人工智能 医疗、人工智能在医疗行业的应用
2024医疗人工智能报告：生成式AI爆发，医疗AI走到新的十字路口
2024的医疗AI，既是坎坷，又是新生。
快速发展的大语言模型，携着生成式AI掠过医疗领域。过往的互联网医疗、医学影像、新药研发……一个一个场景经由新一代AI重塑，焕发出前所未有的价值。
不过，发现价值并不意味着能够掘得价值。如今惨淡的融资形势下，躬身大模型的企业们无法像深度学习时代那样随意试错。有限的现金流，意味着每一家企业必须全面考察场景、技术、风控、商业化等方方面面，才能做出决定。
因此，今年的人工智能报告将研究核心放在了“场景”与“产品”之上，尝试通过洞悉医院、药企、械企多方的供需逻辑，分析先驱者们的实战案例，为AI企业下一步的布局、选品、研发、商业化提供参考建议。
什么构成了医疗AI产品配置动力？
拆解医疗AI的配置需求，大致可分为政策驱动与提效驱动两个方面。
在AI发展之初，政策驱动在医疗AI落地的过程中起主导作用。政策制定者通常会根据医疗卫生领域的发展现状和未来趋势，制定具有前瞻性和指导性的政策文件。这些政策文件不仅明确了医疗信息化建设的总体目标和阶段性任务，还规定了建设内容、技术要求、实施路径等关键要素。因而对于公立医院，政策需求是他们需要考虑的首要需求。
为了树立医院对于前沿技术的正确认知，引导相关产业的快速发展，我国自2016年起便开始围绕AI出台相关政策，从宏观角度出发，推动AI技术在医疗领域的应用，提高医疗服务效率和质量，最终实现医疗行业的智能化升级。
推动医疗AI发展的核心宏观政策(资料来源：蛋壳研究院)
对于医院以外的场景，同样有部分赛道需要沿着政策的方向提前布局。以生物制药为例，“722”事件后，NMPA（当时为CFDA）相继发布了《关于开展药物临床试验数据自查核查工作的公告》《关于调整药物临床试验审评审批的公告》等文件，引发了国内EDC、RTSM市场的繁荣，太美医疗等企业在系统中植入AI，使其顺势成为药企数字化的关键要素。
如今FDA鼓励药企采用数字健康技术（DHT）进行临床试验申办，间接引导着药企的进一步开展转型。以eCOA为例，美国约80%的临床研究都以eCOA的形式进行，欧洲也有60%依照这一路径，而中国只有不到5%的申办方使用了eCOA。当出海“欧美”成为大势所趋，FDA的政策也将传导至中国的药企。目前，Medidata、Veeva等企业已将AI融入数字化转型解决方案中，准备承接这波海外政策变化带来的新需求。
与政策主导下的AI需求不同，早期提效主导下的AI需求没有引导、没有给定的形态。它需要企业自身从医院的临床、运营、管理等流程中发现真正痛点，且当AI解决这一痛点时，能够为医院带来直观的收益。
众多场景之中，影像AI是最早出现也是最为直观的例子。作为AI领域应用最为广泛的应用之一，此类AI能够帮助医生处理高强度重复的阅片工作，帮助影像科提质增效。
随着AI的进一步发展及医生对于AI技术的进一步认可，许多医生、管理者开始找到AI企业主动提出需求，要求后者根据具体需求打造能够提质增效的AI解决方案。
举个例子。DRG出台后，医院的盈利逻辑由规模扩张向成本控制转变，管理者开始更加注重内部管理的精细化和科学化，提高运营效率和医疗服务质量。这个时候，传统的医疗IT系统不能满足医院精细化管理提出的各种需求，医院管理者转向AI系统寻求助力，形成了提效主导下的AI购置动力。
诸如此类的场景还有很多，尤其是当医疗机构逐步完成政策定下的基础要求，他们开始主动需求智能化升级，提升竞争力。在没有新政策出台的前提下，提效主导下的AI购置动力将逐步取代政策主导下的AI购置动力，引导医疗AI的未来发展路径。
自我突破，医疗AI形态异变
政策与提效两大购置动力支持下，国内已经孕育了一大批医疗人工智能产品，嵌入了医疗领域中的绝大多数场景。
先谈医学影像。统计有过融资记录的人工智能初创企业与公布产线的上市公司，蛋壳研究院总计对64家企业进行梳理，调研总计436个产品，覆盖了几乎所有脏器。
许多热门脏器的人工智能已经非常成熟，能够实现高精度的多病种辅助诊断，如心脏（70）、骨骼（58个）、头颈（53个）、肺部（44）等部位。一些冷门脏器也在开发之中，如肠道（5个）、泌尿（4个）、整腹（2个），部分产品已经取得了医疗器械注册证，能够实现一定程度的商业化。
2024年1-9月通过第三类医疗器械注册准入的医疗AI产品(资料来源：国家药监局官网)
再看病种，心脑血管、骨关节、肺结节、肿瘤（放疗）、眼底是当前最火热的病种，市场上的同类产品超过15种；布局肠息肉、泌尿相关等疾病的企业较少，细分赛道相对冷门。
形势背后的原因可归纳为三点：
1. 伴随标准化医疗数据获取难度的降低，市场需求全面主导影像AI的研发方向。肺癌在我国恶性肿瘤中发病率和致死率均居首位，每年死于肺癌的病人大约是65万。因此，医疗体系对于心血管AI、肺癌AI的强烈需求驱动企业围绕对应疾病进行研发。
2. 以脏器为目标的诊断取代了以单一病种为目标的诊断，驱动企业基于脏器进行全面布局。过去，影像AI的研发落地常围绕某一特定疾病进行，但影像科医生在阅读CT、X光片时，不会先入为主预设患者的患病情况，而是会逐一确认影像中的每一个细节，这种辅助模式限制了影像AI的价值。如今，影像AI企业为实现某个脏器的诊断，必须将该脏器中的热门病种逐一诊断，进而导致热门病种对应的影像AI数量激增。
3. 冷门病种虽然独立，但仍有潜力。病理、心电等场景同样存在工作量大、相关医疗资源缺乏的问题，是医疗AI落地的优质场景，但由于这类场景不属于医疗影像，主流AI公司较少跨界这一方向。此外，不少仅需二类证即可实现商业化落地，因而产品竞争相对平淡。不过，如今也有不少相关AI获批医疗器械三类证，用AI深度赋能上述细分赛道，或在未来改变这一场景的应用逻辑。
其次是医疗IT。评级仍是医院配置AI主要动力，5级以上的电子病历评级需要医院在数字化建设的基础上实现智能化部署，这意味着他们必须引入AI工具，并将其高度整合至已有的信息化体系。
2023年8月，中国医学科学院阜外医院成为国内首家获得8级电子病历评级的医院，突破了中国医疗信息化建设水平的上限。截至此时，全国总计312家医院获评高级别电子病历评级，其中1家医院获评8级，3家医院获评7级、40家医院获评6级、268家医院获评5级。
电子病历系统整体应用水平分级评价基本要求（资料来源：公开信息整理）
未来会有更多医院向电子病历高等级评级发起“冲刺”。尤其是作为高级别的入门等级，5级评级依然存在很大通过难度，未来数年内三级医院冲5望6将是主流。将为人工智能带来巨大机遇。
8级电子病历需要达成的条件（资料来源：公开信息整理）
最后谈制药AI。自2020年制药AI在一级市场迎来爆发性增长后，大量创业公司将其管线推至临床阶段。此前，AI主导的进入临床试验阶段的创新药项目仅为个位数。2021年这一数字已迅速增长至100多个，2022年维持增势突破200，2023年进一步提升，管线数量迈入300大关。
趋势之下，阿斯利康、拜耳、罗氏、礼来及赛诺菲等等MNC相继入局AI制药，国内恒瑞医药、石药集团等制药龙头也通过战略合作、股权投资等方式积极布局AI，试图通过创新技术找到研发药物的新途径。
不过，2024年的制药AI发展步伐明显放慢。
蛋壳研究院选取了39家主流制药AI公司的管线进行了调研。2023年10月31日统计数据，上述企业共有95条进入临床研究的管线，截至2024年9月1日，仅5条产线更新了最新的临床情况，进入新的阶段。
2023年10月31日—2024年9月1日更新了临床情况的管线（资料来源：蛋壳研究院、、动脉橙产业智库）
剩下的管线中，总计有15条管线/适应症被企业从官网撤下或宣告停止。其中，临床Ⅰ期管线总计3条，占比20%，临床Ⅱ期管线总计9条，占比60%；临床Ⅰ/Ⅱ期管线总计3条，占比20%。
39家主流制药AI公司停止或被撤下的管线（资料来源：蛋壳研究院、动脉橙产业智库）
同时，上述企业新增16条管线/适应症，与停止或被撤下的管线数量持平。这些管线中，有近一半管线来自于中国持股的AI制药企业，英矽智能、埃格林医药、冰洲石生物、剂泰医药（晶泰科技持股）占据了其中的7席。
39家主流制药AI公司新增管线/适应症（资料来源：蛋壳研究院、动脉橙产业智库）
但放眼全球，AI制药依然充满生机。其中，英伟达近两年在该赛道频繁出手“疯狂扫货”成为AI制药回暖的重要推手。据Pitchbook、Crunchbase及动脉橙产业智库数据，英伟达在2023年及2024年（截至2024年9月5日）共参与投资超过70起，所有投资无一例外，均与AI相关，而其中至少投注AI制药企业14家，医疗其他领域企业8家。
2023年—2024年8月英伟达投资的AI制药企业（资料来源：Pitchbook、Crunchbase、动脉橙产业智库）
此外，近两年MNC与AI新药研发及AI驱动的相关医药企业之间的合作交易也增幅显著。J.P.Morgan数据，生物制药行业交易的预付款份额自2020年来呈下降趋势，其中2024年上半年的预付款比例仅为6%。药物研发的高风险高投入属性，小额预付款无疑降低了交易的经济风险，该现象也反映了MNC在BD交易时日趋谨慎的态度。在此背景下，MNC资金更多流向AI医疗领域更是“用脚投票”，肯定了AI制药的价值。
大模型之下，生成式AI何以颠覆医疗？
一如当年深度学习的火热，新兴的大模型正以肉眼可见的速度席卷医疗行业。不到两年时间，市面上的医疗垂直模型数量已逾百个，甚至有不少头部医院要求主动上线相关平台，自发开启人工智能次世代的探寻。
不过，科技医疗要想在医疗领域站稳脚跟，不仅需要技术本身具备充分创新，还需要相应产品高度适配于场景本身，融入医疗体系已有的流程。换句话说，属于大模型的历练，才刚刚开始。
在资本支持、市场需求推动下，医疗大模型发展迅速，不到两年时间，市面上发布的医疗垂直模型数量已逾百个。据蛋壳研究院不完全统计，2024年截至9月10日，收集到新发布的医疗大模型39个。
按蛋壳研究院《2023年医疗人工智能报告》中的九大大模型应用领域分类，近30%的大模型适用于2个及以上分类中的应用场景。其中，“辅助决策”“质控”“患者服务”应用场景依然是大模型最为集中的细分领域，其次是“中医”与“新药研发”，而“科学研究”及“治疗方案生成”领域的大模型相对稀缺，暂无“公共卫生”应用场景的新大模型发布。
尽管应用数量已成规模，但涉及的场景有些分散、未成体系、深度也有待提高，企业通过它们能够触及的市场规模总额有限，还不足以证明这项技术已经跑通了商业化之路。因此，要推动大模型的规模商业化，企业还需解决以下问题。
一、基础设施建设问题。目前完成大模型落地的医院绝大多数都是排名靠前的三甲医院，这些医院有资金、有条件进行大模型的部署。而那些排名靠后的医院乃至基层医疗机构，他们距离大模型还有一段距离。
现阶段大部分医院现有资源环境基本是面向通用计算的CPU，很少有医院有面向图形处理和并行计算的GPU资源。缺乏大模型的部署环境，医院需要在购置应用的同时配备GPU运营大模型应用，并保证足够的存储和高速的网络连接，才能保证大模型的稳定运行。
对于大多数医院而言这都是笔不小的成本。按照一个普遍科室一张RTX 4090进行估计，要供给一个院区的算力，大致需要医院投入百万元级的成本进行芯片的配置。虽然头部医院在部署大模型方面表现出极大的热情，愿意进行本地化部署，但大量医院会对这笔费用敬而远之。
二、数据整合问题。因为医院信息化系统复杂，涉及众多系统和厂商，整合患者全生命周期数据面临巨大挑战。对于众多医疗大模型公司而言，必须进一步强化大模型对于多模态数据的处理能力。
理想状态下的多模态大模型，不应只是对各类医疗数据进行分类处理，更能提取各模态数据的关键之处，给出综合性的建议。
三、应用局限性问题目前基于大模型构建的智能应用仍然没有脱离传统医疗 IT 应用的范畴，更像是互联网医疗的Plus版，虽有价值，但并非不可替代。未来，企业需要围绕医院需求构造“杀手级”应用，唤起医院购置大模型的需求，进而实现大模型的规模化落地。
人工智能在医疗领域会有什么发展?
人工智能（AI）技术的飞速发展，正在逐步改变医疗领域的面貌。从疾病诊断到个性化治疗，再到医疗资源管理，AI在医疗领域的应用前景广阔。
本文将详细探讨AI在医疗领域的主要应用、潜在发展以及面临的挑战，帮助读者全面了解这一前沿科技在医疗中的巨大潜力。
- 影像诊断
医学影像分析：AI在医学影像分析中的应用最为广泛。例如，AI可以通过深度学习算法分析X光、CT、MRI等医学影像，辅助医生发现早期癌症、脑出血、肺结节等病变。相比传统手动分析，AI技术在速度和准确性上具有显著优势。
实时诊断：一些AI系统已经能够在拍摄影像的同时进行实时分析，提供即时诊断结果，极大地提高了诊断效率。
- 病理诊断
病理切片分析：AI可以通过分析病理切片图像，识别癌细胞和其他异常细胞。AI技术不仅提高了病理诊断的准确性，还能减轻病理医生的工作负担。
大数据支持：AI系统可以整合大量病理数据，提供更为全面的诊断参考，提高复杂病例的诊断水平。
- 基因检测
基因组学：AI在基因组学中的应用也非常重要。通过分析大量基因数据，AI可以发现与特定疾病相关的基因突变，预测患病风险，并指导个性化治疗。
精准医学：AI结合基因检测数据，可以为患者提供个性化的治疗方案，提高治疗效果，减少不良反应。
- 手术辅助
机器人辅助手术：AI技术已经广泛应用于机器人辅助手术系统中。这些系统可以通过精确控制手术工具，提高手术的精度和安全性，减少术后并发症。
术前规划：AI可以根据患者的影像数据，提供详细的术前规划，帮助医生制定最佳手术方案。
- 个性化治疗
药物研发：AI可以通过分析大量药物和疾病数据，发现潜在的药物靶点，加速新药研发过程。同时，AI还可以优化药物组合，提供个性化的药物治疗方案。
治疗效果预测：AI系统可以根据患者的病情、基因数据和治疗历史，预测不同治疗方案的效果，帮助医生选择最佳治疗方案。
- 远程医疗
虚拟医生：AI驱动的虚拟医生可以通过视频、语音或文本与患者互动，提供初步诊断和治疗建议，特别适用于偏远地区或医疗资源不足的地区。
远程监控：AI技术可以通过可穿戴设备实时监测患者的健康数据，及时发现异常情况，提供预警和干预措施。
- 医疗资源优化
患者流量管理：AI可以通过分析医院的历史数据，预测患者流量，优化门诊预约和住院安排，提高医疗资源利用效率。
供应链管理：AI可以优化医疗物资的采购和配送，确保医院在任何时候都有充足的医疗物资。
- 电子健康记录（EHR）
智能记录系统：AI可以自动整理和分析患者的电子健康记录，提供智能化的病历管理，减少医生的文书工作负担。
数据整合：AI可以将不同来源的健康数据整合在一起，提供全面的患者健康档案，辅助医生进行诊断和治疗。
- 疾病预防与监测
流行病预测：AI可以通过分析大量健康数据和环境数据，预测流行病的爆发，提供预警和防控措施。
健康行为分析：AI可以分析居民的健康行为和生活习惯，提供个性化的健康建议，促进健康生活方式。
- 健康教育
智能健康助手：AI驱动的智能健康助手可以通过手机应用或智能设备，提供个性化的健康教育和咨询服务，帮助公众提高健康知识水平。
尽管AI在医疗领域有着广阔的应用前景，但也面临一些挑战：
- 数据隐私和安全：医疗数据的隐私和安全问题是AI应用中必须解决的重要问题。需要制定严格的数据保护法规，确保患者隐私不被泄露。
- 技术标准和法规：AI技术在医疗领域的应用需要制定统一的技术标准和监管法规，确保AI系统的安全性和可靠性。
- 问题：AI在医疗中的决策可能涉及问题，需要建立审查机制，确保AI应用的公平性和透明性。
- 医生和患者的接受度：AI技术的推广需要医生和患者的接受和配合，需要通过教育和培训，提高他们对AI技术的认知和信任。
人工智能在医疗领域的发展正在迅速推进，从疾病诊断到个性化治疗，再到医疗资源管理，AI技术正逐步改变着医疗的各个方面。尽管面临一些挑战，但随着技术的不断进步和完善，AI将在未来医疗中发挥越来越重要的作用，为患者提供更高效、更精准、更个性化的医疗服务。
