AI＋醫療算法生態成熟＋應用廣泛

有人將人工智能在醫療上的運用，比作是醫生的另一個大腦，而且是對數據的儲存處理傳輸能力更強的大腦。

有了它，就能為群眾提供更加智慧的服務，也能提升醫生的工作效率，有助于緩解當前優質醫療資源緊缺的問題。

目前傳統的機器學習和深度學習算法已被廣泛得應用，來處理臨床研究和醫療服務中的結構化數據，如醫學影像數據、基因數據和生物標志物數據。

而非結構化數據，如人工筆記、醫學期刊與患者調查等則依靠專門的醫學自然語言處理技術來分析。

在全球聯合抗擊疫情的大背景下，人工智能與醫療產業也進行了快速的融合，AI＋醫療產品開始延伸到更多不同的醫療服務應用場景當中，并不斷的發展落地。

目前相對成熟的應用場景主要有：AI＋醫療影像、AI＋輔助診斷、AI＋新藥研發、以及AI＋健康管理等。

政府高度重視＋持續釋放紅利

2017年國務院發布的《新一代人工智能發展規劃》中提出要發展便捷高效的智能服務，推廣應用人工智能治療新模式、新手段，建立快速精準的智能醫療體系。

從2017年開始，我國已把人工智能作為一個國策進行推動，近幾年的兩會上AI也被多次寫入政府工作報告中。

2018年政府提出人工智能向基層醫療進行滲透，2019年將AI＋醫療的范圍進一步擴大到康養范疇；2020年進一步提出未來的建設指南，期望在2023年在以醫療為代表的人工智能領域中建立一套初步的標準體系規范。

AI＋醫療市場將進入快速成長期

2019年之前，由于大部分細分領域的盈利模式尚未明朗，導致AI＋醫療市場一度陷入低谷。

2019年由于智慧病案的興起，使得整體AI＋核心醫療軟件服務市場規模超過20億，同比增速高達93．9％，其中CDSS占比最多，達到55．2％。

2020年加之疫情的影響，AI＋醫療的優勢更加凸顯，因此，國家開始逐步發放各類醫療影像AI軟件三類證，并進一步出臺鼓勵AI＋醫療發展的政策，這些將會使各細分領域的盈利模式逐漸明晰，市場也將會進入快速成長期。

從2020年到2022年，包含CDSS、AI＋輔助檢查以及智慧病案等在內的核心醫療軟件服務市場規模，其整體的CAGR（復合年均增長率）將達到51．9％；并預計將在2022年超過70億美元的總值。

基礎層技術層已布局完備

AI＋核心醫療產業鏈可以分為AI基礎層，AI+醫療技術層與應用層：

基礎層：除數據服務外，芯片與通信等基礎核心領域已形成牢固的技術壁壘，市場呈寡頭局面，中、短期內市場格局不會改變；

技術層：算法、框架以及通用技術則需要長期的投入與研發來攻克，目前各大科技企業與互聯網巨頭企業基本已完成布局，中小企業生存空間較少；

應用層：應用層可觸達全醫療服務場景，如院內臨床決策系統、手術機器人、智慧病案系統、醫療影像、藥企新藥研發與基因檢測，已有大量的互聯網醫療公司和傳統醫療公司涌入。

AI＋醫療本質上可以創造出新的醫療資源供給市場，幫助我國解決醫療資源供給不足這個痛點。

憑借其出色的算法和大數據分析，不斷滲透到相關服務平臺的數據資源層和技術應用層。

同時，打通各個服務端口的數據壁壘，降低整體醫療成本，并實現在醫學影像、輔助診療、健康管理、新藥研發、疾病預測、虛擬助理、流程管理、研究平臺等核心應用場景的完美落地，最終提升國內整體醫療水平。

AI＋醫療存在技術難點＋標準缺失

隨著我國醫療體制改革的深化、分級診療制度的落實，政府開始加大力度解決醫療資源分配問題以及醫療服務效率問題。

其中，醫療人工智能的廣泛應用在提高醫療質量和服務效率、減少誤診誤治方面發揮了重要作用。

然而，目前AI＋醫療仍存在醫學數據相關問題、復合人才短缺、行業標準缺失以及醫療科研轉化為成熟產品的周期過長等問題。

其中，數據的獲取、使用與數據共享是阻礙AI＋醫療發展的最大因素。

由于AI＋醫療發展的主要推動力仍是滿足醫療行業的剛性需求，因而AI＋醫療在未來必然會打通數據壁壘，實現數據的安全、高質量及共享的應用。

醫療AI企業面臨著不少痛點等待解決

像我國國內企業在醫療影像方面面臨著數據流轉的問題，患者無法保存和管理自己原始的影像資料。

醫療領域里最重要的是準確度，需要在綜合一系列由人工智能計算出的指標的基礎上，由醫生來做出最后判斷和決策。

由于試驗設計質量參差不齊，具體的有效性很難進行比較和評估。

沒有統一行業評判的標準，可能會給數百萬患者帶來風險。同時也易助長醫療企業炒作AI實效性的火焰。

AI在醫療領域的應用更接近與體檢和預防，有時候帶來的效果很大，但非常間接，不容易形成控費價值的影響。

產學研實踐要掃清的障礙

從醫生角度看，年輕醫生首先要打好臨床、教學、科研的基礎，但到了一定階段，醫生不會滿足于常規的工作內容，而是往產學研的方向發展，會涉及更多跨領域的合作。

醫生的臨床思維和程序員的開發思維存在巨大的差異，AI產品能否觸及醫學本質，只有讓醫生愿意使用它，AI才有意義。

從應用場景上看，專科與全科領域邊界的劃分有待明確，醫養康的技術閉環沒有形成。

更大的挑戰來自于行業內AI評測體系標準尚未規范，造成企業理解差異大、產品良莠不齊。

醫療場景下，數據脫敏需求強烈、數據操作合規性要求高。標準的暫時缺位無疑影響這一領域的應用推廣。

在另一方面，國內由醫生參與和主導的產學研實踐還處于探索階段，尚未形成一個規范、明確的流程或方案，還面臨一些更深層次的障礙。

醫療大數據整體建設速度略顯乏力

相較其他獲得互聯網技術助推的行業而言，中國醫療大數據產業的整體建設速度仍略顯乏力。

縱觀行業歷史，國內的醫療大數據發展可向上追溯至2009年新一輪醫改中將電子病歷等醫療信息化的建設劃為重點任務，目前為止行業內已然擁有了10年的海量數據積累。

各個醫院管理者有時會形成數據壁壘。我們在信息交流過程當中，目前可以做到徐匯區共享，但與其他的醫院和醫療還不能夠達到數據共享，造成信息孤島。

同時，我們也缺少有基層醫療經驗又擅長人工智能的交叉人才。

然而，由于醫療數據的在流通共享環節和其他方面的諸多問題，即使已經打下了十年的醫療信息化建設基礎，卻仍然出現了一個又一個信息孤島，掣肘著行業的發展。

結尾

疫情期間，醫療AI的應用得到了進一步的創新與推廣。但不可否認的是，醫療AI在發展中還有著各種各樣的瓶頸與痛點。如何打破瓶頸尷尬期，進而推動行業向前發展，是擺在醫療AI行業人士面前十分關鍵的課題。

責任編輯：lq6