AI医疗版图初现 留给后来者多少想象空间？
2018-04-12 乔丹 健康界
"AI医疗在2016年下半年到2017年上半年达到顶峰，包括企业的数量和投资的数额，这种情况在2017年下半年开始发生变化，企业数量出现断层式减少，投资数量减少的同时单笔投资额变大。"亿欧智库分析师尚鞅告诉健康界，整个市场已经冷却下来了，投资逐渐变得更加谨慎。2014年以来，AI医疗逐步被纳入新一代人工智能发展规划的重点，加上"互联网+医疗" 的海量数据支撑、资本对医疗人工智能的青睐，使得国
"AI医疗在2016年下半年到2017年上半年达到顶峰，包括企业的数量和投资的数额，这种情况在2017年下半年开始发生变化，企业数量出现断层式减少，投资数量减少的同时单笔投资额变大。"亿欧智库分析师尚鞅告诉健康界，整个市场已经冷却下来了，投资逐渐变得更加谨慎。
2014年以来，AI医疗逐步被纳入新一代人工智能发展规划的重点，加上"互联网+医疗" 的海量数据支撑、资本对医疗人工智能的青睐，使得国内医疗人工智能领域涌现出一批创业公司，BAT等巨头也纷纷在该领域勾勒版图。
目前AI医疗已走出实验室，逐步落地商业化，但是这仅停留在辅助诊断阶段，还远远没有达到改变医疗模式的程度，从资本、技术、商业模式以及政策等多方面来看，AI医疗未来的发展机遇与挑战并存。
医疗影像半边天 市场格局初现
国内AI医疗热潮始于医学影像领域，初期以肺癌早筛和糖尿病视网膜病变筛查较常见，随着技术的革新和应用场景的深入，各家公司的发展思路和重点相继发生变化。以深睿医疗为例，在肺癌早筛产品推出后，陆续开展胸部疾病、神经系统、乳腺癌等方向的产品研发，向综合影像AI平台方向发展。
截至目前，医学影像在医疗数据总量中占比约80%，包括CT、核磁、超声、病理、内窥镜、眼底等，因而医学影像的数据处理相关产业潜力备受市场各方追捧。2017年至今，医学影像AI领域的大部分公司，业务都涉及AI辅助诊断肺结节项目，公布的检测准确率普遍在90%以上，而且这个数值越来越高。同时，一些创业公司也迅速获得融资，2017年甚至被业内称为AI影像"肺结节年"。
除了医学影像，亿欧智库的研究报告显示，目前AI医疗主要有八大应用场景：
1.虚拟助理：语音电子病历、智能导诊、智能问诊、推荐用药；
2.医学影像：病灶识别与标注、三维重建、靶区自动勾画与自适应放疗；
4.疾病风险预测：基因测序与检测服务、预测癌症、白血病等重大疾病；
5.药物挖掘：新药研发、老药新用、药物筛选、药物副作用预测、跟踪研究；
7.医院管理：病历结构化、分级诊疗、DRGs智能系统、专家系统；
8.辅助医学研究平台：线上科研平台提供GPU计算、算法框架、数据分析等服务。
目前，国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理四个领域。华大基因、科大讯飞等具备技术优势和资源整合实力的科技巨头也纷纷以医疗影像为突破口布局医疗人工智能领域，在技术和产品上不断取得快速发展。
一举一动均引发市场关注的BAT同样在布局。百度医疗大脑是一个人工智能辅助诊疗系统，也是百度大脑最早落地应用的大脑分支，未来计划是打造成开放的医疗智能平台；阿里则基于云计算，打造阿里云ET医疗大脑，目前已经具备多项医疗能力，主要包括疾病特征图像识别、医生语音工作助手、医院内重急症预警三大业务模块，未来阿里云 ET 医疗大脑希望在患者虚拟助理、医学影像、精准医疗、药效挖掘、新药研发、健康管理等领域承担医生助手的角色；腾讯则在全方位"买买买"的同时，于2017年8月落地了自己的AI 医学影像产品--腾讯觅影。
发展至今，AI医疗行业头部创业公司逐渐形成，资本也在不断聚集加注，各公司基本完成 B 轮融资，累积吸金逾亿元，在医疗资源获取、数据积累、品牌打造等方面都具备一定优势，AI医疗市场格局初现。
落地模式待考 后来者想象空间并不多
"2018年，会有一大批AI医疗企业要么死去，要么转型。"尚鞅分析认为，融资青黄不接、技术迭代的瓶颈，以及商业模式断裂，任一因素都可能成为压死"靠技术吃饭"的初创企业的最后一根稻草。
企业前期打"技术牌"，拓展人工智能技术和应用的边界，而下半场应和产业结合，转向打"产品牌"，利用AI提高生产效率，实现模式落地，优化产品实现商业价值最大化。
不过，目前来看，商业化推广仍有障碍。思必驰CMO龙梦竹在4月10日的鲸准产业价值峰会上，阐述了当前AI医疗所面临的三方面问题：
1.底层技术的瓶颈限制，包括医疗数据来源、数量和质量的限制；
2.整个产品的创造力，产品打磨的局限；
3.包括C端消费者、B端用户在内的客户接受能力和商务服务能力的限制。
业内的共识是，AI的发展由"数据+算法+计算能力"三个要素推动，按照著名的火箭理论，如果把AI当作火箭，数据就是火箭的燃料，计算能力即引擎，算法则是引擎的控制器。巧妇难为无米之炊，如何获取高质量的数据是大部分人工智能医疗企业共同面临的问题。与其他应用领域的数据不同，医疗数据种类繁杂，标准不统一，而且质量参差不齐，患者的电子病历数据很难保证完全准确同步，这也是导致模型不完善的重要原因。
与此同时，医疗人工智能无法彻底避免的错误和漏洞，会影响人们对其信任度和接受程度，而信任度的培养是一个曲折的过程。在产品达到一定成熟程度以前，面临市场推广的风险。"集成性的产品商业化落地可能会比较直接、快速，云端的产品通过市场教育，周期比较长，但是后劲比较足。"图玛深维创始人兼CEO钟昕在鲸准产业价值峰会上如是说。"了解需求很重要，产品要符合诊断流程、医生的实际工作需求，这样才更容易被接受和进一步推广。"
除此之外，凡用于临床的医疗人工智能产品，都需要经过CFDA认证。不过，CFDA认可创新性诊断软件的进展缓慢，注册和审批周期长，对于多数企业来讲时间成本较高。而且从监管层面来看，人工智能刚刚应用于医疗健康领域，一些监管政策还有待明确。
据麦肯锡全球研究所预测，大面积使用人工智能诊断疾病可能不会太快发生，即使早已入局的巨头们，也不过是入门级水平，不过这并不妨碍AI的成功渗入，成为医疗的底层技术，就像之前的IT技术一样。在实际应用尚未成熟之时，资本在风口的鼓吹下往往伴随着"虚火"，火势燎原之后，留给AI医疗的想象空间，还需要稳健的模式和理性的市场来验证。
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#AI医疗#
156
学习了.谢谢分享.
109
学习
70
了解一下.谢谢分享!
100
科技的发展.促进医学进步.
83