本文目录：

1、 AI+医疗整体市场发展规模；

2、 AI+医疗市场供需关系分析；

3、 AI+医疗行业发展阻力因素；

4、 AI+医疗产业链分析图举例；

5、 AI+医疗四大核心应用场景；

6、 AI+医疗领军企业案例解读；

7、 AI+医疗未来发展趋势展望。

一、AI+医疗整体市场发展规模

2016年3月15日，在“AlphaGo vs 李世石”的围棋世纪大战比赛中，双方以4:1的比分落幕；谁是最终赢家已经不再重要，因为这标志着人类在人工智能领域的进步和潜力。

早在20世纪中后期，人工智能（Artificial Intelligence）就已经被人类应用到了医疗领域当中，尤其是可以帮助医生获取权威医学信息，进而实现辅助诊断的临床诊疗知识库。到了21世纪初期，人类开始逐步探索人工智能技术与智能机器人的关联，终于让手术机器人在辅助医疗领域里得以应用。此外，还有以奥巴马为代表的美国政府，在2009年通过了由总统本人签署的一项法案，该案鼓励对发展并使用电子病历（Electronic Medical Record）的医院和医生们提供额外的资金支持和特殊奖励。

近5年，由于人工智能在医疗领域的图像识别准确率上有了显著提升，AI+影像终于开始大热并被普遍认为是人工智能最有可能无限接近落地的领域之一；另外，人类已深耕多年的临床诊疗知识库，让包含临床辅助决策支持系统（Clinical Decision Support System）的一系列产品得以推广并逐渐走向成熟；随后，人工智能也开始不断渗透到患者的数字化病案管理系统当中，在解决了复杂病案质量控制问题的同时，也逐步构建出了智慧病案的蓝图。

现如今，得益于全国各地AI+医疗行业政策的大力扶持，以及相关细分赛道逐渐呈现出了清晰的盈利模式，其市场终于迎来了一波爆发增长期。根据艾瑞咨询的数据显示：从2020年到2022年，包含CDSS、AI+辅助检查以及智慧病案等在内的核心医疗软件服务市场规模，其整体的CAGR（复合年均增长率）将达到51.9%；并预计将在2022年超过70亿美元。

二、AI+医疗市场供需关系分析

根据《2019我国卫生健康事业发展统计公报》的数据表明：截止2019年末，我国年诊疗人次高达87.2亿（比18年增加4.1亿人次/约4.9%的增长），卫生总费用达到6.5万亿（18年为5.9万亿）；卫生人员总数达1292.8万人（比18年增加62.8万人/约5.1%的增长）；卫生医疗机构总数为1007545个（比18年增加10112个/约1%的增长），但基层卫生机构占比约94%左右，专业卫生公共机构仅有15924个。通过以上数据不难判断，我国的医疗卫生资源供给总增量，相比于国民医疗保健需求总增量仍存在一定滞后。

首先是需求端，随着国民的卫生保健意识不断增强，越来越多的人愿意在医疗保健方面扩大支出，这也是中国卫生总费用从十年前开始到现在就不断增加的重要原因之一；其次是供给端，虽然我国医疗卫生机构和卫生技术人员持续增加，但前者增速明显比较缓慢，甚至同比往年出现下滑，而后者当中的高技术人员（正高/副高资格）占比也同样较低；另外，城市与乡村的医疗资源分配也存在明显的失衡，这就让有较强付费意识的乡村居民有非常高的医疗资源获取成本；最后是支付端，国家一直倡导社会医疗保险要做到全民覆盖从而缓解国民就医压力，也采取了各种项目支付制度模式来实现有效控费，但由于全国各地医疗机构的病案记录管理方式普遍存在差异，导致了国家在合规检查与用药方面的监管难度上急剧增加。

因此，在上述的供需市场，AI+医疗短期内可以提供标准化产品，在帮助医院和制药企业进行管理与研发的同时，提升医疗机构与相关人员的整体技术水平，从而解决乡村与城市医疗资源的不合理分配等问题；在支付端，通过不断开发与升级临床辅助决策支持系统和完善智慧病案等一系列产品，来支撑国家对于疾病诊断分类（DRGs）和病种分值付费（DIP）制度的推广与应用，减少医疗资源的浪费，降低个人医疗保险支付比例，最终实现供需关系平衡。

三、AI+医疗行业发展阻力因素

根据飞利浦发布的《2020未来健康指数报告》显示，有61%的医疗专业人士认为：“确保最大程度地利用医疗数据的因素之一是高的互通性”；这一因素仅次于最高的数据安全性（68%）和次高的数据准确性（65%）。通过以上调研不难得出结论，AI+医疗最大的发展阻力因素之一便是医疗数据在开源获取、准确使用和互通共享等环节所遇到的问题。

举个最简单的例子，早在2017年，家用健康医疗器械（比如：血压&心率检测手环、血糖测量仪等）就开始逐渐普及，部分医院也意识到了医疗数据的价值，并尝试将其存入到云存储器中，但仅仅是到了这一步就会面临数据存储权和归属权等问题，更不用说是以深度挖掘学习为代表的AI+医疗影像的数据获取成本了。

在数据使用阶段，其来源和质量等问题就成为了行业人的关注痛点。首先，国内大部分医院和医院之间，医院与患者之间，甚至是医院内部里可能都存在着“信息孤岛”；即便是医疗行业的相关企业也有类似的问题，虽然都在追求信息技术的不断开发与应用，但是不同软件和部门之间的数据也是相对独立的，根本无法实现“数据交流”。其次，根据不同患者的疾病类型，其诊断结果也应该产生不同的数据分析；如果行业内缺乏标准化与结构化的科学处理方法，那么大数据最终所推荐出的“核心算法”很可能会误导缺乏经验的人士，其带来的难以预估的后果最终还是落在了患者的头上。

所以，从商业角度来看，“开源共享”本身就是AI+医疗在经历了无数轮浪潮中的重要催化剂之一，其行业发展周期就已经证明了相关入局者们，仅仅通过“发现和想象”相结合的模式去探索，已经很难在这条赛道上快速走通了；而那些能够真正实现技术创新的同时，还打通了行业内外部交流壁垒并坚持资源共享的大局者们，才是这条赛道上的顶尖高手。

四、AI+医疗产业链分析图举例

首先是基础端，目前主要参与者（部分代表企业：灵医智惠、英特尔、阿里云、中国移动）有数据服务供应商（医疗数据、数据标注等）、硬件供应商（芯片、传感器等）和底层基础供应商（云计算、5G供应等）；值得一提的是，如果从波特五力模型的分析角度来说，这个端口的底层基础供应领域已经形成了极其牢固的技术壁垒，该市场或已呈现出寡头的局面。

然后是技术端，目前主要类别聚焦在机器学习（比如：谷歌、脸书）、语言处理（比如：科大讯飞、微软研究院）、视觉系统（比如：商汤、伊图）和知识图谱（比如：惠每医疗、医渡云）等核心技术领域上；但该市场留给中小企业的生存机会并不多，因为技术层面的创新与发展基本都需要一个较长的周期，背后则是研发团队的持续投入与巨额资金的支持。

接着是应用端，这里是触达各个医疗服务场景的地方，其部分应用（比如：CDSS、AI+辅助检查）已经发展的相对成熟，其它应用比如病理影像等则处在飞速成长期；整个市场来看，目前已有大量传统医疗公司和互联网医疗公司纷纷入局；另外，主要的应用场景包括但不限于：临床辅助决策支持系统（比如：森亿智能、东软）、新药研发（比如：晶泰科技、药明康德）、基因检测（比如：华大基因、康旭基因）、手术机器人（比如：精锋医疗、天智航）、医疗影像（比如：致远慧图、深睿医疗）和智慧病案等（比如：火树科技、翼方健数）。

最后是支付端，作为AI+医疗应用场景的需求方，直接与产业链中应用端的供给方对接；目前主要汇集了医院、制药公司、药械公司、体检中心、基因检测机构和一些CRO（医疗研发合同外包服务机构）等等。另外，从供需市场的角度来看，需求方一般都愿意与具备较强的AI+研发能力和在某垂直细分领域有高拓展能力的供给方展开合作；不仅可以让自身平台在诸多核心医疗服用应用场景上覆盖的更加全面，还可以彰显出平台在医疗资源上的雄厚实力；另一方面，则是可以通过进一步的交流来提升双方在医疗智能化上的分析能力。

五、AI+医疗四大核心应用场景

在全球联合抗击疫情的大背景下，人工智能与医疗产业也进行了快速的融合，AI+医疗产品开始延伸到更多不同的医疗服务应用场景当中，并不断的发展落地；目前相对成熟的应用场景主要有：AI+医疗影像、AI+辅助诊断、AI+新药研发、以及AI+健康管理等等。

医疗影像，简单来说就是对患者的影像资料进行定性和定量分析，它通常是临床医生需要参考的一项重要的诊断依据。随着目前国内临床市场需求不断增加，（智研咨询数据显示中国内窥镜市场规模，在2010-2019年间，从53亿元增长到了301亿元）其专业医生的供给缺口也被逐渐拉大，这也让AI+医疗影像的市场需求大增。但是，由于AI+医疗影像企业大都面临着高质量数据获取成本较高以及数据标注成本高等问题，所以当下还是要先打通高质量影像数据仅在头部医院内部流通这个壁垒，多建立区域共享机制的同时，做好数据标准化记录；另一方面就是提升数据标注员的专业度，进而提高数据标记的准确性，通过不断建立和完善学习体系来降低相关运营成本。

辅助诊断，顾名思义是对医生的临床诊断和治疗决策进行辅助支持。得益于人类早期临床诊疗知识库的积累，在融合了人工智能后使医生的诊疗水平大幅度提升，不仅提高了疾病的早期发现率，还降低了临床上的漏诊和误诊率；目前主要延伸出的应用场景有导诊机器人、电子病历和虚拟助理等。不过，该市场对于信息化企业来说仍然有相当高的壁垒，很多相关企业的知识库都难以填补医生的临床需求；其主要原因还是医院内部的信息系统安全管理制度使一些关键信息处于被“隔离”的状态，无论是信息滞后还是缺失，都会导致知识库的决策方式与医生的诊断习惯相背离；所以首先要解决的还是数据库的开放和实时更新问题。

新药研发，主要是指一款药物从发现，到临床前和临床研究阶段中，再到被批准上市的全过程。目前该市场主要入局者有制药企业、药物研究机构、以及与人工智能相关的技术公司；其普遍面临的几个问题还是药物研发周期较长，研发费用偏高，并且研发的成功率相对较低。因此，人工智能可以凭借着出色的算法优势对药物候选化合物进行虚拟筛选，从而逐步减少新药的开发成本；另外，因其同样也具备语言处理和图像识别等深度学习能力，还可以通过大数据不断优化分析药物与疾病之间的潜在关联。

健康管理，这个概念最早诞生在美国，始于医疗保险机构通过对某些潜在高危疾病的客户开展系统的健康管理，达到控制或延缓疾病发生与发展等目的，进而降低机构本身的出险概率并减少相应的赔付支出；目前其主要应用场景集中在风险识别、虚拟护士、移动医疗、穿戴设备等等。就国内市场而言，普遍存在的问题主要是大众对其概念的认知程度较低、从事健康管理的人员缺乏相对的专业度、以及患者智能设备相关数据的关联度较弱等问题。因此，人工智能可以帮助健康管理人员搭建一个平台，用完善的知识图谱为患者提供最优的健康管理计划；另外就是通过科学算法把患者所使用的传统智能设备上的分散数据进行串联，通过学习病历来构建病患画像研究数据库，用数据为患者提供有效建议。

六、AI+医疗领军企业案例解读

科大讯飞股份有限公司，最早从语音技术起家，之后重点深耕人工智能技术，并将其部分战略发展方向锁定在了医疗领域，尤其是智能语音、智能影像辅助诊断和辅助诊疗系统的应用。

其实，说到智能语音技术在医疗行业的应用，早在十年前的欧美市场就已经很成熟了；医生做外科手术诊疗的时候，双手通常都会被各类操作工具所占用，如果还要用手做记录则会非常影响工作效率；因此，他们更习惯直接用语音来做记录，然后让助理专员再做个转录即可。

科大讯飞也在十年前探索过语音技术在医疗行业的应用，但碍于当时某些技术发展的还不是特别成熟，所以有过短暂的搁置；后来大数据时代降临，深度学习技术（Deep Learning）逐渐成为了人工智能这个领域当中的研究热点，同时也让新兴机器学习研究不断改变，甚至颠覆了传统机器学习的方式；果不其然，科大讯飞再次抓住机会顺势而为，不断提升其语音识别、自然语言处理以及图像识别等技术在医疗领域的应用能力，通过产品团队与医生无数次的磨合，终于大幅度提升了相关技术的准确率，并成功融入到了国内医生的工作流程当中。

如今，科大讯飞主要为智能医疗服务平台和医院提供语音录入的解决方案，同时也为医生提供语音辅助诊疗等服务；就目前整体而言，其核心的AI+医疗解决方案主要应用在CDSS平台、AI电子病案系统以及全科辅助诊疗系统。

首先在CDSS平台上，讯飞存储了大量的医学知识库、医学图谱、临床医学词典、医学文献等便于流通的资料；另外，也挖掘并吸收了医疗行业各专科领域专家的学识与经验，最终通过推理引擎的方式辅助医生做一些诊断治疗的决策以及某些关键信息的支持，间接降低了误诊率与漏诊率。

再说AI电子病案系统，其最大的亮点就是能够覆盖诊前病史采集，并支持诊中录入与诊后质量管理控制等环节（北京协和医院也在用），解决了以往的医生需要花费大量时间去询问患者的病史并进行录入的痛点；另外，该系统还可以将患者病史和辅助诊断结果同步给院内负责EMR（电子病历）的医生，直接提升了他们书写门诊电子病历的工作效率。

最后是全科辅助诊疗系统，该系统支持语音、键盘、鼠标等多种录入模式，同时覆盖了多种常见类疾病。其主要目的是帮助基层医生更快的鉴别出危重疾病，并及时给出相对应的检查和诊疗意见；尤其对于从业时间尚短的医生们来说，可以帮助他们完成对常见类疾病的标准化治疗，最终实现国家整体基层诊疗水平的提升。

七、AI+医疗未来发展趋势展望

根据IDC的数据指出，2025年人工智能应用市场的总值预计将达到1270亿美元，其中医疗行业在应用市场的总规模将占比近百分之二十。

未来几年，AI+医疗将持续围绕在如何解决全球各地医疗资源短缺和分布不均等问题；尤其类似我国这种人口老龄化趋势已经是刻不容缓的国家，其本身的医疗资源服务供给也达到了瓶颈期；再加上培育医疗人才来填补资源缺口的周期相对较长，国家最终在后期所投入的人力、物力以及财力的成本也会越来越高昂。

所以，AI+医疗本质上可以创造出新的医疗资源供给市场，帮助我国解决医疗资源供给不足这个痛点；凭借其出色的算法和大数据分析，不断渗透到相关服务平台的数据资源层和技术应用层；同时，打通各个服务端口的数据壁垒，降低整体医疗成本，并实现在医学影像、辅助诊疗、健康管理、新药研发、疾病预测、虚拟助理、流程管理、研究平台等核心应用场景的完美落地，最终提升国内整体医疗水平。

最后想说，虽然人工智能对医疗领域的冲击和影响是颠覆性的，甚至能够带动全球医疗技术创新和相关产业生产力的变革；但它只有始终保持着帮助人类提升整体工作产能作为出发点，与人类协同工作，才是一种科学的发展方式。

至于人工智能是否会取代人类的工作？或者笔者会这样回答你，未来随着科技的不断进步，在地球上生活的人类，无不希望自己的感知能力，能够被科学技术极大程度的强化与延伸。