人工智能在医疗领域应用的深度研究报告.docx

人工智能在医疗领域应用的深度研究报告.docx

《人工智能在医疗领域应用的深度研究报告.docx》由会员分享，可在线阅读，更多相关《人工智能在医疗领域应用的深度研究报告.docx（9页珍藏版）》请在冰豆网上搜索。

人工智能在医疗领域应用的深度研究报告

2017年人工智能在医疗领域应用的深度研究报告

1、人工智能发展历程简介

人工智能研究的目的在于使机器胜任一些通常需要人类智能才能完成的复杂工作。

按照智能化的程度，人工智能可以被划分为计算智能、感知智能和认知智能。

计算智能，在逻辑能力方面模拟人类，典型的应用比如阿尔法狗；感知智能，主要包括图像识别和声音识别，这个领域的典型应用是无人驾驶汽车，模拟人对外界的感受和反应；认知智能，指让机器有自己的语言，能够自我学习，学会推理和决策。

认知智能是目前机器与人差距最大的领域，也被认为是未来提升空间最大的领域。

图1AI2.0是人工智能崛起的黄金十年

图2AI2.0的关键性突破

2、人工智能应用领域及市场规模

人工智能在安防、城市运营、金融、法律服务、家居、医疗、服务机器人、农业等几大领域将产生冲击。

从产业发展的角度看，长远一点来说人工智能在规则清晰、信息比较有限的领域如物体识别、下棋、驾车、简单行医、股票高频交易等一定会超越人类，而在规则比较模糊、信息量比较大的领域如文学创作、画画、科研，人工智能短期内想要达到与人类抗衡的水平还存在较大难度。

目前，人工智能发展处于专用阶段，主要应用于完成具体任务，医疗、教育、安防、城市运营、法律等行业数据电子化程度深、数据较集中且数据质量高，预计这些领域将最先受到人工智能的改造，呈现机器协助人类、提高人类工作效率乃至替代人类行为的趋势。

2018年，全球人工智能市场将达到约2700亿元，并且以每年30%左右的速度增长

图3全球人工智能市场规模

人工智能+医疗

1、人工智能+医疗产业链

人工智能产业链主要包括基础层、技术层、应用层。

基础层、技术层是人工智能大生态系统的基础设施，应用层是在应用场景变现的渠道。

每个层面的进入门槛、核心优势都不一样，投资机会、投资回报也不一样。

目前全球共有90多家人工智能+医疗创业公司分布在应用层、技术层，基础层则主要由几家科技巨头切入，包括IBM、谷歌、微软、Facebook、亚马逊、阿里、XX等。

图4人工智能+医疗产业链价值分析

进入门槛（前期投入）

演化路径

投资机会

应用层

医疗行业解决方案

大量行业数据形成模型、竞争相对激烈

垂直行业应用或跨行业延伸

低投入，变现快，短期和长期投资价值大

医疗行业应用平台

需要有较高行业影响力和号召力，构建开发者生态和用户群 

向APP store发展

长期投资价值大

技术层

通用技术

需要有一定规模的工程团队

与行业结合，形成解决方案或通用技术平台

投入适中，中长期布局

算法、框架

算法、框架及工具较多

横向：

算法工具平台

纵向：

开发者生态

投入适中，中长期布局

基础层

医疗数据资源

入口被拥有流量的公司占据

数据资产化

高投入，高回报，短期和长期投资价值均巨大

计算能力

选择计算量需求较大的行业切入

横向：

通用计算平台

纵向：

计算服务生态

高投入、高回报，短期投资价值

2、人工智能+医疗应用领域

人工智能在医疗领域的应用主要包括：

辅助诊疗、医学影像、药物挖掘、健康管理、急救室和医院管理、可穿戴设备、营养管理、虚拟助手等。

全球各大科技巨头以及创业公司都已纷纷在人工智能+医疗领域布局。

IBM在2011年将机器人Watson应用于医疗领域，并与苹果、纽约基因中心、辉瑞等在健康数据分析、肿瘤测序、患者远程监控等方面进行合作。

谷歌的人工智能子公司是DeepMind,2016年2月谷歌DeepMind公布成立DeepMindHealth部门，随后，DeepMindHealth与英国国家健康体系（NHS）合作，辅助NHS决策。

另外，DeepMindHealth还与皇家自由医院、Moorfields眼科医院合作，开发帮助医生更快查看医疗结果、辨识视觉疾病的软件。

微软2016年宣布将AI用于医疗健康的计划Hanover,帮助寻找最有效的药物和治疗方案。

XX2016年发布XX大脑，模拟医生问诊，辅助医生完成问诊。

人工智能+医疗在辅助诊断、医学影像、药物挖掘、健康管理的应用目前走得较快。

以下重点介绍这几个方向的应用情况。

3、人工智能+辅助诊疗

人工智能+辅助诊疗，是指将人工智能技术用于辅助诊疗中，让计算机“学习”医疗知识，模拟医生的思维和诊断推理，给出可靠的诊断和治疗方案。

在诊断中，人工智能需要获取患者的病症信息，通过已“学习”的医学知识推理判断疾病原因与发展趋势，形成治疗方案。

一般的辅助诊疗模式为“获取病症信息-->假设可能性-->选择治疗方案”：

第一步：

病症指患者的临床症状表现。

患者需要通过自述、上传化验结果等方式将病症信息输入人工智能系统，人工智能系统由此获得诊断的基础信息。

第二步：

假设，是指人工智能基于已“学习”的医学知识对患者做出的诊断的可能结论。

第三步：

选择治疗方案，是指人工智能通过已“学习”的医学经验，经过权衡利弊（疗效、毒性、副作用及其他）推理选择治疗方案。

在AI+辅助诊疗的应用中，IBMWatson是目前最成熟的案例。

2012年Watson通过了美国职业医师资格考试，并在美国多家医院提供辅助诊疗服务。

Watson提供诊治服务的病种包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。

IBMWatson可以在17秒内阅读3469本医学专著，248000篇论文，69种治疗方案，61540次试验数据，106000份临床报告。

通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBMWatson在短时间内迅速成为肿瘤专家。

2016年12月26日，由浙江省中医院、思创医惠及杭州认知网络共同发起的“浙江省中医院沃森联合会诊中心”在浙江省中医院院内正式宣布成立。

这也意味着IBMWatsonforOncology在中国医疗领域的商业试应用正式落地。

今年2月份，IBMWatson在天津市第三中心医院协助医生给一个胃癌晚期患者开出了诊断方案，用时仅10多秒。

在提升诊疗效率的同时也提升了诊疗水平。

目前美国的癌症五年存活率达到66%，中国仅为31%，很重要的原因是中国的诊疗水平参差不齐，若AI+辅助诊疗得到普及，可有望大幅提升中国的癌症诊疗水平。

人工智能辅助诊疗是医疗领域最重要、也最核心的场景，人工智能+辅助诊疗潜在市场空间巨大。

4、人工智能+医学影像

AI+医学影像的研究目前已取得较大突破，斯坦福大学一个联合研究团队基于深度学习开发出的人工智能在皮肤癌诊断中准确率媲美人类医生，相关成果刊发为1月《自然》杂志的封面论文。

研究团队用近13万张痣、皮疹和其他皮肤病变的图像训练算法模型，完成三项诊断任务：

鉴别角化细胞癌、鉴别黑色素瘤以及使用皮肤镜图像对黑色素瘤进行分类，并将结果与21位皮肤科医生进行对比，发现深度神经网络的诊断准确率在91%以上，与人类医生不相上下。

AI+医学影像主要应用在阅片上。

病理医生的阅片能力与阅片经验高度相关，AI的阅片实际上模仿了医生阅片，通过大量的学习来完善算法，实现对影像数据的分析和判断。

AI对影像数据的分析主要有四个步骤：

（1）数据预处理；

（2）图像分割；（3）特征提取；（4）匹配判断。

相对医生阅片，AI在阅片速度和经验方面具有优势。

目前，以宫颈癌玻片为例，一张玻片上至少3000个细胞，医生阅读一张片子通常需要5-6分钟，但AI阅读后圈出重点视野，医生复核则只要2-3分钟。

另外，具有40年读片经验的医生累计阅片数量一般不超过150万张，但AI不会受此限制，只要有足够的学习样本，AI都可以学习，因此在经验上AI可以超过病理医生。

AI+医学影像领域可能会成为众多AI+医疗细分领域中率先爆发的领域。

主要原因如下：

A、病理医生缺口大。

中国的病理医生需求量在10万名左右，现有2万名，病理医生的培养需要较长时间较大投入，AI+医学影像可以有效解决资源不足的痛点。

目前，中国病理检测市场规模为400亿元左右，发展空间巨大。

B、AI+医学影像具有明显的数据优势，可以存储大量时间跨度长的数据，而传统病历的保存就相对没那么容易。

5、人工智能+药物挖掘

AI能够有效缩短新药研发周期、降低失败风险。

通过计算机模拟，可以对药物活性、安全性和副作用进行预测。

硅谷的Atomwise是以AI技术为主导的药物研发企业，公司通过IBM超级计算机，在分子结构数据库中筛选治疗方法。

利用强大的计算能力，评估出820万种候选化合物，而研发成本仅为数千美元，研究周期仅需要几天时间。

2015年，Atomwise基于现有的候选药物，应用AI算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间。

2012年，默克公司主持了一项由数据科学公司Kaggle发起的旨在确定虚拟筛选统计技术的挑战。

现在，Kaggle已经开始测试深度学习和AI的应用，并与AI药物发现初创公司Atomwise开展合作。

Atomwise最近利用AI技术，在不到一天的时间内对现有的7000多种药物进行了分析测试，为寻找埃博拉病毒治疗方案做出了贡献。

根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。

人工智能在医药领域的投资机会

据米内网统计，《制药经理人》杂志选出的全球TOP50制药企业2013年研发投入达到1077亿美元，占处方药销售总额18%。

AI+药物挖掘主要服务于具有新药研发需求的药企，市场空间至少千亿级。

以AI技术辅助创新药企业，或许会打破10年10亿美金的魔咒。

2016年，人工智能受到空前的关注，各国政府以及产业界纷纷向人工智能注入资金和研发力量，并在各个领域实现应用。

我国政府近几年也在持续关注人工智能发展，并针对人工智能制定了多项国家战略。

2015年5月，国务院发布的《中国制造2025》中明确提出“加快发展智能制造装备和产品”。

2015年7月，《国务院关于积极推进“互联网+”行动的指寻意见》中将人工智能作为重点布局的11个领域之一。

2016年3月，国务院《国民经济和社会发展第十三个五年规划纲要（草案）》中指出将重点突破新兴领域人工智能技术等。

2016年5月，发改委、科技部等4部门联合印发《“互联网+”人工智能三年行动实施方案》，方案提出，到2018年，通过打造人工智能基础资源专项创新平台，人工智能产业体系、创新服务体系、标准化体系基本建立，基础核心技术有所突破，总体技术和产业发展与国际同步，应用及系统级技术局部领先。

在重点领域培育若干全球领先的人工智能骨干企业，初步建成基础坚实、创新活跃、开放协作、绿色安全的人工智能产业生态，形成千亿级的人工智能市场应用规模。

作为新一轮信息技术革命的重要发展方向，人工智能正走出实验室，走向广阔的行业应用，成为全球经济发展的新动力。

下一个十年，人工智能可能会爆发，并主导一个科技与商业时代。

从投资的角度来看，底层高质量数据的海量积累和基础设施投入、技术应用的突破以及成熟的应用场景是目前人工智能布局的要点，其中三种主要的产业布局模式值得关注。

A、平台生态构建者：

占据流量入口，积累海量、多维度数据，并且对计算资源、人才培育长期投入，基础资源积累丰厚，在语音、图像、自然语言处理等技术上实现突破，并构建通用的技术平台，为多个垂直领域提供解决方案及产品，形成生态圈。

B、特定应用场景先行者：

多为安防、交轨等行业传统厂商，积累了大量的行业数据供分析、提炼，这些厂商通过自主积累或外延收购、合作方式实现图像识别、数据挖掘等技术应用的突破，并整合到相关行业中形成智能化的解决方案，实现业务的转型升级，进一步还可以横向扩展行业应用。

C、底层硬件设施提供者：

提供芯片、服务器以及相关智能硬件等基础设施，从基础设施切入，与产业链上层各产业深度融合，向上渗透。

AI创业公司大多深耕细分领域，推出核心产品。

相比于巨头公司对既注重AI基层技术研究又注重全方位的AI生态布局，创业公司往往深耕某一细分领域，推出其核心解决方案或产品。

不同的公司在技术研究及应用方面有不同的竞争地位，有技术占优型、应用占优型、双向发展型。

国外AI领域的独角兽公司频频发力，VentureScanner把人工智能划分为十三个大类，包括国外910家公司——每家公司平均融资金额（估值）达1000万美元；国内也涌现出了旷视科技、SenseTime、云之声、优必选等AI独角兽公司，其他知名的创业公司还有小i机器人、羽扇智、格灵深瞳、图灵机器人等，他们在语音识别、计算机视觉、虚拟个人助理、机器人领域频频发力。

具体到人工智能在医疗领域的投资机会，人工智能+医学影像可能会更快更容易实现商业化，也更容易变现，可以重点在这方面寻找投资机会。

据公开材料显示，2016年，我国有十多家人工智能+医疗创业公司获得了融资，融资金额在人民币数百万元到美金数千万元不等，基本处于天使轮或A轮阶段，主营业务包括健康数据管理，人工智能辅助诊断，人工智能医学影像等。

有了人工智能的介入，医疗行业有望降低成本，提升诊疗水平和效率，并更好地实现健康管理，为老百姓的带来福利。