【2020醫療AI報告】40多位被訪人，告訴我們2020醫療AI發生的5大變化

“眼望星空，腳踩實地”是每個創新創業者堅守的信條。

作為新基建的核心成員，AI可以為各個產業賦能，這意味著AI有著無限的市場潛力。醫療作為國民經濟的重要組成部分，必然成為AI的用武之地。我國醫療AI經過多年的發展，2020年應用市場規模接近300億元，過去5年CAGR超過40%，屬於高增長行業，但這對於數萬億級的醫療市場來說，待挖掘的空間巨大。

蛋殼研究院透過採訪23位創業者、10位投資人、5位醫務工作者、2位器械評審專家、調研20家企業，我們發現2020年醫療AI的五大變化：

2018年中央經濟工作會議上提出了新基建的概念，從此“新基建”一詞在媒體報導中時常出現。傳統的基礎設施建設主要集中在鐵路、公路、機場等領域，因此，也稱為“鐵公機”。而“新基建”則更多集中於5G、人工智慧、資料中心、工業網際網路等科技創新領域基礎設施，以及教育、醫療、社保等民生消費升級領域基礎設施。

2020年4月20日，國家發改委首次明確新型基礎設施的範圍，即新型基礎設施是以新發展理念為引領，以技術創新為驅動，以資訊網路為基礎，面向高質量發展需要，提供數字轉型、智慧升級、融合創新等服務的基礎設施體系。

新基建的構成體系及內容要點

圖片來源：蛋殼研究院製圖

醫療作為新基建建設的重要領域，可以充分利用相關設施和技術來加快自身的創新發展。可以看到，AI是新基建的重要構成要素，需要從如下3個方面在醫療領域取得突破：

1、跨邊界以湧現新能力

AI是技術設施的組成內容，除了需要與雲端計算、區塊鏈等技術設施進行融合，還需要與5G、物聯網、網際網路等通訊設施，資料中心、計算中心等算力設施進行融合。如AI同雲端計算融合，雲端計算平臺可以根據授權在雲中收集、儲存和分析電子病歷、檢驗檢查、臨床診斷等資料，為AI模型訓練提供大量優質的資料支援，打造更好的醫療AI產品。

AI可以同5G融合，將診斷功能下放到有通訊條件的基層地區，提升基層醫生的診斷治療水平。AI也可以與資料中心、計算中心融合，利用強大的算力支援，開發單器官全病種的應用。

（1）AI與5G、雲

從當前階段來看，5G、AI、雲的融合還未為醫療領域帶來顛覆式的改變。5G的優勢在於加速單位時間內AI可分析的資料量，雲的作用在於幫助AI突破單一裝置的限制，透過AI上雲的方式可以讓其連線更多終端。雲與AI的結合早已在諸多醫聯體開始應用，尤其是新冠時期，基於醫聯體的遠端CT輔助診斷。

透過這一方式，患者無需往返於大醫院，僅在符合要求的基層醫聯體機構便可完成檢查與診斷。這將有效分診患者，降低三甲醫院的工作負荷，減少患者往返醫院時發生的感染事件，患者透過手機便可接收影像診斷相關資訊，這將有效推進我國主動預防型公共衛生防控體系的建設。

（2）AI與物聯網

對於醫療而言，物聯網的價值在於能夠將醫療資料的蒐集從單一有限的醫院延伸至居家、健身、旅行等每一個場景。對於醫院而言，這些冗雜、瑣碎的資料沒有太大的價值，但對於特定的健康管理企業而言，經過清洗的資料能與患者的健康狀況掛鉤，並可基於此幫助患者完成疾病監控。

AI的介入可以幫助企業跟據患者身體情況完成模型的自適應，有效提高多模態資料的分析能力，進而提升相關應用分析的準確程度，同時降低單個使用者的服務成本。基於這一高效的資料分析能力，健康管理企業能夠與使用者建立起實時、高頻的聯絡，進而延伸為社群。社群運營商可以尋找藥企進行相關的合作，這一模式正廣泛應用於糖尿病管理、心血管病風險管理等場景。

2、多主體以打造新場景

AI賦能醫療的發展必須是向多主體提供智慧服務，面向醫療機構的智慧醫院建設，涉及患者、醫療(包括門診、住院)、護理、醫技(含藥事)、管理(含行政、業務)、後勤保障、教學科研、區域協調等領域的智慧化建設，是一個系統性的工程。

面向監管機構的智慧監管建設，涉及醫療資料、醫療行為、醫療費用、醫療人事等方面的監管，AI需要助力實現醫療資料的隱私保護和許可權分配，醫療行為的科學性和合規性，醫療費用的合理性和真實性以及醫療人事組織的靈活性。

面向產業生態的智慧服務，為醫藥企業提供臨床研究、註冊申報、真實世界研究服務，助力器械企業研發醫療AI裝置，為網際網路醫療企業提供智慧問診、智慧續方、智慧患者管理服務，為保險企業提供智慧分銷、智慧定價、智慧理賠服務，為藥店提供智慧採購、承接處方、患者管理服務，為第三方醫檢企業提供影像、病理輔助診斷服務等。

面向患者的智慧管理建設，包括健康管理、線上複診、慢病管理、康復護理、線上購藥等服務。

新基建全面助力醫療產業發展

圖片來源：蛋殼研究院製圖

以往大部分AI產品都選擇落戶大三甲醫院，因為這裡有更多的醫療資料資源、更好的醫生團隊、更強的付費能力。但從中國醫療資源分佈的現狀看，基層才是更需要AI賦能的地方，基層醫療基礎設施薄弱、醫生人才匱乏、診療水平低下，透過AI可以輔助基層醫生進行疾病診斷、疾病治療、患者管理，緩解醫療資源分佈不均衡的問題。

因此，AI在為大三甲醫院賦能的同時，更需要向基層賦能。AI在不同層級醫療機構的功能應該是差別化的，針對大三甲醫院，主要是規範診療流程，減少漏診，減輕醫生的工作負擔、提升醫院的科研實力；針對基層醫療機構，主要是提升醫生的診斷水平，減少誤診，覆蓋更多的疾病以及做好患者管理，讓患者留在基層。

2010-2018年我國政府衛生投入情況（億元），資料來源：中國衛生健康統計年鑑2018年，政府公共衛生建設投入已經達到1243.32億元，10年間增加了2.14倍，而且公共衛生建設投入佔衛生總投入的比重也呈現上升趨勢。但從公共衛生投入佔衛生總投入的比重看，公共衛生建設任重而道遠。

公共衛生是醫療新基建覆蓋的重要領域之一，特別是今年突發的新冠疫情，將公共衛生建設推入了快車道，多個省份提出的補短板建設三年計劃中都將公共衛生建設納入重點建設專案，從各省市公共衛生防控體系建設的內容看，AI可以在以下5個方面發揮重要作用：

（1）監測預警

基於傳染病大資料構建傳染病監測模型，可以對傳染病傳播路徑進行還原，追溯病毒源頭；對傳染病患病群體進行動態追蹤並自動提醒，劃分出疾病高風險區；而且還能對傳染病的未來發展趨勢進行模擬預測，相關防控部門可以進行提前部署。

（2）篩查診斷

影像篩查診斷是醫療AI的主要功能之一，基於AI的影像識別、演算法模型等，能夠提升影像科醫生閱片的速度和準確性，及早篩選出疑似病例並進行隔離治療，降低擴散傳播風險。

（3）實驗室檢測

AI在實驗室檢測的應用包括基於數字影像的細胞檢測、形態定量分析、組織病理診斷和輔助預後判斷等多個方面。在計算機重建細胞形態過程中，在壓縮波形上應用機器學習而不用進行影像重構，實現高效的基於影像的無形態學細胞檢測。在組織病理診斷過程中，透過開發基於不同細胞病理方向的AI分析模組，可以輔助診斷不同的腫瘤分型。

（4）疫苗研發

AI演算法可以加快病毒識別、藥理分析、候選物篩選、臨床試驗等。例如在本次新冠疫苗研發期間，LinearFold演算法為全世界100多家新冠病毒研發機構提供技術助力，新型冠狀病毒的全基因組二級結構預測從55分鐘縮短至27秒，提速120倍，極大提升新型冠狀病毒RNA空間結構預測速度，縮短疫苗研發週期。

（5）醫療資源調控

醫護資源、床位資源、物資資源在疫情防控中需要動態調配，滿足不同地區、不同醫療機構的戰時需求。AI可以實時反映醫護人員工作負荷、空餘床位數、檢驗裝置數量，結合對各地疫情變化情況的實時追蹤，為醫療資源動態調配提供決策支援。

（1）大市場、高誤診、多資料推動AI在醫學影像的快速應用

醫學影像是AI在醫療領域應用最多且最成熟的場景。我國一年醫學影像的檢查量超過75億人次，根據火石創造《醫療影像的市場圖譜和行業發展分析》報告分析，2020年我國醫學影像市場規模將達到6000~8000億人民幣。

龐大的檢查量帶來的是影像資料的快速增長，目前影像資料的年增長率達到30%，而同期放射科醫生的年增長率僅為4%，形成較大的供給缺口。放射科醫生的短缺造成誤診率偏高，根據中國醫學會公佈的誤診資料，惡性腫瘤平均誤診率為40%、肺外結核的平均誤診率在40%以上，高出臨床醫療總誤診率12個點。

同時，醫學影像資料可獲得性較強、易標註、標準化程度相對較高等特點，大大降低了AI的應用門檻。因此，醫學影像成為AI目前的主要應用市場。

（2）同質化嚴重，集中在肺結節和眼底

動脈橙資料庫顯示，截止2020年7月底，國內醫學影像+人工智慧的企業數量達到89家，從影像輔助決策應用分佈看，72%的企業涉及肺結節，53%的企業涉及眼科，成為影像檢查應用最多的兩個場景。

這主要是因為CT影像的清晰度越來越高，檢查量也越來越大。同樣眼底篩查人群規模大，僅糖尿病人群就超過3億，且眼底相機的普及率高，基層醫療機構基本都配備。

另外，二者的資料量大、標註難度較小，AI企業在這兩個場景進入門檻低，最容易出產品。大量的企業扎堆涉足肺結節和眼底篩查，推出相關產品，同質化現象嚴重，但真正能進入醫院獲得收入的不到10家。

AI醫學影像輔助決策應用分佈

資料來源：動脈橙資料庫

蛋殼研究院整理了過去5年AI影像領域的融資事件數（2020年統計到9月15日），整個融資事件數呈現倒U型走勢。AI影像領域融資熱潮在2018年達到頂峰，隨後出現急劇性下跌，2019、2020年的同比降幅均超過50%，這說明AI影像的融資熱潮已退卻，投資機構對AI影像創新企業的篩選更加謹慎。

2015-2020年AI影像企業融資情況

資料來源：動脈橙資料庫

A輪融資是行業發展階段的分水嶺，行業內大部分企業處於A輪系列及以後輪次融資，表明行業產品或服務體系已經得到市場認可，有比較成型的商業模式，在市場上企業之間開始展開競爭。

從2020年獲得融資的AI影像企業情況看，其融資輪次都在A輪及以後，說明AI影像行業進入發展期，企業將加快進行產品認證申請，以便在市場競爭中獲得優勢。

2020年1-9月獲得融資的AI影像企業

資料來源：動脈橙資料庫

AI的應用主要集中在醫學影像和輔助診斷環節，為了更好地發揮AI在醫療領域的作用，需要在目前的應用場景上進行擴充，包括院內場景擴充和院外場景擴充。

院內、院外AI應用場景的擴充

圖片來源：蛋殼研究院製圖

AI在院內的應用場景可以向輔助治療、保險支付、醫院管理擴充。

（1）輔助治療

針對靶區勾畫，AI基於大量三維、大尺度和高質量的影像資料、靶區資料以及專家經驗資料，能夠做到全自動化器官分割，只需要2-3分鐘就能出結果（醫生手動描繪耗時2-3小時），滿足臨床醫生90%的需求，且整個勾畫過程都是按照模型設定的路徑，有利於消除醫生之間的個體化差異。

對於術前規劃，AI演算法能夠對影像上的器官和血管進行快速分割、三維重建，醫生可以在虛擬現實環境中對器官、病灶及內部複雜的解剖結構做出個體化、全量化的分析，讓術前規劃更精準。

且在手術過程中，AI能將患者影像資料和實際解剖結構準確對應，利用VR、MR、導板等技術，透過三維數字建模及演算法最佳化，對病灶進行精準定位。

手術機器人則是基於AI強大的視覺識別能力，結合3D立體視覺和機械臂自由度，達到定位準確、移動靈活，輔助醫生更好更快地完成手術。

（2）保險支付

AI基於對大量臨床指南、醫保政策等資料的學習，構建醫療費用稽核模型，對於提交的醫療費用資料進行匹配分析，篩出不合理的單據交由人工複核，為合理控費提供支撐。

同時，憑藉積累的醫學知識圖譜和演算法，能夠全方位分析被保險人的發病率、檢查檢驗頻次、再次住院率、用藥情況、康復效果等內容，綜合得出其風險等級，保險公司據此推出個性化產品及收費方案。再結合大資料風控模型和保險理賠規則，根據客戶發生的風險型別和傷害程度計算理賠金額，加快賠付流程。

（3）醫院管理

在病歷管理方面，NLP結合知識圖譜，可以處理大量複雜的病歷文字資訊，並透過對病歷管理制度的學習，搭建病歷管理智慧化系統，對未及時錄入病歷的醫生進行到期提醒，標註病歷錄入漏掉內容，如果病歷錄入不一致或不合規，給與及時報警，保證病歷錄入質量。

2、院外場景擴充：藥物研發、慢病管理、疫情防控成為新風口

院外場景的AI應用包括藥物研發、慢病管理、智慧隨訪、疫情防控等。

（1）藥物研發

AI應用其強大的發現關係能力和計算能力能夠挖掘那些不易被藥物專家發現的隱性關係，構建藥物、疾病和基因之間的深層次關係；能夠對候選化合物進行虛擬篩選，更快地篩選出具有較高活性的化合物；能夠從海量的臨床試驗資料中提取相關資訊，將試驗結果與病人情況進行自動配對，加快試驗入組，並設計最優臨床試驗方案，縮短臨床試驗時間等。

AI在藥物研發的應用場景，圖片來源：蛋殼研究院製圖（2）慢病管理

AI基於對體溫、血糖、血壓、血氧飽和度、心率等體徵資料在不同數值所表示的體徵情況進行深度學習，形成疾病風險識別演算法模型，透過將裝置採集的資料與關鍵定量指標進行對比分析，識別潛在疾病風險。

同時，AI透過NLP對大量慢病科普資料進行分析處理，可以為不同慢病型別患者推送定製化醫學知識，方便患者自我學習。而且AI還可以對慢病患者的飲食、運動、睡眠、用藥等行為進行動態監測與分析，對慢病患者的健康狀態給與評價，幫助他們糾正不合理的行為，降低慢病惡化的風險。

（3）智慧隨訪

AI可以依據隨訪要求定製隨訪模型，透過語音互動、視覺互動、手勢互動等技術，實現人機問答，並且能夠將隨訪資料進行分析處理，形成結果輔助醫生決策。針對需要複診的患者，AI可以依據患者的隨訪情況自動匹配相應的科室和推薦複診時間。

（4）疫情防控

AI基於疫情大資料構建疫情監測模型，對死亡人數、確診人數、疑似人數等資料進行動態跟蹤分析，形成疫情地圖；同時還能對確診或疑似患者的行動軌跡實現還原，圈定可能的接觸人群，實現有效隔離。而且透過AI構建的疫情風險評估模型，能夠根據各地的疫情資料、個人的體溫資料情況，做出風險評估，篩選出高風險區和高風險人群。

分級診療的本質是整合醫療服務的需求入口，透過小病進基層、大病進醫院的服務方式，使得各級醫療服務機構能夠更好地發揮自身應有的價值，提高醫療體系的整體服務效率。而醫聯體就是落實分級診療體系的重要舉措。

2016年8月，衛計委（現為衛健委）在《關於推進分級診療試點工作的通知》中設定了醫聯體建設具體推進目標：到2020 年，在總結試點經驗的基礎上，全面推進醫聯體建設，形成較為完善的醫聯體政策體系。

所有二級公立醫院和政府辦基層醫療衛生機構全部參與醫聯體。醫聯體建設以縣域醫療共同體（醫共體）、城市醫聯體（城市醫療集團）為重點。截止目前，我國縣域醫療共同體有3346個，城市醫聯體有1408個。

縣域醫療共同體是以縣級醫院為龍頭、鄉鎮衛生院為樞紐、村衛生室為基礎的縣鄉一體化管理模式，與鄉村一體化有效銜接，形成縣鄉村三級醫療衛生機構的分工協作機制。城市醫聯體以三級醫院為牽頭單位，聯合若干城市二級醫院、社群衛生服務中心等，構建“1+X”醫聯體，縱向整合醫療資源，形成資源共享、分工協作的管理模式。

醫聯體的核心工作是要提升基層醫療機構的醫療服務能力，這為AI與醫聯體的結合提供了良好的發展契機。透過構建由AI影像系統、AI輔助診斷系統、AI輔助治療系統構成的AI基層醫療服務綜合解決方案，為城市二級醫院、社群衛生中心、鄉鎮衛生院、村衛生室等基層醫療機構賦能。

AI賦能縣域醫療共同體和城市醫聯體建設

圖片來源：蛋殼研究院製圖

如前所述，影像篩查、疾病診斷、疾病治療、費用支付、醫院管理、藥物研發、慢病管理、疫情防控等醫療場景都需要AI發揮作用，因此，臨床需要獲批拿證的AI產品。這些需求倒逼政策和監管創新，加速AI產品的審評審批。蛋殼研究院整理了AI審評審批相關政策，並做了系統性梳理。

AI醫療器械審批創新程式關鍵節點

圖片來源：蛋殼研究院製圖

到2018年年初，中國食品藥品檢定研究院以《醫療器械軟體註冊技術審查指導原則》、《移動醫療器械註冊技術指導原則》、《醫療器械網路安全註冊技術審查指導原則》三個原則作為建庫基準，最終建立了包含6327例資料的眼底影像標準資料庫與包含623例資料的肺部影像標準資料庫，其標準化流程可以說是走到了世界的前面。藉助標準資料庫與相關標準流程，中檢院可以實現對AI產品進行審評審批。

但迫於時代的侷限性，這個資料庫並沒有沿用太久。背後的原因主要有以下幾點：其一，資料來源於醫院與企業的共同標註，由於當時缺乏資料行業標準，各家企業提交的資料差異太大，與真實世界情況發生偏移；其二，在測評過程中，企業既是資料的提供方，又是資料的考核方，其結果難以保證絕對的公平公正。當然，資料量、資料安全、資料利益歸屬等問題也一定程度上阻礙了這項工作的後續發展。因此，也沒有企業成功透過這一資料庫獲批產品。

產品的逐漸成熟與審批的遲遲不過使得AI企業進退兩難，一方面，AI產品形態確乎是醫院科室未來不可缺少的一部分；另一方面，審批的阻礙導致企業缺乏有效的變現手段，持續的融資並非長遠之計。

2019年6月起，NMPA開始頻繁在醫療AI的標準制定上展開動作。6月29日，NMPA正式向AI企業釋出了審批相關檔案《深度學習輔助決策醫療器械軟體審批要點》，以檔案的方式將審批相關的具體指標確立下來。

在2019年7月17日，人工智慧醫療器械創新合作平臺的成立以及隨後在博鰲舉辦的人工智慧醫療器械創新合作平臺會議對創新平臺組織架構進行了擴充，至此，AI醫療器械的審評審批有了權威的組織，確保審評審批的公開性和公平性。在今年的世界人工智慧大會上，人工智慧醫療器械創新合作平臺釋出了包括醫療人工智慧測評公共服務平臺、糖尿病視網膜病變常規眼底彩色照相AI標準資料庫、《基於胸部CT的肺結節影響輔助決策產品效能指標和測試方法》、《基於眼底彩照的糖尿病糖尿病視網膜病變輔助決策產品效能指標和測試方法》等多項成果。

AI醫療器械創新合作平臺組織結構，圖片來源：CMDE2020年7月WAIC（世界人工智慧大會）大會上，人工智慧醫療器械創新合作平臺再發新進展。大會上，平臺釋出了包括醫療人工智慧測評公共服務平臺、糖尿病視網膜病變常規眼底彩色照相AI標準資料庫、《基於胸部CT的肺結節影響輔助決策產品效能指標和測試方法》、《基於眼底彩照的糖尿病糖尿病視網膜病變輔助決策產品效能指標和測試方法》等多項成果。簡而言之，本次釋出一次性涵蓋了資料庫、平臺、標準三個要素，第三方測評從結構上看已經可以實現，AI審評審批的推動力發生了質變。

AI醫器械三類證的申報流程包括註冊申報資料準備和審評審批兩個環節，總計11個部分，醫療器械註冊是一項行政許可制度，是NMPA根據醫療器械註冊申請人的申請，依照法定程式，對其擬上市醫療器械的安全性、有效性研究及其結果進行系統評價，以決定是否透過其申請的過程。結合前面AI醫療器械審批創新程式，可以將審評審批要點的變化分為3個階段。

AI醫療器械審評審批要點變化

圖片來源：蛋殼研究院製圖

該階段AI醫療器械申報以分類管理為基礎，以風險高低為依據，確定醫療器械註冊與備案的具體要求。在分類管理方面，按照應用範圍不同，將深度學習輔助決策醫療器械軟體細分為醫療器械資料、深度學習、輔助決策、醫療器械軟體；按照軟體獨立性特點，分為AI獨立軟體（本身即為醫療器械的AI軟體）與AI軟體元件（醫療器械內含的AI軟體）。在風險考量方面，包括假陽性、假陰性的臨床使用風險管理，而且設定了風險管理的要素、措施和要求。

（2）第二階段（2019.7-2020.3）

該階段的核心在於對資料庫的建立進行深入探討，具體包含資料庫建立方向、建庫模式、建設目標、平臺服務模式、資料庫監控五個方向。而且人工智慧醫療器械創新合作平臺會議提到的8種測試樣本資料庫，包括CT肺、CT肝、CT骨折、腦MRI、心臟MRI、冠脈CTA、心電、眼科，其中糖網AI標準測試資料庫已由北京協和醫院建成。

（3）第三階段（2020.3-）

該階段由於新冠肺炎疫情對於醫療AI輔助診斷的新需求，國家藥品監督管理局醫療器械技術審評中心（CMDE）印發了《肺炎CT影像輔助分診與評估軟體審評要點（試行）》政策。政策明確了肺炎CT影像輔助分診與評估軟體按照三類證進行管理，且要求相關軟體功能至少包含異常識別、量化分析（如病灶體積佔比、CT值分佈等）、資料對比（手動、自動均可）、報告輸出等功能。此外，政策還對AI模型訓練資料的數量、資料來源以及整個臨床試驗設計都做出了細緻的規定。

蛋殼研究院透過蒐集在NMPA、CDME官網釋出的相關資料，共計整理5個獲得三類證的AI醫療器械產品，它們的應用場景涉及心血管疾病、顱內腫瘤、糖尿病3類疾病應用場景。

醫療器械三類證AI產品獲批情況

資料來源：NMPA、CDME

根據政策規定，蛋殼研究院梳理了企業要透過綠色通道的三點核心要點：

（1）找到合適的應用場景

現有的許多影像裝置——CT、MRI、彩超、心電、腦電、X光等——都或多或少地應用了AI，但是要讓AI真正發揮作用，企業絕對不能陷入“一個功能等於一個產品”的陷阱。例如患者出現發熱頭疼的時候，醫生實際上不能判斷患者患病的具體情況。患者做了MRI後，如果只是單一功能的產品，如腦出血檢出，並不能滿足醫生的要求，醫生需要至少針對某一部位“全病種”的AI產品。這是發展趨勢，也是企業設計臨床實驗的可選路徑之一。從現有情況來看，能夠診斷多部位、多病種的產品才能符合醫院的需求，進入審批流程。

（2）選取有效資料

從現有的演算法機制來看，如果用基層醫療的有效資料培養AI產品，那麼這個AI產品的最高水平只可能停留在通用於基層醫療，無法向大型醫院延伸。對於乳腺癌、腦腫瘤等疾病的診斷，不同層次的醫院相差太多，如果隨意選用資料，很可能訓練越多，準確性越差。所以，醫療AI要想在三甲醫院落地，必須使用頂級醫院的高質量資料，深度學習頂級專家的“金標準”臨床經驗，才能保證AI的準確性。

（3）製造演算法門檻

過去很長一段時間，AI的醫療門檻或許沒有那麼明顯——只要能夠獲得高質量的資料，企業便能後來居上，如今一切都已改變。很多AI企業發現，當我們逐漸向全病種邁進時，單任務的深度學習演算法已經無法應對需求，多工演算法將是大勢所趨。所以，除了繼續爭奪高質量、有效的AI資料，下一階段，醫療AI企業必須在演算法層面尋找突破。

大部分醫療AI產品所謂的“落地”，僅僅是將軟體安裝於醫院某科室、與器械廠商完成介面對接、與藥企達成合作……但距離商業化，仍然存在一定距離。因此，我們將這個階段稱之為產品投放階段，也是醫療AI野蠻生長階段。

產品投放階段最早可追溯至藍色巨人IBM旗下的Watson機器人，在這個階段，鑽研醫療AI的研發人員幾乎都不是醫療出身，因此，設計出來的產品與醫療真實需求出現錯位，存在非常大的改進空間。醫療AI產品進入醫院，主要是為了使用醫院相應的臨床資料，完成產品測試，以尋求下一階段的迭代方向。

所以，科研合作成為企業產品落地的主流商業模式，輔以渠道代理和醫院關係，如企業成立論文團隊，協助資訊科、影像科醫生完成SCI論文。2015年興起的醫療影像輔助診斷軟體即以該商業模式為主，即初期產品進入醫院，使用大量經過醫院醫生標註過的影像資料，對AI影像輔助診斷軟體進行訓練，完成初期產品的打磨。

但這個時候打磨的產品侷限在某個環節的需求，意味著相應的AI產品只具備某一特定功能，而不能較好地滿足醫生的臨床需求。

隨著與醫院合作交流逐漸變多，企業開始理解醫院的真實需求，並以此為核心重新制定產品研發策略。在這個階段，越來越多的醫療領域專家開始進入AI企業任職，網際網路思維下的AI與臨床醫學開始真正融合，醫療專家憑藉多年的臨床實踐經驗，深知醫院需要什麼樣的AI產品。AI專傢俱備長期的技術積累，在方向明確的前提下，能夠透過技術手段設計出相應的產品，實現產品研發以臨床需求為導向，醫療專家與AI專家產生了良性化學效應。

時至2018年，諸多AI產品經過長時間的打磨，已經趨於成熟，企業的經營理念也發生了改變，在前期大量投放產品，鋪設醫院的基礎上，嘗試做落地產品的運營。

觸發這一階段的因素很多，除了產品的成熟外，政策的推進在很大程度上促進了醫療AI由野蠻生長向精耕細作過渡，開始朝著以運營創營收的階段邁進。如審批政策的創新加快了AI產品的獲批。

目前，已有5款產品獲得醫療器械三類證，還有多款產品正處於審評審批通道，有望在年內獲批拿證。如電子病歷評級和互聯互通評級，都要求醫院向智慧醫院轉型，即醫院內實現全院資訊共享，並具備醫療決策支援功能，加快了醫院對於臨床輔助決策系統（CDSS）的建設，而AI與CDSS的結合有利於CDSS更好地滿足相關政策要求。

雖然傳統的CDSS系統能夠在一定程度上滿足評級需求，但AI+CDSS對於4、5、6級電子病歷評級顯然更具優勢。利用深度學習、NLP、知識圖譜等AI技術，在疾病的診療過程中，實現醫學知識智慧查詢、相似病案推薦、檢查檢驗推薦、治療方案推薦等輔助功能，多層次支援醫療決策。

因此，政策實際上推動了AI+CDSS走向商業化，加之各地衛健委對於分級診療的逐漸重視，基層版的AI+CDSS也為AI企業帶來另一片藍海市場。

在這個階段，絕大多數企業透過簡單的產品投放難以獲得持續穩定的收入，需要轉變經營理念，注重精細化運營。企業需要向醫院派駐專業的運營團隊，指導醫生如何更好地使用產品；針對醫生在使用產品過程中遇到的問題，要建立快速響應機制，提出解決方案。

AI產品投放與精細化運營的對比

圖片來源：蛋殼研究院製圖

在醫療AI的早期發展階段， AI企業、醫療裝置商、資訊化廠商、雲服務商等產業參與者彼此割裂。單打獨鬥造成AI企業對行業認知不足、資料獲取來源和數量有限、產品銷售渠道單一。

醫療AI行業經過幾年的發展，競爭的主賽場正在由“單打PK”逐漸變為“抱團競技”。企業需要形成整合資源、優勢互補、抱團取暖的意識；應該轉變觀念、找準定位、透過平臺模式實現協同發展；應當跨界合作、共同創新，降低創新成本和風險。各個醫療AI企業正在與影像裝置商、資訊化廠商、醫療服務商等建立合作關係，形成新搭檔來參與行業競爭。

（1）AI企業+影像裝置商

影像裝置商利用自身硬體裝置、醫院資源、市場渠道等優勢搭建生態平臺，醫療AI企業透過參與遴選入駐平臺，成為生態平臺的開發者和應用者。透過對相關影像裝置商AI平臺建設情況的梳理，目前主要以國內大型醫療裝置商和影像研究機構為主。

產品需求階段：影像裝置商分發客戶對AI產品的需求，AI企業根據自己的產品定位和技術優勢，從生態平臺認領需求進行產品研發。

產品研發階段：對接醫院資源，影像裝置商在醫療行業深耕多年，擁有大量的優質醫院客戶。在AI模型的訓練中，可以對接不同區域、不同型別的醫院，這些醫院為AI企業提供大量資料。而且這些醫院擁有大批專家資源，可以為資料提供標註服務，幫助AI企業研發出泛化能力較強的AI產品。

產品驗證階段：影像裝置商的醫院客戶可以成為AI產品的首批試用者，它們的患者群體規模大，產品將應用到不同病情的患者，然後去驗證它的準確度。最後，醫院再將試用過程中出現的問題和試用結果反饋給AI企業，幫助企業更好地進行原型產品的升級迭代。

產品銷售階段：影像裝置商具有完善的產品銷售渠道，AI企業可以藉助這些渠道開展產品銷售，既提高了企業的產品銷量，同時又節約了渠道開發和渠道代理成本，增加了企業利潤。

醫療AI企業透過與影像裝置商合作，可以共享它們的客戶、合作伙伴、銷售渠道等資源，為產品需求、產品研發、產品驗證和產品銷售尋求閉環服務。

AI企業與影像裝置商的合作模式

圖片來源：蛋殼研究院製圖

醫療AI企業將深度學習、影像識別、NLP、知識圖譜等技術與醫院資訊化廠商提供的資訊化系統相結合，可以增強資訊化系統的資料分析能力和資訊決策能力，將大大提高資訊化系統的執行效率。

AI企業與資訊化廠商合作模式

圖片來源：蛋殼研究院製圖

AI+PACS：PACS是進行醫學影像的獲取、顯示、存貯、傳送和管理的綜合系統，AI可以實現影像分割、器官勾畫、閱片篩查、影像質控等，提高閱片的效率，減輕醫生的工作負擔。

AI+CDSS：CDSS運用可供利用的、合適的計算機技術，針對半結構化或非結構化醫學問題，透過人機互動方式改善和提高醫療診斷決策效率的系統。AI能夠大量處理非結構化資料，形成知識圖譜，為醫生提供知識查詢、相似病案推薦、輔助診斷等，還可以對醫生的診斷流程進行規範提醒，提高診斷的規範性和準確性。

AI+患者管理：患者管理也是醫院資訊化建設的重要內容之一，包括診後隨訪、醫囑管理、慢病管理、患者諮詢等。AI可以與患者進行智慧問答，解答患者常規疑問，更好地幫助患者進行自我管理，節約醫生患者管理時間，醫生的主要精力可以更多地放在疾病的診治上。

AI+HIS：HIS主要是利用電子計算機和通訊裝置，為醫院所屬各部門提供病人診療資訊和行政管理資訊的收集、儲存、處理、提取和資料交換的能力，並滿足所有授權使用者的功能需求。AI可以在收費劃價方面提供智慧核准、費用結算等；AI還可以根據DRGs相關規定，對診療專案和收費進行智慧監控，減少過渡治療現象的發生。

（3）AI企業+第三方醫療服務商

第三方醫療服務企業主要是指與AI企業合作共同為醫療機構或個人提供醫療服務的企業。它們主要提供疾病診療服務、醫藥服務、健康體檢服務、健康管理服務、醫院管理服務、藥物臨床試驗服務等，而AI企業則主要基於語音識別、影像識別、NLP、知識圖譜等技術，為醫療服務企業賦能，提高服務的質量和效率。

（4）AI企業+雲服務商與通訊運營商

能夠讓醫院成為付款方固然是上乘的選擇，但從實際來看，基層醫療場景才能讓AI發揮出它們真正的價值。從現在影像類AI的產品設計思路來看，其最低付費方可下達至縣級醫院。阻礙AI繼續向下延伸的因素有兩個，首先是基層的影像工作者有限，少有具備閱片能力的影像工作人員可以留在基層。更為重要的是，基層醫療機構沒有資金實力為企業付費。

以上為《醫療AI創新的道與智：迴歸需求，整合價值》報告節選內容，報告中我們還對醫渡雲、靈醫智惠、深睿醫療、獵戶星空、睿心醫療、HLT（開心生活科技）、科亞醫療、德尚韻興、醫準智慧、數坤科技10家醫療AI企業進行案例解析。