中国医疗人工智能现状分析：从产物验证进入市场验证

文 |动脉网（ID：vcbeat），作者 | 陈鹏

从2016年起，人工智能和医疗的融合在各个环节开始擦出火花。经由几年的生长，医疗AI在2019年迎来商业落地磨练，纷纷进入临床应用和医生的事情流，并在2020年头着花效果。

2020年1月15日，国家药品监视治理局批准了科亚医疗的创新产物“冠脉血流储蓄分数盘算软件”的注册，成为了首个获得AI影像Ⅲ类证的产物。

除此之外，2019年的AI产物有什么样的新希望呢？动脉网蛋壳研究院在2019年未来医疗100强大会上公布了《2019中国医疗人工智能陈诉》，本文为陈诉的部门节选。

围绕焦点算法能力的医疗AI应用矩阵

凭据依赖应用服务工具、使用医疗环节、医疗应用病种规模，陈诉制作了医疗人工智能应用矩阵，并对我国医疗人工智能行业举行了总结，制作出了医疗人工智能行业图谱。

医疗人工智能应用矩阵

医疗人工智能行业图谱

医疗AI在医院端的应用场景分析

AI+虚拟助手：买通诊疗差别环节是关键

据丁香园观察，50%以上的住院医生天天用于写病历的平均时间达4小时以上。《福布斯》曾报道，在门诊室，医生只花52.9%的时间在跟患者相同，37%的时间在处置惩罚书面事情，另有10%的时间在处置惩罚琐事。

排队3小时，问诊2分钟。医生病历录入事情量大、病历质控难、患者门诊服务缺失是就诊阶段的三大痛点。基于语音识别、语义明白、麦克风阵列三大焦点技术，AI+虚拟助手可以应用于诊前、诊中、诊后多个环节。

诊前：智能导诊机械人逐渐成为医院的一道新的风物线。导诊机械人主要是通过患者的语音输入举行语义分析，然后给出分诊和导诊建议，节约人力，利便患者。更先进的导诊机械人还能通过传感器收集患者的生命体征信息，举行预问诊，提前将患者的基本体征、病情摘要反馈给门诊医生。这使得医生在见到患者之前，便已获得患者病情的部门信息，从而提高医生问诊效率，淘汰误诊。

诊中：AI病历助手可以直接将语音转为结构化的电子病历。智能语音录入全历程由医疗语言数据模型举行支撑，能够实现检查、诊断和病历录入同时举行，制止了医生诊断总是被打断的情形，从而节约医生的时间，使其能专注于诊疗自己。AI手术助手可以让手术医生使用虚拟屏幕、语音识别，手势识别等技术，隔空操作电子设备。这有效淘汰了手术时间，降低熏染风险。

诊后：在患者离院后，AI虚拟助手可以对患者举行回访以及满足度观察，推送医嘱事项、复查提醒、医学科普等。

AI+临床事情流：合理设置医疗资源，实现效益最大化

临床事情流，是对医院治理流程和医生事情流程的归纳综合形貌。临床事情流解决的主要问题是：使用数字化工具在多个到场者之间自动通报文档、信息或者任务，实现医院业务目的（非诊疗行为的信息化）。

人工智能正在通过医院治理和诊疗流程治理，引领医疗行业的全数字化转型，资助医疗机构优化临床事情流程，提供更好的医疗服务，缔造更高的利润。

医院治理的目的是充实优化医院的医疗资源设置，实现效益最大化。

AI凭据医院已有的信息举行建模，训练出一套精准的算法，自动制定事情摆设。好比它能凭据电子病历、既往病史等信息分析出哪些患者是最需要实时救治的，把医疗资源优先提供应他们，优化医疗服务的先后顺序。

从产物分类看，临床事情流治理凭据工具可以分为医疗设备治理、医生工具和支付治理。

医疗设备治理：人工治理向智能化治理转变。医疗设备治理历程中存在的离散漫衍、维修调养和质控治理效率低等痛点。随着智能化、信息化、规范化逐渐成为医疗设备资产治理的大趋势，医疗设备服务市场已经从单纯的设备维修，转变为医疗设备全生命周期治理。

医生工具：从单点医生赋能到多点医生协作赋能。医生工具的作用主要是为医生赋能，提高事情效率、增强医生能力。

医保控费：从规则控费向大数据控费转变。人工智能和大数据为医保智能监控系统的建设提供了新思路。部门地域开始探索通过运用包罗案例推理、医疗行为模式分析、诊疗方案分析、医患网络扩散分析等在内的大数据分析手段来提升对欺诈骗保行为的识别能力，确保医保报销的合理性。

AI+预防治理：实现疾病的全面筛查和预测

上医治未病，预防医学优于被动治疗。随着人工智能、大数据、基因等技术的进步，现在已经能够实现部门疾病的可能性预测了。安吉丽娜·朱莉接受预防性的双侧乳腺切除手术，以降低罹患癌症的风险。而之所以举行这项手术，是因为她有基因缺陷，罹患乳腺癌和卵巢癌的风险恐怕较高。

这是从基因的角度举行的疾病风险预测，而AI也能从我们的行为、生化、影像等检查效果中实现疾病的筛查和预测。

以糖网病为例，糖网病是是常见的视网膜血管病变，也是糖尿病患者的主要致瞎眼病。中国是全球2型糖尿病患者最多的国家，随着糖尿病患者的增多，糖尿病视网膜病变的患病率、致盲率也逐年升高。

因为糖网病早期往往没有任何临床症状，而一旦有症状，病情已较严重，容易错过最佳治疗时机。所以糖网病的治疗效果取决于治疗是否实时。可是由于我国眼科医生匮乏、住民重视水平不高，现在我国糖网病筛查的比例不足10%。

中国有90多万家下层医疗机构，占整个医疗体系机构数量的95%，笼罩人群5.8亿人。可是，下层医生供应不足，现有医生的数量已经无法负担这些事情量，导致医生过劳，误诊、漏诊的情况泛起。

此外，下层医疗设备先进性不足，我国下层医疗卫生机构设备集中在50万元以下，100万元以上设备少少，说明设备先进性偏低，仅能满足基础疾病的诊疗，无法完成疑难杂症的早期筛查。

预防治理根据其产物的使用规模，可以划分为筛查类产物和预测类产物。

筛查和诊断的焦点区别，在于诊断是已经有显着的症状后确定是哪种疾病，而筛查事先并不知道是否患病。

通太过析市面上主流的AI早筛类产物，我们发现其主要聚集在肺结节筛查、糖网病筛查、癌症筛查三大类。这是因为上述筛查的影像大多是DR、CT、眼底照片等，比力容易获取。而且中检院在2018年已经建设起了彩色眼底图像和肺部CT影像两个尺度数据库，这对产物研发、审批、推广也有很大资助。

人工智能基于多模态数据，包罗文本、影像和流数据等（心率、血氧、呼吸等），可以应用于多种疾病预测，好比盛行性疾病、慢性非感染病、精神类疾病等。

AI+辅助诊断：CDSS与MDT团结是未来生长偏向

从诊断的数据流看，首先，患者划分举行影像、病理、体外诊断等一系列检查，并获得开端的检查效果。然后，检查数据通过PACS、HIS等信息化系统整合存储起来。最后，所有的数据搜集到医生端做综合解读。

人工智能的最终目的是像专家一样能实现单独综合诊断，然而现在最成熟的应用还是集中在单个项目上，尤其影像领域。我们统计了AI+辅助诊断领域的120家企业，其中影像类辅助诊断占比最高（34%），其次是数据整合存储（占比22%）。

影像：云端化、集成化生长

基于四大影像技术：X射线、CT、MRI、超声，加上最新的核医学成像技术（PET），人工智能在影像领域的应用主要是图像分类、器官标志、组织结构的支解、病灶区的支解，以及图像配准等。产物结构的偏向集中在胸部、头部、盆腔、四肢枢纽。最多投入的就是肺结节以及肺部相关疾病，其次是心脑血管，盆腔的主要是前列腺、直肠，骨枢纽主要围绕骨折和骨龄。

对于医院需求方来说，影像AI产物想要切入三甲医院，必须抓住三甲医院医生的两个关键需求——效率需求和科研需求。如今产物比力成熟的CT肺结节、CTA冠心病、脑卒中等辅助诊断产物均满足了医生对于阅片效率的追求。

而对于医疗能力略逊一筹的乡镇级医院，受限于设备落伍、人员不足等逆境，下层医疗的影像AI产物主要基于X射线和超声，辅助诊断一些常见病。影像AI企业可为其搭建私有云、毗连医联体的云PACS，也可在院内以教学的方式造就医生的阅片能力与出具陈诉能力。

病理：分病种攻克

在整个医疗诊断的事情流程中，病理诊断作为医学影像分析的下一环节，是诊断的“金尺度”。

传统的病理诊断主观性强、重复性低、误诊率高。病理医生依靠肉眼和小我私家履历，将显微镜下切片放大40到400倍后，视察细胞形态和组织结构，举行分析诊断，须要时举行免疫组织化学或免疫荧光检测协助判断，然后对图像举行人工计数或借助软件统计。

同时，与放射科一样，我国病理科的专业人士也很是短缺。据卫生统计年鉴显示，我国注册的病理科执业医师只有1.02万人，与卫健委制定的每100张床配备1~2名病理医生的尺度相差悬殊，我国病理医生的缺口总数快要10万人。

AI在病理学中的应用根据到场水平可以分为三类：

使用数字扫描技术，形玉成切片数字化图像（WSI）：图像相关特征的提取及定性定量分析：包罗细胞巨细、结构特征、细胞群密度、空间漫衍等信息。

病理图像的分类和分级：AI可以直接输出组织分类、良恶性判别和癌症分级效果，提高病理学诊断的准确性、高效性和一致性。现在AI技术在乳腺癌、脑癌、前列腺癌平分类分级问题上都到达了90%左右的准确率。

全流程数字化，实现数字切片首诊、数字化陈诉、数字切片存档等：使用高通量与快速WSI技术，可以将通例切片全部扫描制作成数字切片。再联合盘算机存储及互联网传输技术，将数字化切片存档并上传云端，建设区域性网络病理诊断平台，并提供快速检索功效，形成打破地域限制的“云病理科”。这进一步淘汰了病理医师履历性误判导致的误诊情况，利便病理医生和其他医务人员获取数据，提高了事情效率。

整合其他学科，例如生物学、化学、免疫学、遗传学及临床信息，辅助医生诊断治疗AI不仅用于病理形态数据的分析，还可以整合免疫组织化学、分子检测数据和临床信息，得出一个整合相关信息的最后病理诊断陈诉，为患者提供预后信息和精准的药物治疗指导。

基因：AI突破测序解读瓶颈

2018年11月，在第13届全球卵白质结构预测竞赛上（卵白质领域的奥林匹克竞赛），DeepMind 的人工智能法式 —AlphaFold乐成凭据基因序列预测卵白质的3D结构，获得冠军。

AI越来越多的应用到基因检测上。随着第二代测序技术的成熟，单个基因组的检测成本已经降到1000美元以下，快速生长的基因测序也发生了海量数据，如何解读这些基因大数据，获取与疾病相关的变异，找到致病基因，成为现在生长的瓶颈。人工智能便依靠其强大的数据处置惩罚能力和学习能力切入到了基因序列解读的历程中。

早在2014年，IBM就与纽约基因组中心展开了互助，基于IBM的沃森人工智能系统开发一个专门分析肿瘤基因组的法式。IBM在最近揭晓在《Neurology Genetics》杂志上的一篇文章中披露了她们最新的研究结果。科研人员从一位患者身上获取了肿瘤的活检样本以及一份血样，并对两份样品中的DNA和肿瘤中的RNA举行了测序。

这些测序数据被划分送给了IBM沃森基因组法式和一个由生物信息学家和肿瘤学家组成的专家团队举行分析。沃森系统仅仅用了10分钟就完成了一份可供思量的临床治疗方案的陈诉，而专家组的人工分析花了160个小时，才获得了一份相似的陈诉。

综合辅助诊断：CDSS与MDT团结

综合辅助诊断系统类似于MDT（多学科团结会诊），由多学科专家配合讨论，为患者制定个性化诊疗方案的历程，尤其适用于肿瘤、肾衰、心衰等庞大疾病的诊疗。

人工智能想要实现综合解读，至少要做到如下两步：多源异构数据挖掘，以及CDSS与MDT团结使用。

多源异构数据挖掘：人工智能企业与医院互助，需要使用大数据技术完成多源、结构和非结构数据的清洗、脱敏、结构化、尺度化，使得医院能够一统原先破裂的医疗数据，形成互联互通的医疗大数据平台，为实现大数据处置惩罚和分析奠基数据基础。

CDSS与MDT团结使用：基于单学科的CDSS缺乏共享化服务模式，往往作为一个子系统嵌入EMR中，无法全面评估患者情况。如果借助MDT多学科协作的优势，基于相关证据关联，得出最佳的诊断效果和治疗方案，有望进一步提高医疗服务效率和质量。

AI+辅助治疗：围绕手术和药物，以提效为焦点

围绕药物治疗和手术治疗两大主要治疗方式，AI辅助治疗在术前计划、术中导航、智能化用药方面都起到了很好的作用，可以有效降低手术时间、淘汰并发症。

在肿瘤治疗历程中，靶区勾画与治疗方案设计占用了医生大量的时间和精神。每个肿瘤病人的CT图像在200张左右，医生在勾画的时候，需要给每个图片上的器官、肿瘤位置举行标注。这个历程根据传统的方法要泯灭医生3-5个小时。如果第一个疗程的治疗由于靶区勾画的禁绝确或者肿瘤的变化，导致治疗无效（肿瘤组织淘汰小于30%），这个时候就需要更改治疗方案，这就需要医生重新为病人做勾画。

术前计划：人工智能可以基于CT/MRI影像数据，使用图像识别技术自动勾画相应靶区，自动生成详细的放射性照射方案或者手术方案后，再交由医生做最终确认。

术中导航：将患者术前的影像数据和实际剖解结构准确对应，使用VR、MR、导板等技术，通过三维数字建模及算法优化，对病灶举行精准定位。

用药建议：基于真实世界的用药大数据，运用人工智能技术实现个体化用药指导。个体化用药就是在最适的时间、对最适的患者、给予最适的药物和最适的剂量。

AI+康复：以患者回归生活为目的

临床医学以生存为主要目的，通过药物、医疗器械、手术等治疗手段，让患者能够生存下来。而康复医学则是以生活为目的，通过康复治疗手段让患者受损的功效能够获得部门或全部恢复，更好地回归社会。因此，临床医学与康复医学是相辅相成的，临床医学在病患治疗期介入，康复医学在病患恢复期介入，它们最终都是消除病患，让患者逐步向凡人过渡。

从康复的数据流来看，康复分为监测——指导——调治三个环节，也就是先获取数据、然后分析数据、最后应用数据。

监测——可穿着设备：相比于AI在诊断和治疗环节的应用，人工智能在康复领域的应用越发难题。这是因为AI在诊疗环节的数据是容易获取的（来自于医院的信息化系统），产物只需使用数据和算法迭代打磨即可。而康复则需要可穿着设备来收罗小我私家康健数据。现在，市面上大部门可穿着设备为监测类设备，可以监测血糖、血压、心率、体温、呼吸等康健指标。

指导——康复机械人：一小我私家天天发生的康健数据量是很是大的，怎么去处置惩罚数据，把数据酿成信息，把信息酿成知识，把知识酿成康健治理的信息，这即是人工智能在人类生命数据收集后的事情。

其中最直观的就是康复机械人，康复机械人应用人工智能、物联网、大数据等技术，让康复设备变得人性化、智能化，实现人机交互、智能辅助训练、精准力控等目的。现在康复机械人主要集中于骨枢纽康复、听视力康复、言语康复等领域，未来有望拓展到心肺康复、神经康复等。调治：康健治理

康健治理是变被动的疾病治疗为主动的自我康健监控。凭据体征数据，人工智能康健治理通过数据学习每小我私家的身体特点，针对每小我私家设计个性化康健治理方案。现在主要的应用规模是糖尿病、慢病治理、血压治理、乳腺康健治理、胎心监测等。

康健治理涉及的康健环节主要有风险识别、康健评估、精神监测、康健干预等。

风险识别：通过获取信息并运用人工智能技术举行分析，识别疾病发生的风险及提供降低风险的措施。

康健评估：收集病人的饮食习惯、磨炼周期、服药习惯等小我私家生活习惯信息，运用人工智能技术举行数据分析并评估病人整体状态，协助计划日常生活。

精神康健：运用人工智能技术从语言、心情、声音等数据举行情感识别。

康健干预：运用人工智能对用户体征数据举行分析，定制康健治理计划。

AI+科研：生产工具解放科研学者的生产力

AI+药物研发

一般而言，制药公司需要花费5-10亿美元，用10-15年时间，才气乐成研发出一款新药。新药研发的风险大、周期长、成本高，是药企最大的痛点。

现在，人工智能在新药研发领域的应用已经渗透到药物发现阶段、临床研究阶段、审批上市阶段各个环节。主要涉及靶点发现、化合物筛选、晶型预测、药物重定向、医学翻译、药物警戒等多个应用场景。

药物发现阶段

药物研发从靶点发现开始，药学家从科学文献和小我私家履历去推测生理活性物质结构，进而发现靶点。然而在信息爆炸的今天，每30秒就会有一篇生命科学论文揭晓。此外，另有大量的专利、临床试验效果等海量信息散布在世界各地，科研事情者没有时间和精神来关注所有信息。传统方式的靶点发现历程平均耗时2-3年。

人工智能通过自然语言处置惩罚技术（NLP）学习海量医学文献和相关数据，通过深度学习去发现化合物与疾病之间的作用关系，找到靶点，缩短靶点发现周期。

在化合物合成上，AI能模拟小分子化合物的药物特性，能够在数周内挑选出最佳的模拟化合物举行合成试验，而且能够将每个化合物的测试成本控制在0.01美分，大幅降低了化合物合成的成本。

临床前药物研究阶段

在找到靶点后，还需要寻找相应的小分子化合物去跟靶点匹配。这个匹配历程就类似于用户在百度搜索某词汇（靶点），引擎回应出相关的搜索效果列表（小分子化合物）。这就是化合物的筛选。

高通量筛选以及传统的虚拟药物筛选所需时间长，药物开发乐成率低，人工智能的泛起为创新小分子药物的发现打开一扇新的大门。

临床研究阶段

优化临床试验设计：2015年《临床试验数据核查通告》，严格临床研究数据核查，随后的多项政策都对临床研究提出了更高更明确的要求，也重复提及信息化系统和技术的应用，太美医疗科技通过人工智能技术结构化医疗知识，辅助多源异构临床数据的结构化、尺度化以及相关推理，在eCollect（EDC）中，应用不良反映药物关联度盘算和病历OCR识别等人工智能技术，大大提高数据收罗的质量和效率。

审批上市阶段

注册申报：2019年起，中国开始逐步实施eCTD（电子通用技术文件）尺度，不停推动药品注册审评的国际化与电子化。传统CTD自动化水平低，导致报批事情依然消耗企业大量时间和人力在“paper work”上。而引进人工智能技术，有望实现在注册申报流程中自动写作、自动翻译、自动出书及报批一体化智能操作。

药物警戒：药物警戒主要涉及药物的两个方面，宁静性和有效性，包罗药物和治疗中不良反映的收集，分析，监测和预防。

2015年FDA划定，药品上市后宁静陈诉必须以电子方式提交；2019年国家不良反映中心启用不良反映直报系统实施不良反映在线递交，太美医疗科技的eSafety药物警戒系统可以直接对接CDE、NMPA药物不良反映直报系统，直报不良反映，并通过了FDA AERS及欧盟EudraVigilance药物警戒数据库递交测试。

人工智能技术的应用让eSafety系统具备CIMOS自动导入、SAE扫描件陈诉自动导入、不良反映提取、陈诉翻译等功效，大大提高事情效率。

医疗AI产物管线分析

我们调研了7大细分领域的62家企业，重点考察它们的产物应用希望，共涉及82个产物。其中辅助诊断、预防筛查类产物数量最多，划分是31个和13个。

对比去年的陈诉《2018医疗人工智能陈诉：跨越再出发》，可以发现以下新变化：互助医院数量普遍从去年的数十家，增加到数百家；从影像AI红海市场，逐渐拓展到药物研发、康复治理、临床事情流治理等蓝海市场；2018年影像AI主要聚焦在胸肺、眼科等疾病，2019年重点结构心脑血管领域。

医疗AI产物应用希望摘录（停止2019年10月）

中国医疗AI企业投融资分析

为了便于统计，我们在对投融资数据处置惩罚时遵循以下原则：统计规模涵盖医疗AI行业主要的180多家企业；本陈诉中涉及的融资事件仅包罗从天使轮到IPO以前的风险投资事件，不包罗IPO、定向增发、捐赠和并购事件等；将天使轮—A轮之间的轮次合并为天使轮，所有带A的轮次合并为A轮，所有带B的轮次合并为B轮，所有带C的轮次合并为C轮，D轮及以上IPO以下的轮次合并为D轮及以上。

本陈诉图表中金额计量单元均为人民币，将外币统一换算成人民币（凭据事件发生当年平均汇率换算）；将融资额为数百万/千万/亿统一划定为1百万/千万/亿；未公然轮次和未公然金额的融资事件在下列图表中均不予统计；数据停止日期为2019年10月31日。

2018—2019年投资机构活跃度

从融资轮次看，2019年投融资主要集中在A轮（25次，占比60%），单个企业平均融资额2千万人民币，这些企业大多在2017-2018年建立（如长木谷医疗、睿心智能、诺道医学等）。D轮及以上的融资虽然只有6次，但总额到达24.6亿元（占比58%）。

从单个企业融资额看，2019年太美医疗科技以15亿总融资额排名第一，其次是思派网络和森亿智能。有别于2018年集中于影像AI领域，今年融资额TOP10企业主要漫衍在AI药物研发和医疗大数据平台领域。

2019年完成融资的部门医疗AI企业（停止2019年11月）

从融资用途看，上述企业所融资金仍主要用于产物研发，不停富厚产物线、提高产物壁垒，好比数坤科技在获得2亿人民币融资后，将延伸到瘤和神经系统等其他病种，笼罩心、脑、肺、乳腺、前列腺等重要疾病和临床场景。

其次，部门企业将资金用于拓展其他领域，例如太美医疗在完成15亿人民币E+轮融资后，将拓展医药新营销市场。最后，部门资金会被用于产物的市场推广。

写在最后

人工智能将成为医生必备的得力助手已徐徐在学界、工业界、医生三方告竣共识，今年已没人开展人工智能和医生的比拼，行业进入到尺度制定和真切融入医生事情流阶段。建设良好、可连续的商业体系是工业向前的动力，我们开始看到医院的采购名单里看到人工智能初创企业的名字，价值被以真切的价钱认可。