AI醫療，已經躍過了「錦上添花」的階段

作者：舉大名耳

**來源：**AI新智能

醫療已成為被AI改造最熱門的產業之一。

當下的AI正以驚人的速度和力量，滲透到醫療產業的各個領域和環節，而最近，紅杉資本發布的一篇名為《Generative AI in Healthcare》（醫療領域的生成式AI），也對AI在醫療產業的應用和發展進行了全面而深刻的剖析，並認為其在未來擁有「巨大潛力」。

那麼，為何在當下的AI賽道中，醫療領域會如此受到資本的重視呢？

AI醫療現狀

在《Generative AI in Healthcare》這篇報告中，紅杉提到了目前AI在醫療領域的一些重要應用，這其中就包括瞭如病患互動、文件記錄、臨床決策等。

在紅杉資本看來，現在的醫療AI，已經躍過了「錦上添花」的階段，開始對醫療行業的核心環節進行賦能，而這樣的賦能，則大大提高了醫療領域的效率和質量，降低成本和人力。

具體來說，醫療產業的核心環節，包括了病患互動、文件記錄、臨床決策、預授權、編碼和收入週期管理等六大環節。

而最新的生成式AI之，所以能對這些核心節點進行賦能，主要原因就在於它可以處理大量的非結構化數據，並將其轉化為有用的信息和洞察。

醫療運作的核心環節，往往涉及多種類型的數據，如語音、文字、圖像、視訊、訊號等，這些數據往往是非結構化的，即沒有固定的格式或標準。

其中包含了豐富的醫療知識和價值，但卻難以被人類或傳統的軟體系統有效地整合或運用。

在傳統的醫療產業中，這些資料的處理、整合，都是成本龐大，但難以省略的環節。

美國的醫療編碼市場價值約為210億美元，包括約35,000名醫療編碼員。儘管有這麼多的勞動力，但由於編碼錯誤，美國醫院每年損失近200億美元的收入，這導致了當地的供應商不得不依賴「家庭作坊式」的諮詢公司，來幫助自己「發現」缺失的收入。

而同樣的，在與病患互動的過程中，醫療產業總是需要大量的文書工作者來整理各類醫療文件。

根據紅杉資本的統計，目前美國大約有100萬醫療行業的文書人員，每個文書人員每年的平均支出為40-50K美元，這意味著醫療行業每年要在這類崗位上花費至少4億美元的成本。

而產生AI，則可以利用深度學習和自然語言處理等先進的演算法，來分析、理解、產生和轉換這些數據，從而提高醫療運營的效率和質量，降低成本和人力，同時適應不同的數據源和環境。

例如，在文件記錄中，產生AI可以用來將醫生和病人的對話，自動轉化為電子病歷和編碼；在臨床決策中，產生AI可以用來將多種資料來源和格式，如醫療影像、病歷報告等轉化為統一的醫學知識和數據。

而這樣的優勢，正是紅杉認為AI能夠直擊醫療營運的核心環節的原因。

AI賦能醫療

除了處理非結構性資料的優勢外，現階段的AI，還在更多方面對醫療領域進行了賦能，這其中就包括了AI 輔助診斷、AI 醫學影像分析、AI 精準醫療、藥物研發、醫療機器人、等多個細分賽道。

具體來說，在AI 輔助診斷方面，AI 可以透過分析患者的症狀、體徵、檢驗結果等數據，提供可能的診斷建議，幫助醫生做出更準確和及時的決策。例如，阿里健康的AI 醫生可以在1.5 秒內給出90% 的準確率，百度的AI 醫生已經能做到識別900 多種常見疾病。

AI醫學影像分析，則是利用機器學習、電腦視覺等技術，對醫學影像資料進行自動化分析與診斷，並根據大量的定量特徵，如形態、紋理、灰階、強度等，與基因、臨床等其他數據進行關聯分析，發現疾病的生物標記和預後因素。

在精準醫療方面，AI 可以透過對基因組、表觀遺傳組、轉錄組等大規模生物數據進行挖掘和分析，為個人化的預防、診斷和治療提供基礎。例如，Deep Genomics的AI 平台可以預測基因變異對蛋白質功能和表型的影響，Flatiron Health的AI 平台可以利用即時臨床數據為癌症患者提供最佳治療方案。

在藥物研發方面，AI 可以透過對藥物標靶、藥物結構、藥物作用機制等數據進行建模和模擬，加速藥物的發現與開發過程。例如，BenevolentAI的AI 平台可以從海量文獻中挖掘新的藥物候選物，Atomwise的AI 平台可以透過虛擬篩選減少實驗成本和時間。

就目前AI醫療的整體態勢來看，AI醫療技術，尤其是在一些新興和前沿的領域技術，如基因組學、免疫組學、神經科學等。國外AI企業往往擁有有較多的資源與經驗，

例如，專注疾病基因搜尋的GoogleDeepMind團隊，就透過人工智慧系統，解析出了人體中幾乎所有蛋白質的結構。

這樣一來，AJ就可以判斷DNA中的字母是否會產生正確的結構。如果不是，它將被列為潛在的致病因素。

類似的例子，還有用AI技術幫助醫生分析癌症病理影像，以及發現新的治療方法和藥物的Paige.AI。

Paige原本利用自有50萬份癌症醫學病理學切片的10億張圖片，創建全球第一個大型基礎模型。在和微軟合作下，雙方將開發全球規模最大的癌症圖片AI模型，參數高達十億。

國內的AI醫療技術雖然在某些領域有所突破，如影像診斷、智能問診等，但仍存在一些技術難題與挑戰，如資料孤島、資料品質等。

同時，國內在AI醫療的應用情境較為集中，主要集中在輔助側與資料側，如CDSS（臨床決策支援系統）、智慧病案和醫學資料智慧平台等。

其中湧現的代表性企業，就有利用AI技術進行影像診斷聯影智這樣的AI企業。

透過搭載了智慧演算法的CT攝像頭，將深度學習卷積神經網路與典型的模式識別演算法創新地結合在一起，從而精準識別CT掃描範圍。

類似的國內企業，也有利用AI技術進行臨床診斷的推想醫療。

其主要技術，是透過深度學習及卷積神經網路模型，模仿人類認知過程，讓AI模型自動挖掘醫學影像中的規律。

其AI產品InferOperate，透過對腦電圖、腦功能影像等多種類型的神經影像資料進行深度學習，擷取影像特徵，定位病灶，從而為醫師提供智慧手術規劃、術中全自動定位導航等。

趨勢和機遇

目前來看，雖然由於產業生態、技術基礎、運算資源等原因，國內AI醫療與國外相比仍有差距，但從市場成長率與規模來看，國內在AI醫療的發展上有較大的市場空間和成長潛力，面臨較高的醫療需求。

根據華經產業研究院的數據，2021年中國AI醫療產業市場規模約95億元，預計2025年達到385億元。

資料來源：華經產業研究院

在可預見的未來，國內AI醫療將在AI藥物研發、AI+病理、AI醫療影像、AI醫療器材等主要領域持續發力。

而從市場需求及規模來看，AI醫療影像及AI藥物研發將成為主要的成長突破。

具體來說，AI 醫療影像應用相對成熟，產品上市數量較多。根據Global Market Insights 數據，全球AI 醫療影像市場規模佔醫療AI 市場的25%，僅次於AI 製藥為第二大細分市場。

對國內醫療產業來說，目前我國醫療影像數據的年增率高達30%，但是影像科的醫師年增率卻只有4%。

考慮到醫師的訓練週期比較長，發展AI影像醫療能夠有效緩解醫療人才短缺的問題，市場仍有較大的成長潛能。

根36氪分析，預計2020-2025年複合年增長率（CAGR）為39.4%，2025年將突破300億元。其中，AI醫學影像市場佔比最高，達50.6%。

而在AI藥物研發方面，AI可以有效解決新藥研發的高成本、低效率和高風險的問題。

2020年我國新藥研發產業的市場規模為1.2兆元，但新藥研發的成功率僅11.3%，即使進入III期臨床成功率也只有53.4%，臨床階段整體費用佔比高達70%。

這說明新藥研發需要投入龐大的資金和時間，但是收益和風險都很不確定。

而透過人工智慧的認知能力，加速標靶發現、化合物篩選、藥物設計等環節，可以有效提升新藥的成功率與品質。

2021年，我國AI藥企英矽智能與浙江大學合作，利用自主研發的AI平台，對抗癌藥物PD-1抗體進行了優化設計，並獲得了美國FDA的臨床試驗許可。

這樣的成就，顯示了AI技術在新藥研發方面的潛力，也預示了其規模化成長的可能性。

根據DPI發布的醫療產業報告，AI藥物研發的全球市場規模預計將從2020年的40億美元成長到2027年的203億美元，年複合成長率達到26.5%。

在當下如火如荼的AI浪潮中，大模型所帶來的賦能，只是AI醫療領域的冰山一角，隨著AI革命的持續進行，早已起勢的AI醫療，必定會帶來更多機會與亮點。