中国医疗人工智能现状分析：从产品验证进入市场验证

　　围绕核心算法能力的医疗AI应用矩阵

　　根据依赖应用服务对象、使用医疗环节、医疗应用病种范围，报告制作了医疗人工智能应用矩阵，并对我国医疗人工智能行业进行了总结，制作出了医疗人工智能行业图谱。

　　一、AI+虚拟助手：打通诊疗不同环节是关键

　　据丁香园调查，50%以上的住院医生每天用于写病历的平均时间达4小时以上。《福布斯》曾报道，在门诊室，医生只花52.9%的时间在跟患者沟通，37%的时间在处理书面工作，还有10%的时间在处理琐事。

　　排队3小时，问诊2分钟。医生病历录入工作量大、病历质控难、患者门诊服务缺失是就诊阶段的三大痛点。基于语音识别、语义理解、麦克风阵列三大核心技术，AI+虚拟助手可以应用于诊前、诊中、诊后多个环节。

　　二、AI+临床工作流：合理配置医疗资源，实现效益最大化

　　临床工作流，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、信息或者任务，实现医院业务目标（非诊疗行为的信息化）。

　　人工智能正在通过医院管理和诊疗流程管理，引领医疗行业的全数字化转型，帮助医疗机构优化临床工作流程，提供更好的医疗服务，创造更高利润。

　　医院管理的目的是充分优化医院的医疗资源配置，实现效益最大化。

　　AI根据医院已有的信息进行建模，训练出一套精准的算法，自动制定工作安排。比如它能根据电子病历、既往病史等信息分析出哪些患者是最需要及时救治的，把医疗资源优先提供给他们，优化医疗服务的先后顺序。

　　从产品分类看，临床工作流管理根据对象可以分为医疗设备管理、医生工具和支付管理。

　　医疗设备管理：人工管理向智能化管理转变。医疗设备管理过程中存在的离散分布、维修保养和质控管理效率低等痛点。随着智能化、信息化、规范化逐渐成为医疗设备资产管理的大趋势，医疗设备服务市场已经从单纯设备维修，转变为医疗设备全生命周期管理。

　　医生工具：从单点医生赋能到多点医生协作赋能。医生工具作用主要为医生赋能，提高工作效率、增强医生能力。

　　医保控费：从规则控费向大数据控费转变。人工智能和大数据为医保智能监控系统的建设提供了新思路。部分地区开始探索通过运用包括案例推理、医疗行为模式分析、诊疗方案分析、医患网络扩散分析等在内的大数据分析手段来提升对欺诈骗保行为的识别能力，确保医保报销的合理性。

　　三、AI+预防管理：实现疾病的全面筛查和预测

　　上医治未病，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，现在已经能够实现部分疾病的可能性预测了。

　　安吉丽娜·朱莉接受预防性的双侧乳腺切除手术，以降低罹患癌症的风险。而之所以进行这项手术，是因为她有基因缺陷，罹患乳腺癌和卵巢癌的风险恐怕较高。

　　这是从基因角度进行疾病风险预测，而AI也能从人们行为、生化、影像等检查结果中实现疾病筛查和预测。

　　中国有90多万家基层医疗机构，占整个医疗体系机构数量的95%，覆盖人群5.8亿人。但是，基层医生供给不足，现有医生的数量已经无法承担这些工作量，导致医生过劳，误诊、漏诊的情况出现。

　　此外，基层医疗设备先进性不足，我国基层医疗卫生机构设备集中在50万元以下，100万元以上设备极少，说明设备先进性偏低，仅能满足基础疾病诊疗，无法完成疑难杂症的早期筛查。

　　预防管理按照其产品的使用范围，可以划分为筛查类产品和预测类产品。筛查和诊断的核心区别，在于诊断是已经有明显的症状后确定是哪种疾病，而筛查事先并不知道是否患病。

　　通过分析市面上主流AI早筛类产品，我们发现其主要聚集在肺结节筛查、糖网病筛查、癌症筛查三类。这是因为上述筛查的影像大多是DR、CT、眼底照片等，比较容易获取。而且中检院在2018年已经建立起了彩色眼底图像和肺部CT影像两个标准数据库，这对产品研发、审批、推广也有很大帮助。

　　人工智能基于多模态数据，包括文本、影像和流数据等（心率、血氧、呼吸等），可以应用于多种疾病预测，比如流行性疾病、慢性非传染病、精神类疾病等。

　　四、AI+辅助诊断：CDSS与MDT联合是未来发展方向

　　从诊断的数据流看，首先，患者分别进行影像、病理、体外诊断等一系列检查，并得到初步的检查结果。然后，检查数据通过PACS、HIS等信息化系统整合存储起来。最后，所有的数据汇集到医生端做综合解读。

　　人工智能的最终目标是像专家一样能实现单独综合诊断，然而目前最成熟的应用还是集中在单个项目上，尤其影像领域。我们统计了AI+辅助诊断领域的120家企业，其中影像类辅助诊断占比最高（34%），其次是数据整合存储（占比22%）。

　　五、AI+辅助治疗：围绕手术和药物，以提效为核心

　　围绕药物治疗和手术治疗两大治疗方式，AI辅助治疗在术前规劃、术中导航、智能化用药方面起到了好作用，可以有效降低手术时间、减少并发症。

　　在肿瘤治疗过程中，靶区勾画与治疗方案设计占用了医生大量的时间和精力。每个肿瘤病人的CT图像在200张左右，医生在勾画的时候，需要给每个图片上的器官、肿瘤位置进行标注。这个过程按照传统的方法要耗费医生3-5个小时。如果第一个疗程的治疗由于靶区勾画的不准确或者肿瘤的变化，导致治疗无效（肿瘤组织减少小于30%），这个时候就需要更改治疗方案，这就需要医生重新为病人做勾画。

　　术前规划：人工智能可以基于CT/MRI影像数据，利用图像识别技术自动勾画相应靶区，自动生成具体的放射性照射方案或者手术方案后，再交由医生做最终确认。

　　术中导航：将患者术前的影像数据和实际解剖结构准确对应，利用VR、MR、导板等技术，通过三维数字建模及算法优化，对病灶进行精准定位。

　　用药建议：基于真实世界的用药大数据，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适的时间、对最适的患者、给予最适的药物和最适的剂量。

　　图1 AI+ 辅助诊断领域占比

　　六、AI+康复：以患者回归生活为目的

　　临床医学以生存为主要目的，通过药物、医疗器械、手术等治疗手段，让患者能够生存下来。而康复医学则是以生活为目的，通过康复治疗手段让患者受损的功能能够得到部分或全部恢复，更好地回归社会。

　　因此，临床医学与康复医学是相辅相成的，临床医学在病患治疗期介入，康复医学在病患恢复期介入，最终都是消除病患。从康复数据流来看，康复分为监测、指导、调理三个环节，也就是先获取数据、然后分析数据、最后应用数据。

　　七、AI+科研：生产工具解放科研学者的生产力

　　AI+药物研发

　　一般而言，制药公司需要花费5-10亿美元，用10-15年时间，才能成功研发出一款新药。新药研发的风险大、周期长、成本高，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發现阶段、临床研究阶段、审批上市阶段各个环节。涉及靶点发现、化合物筛选、晶型预测、药物重定向、医学翻译、药物警戒等应用场景。

　　药物发现阶段

　　药物研发从靶点发现开始，药学家从科学文献和个人经验去推测生理活性物质结构，进而发现靶点。

　　然而在信息爆炸的今天，每30秒就会有一篇生命科学论文发表。

　　此外，还有大量的专利、临床试验结果等海量信息散布在世界各地，科研工作者没有时间和精力来关注所有信息。传统方式的靶点发现过程平均耗时2-3年。

　　人工智能通过自然语言处理技术（NLP）学习海量医学文献和相关数据，通过深度学习去发现化合物与疾病之间关系，找到靶点，缩短靶点发现周期。

　　在化合物合成上，AI能模拟小分子化合物的药物特性，能够在数周内挑选出最佳的模拟化合物进行合成试验，而且能够将每个化合物的测试成本控制在0.01美分，大幅降低了化合物合成的成本。

　　临床前药物研究阶段

　　在找到靶点后，还需要寻找相应的小分子化合物去跟靶点匹配。这个匹配过程就类似于用户在百度搜索某词汇（靶点），引擎回应出相关的搜索结果列表（小分子化合物）。这就是化合物的筛选。

　　高通量筛选以及传统的虚拟药物筛选所需时间长，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，随后的多项政策都对临床研究提出了更高更明确的要求，也反复提及信息化系统和技术的应用。

　　太美医疗科技通过人工智能技术结构化医疗知识，辅助多源异构临床数据的结构化、标准化以及相关推理，在eCollect（EDC）中，应用不良反应药物关联度计算和病历OCR识别等人工智能技术，大大提高数据采集的质量和效率。

　　审批上市阶段

　　注册申报：2019年起，中国开始逐步实施eCTD（电子通用技术文件）标准，不断推动药品注册审评的国际化与电子化。

　　传统CTD自动化程度低，导致报批工作依然消耗企业大量时间和人力在“paper work”上。而引进人工智能技术，有望实现在注册申报流程中自动写作、自动翻译、自动出版及报批一体化智能操作。

　　药物警戒：药物警戒主要涉及药物的两方面，安全性和有效性，包含药物和治疗中不良反应收集、分析、监测和预防。2015年FDA规定，药品上市后安全报告必须以电子方式提交；2019年国家不良反应中心启用不良反应直报系统实施不良反应在线递交。

　　太美医疗科技eSafety药物警戒系统可直接对接CDE、NMPA药物不良反应直报系统，直报不良反应，并通过FDA AERS及欧盟EudraVigilance药物警戒数据库递交测试。人工智能技术的应用让eSafety系统具备CIMOS自动导入、SAE扫描件报告自动导入、不良反应提取、报告翻译等功能，大大提高工效。

　　医疗AI产品管线分析

　　我们调研了7大细分领域的62家企业，重点考察它们的产品应用进展，共涉及82个产品。其中辅助诊断、预防筛查类产品数量最多，分别是31个和13个。对比报告《2018医疗人工智能报告：跨越再出发》，可以发现新变化：合作医院数量普遍从去年的数十家，增加到数百家；从影像AI红海市场，逐渐拓展到药物研发、康复管理、临床工作流管理等蓝海市场；2018年影像AI主要聚焦在胸肺、眼科等疾病，2019年重点布局心脑血管领域。

　　中国医疗AI企业投融资分析

　　为了便于统计，我们在对投融资数据处理时遵循以下原则：统计范围涵盖医疗AI行业主要的180多家企业；本报告中涉及的融资事件仅包括从天使轮到IPO以前的风险投资事件，不包括IPO、定向增发、捐赠和并购事件等；将天使轮—A轮之间的轮次合并为天使轮，所有带A的轮次合并为A轮，所有带B的轮次合并为B轮，所有带C的轮次合并为C轮，D轮及以上IPO以下的轮次合并为D轮及以上。

　　本报告中金额计量单位均为人民币，将外币统一换算成人民币（根据事件发生当年平均汇率换算）；将融资额为数百万/千万/亿统一划定为1百万/千万/亿；未公开轮次和未公开金额的融资事件均不予统计；数据截止日期为2019年10月31日。

　　从融资轮次看，2019年投融资主要集中在A轮（25次，占比60%），单个企业平均融资额2千万人民币，这些企业大多在2017-2018年成立（如长木谷医疗、睿心智能、诺道医学等）。D轮及以上的融资虽然只有6次，但总额达到24.6亿元（占比58%）。

　　从单个企业融资额看，2019年太美医疗科技以15亿元总融资额排名第一，其次是思派网络和森亿智能。有别于2018年集中于影像AI领域，今年融资额TOP10企业主要分布在AI药物研发和医疗大数据平台领域。

　　从融资用途看，上述企业所融资金仍主要用于产品研发，不断丰富产品线、提高产品壁垒，比如数坤科技在获得2亿人民币融资后，将延伸到瘤和神经系统等其他病种，覆盖心、脑、肺、乳腺、前列腺等重要疾病和临床场景。其次，部分企业将资金用于拓展其他领域，例如太美医疗在完成15亿人民币E+轮融资后，将拓展医药新营销市场。最后，部分资金会被用于产品的市场推广。

　　写在最后

　　人工智能将成为医生必备的得力助手已渐渐在学界、产业界、医生三方达成共识，今年已没人开展人工智能和医生的比拼，行业进入到标准制定和真切融入医生工作流阶段。建立良好、可持续的商业体系是产业向前的动力，我们开始从医院的采购名单里看到人工智能初创企业的名字，价值被以真切的价格认可。

　　陈鹏