AI醫(yī)療行業(yè)規(guī)模、產(chǎn)業(yè)鏈、一級融資及挑戰(zhàn)有哪些？

醫(yī)療服 務(wù)流程錯綜復(fù)雜，跨越多個科室和部門，涉及診斷、治檢查用藥、支付等多個環(huán)節(jié)， 各環(huán)節(jié)相互影響，決策因素繁多。

1. AI 醫(yī)療行業(yè)規(guī)模

2025 年中國 AI 醫(yī)療行業(yè)規(guī)模將達(dá)到 1157 億元，預(yù)計在 2028 年達(dá)到 1598 億元， 2022-2028 年 CAGR 為 10.5%。AI 醫(yī)療的快速發(fā)展得益于人口老齡化和醫(yī)護(hù)人員短 缺的大環(huán)境，AI 技術(shù)能夠緩解醫(yī)療資源供需矛盾，提高醫(yī)療體系的效率，減輕醫(yī)務(wù) 人員的工 作負(fù)擔(dān)，并加速藥物和疫苗的研發(fā)進(jìn)度。AI 在藥物及疫苗研發(fā)、基因組 學(xué)、醫(yī)學(xué)影像、智能醫(yī)院和醫(yī)療儀器等領(lǐng)域的應(yīng)用前景廣闊。

2. AI 醫(yī)療產(chǎn)業(yè)鏈

AI 醫(yī)療產(chǎn)業(yè)鏈?zhǔn)且粋€由技術(shù)、數(shù)據(jù)、硬件、軟件、應(yīng)用場景等多環(huán)節(jié)構(gòu)成的復(fù)雜生 態(tài)體系，覆蓋從基礎(chǔ)技術(shù)研發(fā)到臨床落地的全流程。

1）上游：基礎(chǔ)層。（1）數(shù)據(jù)資源。數(shù)據(jù)來源：數(shù)據(jù)主要源自多個關(guān)鍵領(lǐng)域，包括醫(yī)院電子病歷（EMR）系統(tǒng)所記錄的 海量患者診療信息；醫(yī)學(xué)影像，像 CT、MRI、X 光等各類成像資料，蘊含豐富的 身體結(jié)構(gòu)與病變信息；基因測序數(shù)據(jù)，揭示人體遺傳密碼；可穿戴設(shè)備監(jiān)測數(shù)據(jù)， 能實時追蹤個體日常健康狀況；以及公共衛(wèi)生數(shù)據(jù)庫，匯聚了群體層面的疾病防控 等數(shù)據(jù)。 數(shù)據(jù)標(biāo)注：在數(shù)據(jù)標(biāo)注環(huán)節(jié)，醫(yī)學(xué)影像標(biāo)注（以精準(zhǔn)勾畫腫瘤區(qū)域為例）和病歷文 本結(jié)構(gòu)化（如從病歷中準(zhǔn)確提取疾病名稱、癥狀等關(guān)鍵信息）這類工作，高度依賴 專業(yè)醫(yī)生憑借其深厚的醫(yī)學(xué)知識和臨床經(jīng)驗來完成。 數(shù)據(jù)治理：數(shù)據(jù)治理涵蓋多個重要方面。首先是數(shù)據(jù)清洗，去除數(shù)據(jù)中的噪聲與錯 誤；接著進(jìn)行脫敏操作，保障患者隱私。同時，依據(jù) DICOM 等行業(yè)標(biāo)準(zhǔn)實現(xiàn)數(shù)據(jù) 標(biāo)準(zhǔn)化，以確保數(shù)據(jù)的通用性與兼容性；在隱私保護(hù)方面，嚴(yán)格遵循 GDPR、HIPAA 等國際通行法規(guī)要求，保障數(shù)據(jù)安全。

（2）算法與模型。核心技術(shù)：該領(lǐng)域的核心技術(shù)豐富多樣。深度學(xué)習(xí)發(fā)揮著關(guān)鍵作用，其中 CNN（卷 積神經(jīng)網(wǎng)絡(luò)）擅長處理醫(yī)學(xué)影像識別任務(wù)，能精準(zhǔn)分辨各類影像特征；RNN（循環(huán) 神經(jīng)網(wǎng)絡(luò)）則在時序數(shù)據(jù)處理上表現(xiàn)卓越。遷移學(xué)習(xí)針對小樣本訓(xùn)練難題，可有效 利用已有知識。聯(lián)邦學(xué)習(xí)更是打破機構(gòu)間的數(shù)據(jù)壁壘，實現(xiàn)跨機構(gòu)的數(shù)據(jù)協(xié)作。 模型：醫(yī)療健康大模型以企業(yè)研發(fā)為主，高校和科研機構(gòu)為輔，醫(yī)療機構(gòu)次之，研 發(fā)合作模式多樣化，包括醫(yī)企、校企等多種模式。企業(yè)依托較為豐富的資金和技術(shù) 資源，快速搶抓市場熱點，共計 51 家企業(yè)相繼推出了大模型產(chǎn)品，占比高達(dá) 60.0%， 占據(jù)了醫(yī)療健康領(lǐng)域大模型研發(fā)的主導(dǎo)地位。高校與研究機構(gòu)依托高價值數(shù)據(jù)、高 智力資源和強科研實力，共 22 家高校及研究院所開展大模型研發(fā)，占比 25.9%。醫(yī) 療機構(gòu)擁有一手醫(yī)療數(shù)據(jù)資源，但限于日常臨床任務(wù)艱巨并且人工智能技術(shù)研究及 大模型研發(fā)起步較晚，大模型以合作研發(fā)為主。 其中，企業(yè)研發(fā)醫(yī)療健康領(lǐng)域大模型，更加注重用戶體驗和商業(yè)化前景，典型代表 如百度的“靈醫(yī)大模型”、云知聲的“山海認(rèn)知大模型”、醫(yī)渡科技的“醫(yī)渡大模 型”、京東健康的“京醫(yī)千詢大模型”、騰訊的“騰訊健康醫(yī)療大模型”，訊飛醫(yī) 療的“訊飛星火醫(yī)療大模型”等更加注重用戶體驗和易用性，能更好地滿足市場的 需求。

（3）算力基礎(chǔ)設(shè)施。硬件：硬件支撐極為關(guān)鍵，包括性能強勁的 GPU，為深度學(xué)習(xí)計算提供強大動力； TPU 芯片，在特定計算場景下具備高效優(yōu)勢；還有寒武紀(jì)、Graphcore 等企業(yè)研發(fā) 的 AI 加速芯片，助力提升整體算力水平。

云計算：云計算平臺為醫(yī)療 AI 訓(xùn)練提供有力支持，AWS、Azure、阿里云等均搭建 了專業(yè)的醫(yī)療 AI 訓(xùn)練平臺。而邊緣計算則在實時處理場景中不可或缺，例如手術(shù) 機器人的精準(zhǔn)操控就依賴其低延遲特性。 網(wǎng)絡(luò)：5G 網(wǎng)絡(luò)憑借其高速率、低延遲的特性，大力推動遠(yuǎn)程醫(yī)療發(fā)展，實現(xiàn)實時數(shù) 據(jù)的快速傳輸。

2）中游：技術(shù)層。（1）核心技術(shù)模塊。計算機視覺（CV）：在醫(yī)療領(lǐng)域發(fā)揮著關(guān)鍵作用，應(yīng)用于醫(yī)學(xué)影像分析，如肺結(jié)節(jié) 檢測、眼底病變識別等，助力醫(yī)生精準(zhǔn)診斷；同時還用于病理切片數(shù)字化，提高醫(yī) 療數(shù)據(jù)管理效率。 自然語言處理（NLP）：具有廣泛應(yīng)用。在電子病歷結(jié)構(gòu)化方面，能夠?qū)⒎彪s的病 歷信息整理成規(guī)范格式，便于查詢與分析；臨床決策支持（CDSS）系統(tǒng)借助 NLP 技術(shù)為醫(yī)生提供決策參考；患者問答機器人可自動解答患者常見問題。此外，在化 合物研究環(huán)節(jié)，NLP 技術(shù)能對海量文獻(xiàn)進(jìn)行大規(guī)模、高效分析，提出新的可測試假 說，提高新靶點發(fā)現(xiàn)幾率，顯著縮短研發(fā)周期。在臨床前研究階段，深度學(xué)習(xí)技術(shù) 可將已上市或處于研發(fā)管線的藥物與疾病進(jìn)行智能匹配，拓展藥物治療范圍，提升 研發(fā)效率。 知識圖譜：通過構(gòu)建疾病 - 癥狀 - 藥品關(guān)聯(lián)網(wǎng)絡(luò)，如 IBM Watson Oncology，為醫(yī) 療決策提供全面、關(guān)聯(lián)的知識支持，輔助醫(yī)生更準(zhǔn)確地診斷和治療疾病。 語音技術(shù)：實現(xiàn)語音電子病歷錄入，醫(yī)生通過語音即可快速記錄病歷，提高工作效 率；智能問診記錄功能則能自動記錄問診過程，確保信息完整。

（2）開發(fā)工具與平臺。AI 框架：TensorFlow、PyTorch 等主流 AI 框架推出了醫(yī)療定制版本，例如 MONAI 專門用于醫(yī)學(xué)影像處理，為醫(yī)療 AI 開發(fā)提供了更貼合需求的底層支持。 低代碼平臺：像英偉達(dá) Clara 這樣的低代碼平臺，允許醫(yī)院在無需大量編程知識的 情況下，快速部署 AI 模型，降低了技術(shù)應(yīng)用門檻，加速了 AI 在醫(yī)療場景中的落 地。 模型管理：借助 MLOps 工具鏈，實現(xiàn)模型版本控制，確保模型迭代過程的可追溯 性；同時支持自動化部署，提高模型部署效率，保障模型在實際應(yīng)用中的穩(wěn)定性與 可靠性。

3）下游：應(yīng)用層。AI 的下游應(yīng)用包括：醫(yī)學(xué)影像、AI 輔助決策、AI 醫(yī)學(xué)檢驗、AI 健康管理、AI 新 藥研發(fā)、醫(yī)療機器人等。

3. AI 醫(yī)療一級融資情況

在 2023 年經(jīng)歷顯著回暖后，2024 年醫(yī)療 AI 領(lǐng)域的融資熱度回落至與 2022 年 相當(dāng)?shù)乃健＞唧w來看，在 2022 年 9 月 1 日至 2023 年 8 月 31 日期間，醫(yī)療 AI 相關(guān)融資事件共計發(fā)生 160 起，與 2021 年 9 月 1 日至 2022 年 8 月 31 日期間的融資事件總數(shù)相比，增長率達(dá) 42.86%。然而，在 2023 年 9 月 1 日至 2024 年 8 月 9 日期間，融資事件總數(shù)急劇下降，僅為 99 起 。

英偉達(dá)多次投注，做 AI 制藥發(fā)展重要推手。通過對各細(xì)分領(lǐng)域的深入剖析可知， 影像、信息化以及機器人賽道在 2023 年經(jīng)歷短暫回暖后，2024 年資本投入的頻次 已回落至 2022 年的相近水平。反觀制藥賽道，在同期內(nèi)，投融資事件數(shù)量呈持續(xù)下降態(tài)勢。即便在 2023 年整個醫(yī)療 AI 賽道呈現(xiàn) “報復(fù)式” 回暖時，制藥賽道也 未展現(xiàn)出同步的增長趨勢。由此可見，由于 AI 制藥領(lǐng)域至今尚無一款藥物成功推 進(jìn)至上市階段，隨著時間的推移，這一狀況正逐漸加劇對資本信心的負(fù)面影響。不 過，放眼全球，AI 制藥依然充滿生機。英偉達(dá)近兩年在該賽道頻繁出手“瘋狂掃貨" 成為 AI 制藥回暖的重要推手。據(jù) Pitchbook、Crunchbase 及動脈橙產(chǎn)業(yè)智庫數(shù)據(jù)， 英偉達(dá)在 2023 年及 2024 年(截至 2024 年 9 月 5 日)共參與投資超過 70 起，所有投 資無一例外，均與 AI 相關(guān)，而其中至少投注 AI 制藥企業(yè) 14 家，醫(yī)療其他領(lǐng)域企 業(yè) 8 家。 在醫(yī)療相關(guān)的其他領(lǐng)域，2024 年英偉達(dá)亦投注了如信息化領(lǐng)域的 Artsight、健康管 理領(lǐng)域的 Abridge 以及機器人領(lǐng)域的 Neocis 等 AI 企業(yè)。對于生成式 AI 及其相 關(guān)技術(shù)，握有算力優(yōu)勢的英偉達(dá)比任何一家投資機構(gòu)更加堅信也更有可能實現(xiàn)它的 顛覆性，進(jìn)而破除現(xiàn)有 AI 面臨的頑疾，左右診療、制藥新時代的格局，英偉達(dá)近 兩年在醫(yī)療 AI，尤其是 AI 制藥領(lǐng)域的頻繁出手給行業(yè)注入了信心。

融資輪次靠后，大模型展現(xiàn)強吸金能力。從融資輪次看，2024 年整個醫(yī)療 AI 領(lǐng)域 A 輪系列(包括 preA 輪、A+輪、A++輪及 A 輪后的戰(zhàn)略融資等)及 A 輪以前的早期 投資總占比均有所下降，而 B 輪系列及之后的成熟企業(yè)的資本投注占比更多，這也 側(cè)面印證了資本對醫(yī)療 AI 領(lǐng)域逐步謹(jǐn)慎的態(tài)度。2024 年平均單筆醫(yī)療 AI 的融資 金額也較 2023 年接近翻了一倍，從 6893.63 萬增加至 10344.53 萬元，最大單筆投 資來自騰訊、阿里、小米等，投注于專注醫(yī)療大模型的百川智能，是一筆高達(dá) 3 億 美金的 A 輪融資。

4. AI 醫(yī)療發(fā)展面臨的挑戰(zhàn)

醫(yī)療行業(yè)是典型的人才和知識密集型行業(yè)，需要大量高素質(zhì)專業(yè)人才投入。醫(yī)療服 務(wù)流程錯綜復(fù)雜，跨越多個科室和部門，涉及診斷、治檢查用藥、支付等多個環(huán)節(jié)， 各環(huán)節(jié)相互影響，決策因素繁多。人工智能技術(shù)可高效系統(tǒng)地收集和整合影響醫(yī)療 決策的各類信息，為醫(yī)護(hù)人員提供決策支持，輔助做出更準(zhǔn)確的診療決策并高效實 施。 我國醫(yī)療領(lǐng)域普諞存在“強調(diào)臨床、輕視數(shù)據(jù)”的傾向，這導(dǎo)致存儲數(shù)據(jù)參差不齊， 數(shù)據(jù)標(biāo)準(zhǔn)缺乏統(tǒng)一，這在很大程度上陰礙了醫(yī)療數(shù)據(jù)的共享和流通，進(jìn)而促進(jìn) AI 在 醫(yī)療領(lǐng)域的應(yīng)用。

1）醫(yī)療資源總量少、分布不均。地區(qū)差異：在一些發(fā)展中國家或偏遠(yuǎn)地區(qū)，醫(yī)療資源往往較為匱乏，而城市和發(fā)達(dá) 地區(qū)則相對集中了更多的醫(yī)療資源。 專業(yè)人才短缺：特別是在農(nóng)村和邊遠(yuǎn)地區(qū)，缺少足夠的醫(yī)療專業(yè)人員，如醫(yī)生、護(hù) 士和專業(yè)技術(shù)人員。 設(shè)備設(shè)施不足：一些地區(qū)可能缺乏必要的醫(yī)療設(shè)備和設(shè)施，如先進(jìn)的診斷工具、手 術(shù)室等。 服務(wù)可及性：由于交通不便或醫(yī)療點分布稀疏，一些地區(qū)的居民難以獲得及時有效 的醫(yī)療服務(wù)。

2）醫(yī)護(hù)工作負(fù)擔(dān)重。長時間工作：有超過 50% 的醫(yī)生工作時間在 8 小時以上，20.6% 的醫(yī)生每天平均 工作時間超過 10 個小時； 高強度勞動：除診療工作外，醫(yī)護(hù)還需進(jìn)行科研工作。 心理負(fù)擔(dān)：面對病人的痛苦和死亡，醫(yī)護(hù)人員需要承受巨大的心理壓力和情感負(fù)擔(dān)； 職業(yè)風(fēng)險：醫(yī)護(hù)人員在工作過程中面臨感染疾病、受傷等職業(yè)風(fēng)險。 技術(shù)更新：醫(yī)療技術(shù)不斷進(jìn)步，醫(yī)護(hù)人員需要不斷學(xué)習(xí)和適應(yīng)新技術(shù)。 行政和文書工作：除了臨床工作，醫(yī)護(hù)人員還需處理大量的行政和文書工作 。

3）醫(yī)療服務(wù)流程繁雜。專業(yè)術(shù)語障礙：醫(yī)療專業(yè)術(shù)語可能使患者難以理解自己的病情和治療方案；人才與 知識密集性凸顯了醫(yī)療健康服務(wù)的復(fù)雜性。 多部門流轉(zhuǎn)：患者可能需要在不同的部門之間往返，如從掛號到診室，再到檢查室 和藥房。 信息不透明：患者可能難以獲取關(guān)于醫(yī)療服務(wù)、費用和治療效果的清晰信息。 跨學(xué)科協(xié)調(diào)：醫(yī)療健康服務(wù)流程復(fù)雜，跨科室、部門、執(zhí)行、決策、支付等多環(huán)節(jié) 相互影響，在需要多學(xué)科團隊協(xié)作的情況下，協(xié)調(diào)和溝通可能存在障礙。

4）數(shù)據(jù)安全與隱私保護(hù)。隨著醫(yī)療數(shù)據(jù)的不斷增長，如何確保這些數(shù)據(jù)的安全性和隱私性成為了一個挑戰(zhàn)。 醫(yī)療機構(gòu)需要采取一系列措施，如數(shù)據(jù)加密、訪問控制、隱私保護(hù)等，確保醫(yī)療數(shù) 據(jù)的安全性和隱私性。 首先，考慮數(shù)據(jù)的合規(guī)性和法律要求。醫(yī)療機構(gòu)需要遵守相關(guān)的法律法規(guī)，確保數(shù) 據(jù)的合法性和合規(guī)性。同時，還需要建立完善的數(shù)據(jù)安全管理制度，明確數(shù)據(jù)的保 密、使用和共享等方面的規(guī)定，確保數(shù)據(jù)的合法使用和共享。

其次，考慮數(shù)據(jù)的可追溯性和可審計性。醫(yī)療機構(gòu)需要建立完善的數(shù)據(jù)可追溯性和 可審計性機制，確保數(shù)據(jù)的來源和去向清晰可查，避免數(shù)據(jù)被濫用或泄露。

5）數(shù)據(jù)質(zhì)量與標(biāo)準(zhǔn)化。由于醫(yī)療數(shù)據(jù)的來源廣泛、種類繁多，如何保證數(shù)據(jù)的質(zhì)量和標(biāo)準(zhǔn)化是一個挑戰(zhàn)。 醫(yī)療機構(gòu)需要建立完善的數(shù)據(jù)質(zhì)量管理體系，制定統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，確保數(shù)據(jù)的準(zhǔn) 確性和一致性。 數(shù)據(jù)的可讀性和可理解性：醫(yī)療機構(gòu)需要建立完善的數(shù)據(jù)可讀性和可理解性機制， 確保醫(yī)護(hù)人員能夠快速準(zhǔn)確地理解數(shù)據(jù)含義和背后的信息。還需要加強數(shù)據(jù)可視化 技術(shù)的研發(fā)和應(yīng)用，將復(fù)雜的數(shù)據(jù)以更加直觀的方式呈現(xiàn)給醫(yī)護(hù)人員。 數(shù)據(jù)的可擴展性和可維護(hù)性：醫(yī)療機構(gòu)需要建立完善的數(shù)據(jù)可擴展性和可維護(hù)性機 制，確保數(shù)據(jù)能夠隨著業(yè)務(wù)的發(fā)展而不斷擴展和更新。還需要加強數(shù)據(jù)備份和恢復(fù) 技術(shù)的研發(fā)和應(yīng)用，確保數(shù)據(jù)的安全性和可靠性。