医疗人工智能行业深度调研分析报告.docx

医疗人工智能行业深度调研分析报告.docx

《医疗人工智能行业深度调研分析报告.docx》由会员分享，可在线阅读，更多相关《医疗人工智能行业深度调研分析报告.docx（34页珍藏版）》请在冰豆网上搜索。

医疗人工智能行业深度调研分析报告

（此文档为word格式，可任意修改编辑！

）

2017年10月

正文目录

图目录

表目录

1.从互联网医疗升级到医疗人工智能

从2014年互联网医疗崛起至今，我们经历了一个完整的医疗产业技术渗透周期，享受过牛市的甜蜜期，也体会过商业模式迟迟未能兑现所带来的阵痛。

看当下，以春雨医生、微医为代表的互联网医疗平台，继续在政策的夹缝中艰难摸索商业模式；传统的医疗IT厂商们仍然埋头做着医院、政府的项目。

当颠覆医疗的口号慢慢平息，医疗健康产业似乎重新归于平静之时，新一轮人工智能的风暴开始向医疗产业袭来，我们观察到医疗这个号称最难被颠覆的产业，正在出现新的变化。

1）影响范围升级：

从边缘到中心

互联网医疗到医疗人工智能，是对医疗行业从表层到实质、从边缘到中心的全面升级。

医疗是一个人力、智力密集型行业，医疗服务供给与需求的严重失调是我国医改面临的根本问题。

为了变革升级产业，解决看病难的问题。

1.0时期的互联网医疗，大部分商家都将自身定位为平台，强调平台的连接属性、放大互联网的流量优势。

典型的商业模式就是轻问诊平台，以挂号为切入口，希望通过更高效的链接患者和医生，提升医疗服务的资源配臵效率。

2.0时期，互联网医疗平台尝试通过开通互联网医院、或者到线下开诊所的形式来提供医疗服务，从增加医疗服务供给的角度去变革产业，但受限于人力的瓶颈，变革仍然是有限度的。

到了医疗人工智能时期，AI对医疗的渗透有望大幅变革医疗服务的成本和效率，从根本上解决医疗服务资源的供给瓶颈，彻底改善看病难的问题。

图1：

从边缘革命到战场中心

2）产业布局思维升级：

从“圈人”到圈“数据”

医疗人工智能创造了全新的医疗服务供给，医疗投资回归技术驱动路径。

总结过去几年互联网医疗行业的热潮，人是商家争夺的核心要素，技术暂处于边缘辅助角色，技术和人力两个生产要素的抉择中，资本更偏好人力。

其表现形式为，投资者以及创业者均认为医疗行业还处于人力驱动的逻辑，即如何圈住医生、医院这些医疗服务的供给方才是核心所在。

而人工智能技术的成熟和普及将让医疗行业步入技术驱动的轨道，从基于医生经验医学到循证医学（统计学+小样本数据）的阶段再进一步进化到基于人工智能的诊疗，医疗行业的投资逻辑将发生根本性的变革。

以医生和医院为代表的医疗服务资源将不再稀缺，数据成为了新的生产要素，人工智能技术创造了全新的医疗服务供给。

图2：

医疗人工智能时代的投资逻辑变化

2.临界点已至，医疗人工智能站上风口

2.1.技术：

已走出实验室，商业化加速落地

现代医学是数据驱动的学科。

一提到技术对于医学的作用，可能大家的第一反应就是医疗是一门手艺活，靠的是经验和实践，技术本身并没那么重要。

我们认为这是一种偏见或者无解，事实上，中西医分科治学后，现代医学已经是一门数据驱动的学科了。

传统医学的底层驱动其实是经验医学；到了现代医学，特别是西医，强调的是循证医学，其背后的支撑是基础理论的研究+临床经验（以数据的形式呈现）。

循证医学会采集大样本的临床数据，进行系统性的评价，最后把临床数据总结成临床诊疗指南、临床路径；循证医学发展到精准医疗时代，数据的重要性更加明显。

精准医疗在循证医学的基础上，更加强调患者个体的个性化诊疗，通过对患者的数据的分析结合临床经验，给出最佳的治疗方式，甚至会出现“同病不同治”、“同治不同病”的情况。

因此，如果我们承认数据是现代医学的基础，那么将人工智能技术引入医疗领域显然是历史发展的必然。

图3：

现代医学是数据驱动的学科

人工智能在医疗领域的尝试最早可以追溯到80年代。

最早的一波在医疗领域进行人工智能探索的尝试，出现在1972年。

由利兹大学研发的AAPHelp，这是医疗领域最早出现的人工智能系统。

AAPHelp系统基于贝叶斯理论开发，主要是用于腹部剧痛的辅助诊断以及手术的相关需求。

1976年美国斯坦福大学开发了一个用于细菌感染病诊断的专家咨询系统-MYCIN，它是世界上第一个功能较全面的专家系统。

1980年，已经有一些商业化应用系统的出现，比如哈佛医学院开发的DXplain，主要是依据临床表现提供诊断方案。

DXplain的知识库中，已经收录了2200种疾病，和5000多种症状。

同时期，我国的医学专家系统也开始进入研究阶段。

总体来说，早期的医疗人工智能的厂商并不成功，技术本身也存在很大的局限性，包括在医疗辅助诊断领域的CDSS（临床辅助决策系统）、医疗影像领域的CAD（计算机辅助诊断），均没有获得理想的商业效果，在实际的应用过程中，也并不受医疗从业者的欢迎。

主要的原因在于，无论从算法、算力或者数据来看，人工智能技术本身并不成熟。

医疗的高度复杂性对于过去的人工智能而言还是一个不可逾越的行业。

图4：

医疗人工智能发展史大事件整理

在人工智能基础技术突飞猛进提供了持续的技术红利的大背景下，医疗+AI开始突破早期的技术瓶颈，获得新的发展契机。

以医疗影像为例，新一代人工智能技术在精确度上已经实现了“超越人类水平”的技术临界点。

以前的医疗影像CAD（计算机辅助诊断）依旧主要表现为事先输入的预先假设和病例特征结构之间的判断程序，计算机识别不够精确，敏感度和特异性不够，漏诊（假阴性）和误诊（假阳性）的可能性还是比较大，因此对于一个放射科医师还是临床专业医师都无法起到很好的辅助作用，反而可能在使用的时候拖慢效率，极大地阻碍了CAD在临床医疗实践中的推广和发展。

引入深度学习之后的医疗人工智能与过去传统的人工智能模型的区别在于，传统人

工智能模型的成本非常高，需要一大批的专家来教机器某一种疾病的各种类型的特征。

这种模型准确率本身不高，而且能够做出来的病种也非常有限。

但深度学习的模型，本质上有点类似一个普通医学生的自学习过程，只要有足够的数据量作为学习材料，就能实现更精准、覆盖病种更多的模型。

从2013年开始，已经有多个医疗影像人工智能的学术研究以及商业化的案例，通过引入深度学习算法，在某些病种的识别和诊断上，达到“超越人类水平”的技术临界点。

表1：

医疗影像领域人工智能技术突破“人类水平”的案例

实际上，医疗人工智能在众多应用场景已经走出了实验室，进入了商业化落地阶段。

除了上文提到的了医疗影像之外，医疗人工智能商业化落地的案例中，最为大家所熟知的就是IBM沃森肿瘤医生。

2012年，沃森肿瘤医生通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。

从2016年起，IBM正式全线发力推广沃森肿瘤医生，截止至2017年3月底，在全球7个国家服务的病患数量已达到数万名。

2.2.资本：

一级市场持续火爆，巨头加速布局

医疗人工智能在一级市场已经融资超过180亿。

我们引用亿欧智库的相关研究数据，截止至2017年8月15日，国内医疗人工智能公司累积融资额已超过180亿人民币，融资公司共104家。

考虑到大部分医疗人工智能创业都成立于2014、2015年，医疗人工智能超过180亿的融资一定程度的反应了行业的火爆程度。

此外，从全球范围来看，IDC在其《全球半年度认知/人工智能支出指南》中将医疗人工智能统列为2016年吸引最多投资的领域之一，并表示在未来五年内，包括医疗人工智能+诊断和治疗系统的使用案例将获得最大的发展。

在五年期间，它预测医疗健康人工智能投资的年复合增长率为69.3%。

同样，CBInsights将医疗健康列为人工智能中最热的领域。

图5：

医疗人工智能创业在2014、2015年开始激增

图6：

医疗人工智能融资已经超过180亿

巨头们开始加强医疗人工智能的产业布局力度。

其中，标志性的事件就是，XX宣布将原先专攻互联网医疗领域的医疗事业部进行重组，对外发布了「XX医疗大脑」，将未来医疗的重心方向定位于医疗人工智能。

表2：

国内巨头医疗人工智能产业布局概览

医疗人工智能赛道尚未跑出巨头，各个体量公司皆有机会。

观察整个医疗人工智能产业的创业赛道，目前仍然处于初期，融资轮次大部分集中于A轮。

如果将巨头纳入到考查范围内，现阶段也尚未出现绝对领先的公司。

即使考虑国外，已经经过多年孵化、较为成熟的IBM沃森，也只是在商业化方面刚刚起步，领先优势并不大。

考虑到医疗行业本身的复杂性和高门槛，我们判断：

1）未来会出现新进入者，但是不会出现蜂拥而入而陷入恶性竞争的情况；2）医疗人工智能空间广阔，现阶段各体量公司皆有机遇。

2.3.产业环境：

供需不平衡仍将延续，消费升级产生新的付费方

产业环境从医疗服务的供给方、需求方、付费方三个视角来看：

1）人工智能的引入有望解决医疗服务供给紧张；2）医改倡导的分级诊疗体系将重新划分医疗服务供给方的服务半径，基层医疗面临智能升级的强需求；3）消费升级的趋势下，个人消费者将有望成为智能医疗服务的重要付费方，也将加速倒逼产业的智能升级。

2.3.1.供需总量分析：

供给不平衡仍将延续

医疗健康产业供需严重不平衡。

、我国目前医疗存在的“看病难、看病贵”问题主要是因为资源稀缺、分布不均衡以及效率低下，无法满足民众医疗需求的增长。

国内，目前有280万注册执业医生，每天有2000万门诊量，但这2000万不是医疗需求全部，另外3500万去了药店，还有1500万人处于未管理的状态，产业供需严重不平衡。

从医疗需求端来看，随着中国人口老龄化趋势下，疾病高发的年数量日增多，医疗需求持续加大。

从供给端来看，优质医疗服务资源紧张的表现更为明显。

我国医生学历层次不齐导致医疗服务质量差距较大。

根据中国卫生统计年鉴，在医院供职的医生中，具有高级职称（主任医师、副主任医师）的占7.6%,中级职称（主治医师、主管）占21.3%,初级职称为60.8%.主任在医生中占比不到一成，而“专家”更是少数中的少。

然而，当患上较严重的疾病或者对治疗技术要求较高时，人人都想去看专家，就更加剧了看病难问题。

考虑到一般医学生需要九年的学习、临床培训才能成为一个能够执业的医生，这意味着未来280万人的增长是被锁定的。

图7：

医疗供需严重不平衡

图8：

国内人口以及60岁以上人口的统计，单位（万）

医疗资源供给的紧张催生医疗人工智能的刚需。

面对医疗健康产业供需严重不平衡的大背景，过去互联网公司进入医疗做医患匹配，可以解决一部分医疗资源不平均带来的问题。

但长期来看，通过引入人工智能技术，提升医疗服务的效率、扩大医疗服务的供给才是解决问题的根本方法，医疗资源供给的紧张将催生医疗人工智能的刚需。

2.3.2.供需结构分析：

分级诊疗趋势下，基层面临智能化升级的强需求

分级诊疗带来新的市场机遇。

我们医疗服务体系正在向分级诊疗方向演进，落实分级诊疗一直是我国新医改最重要的事情，通过优化医疗资源的配臵，让不同层级的医院形成有效的分工协作，从而实现缓解目前医疗服务供给不足的矛盾。

说得通俗一点，就是按照疾病的轻重缓急进行分级，让不同级别的医疗机构承担不同疾病的治疗工作，从而缓解居民看病难的问题。

基层医疗机构将成为未来居民健康的“守门人”和“健康管理者”，基层首诊意味着基层医疗将成为新的就医入口。

图9：

分级诊疗流程

人工智能赋能基层医疗。

现阶段，分级诊疗的难点在于基层的医疗服务水平的薄弱，导致了患者对于基层医生的广泛不信任，造成分级诊疗难以落实。

强基层是分级诊疗体系建设的重要一环。

人工智能的引入有望将将顶尖医学专家的知识和诊治经验进行快速复制，为基层医生提供实效、实时的决策支持，可以提高广大经验不足的医疗工作者的工作能力。

2.3.3.付费方：

消费者有望成为智能医疗服务的重要付费方

个人消费者将成为智能医疗服务的重要付费方。

考虑到现阶段医保、商保等支付方对于人工智能辅助诊断或者人工智能阅片服务是否纳入报销目录尚未有定论，个人消费者可能是人工智能医疗服务的重要付费方。

欣喜的是，我们观察到，伴随着消费升级，个人对于自身健康的关注度持续提高，个人对于数字医疗的认可度和付费意愿在持续提高。

以互联网医疗在线问诊平台为例，根据财新