2023医疗人工智能行业报告：从边缘跃入核心医疗人工智能重押治疗

前言断和治疗的范畴，生根于医疗场景中的每一个角落。意味着这一算法能够成功回收过往投入的海量资金。分其中企业的实际进展。第一章人工智能，已是医疗领域必不可少的一部分 1.1超百个AI获批三类医疗器械，AI跃出辅助诊断 1.2近百项AI赋能的管线进入临床试验，但无一行至上市阶段 41.3信息学重构进行时，基础设施建设成为最大壁垒 6第二章资金流速回暖，医疗人工智能进入稳步发育期 92.1二级市场考察：AI盈利尚有距离，疫情影响增速普遍放缓 92.1.1看重研发投入，数字医疗尚未实现规模化盈利 92.1.2持续亏损，AIBiotech还需稳定营收来源 132.1.3多家企业交表，国内AI制药崛起 2.2一级市场考察：宏观遇冷，影像放缓 2.2.1深入治疗，手术相关的影像学AI撑起融资规模 2.2.2稳步向前，多家AI企业收获亿级大单 第三章在逆势之下存活，医疗人工智能仍需高频创新 3.1标准制定，影像AI进入医保的可能前提 3.2模式创新，再寻AI盈利源动力 3.2.2医院影像数据治理 3.2.3深入治疗领域 263.2.4合作政府覆盖基层医疗 3.2.5成立医院 3.3以数据为核心，新技术改变AI格局 28 293.3.2重构医学科研 31第四章大模型入局，医疗人工智能再遇新变量 4.1九大应用场景，大模型已潜入医疗 344.2部署与应用局限发展，大模型暂时难以规模落地 364.3机遇与挑战并存，大模型有望成为颠覆医疗的下一项技术 4.3.1大模型的发展趋势 4.3.2大模型的发展面临的挑战 第五章三大赛道，汇聚医疗人工智能核心竞争力 数坤科技：数字人体平台2.0，扩大医疗AI赋能半径 41鹰瞳科技：诊疗一体化布局更进一步，保险创新业务进展迅速 深睿医疗：手持9张AI影像三类证，迈向全场景AI 45深智透医：差异化布局影像增强，有望突破医疗AI盈利难题 MANTEIA：提供高效精准的放射治疗全流程解决方案 49深至科技：持续投入软硬件一体化，加速小型医学影像基层应用 医准智能：算法技术与应用场景再获突破，超声新品研发迅速 悦唯医疗：AI赋能血管介入场景，产品覆盖冠心病外科诊疗全流程 图表目录图表1历年AI产品三类证获批数量 2图表2医疗AI产品不同病种三类证获批情况 3图表3全球AI参与研发的进入临床阶段且处于活跃状态的管线临床阶段分布 4图表4全球AI参与研发的进入临床阶段且处于活跃状态的管线分类 5图表5医院管理系统传统架构与AI加持的架构的对比 6图表6医疗AI企业营收数据对比（单位：万人民币） 9图表7医疗AI企业净利润对比（单位：万人民币） 图表8医疗AI企业研发支出（单位：万人民币） 图表9医疗AI企业资产负债率情况 图表10各医疗AI营收利润分布（单位：亿美元） 图表11Schrödinger管线（合作部分） 图表12英矽智能2022年及2021年营收情况（单位：千美元） 图表13晶泰科技2022年及2021年营收情况（单位：千人民币） 图表14医疗AI不同赛道融资情况 图表15AI影像各个轮次融资事件数和金额（单位：亿人民币） 图表162023统计年AI制药融资用途 图表172023年部分药企与AI企业间的合作 20图表18SYNTAX评分难点 图表19SYNTAX评分标准的冠脉血管分段示意图 25图表20生成式AI应用于影像增强 图表21不同类型企业参与医疗大模型开发的特点 37图表22医疗AI应用层产业图谱 图表23数坤科技产品布局 图表24鹰瞳科技AI版图 图表25DeepwiseMetAI实 45图表26深智透医影像增强与重建解决方案 47图表27MANTEIA放疗全流程解决方案 49图表28深至科技小型化AI超声 图表29“所见即诊断”超声动态实时智能分析平台2.0内涵 图表30悦唯医疗重症冠心病全流程创新解决方案 56今天，大量数智化应用已能无缝嵌入医生工作流程。此形势下，医疗AI发生技术突变的概率陡然下降，成熟产业对于成本的控制更为有力。这一状态对于医疗AI产业而言有利有弊。利在当绝大部分企业开始重视产品销售与成本控制时，缺乏成果的细分赛道开发暂时中止，医疗AI企业的亏损规模不断收窄，整个行业的前景日渐明晰。弊在各项支出的紧缩及宏观环境监管的趋严，医疗AI整体创新能力有所下滑，迫使不少投资方调低对于该产业的未来预期。多种形式下，医疗AI的三大应用场景——影像学、信息学、生命科学——均展现出截然不同的发展路径。2023年间，国内影像学AI的研发、销售平稳向前推进，生命科学AI行至二级市场边缘，信息学方面的AI低调融入各类系统，并借助大语言模型尝试技术内核的跨时代升级。本章中，我们将借助数据这一要素，展现当下医疗AI各重点赛道的技术发展形势，为后续章节融资潜力、商业模式及技术范式创新奠定基础。在FDA、MDR、NMPA等主流监管执法机制下，绝大部分产品影像学AI因其数据性质满足医疗器械数据要求，均被视作医疗器械进行审批。此背景下，作为影像学AI的商业化充分不必要条件的第三类医疗器械注册证，其数量一直是衡量赛道发展形势的重要指标。近6年来，第三类医疗器械注册证年通过量一直保持高速增长，尚未出现增速放缓的迹象。截至2023年10月31日，国内已有118款智国家药监局公布的审评审批数量已至44个，超越了2022年的32个。至此，影像学AI审评审批体系趋于成熟，相关AI的注册准入步入常态化，智慧化的应用或将在数年后覆盖整个临床体系。图表1历年AI产品三类证获批数量数据来源：公开信息整理具体分析历年AI注册证分布情况。2020—2021年获批的影像学AI以辅助诊断类AI为主，内含基于深度学习的分析模块，作用于特定影像设备下的特定病种。2022年辅助诊断类AI仍是主流，但多了一定数量的放疗规划、心电分析、病理分析应用，AI应用场景进一步拓2023年延续了过往的趋势，不同之处在于各类智能手术机器人规划导航类应用相继获批（总从公司角度看，辅助诊断类AI企业持有的三类证数量较多。拥有11张三类证的联影集团目前位列数量榜的第一（联影智能7张、联影医疗3张、联影智融1张），深睿医疗、数坤科技均有9张并列第二，推想科技、博动医学、医准智能紧随其后。相较之下，辅助治疗类AI企业持有的三类证数量普遍在1—3张左右，市场准入相对滞后。图表2医疗AI产品不同病种三类证获批情况数据来源：公开信息整理从病种方面看，肺结节、肺炎、眼底等拥有公开数据集支撑的病种对应的AI最易获批，是各企业实现AI商业化的重要抓手。此外，企业们也通过海外引入或与三级医院合作，将心脏、血液、脑、骨等器官/系统纳入AI落地的新途径。超声被认为是医疗AI下一个增长点，已在注册准入上迎来突破。2023年8月，德尚韵兴甲状腺结节超声影像辅助诊断软件率先获得NMPA批准，医准智能、深至科技的AI超声解决方案也有望在后续逐步获批。此外，国内的小型化超声软硬件也在不断发展，比如深至科技着力推动基层医疗超声筛查，在小型化超声智能化方面已经有完整布局。目前，深至科技已经搭建起超过十余类、30多个病种的算法模型影像数据库，以及超声影像云中心，实现AI超声辅助诊断病种覆盖二十余病种。随着超声AI三类证破冰，超声AI的应用会进一步扩大。智能手术机器人规划导航类应用的发展与手术机器人的发展深度绑定。近两年来，骨科、腔镜、泛血管、经皮穿刺、口腔等细分领域手术机器人的获批加速了相关智能化应用的推陈出新。但鉴于2023年下半年手术机器人市场暂时降温，2024年的智能规划导航类应用的注册数量可能会有所下移。转向治疗赋能的过程中，初创公司在AI的多样性方面发挥了重要作用。以AI在放疗领域中的应用为例，过去研发相关智能技术的企业多为东软智睿、联影医疗、大医集团、医科达、瓦里安、安科锐等国内头部影像企业及世界放疗巨头，但在近两年时间内，柏视医疗、MANTEIA、连心医疗、医诺智能等初创公司也陆续获得市场准入。外科手术方面也存在同样的趋势，联影智能、键嘉机器人、纳通医疗、长木谷医疗等初创公司在口腔、骨科等领域获批第三类医疗器械，深睿医疗、数坤科技、推想科技等老牌AI辅助诊断类企业也在探索开拓新产线的可能。AI在制药中的应用纷繁复杂，贯穿整个制药流程，很难对比评估各AI之间的价值差异。不过，通过计量AI参与研发的药物在临床试验中的推进情况，我们能够粗略衡量AI对于生命科学行业的影响。据蛋壳研究院不完全统计，截至2023年11月，进入临床的生命科学AI管线已有16款停止研发或从官网撤下，1款药物被降低了临床试验优先级。不过，管线总量仍在以较快速度持续增加，全球处于临床阶段且保持活跃状态的AI参与研发的管线总计97项，超过一半的图表3全球AI参与研发的进入临床阶段且处于活跃状态的管线临床阶段分布（不完全统计，截止时间2023年10月）数据来源：公开信息整理这些管线有67项来自国外，占比69.07%，30项来自国内，占比30.93%。英矽智能、冰洲石科技、未知君、埃格林医药、药物牧场、锐格医药等企业均有多条管线同时进行临床试验，推动中国进入AI制药全球领先队列。自研新药是目前生命科学类AI企业研制新药的主要模式。上述管线中，85.57%的管线为企业自研管线，14.43%的管线为合作研发管线，多为生命科学类AI企业协助大型药企进行研发。合作研发的管线数量虽少，却多为老牌生命科学类AI企业所持有。Exscientia现有的两条进入临床的管线分别来自于百时美施贵宝、湃隆生物；英矽智能负责推进AulosBioscience图表4全球AI参与研发的进入临床阶段且处于活跃状态的管线分类（不完全统计，截止时间2023年10月）数据来源：公开信息整理需要注意的是，Schrödinger、BioXcelTherapeutic等AI企业经手的已经上市的药物均来自收购，进入临床Ⅲ期的管线也多为老药新用。换句话说，生命科学类AI公司自研且进入临床阶段的管线均处于临床Ⅰ期或临床Ⅱ期，尚无药物对于生命科学类AI而言，若想获得可观的营收、创造有力的价值，唯一的方式就是自研或协助MNC取得获批上市药物。2023年间尚无满足上述条件的药物突破临床Ⅱ期，一定程度降低了市场对于生命科学类AI的估值，进而导致年内合作及投资收紧。不过，AI技术对于制药行业的价值仍需时间验证。虽无法抵达许多人预期的80%—90%的研发成功率，但若能将7.9%（BIO、InformaPharmaIn期为2011至2020年）的平均成功率提升至10%，已能有效加速新药的产出，释放足以匹配如今投资规模的价值。相较于影像学和生命科学开拓的创新市场，信息学AI面临的是一个相对传统的市场，缺乏创新的弹性，因而形成了差异化的研发思路。影像学和生命科学将AI作为核心技术底座，形成独立产品或解决方案。而在信息学中，除专科CDSS以独立产品形态进行销售，绝大多数AI以支撑技术存在，置于成熟产品或解决方案中，通过优化性能、提供额外服务提高竞争力。不过，这一属性并未干涉医疗IT企业对于信息学AI的开发热情。一方面，卫宁健康、东软集团、东华医为等头部医疗IT厂商已对医院信息管理系统的架构进行调整，使其能够更好适应智能化应用的运行，更便捷地实施智慧化的医院管理，不断降低医院日常运营中出错的可能；另一方面，数字疗法的崛起强化了AI在人机交互、量表分析、智能预警、质量控制等场景下的能力，帮助信息学AI跃入治疗领域，进一步发挥数智价值。图表5医院管理系统传统架构与AI加持的架构的对比数据来源：卫宁健康此外，大语言模型的出现为医疗IT的重构提供了新的抓手。新的自然语义处理能力支撑下，过去的智能问诊、智能电子病历生成、智能随访等涉及文本信息的环节将迎来划时代的产品体验提升，进而颠覆医生的工作流程。需要注意的是，基于LLM的应用研发仍处于探索阶段。该技术严重依赖环境，需要医院同时满足基础设施的构造与智能算法的部署。如今开源节流大环境下，愿意为其付费的医院尚未形成规模。因此，信息学AI的迭代仍需大量时间验证价值。历经十年发展，多个医疗AI赛道已从蓝海转为红海。当前阶段下的AI企业要寻求外部资本支持，仅仅依靠未来价值已难以让人信服。因此，无论一级市场还是二级市场，AI企业必须凭借可靠的经营能力进行支撑。因此，本章着重考察现阶段各医疗AI企业商业化能力，找出影响医疗AI未来发展的各类因素，进而判断众多经营方式中，哪些行之有效，哪些仍有待打磨。经历了2021年的递交招股说明书热潮后，医疗AI迎来了漫长的上市平淡期。2022年9月至2023年12月，国内仅AI制药企业英矽智能和晶泰科技递交了招股说明书，成功上市的医疗AI企业寥寥无几，具体分布与2021年并无差异。为分析影像学及信息学的AI企业经营现状，蛋壳研究院在全球范围内选取了医渡科技、鹰瞳科技、Lunit、NanoxAI四家海内外具有代表性的医疗AI企业。其中，医渡科技以医学数据智能平台，建立真实世界疾病领域模型文明；鹰瞳科技的糖尿病视网膜病变辅助诊断软件曾率先获得NMPA颁发的第三类医疗器械注册证；Lunit布局AI影像和AI病理，曾在单年企业ZebraMedicalVision后更名而来，是美国影像学AI中的典型代表。从营收来看，医渡科技在最近一个财年的营收有所下滑，鹰瞳科技基本持平，Lunit和Nano-XImaging的营收则实现了大幅增长。图表6医疗AI企业营收数据对比（单位：万人民币）数据来源：公开信息整理医渡科技2023财年营收为8.05亿元，较去年同期的12.37亿元下滑34.96%，为上市以来营收首次下滑。不过，年度亏损和经调整净亏损分别为6.32亿元和4.49亿元，亏损幅度较去年有所收窄。分析营收下滑原因，大数据平台和解决方案、生命科学解决方案、健康管理平台和解决方案三大业务板块的收入均在向下波动，但顶级研究型医院、监管机构和政策制定者的客户数量有增加，说明公司客单价有所下降。鹰瞳科技2022年营收为1.14亿元，小幅下滑1.32%。鹰瞳科技受限于疫情期间线下活动限制，例如其重要布局城市上海曾在2022年上半年期间因疫情原因闭门三个月，一定程度影响了全年营收。年报数据显示，公司客户数量从2021年的244个增至397个，同比增长62.7%，共完成检测量432.98万次，虽说检测量较2021年下降了12%，但检测平均收费较2021年提升了4.5%，发展势头良好。医疗AI从院内走向院外是重要趋势，鹰瞳科技在院外已经布局了保险、眼视光中心、药店、政府视力筛查项目场景。2022年公司针对眼健康管理场景的鹰瞳眼健康收入增加至4360万，同比增长74.67%，AI解决方案覆盖国内超过1200家视光中心，表明医疗AI在眼科健康管理场景中的发展前景广阔。Lunit营收2022年营收为139亿韩元（约7564万人民币），同比增长108.90%，主要原因在于LunitINSIGHT以及LunitSCOPE两大业务线营收均增加，胸部X成像AI解决方案CXR实现了6918百万韩元的营收。Nano-XImaging2022年总收入为860万美元，AI解决方案的销售额为30万美元，可以看出AI产品贡献的营收较低。从净利润情况看，医疗AI的规模化盈利能力还不理想，4家企业均处于净利润为负的状态，不过医渡科技和Lunit的亏损正在收窄。医渡科技归母净亏损6.28亿元，同比减少17.62%，原因在于销售成本和行政成本有所降低；鹰瞳科技归母净亏损1.80亿元，亏损同比扩大归母净亏损1.13亿美元。图表7医疗AI企业净利润对比（单位：万人民币）数据来源：公开信息整理一个显著的变化是，鹰瞳科技的毛利率在2022年有明显的下降，从61%减少至41.9%，原因是公司业务线中增加了对于B端、C端硬件设备的投入。不过，鹰瞳科技2023年的中期业绩给了行业一个积极的信号。公司2023年上半年营收8250万元，同比增长120.6%；鹰瞳医疗、鹰瞳健康、鹰瞳眼健康分别同比增长137.3%、26%、307%；毛利润5136万元，同比增长132.7%，净亏损4102万元，同比收窄率62.3%，增长3.3%。在医院、患者越发刚性的眼健康管理、治疗需求下，眼科AI影像的商业价值正在成熟，加速获得医院、体检机构、健康管理中心的认可。研发支出方面，各家企业的认知开始分化。医渡科技研发成本为3.43亿元，鹰瞳科技研发支出为1.26亿元，同比增长95.4%，超出公司全年营收10.5%；Nano-XImaging研发支出为2651万美元，超出营收300%。医渡科技对标医疗IT类上市企业，其研发投入位于中位水平；鹰瞳科技、Nano-XImaging对标影像学AI创业公司，鹰瞳科技图表8医疗AI企业研发支出（单位：万人民币）数据来源：公开信息整理回顾鹰瞳科技的近年，保证销售成本与研发支出的同规模变化是其快速商业化，趋近扭亏为盈的重要手段。行至上市阶段，医疗AI企业必须重点考虑盈利问题，将资金一味投入研发抢占生态高地的发展模式，已经不再适用于这个时代的AI领域。资产负债率方面，医渡科技、鹰瞳科技和Nano-XImaging均处于较低的水平。伴随行业日趋稳定，单个AI产品的研发支出测算日益精准，企业无需承担过多财务风险进行大规模债权融资，因此资产负债率低。图表9医疗AI企业资产负债率情况数据来源：公开信息整理目前全球范围内登陆二级市场的生命科学AI企业已经达到两位数，但除加拿大生命科学AI公司AbCelleraBiologics外无一盈利。AbCelleraBiologics是一家抗体研发公司，使用其自研的AI驱动抗体发现平台通过分析天然免疫系统数据库来寻找可以开发为药物的抗体。2022年间，AbCelleraBiologics实现营业收入4.85亿美元，同比增长29%；净利润1.53图表10各医疗AI营收利润分布（单位：亿美元）数据来源：智药局、蛋壳研究院支撑该公司2022年营收利润双增长的主要因素为“版税”，即与合作伙伴礼来销售的Bebtelovimab分成，贡献收入4.43亿美元，同比增长35%。Bebtelovimab是AbCellera为礼来开发的第二款新冠中和抗体，曾于2022年2月获得FDA的紧急使用授权（EUA同月礼来与美国政府签订了总金额达7.2亿美元的Bebtelovimab订单。不过，AbCelleraBiologics的优异表现未能助其止住市值的骤降，失去Bebtelovimab这一重要的吸金法宝，AbCelera四季度的收入仅仅为2150万美元，占2022年总收入的4%。如今，除了Schrödinger，其余上市企业的当前市值已远低于上市市值，不少企业已经从“独Schrödinger稳定的市值与其同大药企的高效合作有一定关系。2020年11月，Schrödinger与BMS达成合作协议，筛选5个候选药物，协议金额最高可达27亿美金；2021年8月，再鼎医药licenseinSchrödinger技术平台，合作金额为3.38亿美金；2022年10月，礼来与Schrödinger达成协议，筛选一款候选药物，协议金额最高可达4.3亿美金。2022年12月，武田以首付款40亿美元，总金额60亿美元的价格从NimbusTherapeutics手中买下了活动性银屑病关节炎治疗药物NDI-034858（现更名为TAK-279）进一步肯定了Schrödinger合作开发，目前武田已将其推至临床Ⅲ期，距离上市只有一步之遥。此外，Schrödinger丰富的管线布局及多元的商业模式亦为其有效分担了风险，使其能够在行业估值整体下行之际维持市值的稳定。图表11Schrödinger管线（合作部分）数据来源：Schrödinger官方网站不过，自研药物的AIBiotech在追逐高回报的同时亦需要承担较大的失败风险。当投资方开始日渐谨慎，不少企业已经开始AICRO业务，尽可能地规避下行时期的高风险。初创企业方面，数坤科技、科亚医疗、推想科技曾于2021年递交了招股书说明书，英矽智能、晶泰科技则于2023递交招股说明书。从他们的招股数据中，我们能够一窥AI行业最前沿的势态。2023年，数坤科技再度启动IPO，其上市辅导备案登记已经获北京证监局受理。数坤科技选择了平台化发展的策略，致力于构建数字人体，是全球唯一一家在心、脑、胸、腹、肌骨关键领域同时拥有NMPA三类证的医疗AI高科技企业，无论是产品数量还是获证US、DSA、钼靶等多个模态，同时也全面覆盖了疾病筛查诊疗的各个环节，实现了疾病全流程的高精度导航协同和精准诊疗。旗下数字医生产品已经在全国超3000家医疗健康机构高粘性日常使用，包括超90%的百强医院及80%的目标公立三甲医院，市场覆盖率行业第一。在覆盖了大量赛道，形成平台级的完整解决方案之后，数坤科技将迎来营收与市场占有率的双重提升，这是数坤科技重启IPO的底气所在。AI制药板块，英矽智能在2023年6月，晶泰科技在2023年11月递交招股说明书。商业模式是当前影响AI制药企业营收表现的关键要素。AI制药行业的主流商业模式包括以提供软件平台服务为主的SaaS供应商，以Schrödinger为代表；主要开发内部研发管线的同时为BigPharma、CRO、Biotech等在内的多类药物研发公司提供项目合作开发业务。目前，英矽智能开发出覆盖特发性肺纤维化、肿瘤、免疫学的超30个在研管线，为全球TOP20制药企业中的10家提供AI药研服务，并与复星、赛诺菲等大型制药企业建立战略合作。研发支出从3848.9万元美元增加到7817.5万美元。管线进展上，英矽智能核心产品ISM001-055已经启动Ⅱa期临床试验，主要用于通过抑制TNIK治疗特发性肺纤维化相关适应症。图表12英矽智能2022年及2021年营收情况（单位：千美元）数据来源：公开信息整理与英矽智能的商业模式不同，晶泰科技在定位上更符合AICRO模式。晶泰科技开创了结合量子物理、AI和机器人技术的创新研发平台，融合医药企业与医械企业的服务模式建起三大业务，分别为药物发现解决方案、固态研发服务、自动化研发实验室，自研药物或为客户提供多元CRO服务。招股说明书显示，晶泰科技服务过的客户超过200家，2020年、2021年、2022年和2023年1—6月的营收分别为3563.6万元、627上升趋势，同期经营亏损分别为12632.1万元、29943.2万元、52531.4万元、24695.7万元，与营收同向增长。图表13晶泰科技2022年及2021年营收情况（单位：千人民币）数据来源：公开信息整理目前，晶泰科技已借自研或合作研发的方式建起10条管线，XBD-101已通过IND，即将步入临床试验环节。在AICRO角色之外，晶泰科技也在布局对初创企业的孵化投资，包括希格生科、剂泰医药、默达生物等，加强业务互补。回顾过去几年，AI影像是医疗AI板块率先获得资本瞩目的板块，在几年间迅速累积了数百亿资金，驱动多个AI影像产品进入商业化落地阶段，多家AI影像企业迈入二级市场。到2023年，流向AI影像板块的资金仍然充沛，但偏好辅助治疗而非辅助诊断。AI制药作为2022年的热门板块，在2023年正面临商业前景不明朗的瓶颈问题，融资热度有显著下降。另一方面，作为底层技术，AI在完成技术验证后，其医疗应用场景正不断多元化。2023年间，不少投资人落足于眼科、口腔、中医问诊、健康管理等领域内，寻找AI新的价值点。医疗AI板块一共完成了170笔融资，融资总额161.24亿元人民币。2023统计年的融资事件数较2022年同期的127件和2021年同期的112件发生了较大规模的增长，分析其原因，辅助诊断AI向辅助治疗AI的转型及基于影像的手术导航、手术规划类AI的崛起，共同拉高了AI影像与AI信息化企业融资规模。图表14医疗AI不同赛道融资情况数据来源：公开信息整理AI影像融资当前更偏向商业落地。即便是在早期A轮融资阶段，产品申报注册和商业化情况也已经是资本投资的重要考量因素。譬如，医智影完成了A轮融资，产品“放射治疗轮廓轮融资阶段，公司的二类证产品已经在多家医院应用。图表15AI影像各个轮次融资事件数和金额（单位：亿人民币）数据来源：公开信息整理AI制药板块融资首次降温。2023统计年的融资事件数仅有32笔，与2021年同期的43笔和2022年同期的47笔，有了一定下降。且2023统计年AI制药板块的融资以A轮以下的项目为主。核心原因在于AI制药距离商业化还有一段距离，行业缺乏典型的成功案例，再加上2022年明星产品DSP-1181的失败让行业遇冷。根据统计，融资用途中，仅有完成C轮融资的药物牧场和完成B+轮融资的红云生物将资金用于推进药物临床试验，其余融资均是处于较早期阶段，用于搭建技术平台和推进药物临床前研究。图表162023统计年AI制药融资用途数据来源：公开信息整理另一边，海外GenesisTherapeutics却完成了2亿美元的超额认购B轮融资，这是2023年AI制药领域最大一笔融资；2023年7月，英伟达也宣布向Recursion投资5000万美元。这说明AI始终是生物医药研发效率取得变革的关键因素，随着算法模型、数据分析方法得到针对性的优化，以及随着大模型发展日新月异，AI在制药板块将保持向上发展。信息化板块的融资事件在2023统计年出现了小幅度的增加，共有42笔融资事件。大多数传统的信息化企业已经发展到后期阶段，行业整体变化不大，较大的亮点在于数字疗法企业，2023统计年中，数字疗法占据了AI信息化融资事件25%的比例。生成式AI在信息化板块也有了初步的探索性应用，Glowe阁楼完成A+轮融资，用AIGC赋能心理咨询，万木健康完成战略融资，将加速构建单病种及医生个人知识数据库，通过AIGC重构医患交互场景下的内容创作流并实践探索垂直领域大语言模型应用。尽管一级市场的AI企业没有公布营收规模，但据蛋壳研究院统计，深睿医疗、医准智能、数坤科技、推想医疗、深智透医等AI企业均已实现亿级营收，部分企业有望在2024年实现扭亏为盈。以深智透医为例，该企业AI产品已在中国、美国、欧洲等各个市场加速推进战略，全球超过500家医疗机构及影像中心完成部署，全球订单总量近亿元。最近，这家AI医学影像增北美放射学大会上，展示了基于其AI平台的医疗影像产业智能化升级。医准智能则强调三级医院与基层医疗多场景并行。通过与多省市政府之间的合作，医准智能已借助智在全能影像智能化全面解决方案、粉红关AI乳腺癌智能筛诊疗一体化解决方案、所见即诊断超声动态实时智能分析平台的三大解决方案规模化落地，实现可观营收。生命科学类AI的表现情况与影像AI类似，也在营收方面节节攀升。2021年与2022年间，MNC开始陆续认可生命科学类AI的未来价值，大规模网罗具备AI潜力的生物科技初创公司。许多大药企手持多家AI企业的合作，将自有的管线分而治之，多角度引入AI赋能。这两年内，每一年都有近50项合作达成，近100亿美元的总价值合同规模完成签署。引入AI，成为当时制药界的风向标。相较前两年，2023年合作数量相较前两年略微减少，预付款与合同总价值也有所降低。10个月间，全球范围内已发生艾伯维与AnimaBiotech总价值5.82亿美元的合作；赛诺菲与百图生科超10亿美元的合作；德国默克集团宣布与BenevolentAI和Exscientia12.68亿美元的合作；诺和诺德与ValoHealth27亿美元的合作，证实MNC仍然看重生命科学AI的未来发现前景。图表172023年部分药企与AI企业间的合作数据来源：公开信息整理造成这一原因的因素可能并非有关AI技术本身，头部企业完成布局加之全球经济的波动，MNC们需要花费一些时间去验证AI价值，才能精准计划下一轮的投入。尽管医疗AI的价值已在临床、制药之中得到初步确认，很多医疗AI产品已成为医生日常工作流程中必不可少的一部分，也确确实实为药物靶点、先导化合物等筛选提高了不错的效率，但各家医疗AI的经营情况，却仍岌岌可危。造成这一结果的原因是多元的。其一，对于影像学AI而言，该技术核心需要解决的问题是AI能够提升多少效率，为医院创造多少价值；对于生命学科AI而言，其核心需要解决的问题是AI能否制造一款成功上市的新药。如今没有医保支付模型的支撑，亦无成功通过临床的新药作为案例支撑，AI的购入多个成本项，价值的验证仍然处于悬而未决的状态，没有被精准计算出来。其二，许多AI产品/解决方案的内容、形式过于单一，医院/企业很难为了单一产品付出大量成本，制药企业也没能直观感受到AI对于制药成本的节省作用。换句话说，产品没有达到改善整个产业的地步，进而不足以让客户买单。其三，医疗AI技术本身存在一些问题。譬如，封装AI，扼杀了AI在实践中不断进化的优势。不封装AI，如果在收到AI的建议之后对患者进行干涉，那么AI捕捉不到给定数据下应该发生的结果。这种情况下，运行过程中的AI会在短期高准确率预测后逐渐偏离，预测能力变得越来越差。要解决上述问题，医疗AI企业们首先应该在过往深耕的领域中确立简单可行的价值计算路线，其次需要舍去部分实在无法盈利的技术，及时止损或比死磕商业化带来更多收益。过去数年，全球范围内的影像学企业及相关机构都在尝试用一种公平、标准、易操作的方法横向比较各AI产品的价值。一种典型的手段是在比赛中给定数据集，要求各家企业、高校、研究院使用自制的模型进行自动勾画、分割或是辅助诊断。如今部分医疗AI产品应用落地进入成熟期，产品的性能评价方法应趋于标准化、去随机化，以制定医保支付模型等方式，更为精准地计量AI的卫生经济学价值。在实际之中，无论是医院物价还是支付模型均有企业、政府、监管机构在协力推动，但不够积极。一方面，规模化的物价准入和医保准入中的支付模型验证均需企业耗费大量人力物力执行，取得的成果却无法保证产品取得可观的商业化成绩，使得推进速度受限；另一方面，物价准入与医保准入类似于公共物品，都存在前者投资，后者搭便车的可能，因而率先投入相关研究的企业趋向于隐藏阶段性研究成果，导致行业整体推进速度受限，且易导致单一产品的研究重复进行。要解决这一问题，医疗AI产业需要引入第三方进行牵头，建立产业联盟，统一确立物价准入、市场准入的目标省市、目标病种，合力推动相关研究的进行。理想情况下，联盟不仅能消除物价准入与医保准入的搭便车问题，还能集中资源加速准入进度，避免无谓的重复研究。仍处于研发中的项目同样需要尽快引入规范化、标准化流程助力。具体而言，企业与医院、监管机构等机构共同制定研发中产品的价值计量方案，其具体目标应包括：1.明确真实临床需求：根据需求制定研发路径，防止产品与需求偏离。2.有效控制成本：目前各类AI软件收费偏贵，医院负担多个AI组成的解决方案存在一定压力，3.扩大临床数据集：当前单病种AI使用量不足，导致算法的有效性及鲁棒性难以保障。参考面对类似问题的手术机器人行业，在优化医生流程的过程中，企业应积极同医生探讨临床过程中碰到的问题，比如骨科中某些类型的骨折复位困难，有些螺钉不容易植入到理想的位置，有些内固定不牢固，有些人工关节容易出现磨损，某些手术步骤时间长风险性高有待改进等等。而企业应深入理解相关医学理论，协助医生区分、明确临床中的问题是“科学问床中，进而设计出全方面优于医生传统流程的工具，真正解决临床痛点。这个过程中，传统指标或许已经不再适用，需要重新设计一套有利于AI辅助诊断的指标。总的来说，尽早牵头建立联盟，确立规范共识，将有利于AI设备落地，缩短AI项目扭亏为盈的时间。由于每一项规范共识的建立都意味着大量资金人力的投入，企业与专家需详细设计规则并拟定推广计划，避免无谓损失。数年经营，单纯以向医院销售单病种辅助诊断软件的商业模式进行经营，AI可能无力收回过去投资的海量成本；只提供算法筛选的分子而不对其后期研发进行保障的生命科学AI也未能体现技术的说服力。因此，近年来的医疗AI企业们都在加速模式创新及产品创新，尝试打破单一商业模式困局，尽可能提升其在疾病诊疗链路/新药研发流程中的环节覆盖能力，谋求抓住任何扭亏为盈的机遇。尽管AI三类医疗器械的数量已逾百个，但在浩瀚医疗体系之下，能被赋能的场景不过九牛一毛。因此，挖掘临床真实需求仍是医疗AI企业扩张的关键所在。SYNTAX评分标准及评分系统是贯穿于冠心病诊疗的核心评分标准，该标准于2005年被首次提出，该评分标准由其他冠脉病变程度评分标准及分级标准发展而来，以患者的冠脉解剖与冠脉病变位置、病变程度与病变特点为基础，实现了对患者冠脉病变情况的量化评价。较其他评分标准，SYNTAX评分标准全面地考虑了冠状动脉病变的数目、部位、病变特征等因素，是一种基于冠脉造影（DSA）图像的精确量化评价指标，因此SYNTAX评分在国际诊疗指南中的地位，也高于其他评分系统。不过，SYNTAX评分标准也有其弊端。一方面，DSA是冠心病诊疗中的核心影像学数据，但DSA图像具有难以解读与分析的特点；另一方面，SYNTAX评分过程要求评分者将DSA中的血管分支与SYNTAX评分标准的冠脉血管分段（图1）一一对应，并对各个血管段病变的类型、程度做出准确判断，且要求评分结果应由三位经验丰富的医师分别评分后取平均值，整个过程具有评分难、经验依赖强、耗时、主观性强、准确性难以保证等问题。图表18SYNTAX评分难点数据来源：公开信息整理为提高SYNTAX评分速度和准确性，广泛化SYNTAX评分在临床的应用，创新医疗器械研发公司悦唯医疗开发了一种利用AI方式自动SYNTAX评分工具。为实现SYNTAX自动评分，亟需实现的关键技术包括多视角冠脉血管全提取、分段和结构与非结构病变检测与SYNTAX评分，具体如下：1）基于血流流向分析DSA影像多视角冠脉血管分割与血管分段算法研发：DSA可实现高分辨率小分支血管二维成像，基于多帧连续图像分析血液流向判断重叠血管分割，将多帧连续帧图像信息与多视角DSA信息融合，可获得更准确的血管分段结果。2）狭窄病变检测与结构相关病变不良征分析：针对三叉病变、分叉病变、开口病变、长病变这些与结构密切相关的病变不良征，构建多尺度U-net网络模型精确量化血管半径值，根据病变的位置结构信息判断病变不良征类型，自动实现SYNTAX结构部分的分数计算。3）冠脉非结构病变分析：针对完全闭塞、严重扭曲、严重钙化、血栓和弥漫病变这些无法直接根据血管结构信息直接评分的病变不良征，构建引入融合注意力机制的目标检测模型，得到病变位置和类别的精确估计，自动实现SYNTAX非结构部分的分数计算，从而实现完整的SYNTAX自动评分。4）模型可解释性实现：针对传统方法可解释性不足，临床表现不稳定的问题，构建可解释的深度学习模型，提高结果可靠程度；模型构建方面，根据血管段、结构和非结构类病变的联系构建评分模型，使之符合SYNTAX人为评分的过程。模型解释方面，通过分步交互可视化功能展示图像中影响评分结果的区域，从而令SYNTAX自动评分结果可被解释和分析。图表19SYNTAX评分标准的冠脉血管分段示意图数据来源：悦唯医疗利用SYNTAX评分系统可以实现将DSA图像简化为一个可以分析的数值，基于该数值便可衍生出多种风险预测与诊疗决策模型。因此SYNTAX评分结果应用范围覆盖冠心病诊疗全流程，在术前SYNTAX评分结果可作为血运重建方式选择的核心标准，在术中由评分结果衍生出的STS评分等可作为预测手术风险的重要依据，在术后SYNTAXII评分可以有效预测患者远期预后。悦唯医疗的创新并非孤例，数坤科技、医准智能等企业也在尝试开发新的AI算法重构传统评分系统，进而在不改变临床路径的前提下提升临床效率。自深度学习广泛应用于计算机视觉后，围绕医学影像展开的AI开发催生了独立建设影像大数据中心的需求。因此，不少AI企业在辅助诊断的基础上向上游延伸，尝试在PACS、RIS、PIS等涉及医学影像的业务系统之上，以中台形式搭建一个能够综合管理应用全院所有影像的大数据平台，更标准、更便捷、更经济的方式对影像类数据进行汇总，进而推动相关科学研究的进行。作为医疗数据大国，我国的影像数据占据了80%—90%的份额，维持30%的增速持续增长，但大量数据停留在纸质化的阶段，超过80%的数据为非结构化数据。因此，围绕影像展开的医疗大数据中心建设能够有效触及此类需求，传统医疗IT企业及深睿医疗、汇医慧影等AI企业均围绕此业务深化信息化布局，一方面为医院搭载治理影像数据的平台，另一方面借助平台协同医院推出新的AI解决方案。现有的医学影像大数据中心通常具备两类智能。其一为集成智能化影像应用。伴随AI技术的规模落地，一家医院常常会安装多个AI辅助诊断应用。为了方便医生在不同应用之间无感切换，医学影像大数据中心可以起到业务中台的作用，将众多AI软件集成，便于医生使用。同时，大数据中心还可以通过互联网实时上线新的AI应用，医生需要时可直接联网下其二为助力影像数据资产化。由于影像数据库本身体量较大，医院很难精准评估影像数据库的真实价值，亦无心对其进行定期维护，可能在数年之后需要调阅时才发现文件发生损坏。在这一场景下，影像大数据可以助力影像数据治理，在数据生成后便及时打上标签并归类，并注明其可能存在的价值。核心能力外，还有一些企业的大平台会打造一些特色功能。以深睿医疗新发布的DeepwiseMetAI智慧影像&数据新平台为例，该平台以计算机视觉、NLP、深度学习等AI技术为基础，实现影像扫描后重建、打印、诊断、会诊、教学、科研的一站式影像科全周期智能管理。这个过程中，深睿医疗能够帮助医院生产高效精准的结构化数据，逐步积成影像科的优质数据资产。同时，深睿医疗也在借助大数据平台打造以科研创新及应用为导向，实现数据到成果再到应用的创新闭环模式，加速科研成果转化，助力学科高水平发展。目前，深睿医疗已与四川大学华西医院、南京市中医院、浙江大学医学院附属儿童医院等国内多家医疗机构合作，依托全院级科研数据中心，探索疾病智能化诊疗的新模式、产出高质量的成果、全面促进成果转化。医疗AI通常偏好横向拓宽，通过不断赋能新的病种，实现单个科室的多应用覆盖。但要从一个科室跃至全部科室，医疗AI则需采取纵向延伸，打通单个病种的筛、诊、治全流程赋最初一批切入治疗环节的AI以放疗靶区勾画、放疗手术计划为主，国内初创公司中已有连于2020年3月获得美国FDA的批准，成为中国第一个获得FDA认证的基于AI的放疗影像工作站及自动勾画软件。神经介入手术方面，强联智创率先突围，其颅内动脉瘤手术计划软件可用于脑血管病患者X射线血管造影三维体层图像的显示、分割、测量和处理，辅助医生在神经介入手术时进行动脉瘤弹簧圈栓塞用的微导管路径和塑形规划。2022年较多骨科手术机器人进入商业化阶段。尤其是腰椎、髋关节、膝关节三个部位的手术，均有多个AI企业完成布局。肿瘤外科这一领域今年也有不少AI企业完成突破，或在2024年初公布新的审评审批成果。相较于医疗资源丰富的三级医院，基层医疗显然更需要也更值得AI落地。因此，基层医疗一度被视为医疗AI最快实现商业化的医疗场景。不过，该场景也有其局限性。近100万元定价的辅助决策软件对于三级医院而言不算昂贵，却早已超过了基层医疗的承受范畴。此形势下，要拿下基层医疗这一场景，必须为其找到合理的支付方。基层医疗当下的潜在支付方包含三个来源，一是区域卫健委、二是政府、三是医联体、医共体中的上级医院。尤其是政府与医联体，能够因为辅助诊断AI的引入获取额外收益，更有可能为辅助诊断AI进行支付。影像AI企业医准智能便借助“粉红关AI”乳腺癌智能筛诊疗一体化解决方案与北京、上海、广东、浙江、贵州、新疆、云南等地区的政府取得合作，助力基层妇幼保健院及基层医院进行乳腺癌筛查能力建设。协助地区完成《健康中国行动（2019-2030年）》提出的“2022年农村适龄妇女两癌筛查覆盖率要达到80%，到2030年达到90%”防治目标，并将AI技术带到基层老百姓身边，同时完成自身的商业化落地。此外，也有企业为了匹配AI的能力进行硬件的研发。譬如，深至科技便研发了便携式超声及便携式磁共振，并建立了覆盖模式、技术、履约体系、落地服务体系等多维度要素的产品足多种医疗需求，赋能基层医疗机构。人工智能医院在形式上类似于互联网医院，但又之稍有不同。互联网医院诞生之初面临的是一个医患缺乏沟通渠道的环境，要解决的是“就医难”的问题。因此，互联网医院主要做的是连接这一职能，将患者与医院连接起来，解决其中的信息不对称，其本身不提供医疗服务。相较之下，人工智能医院它实现的是由间接医疗向直接医疗的转变，它以互联网为基础，建立实体医院将功能延展至治疗环节，并全方位引入数智化技术进行赋能，解决区域医疗难题。乌镇智能医院是国内首家人工智能医院，意在提高基层医疗的影像诊断水平、基层医疗的诊疗效率、慢病管理的便捷性和达标率以及医疗服务质量。目前，乌镇智能医院已经上线的诊能+个性化康复”四大模块，可以有效提高基层医疗的影像诊断水平、基层医疗的诊疗效率、慢病管理的便捷性和达标率以及医疗服务质量。此外，乌镇智能医院也将AI深度嵌入医院管理系统。实际运营过程中产生的所有临床、管理、健康等数据均能以标准化格式归档。此形式下，院内医生能够以更为便捷的方式实践数据挖掘，加速科研产出；医院管理者亦可实时获取医院运营现状，及时作出决策。医疗AI数年来的商业化经验已经验证，汇集全国最优质医疗资源的三级医院并非AI服务最为优质的买方。因此，乌镇智能医院没有将核心业务放在诊中环节，而是聚焦于非一线城市最为薄弱的诊前环节与诊后环节。诊前环节，乌镇智能医院的承建方健培科技为其引入以大语言模型为基底的诊前助手，该应用可通过微信小程序、线下终端等多个入口为患者提供媲美真实医生的导诊服务，还能根据患者主诉提供个性化建议，成为与患者贴身相伴的健康助手。诊后环节，乌镇智能医院借助大模型为每一位患者建立其独有的“数字孪生体”，用以洞察患者不同时间下的身体变化。一方面，这项技术能够直观展示患者各脏器的形态及病灶变化情况，便于患者随时了解身体状态，理解病情，甚至共同规划后续的治疗、康复方案。另一方面，大模型下的数字孪生能基于一定时间段的信息对患者的未来疾病发展状况进行预测，进而及早干预。从成本角度考虑，乌镇智能医院这一类区域型人工智能医院的造价与单个辅助诊断AI的研发落地成本相差不大，实际耗资可控制在三千万内，服务半径可覆盖10万级的居民。伴随医院覆盖区域的扩大，其建设成本及人口覆盖规模可能进一步上升。由于AI的能力严重依赖训练数据的体量与质量，因而长期以来，“数据”要素的缺失极大程度限制了AI的发展。实际之中，对给定数据集的清洗过程既耗费人力，又耗费精力，以至于不少人戏称AI为“人工”下的智能。特别是面对罕见病病例、特定状态下肿瘤影像等天然状态下稀少的病种/影像，即便有人力支撑也难以建立满足AI规模的数据集。那么，是否存在一种新的路径，以AI创造安全有效的数据？不少企业正在这一领域进行发深度学习刚在医疗领域萌芽时，影像学AI研发人员训练时常常会受困于数据问题。因此，不少研究人员尝试采用小样本学习、生成对抗网络（GAN）等方式生成式数据，弥补训练样本量不足的问题。近年来，生成式AI的定义更明确，强调在深度学习之上搭建TransformerModel；应用也更为丰富，影像增强与辅助诊断均是其重要应用场景。3.3.1.1影像增强伴随医学影像软硬件技术迭代速度的不断加快，部分影像设备可能在正常生命周期尚未结束前不能满足持续精细的医院需求，因此部分企业尝试以算法的方式增强这些设备的性能，一方面使得落后的设备能够紧跟时代的进步，另一方面帮助医院节省成本，使其中低端的设备也能获取高端设备的成像效果。目前从事这类AI研发的企业多为影像设备公司。创业公司中，深智透医是少有能够提供优于影像设备公司自身软件服务的企业。该公司的核心业务为利用AI加速MRI、PET等设备的成像速度，并提升成像质量，这个过程本身就是利用生成式AI处理原始数据获取合成数据，再根据合成数据重构MRI、PET等影像。深智透医也在尝试将生成式AI应用于影像增强。MR临床扫描中的部分序列常常出现信噪比偏低、伪影明显等情况，影响最终影像的呈现质量。发布于IEEE的研究“OneModelto结果显示：在AI的支持下，利用Transformer等模型通过T1、T2等现有图像间接生成新的图像（例如更高分辨率图像、其他对比度、模拟打造影剂的图像等其效果甚至可以优于直接磁共振成像。目前，该企业自研的SubtlePET™（国产化本地部署产品为SupPET™)和SubtleMR™（国产化本地部署产品为SupMR™)利用AI加速MRI、PET成像速度、提升成像质量，该过程本身就是利用生成式AI处理原始数据获取合成数据，再根据合成数据重构MRI、PET影像。图表20生成式AI应用于影像增强数据来源：深智透医在着手CT等影像增强时，深智透医还对生成式AI进行了进一步优化，做一些影像降级的工作。具体而言，深智透医利用大量的真实临床数据，也结合仿真把一些金标准高质量的图像变至更接近实际扫描获取的低剂量、低分辨率、低造影剂图像，进而训练出更稳定高效的模型。这种融合了多重数据的扩散模型，它的效果要明显优于通过传统手段训练的模型。3.3.1.2模型训练训练辅助诊断类AI的过程中，患者影像数据的不均匀分布常常会影响最终模型在实际应用中的效果。以皮肤病AI的研发为例，相关模型训练时需要同时计算多种皮肤病的概率，但人的皮肤肤质及患病类型并非均匀分布，仅考虑患病种类一个维度，湿疹、毛囊炎的数据频率偏高，银屑病的数据频率则会相对偏低，使得最终生成的AI在实际诊断中表现出“病种偏好”，进而引发误诊漏诊。因此，不少研发人员尝试通过可靠路径合成有效的数据，使得模型在应用时更为平滑。过去数年，已有多种算法成功实现了影像数据的合成，但合成数据质量与真实数据质量仍存在差异，不能完全替代真实数据的价值。相较之下，GPT时代迅速发展的生成式AI则能补全生成逻辑方面的缺陷，让生成数据不仅保有质量，还能加快生成过程，扩大生成数据的量级。2022年，英伟达与伦敦国王学院使用Cambridge-1超级计算机创建一套包含10万份大脑合成图像的数据集，借此训练AI应用以加快对于痴呆症、帕金森病及其他脑部疾病的理解。其生成逻辑与文本有相似之处，即将真实数据拆分为素材，再通过特定逻辑的AI进行组合，进而解决数据量稀缺的问题。合成数据的另一个潜在应用场景在于多病种判别式AI的审评审批。多病种AI的临床试验设计是一个复杂的过程。譬如，多病种AI（以N=2为例）在进行数据集构建与算法验证时，不仅需要构建病种A数据库与病种B数据库，还需要构建A∩B数据库，并需在模型之中添加医学知识，使其能基于医学原理解释交集数据的概率得出过程。当病种数量较少时，构建融合数据库的难度尚且可控。而在当前审评审批逻辑下，病种数量一旦增多，各病种组合的样式及需要的数据集丰富程度则会呈指数趋势上升，数据不均匀分布导致的障碍也会进一步凸显。譬如，糖网病变的VI期患者数据天然较少，企业很难在真实世界中找到足量满足验证数据集要求的数据量。若将病种的组合考虑在内，相关数据收集复杂程度将急速扩增，最终变成一个现实之中无法解决的难题。此情况下应用生成式AI对部分稀缺维度进行数据扩增，或能解决此类问题。3.3.2重构医学科研美国圣路易斯华盛顿大学医学院信息学研究所去年开启了一项基于生成式AI生成患者合成数据集的研究，意在为广大科技医疗研究人员提供更为丰富的数据。这是一项将AI技术应用于临床试验的典型研究。该研究使用了以色列公司MDClone研发的生成式AI模型，先从医院EDC中抽取患者数据进行脱敏，把数据按照特定维度打散，再利用其自研的生成式AI模型进行重新组合。此番操作下，MDClone可以基于少量电子健康记录中真实的患者数据准确地生成大量合成数据，重建真实患者的特征。在后续的研究中，相关人员将合成数据集与真实数据集置于三个特定任务下进行对比，分别为分析儿科创伤患者的死亡风险；预测哪些住院患者最有可能发生败血症；制作圣路易斯地区一年内按邮政编码划分的衣原体感染率地图。对比研究结果显示，合成数据分析的结果在统计上与真实数据的分析相似，各项数据集都得出了相同的结论。在绝大多数情况下，统计结果是相同的，只有在极少数情况下，真实数据集和合成数据集之间存在差异。此案例中，AI的价值主要来自效率提升。过去准备训练数据往往需要耗去研究人员数个月的时间，而在生成式AI模型的赋能下，研究人员可以在数小时至数日内建立、查询并下载自己的合成数据集。为了保障数据的安全，相关研究人员还创造了一种严格的患者隐私保密方式，使得合成数据无法与真实的人和身份联系起来。借助这一技术，医院或能将数据变为一种特定的资产，在不侵害患者隐私的前提下，最大化相关临床研究。同样的技术还被应用于优化临床试验，如在保证临床试验有效性的情况下利用AI建立合成对照组，提高试验组患者的比例。简单来说，合成对照组一般用于无法建立常规对照组（是指相对于实验组的一组受试者，他们常常接受安慰剂或传统疗法治疗）的临床试验中，比如在罕见病、严重疾病的临床研究上，通过检索已有医学文献设立对照组。患者参与试验的初衷往往是加入试验组而非对照组，身患重疾的患者更是如此。因此，2020年，美国食品和药品管理局（FDA）批准将达索系统旗下生命科学AI公司Medidata研发的MedidataAISyntheticControlArm®合成对照解决方案应用于美国临床阶段免疫治疗公司在此试验中，Medidata成功帮助Medicenna在该试验中减少招募了100个对照患者，成为罕见病试验采用混合外部对照组的首创之举。合成对照组的应用提升了入组患者接受试验药物治疗的概率，也改善了入组率，在不影响试验科学可解释性的同时，加快试验进程。伴随AI的进一步发展，算法或将进一步补全生成逻辑方面的缺陷，让生成数据不仅保有质量，还能加快生成过程，扩大生成数据的量级，进而让更多罕见病外的患者受益，在更多的试验帮助更有效地改善试验数据管理和试验设计，优化试验洞察，提升试验效率。尽管智慧医院的建设进行得如火如荼，但落在具体场景中，譬如自动书写病案、智能问诊、智能随访等应用，仍然没有脱离关键词映射数据库的逻辑，真正做到智慧智能。大语言模型（LLM）带来的NLP技术更迭能够一定程度解决当前智能程度不够问题。在分析文本类信息时，大模型不仅能够从大量给定信息中找到任务需要的关键项，还能对未知信息进行预设，综合上下文做出推理。此外，亦有企业将大模型置入新药研发中，以更高效的算法分析、处理、构建化合物、匹配临床患者等，提升各阶段药物研发效率。就目前而言，大模型在医疗领域的应用还停留在对已有场景的重构上，尚未展现出新场景的创新。部分专家认为，以下九个场景最有可能最快接入大模型。相对于传统CDSS而言，大模型的训练数据来源更为广泛，自我净化能力更为高效，因而能为CDSS带来较大幅度的提升。辅助诊断方面，医生在诊断中需要调动大量医学知识，记忆大量的患者信息，常会出现疲惫的问题。此类大模型的引入可以帮助医生记录信息，缓解疲劳。同时，大模型还能通过学习电子病历、医学文献等数据同医生进行一些语言互动，提升诊断的准确性及效率。两条作用路径均能提升医生诊断质量、诊断效率。目前，百度灵医智惠、卫宁健康、惠每科技等企业已在尝试将大模型融入自身的CDSS，提升决策的完整性与准确性。理论上可在急救药学服务、骨科、细菌感染等领域接收患者后迅速生成治疗方案。尤其是在急救场景中，大模型在急救过程中迅速根据患者信息生成治疗方案，可以辅助医生更快做出诊断，为患者谋取更多救治时间。目前尚无企业发布相关产品。可对结构化的医疗文书进行自动录入、形式质控、内涵质控。各个医生书写习惯不同，精力有限，大模型可快速地生成规范医疗文书模板，该模板具备质控逻辑清晰、内容表达丰富等特征，能够按照标准准确录入文书，减轻医生在书写、检查等环节的负担。主流LLM都可提供多样化质控功能。可通过通俗的语言为患者进行导诊、答疑；用智能支持的药品说明书替代传统说明书。传统的患者教育需要医生投入大量精力进行编写，并在专业性、易读性方面取得平衡，还会常常在后续沟通中为患者释疑。大模型可以针对患者母语背景生成相关的患教资料；与患者对话提供患者需要的信息。这是一项较为成熟的应用，健培科技的啄医生；百度灵医智惠的AI药品说明书均属这一场景中的成熟应用。可生成医院管理所需的各类表单，为医院管理者提供辅助管理决策支持，统计包含医生基础信息、临床能力、医院后勤、医院财务等各个方面的数据，然后生成匹配医院现状的动态管理计划，对医疗资源进行一个智能高效的配置。以医疗设备管理为例，大模型可以规划各项医疗设备采购、维护计划，生成维修相关表单，有效提高管理效率。研究方面，可在选题立项、研究方案设计、结果分析、成果编写方面发挥很大作用。需要注意的是，大模型也会出现伪造参考文献引文、无法甄别科研贡献，无法对于生成内容负责等等问题，有待后续逐一解决。教育方面，可协助医生编写教案，替代医生解答部分问题。医生在履行教学职能时需耗费大量时间编写教案，回答学生提出的各类高重复度问题，导致有临床、科研任务的医生其精力被重复性劳动占用。大模型的引入可以分担医生压力，如辅导第一年资学生的学习，将医生从医学教学的任务中解放出来，帮助其专注临床科研工作。中医常面临其医疗知识难以显性化、结构化的问题，导致知识传承相对困难。引入大模型可对中医相关知识进行数据挖掘，推动相关知识体系的构建，以标准化的形式为患者生成诊疗方案。目前发布中医大模型的企业较少，以大经中医为例，其“岐黄问道·大模型”包含基于已确诊疾病的临床诊疗大模型、基于症状和体征的临床诊疗大模型、中医养生调理大模型，分别可作用于根据用户提供的疾病、症状、体征信息，给出辨证（诊断）结果和治疗方案（中药处方）；根据用户提供的主诉症状和伴随症状、体征信息，给出辨证（诊断）结果和治疗方案（中药处方根据用户提供的症状、体征信息，给出个性化中医健康状态辨识结果，以及食疗、茶饮、推拿、艾灸等多维度养生方案，推动中医知识标准化、诊疗标准化。研发方面，大模型可在药物发现、临床前研究等环节提高靶点发现效率，构建复杂分子；亦可在临床试验环节对临床试验的设计思路、统计方法的推荐等等方面提供支撑，极大提升药物研发效率。如晶泰科技噬菌体展示平台XpeedPlay能够利用大模型超高速生成苗头抗体。在研究VHH抗体（一种存在于骆驼血清中的天然轻链缺失抗体，用于治疗癌症，自然界不存在）结构时，该平台通过同时优化多种药物特性，帮助晶泰科技一举获得了1000亿个最有前景的新VHH抗体序列。销售方面，大模型可在药物市场推广时以自动化、智能化的方式连接目标用户，打造更为精准的用户画像，进而降低营销成本，提升营销效率。用于辅助流行病学的大数据分析及趋势判断。由于传播方式和传播路径具备复杂性、偶然性，疾病发展的不确信性和变化性非常大，超出常规算法的能力范畴。相比之下，大模型可以对流行病学的大数据分析和这个预测进行有效支撑，给出较为精确的判断。目前国内外拥有大量研究机构和医院进行相关探索，并已取得了不错的成绩。相较于千亿级参数的通用大模型，医疗中文本类大模型的参数可控制于100万以内，包含文本与多模态影像的大模型参数可控制于500万内，因而非头部互联网公司也能参与医疗大模型的建设。不过在实际之中，从概念到落地，现阶段的医疗大模型仍需解决两个问题。一是部署。企业将大模型部署至医院时，需要医院购置相应GPU驱动模型运行。通常而言，服务一个科室的应用需要的GPU成本在数千元左右，但要负担全院需求，医院可能划分百万元级的成本购置芯片，因此，要推动大模型应用大规模落地，一方面需要推动医院主动部署大模型运行环境，另一方面需要企业方优化模型，尽可能降低医院在基础设施方面付出的成本。二是应用。目前基于大模型构建的智能应用仍然没有脱离传统医疗IT应用的范畴，如病案质控、智能问诊、临床试验赋能等。企业需要围绕医院需求构造“杀手级”应用，唤起医置的大模型的需求，进而实现大模型的规模落地。此外，医疗大模型的落地还面临头部医疗IT企业与大型互联网企业间的激烈竞争。大型互联网企业的优势在于通用大模型的自研能力。构建大模型需要的成本不菲，且需大量数据进行训练，因而非大型互联网企业很难自行构建通用模型，只能借助开源同源模型开发自有的垂直模型。但由于垂直大模型应用需置于医疗信息系统中，非医疗IT企业只能使用外挂的方式进入IT环境，操作流畅性受限，相较之下，拥有医疗信息管理系统的医疗IT企业占有优势。此外，大模型对于医院的架构要求严苛，能够支持AI应用的智能架构将比传统EA企业架构更好展现大模型的能力界限，进一步提升了医疗IT企业在大模型领域的竞争力。图表21不同类型企业参与医疗大模型开发的特点数据来源：公开信息整理时至今日，大模型虽在医疗场景中已经取得了许多重要成果，但从规模看仍处于起步阶段。下一阶段中，大模型将在模型规模、自适应和个性化、多模态数据融合、解释性和可解释性有望等方面得到进一步发展。同时，大模型的发展也面临着一些挑战，如数据量和计算资源的需求、模型的隐私和安全问题、模型的稳定性和可扩展性等。只有通过不断地研究和探索，才能更好地应对这些挑战，推动大模型技术的进一步发展和应用。随着计算资源的和技术水平的不断提升，医疗大模型的结构和参数规模还将继续扩大，从而在更高层次上实现更加精细和复杂的数据分析任务。医疗大模型将更加注重自适应和个性化的需求。通过患者行为数据的分析，以及个性化的模型设计和优化，大模型将能够更好地满足患者的需求，实现医疗服务的“千人千面”。医疗大模型将更加注重多模态数据的融合和处理。如将影像数据与电子病历数据融合，进而更好地应对各种实际诊疗场景。大模型的训练和推理需要大量的数据和计算资源，一定程度压缩了创业公司们的试错空间，进而导致只有少数企业参与大模型的开发与落地，不利于大模型的技术的普及和应用。大模型参数规模的不断扩大将对医院的硬件配置提出新的要求，推高医院大模型的部署成本。在缺乏“杀手级”应用前，这一趋势将在一定程度上抑制医院需求。医疗数据的隐私与安全极为重要，而大模型的训练和处理必然涉及大量敏感数据的处理。因此，模型构建方必须建立一个安全可靠、可监督的环境，消除大模型研发过程中可能面临的政策风险与信任危机。医疗大模型的复杂性和规模使得模型的稳定性和可扩展性成了一个难题。在实际应用中，企业需要不断优化和改进模型，提高其稳定性和可扩展性。由于LLM的复杂性和黑盒性质，大模型结果的可解释性仍然存疑。循证医学前提下，大模型的可解释性可能制约相关应用的审评审批，进而抑制相关应用的落地。纵观整个AI医疗领域，该技术在医疗领域已实现多环节的全面渗透。医疗AI产业上游主要是为行业提供基础技术支持的行业，如基础数据平台、算法等。中游主要为医疗AI的应用层。下游为技术的应用场景，如医院、体检机构、居家、药房等。本报告中主要关注于中游场景，进而将入局的企业分类为影像AI、信息化AI、新药AI三个板块。随着AI在医疗的快速应用与升级迭代，行业细分赛道已趋明晰，国内外涌现出一大批优秀的企业，在各自的领域中探索出更多可能。图表22医疗AI应用层产业图谱数据来源：公开信息整理数坤科技是全球唯一在心、脑、胸、腹、肌骨关键领域同时获得NMPA三类证的医疗AI高科技企业，累计获得了12项NMPA三类证、2项美国FDA认证以及4项欧盟MDRCE认