注: 本文节选自集团近期即将出版的《人工智能行业报告及投资建议》特别报告，作者系集团旗下天堂硅谷金融研究院以及多个聚焦人工智能领域的投资团队。
我国优质医疗资源稀缺，国家试图通过“分级诊疗”引导医疗资源的合理配置和有效利用，对基层医疗服务质量提出较高的要求，基层医疗资源尤其是医生的服务能力亟待提升。与“互联网+医疗”不同，“AI+医疗”通过赋能的方式帮助医生提升诊断和治疗的能力，提升基层医疗服务水平，推动医疗资源合理有效配置。
“AI+医疗”存在多个应用场景，其中通过医疗影像识别技术帮助医生筛查病灶服务的成熟度相对较高，以此为基础的辅助诊疗服务也有一定的发展；以现有医疗IT体系为基础发展起来的医疗大数据体系有望对整个医疗行业提供支持；而通过AI技术为个人提供健康管理服务仍处于发展早期阶段。
我国医疗的核心矛盾是以医生为核心的医疗资源供给远远不能满足患者快速增长的需求。我国医疗制度的特点以及优质医生的培养周期较长，造成医疗资源不断向大中城市集中。出于对健康的追求，患者本能得寻找最优质的医疗资源寻求帮助，这导致优秀医生永远门庭若市，基层医疗机构的服务水平长期无法得到改善，既限制了基层医生的成长，又降低了医疗系统的运作效率，间接推升了医疗费用整体支出。
为解决我国医疗领域的矛盾，国务院于2015年提出推动分级诊疗的指导意见，强调了基层医疗服务体系的重要性，通过基层首诊、双向转诊、急慢分诊、上下联动的措施引导医疗资源的合理配置和有效利用，并设立了2017年政策体系逐步完善，2020年服务能力全面提升的目标。
在国家推动分级诊疗发展的大背景下，提升基层医疗服务水平，降低医生尤其是基层医生的误诊率，提升他们的工作效率，成为我国医疗发展的当务之急。
随着AI热潮的快速升温，“互联网+医疗”之风逐步被”AI+医疗”替代。无论是互联网问诊平台还是互联网线下诊所，都在争夺对顶尖医生资源进行再分配的权力。这种方式虽然推动了医疗资源的市场化，但无法解决基层医疗需求。AI近期将以赋能的方式辅助医生诊疗，远期有望形成以AI为核心医疗资源的独立诊断能力。基于图像识别技术辅助诊断工具是目前发展最为成熟的”AI+医疗”形式，为医生提供了高效可靠的影像识别和判读，充分发挥了AI替代人类进行重复性劳动的巨大优势。由此可见，AI与医疗的结合，有望真正提升基层医疗资源的服务水平。
AI在影像识别、大数据分析和自然语义理解方面已经进入商业化阶段。AI与医疗的结合也围绕这三个解决方案展开，通过提供标准化的产品或供给，提升医生的诊断和治疗能力及效率，从而为患者创造价值。
“AI+医疗”现存多个应用场景，本文分析的重点是医疗影像识别、辅助诊疗和健康管理。前两个消费场景以B端客户为主，后者则是最接近个人消费者的应用场景。
AI+医疗影像
医疗影像领域的创业公司主要集中在癌症以及其他对影像筛查较为依赖的细分领域，基于深度学习的影像识别技术为医生提供辅助诊断工具。影像识别辅助诊断工具从两方面推动我国医疗行业发展：第一，辅助诊断工具的看图/读图能力和效率，大大提升了医生（尤其是基层医生）的医疗水平和服务能力；其次，辅助诊断工具降低了病灶被忽略的可能，提升对重大疾病早期预防的能力，有望降低患者的痛苦，提升疾病治愈的几率。
但医疗影像也有发展的目前还存在较大的行业发展瓶颈，主要原因有以下几点：
第一，从适用范围上来看，目前的医学影像无法解释判断逻辑，且只能识别某一种病灶，大大限制了临床应用。同时，医疗影像识别被卫生部明确定位为辅助诊疗手段，这意味着现阶段依然由医生做诊断。目前的创业公司大多集中在疾病筛查阶段，主要通过对读片来判断是否患病，虽然能够减轻医生的工作量，也能提高医生的诊断准确率，但对于医疗机构来说并不是刚需。
第二，从获取数据的角度看：医疗临床操作十分复杂，医生的临床经验不同，人工诊断还是会存在偏差，导致用于学习的诊断数据存在偏差。其次目前既有公开的影像数据质量参差不齐，各家医院也不会向彼此公开有标注的影像资料，且既有资料错误较多，不同仪器得到的影像数据各有不同，严重限制了创业公司获取数据的能力和在手数据的质量。
第三，对相关产品需求最大的基层医院IT系统条件差，缺乏足够的资金采购尚不成熟的软件或服务。
从商业模式上分析，该领域的创业公司商业模式十分接近，主要的商业模式都是选择具有强烈需求的科室和发病率较高且存在并发症的疾病，利用图像识别技术降低读图/看图时间，提升医生判读的准确性，弥补影像医生严重不足的问题，以减少医生误诊和漏诊的几率。患者的影像数据由AI医疗工具进行定性或定量分析，结果供医生判读并确认特征位置恶性与否，严重程度如何。不同创业公司有各自专注的领域，如推想科技，关注的领域在肺癌及心胸疾病；汇医汇影可以对胸部、脑部、腹部；肺癌、乳腺癌、直肠癌、胃癌、宫颈癌、卵巢癌、鼻咽癌、前列腺癌等进行识别；羽衣甘蓝聚焦的领域在宫颈癌、乳腺癌、肺癌、糖尿病、肠息肉。
AI+医疗影像类的创业公司主要的销售渠道是通过医院获得建立与医生联系，部分创业公司通过医疗IT解决方案进入医院的信息管理体系，进而成为医疗影像识别工具的天然提供方。如汇医慧影，以医疗信息化解决方案提供方的身份切入，帮助医院建立云服务平台和数字医疗环境，从而进入医院体系获得数据。连心医疗：通过帮助医生搭建肿瘤治疗信息系统的方式，获得患者相关数据。
AI+医疗的核心业务主要涉及以下几个方面：研发覆盖多种疾病的算法模型；持续扩大数据量级和覆盖病种，覆盖影像数据、病灶重点标注数据、诊断报告等，形成数据闭环；建立算法模型，采集和整理医疗数据，不断对算法模型进行提升；以用户为中心，处理好与医生的合作关系，充分融入医生的工作环境，建立彼此的信任；做好影像数据的保密工作，确保系统稳定性。
AI+辅助诊疗
辅助诊疗是“AI+医疗”的重要目标。医疗大数据是辅助诊疗落地的基础，辅助诊疗也与医院管理密切相关。从事这个领域的创业公司通常在医疗大数据基础上提供病历结构化、分级诊疗、DRGs（诊断相关分类）智能系统、医院决策支持的专家系统等多种产品。辅助诊疗能够从诊断和治疗环节为医生提供建议和帮助，真正实现基层医务人员水平和效率的提升，与国家推行分级诊疗的思路保持一致，具备较大的发展前景。
目前AI+辅助诊疗行业的发展瓶颈主要有以下几方面的原因：现有医疗数据尚未完全电子化；医疗数据整理成本较高，时间周期很长；技术尚未成熟，效果有待进一步验证。
从商业模式的角度分析，辅助诊疗主要是通过建立完整数据库，包括从门诊到随访的全程数据，从医生需求出发提疾病预测、辅助诊断和治疗建议功能，也提供科研、统计等服务。在前期阶段通过与医生合作收集医疗信息并对信息进行整理加工，形成完整的医疗大数据体系。之后对医疗大数据进行分析，为医生诊断和治疗提供建议，其核心业务通过多种方式对非结构化的数据进行处理，形成知识图谱，基于知识图谱完成认知计算，收入来源包括软件出售和使用授权收费。
从目前“AI+医疗”的发展情况来看，辅助诊疗巨头最有可能从医疗IT企业发展而来，上文提及的影像识别是辅助诊疗发展路径中的一个环节。医疗大数据为整个辅助诊疗提供数据基础。医疗IT行业已经基本成熟，并产生了大量的上市公司，但总体盈利能力有限。影像识别的业务相对别的“AI+医疗”应用场景相对成熟，但尚未找到稳定的盈利模式。辅助诊断和辅助治疗的市场空间十分广阔，但以Watson、惠每医疗和连心医疗为代表的创业公司刚刚建立，仍处于发展早期阶段。
AI+健康管理
健康管理是“AI+医疗”大领域内最接近消费者的部分，对AI各类技术的综合应用要求较高，主要分为营养管理、身体健康管理等几类。个体进行健康监测的愿景正在变得接近现实，部分原因在于DNA测序成本的极大降低，也在于生化分子测量成本的极大降低。
目前AI+健康管理的业务瓶颈主要有以下几个方面：
1)潜在消费人群尚未形成健康管理意识；
2)用户数据来源分散，数据孤岛现象严重；
3)技术尚未成熟，效果有待进一步验证，用户体验有待提高。
从商业模式上分析，“AI+健康管理”通过人工智能对用户的微观数据进行分析，并对用户行为进行干预，帮助个体用最小的代价保持健康。其核心业务主要是通过图像识别了解摄入的食物，结合智能穿戴设备等硬件设备提供的数据，分析用户的健康水平，并进行行为干预。
“AI+健康管理”的市场空间较大，但仍处于早期发展阶段，其中AI营养师细分领域的成熟度相对较高，但依然没有探索出稳定的盈利模式。
“AI+医疗”投资逻辑
根据技能要求和紧急程度可以将AI潜在的应用场景分为四个象限。医疗行业处于技能要求高、紧急程度高的象限（右上）中。综合互联网行业发展历程来看，优质的互联网创业项目能够通过打造通过标准化的服务和产品，将处于右上象限中的应用场景逐步推向技能要求低、紧急程度高的象限（右下）中来。AI有望通过类似的方式对医疗行业进行改造。
医疗与人的健康息息相关，具有复杂程度高，风险大等特点。对“AI+医疗”类的标的，应从临床需求出发，判断AI对医疗带来的价值，选取在医疗行业扎根较深的医疗IT公司作为合作伙伴，寻找那些使用AI相关技术手段打造诊断和诊疗环节可标准化的服务和产品，真正提升基层医生的诊断和治疗能力的创业公司。
对于 “AI+医疗”类项目，我们认为应该以以下几个方面为核心的判断标准：
1、获得数据的能力：优先考虑可以通过人脉、技术实力等途径获取数据的标的，避免出现需要花钱买数据的情况。
2、商业模式得到初步验证：订单爆发、客户体验转好、技术成熟度提升、服务成本下降等。
3、发展战略清晰：现有“AI+医疗”创业公司多数面临业务转型的压力，创始人需要对标的公司未来的发挥方向有清晰的认识和可行的计划。
4、拥有自身造血功能：优选已经获得稳定的订单且可以预期未来业务持续稳定增长的标的。
