幾乎沒人會懷疑“人工智能是未來核心生產力”這一觀點，創造一個類人的計算機系統如此迷人，幾乎每個行業都在嘗試使用人工智能幫助產業由自動化向智能化轉型。

醫療領域同理，盡管人工智能涉世未深，但其背后的計算機視覺、自然語言處理（NLP）等技術已經歷了多次迭代，相應的市場規模也不斷擴大。2020年蛋殼研究院《醫療AI創新的道與智：回歸需求，整合價值》這一報告指出，醫療人工智能過去5年CAGR超過40％，2020應用市場規模已接近300億元。

然而，新興的技術往往面臨高速發展與低速商業化的困局，尤其是在醫療這樣的“慢”領域，軟件安全方面的審查與新舊技術之間的交替非常考驗資本與企業的耐心。因此，低谷常見，停滯也常見，醫療人工智能同樣繞不開這一問題。

轉折點在2020年中出現。疫情雖然暫緩了醫療領域大部分行業的發展，卻也推動著醫院進行主動智慧化重建。此外，NMPA的審批幫助影像AI從業者重拾信心，新基建則將人工智能帶到了一個更廣闊的市場，多方推動之下，醫療人工智能發展蠢蠢欲動。

為了了解醫療人工智能發展現狀，并對新的一年做出展望，動脈網對近百家人工智能企業相關數據進行了處理分析。

整個文章分為三個部分：

一、AI醫療場景成熟度測評

二、資本的再臨與AI頭部聚集效應

三、潛在賽道的外化與AI的未來發展

從這三個角度，動脈網嘗試厘清2020年醫療人工智能的發展脈絡。

AI醫療場景成熟度測評

在醫療行業中，人工智能應用主要聚集于計算機視覺與自然語義處理。從兩項基礎技術出發，其應用已延伸出十余個場景。數年發展之后，不同細分領域之間的差異已經愈發明顯，部分賽道已有企業已通過聆訊，準備上市；部分賽道仍在上下求索，嘗試以需求重構技術。但無論企業選擇哪個賽道，已經走到哪個階段，人工智能變現難的通病在醫療之中同樣沒有解決，至今為止，絕大多數企業仍在為盈利而努力。

一、醫學影像

醫學影像是人工智能切入醫療的起點，不到10年時間，超過200家企業通過探索放射科、病理科、輔助放療的需求，開始設計產品。2020年，病理科、輔助放療兩個場景沒有發生大的變化，但放射科AI則跑通了困擾其多年的審評審批階段，從“應用落地”步入“商業化”。

2020年1月，科亞醫療的CT－FFR產品“深脈分數”率先打破了審評審批的桎梏，拿到第一張醫療AI醫療器械三類證，將工作重心由研發向價格目錄開拓與市場銷售偏移。2月，樂普醫療“AI－ECG Platform”獲NMPA批準，心臟相關AI 再下一城。6月，更貼合“輔助診斷”定義的顱內腫瘤MR影像輔助診斷軟件獲批，安德醫智異軍突起。7月豐收的是Airdoc、硅基智能兩家AI企業，這個月，NMPA一口氣開出了兩張“糖尿病視網膜病變眼底圖像輔助診斷軟件”注冊證。

年末是老牌醫療影像AI企業的收獲月。11月初，數坤科技冠脈CT造影圖像血管狹窄輔助分診軟件獲批；推想科技、聯影智能緊隨其后，在同一日分別拿下首張“AI＋肺結節”注冊證、首張“AI＋骨折”注冊證。一個月后，深睿醫療也拿到了自己的“AI＋肺結節”證書，為醫療人工智能的2020年畫上完美的句號。

2020年醫療AI NMPA三類證通過情況

細看9款AI產品獲證的情況，其中既包含肺結節、眼底、心電這樣的大通量場景，又包含CTA、CT－FFR、腦MR這樣的特異性需求、潛在市場豐富的場景。這似乎意味著，只要產品質量過硬，便能夠通過審評審批。

但結合2019年人工智能醫療器械創新合作平臺規劃情況，其中提到將建立CT肺、CT肝、 CT骨折、腦MRI、心臟MRI、冠脈CTA、心電、眼科8大測試樣本數據庫，而2020年獲批的產品，除CT－FFR外全部歸屬其中，換言之，下一個獲批的場景，將很有從CT 肝、心臟MRI中出現。

另外值得注意的是，NMPA三類證之中對于AI產品功能的描述極為謹慎，僅僅表述了產品的基本功能，并強調“不能僅憑產品結果進行診斷”。限定了影像AI 的使用范圍或許并不影響產品銷售，但越來越多的功能加入后，如何保證后續功能的安全性？從目前狀況看，AI影像的審評審批流程都在一年以上，因此如何對人工智能軟件的更新進行審批，將是各方需要探討的下一個難點。

二、CDSS、大數據管理、語音錄入

臨床輔助決策系統（CDSS）、大數據管理（包含數據挖掘、數據治理等）、語音錄入均因為AI的介入實現了顛覆性突破。具體而言，NLP的發展為研究人員提供了有效的手段整治數據量龐大、數據維度豐富的醫療數據，也為醫患之間智能交互、數據監測提供了更為有效的手段。單看2020年變化，CDSS賽道存在政策推進，大數據管理、語音錄入賽道頭部企業開始尋求上市。

醫療信息化作為公立醫院績效考核的一個重要抓手，電子病歷、互聯互通、智慧醫院服務等評級均對醫院提出了相應的要求。而在三級公立醫院考核情況分析中，醫療服務效率與質量、合理用藥、電子病歷水平分級皆是其中的關鍵點。因此，通過CDSS建設，能有效地促進醫療服務效率和質量、合理用藥、電子病歷水平提升。

2020年中，CDSS的市場開拓大體仍受電子病歷、互聯互通、智慧醫院服務等評級的推動，但也有新政策為其助力。7月30日出臺醫政醫管局的《關于進一步加強單病種質量管理與控制工作的通知》通知文件強調了對第一批36個病種／手術進行上報的要求，二級以上醫院需在2020年12月31日前完成相關病例信息的補辦。這一政策為惠每科技、森億智能等專科CDSS產品服務提供商提供了新的市場機遇。

相比之下，大數據管理的發展則受益于疫情。通過對患者EMR、電子健康碼等信息進行整合分析，疾控中心能夠對可疑患者及其接觸人群進行可視化追蹤。2020年初，北京大數醫達便為南京市疾控中心建設的疾病與監測預警系統便直接打通連接了當地醫院的EMR，實現大數據疾控。

這一疾控監測預警系統應用了大數據和人工智能技術，對醫學知識圖譜建立模型，再直接提取EMR進行語義結構化，由人工智能匹配知識庫判斷EMR中是否包含新冠肺炎等傳染病的關鍵詞。一旦被人工智能判斷為疑似或者是高度疑似則上報疾控部門，避免醫院因故遺漏或者遲報。除了40種法定傳染病，該系統同樣支持各地區自己補充當地認定的多發性傳染病。

在這個三個賽道中，有兩家AI企業嘗試跨過“公司盈利”進行階段轉換。云知聲的醫療業務專注于病案質控與語音錄入，于11月3日提交科創板IPO 招股書；醫渡云是一家專注于醫療AI與大數據的公司，于12月13日通過港交所聆訊，計劃1月15日在港上市。

三、新藥研發

新藥研發近年來一直處于高速發展之中，新冠肺炎后社會對于藥企敏捷開發的新需求進一步推動了新藥研發的發展。

疫情初期，針對新冠病毒進行新藥研發顯然不現實，作為抗疫主力軍的老藥也無法發揮較好的療效，這一現實給予了AI＋新藥研發機遇。

不過，只有AI模型＋物理思維的深度結合才能同時滿足藥物研發速度與精確度的要求，而面對疫情最直接有效的藥物篩選策略，是以云端超算支持物理化學算法搭建病毒模型，再從結構出發，通過AI加速尋找到有抗病毒活性的FDA已批準的上市藥物。

以晶泰科技為例，該企業具備領先的量子物理藥物模擬算法、人工智能藥物發現平臺，并有橫跨多個云平臺的超算資源作為有力支撐，能夠在短時間內完成大量高精度的藥物模擬計算。在新冠病毒數據尚不充足的情況下，晶泰科技嘗試從僅有的少量信息出發，從分子機理層面研究病毒的關鍵結構與感染機理，從而尋找阻斷感染、治療肺炎的有效途徑。

“人工智能最大的優勢，是可以顯著擴大新藥的搜索范圍，以幾百萬個有潛在活性的分子骨架作為篩選起點”，晶泰科技的首席科學家張佩宇博士曾告訴動脈網，“以AI＋計算化學結合，綜合考慮多種關鍵性質給候選分子打分，可以一步步接近最理想、最有希望研發成功的化合物。”

從發展階段來看，新藥研發的企業仍處于大規模投入之中，并存在一定商業化成果。由于其完全的B2B性質，新藥研發可能成為第一個跑通全部發展階段的賽道。

四、其他賽道

慢病管理作為互聯網醫療的重要組成部分，是少數在疫情之中受益的賽道。由于不能與醫生面對面交流，更多的患者加入了平臺計劃。

在這一領域，妙健康等企業傾向于為醫患搭建以人工智能為內核的慢病管理平臺，如健康風險分級管理平臺、人工智能健康干預平臺。以其H平臺為例，該平臺NLP健康知識圖譜可對原始健康醫療數據進行智能結構化清洗，形成用戶超過17萬條自主醫療行為的標簽庫，同時為用戶構建專業的健康醫療畫像，實現重大疾病和慢性病等風險預測、異常指標預警、疾病指向預警、健康風險項預警等健康數據應用。

從場景成熟度來看，AI慢病管理企業仍處于C端用戶的積累之中，而其主要付費方也不算明確。因此，限制其規模發展的或許并非AI，相關企業還需積極探索商業模式。

硬件加速是醫療AI中少有的小而美的賽道。在2020RSNA上，業內對于醫學影像AI熱議的側重點也較往年有所推進。重點不再是如何使AI代替醫生進行讀圖分析，而是轉向“幕后”，聚焦于影像上游的AI技術為臨床帶來的新突破，比如圖像采集、數據重建以及工作流程的優化等工作。

當前，GPS與少量創業公司均有開發相關技術，且這些技術已經完全進入到臨床應用中。如深透醫療（Subtle Medical）的SubtleMR可以通過人工智能技術兼容所有MR影像設備，提高高質量影像的采集效率，減少運動偽影；SubtlePET通過深度學習技術加速PET（正電子發射斷層掃描）成像并降低其輻射危害，可以使醫院和影像中心將PET掃描速度提高4倍。

相比之下，一些新興技術的融合則顯得有些迷茫。譬如VR／AR的AI化已經經歷了多年的探索，但至今仍無明顯的結果。如今看來，VR相關技術主要應用于老年康復與心理治療等領域，AI切入較少，仍處于需求探索階段，

心理學、醫美領域偏向于C端。如模擬整形、虛擬對象等應用能夠給予患者新體驗。兩個賽道的特點在于建模的精度與智能程度決定了用戶的滿意度，就現有的AI而言，還不能很好的理解人類的心理與審美。AI用于皮膚監測以促進消費者選擇合理護膚產品是一個較好的應用，但大量醫美相關AI仍有些雞肋，有待技術上的革新。

資本的再臨與AI頭部聚集效應

2019年醫療AI一級市場有些冷清，全年40次融資，總融資金額僅38．9億。商業化受阻下，更多企業將資金投入到了研發之中，如MICCAI這樣頂級會議，其收錄的中國論文數量翻了多達一倍。

2020年的走勢與2019年完全不同。上半年受疫情影響，大量企業大幅節流，收入、成本雙雙降低。年中6月，醫療AI開始回暖，上半年少有人問津的AI開始重獲資本青睞。2020年AI醫療總計47筆融資，涉及金額約84．8億元，同比增長118．0％。獲得資金的企業開始投入市場運營。

2020年各月份融資事件數量

2020年醫療AI公開融資列表（數據來源于動脈橙數據庫）

縱向看來，不難發現，大部分收獲融資的企業都擁有不少于三年的經營年限，小部分新成立的公司如劑泰醫藥則有AI新藥頭部企業晶泰科技戰略加持。此外，B輪以上融資事件大幅增多，這一情形于醫療影像中尤其明顯（總計24次融資，B輪以上達14次）。

頭部企業的融資對行業賽道融資數據存在較大影響，9月零氪科技D＋輪7億元融資、太美醫療12億元融資、晶泰科技C輪3．188億美元融資，三家領頭企業三筆巨額融資占據了整個醫療AI賽道一半的融資額；12月深睿醫療C＋數億元、科亞醫療D輪3億元、森億智能D輪4億元、數坤科技近6億元融資同樣撐起了各自賽道的大部分資金流入。

2020年各月份融資金額

2020年醫療AI公開融資列表（數據來源于動脈橙數據庫）

上述數據顯示，AI醫療市場呈現出明顯的頭部聚集效應。醫療影像中，數坤科技、科亞醫療等獲證企業能夠一年進行多次融資，而大量無證企業、新興企業則難以得到資本支持。相比之下，醫療信息化產業相對沒有那么集中，我國的醫療信息化現狀或能解釋這一原因：由于各城市差異化的醫療質量和信息化質量，頭部信息化企業無法把觸手伸向每一個區域，這種情況下，了解各自區域的當地企業能夠很好把握機會，并有可能從中脫穎而出。

不過無論是醫學影像、醫療信息化還是新藥研發，其構造的壁壘并非單單算法可以解決，更為重要的事，打造一個肺結節AI、打造一個?？浦R圖譜、打造一個藥物研發平臺所需要的大量醫療數據積累。這些珍貴的臨床數據不屬于任何一個企業，因而是他們最為穩固的壁壘。

常常會有人問：醫療AI賽道眾多，哪一個能最先盈利？從現在的發展進程來看，沒有人可以給出答案。但觀察資本方的行為，我們或許可以找出一些蛛絲馬跡。

從融資列表中我們可以了解到，新藥研發融資數量最少，但融得資金量最大，平均融資金額最高（3．58億），占據了超過50％的融資總量；醫療影像融資項目最多，但項目平均融資金額最?。?．24億），略低于醫療信息化賽道（1．30億）。

客單價方向，人工智能與信息化比較明晰，單個肺結節輔助診斷產品大致價格在50－100萬元這一區間，含PACS全院區AI影像解決方案可達近千萬元；?？艭DSS大致價格在150－300萬元，智慧醫院建設方案視醫院規模決定可達數千萬元，兩個賽道大部分企業年營收都在萬千級，少數企業能達到億級。相比之下，新藥研發各環節服務差異較大，潛在的機會與收益難以給出明確價格，但作為藥企的上游企業，其營收也相對較大。

潛在賽道的外化與AI的未來發展

從融資金額及其商業化情況來看，不同醫療AI賽道依靠不同的底層技術已經走出了截然不同的道路。因此，動脈網在盤點時將三個賽道分開，分析其產業鏈狀況及突破性進展，各自進行歸納總結。

醫學影像

隨著醫療影像AI產品獲批數量的增多，越來越多的醫療器械CRO企業開始將影像AI作為重要的業務領域進行拓展，并打出差異化戰略。

以奧泰康為例，作為業內具有14年項目經驗的CRO公司，奧泰康已完成500余項醫療器械及藥品的臨床試驗及注冊服務，近5年獲得30余張三類醫療器械注冊證，成功申報15項國家創新醫療器械審批件。從2017年起，奧泰康看準人工智能（AI）賽道，迅速開展該賽道的CRO服務。目前，國內獲證的9項AI產品中，奧泰康承擔了其中3項產品的CRO服務，案例數量及成功率均居行業第一，未來，奧泰康將持續著力于創新醫療器械和高端醫療器械CRO服務，尤其在心腦血管、神經介入、腫瘤、骨科、影像、整形美容六大領域。

奧泰康創始人饒義偉對動脈網表示：“截至2020年12月，奧泰康已為排名前20名的大部分醫療影像AI企業提供CRO服務，包括科亞醫療、數坤科技、依圖科技、推想科技、杏脈科技、匯醫慧影、睿心醫療等，其中科亞醫療、推想科技為首證產品?！?/p>

通常而言，單個產品審批注冊費用在500－1000萬區間，隨著影像AI的再度崛起，2021的影像AI或將迎來更多CRO玩家。

醫療信息化

如何更好地提升NLP的性能，使其能夠更好地處理異構數據是人工智能探索者們一直嘗試突破的問題，人工智能模型GPT－3的出現為其提供了新的思路——用海量的數據強迫AI學習。不過，GPT－3的實踐結果仍存在爭議，還需學者們進一步驗證其實用性。

產業方向，智慧醫院建設仍是2021年醫院建設的重點之一。從2020年的情況來看，基于NLP的知識庫已經嵌入電子病歷、HIS系統，收獲大量臨床數據后，AI將有可能參與創新性疾病診療方法的創立。

新藥研發

12月DeepMind旗下AlphaFold2破解“蛋白質折疊預測”問題算得上是“AI＋新藥”最大的新聞，這個困擾生物學界50多年的重大難題正被AI破解。

由于現代藥物大多數以蛋白質為靶點，因而藥物結果幾乎都是以基于蛋白質的結構進行設計。因此，如果AI對于蛋白質結構預測能夠準確且規?；@將取代部分冷凍電子顯微鏡、核磁共振或X射線結構發現，極大提升蛋白質發現的效率，并降低相應成本。

不過，傳統的實現仍在蛋白－蛋白的相互作用研究上存在一定優勢，但隨著AI的發展，數字化的計算或能對這些機器智能尚未涉及涉足的領域進行突破，時間會說明這個問題。

總的來說，疫情之后的人工智能走出了完美的V型曲線，每個賽道都在以各自的方式為醫療賦能，一步一步改變著醫療的每個方面。新的一年，希望每一個醫療領域的探索者，能夠把握“醫療之慢”，手持著夢想，始終如一。

責任編輯：xj