医疗已经成为被 AI 改造最热门的行业之一。

撰文：举大名耳

当下的 AI 正在以惊人的速度和力量，渗透到医疗行业的各个领域和环节，而最近，红杉资本发布的一篇名为《Generative AI in Healthcare》（医疗领域的生成式 AI），也对 AI 在医疗行业的应用和发展进行了全面而深刻的剖析，并认为其在未来拥有「巨大潜力」。

那么，为何在当下的 AI 赛道中，医疗领域会如此受到资本的重视？

AI 医疗现状

在《Generative AI in Healthcare》这篇报告中，红杉提到了目前 AI 在医疗领域的一些重要应用，这其中就包括了如患者互动、文档记录、临床决策等。

在红杉资本看来，现在的医疗 AI，已经跃过了「锦上添花」的阶段，开始对医疗行业的核心环节进行赋能，而这样的赋能，则大大提高了医疗领域的效率和质量，降低成本和人力。

具体来说，医疗行业的核心环节，包括了患者互动、文档记录、临床决策、预授权、编码和收入周期管理等六大环节。

而最新的生成式 AI 之，所以能对这些核心节点进行赋能，主要原因就在于它可以处理大量的非结构化数据，并将其转化为有用的信息和洞察。

医疗运营的核心环节，往往涉及到多种类型的数据，如语音、文本、图像、视频、信号等，这些数据往往是非结构化的，即没有固定的格式或标准。

其中包含了丰富的医疗知识和价值，但却难以被人类或传统的软件系统有效地整合或运用。

在传统的医疗行业中，对这些数据的处理、整合，都是成本巨大，但难以省略的环节。

美国的医疗编码市场价值约为 210 亿美元，包括约 35000 名医疗编码员。尽管有这么多的劳动力，但由于编码错误，美国医院每年损失近 200 亿美元的收入，这导致了当地的供应商不得不依赖「家庭作坊式」的咨询公司，来帮助自己「发现」缺失的收入。

而同样的，在与患者互动的过程中，医疗行业总是需要大量的文书工作者来整理各类医疗文档。

根据红杉资本的统计，目前美国大约有 100 万医疗行业的文书人员，每个文书人员每年的平均支出为 40-50K 美元，这意味着医疗行业每年要在这类岗位上花费至少 4 亿美元的成本。

而生成 AI，则可以利用深度学习和自然语言处理等先进的算法，来分析、理解、生成和转换这些数据，从而提高医疗运营的效率和质量，降低成本和人力，同时适应不同的数据源和环境。

例如，在文档记录中，生成 AI 可以用来将医生和患者的对话，自动转化为电子病历和编码；在临床决策中，生成 AI 可以用来将多种数据源和格式，如医疗影像、病历报告等转化为统一的医学知识和数据。

而这样的优势，正是红杉认为 AI 能够直击医疗运营的核心环节的原因。

AI 赋能医疗

除了处理非结构性数据的优势外，现阶段的 AI，还在更多方面对医疗领域进行了赋能，这其中就包括了 AI 辅助诊断、AI 医学影像分析、AI 精准医疗、药物研发、医疗机器人、等多个细分赛道。

具体来说，在 AI 辅助诊断方面，AI 可以通过分析患者的症状、体征、检验结果等数据，提供可能的诊断建议，帮助医生做出更准确和及时的决策。例如，阿里健康的 AI 医生可以在 1.5 秒内给出 90% 的准确率，百度的 AI 医生已经能做到识别 900 多种常见疾病。

AI 医学影像分析，则是利用机器学习、计算机视觉等技术，对医学影像数据进行自动化分析和诊断，并根据大量的定量特征，如形态、纹理、灰度、强度等，与基因、临床等其他数据进行关联分析，发现疾病的生物标志物和预后因素。

在精准医疗方面，AI 可以通过对基因组、表观遗传组、转录组等大规模生物数据进行挖掘和分析，为个体化的预防、诊断和治疗提供依据。例如，Deep Genomics 的 AI 平台可以预测基因变异对蛋白质功能和表型的影响，Flatiron Health 的 AI 平台可以利用实时临床数据为癌症患者提供最佳治疗方案。

在药物研发方面，AI 可以通过对药物靶点、药物结构、药物作用机制等数据进行建模和模拟，加速药物的发现和开发过程。例如，BenevolentAI 的 AI 平台可以从海量文献中挖掘新的药物候选物，Atomwise 的 AI 平台可以通过虚拟筛选减少实验成本和时间。

就目前 AI 医疗的整体态势来看，AI 医疗技术，尤其是在一些新兴和前沿的领域技术，如基因组学、免疫组学、神经科学等。国外 AI 企业往往拥有有更多的资源和经验，

例如，专注疾病基因搜索的谷歌 DeepMind 团队，就通过人工智能系统，解析出了人体中几乎所有蛋白质的结构。

这样一来，AJ 就可以判断 DNA 中的字母是否会产生正确的结构。如果不是，它将被列为潜在的致病因素。

类似的例子，还有用 AI 技术帮助医生分析癌症病理图像，以及发现新的治疗方法和药物的 Paige.AI。

Paige 原本利用自有 50 万份癌症医学病理学切片的 10 亿张图片，创建全球第一个大型基础模型。在和微软合作下，双方将开发全球规模最大的癌症图片 AI 模型，参数高达十亿。

国内的 AI 医疗技术虽然在一些领域有所突破，如影像诊断、智能问诊等，但仍存在一些技术难题和挑战，如数据孤岛、数据质量等。

同时，国内在 AI 医疗的应用场景上较为集中，主要集中在辅助侧和数据侧，如 CDSS（临床决策支持系统）、智慧病案和医学数据智能平台等。

其中涌现的代表性企业，就有利用 AI 技术进行影像诊断联影智这样的 AI 企业。

通过搭载了智能算法的 CT 摄像头，将深度学习卷积神经网络与典型的模式识别算法创新地结合在一起，从而精准识别 CT 扫描范围。

类似的国内企业，还有利用 AI 技术进行临床诊断的推想医疗。

其主要技术，是通过深度学习及卷积神经网络模型，模仿人类认知过程，让 AI 模型自动挖掘医学图像中的规律。

其 AI 产品 InferOperate，通过对脑电图、脑功能成像等多种类型的神经影像数据进行深度学习，提取影像特征，定位病灶，从而为医生提供智能手术规划、术中全自动定位导航等。

趋势和机遇

目前来看，虽然由于产业生态、技术基础、计算资源等原因，国内 AI 医疗与国外相比仍有差距，但从市场增速和规模上看，国内在 AI 医疗的发展上有较大的市场空间和增长潜力，面临着较高的医疗需求。

根据华经产业研究院的数据，2021 年中国 AI 医疗行业市场规模约为 95 亿元，预计 2025 年达到 385 亿元。

在可预见的未来，国内 AI 医疗将在 AI 药物研发、AI+ 病理、AI 医疗影像、AI 医疗器械等主要领域持续发力。

而从市场需求及规模来看，AI 医疗影像及 AI 药物研发将成为主要的增长突破口。

具体来说，AI 医疗影像应用相对成熟，产品上市数量较多。根据 Global Market Insights 数据，全球 AI 医疗影像市场规模占医疗 AI 市场的 25%，仅次于 AI 制药为第二大细分市场。

对于国内医疗行业来说，目前我国医疗影像数据的年增长率高达 30%，但是影像科的医生年增长率却只有 4%。

考虑到医生的培训周期比较长，发展 AI 影像医疗能够有效缓解医疗人才短缺的问题，市场仍有较大的增长潜能。

根 36 氪分析，预计 2020-2025 年复合年增长率（CAGR）为 39.4%，2025 年将突破 300 亿元。其中，AI 医学影像市场占比最高，达到 50.6%。

而在 AI 药物研发方面，AI 可以有效解决新药研发的高成本、低效率和高风险的问题。

2020 年我国新药研发行业的市场规模为 1.2 万亿元，但是新药研发的成功率仅为 11.3%，即使进入 III 期临床成功率也只有 53.4%，临床阶段整体费用占比高达 70%。

这说明新药研发需要投入巨额的资金和时间，但是收益和风险都很不确定。

而通过人工智能的认知能力，加速靶点发现、化合物筛选、药物设计等环节，可以有效提高新药的成功率和质量。

2021 年，我国 AI 药企英矽智能与浙江大学合作，利用自主研发的 AI 平台，对抗癌药物 PD-1 抗体进行了优化设计，并获得了美国 FDA 的临床试验许可。

这样的成就，显示了 AI 技术在新药研发方面的潜力，也预示了其规模化增长的可能。

根据 DPI 发布的医疗行业报告，AI 药物研发的全球市场规模预计将从 2020 年的 40 亿美元增长到 2027 年的 203 亿美元，年复合增长率达到 26.5%。

在当下如火如荼的 AI 浪潮中，大模型所带来的赋能，只是 AI 医疗领域的冰山一角，随着 AI 革命的持续进行，早已起势的 AI 医疗，必定会带来更多机会与亮点。