中国医疗人工智能现状分析：从产品验证进入市场验证

从2016年起，人工智能和医疗的融合在各个环节开始擦出火花。经过几年的发展，医疗AI在2019年迎来商业落地考验，纷纷进入临床应用和医生的工作流，并在2020年初开花结果。

2020年1月15日，国家药品监督管理局批准了科亚医疗的创新产品“冠脉血流储备分数计算软件”的注册，成为了首个获得AI影像Ⅲ类证的产品。

除此之外，2019年的AI产品有什么样的新进展呢?动脉网蛋壳研究院在2019年未来医疗100强大会上发布了《2019中国医疗人工智能报告》，本文为报告的部分节选，可以扫描下面的二维码免费下载完整版本。

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。

医疗人工智能应用矩阵中国医疗人工智能现状分析：从产品验证进入市场验证

医疗人智能行业图谱

医疗AI在医院端的应用场景分析

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。

诊前：智能导诊机器人逐渐成为医院的一道新的风景线。导诊机器人主要是通过患者的语音输入进行语义分析，然后给出分诊和导诊建议，节约人力，方便患者。更先进的导诊机器人还能通过传感器收集患者的生命体征信息，进行预问诊，提前将患者的基本体征、病情摘要反馈给门诊医生。这使得医生在见到患者之前，便已获得患者病情的部分信息，从而提高医生问诊效率，减少误诊。
诊中：AI病历助手可以直接将语音转为结构化的电子病历。智能语音录入全过程由医疗语言数据模型进行支撑，能够实现检查、诊断和病历录入同时进行，避免了医生诊断总是被打断的情形，从而节省医生的时间，使其能专注于诊疗本身。AI手术助手可以让手术医生利用虚拟屏幕、语音识别，手势识别等技术，隔空操作电子设备。这有效减少了手术时间，降低感染风险。
诊后：在患者离院后，AI虚拟助手可以对患者进行回访以及满意度调查，推送医嘱事项、复查提醒、医学科普等。
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，创造更高的利润。

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的设备维修，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。医生工具的作用主要是为医生赋能，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。

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。

这是从基因的角度进行的疾病风险预测，而AI也能从我们的行为、生化、影像等检查结果中实现疾病的筛查和预测。

以糖网病为例，糖网病是是常见的视网膜血管病变，也是糖尿病患者的主要致盲眼病。中国是全球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、致盲率也逐年升高。

因为糖网病早期往往没有任何临床症状，而一旦有症状，病情已较严重，容易错过最佳治疗时机。所以糖网病的治疗效果取决于治疗是否及时。但是由于我国眼科医生匮乏、居民重视程度不高，目前我国糖网病筛查的比例不足10%。

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，仅能满足基础疾病的诊疗，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的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、癌症筛查三大类。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。

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%)。

影像：云端化、集成化发展

基于四大影像技术：X射线、CT、MRI、超声，加上最新的核医学成像技术(PET)，人工智能在影像领域的应用主要是图像分类、器官标记、组织结构的分割、病灶区的分割，以及图像配准等。产品布局的方向集中在胸部、头部、盆腔、四肢关节。最多投入的就是肺结节以及肺部相关疾病，其次是心脑血管，盆腔的主要是前列腺、直肠，骨关节主要围绕骨折和骨龄。

对于医院需求方来说，影像AI产品想要切入三甲医院，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。如今产品比较成熟的CT肺结节、CTA冠心病、脑卒中等辅助诊断产品均满足了医生对于阅片效率的追求。

而对于医疗能力略逊一筹的乡镇级医院，受限于设备落后、人员不足等困境，基层医疗的影像AI产品主要基于X射线和超声，辅助诊断一些常见病。影像AI企业可为其搭建私有云、连接医联体的云PACS，也可在院内以教学的方式培养医生的阅片能力与出具报告能力。

病理：分病种攻克

在整个医疗诊断的工作流程中，病理诊断作为医学影像分析的下一环节，是诊断的“金标准”。

传统的病理诊断主观性强、重复性低、误诊率高。病理医生依靠肉眼和个人经验，将显微镜下切片放大40到400倍后，观察细胞形态和组织结构，进行分析诊断，必要时进行免疫组织化学或免疫荧光检测协助判断，然后对图像进行人工计数或借助软件统计。

同时，与放射科一样，我国病理科的专业人士也非常短缺。据卫生统计年鉴显示，我国注册的病理科执业医师只有1.02万人，与卫健委制定的每100张床配备1~2名病理医生的标准相差悬殊，我国病理医生的缺口总数将近10万人。

AI在病理学中的应用按照参与程度可以分为三类：

利用数字扫描技术，形成全切片数字化图像(WSI)：图像相关特征的提取及定性定量分析：包括细胞大小、结构特征、细胞群密度、空间分布等信息。
病理图像的分类和分级：AI可以直接输出组织分类、良恶性鉴别和癌症分级结果，提高病理学诊断的准确性、高效性和一致性。目前AI技术在乳腺癌、脑癌、前列腺癌等分类分级问题上都达到了90%左右的准确率。
全流程数字化，实现数字切片首诊、数字化报告、数字切片存档等：利用高通量与快速WSI技术，可以将常规切片全部扫描制作成数字切片。再结合计算机存储及互联网传输技术，将数字化切片存档并上传云端，建立区域性网络病理诊断平台，并提供快速检索功能，形成打破地域限制的“云病理科”。这进一步减少了病理医师经验性误判导致的误诊情况，方便病理医生和其他医务人员获取数据，提高了工作效率。

整合其他学科，例如生物学、化学、免疫学、遗传学及临床信息，辅助医生诊断治疗AI不仅用于病理形态数据的分析，还可以整合免疫组织化学、分子检测数据和临床信息，得出一个整合相关信息的最后病理诊断报告，为患者提供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竞赛上(蛋白质领域的奥林匹克竞赛)，DeepMind 的人工智能程序 —AlphaFold成功根据基因序列预测蛋白质的3D结构，获得冠军。

AI越来越多的应用到基因检测上。随着第二代测序技术的成熟，单个基因组的检测成本已经降到1000美元以下，快速发展的基因测序也产生了海量数据，如何解读这些基因大数据，获取与疾病相关的变异，找到致病基因，成为目前发展的瓶颈。人工智能便依靠其强大的数据处理能力和学习能力切入到了基因序列解读的进程中。

早在2014年，IBM就与纽约基因组中心展开了合作，基于IBM的沃森人工智能系统开发一个专门分析肿瘤基因组的程序。IBM在最近发表在《Neurology Genetics》杂志上的一篇文章中披露了她们最新的研究成果。科研人员从一位患者身上获取了肿瘤的活检样本以及一份血样，并对两份样品中的DNA和肿瘤中的RNA进行了测序。

这些测序数据被分别送给了IBM沃森基因组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。沃森系统仅仅用了10分钟就完成了一份可供考虑的临床治疗方案的报告，而专家组的人工分析花了160个小时，才得到了一份相似的报告。

综合辅助诊断：CDSS与MDT联合

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的过程，尤其适用于肿瘤、肾衰、心衰等复杂疾病的诊疗。

人工智能想要实现综合解读，至少要做到如下两步：多源异构数据挖掘，以及CDSS与MDT联合使用。

多源异构数据挖掘：人工智能企业与医院合作，需要利用大数据技术完成多源、结构和非结构数据的清洗、脱敏、结构化、标准化，使得医院能够一统原先分裂的医疗数据，形成互联互通的医疗大数据平台，为实现大数据处理和分析奠定数据基础。

CDSS与MDT联合使用：基于单学科的CDSS缺乏共享化服务模式，往往作为一个子系统嵌入EMR中，无法全面评估患者情况。如果借助MDT多学科协作的优势，基于相关证据关联，得出最佳的诊断结果和治疗方案，有望进一步提高医疗服务效率和质量。

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主要治疗方式，AI辅助治疗在术前规划、术中导航、智能化用药方面都起到了很好的作用，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。
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，它们最终都是消除病患，让患者逐步向常人过渡。

从康复的数据流来看，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。

监测——可穿戴设备：相比于AI在诊断和治疗环节的应用，人工智能在康复领域的应用更加困难。这是因为AI在诊疗环节的数据是容易获取的(来自于医院的信息化系统)，产品只需利用数据和算法迭代打磨即可。而康复则需要可穿戴设备来采集个人健康数据。目前，市面上大部分可穿戴设备为监测类设备，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是非常大的，怎么去处理数据，把数据变成信息，把信息变成知识，把知识变成健康管理的信息，这便是人工智能在人类生命数据收集后的工作。

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，让康复设备变得人性化、智能化，实现人机交互、智能辅助训练、精准力控等目标。目前康复机器人主要集中于骨关节康复、听视力康复、言语康复等领域，未来有望拓展到心肺康复、神经康复等。调理：健康管理

健康管理是变被动的疾病治疗为主动的自我健康监控。根据体征数据，人工智能健康管理通过数据学习每个人的身体特点，针对每个人设计个性化健康管理方案。目前主要的应用范围是糖尿病、慢病管理、血压管理、乳腺健康管理、胎心监测等。

健康管理涉及的健康环节主要有风险识别、健康评估、精神监测、健康干预等。

风险识别：通过获取信息并运用人工智能技术进行分析，识别疾病发生的风险及提供降低风险的措施。
健康评估：收集病人的饮食习惯、锻炼周期、服药习惯等个人生活习惯信息，运用人工智能技术进行数据分析并评估病人整体状态，协助规划日常生活。
精神健康：运用人工智能技术从语言、表情、声音等数据进行情感识别。
健康干预：运用人工智能对用户体征数据进行分析，定制健康管理计划。
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发现阶段、临床研究阶段、审批上市阶段各个环节。主要涉及靶点发现、化合物筛选、晶型预测、药物重定向、医学翻译、药物警戒等多个应用场景。

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的作用关系，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个方面，安全性和有效性，包含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，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，太美医疗科技的eSafety药物警戒系统可以直接对接CDE、NMPA药物不良反应直报系统，直报不良反应，并通过了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，大大提高工作效率。

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。

对比去年的报告《2018医疗人工智能报告：跨越再出发》，可以发现以下新变化：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。

医疗AI产品应用进展摘录(截止2019年10月)

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。

本报告图表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在下列图表中均不予统计;数据截止日期为2019年10月31日。