2026年春季北交所AI醫療行業投資策略：AI重塑醫療價值鏈，把握優質細分賽道機會

供需共振，AI漸進式重塑醫療產業鏈

AI漸進式重塑醫療價值鏈

AI醫療：將基于人工智能（以下簡稱“AI”）的方法和技術應用于醫療數據，AI主要在圖像和信號分析、模式識別以及 數據科學領域發揮作用，主要應用場景：藥物發現、醫學影像、臨床輔助決策、精準醫療、健康管理等。 生成式AI醫療全球擴容速度預計領跑全行業。需求端：短期確定性機會來自醫療體系降本增效需求，研發及臨床價值更 多在中長期體現；供給端：AI大模型從輔助工具向核心決策系統演進。根據波士頓咨詢預測，預計27年全球生成式AI市 場規模220億美元，23-27年CAGR為85%，增速高于金融、零售等其他行業。 AI漸進式重塑醫療工作流程與范式：AI醫療發展依賴于算力、數據基礎設施建設水平提升；醫療行業容錯率低，產品需 反復驗證、與監管和支付體系適配。

基礎層能力進階，助推AI醫療產品滲透

AI醫療底層技術：深度學習、知識圖譜、計算機視覺、自然語言處理。知識圖譜整合異構大數據，實現高效信息檢索與 自動知識發現；計算機視覺用于準確獲取數據；自然語言處理技術將人類使用的自然語言轉換為計算機可理解的指令； 深度學習技術革新推動AI醫療從信息化向智能化升級。 算法架構革新歷程大致分四階段，基于Transformer架構的預訓練大模型具有強大的泛化能力與臨床應用潛力，驅動AI 醫療應用從單一模態（如純圖像）向多模態（融合影像、病歷、基因、文獻等）發展。

DeepSeek R1等大模型引領AI技術平權，使得更多企業和開發者能夠負擔得起高性能AI模型的訓練和使用。 DeepSeek V3訓練成本僅為557.6萬美元，DeepSeek R1調用成本每百萬輸出 tokens16元 ，不到OpenAI o1的4%。 目前大部分大模型處于價值驗證期。目前醫療大模型分五類：大型圖模型(LGMs)、語言條件多智能體大模型(LLMMs)、 多模態大模型(LMMs)、大語言模型(LLMs)、視覺大模型(LVMs)、視覺-語言大模型(VLMs)，大部分處于價值驗證階段。 從應用端看，大模型在醫療影像、輔助診斷、健康管理等領域的滲透率相對較高，但仍屬于市場滲透早期，藥物發現領 域是產品研發重心。

政策扶持增強AI產業確定性，AI醫療走向“規模化推廣”

政策全鏈條支持，增強AI產業確定性。國家將基礎設施及技術底座放在優先位置，推動數、算、電、網協同發展，破解 AI落地瓶頸。2025年8月國務院印發《關于深入實施“人工智能+”行動的意見》，明確AI應用重點領域及落地節奏 。 醫療方面，國家出臺AI醫療應用發展實施意見，AI醫療從“試點探索”走向“規模化推廣”。2025年10月，國家衛健 委聯合多部門印發《關于促進和規范“人工智能+醫療衛生”應用發展的實施意見》（以下簡稱“《實施意見》”）， 明確至2027年和2030年兩階段發展目標，并從基層應用、臨床診療、患者服務到中醫藥、公共衛生等八大方向部署24 項重點任務。

二級行情從基礎設施起步，向模型及應用層擴展

二級市場AI醫療行情演繹路徑與其他科技主線相近。從算力等基礎設施起步，逐步向模型層和應用層擴展。2026開年（截至26/2/27收盤）AI醫療迎普漲行情。主要原因包括：1）26年初智譜AI、MiniMax相繼登陸港股，標 志大模型商業模式初步成熟，26年AI在工業、醫療等領域的應用落地速度有望加快；2）25年底英矽智能等明星企業上 市提振市場情緒，一級市場及IPO在審隊伍中仍有較多優質標的。

把握結構性機會，識別優質細分賽道

AI在醫療行業的應用前景廣闊，但不同應用場景的成熟度與市場潛力存在顯著差異，其中，AI制藥和AI醫學影像診斷處 于“高成熟度+高潛力”區間，健康管理和個性化治療處于“高潛力+中成熟度”區間，屬于優質細分賽道。

AI制藥：從根本上重塑藥物研發模式

AI制藥：傳統新藥研發依賴開發者的經驗和反復試驗，AI擅長處理高維數據和復雜非線性關系，改變傳統藥物研發流程 。AI制藥主流商業模式分三類，AI+SaaS、AI+CRO、AI biotech，即售賣AI輔助藥物開發平臺、提供服務、推進自研 管線。從SaaS到CRO是發展趨勢；AI+CRO模式公司大致分兩類，一是CRO+AI類，AI作為工具提高工作效率，競爭要 點仍在客戶維護以及全鏈條服務方面；二是AI＋CRO類公司，競爭要點在于算法能力，提供CRO實驗服務是為了AI預測 的驗證和落地；AI biotech公司自研藥物管線，也會推進BD合作或者提供平臺服務 。 參與者背景多元，技術平臺各異，共同“做大蛋糕”。生命科學領域可探索空間廣闊，已有的數據積累相較于可探索的 藥物分子、作用機制來講極為有限，預計行業將以較快速度持續增長。據弗若斯特沙利文預測，2023至2032年全球AI 賦能藥物研發費用將從119億美元增加至746億美元，CAGR為22.6%。

AI醫學影像：從“輔助工具”到“診斷伙伴”

AI醫學影像應用價值從“輔助工具”到“診斷伙伴”。初期的醫學影像AI主要基于卷積神經網絡（CNN），通過在大 量標注影像數據上的訓練，實現特定部位的病灶識別，2020-2022年，人工智能醫學影像產品在多個領域通過國家藥監 局的審評審批，深度學習等AI技術在臨床得以應用和驗證。早期醫學影像AI的局限性：一是封閉模型，泛化能力弱；二 是缺乏對臨床文本、病理報告等多源信息的綜合理解能力等。2023年起多模態大模型興起，多模態大模型優勢在于能 夠協同處理和理解多種類型的醫療數據，包括影像、文本、語音等，功能定位逐步從輔助診斷向全病程管理、融合診斷 演進。