2023醫(yī)療人工智能行業(yè)報告：從邊緣躍入核心醫(yī)療人工智能重押治療

前言斷和治療的范疇，生根于醫(yī)療場景中的每一個角落。意味著這一算法能夠成功回收過往投入的海量資金。分其中企業(yè)的實際進(jìn)展。第一章人工智能，已是醫(yī)療領(lǐng)域必不可少的一部分 1.1超百個AI獲批三類醫(yī)療器械，AI躍出輔助診斷 1.2近百項AI賦能的管線進(jìn)入臨床試驗，但無一行至上市階段 41.3信息學(xué)重構(gòu)進(jìn)行時，基礎(chǔ)設(shè)施建設(shè)成為最大壁壘 6第二章資金流速回暖，醫(yī)療人工智能進(jìn)入穩(wěn)步發(fā)育期 92.1二級市場考察：AI盈利尚有距離，疫情影響增速普遍放緩 92.1.1看重研發(fā)投入，數(shù)字醫(yī)療尚未實現(xiàn)規(guī)?；?92.1.2持續(xù)虧損，AIBiotech還需穩(wěn)定營收來源 132.1.3多家企業(yè)交表，國內(nèi)AI制藥崛起 2.2一級市場考察：宏觀遇冷，影像放緩 2.2.1深入治療，手術(shù)相關(guān)的影像學(xué)AI撐起融資規(guī)模 2.2.2穩(wěn)步向前，多家AI企業(yè)收獲億級大單 第三章在逆勢之下存活，醫(yī)療人工智能仍需高頻創(chuàng)新 3.1標(biāo)準(zhǔn)制定，影像AI進(jìn)入醫(yī)保的可能前提 3.2模式創(chuàng)新，再尋AI盈利源動力 3.2.2醫(yī)院影像數(shù)據(jù)治理 3.2.3深入治療領(lǐng)域 263.2.4合作政府覆蓋基層醫(yī)療 3.2.5成立醫(yī)院 3.3以數(shù)據(jù)為核心，新技術(shù)改變AI格局 28 293.3.2重構(gòu)醫(yī)學(xué)科研 31第四章大模型入局，醫(yī)療人工智能再遇新變量 4.1九大應(yīng)用場景，大模型已潛入醫(yī)療 344.2部署與應(yīng)用局限發(fā)展，大模型暫時難以規(guī)模落地 364.3機遇與挑戰(zhàn)并存，大模型有望成為顛覆醫(yī)療的下一項技術(shù) 4.3.1大模型的發(fā)展趨勢 4.3.2大模型的發(fā)展面臨的挑戰(zhàn) 第五章三大賽道，匯聚醫(yī)療人工智能核心競爭力 數(shù)坤科技：數(shù)字人體平臺2.0，擴大醫(yī)療AI賦能半徑 41鷹瞳科技：診療一體化布局更進(jìn)一步，保險創(chuàng)新業(yè)務(wù)進(jìn)展迅速 深睿醫(yī)療：手持9張AI影像三類證，邁向全場景AI 45深智透醫(yī)：差異化布局影像增強，有望突破醫(yī)療AI盈利難題 MANTEIA：提供高效精準(zhǔn)的放射治療全流程解決方案 49深至科技：持續(xù)投入軟硬件一體化，加速小型醫(yī)學(xué)影像基層應(yīng)用 醫(yī)準(zhǔn)智能：算法技術(shù)與應(yīng)用場景再獲突破，超聲新品研發(fā)迅速 悅唯醫(yī)療：AI賦能血管介入場景，產(chǎn)品覆蓋冠心病外科診療全流程 圖表目錄圖表1歷年AI產(chǎn)品三類證獲批數(shù)量 2圖表2醫(yī)療AI產(chǎn)品不同病種三類證獲批情況 3圖表3全球AI參與研發(fā)的進(jìn)入臨床階段且處于活躍狀態(tài)的管線臨床階段分布 4圖表4全球AI參與研發(fā)的進(jìn)入臨床階段且處于活躍狀態(tài)的管線分類 5圖表5醫(yī)院管理系統(tǒng)傳統(tǒng)架構(gòu)與AI加持的架構(gòu)的對比 6圖表6醫(yī)療AI企業(yè)營收數(shù)據(jù)對比（單位：萬人民幣） 9圖表7醫(yī)療AI企業(yè)凈利潤對比（單位：萬人民幣） 圖表8醫(yī)療AI企業(yè)研發(fā)支出（單位：萬人民幣） 圖表9醫(yī)療AI企業(yè)資產(chǎn)負(fù)債率情況 圖表10各醫(yī)療AI營收利潤分布（單位：億美元） 圖表11Schr?dinger管線（合作部分） 圖表12英矽智能2022年及2021年營收情況（單位：千美元） 圖表13晶泰科技2022年及2021年營收情況（單位：千人民幣） 圖表14醫(yī)療AI不同賽道融資情況 圖表15AI影像各個輪次融資事件數(shù)和金額（單位：億人民幣） 圖表162023統(tǒng)計年AI制藥融資用途 圖表172023年部分藥企與AI企業(yè)間的合作 20圖表18SYNTAX評分難點 圖表19SYNTAX評分標(biāo)準(zhǔn)的冠脈血管分段示意圖 25圖表20生成式AI應(yīng)用于影像增強 圖表21不同類型企業(yè)參與醫(yī)療大模型開發(fā)的特點 37圖表22醫(yī)療AI應(yīng)用層產(chǎn)業(yè)圖譜 圖表23數(shù)坤科技產(chǎn)品布局 圖表24鷹瞳科技AI版圖 圖表25DeepwiseMetAI實 45圖表26深智透醫(yī)影像增強與重建解決方案 47圖表27MANTEIA放療全流程解決方案 49圖表28深至科技小型化AI超聲 圖表29“所見即診斷”超聲動態(tài)實時智能分析平臺2.0內(nèi)涵 圖表30悅唯醫(yī)療重癥冠心病全流程創(chuàng)新解決方案 56今天，大量數(shù)智化應(yīng)用已能無縫嵌入醫(yī)生工作流程。此形勢下，醫(yī)療AI發(fā)生技術(shù)突變的概率陡然下降，成熟產(chǎn)業(yè)對于成本的控制更為有力。這一狀態(tài)對于醫(yī)療AI產(chǎn)業(yè)而言有利有弊。利在當(dāng)絕大部分企業(yè)開始重視產(chǎn)品銷售與成本控制時，缺乏成果的細(xì)分賽道開發(fā)暫時中止，醫(yī)療AI企業(yè)的虧損規(guī)模不斷收窄，整個行業(yè)的前景日漸明晰。弊在各項支出的緊縮及宏觀環(huán)境監(jiān)管的趨嚴(yán)，醫(yī)療AI整體創(chuàng)新能力有所下滑，迫使不少投資方調(diào)低對于該產(chǎn)業(yè)的未來預(yù)期。多種形式下，醫(yī)療AI的三大應(yīng)用場景——影像學(xué)、信息學(xué)、生命科學(xué)——均展現(xiàn)出截然不同的發(fā)展路徑。2023年間，國內(nèi)影像學(xué)AI的研發(fā)、銷售平穩(wěn)向前推進(jìn)，生命科學(xué)AI行至二級市場邊緣，信息學(xué)方面的AI低調(diào)融入各類系統(tǒng)，并借助大語言模型嘗試技術(shù)內(nèi)核的跨時代升級。本章中，我們將借助數(shù)據(jù)這一要素，展現(xiàn)當(dāng)下醫(yī)療AI各重點賽道的技術(shù)發(fā)展形勢，為后續(xù)章節(jié)融資潛力、商業(yè)模式及技術(shù)范式創(chuàng)新奠定基礎(chǔ)。在FDA、MDR、NMPA等主流監(jiān)管執(zhí)法機制下，絕大部分產(chǎn)品影像學(xué)AI因其數(shù)據(jù)性質(zhì)滿足醫(yī)療器械數(shù)據(jù)要求，均被視作醫(yī)療器械進(jìn)行審批。此背景下，作為影像學(xué)AI的商業(yè)化充分不必要條件的第三類醫(yī)療器械注冊證，其數(shù)量一直是衡量賽道發(fā)展形勢的重要指標(biāo)。近6年來，第三類醫(yī)療器械注冊證年通過量一直保持高速增長，尚未出現(xiàn)增速放緩的跡象。截至2023年10月31日，國內(nèi)已有118款智國家藥監(jiān)局公布的審評審批數(shù)量已至44個，超越了2022年的32個。至此，影像學(xué)AI審評審批體系趨于成熟，相關(guān)AI的注冊準(zhǔn)入步入常態(tài)化，智慧化的應(yīng)用或?qū)⒃跀?shù)年后覆蓋整個臨床體系。圖表1歷年AI產(chǎn)品三類證獲批數(shù)量數(shù)據(jù)來源：公開信息整理具體分析歷年AI注冊證分布情況。2020—2021年獲批的影像學(xué)AI以輔助診斷類AI為主，內(nèi)含基于深度學(xué)習(xí)的分析模塊，作用于特定影像設(shè)備下的特定病種。2022年輔助診斷類AI仍是主流，但多了一定數(shù)量的放療規(guī)劃、心電分析、病理分析應(yīng)用，AI應(yīng)用場景進(jìn)一步拓2023年延續(xù)了過往的趨勢，不同之處在于各類智能手術(shù)機器人規(guī)劃導(dǎo)航類應(yīng)用相繼獲批（總從公司角度看，輔助診斷類AI企業(yè)持有的三類證數(shù)量較多。擁有11張三類證的聯(lián)影集團目前位列數(shù)量榜的第一（聯(lián)影智能7張、聯(lián)影醫(yī)療3張、聯(lián)影智融1張），深睿醫(yī)療、數(shù)坤科技均有9張并列第二，推想科技、博動醫(yī)學(xué)、醫(yī)準(zhǔn)智能緊隨其后。相較之下，輔助治療類AI企業(yè)持有的三類證數(shù)量普遍在1—3張左右，市場準(zhǔn)入相對滯后。圖表2醫(yī)療AI產(chǎn)品不同病種三類證獲批情況數(shù)據(jù)來源：公開信息整理從病種方面看，肺結(jié)節(jié)、肺炎、眼底等擁有公開數(shù)據(jù)集支撐的病種對應(yīng)的AI最易獲批，是各企業(yè)實現(xiàn)AI商業(yè)化的重要抓手。此外，企業(yè)們也通過海外引入或與三級醫(yī)院合作，將心臟、血液、腦、骨等器官/系統(tǒng)納入AI落地的新途徑。超聲被認(rèn)為是醫(yī)療AI下一個增長點，已在注冊準(zhǔn)入上迎來突破。2023年8月，德尚韻興甲狀腺結(jié)節(jié)超聲影像輔助診斷軟件率先獲得NMPA批準(zhǔn)，醫(yī)準(zhǔn)智能、深至科技的AI超聲解決方案也有望在后續(xù)逐步獲批。此外，國內(nèi)的小型化超聲軟硬件也在不斷發(fā)展，比如深至科技著力推動基層醫(yī)療超聲篩查，在小型化超聲智能化方面已經(jīng)有完整布局。目前，深至科技已經(jīng)搭建起超過十余類、30多個病種的算法模型影像數(shù)據(jù)庫，以及超聲影像云中心，實現(xiàn)AI超聲輔助診斷病種覆蓋二十余病種。隨著超聲AI三類證破冰，超聲AI的應(yīng)用會進(jìn)一步擴大。智能手術(shù)機器人規(guī)劃導(dǎo)航類應(yīng)用的發(fā)展與手術(shù)機器人的發(fā)展深度綁定。近兩年來，骨科、腔鏡、泛血管、經(jīng)皮穿刺、口腔等細(xì)分領(lǐng)域手術(shù)機器人的獲批加速了相關(guān)智能化應(yīng)用的推陳出新。但鑒于2023年下半年手術(shù)機器人市場暫時降溫，2024年的智能規(guī)劃導(dǎo)航類應(yīng)用的注冊數(shù)量可能會有所下移。轉(zhuǎn)向治療賦能的過程中，初創(chuàng)公司在AI的多樣性方面發(fā)揮了重要作用。以AI在放療領(lǐng)域中的應(yīng)用為例，過去研發(fā)相關(guān)智能技術(shù)的企業(yè)多為東軟智睿、聯(lián)影醫(yī)療、大醫(yī)集團、醫(yī)科達(dá)、瓦里安、安科銳等國內(nèi)頭部影像企業(yè)及世界放療巨頭，但在近兩年時間內(nèi)，柏視醫(yī)療、MANTEIA、連心醫(yī)療、醫(yī)諾智能等初創(chuàng)公司也陸續(xù)獲得市場準(zhǔn)入。外科手術(shù)方面也存在同樣的趨勢，聯(lián)影智能、鍵嘉機器人、納通醫(yī)療、長木谷醫(yī)療等初創(chuàng)公司在口腔、骨科等領(lǐng)域獲批第三類醫(yī)療器械，深睿醫(yī)療、數(shù)坤科技、推想科技等老牌AI輔助診斷類企業(yè)也在探索開拓新產(chǎn)線的可能。AI在制藥中的應(yīng)用紛繁復(fù)雜，貫穿整個制藥流程，很難對比評估各AI之間的價值差異。不過，通過計量AI參與研發(fā)的藥物在臨床試驗中的推進(jìn)情況，我們能夠粗略衡量AI對于生命科學(xué)行業(yè)的影響。據(jù)蛋殼研究院不完全統(tǒng)計，截至2023年11月，進(jìn)入臨床的生命科學(xué)AI管線已有16款停止研發(fā)或從官網(wǎng)撤下，1款藥物被降低了臨床試驗優(yōu)先級。不過，管線總量仍在以較快速度持續(xù)增加，全球處于臨床階段且保持活躍狀態(tài)的AI參與研發(fā)的管線總計97項，超過一半的圖表3全球AI參與研發(fā)的進(jìn)入臨床階段且處于活躍狀態(tài)的管線臨床階段分布（不完全統(tǒng)計，截止時間2023年10月）數(shù)據(jù)來源：公開信息整理這些管線有67項來自國外，占比69.07%，30項來自國內(nèi)，占比30.93%。英矽智能、冰洲石科技、未知君、埃格林醫(yī)藥、藥物牧場、銳格醫(yī)藥等企業(yè)均有多條管線同時進(jìn)行臨床試驗，推動中國進(jìn)入AI制藥全球領(lǐng)先隊列。自研新藥是目前生命科學(xué)類AI企業(yè)研制新藥的主要模式。上述管線中，85.57%的管線為企業(yè)自研管線，14.43%的管線為合作研發(fā)管線，多為生命科學(xué)類AI企業(yè)協(xié)助大型藥企進(jìn)行研發(fā)。合作研發(fā)的管線數(shù)量雖少，卻多為老牌生命科學(xué)類AI企業(yè)所持有。Exscientia現(xiàn)有的兩條進(jìn)入臨床的管線分別來自于百時美施貴寶、湃隆生物；英矽智能負(fù)責(zé)推進(jìn)AulosBioscience圖表4全球AI參與研發(fā)的進(jìn)入臨床階段且處于活躍狀態(tài)的管線分類（不完全統(tǒng)計，截止時間2023年10月）數(shù)據(jù)來源：公開信息整理需要注意的是，Schr?dinger、BioXcelTherapeutic等AI企業(yè)經(jīng)手的已經(jīng)上市的藥物均來自收購，進(jìn)入臨床Ⅲ期的管線也多為老藥新用。換句話說，生命科學(xué)類AI公司自研且進(jìn)入臨床階段的管線均處于臨床Ⅰ期或臨床Ⅱ期，尚無藥物對于生命科學(xué)類AI而言，若想獲得可觀的營收、創(chuàng)造有力的價值，唯一的方式就是自研或協(xié)助MNC取得獲批上市藥物。2023年間尚無滿足上述條件的藥物突破臨床Ⅱ期，一定程度降低了市場對于生命科學(xué)類AI的估值，進(jìn)而導(dǎo)致年內(nèi)合作及投資收緊。不過，AI技術(shù)對于制藥行業(yè)的價值仍需時間驗證。雖無法抵達(dá)許多人預(yù)期的80%—90%的研發(fā)成功率，但若能將7.9%（BIO、InformaPharmaIn期為2011至2020年）的平均成功率提升至10%，已能有效加速新藥的產(chǎn)出，釋放足以匹配如今投資規(guī)模的價值。相較于影像學(xué)和生命科學(xué)開拓的創(chuàng)新市場，信息學(xué)AI面臨的是一個相對傳統(tǒng)的市場，缺乏創(chuàng)新的彈性，因而形成了差異化的研發(fā)思路。影像學(xué)和生命科學(xué)將AI作為核心技術(shù)底座，形成獨立產(chǎn)品或解決方案。而在信息學(xué)中，除?？艭DSS以獨立產(chǎn)品形態(tài)進(jìn)行銷售，絕大多數(shù)AI以支撐技術(shù)存在，置于成熟產(chǎn)品或解決方案中，通過優(yōu)化性能、提供額外服務(wù)提高競爭力。不過，這一屬性并未干涉醫(yī)療IT企業(yè)對于信息學(xué)AI的開發(fā)熱情。一方面，衛(wèi)寧健康、東軟集團、東華醫(yī)為等頭部醫(yī)療IT廠商已對醫(yī)院信息管理系統(tǒng)的架構(gòu)進(jìn)行調(diào)整，使其能夠更好適應(yīng)智能化應(yīng)用的運行，更便捷地實施智慧化的醫(yī)院管理，不斷降低醫(yī)院日常運營中出錯的可能；另一方面，數(shù)字療法的崛起強化了AI在人機交互、量表分析、智能預(yù)警、質(zhì)量控制等場景下的能力，幫助信息學(xué)AI躍入治療領(lǐng)域，進(jìn)一步發(fā)揮數(shù)智價值。圖表5醫(yī)院管理系統(tǒng)傳統(tǒng)架構(gòu)與AI加持的架構(gòu)的對比數(shù)據(jù)來源：衛(wèi)寧健康此外，大語言模型的出現(xiàn)為醫(yī)療IT的重構(gòu)提供了新的抓手。新的自然語義處理能力支撐下，過去的智能問診、智能電子病歷生成、智能隨訪等涉及文本信息的環(huán)節(jié)將迎來劃時代的產(chǎn)品體驗提升，進(jìn)而顛覆醫(yī)生的工作流程。需要注意的是，基于LLM的應(yīng)用研發(fā)仍處于探索階段。該技術(shù)嚴(yán)重依賴環(huán)境，需要醫(yī)院同時滿足基礎(chǔ)設(shè)施的構(gòu)造與智能算法的部署。如今開源節(jié)流大環(huán)境下，愿意為其付費的醫(yī)院尚未形成規(guī)模。因此，信息學(xué)AI的迭代仍需大量時間驗證價值。歷經(jīng)十年發(fā)展，多個醫(yī)療AI賽道已從藍(lán)海轉(zhuǎn)為紅海。當(dāng)前階段下的AI企業(yè)要尋求外部資本支持，僅僅依靠未來價值已難以讓人信服。因此，無論一級市場還是二級市場，AI企業(yè)必須憑借可靠的經(jīng)營能力進(jìn)行支撐。因此，本章著重考察現(xiàn)階段各醫(yī)療AI企業(yè)商業(yè)化能力，找出影響醫(yī)療AI未來發(fā)展的各類因素，進(jìn)而判斷眾多經(jīng)營方式中，哪些行之有效，哪些仍有待打磨。經(jīng)歷了2021年的遞交招股說明書熱潮后，醫(yī)療AI迎來了漫長的上市平淡期。2022年9月至2023年12月，國內(nèi)僅AI制藥企業(yè)英矽智能和晶泰科技遞交了招股說明書，成功上市的醫(yī)療AI企業(yè)寥寥無幾，具體分布與2021年并無差異。為分析影像學(xué)及信息學(xué)的AI企業(yè)經(jīng)營現(xiàn)狀，蛋殼研究院在全球范圍內(nèi)選取了醫(yī)渡科技、鷹瞳科技、Lunit、NanoxAI四家海內(nèi)外具有代表性的醫(yī)療AI企業(yè)。其中，醫(yī)渡科技以醫(yī)學(xué)數(shù)據(jù)智能平臺，建立真實世界疾病領(lǐng)域模型文明；鷹瞳科技的糖尿病視網(wǎng)膜病變輔助診斷軟件曾率先獲得NMPA頒發(fā)的第三類醫(yī)療器械注冊證；Lunit布局AI影像和AI病理，曾在單年企業(yè)ZebraMedicalVision后更名而來，是美國影像學(xué)AI中的典型代表。從營收來看，醫(yī)渡科技在最近一個財年的營收有所下滑，鷹瞳科技基本持平，Lunit和Nano-XImaging的營收則實現(xiàn)了大幅增長。圖表6醫(yī)療AI企業(yè)營收數(shù)據(jù)對比（單位：萬人民幣）數(shù)據(jù)來源：公開信息整理醫(yī)渡科技2023財年營收為8.05億元，較去年同期的12.37億元下滑34.96%，為上市以來營收首次下滑。不過，年度虧損和經(jīng)調(diào)整凈虧損分別為6.32億元和4.49億元，虧損幅度較去年有所收窄。分析營收下滑原因，大數(shù)據(jù)平臺和解決方案、生命科學(xué)解決方案、健康管理平臺和解決方案三大業(yè)務(wù)板塊的收入均在向下波動，但頂級研究型醫(yī)院、監(jiān)管機構(gòu)和政策制定者的客戶數(shù)量有增加，說明公司客單價有所下降。鷹瞳科技2022年營收為1.14億元，小幅下滑1.32%。鷹瞳科技受限于疫情期間線下活動限制，例如其重要布局城市上海曾在2022年上半年期間因疫情原因閉門三個月，一定程度影響了全年營收。年報數(shù)據(jù)顯示，公司客戶數(shù)量從2021年的244個增至397個，同比增長62.7%，共完成檢測量432.98萬次，雖說檢測量較2021年下降了12%，但檢測平均收費較2021年提升了4.5%，發(fā)展勢頭良好。醫(yī)療AI從院內(nèi)走向院外是重要趨勢，鷹瞳科技在院外已經(jīng)布局了保險、眼視光中心、藥店、政府視力篩查項目場景。2022年公司針對眼健康管理場景的鷹瞳眼健康收入增加至4360萬，同比增長74.67%，AI解決方案覆蓋國內(nèi)超過1200家視光中心，表明醫(yī)療AI在眼科健康管理場景中的發(fā)展前景廣闊。Lunit營收2022年營收為139億韓元（約7564萬人民幣），同比增長108.90%，主要原因在于LunitINSIGHT以及LunitSCOPE兩大業(yè)務(wù)線營收均增加，胸部X成像AI解決方案CXR實現(xiàn)了6918百萬韓元的營收。Nano-XImaging2022年總收入為860萬美元，AI解決方案的銷售額為30萬美元，可以看出AI產(chǎn)品貢獻(xiàn)的營收較低。從凈利潤情況看，醫(yī)療AI的規(guī)?；芰€不理想，4家企業(yè)均處于凈利潤為負(fù)的狀態(tài)，不過醫(yī)渡科技和Lunit的虧損正在收窄。醫(yī)渡科技?xì)w母凈虧損6.28億元，同比減少17.62%，原因在于銷售成本和行政成本有所降低；鷹瞳科技?xì)w母凈虧損1.80億元，虧損同比擴大歸母凈虧損1.13億美元。圖表7醫(yī)療AI企業(yè)凈利潤對比（單位：萬人民幣）數(shù)據(jù)來源：公開信息整理一個顯著的變化是，鷹瞳科技的毛利率在2022年有明顯的下降，從61%減少至41.9%，原因是公司業(yè)務(wù)線中增加了對于B端、C端硬件設(shè)備的投入。不過，鷹瞳科技2023年的中期業(yè)績給了行業(yè)一個積極的信號。公司2023年上半年營收8250萬元，同比增長120.6%；鷹瞳醫(yī)療、鷹瞳健康、鷹瞳眼健康分別同比增長137.3%、26%、307%；毛利潤5136萬元，同比增長132.7%，凈虧損4102萬元，同比收窄率62.3%，增長3.3%。在醫(yī)院、患者越發(fā)剛性的眼健康管理、治療需求下，眼科AI影像的商業(yè)價值正在成熟，加速獲得醫(yī)院、體檢機構(gòu)、健康管理中心的認(rèn)可。研發(fā)支出方面，各家企業(yè)的認(rèn)知開始分化。醫(yī)渡科技研發(fā)成本為3.43億元，鷹瞳科技研發(fā)支出為1.26億元，同比增長95.4%，超出公司全年營收10.5%；Nano-XImaging研發(fā)支出為2651萬美元，超出營收300%。醫(yī)渡科技對標(biāo)醫(yī)療IT類上市企業(yè)，其研發(fā)投入位于中位水平；鷹瞳科技、Nano-XImaging對標(biāo)影像學(xué)AI創(chuàng)業(yè)公司，鷹瞳科技圖表8醫(yī)療AI企業(yè)研發(fā)支出（單位：萬人民幣）數(shù)據(jù)來源：公開信息整理回顧鷹瞳科技的近年，保證銷售成本與研發(fā)支出的同規(guī)模變化是其快速商業(yè)化，趨近扭虧為盈的重要手段。行至上市階段，醫(yī)療AI企業(yè)必須重點考慮盈利問題，將資金一味投入研發(fā)搶占生態(tài)高地的發(fā)展模式，已經(jīng)不再適用于這個時代的AI領(lǐng)域。資產(chǎn)負(fù)債率方面，醫(yī)渡科技、鷹瞳科技和Nano-XImaging均處于較低的水平。伴隨行業(yè)日趨穩(wěn)定，單個AI產(chǎn)品的研發(fā)支出測算日益精準(zhǔn)，企業(yè)無需承擔(dān)過多財務(wù)風(fēng)險進(jìn)行大規(guī)模債權(quán)融資，因此資產(chǎn)負(fù)債率低。圖表9醫(yī)療AI企業(yè)資產(chǎn)負(fù)債率情況數(shù)據(jù)來源：公開信息整理目前全球范圍內(nèi)登陸二級市場的生命科學(xué)AI企業(yè)已經(jīng)達(dá)到兩位數(shù)，但除加拿大生命科學(xué)AI公司AbCelleraBiologics外無一盈利。AbCelleraBiologics是一家抗體研發(fā)公司，使用其自研的AI驅(qū)動抗體發(fā)現(xiàn)平臺通過分析天然免疫系統(tǒng)數(shù)據(jù)庫來尋找可以開發(fā)為藥物的抗體。2022年間，AbCelleraBiologics實現(xiàn)營業(yè)收入4.85億美元，同比增長29%；凈利潤1.53圖表10各醫(yī)療AI營收利潤分布（單位：億美元）數(shù)據(jù)來源：智藥局、蛋殼研究院支撐該公司2022年營收利潤雙增長的主要因素為“版稅”，即與合作伙伴禮來銷售的Bebtelovimab分成，貢獻(xiàn)收入4.43億美元，同比增長35%。Bebtelovimab是AbCellera為禮來開發(fā)的第二款新冠中和抗體，曾于2022年2月獲得FDA的緊急使用授權(quán)（EUA同月禮來與美國政府簽訂了總金額達(dá)7.2億美元的Bebtelovimab訂單。不過，AbCelleraBiologics的優(yōu)異表現(xiàn)未能助其止住市值的驟降，失去Bebtelovimab這一重要的吸金法寶，AbCelera四季度的收入僅僅為2150萬美元，占2022年總收入的4%。如今，除了Schr?dinger，其余上市企業(yè)的當(dāng)前市值已遠(yuǎn)低于上市市值，不少企業(yè)已經(jīng)從“獨Schr?dinger穩(wěn)定的市值與其同大藥企的高效合作有一定關(guān)系。2020年11月，Schr?dinger與BMS達(dá)成合作協(xié)議，篩選5個候選藥物，協(xié)議金額最高可達(dá)27億美金；2021年8月，再鼎醫(yī)藥licenseinSchr?dinger技術(shù)平臺，合作金額為3.38億美金；2022年10月，禮來與Schr?dinger達(dá)成協(xié)議，篩選一款候選藥物，協(xié)議金額最高可達(dá)4.3億美金。2022年12月，武田以首付款40億美元，總金額60億美元的價格從NimbusTherapeutics手中買下了活動性銀屑病關(guān)節(jié)炎治療藥物NDI-034858（現(xiàn)更名為TAK-279）進(jìn)一步肯定了Schr?dinger合作開發(fā)，目前武田已將其推至臨床Ⅲ期，距離上市只有一步之遙。此外，Schr?dinger豐富的管線布局及多元的商業(yè)模式亦為其有效分擔(dān)了風(fēng)險，使其能夠在行業(yè)估值整體下行之際維持市值的穩(wěn)定。圖表11Schr?dinger管線（合作部分）數(shù)據(jù)來源：Schr?dinger官方網(wǎng)站不過，自研藥物的AIBiotech在追逐高回報的同時亦需要承擔(dān)較大的失敗風(fēng)險。當(dāng)投資方開始日漸謹(jǐn)慎，不少企業(yè)已經(jīng)開始AICRO業(yè)務(wù)，盡可能地規(guī)避下行時期的高風(fēng)險。初創(chuàng)企業(yè)方面，數(shù)坤科技、科亞醫(yī)療、推想科技曾于2021年遞交了招股書說明書，英矽智能、晶泰科技則于2023遞交招股說明書。從他們的招股數(shù)據(jù)中，我們能夠一窺AI行業(yè)最前沿的勢態(tài)。2023年，數(shù)坤科技再度啟動IPO，其上市輔導(dǎo)備案登記已經(jīng)獲北京證監(jiān)局受理。數(shù)坤科技選擇了平臺化發(fā)展的策略，致力于構(gòu)建數(shù)字人體，是全球唯一一家在心、腦、胸、腹、肌骨關(guān)鍵領(lǐng)域同時擁有NMPA三類證的醫(yī)療AI高科技企業(yè)，無論是產(chǎn)品數(shù)量還是獲證US、DSA、鉬靶等多個模態(tài)，同時也全面覆蓋了疾病篩查診療的各個環(huán)節(jié)，實現(xiàn)了疾病全流程的高精度導(dǎo)航協(xié)同和精準(zhǔn)診療。旗下數(shù)字醫(yī)生產(chǎn)品已經(jīng)在全國超3000家醫(yī)療健康機構(gòu)高粘性日常使用，包括超90%的百強醫(yī)院及80%的目標(biāo)公立三甲醫(yī)院，市場覆蓋率行業(yè)第一。在覆蓋了大量賽道，形成平臺級的完整解決方案之后，數(shù)坤科技將迎來營收與市場占有率的雙重提升，這是數(shù)坤科技重啟IPO的底氣所在。AI制藥板塊，英矽智能在2023年6月，晶泰科技在2023年11月遞交招股說明書。商業(yè)模式是當(dāng)前影響AI制藥企業(yè)營收表現(xiàn)的關(guān)鍵要素。AI制藥行業(yè)的主流商業(yè)模式包括以提供軟件平臺服務(wù)為主的SaaS供應(yīng)商，以Schr?dinger為代表；主要開發(fā)內(nèi)部研發(fā)管線的同時為BigPharma、CRO、Biotech等在內(nèi)的多類藥物研發(fā)公司提供項目合作開發(fā)業(yè)務(wù)。目前，英矽智能開發(fā)出覆蓋特發(fā)性肺纖維化、腫瘤、免疫學(xué)的超30個在研管線，為全球TOP20制藥企業(yè)中的10家提供AI藥研服務(wù)，并與復(fù)星、賽諾菲等大型制藥企業(yè)建立戰(zhàn)略合作。研發(fā)支出從3848.9萬元美元增加到7817.5萬美元。管線進(jìn)展上，英矽智能核心產(chǎn)品ISM001-055已經(jīng)啟動Ⅱa期臨床試驗，主要用于通過抑制TNIK治療特發(fā)性肺纖維化相關(guān)適應(yīng)癥。圖表12英矽智能2022年及2021年營收情況（單位：千美元）數(shù)據(jù)來源：公開信息整理與英矽智能的商業(yè)模式不同，晶泰科技在定位上更符合AICRO模式。晶泰科技開創(chuàng)了結(jié)合量子物理、AI和機器人技術(shù)的創(chuàng)新研發(fā)平臺，融合醫(yī)藥企業(yè)與醫(yī)械企業(yè)的服務(wù)模式建起三大業(yè)務(wù)，分別為藥物發(fā)現(xiàn)解決方案、固態(tài)研發(fā)服務(wù)、自動化研發(fā)實驗室，自研藥物或為客戶提供多元CRO服務(wù)。招股說明書顯示，晶泰科技服務(wù)過的客戶超過200家，2020年、2021年、2022年和2023年1—6月的營收分別為3563.6萬元、627上升趨勢，同期經(jīng)營虧損分別為12632.1萬元、29943.2萬元、52531.4萬元、24695.7萬元，與營收同向增長。圖表13晶泰科技2022年及2021年營收情況（單位：千人民幣）數(shù)據(jù)來源：公開信息整理目前，晶泰科技已借自研或合作研發(fā)的方式建起10條管線，XBD-101已通過IND，即將步入臨床試驗環(huán)節(jié)。在AICRO角色之外，晶泰科技也在布局對初創(chuàng)企業(yè)的孵化投資，包括希格生科、劑泰醫(yī)藥、默達(dá)生物等，加強業(yè)務(wù)互補。回顧過去幾年，AI影像是醫(yī)療AI板塊率先獲得資本矚目的板塊，在幾年間迅速累積了數(shù)百億資金，驅(qū)動多個AI影像產(chǎn)品進(jìn)入商業(yè)化落地階段，多家AI影像企業(yè)邁入二級市場。到2023年，流向AI影像板塊的資金仍然充沛，但偏好輔助治療而非輔助診斷。AI制藥作為2022年的熱門板塊，在2023年正面臨商業(yè)前景不明朗的瓶頸問題，融資熱度有顯著下降。另一方面，作為底層技術(shù)，AI在完成技術(shù)驗證后，其醫(yī)療應(yīng)用場景正不斷多元化。2023年間，不少投資人落足于眼科、口腔、中醫(yī)問診、健康管理等領(lǐng)域內(nèi)，尋找AI新的價值點。醫(yī)療AI板塊一共完成了170筆融資，融資總額161.24億元人民幣。2023統(tǒng)計年的融資事件數(shù)較2022年同期的127件和2021年同期的112件發(fā)生了較大規(guī)模的增長，分析其原因，輔助診斷AI向輔助治療AI的轉(zhuǎn)型及基于影像的手術(shù)導(dǎo)航、手術(shù)規(guī)劃類AI的崛起，共同拉高了AI影像與AI信息化企業(yè)融資規(guī)模。圖表14醫(yī)療AI不同賽道融資情況數(shù)據(jù)來源：公開信息整理AI影像融資當(dāng)前更偏向商業(yè)落地。即便是在早期A輪融資階段，產(chǎn)品申報注冊和商業(yè)化情況也已經(jīng)是資本投資的重要考量因素。譬如，醫(yī)智影完成了A輪融資，產(chǎn)品“放射治療輪廓輪融資階段，公司的二類證產(chǎn)品已經(jīng)在多家醫(yī)院應(yīng)用。圖表15AI影像各個輪次融資事件數(shù)和金額（單位：億人民幣）數(shù)據(jù)來源：公開信息整理AI制藥板塊融資首次降溫。2023統(tǒng)計年的融資事件數(shù)僅有32筆，與2021年同期的43筆和2022年同期的47筆，有了一定下降。且2023統(tǒng)計年AI制藥板塊的融資以A輪以下的項目為主。核心原因在于AI制藥距離商業(yè)化還有一段距離，行業(yè)缺乏典型的成功案例，再加上2022年明星產(chǎn)品DSP-1181的失敗讓行業(yè)遇冷。根據(jù)統(tǒng)計，融資用途中，僅有完成C輪融資的藥物牧場和完成B+輪融資的紅云生物將資金用于推進(jìn)藥物臨床試驗，其余融資均是處于較早期階段，用于搭建技術(shù)平臺和推進(jìn)藥物臨床前研究。圖表162023統(tǒng)計年AI制藥融資用途數(shù)據(jù)來源：公開信息整理另一邊，海外GenesisTherapeutics卻完成了2億美元的超額認(rèn)購B輪融資，這是2023年AI制藥領(lǐng)域最大一筆融資；2023年7月，英偉達(dá)也宣布向Recursion投資5000萬美元。這說明AI始終是生物醫(yī)藥研發(fā)效率取得變革的關(guān)鍵因素，隨著算法模型、數(shù)據(jù)分析方法得到針對性的優(yōu)化，以及隨著大模型發(fā)展日新月異，AI在制藥板塊將保持向上發(fā)展。信息化板塊的融資事件在2023統(tǒng)計年出現(xiàn)了小幅度的增加，共有42筆融資事件。大多數(shù)傳統(tǒng)的信息化企業(yè)已經(jīng)發(fā)展到后期階段，行業(yè)整體變化不大，較大的亮點在于數(shù)字療法企業(yè)，2023統(tǒng)計年中，數(shù)字療法占據(jù)了AI信息化融資事件25%的比例。生成式AI在信息化板塊也有了初步的探索性應(yīng)用，Glowe閣樓完成A+輪融資，用AIGC賦能心理咨詢，萬木健康完成戰(zhàn)略融資，將加速構(gòu)建單病種及醫(yī)生個人知識數(shù)據(jù)庫，通過AIGC重構(gòu)醫(yī)患交互場景下的內(nèi)容創(chuàng)作流并實踐探索垂直領(lǐng)域大語言模型應(yīng)用。盡管一級市場的AI企業(yè)沒有公布營收規(guī)模，但據(jù)蛋殼研究院統(tǒng)計，深睿醫(yī)療、醫(yī)準(zhǔn)智能、數(shù)坤科技、推想醫(yī)療、深智透醫(yī)等AI企業(yè)均已實現(xiàn)億級營收，部分企業(yè)有望在2024年實現(xiàn)扭虧為盈。以深智透醫(yī)為例，該企業(yè)AI產(chǎn)品已在中國、美國、歐洲等各個市場加速推進(jìn)戰(zhàn)略，全球超過500家醫(yī)療機構(gòu)及影像中心完成部署，全球訂單總量近億元。最近，這家AI醫(yī)學(xué)影像增北美放射學(xué)大會上，展示了基于其AI平臺的醫(yī)療影像產(chǎn)業(yè)智能化升級。醫(yī)準(zhǔn)智能則強調(diào)三級醫(yī)院與基層醫(yī)療多場景并行。通過與多省市政府之間的合作，醫(yī)準(zhǔn)智能已借助智在全能影像智能化全面解決方案、粉紅關(guān)AI乳腺癌智能篩診療一體化解決方案、所見即診斷超聲動態(tài)實時智能分析平臺的三大解決方案規(guī)模化落地，實現(xiàn)可觀營收。生命科學(xué)類AI的表現(xiàn)情況與影像AI類似，也在營收方面節(jié)節(jié)攀升。2021年與2022年間，MNC開始陸續(xù)認(rèn)可生命科學(xué)類AI的未來價值，大規(guī)模網(wǎng)羅具備AI潛力的生物科技初創(chuàng)公司。許多大藥企手持多家AI企業(yè)的合作，將自有的管線分而治之，多角度引入AI賦能。這兩年內(nèi)，每一年都有近50項合作達(dá)成，近100億美元的總價值合同規(guī)模完成簽署。引入AI，成為當(dāng)時制藥界的風(fēng)向標(biāo)。相較前兩年，2023年合作數(shù)量相較前兩年略微減少，預(yù)付款與合同總價值也有所降低。10個月間，全球范圍內(nèi)已發(fā)生艾伯維與AnimaBiotech總價值5.82億美元的合作；賽諾菲與百圖生科超10億美元的合作；德國默克集團宣布與BenevolentAI和Exscientia12.68億美元的合作；諾和諾德與ValoHealth27億美元的合作，證實MNC仍然看重生命科學(xué)AI的未來發(fā)現(xiàn)前景。圖表172023年部分藥企與AI企業(yè)間的合作數(shù)據(jù)來源：公開信息整理造成這一原因的因素可能并非有關(guān)AI技術(shù)本身，頭部企業(yè)完成布局加之全球經(jīng)濟的波動，MNC們需要花費一些時間去驗證AI價值，才能精準(zhǔn)計劃下一輪的投入。盡管醫(yī)療AI的價值已在臨床、制藥之中得到初步確認(rèn)，很多醫(yī)療AI產(chǎn)品已成為醫(yī)生日常工作流程中必不可少的一部分，也確確實實為藥物靶點、先導(dǎo)化合物等篩選提高了不錯的效率，但各家醫(yī)療AI的經(jīng)營情況，卻仍岌岌可危。造成這一結(jié)果的原因是多元的。其一，對于影像學(xué)AI而言，該技術(shù)核心需要解決的問題是AI能夠提升多少效率，為醫(yī)院創(chuàng)造多少價值；對于生命學(xué)科AI而言，其核心需要解決的問題是AI能否制造一款成功上市的新藥。如今沒有醫(yī)保支付模型的支撐，亦無成功通過臨床的新藥作為案例支撐，AI的購入多個成本項，價值的驗證仍然處于懸而未決的狀態(tài)，沒有被精準(zhǔn)計算出來。其二，許多AI產(chǎn)品/解決方案的內(nèi)容、形式過于單一，醫(yī)院/企業(yè)很難為了單一產(chǎn)品付出大量成本，制藥企業(yè)也沒能直觀感受到AI對于制藥成本的節(jié)省作用。換句話說，產(chǎn)品沒有達(dá)到改善整個產(chǎn)業(yè)的地步，進(jìn)而不足以讓客戶買單。其三，醫(yī)療AI技術(shù)本身存在一些問題。譬如，封裝AI，扼殺了AI在實踐中不斷進(jìn)化的優(yōu)勢。不封裝AI，如果在收到AI的建議之后對患者進(jìn)行干涉，那么AI捕捉不到給定數(shù)據(jù)下應(yīng)該發(fā)生的結(jié)果。這種情況下，運行過程中的AI會在短期高準(zhǔn)確率預(yù)測后逐漸偏離，預(yù)測能力變得越來越差。要解決上述問題，醫(yī)療AI企業(yè)們首先應(yīng)該在過往深耕的領(lǐng)域中確立簡單可行的價值計算路線，其次需要舍去部分實在無法盈利的技術(shù)，及時止損或比死磕商業(yè)化帶來更多收益。過去數(shù)年，全球范圍內(nèi)的影像學(xué)企業(yè)及相關(guān)機構(gòu)都在嘗試用一種公平、標(biāo)準(zhǔn)、易操作的方法橫向比較各AI產(chǎn)品的價值。一種典型的手段是在比賽中給定數(shù)據(jù)集，要求各家企業(yè)、高校、研究院使用自制的模型進(jìn)行自動勾畫、分割或是輔助診斷。如今部分醫(yī)療AI產(chǎn)品應(yīng)用落地進(jìn)入成熟期，產(chǎn)品的性能評價方法應(yīng)趨于標(biāo)準(zhǔn)化、去隨機化，以制定醫(yī)保支付模型等方式，更為精準(zhǔn)地計量AI的衛(wèi)生經(jīng)濟學(xué)價值。在實際之中，無論是醫(yī)院物價還是支付模型均有企業(yè)、政府、監(jiān)管機構(gòu)在協(xié)力推動，但不夠積極。一方面，規(guī)?；奈飪r準(zhǔn)入和醫(yī)保準(zhǔn)入中的支付模型驗證均需企業(yè)耗費大量人力物力執(zhí)行，取得的成果卻無法保證產(chǎn)品取得可觀的商業(yè)化成績，使得推進(jìn)速度受限；另一方面，物價準(zhǔn)入與醫(yī)保準(zhǔn)入類似于公共物品，都存在前者投資，后者搭便車的可能，因而率先投入相關(guān)研究的企業(yè)趨向于隱藏階段性研究成果，導(dǎo)致行業(yè)整體推進(jìn)速度受限，且易導(dǎo)致單一產(chǎn)品的研究重復(fù)進(jìn)行。要解決這一問題，醫(yī)療AI產(chǎn)業(yè)需要引入第三方進(jìn)行牽頭，建立產(chǎn)業(yè)聯(lián)盟，統(tǒng)一確立物價準(zhǔn)入、市場準(zhǔn)入的目標(biāo)省市、目標(biāo)病種，合力推動相關(guān)研究的進(jìn)行。理想情況下，聯(lián)盟不僅能消除物價準(zhǔn)入與醫(yī)保準(zhǔn)入的搭便車問題，還能集中資源加速準(zhǔn)入進(jìn)度，避免無謂的重復(fù)研究。仍處于研發(fā)中的項目同樣需要盡快引入規(guī)范化、標(biāo)準(zhǔn)化流程助力。具體而言，企業(yè)與醫(yī)院、監(jiān)管機構(gòu)等機構(gòu)共同制定研發(fā)中產(chǎn)品的價值計量方案，其具體目標(biāo)應(yīng)包括：1.明確真實臨床需求：根據(jù)需求制定研發(fā)路徑，防止產(chǎn)品與需求偏離。2.有效控制成本：目前各類AI軟件收費偏貴，醫(yī)院負(fù)擔(dān)多個AI組成的解決方案存在一定壓力，3.擴大臨床數(shù)據(jù)集：當(dāng)前單病種AI使用量不足，導(dǎo)致算法的有效性及魯棒性難以保障。參考面對類似問題的手術(shù)機器人行業(yè)，在優(yōu)化醫(yī)生流程的過程中，企業(yè)應(yīng)積極同醫(yī)生探討臨床過程中碰到的問題，比如骨科中某些類型的骨折復(fù)位困難，有些螺釘不容易植入到理想的位置，有些內(nèi)固定不牢固，有些人工關(guān)節(jié)容易出現(xiàn)磨損，某些手術(shù)步驟時間長風(fēng)險性高有待改進(jìn)等等。而企業(yè)應(yīng)深入理解相關(guān)醫(yī)學(xué)理論，協(xié)助醫(yī)生區(qū)分、明確臨床中的問題是“科學(xué)問床中，進(jìn)而設(shè)計出全方面優(yōu)于醫(yī)生傳統(tǒng)流程的工具，真正解決臨床痛點。這個過程中，傳統(tǒng)指標(biāo)或許已經(jīng)不再適用，需要重新設(shè)計一套有利于AI輔助診斷的指標(biāo)?？偟膩碚f，盡早牽頭建立聯(lián)盟，確立規(guī)范共識，將有利于AI設(shè)備落地，縮短AI項目扭虧為盈的時間。由于每一項規(guī)范共識的建立都意味著大量資金人力的投入，企業(yè)與專家需詳細(xì)設(shè)計規(guī)則并擬定推廣計劃，避免無謂損失。數(shù)年經(jīng)營，單純以向醫(yī)院銷售單病種輔助診斷軟件的商業(yè)模式進(jìn)行經(jīng)營，AI可能無力收回過去投資的海量成本；只提供算法篩選的分子而不對其后期研發(fā)進(jìn)行保障的生命科學(xué)AI也未能體現(xiàn)技術(shù)的說服力。因此，近年來的醫(yī)療AI企業(yè)們都在加速模式創(chuàng)新及產(chǎn)品創(chuàng)新，嘗試打破單一商業(yè)模式困局，盡可能提升其在疾病診療鏈路/新藥研發(fā)流程中的環(huán)節(jié)覆蓋能力，謀求抓住任何扭虧為盈的機遇。盡管AI三類醫(yī)療器械的數(shù)量已逾百個，但在浩瀚醫(yī)療體系之下，能被賦能的場景不過九牛一毛。因此，挖掘臨床真實需求仍是醫(yī)療AI企業(yè)擴張的關(guān)鍵所在。SYNTAX評分標(biāo)準(zhǔn)及評分系統(tǒng)是貫穿于冠心病診療的核心評分標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)于2005年被首次提出，該評分標(biāo)準(zhǔn)由其他冠脈病變程度評分標(biāo)準(zhǔn)及分級標(biāo)準(zhǔn)發(fā)展而來，以患者的冠脈解剖與冠脈病變位置、病變程度與病變特點為基礎(chǔ)，實現(xiàn)了對患者冠脈病變情況的量化評價。較其他評分標(biāo)準(zhǔn)，SYNTAX評分標(biāo)準(zhǔn)全面地考慮了冠狀動脈病變的數(shù)目、部位、病變特征等因素，是一種基于冠脈造影（DSA）圖像的精確量化評價指標(biāo)，因此SYNTAX評分在國際診療指南中的地位，也高于其他評分系統(tǒng)。不過，SYNTAX評分標(biāo)準(zhǔn)也有其弊端。一方面，DSA是冠心病診療中的核心影像學(xué)數(shù)據(jù)，但DSA圖像具有難以解讀與分析的特點；另一方面，SYNTAX評分過程要求評分者將DSA中的血管分支與SYNTAX評分標(biāo)準(zhǔn)的冠脈血管分段（圖1）一一對應(yīng)，并對各個血管段病變的類型、程度做出準(zhǔn)確判斷，且要求評分結(jié)果應(yīng)由三位經(jīng)驗豐富的醫(yī)師分別評分后取平均值，整個過程具有評分難、經(jīng)驗依賴強、耗時、主觀性強、準(zhǔn)確性難以保證等問題。圖表18SYNTAX評分難點數(shù)據(jù)來源：公開信息整理為提高SYNTAX評分速度和準(zhǔn)確性，廣泛化SYNTAX評分在臨床的應(yīng)用，創(chuàng)新醫(yī)療器械研發(fā)公司悅唯醫(yī)療開發(fā)了一種利用AI方式自動SYNTAX評分工具。為實現(xiàn)SYNTAX自動評分，亟需實現(xiàn)的關(guān)鍵技術(shù)包括多視角冠脈血管全提取、分段和結(jié)構(gòu)與非結(jié)構(gòu)病變檢測與SYNTAX評分，具體如下：1）基于血流流向分析DSA影像多視角冠脈血管分割與血管分段算法研發(fā)：DSA可實現(xiàn)高分辨率小分支血管二維成像，基于多幀連續(xù)圖像分析血液流向判斷重疊血管分割，將多幀連續(xù)幀圖像信息與多視角DSA信息融合，可獲得更準(zhǔn)確的血管分段結(jié)果。2）狹窄病變檢測與結(jié)構(gòu)相關(guān)病變不良征分析：針對三叉病變、分叉病變、開口病變、長病變這些與結(jié)構(gòu)密切相關(guān)的病變不良征，構(gòu)建多尺度U-net網(wǎng)絡(luò)模型精確量化血管半徑值，根據(jù)病變的位置結(jié)構(gòu)信息判斷病變不良征類型，自動實現(xiàn)SYNTAX結(jié)構(gòu)部分的分?jǐn)?shù)計算。3）冠脈非結(jié)構(gòu)病變分析：針對完全閉塞、嚴(yán)重扭曲、嚴(yán)重鈣化、血栓和彌漫病變這些無法直接根據(jù)血管結(jié)構(gòu)信息直接評分的病變不良征，構(gòu)建引入融合注意力機制的目標(biāo)檢測模型，得到病變位置和類別的精確估計，自動實現(xiàn)SYNTAX非結(jié)構(gòu)部分的分?jǐn)?shù)計算，從而實現(xiàn)完整的SYNTAX自動評分。4）模型可解釋性實現(xiàn)：針對傳統(tǒng)方法可解釋性不足，臨床表現(xiàn)不穩(wěn)定的問題，構(gòu)建可解釋的深度學(xué)習(xí)模型，提高結(jié)果可靠程度；模型構(gòu)建方面，根據(jù)血管段、結(jié)構(gòu)和非結(jié)構(gòu)類病變的聯(lián)系構(gòu)建評分模型，使之符合SYNTAX人為評分的過程。模型解釋方面，通過分步交互可視化功能展示圖像中影響評分結(jié)果的區(qū)域，從而令SYNTAX自動評分結(jié)果可被解釋和分析。圖表19SYNTAX評分標(biāo)準(zhǔn)的冠脈血管分段示意圖數(shù)據(jù)來源：悅唯醫(yī)療利用SYNTAX評分系統(tǒng)可以實現(xiàn)將DSA圖像簡化為一個可以分析的數(shù)值，基于該數(shù)值便可衍生出多種風(fēng)險預(yù)測與診療決策模型。因此SYNTAX評分結(jié)果應(yīng)用范圍覆蓋冠心病診療全流程，在術(shù)前SYNTAX評分結(jié)果可作為血運重建方式選擇的核心標(biāo)準(zhǔn)，在術(shù)中由評分結(jié)果衍生出的STS評分等可作為預(yù)測手術(shù)風(fēng)險的重要依據(jù)，在術(shù)后SYNTAXII評分可以有效預(yù)測患者遠(yuǎn)期預(yù)后。悅唯醫(yī)療的創(chuàng)新并非孤例，數(shù)坤科技、醫(yī)準(zhǔn)智能等企業(yè)也在嘗試開發(fā)新的AI算法重構(gòu)傳統(tǒng)評分系統(tǒng)，進(jìn)而在不改變臨床路徑的前提下提升臨床效率。自深度學(xué)習(xí)廣泛應(yīng)用于計算機視覺后，圍繞醫(yī)學(xué)影像展開的AI開發(fā)催生了獨立建設(shè)影像大數(shù)據(jù)中心的需求。因此，不少AI企業(yè)在輔助診斷的基礎(chǔ)上向上游延伸，嘗試在PACS、RIS、PIS等涉及醫(yī)學(xué)影像的業(yè)務(wù)系統(tǒng)之上，以中臺形式搭建一個能夠綜合管理應(yīng)用全院所有影像的大數(shù)據(jù)平臺，更標(biāo)準(zhǔn)、更便捷、更經(jīng)濟的方式對影像類數(shù)據(jù)進(jìn)行匯總，進(jìn)而推動相關(guān)科學(xué)研究的進(jìn)行。作為醫(yī)療數(shù)據(jù)大國，我國的影像數(shù)據(jù)占據(jù)了80%—90%的份額，維持30%的增速持續(xù)增長，但大量數(shù)據(jù)停留在紙質(zhì)化的階段，超過80%的數(shù)據(jù)為非結(jié)構(gòu)化數(shù)據(jù)。因此，圍繞影像展開的醫(yī)療大數(shù)據(jù)中心建設(shè)能夠有效觸及此類需求，傳統(tǒng)醫(yī)療IT企業(yè)及深睿醫(yī)療、匯醫(yī)慧影等AI企業(yè)均圍繞此業(yè)務(wù)深化信息化布局，一方面為醫(yī)院搭載治理影像數(shù)據(jù)的平臺，另一方面借助平臺協(xié)同醫(yī)院推出新的AI解決方案?，F(xiàn)有的醫(yī)學(xué)影像大數(shù)據(jù)中心通常具備兩類智能。其一為集成智能化影像應(yīng)用。伴隨AI技術(shù)的規(guī)模落地，一家醫(yī)院常常會安裝多個AI輔助診斷應(yīng)用。為了方便醫(yī)生在不同應(yīng)用之間無感切換，醫(yī)學(xué)影像大數(shù)據(jù)中心可以起到業(yè)務(wù)中臺的作用，將眾多AI軟件集成，便于醫(yī)生使用。同時，大數(shù)據(jù)中心還可以通過互聯(lián)網(wǎng)實時上線新的AI應(yīng)用，醫(yī)生需要時可直接聯(lián)網(wǎng)下其二為助力影像數(shù)據(jù)資產(chǎn)化。由于影像數(shù)據(jù)庫本身體量較大，醫(yī)院很難精準(zhǔn)評估影像數(shù)據(jù)庫的真實價值，亦無心對其進(jìn)行定期維護(hù)，可能在數(shù)年之后需要調(diào)閱時才發(fā)現(xiàn)文件發(fā)生損壞。在這一場景下，影像大數(shù)據(jù)可以助力影像數(shù)據(jù)治理，在數(shù)據(jù)生成后便及時打上標(biāo)簽并歸類，并注明其可能存在的價值。核心能力外，還有一些企業(yè)的大平臺會打造一些特色功能。以深睿醫(yī)療新發(fā)布的DeepwiseMetAI智慧影像&數(shù)據(jù)新平臺為例，該平臺以計算機視覺、NLP、深度學(xué)習(xí)等AI技術(shù)為基礎(chǔ)，實現(xiàn)影像掃描后重建、打印、診斷、會診、教學(xué)、科研的一站式影像科全周期智能管理。這個過程中，深睿醫(yī)療能夠幫助醫(yī)院生產(chǎn)高效精準(zhǔn)的結(jié)構(gòu)化數(shù)據(jù)，逐步積成影像科的優(yōu)質(zhì)數(shù)據(jù)資產(chǎn)。同時，深睿醫(yī)療也在借助大數(shù)據(jù)平臺打造以科研創(chuàng)新及應(yīng)用為導(dǎo)向，實現(xiàn)數(shù)據(jù)到成果再到應(yīng)用的創(chuàng)新閉環(huán)模式，加速科研成果轉(zhuǎn)化，助力學(xué)科高水平發(fā)展。目前，深睿醫(yī)療已與四川大學(xué)華西醫(yī)院、南京市中醫(yī)院、浙江大學(xué)醫(yī)學(xué)院附屬兒童醫(yī)院等國內(nèi)多家醫(yī)療機構(gòu)合作，依托全院級科研數(shù)據(jù)中心，探索疾病智能化診療的新模式、產(chǎn)出高質(zhì)量的成果、全面促進(jìn)成果轉(zhuǎn)化。醫(yī)療AI通常偏好橫向拓寬，通過不斷賦能新的病種，實現(xiàn)單個科室的多應(yīng)用覆蓋。但要從一個科室躍至全部科室，醫(yī)療AI則需采取縱向延伸，打通單個病種的篩、診、治全流程賦最初一批切入治療環(huán)節(jié)的AI以放療靶區(qū)勾畫、放療手術(shù)計劃為主，國內(nèi)初創(chuàng)公司中已有連于2020年3月獲得美國FDA的批準(zhǔn)，成為中國第一個獲得FDA認(rèn)證的基于AI的放療影像工作站及自動勾畫軟件。神經(jīng)介入手術(shù)方面，強聯(lián)智創(chuàng)率先突圍，其顱內(nèi)動脈瘤手術(shù)計劃軟件可用于腦血管病患者X射線血管造影三維體層圖像的顯示、分割、測量和處理，輔助醫(yī)生在神經(jīng)介入手術(shù)時進(jìn)行動脈瘤彈簧圈栓塞用的微導(dǎo)管路徑和塑形規(guī)劃。2022年較多骨科手術(shù)機器人進(jìn)入商業(yè)化階段。尤其是腰椎、髖關(guān)節(jié)、膝關(guān)節(jié)三個部位的手術(shù)，均有多個AI企業(yè)完成布局。腫瘤外科這一領(lǐng)域今年也有不少AI企業(yè)完成突破，或在2024年初公布新的審評審批成果。相較于醫(yī)療資源豐富的三級醫(yī)院，基層醫(yī)療顯然更需要也更值得AI落地。因此，基層醫(yī)療一度被視為醫(yī)療AI最快實現(xiàn)商業(yè)化的醫(yī)療場景。不過，該場景也有其局限性。近100萬元定價的輔助決策軟件對于三級醫(yī)院而言不算昂貴，卻早已超過了基層醫(yī)療的承受范疇。此形勢下，要拿下基層醫(yī)療這一場景，必須為其找到合理的支付方?；鶎俞t(yī)療當(dāng)下的潛在支付方包含三個來源，一是區(qū)域衛(wèi)健委、二是政府、三是醫(yī)聯(lián)體、醫(yī)共體中的上級醫(yī)院。尤其是政府與醫(yī)聯(lián)體，能夠因為輔助診斷AI的引入獲取額外收益，更有可能為輔助診斷AI進(jìn)行支付。影像AI企業(yè)醫(yī)準(zhǔn)智能便借助“粉紅關(guān)AI”乳腺癌智能篩診療一體化解決方案與北京、上海、廣東、浙江、貴州、新疆、云南等地區(qū)的政府取得合作，助力基層婦幼保健院及基層醫(yī)院進(jìn)行乳腺癌篩查能力建設(shè)。協(xié)助地區(qū)完成《健康中國行動（2019-2030年）》提出的“2022年農(nóng)村適齡婦女兩癌篩查覆蓋率要達(dá)到80%，到2030年達(dá)到90%”防治目標(biāo)，并將AI技術(shù)帶到基層老百姓身邊，同時完成自身的商業(yè)化落地。此外，也有企業(yè)為了匹配AI的能力進(jìn)行硬件的研發(fā)。譬如，深至科技便研發(fā)了便攜式超聲及便攜式磁共振，并建立了覆蓋模式、技術(shù)、履約體系、落地服務(wù)體系等多維度要素的產(chǎn)品足多種醫(yī)療需求，賦能基層醫(yī)療機構(gòu)。人工智能醫(yī)院在形式上類似于互聯(lián)網(wǎng)醫(yī)院，但又之稍有不同。互聯(lián)網(wǎng)醫(yī)院誕生之初面臨的是一個醫(yī)患缺乏溝通渠道的環(huán)境，要解決的是“就醫(yī)難”的問題。因此，互聯(lián)網(wǎng)醫(yī)院主要做的是連接這一職能，將患者與醫(yī)院連接起來，解決其中的信息不對稱，其本身不提供醫(yī)療服務(wù)。相較之下，人工智能醫(yī)院它實現(xiàn)的是由間接醫(yī)療向直接醫(yī)療的轉(zhuǎn)變，它以互聯(lián)網(wǎng)為基礎(chǔ)，建立實體醫(yī)院將功能延展至治療環(huán)節(jié)，并全方位引入數(shù)智化技術(shù)進(jìn)行賦能，解決區(qū)域醫(yī)療難題。烏鎮(zhèn)智能醫(yī)院是國內(nèi)首家人工智能醫(yī)院，意在提高基層醫(yī)療的影像診斷水平、基層醫(yī)療的診療效率、慢病管理的便捷性和達(dá)標(biāo)率以及醫(yī)療服務(wù)質(zhì)量。目前，烏鎮(zhèn)智能醫(yī)院已經(jīng)上線的診能+個性化康復(fù)”四大模塊，可以有效提高基層醫(yī)療的影像診斷水平、基層醫(yī)療的診療效率、慢病管理的便捷性和達(dá)標(biāo)率以及醫(yī)療服務(wù)質(zhì)量。此外，烏鎮(zhèn)智能醫(yī)院也將AI深度嵌入醫(yī)院管理系統(tǒng)。實際運營過程中產(chǎn)生的所有臨床、管理、健康等數(shù)據(jù)均能以標(biāo)準(zhǔn)化格式歸檔。此形式下，院內(nèi)醫(yī)生能夠以更為便捷的方式實踐數(shù)據(jù)挖掘，加速科研產(chǎn)出；醫(yī)院管理者亦可實時獲取醫(yī)院運營現(xiàn)狀，及時作出決策。醫(yī)療AI數(shù)年來的商業(yè)化經(jīng)驗已經(jīng)驗證，匯集全國最優(yōu)質(zhì)醫(yī)療資源的三級醫(yī)院并非AI服務(wù)最為優(yōu)質(zhì)的買方。因此，烏鎮(zhèn)智能醫(yī)院沒有將核心業(yè)務(wù)放在診中環(huán)節(jié)，而是聚焦于非一線城市最為薄弱的診前環(huán)節(jié)與診后環(huán)節(jié)。診前環(huán)節(jié)，烏鎮(zhèn)智能醫(yī)院的承建方健培科技為其引入以大語言模型為基底的診前助手，該應(yīng)用可通過微信小程序、線下終端等多個入口為患者提供媲美真實醫(yī)生的導(dǎo)診服務(wù)，還能根據(jù)患者主訴提供個性化建議，成為與患者貼身相伴的健康助手。診后環(huán)節(jié)，烏鎮(zhèn)智能醫(yī)院借助大模型為每一位患者建立其獨有的“數(shù)字孿生體”，用以洞察患者不同時間下的身體變化。一方面，這項技術(shù)能夠直觀展示患者各臟器的形態(tài)及病灶變化情況，便于患者隨時了解身體狀態(tài)，理解病情，甚至共同規(guī)劃后續(xù)的治療、康復(fù)方案。另一方面，大模型下的數(shù)字孿生能基于一定時間段的信息對患者的未來疾病發(fā)展?fàn)顩r進(jìn)行預(yù)測，進(jìn)而及早干預(yù)。從成本角度考慮，烏鎮(zhèn)智能醫(yī)院這一類區(qū)域型人工智能醫(yī)院的造價與單個輔助診斷AI的研發(fā)落地成本相差不大，實際耗資可控制在三千萬內(nèi)，服務(wù)半徑可覆蓋10萬級的居民。伴隨醫(yī)院覆蓋區(qū)域的擴大，其建設(shè)成本及人口覆蓋規(guī)模可能進(jìn)一步上升。由于AI的能力嚴(yán)重依賴訓(xùn)練數(shù)據(jù)的體量與質(zhì)量，因而長期以來，“數(shù)據(jù)”要素的缺失極大程度限制了AI的發(fā)展。實際之中，對給定數(shù)據(jù)集的清洗過程既耗費人力，又耗費精力，以至于不少人戲稱AI為“人工”下的智能。特別是面對罕見病病例、特定狀態(tài)下腫瘤影像等天然狀態(tài)下稀少的病種/影像，即便有人力支撐也難以建立滿足AI規(guī)模的數(shù)據(jù)集。那么，是否存在一種新的路徑，以AI創(chuàng)造安全有效的數(shù)據(jù)？不少企業(yè)正在這一領(lǐng)域進(jìn)行發(fā)深度學(xué)習(xí)剛在醫(yī)療領(lǐng)域萌芽時，影像學(xué)AI研發(fā)人員訓(xùn)練時常常會受困于數(shù)據(jù)問題。因此，不少研究人員嘗試采用小樣本學(xué)習(xí)、生成對抗網(wǎng)絡(luò)（GAN）等方式生成式數(shù)據(jù)，彌補訓(xùn)練樣本量不足的問題。近年來，生成式AI的定義更明確，強調(diào)在深度學(xué)習(xí)之上搭建TransformerModel；應(yīng)用也更為豐富，影像增強與輔助診斷均是其重要應(yīng)用場景。3.3.1.1影像增強伴隨醫(yī)學(xué)影像軟硬件技術(shù)迭代速度的不斷加快，部分影像設(shè)備可能在正常生命周期尚未結(jié)束前不能滿足持續(xù)精細(xì)的醫(yī)院需求，因此部分企業(yè)嘗試以算法的方式增強這些設(shè)備的性能，一方面使得落后的設(shè)備能夠緊跟時代的進(jìn)步，另一方面幫助醫(yī)院節(jié)省成本，使其中低端的設(shè)備也能獲取高端設(shè)備的成像效果。目前從事這類AI研發(fā)的企業(yè)多為影像設(shè)備公司。創(chuàng)業(yè)公司中，深智透醫(yī)是少有能夠提供優(yōu)于影像設(shè)備公司自身軟件服務(wù)的企業(yè)。該公司的核心業(yè)務(wù)為利用AI加速MRI、PET等設(shè)備的成像速度，并提升成像質(zhì)量，這個過程本身就是利用生成式AI處理原始數(shù)據(jù)獲取合成數(shù)據(jù)，再根據(jù)合成數(shù)據(jù)重構(gòu)MRI、PET等影像。深智透醫(yī)也在嘗試將生成式AI應(yīng)用于影像增強。MR臨床掃描中的部分序列常常出現(xiàn)信噪比偏低、偽影明顯等情況，影響最終影像的呈現(xiàn)質(zhì)量。發(fā)布于IEEE的研究“OneModelto結(jié)果顯示：在AI的支持下，利用Transformer等模型通過T1、T2等現(xiàn)有圖像間接生成新的圖像（例如更高分辨率圖像、其他對比度、模擬打造影劑的圖像等其效果甚至可以優(yōu)于直接磁共振成像。目前，該企業(yè)自研的SubtlePET?（國產(chǎn)化本地部署產(chǎn)品為SupPET?)和SubtleMR?（國產(chǎn)化本地部署產(chǎn)品為SupMR?)利用AI加速MRI、PET成像速度、提升成像質(zhì)量，該過程本身就是利用生成式AI處理原始數(shù)據(jù)獲取合成數(shù)據(jù)，再根據(jù)合成數(shù)據(jù)重構(gòu)MRI、PET影像。圖表20生成式AI應(yīng)用于影像增強數(shù)據(jù)來源：深智透醫(yī)在著手CT等影像增強時，深智透醫(yī)還對生成式AI進(jìn)行了進(jìn)一步優(yōu)化，做一些影像降級的工作。具體而言，深智透醫(yī)利用大量的真實臨床數(shù)據(jù)，也結(jié)合仿真把一些金標(biāo)準(zhǔn)高質(zhì)量的圖像變至更接近實際掃描獲取的低劑量、低分辨率、低造影劑圖像，進(jìn)而訓(xùn)練出更穩(wěn)定高效的模型。這種融合了多重數(shù)據(jù)的擴散模型，它的效果要明顯優(yōu)于通過傳統(tǒng)手段訓(xùn)練的模型。3.3.1.2模型訓(xùn)練訓(xùn)練輔助診斷類AI的過程中，患者影像數(shù)據(jù)的不均勻分布常常會影響最終模型在實際應(yīng)用中的效果。以皮膚病AI的研發(fā)為例，相關(guān)模型訓(xùn)練時需要同時計算多種皮膚病的概率，但人的皮膚膚質(zhì)及患病類型并非均勻分布，僅考慮患病種類一個維度，濕疹、毛囊炎的數(shù)據(jù)頻率偏高，銀屑病的數(shù)據(jù)頻率則會相對偏低，使得最終生成的AI在實際診斷中表現(xiàn)出“病種偏好”，進(jìn)而引發(fā)誤診漏診。因此，不少研發(fā)人員嘗試通過可靠路徑合成有效的數(shù)據(jù)，使得模型在應(yīng)用時更為平滑。過去數(shù)年，已有多種算法成功實現(xiàn)了影像數(shù)據(jù)的合成，但合成數(shù)據(jù)質(zhì)量與真實數(shù)據(jù)質(zhì)量仍存在差異，不能完全替代真實數(shù)據(jù)的價值。相較之下，GPT時代迅速發(fā)展的生成式AI則能補全生成邏輯方面的缺陷，讓生成數(shù)據(jù)不僅保有質(zhì)量，還能加快生成過程，擴大生成數(shù)據(jù)的量級。2022年，英偉達(dá)與倫敦國王學(xué)院使用Cambridge-1超級計算機創(chuàng)建一套包含10萬份大腦合成圖像的數(shù)據(jù)集，借此訓(xùn)練AI應(yīng)用以加快對于癡呆癥、帕金森病及其他腦部疾病的理解。其生成邏輯與文本有相似之處，即將真實數(shù)據(jù)拆分為素材，再通過特定邏輯的AI進(jìn)行組合，進(jìn)而解決數(shù)據(jù)量稀缺的問題。合成數(shù)據(jù)的另一個潛在應(yīng)用場景在于多病種判別式AI的審評審批。多病種AI的臨床試驗設(shè)計是一個復(fù)雜的過程。譬如，多病種AI（以N=2為例）在進(jìn)行數(shù)據(jù)集構(gòu)建與算法驗證時，不僅需要構(gòu)建病種A數(shù)據(jù)庫與病種B數(shù)據(jù)庫，還需要構(gòu)建A∩B數(shù)據(jù)庫，并需在模型之中添加醫(yī)學(xué)知識，使其能基于醫(yī)學(xué)原理解釋交集數(shù)據(jù)的概率得出過程。當(dāng)病種數(shù)量較少時，構(gòu)建融合數(shù)據(jù)庫的難度尚且可控。而在當(dāng)前審評審批邏輯下，病種數(shù)量一旦增多，各病種組合的樣式及需要的數(shù)據(jù)集豐富程度則會呈指數(shù)趨勢上升，數(shù)據(jù)不均勻分布導(dǎo)致的障礙也會進(jìn)一步凸顯。譬如，糖網(wǎng)病變的VI期患者數(shù)據(jù)天然較少，企業(yè)很難在真實世界中找到足量滿足驗證數(shù)據(jù)集要求的數(shù)據(jù)量。若將病種的組合考慮在內(nèi)，相關(guān)數(shù)據(jù)收集復(fù)雜程度將急速擴增，最終變成一個現(xiàn)實之中無法解決的難題。此情況下應(yīng)用生成式AI對部分稀缺維度進(jìn)行數(shù)據(jù)擴增，或能解決此類問題。3.3.2重構(gòu)醫(yī)學(xué)科研美國圣路易斯華盛頓大學(xué)醫(yī)學(xué)院信息學(xué)研究所去年開啟了一項基于生成式AI生成患者合成數(shù)據(jù)集的研究，意在為廣大科技醫(yī)療研究人員提供更為豐富的數(shù)據(jù)。這是一項將AI技術(shù)應(yīng)用于臨床試驗的典型研究。該研究使用了以色列公司MDClone研發(fā)的生成式AI模型，先從醫(yī)院EDC中抽取患者數(shù)據(jù)進(jìn)行脫敏，把數(shù)據(jù)按照特定維度打散，再利用其自研的生成式AI模型進(jìn)行重新組合。此番操作下，MDClone可以基于少量電子健康記錄中真實的患者數(shù)據(jù)準(zhǔn)確地生成大量合成數(shù)據(jù)，重建真實患者的特征。在后續(xù)的研究中，相關(guān)人員將合成數(shù)據(jù)集與真實數(shù)據(jù)集置于三個特定任務(wù)下進(jìn)行對比，分別為分析兒科創(chuàng)傷患者的死亡風(fēng)險；預(yù)測哪些住院患者最有可能發(fā)生敗血癥；制作圣路易斯地區(qū)一年內(nèi)按郵政編碼劃分的衣原體感染率地圖。對比研究結(jié)果顯示，合成數(shù)據(jù)分析的結(jié)果在統(tǒng)計上與真實數(shù)據(jù)的分析相似，各項數(shù)據(jù)集都得出了相同的結(jié)論。在絕大多數(shù)情況下，統(tǒng)計結(jié)果是相同的，只有在極少數(shù)情況下，真實數(shù)據(jù)集和合成數(shù)據(jù)集之間存在差異。此案例中，AI的價值主要來自效率提升。過去準(zhǔn)備訓(xùn)練數(shù)據(jù)往往需要耗去研究人員數(shù)個月的時間，而在生成式AI模型的賦能下，研究人員可以在數(shù)小時至數(shù)日內(nèi)建立、查詢并下載自己的合成數(shù)據(jù)集。為了保障數(shù)據(jù)的安全，相關(guān)研究人員還創(chuàng)造了一種嚴(yán)格的患者隱私保密方式，使得合成數(shù)據(jù)無法與真實的人和身份聯(lián)系起來。借助這一技術(shù)，醫(yī)院或能將數(shù)據(jù)變?yōu)橐环N特定的資產(chǎn)，在不侵害患者隱私的前提下，最大化相關(guān)臨床研究。同樣的技術(shù)還被應(yīng)用于優(yōu)化臨床試驗，如在保證臨床試驗有效性的情況下利用AI建立合成對照組，提高試驗組患者的比例。簡單來說，合成對照組一般用于無法建立常規(guī)對照組（是指相對于實驗組的一組受試者，他們常常接受安慰劑或傳統(tǒng)療法治療）的臨床試驗中，比如在罕見病、嚴(yán)重疾病的臨床研究上，通過檢索已有醫(yī)學(xué)文獻(xiàn)設(shè)立對照組?；颊邊⑴c試驗的初衷往往是加入試驗組而非對照組，身患重疾的患者更是如此。因此，2020年，美國食品和藥品管理局（FDA）批準(zhǔn)將達(dá)索系統(tǒng)旗下生命科學(xué)AI公司Medidata研發(fā)的MedidataAISyntheticControlArm?合成對照解決方案應(yīng)用于美國臨床階段免疫治療公司在此試驗中，Medidata成功幫助Medicenna在該試驗中減少招募了100個對照患者，成為罕見病試驗采用混合外部對照組的首創(chuàng)之舉。合成對照組的應(yīng)用提升了入組患者接受試驗藥物治療的概率，也改善了入組率，在不影響試驗科學(xué)可解釋性的同時，加快試驗進(jìn)程。伴隨AI的進(jìn)一步發(fā)展，算法或?qū)⑦M(jìn)一步補全生成邏輯方面的缺陷，讓生成數(shù)據(jù)不僅保有質(zhì)量，還能加快生成過程，擴大生成數(shù)據(jù)的量級，進(jìn)而讓更多罕見病外的患者受益，在更多的試驗幫助更有效地改善試驗數(shù)據(jù)管理和試驗設(shè)計，優(yōu)化試驗洞察，提升試驗效率。盡管智慧醫(yī)院的建設(shè)進(jìn)行得如火如荼，但落在具體場景中，譬如自動書寫病案、智能問診、智能隨訪等應(yīng)用，仍然沒有脫離關(guān)鍵詞映射數(shù)據(jù)庫的邏輯，真正做到智慧智能。大語言模型（LLM）帶來的NLP技術(shù)更迭能夠一定程度解決當(dāng)前智能程度不夠問題。在分析文本類信息時，大模型不僅能夠從大量給定信息中找到任務(wù)需要的關(guān)鍵項，還能對未知信息進(jìn)行預(yù)設(shè)，綜合上下文做出推理。此外，亦有企業(yè)將大模型置入新藥研發(fā)中，以更高效的算法分析、處理、構(gòu)建化合物、匹配臨床患者等，提升各階段藥物研發(fā)效率。就目前而言，大模型在醫(yī)療領(lǐng)域的應(yīng)用還停留在對已有場景的重構(gòu)上，尚未展現(xiàn)出新場景的創(chuàng)新。部分專家認(rèn)為，以下九個場景最有可能最快接入大模型。相對于傳統(tǒng)CDSS而言，大模型的訓(xùn)練數(shù)據(jù)來源更為廣泛，自我凈化能力更為高效，因而能為CDSS帶來較大幅度的提升。輔助診斷方面，醫(yī)生在診斷中需要調(diào)動大量醫(yī)學(xué)知識，記憶大量的患者信息，常會出現(xiàn)疲憊的問題。此類大模型的引入可以幫助醫(yī)生記錄信息，緩解疲勞。同時，大模型還能通過學(xué)習(xí)電子病歷、醫(yī)學(xué)文獻(xiàn)等數(shù)據(jù)同醫(yī)生進(jìn)行一些語言互動，提升診斷的準(zhǔn)確性及效率。兩條作用路徑均能提升醫(yī)生診斷質(zhì)量、診斷效率。目前，百度靈醫(yī)智惠、衛(wèi)寧健康、惠每科技等企業(yè)已在嘗試將大模型融入自身的CDSS，提升決策的完整性與準(zhǔn)確性。理論上可在急救藥學(xué)服務(wù)、骨科、細(xì)菌感染等領(lǐng)域接收患者后迅速生成治療方案。尤其是在急救場景中，大模型在急救過程中迅速根據(jù)患者信息生成治療方案，可以輔助醫(yī)生更快做出診斷，為患者謀取更多救治時間。目前尚無企業(yè)發(fā)布相關(guān)產(chǎn)品。可對結(jié)構(gòu)化的醫(yī)療文書進(jìn)行自動錄入、形式質(zhì)控、內(nèi)涵質(zhì)控。各個醫(yī)生書寫習(xí)慣不同，精力有限，大模型可快速地生成規(guī)范醫(yī)療文書模板，該模板具備質(zhì)控邏輯清晰、內(nèi)容表達(dá)豐富等特征，能夠按照標(biāo)準(zhǔn)準(zhǔn)確錄入文書，減輕醫(yī)生在書寫、檢查等環(huán)節(jié)的負(fù)擔(dān)。主流LLM都可提供多樣化質(zhì)控功能?？赏ㄟ^通俗的語言為患者進(jìn)行導(dǎo)診、答疑；用智能支持的藥品說明書替代傳統(tǒng)說明書。傳統(tǒng)的患者教育需要醫(yī)生投入大量精力進(jìn)行編寫，并在專業(yè)性、易讀性方面取得平衡，還會常常在后續(xù)溝通中為患者釋疑。大模型可以針對患者母語背景生成相關(guān)的患教資料；與患者對話提供患者需要的信息。這是一項較為成熟的應(yīng)用，健培科技的啄醫(yī)生；百度靈醫(yī)智惠的AI藥品說明書均屬這一場景中的成熟應(yīng)用?？缮舍t(yī)院管理所需的各類表單，為醫(yī)院管理者提供輔助管理決策支持，統(tǒng)計包含醫(yī)生基礎(chǔ)信息、臨床能力、醫(yī)院后勤、醫(yī)院財務(wù)等各個方面的數(shù)據(jù)，然后生成匹配醫(yī)院現(xiàn)狀的動態(tài)管理計劃，對醫(yī)療資源進(jìn)行一個智能高效的配置。以醫(yī)療設(shè)備管理為例，大模型可以規(guī)劃各項醫(yī)療設(shè)備采購、維護(hù)計劃，生成維修相關(guān)表單，有效提高管理效率。研究方面，可在選題立項、研究方案設(shè)計、結(jié)果分析、成果編寫方面發(fā)揮很大作用。需要注意的是，大模型也會出現(xiàn)偽造參考文獻(xiàn)引文、無法甄別科研貢獻(xiàn)，無法對于生成內(nèi)容負(fù)責(zé)等等問題，有待后續(xù)逐一解決。教育方面，可協(xié)助醫(yī)生編寫教案，替代醫(yī)生解答部分問題。醫(yī)生在履行教學(xué)職能時需耗費大量時間編寫教案，回答學(xué)生提出的各類高重復(fù)度問題，導(dǎo)致有臨床、科研任務(wù)的醫(yī)生其精力被重復(fù)性勞動占用。大模型的引入可以分擔(dān)醫(yī)生壓力，如輔導(dǎo)第一年資學(xué)生的學(xué)習(xí)，將醫(yī)生從醫(yī)學(xué)教學(xué)的任務(wù)中解放出來，幫助其專注臨床科研工作。中醫(yī)常面臨其醫(yī)療知識難以顯性化、結(jié)構(gòu)化的問題，導(dǎo)致知識傳承相對困難。引入大模型可對中醫(yī)相關(guān)知識進(jìn)行數(shù)據(jù)挖掘，推動相關(guān)知識體系的構(gòu)建，以標(biāo)準(zhǔn)化的形式為患者生成診療方案。目前發(fā)布中醫(yī)大模型的企業(yè)較少，以大經(jīng)中醫(yī)為例，其“岐黃問道·大模型”包含基于已確診疾病的臨床診療大模型、基于癥狀和體征的臨床診療大模型、中醫(yī)養(yǎng)生調(diào)理大模型，分別可作用于根據(jù)用戶提供的疾病、癥狀、體征信息，給出辨證（診斷）結(jié)果和治療方案（中藥處方）；根據(jù)用戶提供的主訴癥狀和伴隨癥狀、體征信息，給出辨證（診斷）結(jié)果和治療方案（中藥處方根據(jù)用戶提供的癥狀、體征信息，給出個性化中醫(yī)健康狀態(tài)辨識結(jié)果，以及食療、茶飲、推拿、艾灸等多維度養(yǎng)生方案，推動中醫(yī)知識標(biāo)準(zhǔn)化、診療標(biāo)準(zhǔn)化。研發(fā)方面，大模型可在藥物發(fā)現(xiàn)、臨床前研究等環(huán)節(jié)提高靶點發(fā)現(xiàn)效率，構(gòu)建復(fù)雜分子；亦可在臨床試驗環(huán)節(jié)對臨床試驗的設(shè)計思路、統(tǒng)計方法的推薦等等方面提供支撐，極大提升藥物研發(fā)效率。如晶泰科技噬菌體展示平臺XpeedPlay能夠利用大模型超高速生成苗頭抗體。在研究VHH抗體（一種存在于駱駝血清中的天然輕鏈缺失抗體，用于治療癌癥，自然界不存在）結(jié)構(gòu)時，該平臺通過同時優(yōu)化多種藥物特性，幫助晶泰科技一舉獲得了1000億個最有前景的新VHH抗體序列。銷售方面，大模型可在藥物市場推廣時以自動化、智能化的方式連接目標(biāo)用戶，打造更為精準(zhǔn)的用戶畫像，進(jìn)而降低營銷成本，提升營銷效率。用于輔助流行病學(xué)的大數(shù)據(jù)分析及趨勢判斷。由于傳播方式和傳播路徑具備復(fù)雜性、偶然性，疾病發(fā)展的不確信性和變化性非常大，超出常規(guī)算法的能力范疇。相比之下，大模型可以對流行病學(xué)的大數(shù)據(jù)分析和這個預(yù)測進(jìn)行有效支撐，給出較為精確的判斷。目前國內(nèi)外擁有大量研究機構(gòu)和醫(yī)院進(jìn)行相關(guān)探索，并已取得了不錯的成績。相較于千億級參數(shù)的通用大模型，醫(yī)療中文本類大模型的參數(shù)可控制于100萬以內(nèi)，包含文本與多模態(tài)影像的大模型參數(shù)可控制于500萬內(nèi)，因而非頭部互聯(lián)網(wǎng)公司也能參與醫(yī)療大模型的建設(shè)。不過在實際之中，從概念到落地，現(xiàn)階段的醫(yī)療大模型仍需解決兩個問題。一是部署。企業(yè)將大模型部署至醫(yī)院時，需要醫(yī)院購置相應(yīng)GPU驅(qū)動模型運行。通常而言，服務(wù)一個科室的應(yīng)用需要的GPU成本在數(shù)千元左右，但要負(fù)擔(dān)全院需求，醫(yī)院可能劃分百萬元級的成本購置芯片，因此，要推動大模型應(yīng)用大規(guī)模落地，一方面需要推動醫(yī)院主動部署大模型運行環(huán)境，另一方面需要企業(yè)方優(yōu)化模型，盡可能降低醫(yī)院在基礎(chǔ)設(shè)施方面付出的成本。二是應(yīng)用。目前基于大模型構(gòu)建的智能應(yīng)用仍然沒有脫離傳統(tǒng)醫(yī)療IT應(yīng)用的范疇，如病案質(zhì)控、智能問診、臨床試驗賦能等。企業(yè)需要圍繞醫(yī)院需求構(gòu)造“殺手級”應(yīng)用，喚起醫(yī)置的大模型的需求，進(jìn)而實現(xiàn)大模型的規(guī)模落地。此外，醫(yī)療大模型的落地還面臨頭部醫(yī)療IT企業(yè)與大型互聯(lián)網(wǎng)企業(yè)間的激烈競爭。大型互聯(lián)網(wǎng)企業(yè)的優(yōu)勢在于通用大模型的自研能力。構(gòu)建大模型需要的成本不菲，且需大量數(shù)據(jù)進(jìn)行訓(xùn)練，因而非大型互聯(lián)網(wǎng)企業(yè)很難自行構(gòu)建通用模型，只能借助開源同源模型開發(fā)自有的垂直模型。但由于垂直大模型應(yīng)用需置于醫(yī)療信息系統(tǒng)中，非醫(yī)療IT企業(yè)只能使用外掛的方式進(jìn)入IT環(huán)境，操作流暢性受限，相較之下，擁有醫(yī)療信息管理系統(tǒng)的醫(yī)療IT企業(yè)占有優(yōu)勢。此外，大模型對于醫(yī)院的架構(gòu)要求嚴(yán)苛，能夠支持AI應(yīng)用的智能架構(gòu)將比傳統(tǒng)EA企業(yè)架構(gòu)更好展現(xiàn)大模型的能力界限，進(jìn)一步提升了醫(yī)療IT企業(yè)在大模型領(lǐng)域的競爭力。圖表21不同類型企業(yè)參與醫(yī)療大模型開發(fā)的特點數(shù)據(jù)來源：公開信息整理時至今日，大模型雖在醫(yī)療場景中已經(jīng)取得了許多重要成果，但從規(guī)模看仍處于起步階段。下一階段中，大模型將在模型規(guī)模、自適應(yīng)和個性化、多模態(tài)數(shù)據(jù)融合、解釋性和可解釋性有望等方面得到進(jìn)一步發(fā)展。同時，大模型的發(fā)展也面臨著一些挑戰(zhàn)，如數(shù)據(jù)量和計算資源的需求、模型的隱私和安全問題、模型的穩(wěn)定性和可擴展性等。只有通過不斷地研究和探索，才能更好地應(yīng)對這些挑戰(zhàn)，推動大模型技術(shù)的進(jìn)一步發(fā)展和應(yīng)用。隨著計算資源的和技術(shù)水平的不斷提升，醫(yī)療大模型的結(jié)構(gòu)和參數(shù)規(guī)模還將繼續(xù)擴大，從而在更高層次上實現(xiàn)更加精細(xì)和復(fù)雜的數(shù)據(jù)分析任務(wù)。醫(yī)療大模型將更加注重自適應(yīng)和個性化的需求。通過患者行為數(shù)據(jù)的分析，以及個性化的模型設(shè)計和優(yōu)化，大模型將能夠更好地滿足患者的需求，實現(xiàn)醫(yī)療服務(wù)的“千人千面”。醫(yī)療大模型將更加注重多模態(tài)數(shù)據(jù)的融合和處理。如將影像數(shù)據(jù)與電子病歷數(shù)據(jù)融合，進(jìn)而更好地應(yīng)對各種實際診療場景。大模型的訓(xùn)練和推理需要大量的數(shù)據(jù)和計算資源，一定程度壓縮了創(chuàng)業(yè)公司們的試錯空間，進(jìn)而導(dǎo)致只有少數(shù)企業(yè)參與大模型的開發(fā)與落地，不利于大模型的技術(shù)的普及和應(yīng)用。大模型參數(shù)規(guī)模的不斷擴大將對醫(yī)院的硬件配置提出新的要求，推高醫(yī)院大模型的部署成本。在缺乏“殺手級”應(yīng)用前，這一趨勢將在一定程度上抑制醫(yī)院需求。醫(yī)療數(shù)據(jù)的隱私與安全極為重要，而大模型的訓(xùn)練和處理必然涉及大量敏感數(shù)據(jù)的處理。因此，模型構(gòu)建方必須建立一個安全可靠、可監(jiān)督的環(huán)境，消除大模型研發(fā)過程中可能面臨的政策風(fēng)險與信任危機。醫(yī)療大模型的復(fù)雜性和規(guī)模使得模型的穩(wěn)定性和可擴展性成了一個難題。在實際應(yīng)用中，企業(yè)需要不斷優(yōu)化和改進(jìn)模型，提高其穩(wěn)定性和可擴展性。由于LLM的復(fù)雜性和黑盒性質(zhì)，大模型結(jié)果的可解釋性仍然存疑。循證醫(yī)學(xué)前提下，大模型的可解釋性可能制約相關(guān)應(yīng)用的審評審批，進(jìn)而抑制相關(guān)應(yīng)用的落地?？v觀整個AI醫(yī)療領(lǐng)域，該技術(shù)在醫(yī)療領(lǐng)域已實現(xiàn)多環(huán)節(jié)的全面滲透。醫(yī)療AI產(chǎn)業(yè)上游主要是為行業(yè)提供基礎(chǔ)技術(shù)支持的行業(yè)，如基礎(chǔ)數(shù)據(jù)平臺、算法等。中游主要為醫(yī)療AI的應(yīng)用層。下游為技術(shù)的應(yīng)用場景，如醫(yī)院、體檢機構(gòu)、居家、藥房等。本報告中主要關(guān)注于中游場景，進(jìn)而將入局的企業(yè)分類為影像AI、信息化AI、新藥AI三個板塊。隨著AI在醫(yī)療的快速應(yīng)用與升級迭代，行業(yè)細(xì)分賽道已趨明晰，國內(nèi)外涌現(xiàn)出一大批優(yōu)秀的企業(yè)，在各自的領(lǐng)域中探索出更多可能。圖表22醫(yī)療AI應(yīng)用層產(chǎn)業(yè)圖譜數(shù)據(jù)來源：公開信息整理數(shù)坤科技是全球唯一在心、腦、胸、腹、肌骨關(guān)鍵領(lǐng)域同時獲得NMPA三類證的醫(yī)療AI高科技企業(yè)，累計獲得了12項NMPA三類證、2項美國FDA認(rèn)證以及4項歐盟MDRCE認(rèn)