人工智能+医疗专题展望分析报告.docx
《人工智能+医疗专题展望分析报告.docx》由会员分享，可在线阅读，更多相关《人工智能+医疗专题展望分析报告.docx（41页珍藏版）》请在冰豆网上搜索。
人工智能+医疗专题展望分析报告
（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.前言：
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，根据财新健康点的调研数据显示：
自2016年开始延续至今，付费在线问诊业务已是互联网医疗企业（平台）普遍选择的战略转折点，并且C端付费正呈现出良好的增长态势。
2.4.政策：
需“持证”上岗，收费政策尚未明晰
医疗人工智能领域的相关政策主要包括两大块：
准入政策和收费政策。
1）从大方向来看，政策对于医疗人工智能的技术引入松开了口子；2）收费政策尚未明晰。
准入政策：
医疗人工智能“持证”上岗。
1）医疗影像领域：
人工智能在CFDA中没有申报项目录，智能医学影像产品还是作为三类医疗器械向CFDA进行认证申请。
获得CFDA认证的时间成本和技术水平的要求很高，需要同国家指定的三甲医院合作进行临床测试，同做临床试验的每一个病人签订合同，在国家专业机构做检测和报备，方可通过认证；2）医疗辅助诊断领域：
2017年2月，国家卫计委发布了2017版“人工智能辅助诊断技术管理规范”及“人工智能辅助诊断技术临床应用质量控制指标”。
对于人工智能辅助诊断技术做了定性：
“人工智能辅助诊断技术为辅助诊断和临床决策支持系统，不能作为临床最终诊断，仅作为临床辅。
助诊断和参考，最终诊断必须由有资质的临床医师确定。
”
图10：
AI+医疗影像产品认证流程
国内监管未来或可参考美国FDA，成立独立的AI与数字医疗审评部。
鉴于认证的流程过于缓慢，面对越来越多的医疗人工智能产品和技术方案，美国FDA于2017年正式授权组建一个专门致力于数字化医疗和AI技术审评的新部门，其终极的目标就是“让FDA赶上硅谷的速度”。
我们认为，目前国内医疗人工智能的落地同样面临认证审核流程过长的问题，一定程度上延缓了产业发展的进程。
我们预计，未来随着医疗人工智能产品的不断成熟，国内有望参考美国FDA，成立专门的AI产品审核部，加快医疗人工智能“持证”上岗的速度。
现阶段，医疗人工智能是否能进入诊疗收费项目名录中存在争议。
以医疗人工智能影像为例，由于“人工智能读片费”不在诊疗收费项目名录内，是否可以向患者收费存在争议。
在医疗人工智能辅助诊断领域，IBM沃森肿瘤医生的收费是以咨询费而非医疗服务的形式进行收费。
我们认为，如果未来医疗人工智能可以进入诊疗收费项目名录甚至医保目录，那么无疑将大大推动其商业化落地的速度。
2.5.商业前景：
技术赋能是当下，医疗服务是未来
未来医疗人工智能商业化落地的模式可以分为1.0的技术赋能（联合医院共同输服务C端）以及2.0的直接切入医疗服务（基于医疗牌照+科技直接展业）。
现阶段，受制于本身的技术成熟度以及政策监管，医疗人工智能只能以技术赋能的形式，面向医疗机构，进行商业推广。
但随着技术的不断成熟以及医疗改革的深入，支持社会办医的政策落实，医疗的“牌照”价值正在下降，未来有大概率出现独立的AI诊断中心，直接提供诊断服务。
除了鼓励社会办医之外，2016年底,国家卫计委陆续印发4类独立设臵医疗机构的基本标准和管理规范,包括医学影像诊断中心、医学检验实验室、血液净化机构、病理诊断中心。
实际上，这也为未来AI诊断中心开了政策的口子。
图11：
未来医疗人工智能的商业模式
从国外调研数据来看，医疗人工智能商业前景乐观。
根据HealthcareITNews报道，其联合HIMSS分析（HIMSSAnalytics）针对美国医院人工智能技术应用前景开展了一项调查，调查分析的85家医院中，目前已应用人工智能技术的仅占4.7%，不过人工智能在医院的普及前景光明。
调查显示，计划在一年内应用人工智能的医院占10.6%，两年内应用人工智能的占23.5%，另有24.7%的医院计划在三年到五年内应用人工智能。
以此推算，大约35%的医疗机构计划在两年内使用人工智能技术，而计划五年内应用人工智能的医院超过一半以上。
3.医疗影像：
人工智能在医疗领域应用的第一站
3.1.人工智能在医疗影像的应用场景
医疗影像是现代医学最重要的临床诊断和鉴别诊断工具。
影像成像技术的不断丰富使医学影像从辅助检查工具变为现阶段医生做诊断时最大的信息入口，接近70%的临床诊断需借助医学影像。
表3：
医疗影像在众多病种的应用，已经成为最重要的临床诊断工具
医疗影像诊断不止是“目测”，正在从定性向定量演进。
在介绍人工智能在医疗影像的应用场景之前，首先需要纠正大家的一个偏见：
医疗影像诊断实际上就是医生“看片子”，人工智能+医疗影像就是“机器看片”。
实际上，影像诊断主要分两类：
结构类影像及功能类影像诊断：
1）结构类影像：
简单来说就是“所见即所得”的影像，比如X光、CT就属于这一种，它能够非常直观地观察到生理结构，判断是否有物理变化的病变，相当于“大家来找茬”。
这种影像类型结合人工智能，就是大家通常意义上讲的“机器阅片”。
但对于一些没有明显物理变化的。
疾病，就束手无策了。
2）功能类影像：
相当于结构类影像的“补集”。
这类影像能够研究脏器细胞对某种物质的代谢能力，从而反映出这个脏器的功能是否正常。
机器检查放射性示踪剂在人体代谢的状况，记录反应能量代谢的数据矩阵，通过一张二维的影像片子来呈现。
影像不能反映真实生理结构，只能通过影像像素的明暗程度来表示代谢的强弱程度、是否异常，而医生又无法研读数据矩阵。
这样一来，诊断结果只能全凭医生的肉眼和经验来判断，即使是专家，误诊漏诊率也在30%-50%。
对于这类影像，人工智能要做的事情就是帮助医生做更精确的判断，也就是影像信息的后处理，将影像信息转换为定量的数据并做分析诊断。
具体流程：
第一步，就是做定量化。
要把肉眼看到的影像，转化成数学的数据，把一张图像转化成数学矩阵，通过数字的方式去诊断病灶。
第二，引入大数据。
建立疾病数据库，把定量化的数据引入到可参照的系统中，并进行下一步的比对分析。
从功能来看，人工智能在医疗影像领域的应用场景可以分为两类：
1）机器看片：
强调的是替代或者辅助医生观察影像数据的作用。
以帮助医生提升影像诊断效率为主要目的，解决医生资源不足的问题；2）机器读片：
强调的是对医学影像数据的内容解读，帮助医生进一步提高影像诊断精准度，解决的问题是加强医生的诊断水平。
图12：
人工智能在医疗影像领域的应用场景
3.2.市场机遇：
医疗影像是千亿级的市场
医疗影像医生供需缺口巨大。
1）放射科：
按照动脉网蛋壳研究院的数据，放射科有超过50%的医生工作时间在8小时以上，20.6%的医生每天平均工作时间超过10个小时。
目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率只有4.1%，放射科医师数量增长远不及影像数据增长。
这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远超负荷；2）病理科：
根据deepcare提供的数据，在中国病理医生非常的缺乏，大概平均七万中国人一位病理医生，而在美国是平均两千人一位病理医生，缺口按照美国的标准是达到3-4万。
综上，现有的医疗影像医生其实面临工作负荷过载，跟不上日益增加的医疗影像需求的问题。
在繁重的工作负担下，人工分析只能通过医生经验去进行判断，误诊和漏诊率较高。
图13：
病理科医生的供需缺口
图14：
放射科医生的供需缺口
医学影像的解读需要长时间专业经验的积累，影像科的医生培养周期相对较长。
国内医疗影像+人工智能领域创业公司DeepCare做过一个调研对比：
让高年资（40年）病理医生与低年资（10年资）病理医生对同一组乳腺癌淋巴转移数字病理切片进行诊断，结果显示，低年资医生与高年资医生的诊断差距达30%。
从这个调研的数据，我们可以对影像科医生特别是病理科医生的培养周期有一个较为感性的认识。
图15：
乳腺癌淋巴转移数字病理切片诊断准确率比赛
人工智能应用于医学影像是刚需。
在供需存在巨大缺口，而且短期很难补齐的现实条件下，将人工智能应用于医学影像，提高医生的读片效率和准确率，减轻现在影像科医生的工作压力，成为了刚需。
此外，机器看片更为客观的分析结果，其实也一定程度上降低了人为操作的误判率。
医学影像市场存量规模在4000亿左右。
我国医院财报显示影像检查收入占医院收入的10-20%，与检验科接近，仅次于药品。
根据2015年中国卫生和计划生育统计年鉴数据统计，
我们2015年医疗费用支出约4万亿，那么医疗影像的市场规模大约在4000亿左右（以医院收入的10%测算）。
在4000亿的影像市场中，无论是上游医疗影像成像硬件设备还是下游医。
疗影像诊断服务，人工智能均有极大的发挥空间，前景光明。
图16：
医疗影像市场
3.3.技术实现路径和竞争壁垒分析
“机器看片”技术=医学图像识别技术+深度学习模型+数据。
广义上来讲，“机器看片”是计算机视觉技术的一种应用，其训练方式是先利用图像处理技术用于将图像处理为适合进入机器学习模型中的输入，深度学习则负责从图像中识别出相关的模式。
以肺癌为例，早期肺癌的典型症状是肺部结节，其尺寸小、对比度低、形状异质化高。
“机器看片”需要做的就是通过大量数据训练得出肺部结节的定义和特点，利用训练好的算法模型去检查患者肺部是否存在结节。
具体流程为：
1）图像预处理，包括图像去噪、增强、平滑、锐化等过程；2）图像分割，通过器官形态模型，图像边缘特征模型，以及神经网络聚类模型，将不同器官影像自动分割（一般分割精度<2mm.），为后期的智能匹配和判断提供必备的图像处理工具；3）特征提取，广义上指通过变换的方法用低维空间表示高维空间，计算机将其中有意义的特征或区域提取出来；4）匹配判断。
通过深度学习+患者数据所训练总结出来的判断规则结合上述的提取出来的特征数据，对影像做出结果判断，筛选出病变图片。
“机器读片”的技术原理和“机器看片”的本质上是相同的，主要是增加了数据量化的环节。
图17：
“机器看片”的技术原理
从技术的实现路径来看，我们认为人工智能医疗影像公司的门槛和壁垒在于算法和数据：
1）人工智能医疗影像产品需要覆盖多病种的。
根据deepcare的观点：
由于单一几个病种的。
分析作用有限，列如患者拍片检查肺，但实际上是肝有问题，若人工智能算法智能看肺但不能看肝，就会造成漏诊。
因此，只有在可以分析的病种足够多的情况下，才会让漏诊风险降到可接受的范围。
2）数据资源以及数据闭环能力很重要。
现阶段，很多人工智能医疗影像公司从0到1的产品化突破，在数据上，依赖的是公开的医疗数据集（非常有限）或者和个别医院的资源关系，尽管完成了初步的产品化，但从精准度、灵敏度以及覆盖病种来看均有很大的提高空间。
想要继续提升产品，首先要在数据量级以及覆盖病种上做文章。
医院是目前最大的医疗数据集聚地，拥有顶级医疗机构资源的公司将具备先天的优势。
此外，本身产品的数据闭环的形成也很关键，即拥有影像数据、病灶重点标注数据、诊断报告等，数据闭环的打通可以让模型不断的自学习，持续提高精准度和灵敏度。
3）算法是人工智能医疗影像产品的关键。
影像数据标准化以及数据模型的构建需要长时间的技术积累和对医疗影像的深度理解。
现阶段是从0到1的产品化突破，大部分公司的模型都是通过小样本数据训练，算法的技术优势将会在产品的精准度、灵敏度上有充分的体现。
此外，需要重视的是，算法的可嫁接性，决定未来是否能形成规模效应，也就是说，从单病种扩展到多病种时，研发的边际投入将有所降低。
3.4.二级市场参与医疗影像+人工智能产业的路径
医疗影像产业链可以分为上游的影像诊断基础设施层以及下游的影像诊断服务层。
其中，影像诊断基础设施层又可以分为影像信息化和医疗影像成像设备；影像诊断服务层现阶段主要的参与者是公立医院，未来随着社会办医、远程医疗的发展，民营医疗机构、独立影像中心以及线上影像平台成为重要的影像诊断服务机构。
医疗影像人工智能技术的成熟和产业的火热，诞生了一批医疗影像人工智能技术公司，形成了产业链中独立的细分领域：
影像诊断智能分析。
他们主要的服务对象是：
1）医疗影像成像设备：
通过给硬件增加人工智能模块；2）影像诊断服务机构：
为这些医疗机构的医生提供机器阅片工具，提升效率和准确率。
图18：
人工
升级会员 