图片来源
视觉中国文
vb动脉网
几乎没人会怀疑“人工智能是未来核心生产力”这一观点，创造一个类人的计算机系统如此迷人，几乎每个行业都在尝试使用人工智能帮助产业由自动化向智能化转型。
医疗领域同理，尽管人工智能涉世未深，但其背后的计算机视觉、自然语言处理（NLP）等技术已经历了多次迭代，相应的市场规模也不断扩大。年蛋壳研究院《医疗AI创新的道与智：回归需求，整合价值》这一报告指出，医疗人工智能过去5年CAGR超过40%，应用市场规模已接近亿元。
然而，新兴的技术往往面临高速发展与低速商业化的困局，尤其是在医疗这样的“慢”领域，软件安全方面的审查与新旧技术之间的交替非常考验资本与企业的耐心。因此，低谷常见，停滞也常见，医疗人工智能同样绕不开这一问题。
转折点在年中出现。疫情虽然暂缓了医疗领域大部分行业的发展，医院进行主动智慧化重建。此外，NMPA的审批帮助影像AI从业者重拾信心，新基建则将人工智能带到了一个更广阔的市场，多方推动之下，医疗人工智能发展蠢蠢欲动。
为了了解医疗人工智能发展现状，并对新的一年做出展望，动脉网对近百家人工智能企业相关数据进行了处理分析。
整个文章分为三个部分：
一、AI医疗场景成熟度测评
二、资本的再临与AI头部聚集效应
三、潜在赛道的外化与AI的未来发展
从这三个角度，动脉网尝试厘清年医疗人工智能的发展脉络。
AI医疗场景成熟度测评
在医疗行业中，人工智能应用主要聚集于计算机视觉与自然语义处理。从两项基础技术出发，其应用已延伸出十余个场景。数年发展之后，不同细分领域之间的差异已经愈发明显，部分赛道已有企业已通过聆讯，准备上市；部分赛道仍在上下求索，尝试以需求重构技术。但无论企业选择哪个赛道，已经走到哪个阶段，人工智能变现难的通病在医疗之中同样没有解决，至今为止，绝大多数企业仍在为盈利而努力。
创业公司发展阶段分析
医学影像医学影像是人工智能切入医疗的起点，不到10年时间，超过家企业通过探索放射科、病理科、辅助放疗的需求，开始设计产品。年，病理科、辅助放疗两个场景没有发生大的变化，但放射科AI则跑通了困扰其多年的审评审批阶段，从“应用落地”步入“商业化”。
年1月，科亚医疗的CT-FFR产品“深脉分数”率先打破了审评审批的桎梏，拿到第一张医疗AI医疗器械三类证，将工作重心由研发向价格目录开拓与市场销售偏移。2月，乐普医疗“AI-ECGPlatform”获NMPA批准，心脏相关AI再下一城。6月，更贴合“辅助诊断”定义的颅内肿瘤MR影像辅助诊断软件获批，安德医智异*突起。7月丰收的是Airdoc、硅基智能两家AI企业，这个月，NMPA一口气开出了两张“糖尿病视网膜病变眼底图像辅助诊断软件”注册证。
年末是老牌医疗影像AI企业的收获月。11月初，数坤科技冠脉CT造影图像血管狭窄辅助分诊软件获批；推想科技、联影智能紧随其后，在同一日分别拿下首张“AI+肺结节”注册证、首张“AI+骨折”注册证。一个月后，深睿医疗也拿到了自己的“AI+肺结节”证书，为医疗人工智能的年画上完美的句号。
年医疗AINMPA三类证通过情况
细看9款AI产品获证的情况，其中既包含肺结节、眼底、心电这样的大通量场景，又包含CTA、CT-FFR、脑MR这样的特异性需求、潜在市场丰富的场景。这似乎意味着，只要产品质量过硬，便能够通过审评审批。
但结合年人工智能医疗器械创新合作平台规划情况，其中提到将建立CT肺、CT肝、CT骨折、脑MRI、心脏MRI、冠脉CTA、心电、眼科8大测试样本数据库，而年获批的产品，除CT-FFR外全部归属其中，换言之，下一个获批的场景，将很有从CT肝、心脏MRI中出现。
另外值得注意的是，NMPA三类证之中对于AI产品功能的描述极为谨慎，仅仅表述了产品的基本功能，并强调“不能仅凭产品结果进行诊断”。限定了影像AI的使用范围或许并不影响产品销售，但越来越多的功能加入后，如何保证后续功能的安全性？从目前状况看，AI影像的审评审批流程都在一年以上，因此如何对人工智能软件的更新进行审批，将是各方需要探讨的下一个难点。
CDSS、大数据管理、语音录入临床辅助决策系统（CDSS）、大数据管理（包含数据挖掘、数据治理等）、语音录入均因为AI的介入实现了颠覆性突破。具体而言，NLP的发展为研究人员提供了有效的手段整治数据量庞大、数据维度丰富的医疗数据，也为医患之间智能交互、数据监测提供了更为有效的手段。单看年变化，CDSS赛道存在*策推进，大数据管理、语音录入赛道头部企业开始寻求上市。
医医院绩效考核的一个重要抓手，电子病历、互联互通、医院医院提出了相应的要求。医院考核情况分析中，医疗服务效率与质量、合理用药、电子病历水平分级皆是其中的关键点。因此，通过CDSS建设，能有效地促进医疗服务效率和质量、合理用药、电子病历水平提升。
年中，CDSS的市场开拓大体仍受电子病历、互联互通、医院服务等评级的推动，但也有新*策为其助力。7月30日出台医*医管局的《关于进一步加强单病种质量管理与控制工作的通知》通知文件强调了对第一批36个病种/手术进行上报的要求，医院需在年12月31日前完成相关病例信息的补办。这一*策为惠每科技、森亿智能等专科CDSS产品服务提供商提供了新的市场机遇。
相比之下，大数据管理的发展则受益于疫情。通过对患者EMR、电子健康码等信息进行整合分析，疾控中心能够对可疑患者及其接触人群进行可视化追踪。年初，北京大数医达便为南京市疾控中心建设的疾病与监测预警系统便直医院的EMR，实现大数据疾控。
这一疾控监测预警系统应用了大数据和人工智能技术，对医学知识图谱建立模型，再直接提取EMR进行语义结构化，由人工智能匹配知识库判断EMR中是否包含新冠肺炎等传染病的关键词。一旦被人工智能判断为疑似或者是高度疑似则上报疾控部门，医院因故遗漏或者迟报。除了40种法定传染病，该系统同样支持各地区自己补充当地认定的多发性传染病。
在这个三个赛道中，有两家AI企业尝试跨过“公司盈利”进行阶段转换。云知声的医疗业务专注于病案质控与语音录入，于11月3日提交科创板IPO招股书；医渡云是一家专注于医疗AI与大数据的公司，于12月13日通过港交所聆讯，计划1月15日在港上市。
新药研发新药研发近年来一直处于高速发展之中，新冠肺炎后社会对于药企敏捷开发的新需求进一步推动了新药研发的发展。
疫情初期，针对新冠病*进行新药研发显然不现实，作为抗疫主力*的老药也无法发挥较好的疗效，这一现实给予了AI+新药研发机遇。
不过，只有AI模型+物理思维的深度结合才能同时满足药物研发速度与精确度的要求，而面对疫情最直接有效的药物筛选策略，是以云端超算支持物理化学算法搭建病*模型，再从结构出发，通过AI加速寻找到有抗病*活性的FDA已批准的上市药物。
以晶泰科技为例，该企业具备领先的量子物理药物模拟算法、人工智能药物发现平台，并有横跨多个云平台的超算资源作为有力支撑，能够在短时间内完成大量高精度的药物模拟计算。在新冠病*数据尚不充足的情况下，晶泰科技尝试从仅有的少量信息出发，从分子机理层面研究病*的关键结构与感染机理，从而寻找阻断感染、治疗肺炎的有效途径。
“人工智能最大的优势，是可以显著扩大新药的搜索范围，以几百万个有潜在活性的分子骨架作为筛选起点”，晶泰科技的首席科学家张佩宇博士曾告诉动脉网，“以AI+计算化学结合，综合考虑多种关键性质给候选分子打分，可以一步步接近最理想、最有希望研发成功的化合物。”
从发展阶段来看，新药研发的企业仍处于大规模投入之中，并存在一定商业化成果。由于其完全的B2B性质，新药研发可能成为第一个跑通全部发展阶段的赛道。
其他赛道慢病管理作为互联网医疗的重要组成部分，是少数在疫情之中受益的赛道。由于不能与医生面对面交流，更多的患者加入了平台计划。
在这一领域，妙健康等企业倾向于为医患搭建以人工智能为内核的慢病管理平台，如健康风险分级管理平台、人工智能健康干预平台。以其H平台为例，该平台NLP健康知识图谱可对原始健康医疗数据进行智能结构化清洗，形成用户超过17万条自主医疗行为的标签库，同时为用户构建专业的健康医疗画像，实现重大疾病和慢性病等风险预测、异常指标预警、疾病指向预警、健康风险项预警等健康数据应用。
从场景成熟度来看，AI慢病管理企业仍处于C端用户的积累之中，而其主要付费方也不算明确。因此，限制其规模发展的或许并非AI，相关企业还需积极探索商业模式。
硬件加速是医疗AI中少有的小而美的赛道。在RSNA上，业内对于医学影像AI热议的侧重点也较往年有所推进。重点不再是如何使AI代替医生进行读图分析，而是转向“幕后”，聚焦于影像上游的AI技术为临床带来的新突破，比如图像采集、数据重建以及工作流程的优化等工作。
当前，GPS与少量创业公司均有开发相关技术，且这些技术已经完全进入到临床应用中。如深透医疗（SubtleMedical）的SubtleMR可以通过人工智能技术兼容所有MR影像设备，提高高质量影像的采集效率，减少运动伪影；SubtlePET通过深度学习技术加速PET(正电子发射断层扫描)成像并降低其辐射危害，医院和影像中心将PET扫描速度提高4倍。
相比之下，一些新兴技术的融合则显得有些迷茫。譬如VR/AR的AI化已经经历了多年的探索，但至今仍无明显的结果。如今看来，VR相关技术主要应用于老年康复与心理治疗等领域，AI切入较少，仍处于需求探索阶段，
心理学、医美领域偏向于C端。如模拟整形、虚拟对象等应用能够给予患者新体验。两个赛道的特点在于建模的精度与智能程度决定了用户的满意度，就现有的AI而言，还不能很好的理解人类的心理与审美。AI用于皮肤监测以促进消费者选择合理护肤产品是一个较好的应用，但大量医美相关AI仍有些鸡肋，有待技术上的革新。
资本的再临与AI头部聚集效应
年医疗AI一级市场有些冷清，全年40次融资，总融资金额仅38.9亿。商业化受阻下，更多企业将资金投入到了研发之中，如MICCAI这样顶级会议，其收录的中国论文数量翻了多达一倍。
年的走势与年完全不同。上半年受疫情影响，大量企业大幅节流，收入、成本双双降低。年中6月，医疗AI开始回暖，上半年少有人问津的AI开始重获资本青睐。年AI医疗总计47笔融资，涉及金额约84.8亿元，同比增长.0%。获得资金的企业开始投入市场运营。
年各月份融资事件数量年医疗AI公开融资列表（数据来源于动脉橙数据库）
纵向看来，不难发现，大部分收获融资的企业都拥有不少于三年的经营年限，小部分新成立的公司如剂泰医药则有AI新药头部企业晶泰科技战略加持。此外，B轮以上融资事件大幅增多，这一情形于医疗影像中尤其明显（总计24次融资，B轮以上达14次）。
头部企业的融资对行业赛道融资数据存在较大影响，9月零氪科技D+轮7亿元融资、太美医疗12亿元融资、晶泰科技C轮3.亿美元融资，三家领头企业三笔巨额融资占据了整个医疗AI赛道一半的融资额；12月深睿医疗C+数亿元、科亚医疗D轮3亿元、森亿智能D轮4亿元、数坤科技近6亿元融资同样撑起了各自赛道的大部分资金流入。
年各月份融资金额
年医疗AI公开融资列表（数据来源于动脉橙数据库）
上述数据显示，AI医疗市场呈现出明显的头部聚集效应。医疗影像中，数坤科技、科亚医疗等获证企业能够一年进行多次融资，而大量无证企业、新兴企业则难以得到资本支持。相比之下，医疗信息化产业相对没有那么集中，我国的医疗信息化现状或能解释这一原因：由于各城市差异化的医疗质量和信息化质量，头部信息化企业无法把触手伸向每一个区域，这种情况下，了解各自区域的当地企业能够很好把握机会，并有可能从中脱颖而出。
不过无论是医学影像、医疗信息化还是新药研发，其构造的壁垒并非单单算法可以解决，更为重要的事，打造一个肺结节AI、打造一个专科知识图谱、打造一个药物研发平台所需要的大量医疗数据积累。这些珍贵的临床数据不属于任何一个企业，因而是他们最为稳固的壁垒。
常常会有人问：医疗AI赛道众多，哪一个能最先盈利？从现在的发展进程来看，没有人可以给出答案。但观察资本方的行为，我们或许可以找出一些蛛丝马迹。
从融资列表中我们可以了解到，新药研发融资数量最少，但融得资金量最大，平均融资金额最高（3.58亿），占据了超过50%的融资总量；医疗影像融资项目最多，但项目平均融资金额最小（1.24亿），略低于医疗信息化赛道（1.30亿）。
客单价方向，人工智能与信息化比较明晰，单个肺结节辅助诊断产品大致价格在50-万元这一区间，含PACS全院区AI影像解决方案可达近千万元；专科CDSS大致价格在-万元，医院医院规模决定可达数千万元，两个赛道大部分企业年营收都在万千级，少数企业能达到亿级。相比之下，新药研发各环节服务差异较大，潜在的机会与收益难以给出明确价格，但作为药企的上游企业，其营收也相对较大。
潜在赛道的外化与AI的未来发展
从融资金额及其商业化情况来看，不同医疗AI赛道依靠不同的底层技术已经走出了截然不同的道路。因此，动脉网在盘点时将三个赛道分开，分析其产业链状况及突破性进展，各自进行归纳总结。
医学影像随着医疗影像AI产品获批数量的增多，越来越多的医疗器械CRO企业开始将影像AI作为重要的业务领域进行拓展，并打出差异化战略。
以奥泰康为例，作为业内具有14年项目经验的CRO公司，奥泰康已完成余项医疗器械及药品的临床试验及注册服务，近5年获得30余张三类医疗器械注册证，成功申报15项国家创新医疗器械审批件。从年起，奥泰康看准人工智能（AI）赛道，迅速开展该赛道的CRO服务。目前，国内获证的9项AI产品中，奥泰康承担了其中3项产品的CRO服务，案例数量及成功率均居行业第一，未来，奥泰康将持续着力于创新医疗器械和高端医疗器械CRO服务，尤其在心脑血管、神经介入、肿瘤、骨科、影像、整形美容六大领域。
奥泰康创始人饶义伟对动脉网表示：“截至年12月，奥泰康已为排名前20名的大部分医疗影像AI企业提供CRO服务，包括科亚医疗、数坤科技、依图科技、推想科技、杏脉科技、汇医慧影、睿心医疗等，其中科亚医疗、推想科技为首证产品。”
通常而言，单个产品审批注册费用在-0万区间，随着影像AI的再度崛起，的影像AI或将迎来更多CRO玩家。
医疗信息化如何更好地提升NLP的性能，使其能够更好地处理异构数据是人工智能探索者们一直尝试突破的问题，人工智能模型GPT-3的出现为其提供了新的思路——用海量的数据强迫AI学习。不过，GPT-3的实践结果仍存在争议，还需学者们进一步验证其实用性。
产业方向，医院建设仍是年医院建设的重点之一。从年的情况来看，基于NLP的知识库已经嵌入电子病历、HIS系统，收获大量临床数据后，AI将有可能参与创新性疾病诊疗方法的创立。
新药研发12月DeepMind旗下AlphaFold2破解“蛋白质折叠预测”问题算得上是“AI+新药”最大的新闻，这个困扰生物学界50多年的重大难题正被AI破解。
由于现代药物大多数以蛋白质为靶点，因而药物结果几乎都是以基于蛋白质的结构进行设计。因此，如果AI对于蛋白质结构预测能够准确且规模化，这将取代部分冷冻电子显微镜、核磁共振或X射线结构发现，极大提升蛋白质发现的效率，并降低相应成本。
不过，传统的实现仍在蛋白-蛋白的相互作用研究上存在一定优势，但随着AI的发展，数字化的计算或能对这些机器智能尚未涉及涉足的领域进行突破，时间会说明这个问题。
总的来说，疫情之后的人工智能走出了完美的V型曲线，每个赛道都在以各自的方式为医疗赋能，一步一步改变着医疗的每个方面。新的一年，希望每一个医疗领域的探索者，能够把握“医疗之慢”，手持着梦想，始终如一。