「人工智慧＋醫療」，市場蛋糕巨大，門檻難邁
引言：預計到2025年，人工智慧在醫療行業的應用將達到254億美元，即千億級市場規模。泰山匯研究院數據，截止至2017年10月9日，國內醫療人工智慧公司累積融資額260億人民幣，融資公司共114家。
一、人工智慧正在顛覆性的改造傳統醫療
2017年初，世界癌症日（2月4日），IBM Watson醫生第一次在中國「出診」，僅用10秒就開出了癌症處方。這不僅引發輿論熱潮，更振奮的是這讓我們看到了人工智慧正在顛覆性的改造傳統醫療。
IBM Watson 可以在17秒內閱讀3469本醫學專著、24.8萬篇論文，69種治療方案、61540次試驗數據、10.6萬份臨床報告。通過海量汲取醫學知識，包括300多份醫學期刊、200多種教科書及近1000萬頁文字，IBM Watson在短時間內可以迅速成為腫瘤專家，擁有更強大腦的癌症專家。在印度，Watson醫生為一名已經無藥可救的癌症晚期患者找到了診斷方案；在日本，Watson醫生只花了10分鐘就確診了一例罕見白血病。
二、「人工智慧(AI)+醫療」市場蛋糕巨大；阿里、騰訊、百度、科大訊飛、華大基因等都紛紛下賭入局
有關數據顯示，預計到2025年，人工智慧應用市場總值將達到1270億美元。其中，醫療行業將佔市場規模的五分之一，即254億美元，千億級人民幣市場規模。2013-2017年，AI（人工智慧）+醫療」各領域共發生融資事件241起。國外「AI（人工智慧）+醫療」投資分布最大的在健康管理，其次是新醫藥和新技術發現，第三是病歷分析，最後是醫療影像；在國內，醫療影像投資佔比47%，硬體占近30%，健康管理佔6%。
中國企業2010年後，已開始迅速布局醫療人工智慧領域；2010年也是我國醫療人工智慧領域創業分水嶺，此前每年出現的這類新創公司數量極少。2014和2015年出現創業高峰，兩年內共有52家公司成立；截止2017年7月31日，我國醫療人工智慧公司共有131家，集中分布於北京、上海、深圳、杭州、武漢等一、二線城市，其中北京、上海、深圳三城集中了97家公司，佔全部公司的76%左右。
泰山匯研究院數據，截止至2017年10月9日，國內醫療人工智慧公司累積融資額已超過260億人民幣，融資公司共114家。 國內在醫療人工智慧布局的企業主要有阿里巴巴、騰訊、百度、科大訊飛、華大基因；海外主要有IBM、Google、蘋果、微軟、亞馬遜等。
三、人工智慧為何在中國醫療領域勢不可擋？
人工智慧在醫療方面的需求主要基於幾個客觀現實：一方面是優質醫療資源供給不足，成本高，醫生培養周期長，誤診率高，疾病譜變化快，技術日新月異；另一方面，隨著人口老齡化加劇、慢性疾病增長、對健康重視程度提高，醫療服務需求持續增加。
以醫生資源為例，我國目前培養醫生的模式是「5+3」，5年醫學專業本科教育，再加3年住院醫師規範化培訓，結業考試合格者才具備醫生從業資格……8年的大浪淘沙，真正堅持下來的優秀醫生人數有限。
人工智慧的核心能力實際上是人類自身已擁有的能力，但與人類相比，最大優勢在於計算能力的高效，尤其在數據密集型、知識密集型、腦力勞動密集型行業領域。因此，在醫療領域它將從這三方面產生巨大顛覆：
第一，提高醫療機構和醫生的工作效率，減少不必要的人力成本；第二，提早預測疾病風險，發現重大疾病，提前預防，以減少後續不必要的更大醫療支出；第三，方便醫生管理看護患者，也方便患者自我健康和疾病的管理，讓自查自診等成為可能，將醫療延伸到院外，前置到院前，同樣緩解醫療資源的緊張，降低醫療成本。
四、人工智慧(AI)+醫療，四種主流模式應用
從全球創業公司實踐的情況來看，AI+醫療的具體應用包括洞察與風險管理、醫學研究、醫學影像與診斷、生活方式管理與監督、精神健康、護理、急救室與醫院管理、藥物挖掘、虛擬助理、可穿戴設備以及其他，其中以四種模式為主流。
第一、AI+輔助診療，即將人工智慧技術用於輔助診療中，讓計算機「學習」專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。在AI+輔助診療的應用中，IBM Watson是目前最成熟的案例。目前IBM Watson已部署在美國多家醫院提供輔助診療的服務，服務的病種包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌、子宮癌等多種癌症。
第二、AI+醫學影像，是將人工智慧技術具體應用在醫學影像的診斷上，主要分為兩部分：一是圖像識別，應用於感知環節，其主要目的是將影像這類非機構化數據進行分析，獲取一些有意義的信息；二是深度學習，應用於學習和分析環節，是AI應用的最核心環節，通過大量的影像數據和診斷數據，不斷對神經元網路進行深度學習訓練，促使其掌握「診斷」的能力。貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到92%，與病理學家的分析結合在一起時，它的診斷準確率可以高達99.5%。國內的DeepCare對於乳腺癌細胞識別的準確率也達到了92%。
第三、AI+藥物挖掘，是指將深度學習技術應用於藥物臨床前研究，達到快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新葯研發周期、降低新葯研發成本、提高新葯研發成功率的目的。通過計算機模擬，AI可以對藥物活性、安全性和副作用進行預測。藉助深度學習，在心血管葯、抗腫瘤葯、孤兒葯和常見傳染病治療葯等多領域取得了新突破。目前，已經湧現出多家AI技術主導的藥物研發企業。
第四、是AI+健康管理。目前從全球AI+醫療創業公司來看，主要集中在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基於精準醫學的健康管理。
五、醫療AI創業、投資關卡重重，門檻難邁
雖然醫療人工智慧是不可逆轉的發展潮流，但我們也要清醒地看到，中國人工智慧整體發展水平與發達國家相比仍存在不小差距，在前沿基礎理論、關鍵性技術、產業基礎平台、人才隊伍和監管體系等方方面面都亟待創立和完善。
對所有行業企業投資者而言，醫療人工智慧目前遇到不少發展阻力和確定性因素：
首先，數據根基不牢成軟肋。人工智慧的發展研究是基於海量的大數據，醫學影像、醫療病例、基因突變、診斷病例、術後跟蹤、健康行為等廣泛的數據內容是醫療AI行業應用的前提。以Watson健康為例，它並不僅是一個技術，也包括泛數據的積累，從數據準備、模型建立、優化到最終應用於業務場景，再收集更多數據，周而復始、循環往複，完成深度學習的複雜任務。
中國醫院體系，以公立醫院為主，已建立了規範的業務流程，如果將人工智慧新添到現今的醫院流程中，勢必會打破原有規則、體系，這將需要極強整合力與智慧。不僅如此，數據擁有者不共享、不互通數據，或者貢獻數據後恐不能獲得公平回報，都是目前亟待探討的現實難題，雖不關乎技術，但直抵核心。數據質量問題也令人堪憂，目前，儘管第三方電子病曆數據企業手握大量數據，但因數據質量不高，數據分散而很難挖掘出有價值的信息。
其次，如何與醫院深入交融。只有軟體打動醫院管理層，在院長眼中能實現標準化和控費目標，才有望認可其價值，拍板引進。管理層在宏觀層面，更關心醫院效率、控費、醫療質量等能為醫院創造價值的項目，而醫生在乎地是效率和節省時間，讓科研產出、臨床產出更高效。對於投資人，如果投資的軟體、服務、藥品等叫好不叫座，損失自然是真金白銀、時間成本。
最後，投資人的憂慮。綜合考量人工智慧（AI）+醫療這件事，存在著諸多問題，遠近難辨、真假難分。例如：有沒有偽需求的可能，場景頻次、支付的意願，這些都是落地應用的致命之處。
商業角度需要解決問題的流程是產品落地、商業模式落地、盈利能力落地。產品落地需要真實需求和技術能力實現。接下來是商業模式的落地，測試收入流水與規模複製收入。最後盈利能力的落地，但目前還未有非常完善的盈利模式，AI醫療領域的創業者都還在不斷嘗試。
方正證券產業金融部董事醫療產業投資併購負責人姜天驕告知筆者：「一個資本風口的耐心周期大約兩年，前兩年需求確認、技術實現，過兩三年測試收入流水、規模複製，再過兩三年產生凈利潤、延伸盈利模式，這樣的項目才是資本推崇的成功項目，顯然AI醫療難以這樣推進。」
六、尾語：
我們期待「看病難、看病貴」成為過去式，至少尋常百姓可以看得起病，相對完善的醫療服務。馬雲說的「醫院不改變，我們就改變醫院」，很是激蕩人心，但真正的改變也非旦夕之功。我們希冀在資本與政府的共同驅動下，人工智慧帶領著醫療創業者不斷嘗試連接技術、數據、設備、人等等，不斷試錯，不斷拓荒、不斷迭代，重整架構。讓大數據、人工智慧，通過醫療生態重構真正造福尋常百姓。當然，AI醫療的基礎終歸是商業服務，最終還要回歸商業本質的思考，在物競天擇中，沒有成功的企業，只有時代的企業。
TAG:泰山匯健康金融 |