如流行病、慢性非传染病和精神疾病。AI+辅助诊断：CDSS与MDT相结合是未来的发展方向。从诊断数据流来看，首先，患者进行影像学、病理学、体外诊断等一系列检查，获得初步检查结果。然后，通过PACS、HIS等信息系统，将巡检数据进行整合存储。最后，将所有数据收集起来交给医生进行综合解读。人工智能的最终目标是实现像专家一样的个体综合诊断。然而，最成熟的应用仍然集中在单个项目上，尤其是在成像领域。我们统计了120家AI+辅助诊断领域的企业，其中影像辅助诊断占比最高（34%），其次是数据集成存储（占比22%）。影像：基于四大影像技术：X射线、CT、MRI、超声，加上最新的核医学影像技术（PET），实现云化融合发展。人工智能在影像领域的应用主要是图像分类、器官标记、组织结构分割、病灶区域分割、图像配准等，产品布局方向集中在胸部、头部、骨盆、四肢关节等.投入最多的是肺结节和肺部相关疾病，其次是心脑血管疾病，盆腔主要是前列腺和直肠，骨关节主要是骨折和骨龄相关。对于医院需求端，影像AI产品要想进入三甲医院，必须抓住三甲医院医生的两个关键需求——效率需求和科研需求。如今相对成熟的辅助诊断产品，如CT肺结节、CTA冠心病、脑卒中等，都满足了医生对读片效率的追求。对于医疗能力稍差、设备落后、人员不足的乡镇医院，面向基层医疗的影像AI产品主要以X线、超声辅助诊断一些常见病。影像AI企业可以搭建私有云，接入医联体的云PACS，也可以通过在院内教学，训练医生看片、出报告的能力。病理：以病治病在整个医学诊断工作流程中，病理诊断作为医学影像分析的下一步，是诊断的“金标准”。传统病理诊断主观性强、重复性低、误诊率高。依靠肉眼和个人经验，病理学家将切片在显微镜下放大40～400倍，观察细胞形态和组织结构，进行分析诊断，必要时进行免疫组化或免疫荧光检测辅助判断，然后人工计数或计数图像。借助软件统计。同时，与放射科一样，我国病理科也存在专业人才短缺的问题。根据《卫生统计年鉴》，我国注册病理医师仅有1.02万人，与国家卫健委规定的每百张床位1～2名病理医师的标准相去甚远。我国病理医师总数近10万人。.人工智能在病理学中的应用按参与程度可分为三类：利用数字扫描技术形成全断面数字图像（WSI）：提取图像相关特征并进行定性和定量分析：包括细胞大小、结构特征，以及细胞群密度、空间分布等信息。病理图像分类分级：AI可直接输出组织分类、良恶性分化、癌症分级结果，提高病理诊断的准确性、效率和一致性。目前，人工智能技术在乳腺癌、脑癌、前列腺癌的分类分级中准确率已达到90%左右。全程数字化，实现数字切片的首诊、数字报告、数字切片存档等：采用高通量、快速的WSI技术，可将所有常规切片扫描制作成数字切片。结合计算机存储和互联网传输技术，将数字切片存档上传至云端，建立区域网络病理诊断平台，并提供快速检索功能，形成打破地域限制的“云病理科室”。这进一步减少了病理医师凭经验误判造成的误诊，方便病理医师和其他医务人员获取数据，提高工作效率。融合生物学、化学、免疫学、遗传学、临床信息等其他学科，辅助医生诊疗整合相关信息的最终病理诊断报告为患者提供了预后信息和精准的药物治疗指导。基因：AI突破测序解读瓶颈2018年11月，在第13届全球蛋白质结构预测大赛（蛋白质领域的奥林匹克竞赛）上，DeepMind的人工智能程序——AlphaFold成功基于基因序列预测出蛋白质的三维结构并获得了冠军。人工智能越来越多地应用于基因检测。随着二代测序技术的成熟，单个基因组的检测成本已降至1000美元以下，基因测序的快速发展也产生了海量数据。如何解读这些基因大数据，获取与疾病相关的突变，找到致病基因，成为当前发展的瓶颈。人工智能依靠其强大的数据处理能力和学习能力切入到基因序列解读的过程中。早在2014年，IBM就与纽约基因组中心合作开发了基于IBM沃森人工智能系统的肿瘤基因组分析程序。IBM在近日发表在《Neurology Genetics》杂志上的一篇文章中披露了他们的最新研究成果。研究人员对一名患者进行了肿瘤活检和血液样本，并对两个样本中的DNA和肿瘤中的RNA进行了测序。测序数据被发送到IBMWatsonGenome程序和一个由生物信息学家和肿瘤学家组成的专家团队进行分析。沃森系统仅用了10分钟就完成了一份关于可能的临床治疗方案的报告，而专家组人工分析需要160个小时才能得到一份类似的报告。综合辅助诊断：CDSS与MDT相结合的综合辅助诊断系统类似于MDT（多学科联合会诊），由多学科专家共同讨论，为患者制定个性化诊疗方案，尤其针对肿瘤、肾功能衰竭、心力衰竭等诊断。和复杂疾病的治疗。人工智能要想实现综合解读，至少要完成以下两步：多源异构数据挖掘，CDSS和MDT联合使用。多源异构数据挖掘：人工智能企业和医院需要利用大数据技术，完成对多源、结构化和非结构化数据的清洗、脱敏、结构化、标准化，使医院将原有的拆分医疗数据统一起来，形成互联互通的医疗大数据平台，为大数据处理和分析奠定了数据基础。CDSS与MDT联合使用：基于单一学科的CDSS缺乏共享服务模式，往往作为一个子系统嵌入到EMR中，无法全面评估患者的病情。如果利用MDT多学科协作的优势，基于相关证据的关联，可以获得最佳的诊断结果和治疗方案，有望进一步提高医疗服务的效率和质量。AI+辅助治疗：聚焦手术和药物，以提高疗效为核心。围绕药物治疗和手术治疗两大治疗手段，AI辅助治疗在术前规划、术中导航、智能用药等方面发挥了很好的作用。可有效缩短手术时间，减少并发症。在肿瘤治疗过程中，靶区划定和治疗方案设计占用了医生大量的时间和精力。每个肿瘤患者大约有200张CT图像，医生在绘图时需要在每张图像上标记器官和肿瘤位置。按照传统方法，这个过程会耗费医生3-5个小时。如果由于靶区勾画不准确或肿瘤发生变化（肿瘤组织缩小小于30%）导致第一个疗程无效，此时需要改变治疗方案，需要医生重新调整治疗方案。描绘病人。术前计划：基于CT/MRI图像数据，人工智能可以利用图像识别技术自动勾勒出相应的靶区，自动生成具体的辐射照射计划或手术计划，然后提交给医生进行最终确认。术中导航：将患者术前影像数据与实际解剖结构准确对应，利用VR、MR、导板等技术，通过3D数字化建模和算法优化，准确定位病灶。用药建议：基于真实世界用药大数据，运用人工智能技术实现个体化用药指导。个体化用药就是在最合适的时间把最合适的药物和最合适的剂量给予最合适的患者。AI+康复：临床医学的目的是让患者起死回生。临床医学的主要目的是生存。通过药物、医疗器械、手术等治疗手段，患者得以生存。而康复医学则以生命为目的。通过康复治疗，患者可以部分或全部恢复受损的功能，更好地回归社会。因此，临床医学与康复医学相辅相成。临床医学介入患者的治疗期，康复医学介入患者的恢复期。两者最终都消灭了患者，让患者逐渐过渡为普通人。从康复的数据流来看，康复分为监测-指导-监管三个环节，即先获取数据，再分析数据，最后应用数据。监测-可穿戴设备：相比AI在诊疗方面的应用，人工智能在康复领域的应用难度更大。这是因为AI在诊疗过程中的数据很容易获取（从医院的信息系统中获取），产品只需要用数据和算法进行迭代打磨。康复需要可穿戴设备来收集个人健康数据。目前市面上的可穿戴设备大多是监测设备，可以监测血糖、血压、心率、体温、呼吸等健康指标。指导—康复机器人：一个人每天产生的健康数据量非常大。如何处理数据，将数据转化为信息，将信息转化为知识，将知识转化为信息进行健康管理。这是人工智能收集人体生命体征数据后的工作。其中，最直观的就是康复机器人。康复机器人应用人工智能、物联网、大数据等技术，使康复器械人性化、智能化，实现人机交互、智能辅助训练、精准力控的目标。目前，康复机器人主要集中在骨关节康复、听力视力康复、言语康复等领域。未来有望扩展到心肺康复和神经康复。调理：健康管理健康管理就是变被动的疾病治疗为主动的自我健康监测。人工智能健康管理根据体征数据，通过数据了解每个人的身体特征，为每个人设计个性化的健康管理方案。目前主要应用范围为糖尿病、慢病管理、血压管理、乳房健康管理、胎心监测等。健康管理涉及的健康环节主要包括风险识别、健康评估、心理监测、健康干预等。.风险识别：通过获取信息并利用人工智能技术进行分析，识别疾病发生的风险并提供降低风险的措施。健康评估：采集患者的饮食习惯、运动周期、用药习惯等个人生活习惯信息，利用人工智能技术分析数据，评估患者的整体状况，协助规划日常生活。心理健康：利用人工智能技术，从语言、表情、声音等数据中识别情绪。健康干预：利用人工智能分析用户体征数据，定制健康管理方案。AI+科研：生产工具解放科研人员生产力AI+药物研发一般来说，药企需要花费500-1亿美元，耗时10-15年才能成功研发出一种新药。新药研发的高风险、长周期、高成本是药企最大的痛点。目前，人工智能在新药研发领域的应用已经渗透到药物发现阶段、临床研究阶段、审批上市阶段的各个环节。主要涉及靶点发现、化合物筛选、晶型预测、药物重定向、医学转化、药物警戒等多个应用场景。药物发现阶段药物研发从目标发现开始。药剂师根据科学文献和个人经验推测生理活性物质的结构，然后发现目标。然而，在信息爆炸的今天，每30秒就有一篇生命科学论文发表。此外，专利、临床试验结果等大量信息分散在世界各地，科研人员没有时间和精力关注所有信息。传统的目标发现过程平均需要2-3年。人工智能通过自然语言处理技术（NLP）学习海量医学文献及相关数据，利用深度学习发现化合物与疾病的关系，寻找靶点，缩短靶点发现周期。在化合物合成方面，AI可以模拟小分子化合物的药物性质，可以在几周内选择出最好的模拟化合物进行合成测试，并且可以将每个化合物的测试成本控制在0.01分钱，大大降低了成本的化合物。合成成本。在临床前药物研究阶段找到靶点后，需要寻找相应的小分子化合物来匹配靶点。这个匹配过程类似于用户在百度上搜索一个词（目标），引擎会返回相关搜索结果列表（小分子化合物）。这是复合筛选。高通量筛选和传统的虚拟药物筛选耗时长，药物开发成功率低。人工智能的出现为创新小分子药物的发现打开了一扇新的大门。临床研究阶段优化临床试验设计：2015年《临床试验数据核查公告》，严格临床研究数据核查，后续多项政策对临床研究提出更高更明确的要求，并多次提及信息系统和技术的应用，太美医疗技术利用人工智能技术对医学知识进行结构化，辅助多源异构临床数据的结构化、标准化和相关推理。在eCollect（EDC）中，应用了不良反应药物相关性计算、病历OCR识别等人工智能技术，大大提高了数据采集的质量和效率。上市阶段注册申请审批：2019年起，我国开始逐步实施eCTD（电子通用技术文件）标准，不断推进药品注册审评国际化、电子化。传统CTD自动化程度低，导致审批流程仍需耗费大量时间和人力进行“文书工作”。人工智能技术的引入，有望在注册申请过程中实现自动撰写、自动翻译、自动发布和审批的一体化智能化运作。药物警戒：药物警戒主要涉及药物安全性和有效性两个方面，包括药物和治疗中不良反应的收集、分析、监测和预防。2015年FDA规定上市后药品安全报告必须以电子方式提交；2019年，国家不良反应中心上线不良反应直报系统，实行不良反应在线报送。泰美科技eSafety药物警戒系统可直接对接CDE、NMPA药品不良反应。反应直报系统，不良反应直报，通过FDAAERS和EUEudraVigilance药物警戒数据库的提交测试。人工智能技术的应用，使eSafety系统具备CIMOS自动导入、SAE扫描报告自动导入、不良反应提取、报告翻译等功能，大大提高了工作效率。医疗AI产品管线分析我们调研了7大板块62家企业，重点关注其产品应用进展情况，共涉及82款产品。其中，辅助诊断和预防筛查产品数量最多，分别为31个和13个。与去年的报告《2018医疗人工智能报告：跨越再出发》相比，我们可以发现以下新的变化：合作医院数量普遍从去年的几十家增加到数百家；从影像AI红海市场，逐步拓展到药物研发、康复管理、临床工作流程管理等蓝海市场；2018年影像AI主要聚焦胸肺、眼科等疾病，2019年将聚焦心脑血管领域。医疗AI产品应用进展摘录（截至2019年10月）中国医疗AI企业投融资分析为方便统计，我们在处理投融资数据时遵循以下原则：统计范围涵盖180多个主要领域医疗人工智能行业的公司；报告涉及的融资事件仅包括从天使轮到IPO的风险投资事件，不包括IPO、私募、捐赠和并购等。A轮合并为A轮，B轮合并为B轮，所有C轮并入C轮，D轮及以上并入D轮及以上IPO。本报告图表中金额的计量单位为人民币，外币统一折算为人民币（按事件发生当年的平均汇率折算）；融资金额统一指定为100万/1000万/1亿；未披露轮次和金额的融资事件未计入下表；数据截点为2019年10月31日。2018-2019年投资机构活跃度从融资轮次来看，2019年投融资主要集中在A轮（25次，占比60%），以及单家企业平均融资额为2000万元。2009年成立（如长木谷医疗、瑞欣智治、诺道医疗等）。虽然只有6轮及以上融资，但总金额达到24.6亿元（占比58%）。从单家公司融资金额来看，太美医疗科技2019年以15亿元的融资总额位居第一，紧随其后的是思派网络和森亿智能。与2018年专注于影像AI领域不同，今年的Top10融资公司主要分布在AI药物研发和医疗大数据平台领域。部分2019年完成融资的医疗AI企业（截至2019年11月）从融资用途来看，上述企业募集资金仍主要用于产品研发，不断丰富产品线，提高产品壁垒.例如数坤科技在获得2亿元人民币融资后，将向肿瘤、神经系统等其他疾病领域延伸，覆盖心、脑、肺、乳腺、前列腺等重要疾病和临床场景。其次，一些企业利用资金向其他领域扩张。例如，泰美医疗在完成15亿元E+轮融资后，将拓展新的医药营销市场。最后，部分资金将用于产品营销。最终，人工智能将成为医生必备的得力助手。学术界、产业界和医生之间逐渐达成共识。今年，人工智能与医生的较量还没有人打响。行业已经进入标准制定和真正融入医生工作流程的阶段。.建立良好的、可持续发展的商业体系是推动行业向前发展的动力。我们开始在医院的采购清单上看到人工智能初创公司的名字，并且以实实在在的价格认可价值。
