智能医疗产业链汇总解读

　　智能医疗是通过打造健康档案区域医疗信息平台，利用最先进的物联网技术，实现患者与医务人员、医疗机构、医疗设备之间的互动，逐步达到信息化。在不久的将来医疗行业将融入更多人工智慧、传感技术等高科技，使医疗服务走向真正意义的智能化，推动医疗事业的繁荣发展。在中国新医改的大背景下，智能医疗正在走进寻常百姓的生活。

　　2015年12月诞生的乌镇互联网医院是第一家由互联网公司主导的互联网医院，此后的2016年多家互联网医院陆续上线。可以说，2016年是互联网医院的发展元年。

　　从互联网改造医疗行业的角度来划分，中国互联网医疗发展经历了三个阶段：

　　1、信息服务阶段：互联网改造的是医疗的信息流，实现人和信息的连接；

　　2、咨询服务阶段：互联网改造的是健康咨询的服务流，实现人和医生连接；

　　3、诊疗服务阶段：互联网改造的是医疗的服务流，实现人和医疗机构的连接。

　　然而，互联网带来的模式创新没有根本上提升医疗供给端的服务能力，从而根本上解决医疗资源（尤其是医生）供不应求的局面。

　　与此同时，图像识别、深度学习、神经网络等关键技术的突破带动了人工智能（简称AI）新一轮的大发展。“人工智能+医疗”概念应运而生。与互联网的不同，人工智能对医疗领域的改造是颠覆性的。

　　对人工智能医疗的需求主要基于几方面客观现实：一方面是优质医疗资源供给不足，成本高，医生培养周期长，误诊率高，疾病谱变化快，技术日新月异；另一方面，随着人口老龄化加剧、慢性疾病增长、对健康重视程度提高，医疗服务需求持续增加。

　　人工智能的核心能力实际上是人类自身已拥有的能力，但人类相比，最大优势在于计算能力的高效，尤其在数据密集型、知识密集型、脑力劳动密集型行业领。

　　在医疗领域，IBMWatson可以在17秒内阅读3469本医学专著，248000篇论文，69种治疗方案，61540次试验数据，106000份临床报告。通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBMWatson在短时间内迅速成为肿瘤专家。

　　阿里云研究中心和BCG的最新合作报告指出，从技术突破和应用价值两维度分析，未来人工智能会出现服务职能、科技突破、超级智能三个阶段。基于数据的服务智能阶段将在接下来3-5年爆发：人工智能拓展、整合多个垂直行业应用，丰富实用场景。IDCDigital预测，截止2020年，医疗数据量将达40万亿GB，预计约80%数据为非结构化数据。

　　*AI+医疗发展的三大阶段

　　*2020年人类产生的医疗数据总量预测

　　从全球创业公司实践的情况来看，AI+医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他。

　　AI+辅助诊疗，即将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。辅助诊疗场景是医疗领域最重要、也最核心的场景，人工智能+辅助诊疗潜在市场空间巨大，至少是万亿级以上的营收规模。

　　*医学诊疗模型

　　在AI+辅助诊疗的应用中，IBMWatson是目前最成熟的案例。

　　2012年Watson通过了美国职业医师资格考试，并部署在美国多家医院提供辅助辅助诊疗的服务。目前IBMWatson提供诊治服务的病种包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。2016年12月26日，“浙江省中医院沃森联合会诊中心”成立，这也意味着IBMWatsonforOncology在中国医疗领域的商业试应用正式落地。

　　将基础能力与人类医生的一般医疗诊断模型进行融合，形成了Watson在提供辅助诊疗的处理逻辑。其实质是融合了自然语言处理、认知技术、自动推理、机器学习、信息检索等技术，并给予假设认知和大规模的证据搜集、分析、评价的人工智能系统。

　　*Watson的三种能力：理解、推理、学习

　　*Watson模拟人类医生诊断模式的处理逻辑

　　AI+医学影像是将人工智能技术具体应用在医学影像的诊断上。AI+医学影像诊断市场空间巨大，可能成为众多医疗细分领域率先爆发的领域。一是病理医生缺口巨大。由于国内病理医生收入低、培养模式不健全，全国病理医生极度缺乏；二是，病理读片高度依赖经验，因经验而异使得病理读片的准确率相差大。

　　AI在医学影像应用主要分为两部分：一是图像识别，应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息；二是深度学习，应用于学习和分析环节，是AI应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

　　*人工智能对影像数据分析过程

　　*人工读片VS人工智能读片

　　AI+医学影像已经走出实验室，下一步将迎来商业化浪潮。

　　贝斯以色列女执事医学中心（BIDMC）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到92%，虽然还是低于人类病理学家96%的准确率，但当这套技术与病理学家的分析结合在一起时，它的诊断准确率可以高达99.5%，国内的DeepCare对于乳腺癌细胞识别的准确率也达到了92%。据悉尼先驱晨报的报道，EnliTIc凭借深度学习技术超越了4位顶级的放射科医生，包括诊断出了人类医生无法诊断出的7%的癌症，以及在人类医生高达66%的癌症误诊率的情况下，EnliTIc的误诊率只有47%。

　　AI+药物挖掘是指将深度学习技术应用于药物临床前研究，达到快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。

　　*新药研发周期长

　　*全球医药制造巨头在药品研发上投入巨大

　　*新药研发失败率高

　　AI通过计算机模拟，可以对药物活性、安全性和副作用进行预测。借助深度学习，在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得了新突破。目前，已经涌现出多家AI技术主导的药物研发企业。

　　以硅谷公司Atomwise为例：Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，评估出820万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。2015年，Atomwise基于现有的候选药物，应用AI算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间。