前言：从互联网医疗升级到医疗人工智能

　　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置效率。

　　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。

　　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***，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。

　　临界点已至，医疗人工智能站上风口

　　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***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***，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。

　　#FormatImgID_2#

　　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***，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。

　　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。

　　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***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。

　　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***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。

　　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。

　　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，百度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「百度医疗大脑」，将未来医疗的重心方向定位于医疗人工智能。

　　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。

　　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***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。

　　人工智能赋能基层医疗。现阶段，分级***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***难以落实。

　　强基层是分级***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。

　　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。

　　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。

　　从国外调研数据来看，医疗人工智能商业前景乐观。根据Healthcare IT News报道，其联合HIMSS分析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。

　　医疗影像：人工智能在医疗领域应用的第一站

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　智能辅助诊断：现代医学皇冠上的明珠

　　技术实现路径：打造“医疗大脑”的5个步骤

　　“医疗大脑”或者智能辅助诊断，就是让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，给出可靠的诊断。构建的方法则是从临床治疗经验、专家文库中提取医疗知识。具体而言，医疗大脑将以患者的病史、症状、检验检查和用药等治疗方案为原始数据，整理出临床治疗经验，融合现存的医学知识，针对各种***建立医疗图谱。

　　并在此基础上，通过“阅读”患者的病历或者是临床症状，结合后端的医疗图谱，为医生提示临床医疗方案，为患者提供***方法参考并答疑解惑。简单而言，医疗大脑的构建，就是将多维度的数据变为知识的过程，按照数据流的视角，大致分为5个步骤：数据集中、数据加工、知识图谱、知识计算、交互设计。

　　#FormatImgID_12#

　　竞争壁垒分析：医疗数据规模&数据结构化技术

　　医疗数据的规模是“医疗大脑”智力水平的决定性要素。医疗辅助诊断系统的研发本质上就是将数据变成知识的过程，因此医疗规模数据是“医疗大脑”智力水平的决定性要素。现阶段，医院是医疗临床数据最大的集聚地，医院的封闭性造成了数据获取的困难性。获取医疗数据的能力成为重要的竞争壁垒。

　　商业化路径：智能辅助诊断系统面临的三个定位选择

　　在分析智能辅助诊断系统的商业化路径之前，首先要明确市场定位，究竟是服务于医疗机构还是直接面向消费者;是服务于基层医院、专科医院还是大的三甲医院;是致力于攻克常见病还是垂直病种?不同的定位，会有不同的技术实现难度，也将面临不同的商业化前景。

　　二级市场参与智能辅助***产业的路径

　　我们判断，进军智能辅助诊断产业将是有进取心的医疗IT企业的必然选择。首先，切入智辅助诊断产业将有望助力医疗信息化企业逐步摆脱项目制收费的商业模式，升级到分成医疗服务收费的模式;其次，智能辅助诊断系统的打造将是医疗信息化将自身医疗大数据变现的完美路径。

　　基于二级市场医疗信息化上市公司不同的资源禀赋和战略，布局智能辅助***产业的路径大致分为两条：1、引入第三方智能辅助***技术公司作为战略合作方，共同分享产业蛋糕;2、自主研发。将自身医疗数据资源升级为医疗知识图谱。