图源@直播中国文|冰鉴科技研究院随着自然语言处理（NLP）、计算机视觉、深度学习等技术的快速发展，人工智能的应用场景不断拓展，“AI+医疗”成为投资者和关注的焦点的企业家。人工智能技术在医疗领域的应用，不仅大大减轻了医院的工作量，缩短了诊断时间，还帮助基层医院的医生提高了诊断的准确性，提前发现疾病，及时治疗，减少了疾病的发生。个人、家庭和社会医疗保险的负担。此外，人工智能技术的运用还可以帮助药企大大缩短药物制剂的时间，降低研发成本。目前，“AI+医学”的各类研究成果不断涌现，正处于量变到质变的过程中。一旦取得重大突破并发生质变，各大人工智能企业将获得丰厚回报。为了抢占市场并提前布局相关赛道，微软今年4月斥资197亿美元收购了人工智能公司Nuance，其最大收入来源与医疗相关。在中国，包括BATJ、科大讯飞、云从科技、冰健科技、云声科技在内的主要人工智能企业都在积极布局医疗行业。北京大学（医疗机器人研究中心）、浙江大学（国家健康与医疗大数据研究院）、吉林大学（智能医疗研究中心）等高校也成立了智慧医疗研究院，与企业、医院、与国外知名大学（如哈佛大学）深度合作，希望在该领域取得突破。然而，在学术研究如火如荼、企业投资方兴未艾之际，“AI+医学”的商业化进程却低于预期。医疗AI先驱——IBMWatson因初期投资过大、商业化不尽如人意，传闻被IBM出售。此外，国内相关研究同质化严重，存在资源集聚、恶性竞争现象；AI仪器功能单一，难以满足医生多样化的需求。面对“AI+医疗”的巨大市场，人工智能企业应从何入局？商业化进程如何？医院、医生和患者真的愿意为人工智能技术买单吗？01发展历程：“AI+医疗”进入深水区“AI+医疗”在21世纪之前发展缓慢，几乎没有商业化产品。进入21世纪后，“AI+医疗”开始快速发展。外国公司以Watson、Nuance和GoogleHealth为代表。国内的科大讯飞、腾讯觅影、阿里健康等企业起步早、投入大。在国外，“AI+医疗”的发展正处于冰火两重天之中。沃森成为IBM“弃儿”的传言让医疗AI行业陷入冰点。目前获批的人工智能医疗器械也少得可怜。2020年9月，《NPJ Digital Medicine》发表的一篇文章提到，目前只有64种FDA批准的基于AI/ML的医疗设备软件可用。”微软宣布以197亿美元收购人工智能公司Nuance，可见行业火热的一面。国泰君安分析师认为：“微软收购Nuance的一个重要原因是Nuance在语音交互领域处于领先地位医疗等领域的市场。其核心业务之一是将医患对话转录成电子病历，并以此为基础提供辅助诊断服务。微软的数据显示，无论是医师医院覆盖率还是产品性能，Nuance的产品在医疗领域都处于领先地位。在中国，自2015年以来，创投开始加速布局“AI+医疗”。得益于深度学习、计算机视觉（尤其是图像识别）、NLP等技术的进步，近十年来“AI+医疗”萌芽，一大批新兴企业开始成立或转型为专攻“人工智能+医疗”。据IT桔子网统计，2012年以来，“AI+医疗”领域的企业达到1439家，获得投资1553笔，总投资7006亿元。BATJ、科大讯飞、平安、云知声、云从科技、冰健科技等竞相进军“AI+医疗”领域。02人工智能在医疗领域的应用人工智能与医疗结合的领域很多，包括健康管理、药物研发、辅助诊断等。医学影像、医学影像、疾病预测五个领域是目前最主流的应用。健康管理/慢病管理、智能语音病历录入等领域相对成熟。2018年12月，全国卫生健康医院需按时参加电子病历系统功能应用水平分级评价，评价结果纳入公立医院绩效评价。到2020年，三级医院全部达到四级以上，二级医院达到三级以上。这一政策为未来“AI+医疗”的发展提供了数据基础，从而带动了科大讯飞、云知声等公司智能语音病历录入业务的快速发展。国新办发布的《中国的医疗卫生事业》白皮书显示，随着我国工业化、城镇化和老龄化进程的加快，居民慢性病患病率和死亡率呈现持续快速增长趋势。目前中国有2.6亿慢性病患者。慢性病造成的死亡占我国总死亡人数的85%，由此造成的疾病负担占总疾病负担的70%。因此，慢病管理存在较大的市场空间，医度科技、第四范式、医路康福等人工智能企业迅速参与其中。“根据医学影像判断各种疾病，然后给医生辅助诊断建议（医学影像+辅助诊断）”是很多人工智能公司的首选研究领域。冰鉴科技研究院认为，人工智能企业偏爱“医学影像+辅助诊断”主要有两方面原因。首先，该领域应用的人工智能技术相对成熟，大量疾病的诊断准确率已被证明优于基层医生。其次，与疾病预测和药物研发相比，该领域的应用难度较低，具有更好的商业化前景。AI医学影像+辅助诊断是指将人工智能技术应用于医学影像的诊断，尤其是各种疾病的筛查，并提供诊断建议，供医生参考。目前常用的疾病筛查包括肺结节/肺癌、眼底疾病、宫颈癌、肺炎、眩晕、肿瘤、结直肠癌等。在美国，Watson等公司已经开始商用AI技术为患者提供辅助诊断。疾病。药物研发和疾病预测是“AI+医学”的深水区。在AI药物研发企业分布方面，据深知分析，截至2020年底，全球AI药物研发企业超过240家，美国仍处于领先地位，占54.4%。国内方面，2020年7月，腾讯宣布正式进入AI+新药研发领域，研发的人工智能药物发现平台“云神智药”将全面向科研人员开放。此外，吉泰医药、网石智造、晶泰科技（XtalPi）等初创企业也开始利用AI技术参与药物研发，但仍未有相关成果商业化。在疾病预测方面，由于数据不全、门槛高，国内参与者非常少。但随着可穿戴设备、电子病历的普及，血氧、睡眠、呼吸、心跳等实时监测，未来一些疾病的预测成为可能。在国外，只有部分研究成果发表在医学期刊上。2017年2月《自然》杂志报道，通过大脑数据预测自闭症。通过扫描兄弟姐妹患有自闭症的婴儿的大脑，北卡罗来纳大学的研究人员表示，他们已经能够相当准确地预测这些高危婴儿中哪些人以后会患上自闭症。03人工智能在医疗领域的应用价值疾病筛查：解决传统效率问题2019年披露《中国人工智能医疗白皮书》，在传统的诊断模式下，医生需要3-5个小时才能勾勒出一个人大约200张CT图像单身肿瘤患者。找到肿瘤位置后，还要花时间根据肿瘤的大小和形状设计方案。与传统模式相比，人工智能可以快速大批量处理图像数据，一次性完成。武汉蓝鼎股份有限公司董事长孙晓荣博士表示，“病理学家用传统的方法进行癌症筛查，主要是简单地反复看显微镜，但一生能看的片子数量也是非常有限。”以宫颈癌筛查为例，传统的人工方式不仅效率低下，而且我国病理医师的数量也远远不够。面对近3亿适龄女性需要接受宫颈癌筛查，离不开技术创新，而人工智能技术可以提供可行的解决方案。公司研发的“两癌”筛查技术截至2020年底共完成117万例宫颈癌筛查，这也是迄今为止人工智能技术应用人群最多的一次。在医学影像辅助诊断方面，可以利用人工智能对医学影像进行标注，可以大大提高医生的工作效率，减少重复工作和遗漏。辅助诊断：降低误诊率据《临床误诊误治》杂志统计，全球疾病误诊率高达30%。据权威机构调查，美国医生的临床误诊率保持在15%到45%之间。《福布斯中文网》的数据显示，近20年来，我国每年门诊误诊率在50-90%，住院误诊率在26-31%之间。其中，癌症最容易被误诊。例如，脑肿瘤的误诊率高达70%，转移性骨肿瘤的误诊率为40%，结直肠癌的误诊率可达79%。广东省卫生厅副厅长廖新波曾发博文《医生的诊断有三成是误诊》，门诊看病，误诊率50%。“脑肿瘤的误诊率甚至在70%左右，甚至高达100%。”他解释说，器质性和功能性病变都会引起头痛和头晕，而CT和MR无法检测到功能性病变，只能靠医生的经验做出判断。造成误诊的原因也多种多样，如医生不够专业、患者隐瞒病情、病情过于复杂、早期症状隐匿等。在所有接受治疗的患者中，只有大约10%的人幸运地找到了病因并得到了恰到好处的治疗。人工智能技术的运用可以很好地避免人为因素，降低误诊漏诊率，尤其是在疾病处于早期隐匿期的情况下。斯坦福大学使用人工智能诊断皮肤癌，准确率超过90%。俄勒冈健康与科学大学（OHSU）和马萨诸塞州综合医院（MGH）的研究人员也在《美国医学会眼科杂志》发表了一项成果：他们开发的一种新算法可以自动检测儿童失明的根本原因，准确率达到91%，而同期接受测试的八名医生组成的对照组眼球照片准确率仅为82%。麻省理工学院的研究人员最近在《IEEE医学与生物学工程学杂志》上发表的一篇论文中提到，他们的模型识别出被诊断为Covid-19的人的咳嗽的准确率为98.5%。准确率高达100%。研究人员收集了超过70,000条录音，每条录音包含多个咳嗽声，总共有超过200,000个咳嗽声样本。平安智慧医疗研究团队利用医学中心外伤急诊科1888例患者的骨盆X线影像数据进行检测，并利用AI技术判断骨折的结果和部位。该模型的预测准确率达到92.4%。与台湾长庚医院4个科室23名医生（AI+医生）合作，急诊医生使用AI系统后，漏诊率从9.7%下降到0.7%，住院医生漏诊率从11.3%下降到1.58%。医师漏诊率从6%下降到0.5%。在检测灵敏度、特异性等量化指标上，AI骨折系统明显超越急诊医师和住院医师，接近或略优于放射科医生和部分骨科专家。提高医生工作效率（智能语音病历录入与管理）美国知名医疗专业网站Medscape对15000名美国执业医生进行调查发现，近三分之二的医生表示他们已经精疲力尽（42%）,情绪低落(15%)或两者皆有(14%)。主要原因包括临床医生必须处理各种复杂的医疗文件(56%)以及花费大量时间将患者信息输入电子健康记录(24%)。智能语音病历录入和管理，有效帮助医生节省时间，提高工作效率。这也推动了该领域在“AI+医疗”细分领域最成熟的商业化。典型案例包括科大讯飞、Nuance等药物研发：缩短时间、降低成本据深知分析统计，新药研发具有三大高风险特征：成本高（10亿+）、研发周期长（10-12年）),成功率低(13.8%)。药物研发的投资回报率从2010年的10.1%稳步下降到2018年的1.9%，尤其是一些复杂的疾病领域，比如肌萎缩侧索硬化症，过去半个世纪50多项临床试验都失败了显示任何积极影响。同时，利用自然语言处理、深度学习、图像识别、机器学习等人工智能技术，可以缩短药物研发时间，降低药物研发成本，提高预测准确性和疗效。北京大学前沿交叉研究院定量生物学中心研究员裴建峰认为，人工智能技术尤其是强人工智能的发展有望解决药物设计中的挑战性问题。例如，随着自然语言处理技术和AI文档信息提取技术的发展，未来AI可以自动处理海量非结构化专利和文档数据，从中提取关键信息构建知识图谱和认知图谱，自动发现药物靶点和毒品。分子。♂2019年9月报道，AI药企InsiliconMedicine与多伦多大学科学家合作，从开始研发靶向新药到完成初步生物验证仅用时46天，而传统方法至少需要8年才能完成。该研究成果已发表在期刊《自然生物技术》上，标题为：深度学习能够快速识别强效DDRI激酶抑制剂。景泰科技CEO马建在接受《IT时报》采访时表示，“通过计算，可以帮助药企优先选择最有可能成功的药物化合物、候选晶型和研发路线，帮助这些药物研发专家趋利避害，减少研发。时间和试错范围，尤其是晶型研发周期，将从几个月甚至一年缩短到几周到几个月。”04市场空间和商业化现状市场空间广阔据ReportLinker数据库早前发布的一份报告：计算能力的提升和硬件成本的降低推动了全球医疗AI市场的发展，预计到2025年，全球医疗行业AI市场将达到250家亿元。据中国信息通信研究院西部分院发布的《2020智慧医疗发展研究报告》，2020年我国智慧医疗产业规模已突破1000亿元，2021年有望达到1259亿元。具体到单个公司，2021年4月20日，科大讯飞公布2020年业绩报告，智慧医疗业务实现营收同比增长69.25%报告期内。此外，优利声达的招股书披露，其2017年至2019年的智慧医疗营收增速也超过50%（如下图）。此外，医度科技招股书显示，其健康管理平台及解决方案业务从2019财年的1075.8万元增长至2020财年的5564.8万元，同比增长417.27%。不过，智能语音在病历录入、健康管理等领域的监管相对宽松，但在疾病诊断、药物研发等领域的要求会更加严格。商业化难度更大在美国，屈臣氏的商业化收入与投资严重不匹配。《华尔街日报》援引知情人士的话说，Watson的年收入在10亿到15亿美元之间，比IBMCEOVirginiaRometty在2013年10月估计的要差十倍。与此同时，Nuance的日子不好过。虽然与美国77%的医院有合作，但营业收入自2016年以来连续五年下降。在中国，BATJ等众多互联网、人工智能公司、医疗机构、大学、风险投资等花费数十数十亿美元参与智慧医疗，相关研究不断出现在学术期刊上。然而，目前成功通过国家药品监督管理局（NMPA）审批的医疗器械软件只有11种，距离各大医院的医生审批并大规模商业化还有很长的路要走。根据蛋壳研究院的产业评估，医学影像、医学研究、虚拟助手是最接近产业化的，大规模商业化还需要2-5年左右的时间，但目前处于预期可期的阶段。太高了；健康管理、药物研发、医院管理1、疾病筛查离产业化还很远，5-10年。据埃森哲分析和航世资产管理估计，人工智能医疗产品将在10年内提升医疗资源的整体效率。05“AI+医学”的实践问题在AI影像筛查领域，近5年发生了200多起融资事件。但该领域普遍面临高质量数据不足、研究方向同质化严重、与医生需求差距大、基层医院经费不足等现实问题。高质量数据还不够表面上，BATJ等多家人工智能公司与上百家医院合作。整体医疗数据庞大，但针对具体疾病的数据并不多。一些图像数据质量差，数据不完整、非结构化，一些医生的诊断是根据并发症和患者的精神状态——很多都没有记录。例如，谷歌研究人员发表的两篇乳腺癌检查文章就存在数据不足的问题。同行之间的碎片化和较少的合作导致研究方向的同质化。冰科院发现，对于一个单一的疾病早筛项目，参与研究的企业少则几家，多则数十家，产品研究同质化。严肃的。但企业之间几乎没有技术和数据共享，碎片化非常明显，严重浪费了社会资源。据动脉橙数据库显示，大量企业涉足肺结节及眼底筛查并推出相关产品，但真正能进入医院赚取收入的企业还不到10家。与医生需求存在巨大差距，采购动力不足。目前，各大人工智能公司都是针对单一疾病进行个体化研究，而医生在检查患者时需要对多种疾病、并发症、精神状况等进行综合判断。不是一种。据了解，仅皮肤病就有2000多种，AI技术目前只能判断几十种皮肤病。中国电子科技集团公司第五十五研究所职工医院院长张建炎在接受亿欧网采访时表示：“DE-B超机器人（汇医在线研发的甲状腺结节诊断）仅覆盖甲状腺“癌。有点小，不能完全满足医院的需要，而且在判断是不是结节的问题上，和医生会有分歧。”他补充说，购买仪器与医院所在医疗联合体的推荐有关。此外，基层医院医生对癌症、肿瘤等疾病的治疗能力有限，对辅助诊断的需求更大，可以帮助基层医院医生诊断相关疾病。但一旦发现相关疾病，一般建议去三级医院或专科医院复查治疗。这导致基层医院收入低，购买相关设备的资金不足。但一些专科医院或三级医院医生水平高，辅助治疗需求不足。因此，购买力也不足。06总结与展望——谁来推动AI企业的合作？正如汇医慧影创始人柴翔飞所说：“目前的AI医疗产品短期价值在于减少漏诊、提高效率，精准医疗和个性化诊断才是长期价值。”短期内，基于人工智能的医学影像对各类疾病的筛查诊断相对成熟，可有效降低基层医院的误诊率。各大AI公司都在积极布局。但从长远来看，“AI+医疗”的细分市场较多，很难指望在每个领域都取得短期成果并获得医院医生的认可。沃森的教训表明，人工智能公司单打独斗并不明智。此外，各大初创公司主要依靠风险投资提供资金支持。如果长期没有实现成果或收益低于预期，后续投资必然减少。各大人工智能初创企业应加强合作，做好疾病数据共享，合理划分研究方向，为皮肤科、眼科疾病、消化道疾病等大类疾病提供人工智能诊断筛查服务和胸部疾病。更好地满足医生的需求。例如，华为云研发了肺部所有疾病（包括肺炎、肺结节、肺癌等）的辅助诊断系统，斯坦福大学团队对皮肤病变的研究覆盖了2000多种疾病。如果几家人工智能公司通力合作，深入研究某一类疾病（如胃病、肺病），并将研究成果集中在同一个医疗设备上，开发出能够满足医生需求的多功能诊断仪器，必将加快商业化进程。有从业者提出建设覆盖全国的一体化国家大数据中心，由卫健委或行业协会牵头，打破医疗数据孤岛，为人工智能在医疗领域的广泛应用进行顶层设计。行业。然而，面对医疗数据安全治理、个人隐私保护等难以逾越的难题，医疗AI数据共享与合作难免任重而道远。（本文为钛媒体APP首发）
