医疗人工智能发展趋势及机遇

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

医疗人工智能发展趋势及机遇

从1956年的达特矛斯会议提出“人工智能”的概念,到AlphaGo击败围棋世界冠军,人工智能的发展不过仅仅半个世纪的时间,期间都曾因遇到瓶颈而停滞不前。而如今,人工智能已经跨过了元年,计算平台、海量数据以及机器学习等技术的助推力,把人工智能的发展推到了一个前所未有的速度等级。

数据是医学人工智能的能源,如果没有数据能源就像即使发明了汽车但没有汽油一样,是没办法跑动的。IDC曾预测,到2020年,全世界医疗数据总量将达到40万亿GB,是2010年的30倍。数据生成和共享的速度迅速增加,但目前仍有80%的数据为非结构化数据。

医疗人工智能在中国的机遇

医学人工智能是解决医疗生产力的根本之道。在我国,人口老龄化、慢病高速增长、医疗资源供需严重失衡以及地域分配不均等问题,造就了对医疗人工智能的巨大需求;同时,我国人口基数大、产业组合丰富、人才储备充分等特点,又给人工智能的发展提供了很好的基础。

另一方面,近年来国家发布的80多条全国性政策以及多条医疗人工智能专项政策,都表明医疗人工智能的发展迎来政策利好。因此,中国已经成为了全球领先的AI研发中心,医学人工智能在中国的发展面临着非常好的机遇。

根据火石创造HSMAP系统的统计数据,目前,国内医疗人工智能相关企业多达139家,主要分布在北京、广州以及长三角地区。

从时间的维度上来看,国内的医疗人工智能企业从2014年开始出现了一个增长的高峰,虽然相较于国外来说发展较晚,但是近三年来的增长非常迅速,创业公司层出不穷。

医疗人工智能产业链与企业图谱

从大的产业链层面来看整个行业的业态,我们可以看到,整个产业链可以分为三个层次:基础层、技术层与应用层。由于基础算法和计算平台、海量的数据来源还有机器学习、图像识别的基础技术的壁垒较高,往往需要较长期的高投入才能有高回报,因此科技巨头往往偏向于布局底层,而创业公司则往往选择在变现能力强、容易进入的辅助诊断、健康管理和药物研发等应用层扎堆。

根据企业的分布情况,可以将产业链中的企业做一个划分。按照治疗前、治疗期间以及治疗后及康复阶段,国内外的公司均可分成9个类别,其中语音交互、信息化管理等分类中的公司,它们发挥的作用可能会贯穿整个诊疗过程。

国外的公司分类略有不同,相较之下,国外将人工智能用于药物挖掘的创业公司比例较高,对药物研发产业来说,研发效率和成功率的提升非常重要,用研发投入去计算市场容量其实可以发现,这部分的市场容量是更大的。

医学人工智能产业发展趋势

1、治疗前阶段

临床治疗前涵盖了辅助诊断、医学影像诊断、虚拟助手等领域的公司。目前,这部分是AI发展比较成熟的部分,比如影像辅助诊断如果与病理分析相结合,准确率可以高达99.5%,并且大大缓解放射医生的工作强度。

从投资情况来看,这部分的公司是目前资本最活跃的部分的,市场规模预计可以达到万亿,创业公司的活跃度相当高。

2、治疗阶段

药物研发、智能医疗机器人都是这个阶段的应用形式,从全球的情况来看,AI辅助药物研发的公司比例相对较高,在研发周期长、投入大、失败率高等为特点的药物研发现状影响下,产业发展的需求量大,可达到千亿级的市场。

目前医疗机器人全球做的最好的是达芬奇机器人,国内也有部分初创公司在做这部分工作。AI结合医疗机器人的市场前景其实被广泛看好,在未来将是高速增长的一部分。

3、治疗后及康复阶段

人工智能在这一阶段的应用有着覆盖范围广、应用场景多等特点,涉及健康管理、可穿戴设备、风险预测、信息化和数据管理等,有很大一部分都是消费级的产品,在未来可能会是增长规模最大的部分。

医学人工智能本身就是跨界融合的领域,将医学、生物学与IT等充分结合在一起。因此,科技巨头们也都在纷纷跨界医学人工智能领域。

目前,包括BAT在内,国内共有8家新三板以及上市公司布局医疗人工智能领域。有数据显示全球总共有1800多家全行业人工智能的企业,其中基础平台公司与应用公司的比例大概是1:10000。

从上图的微笑曲线可以看到人工智能产业链的本质,即数据交易市场的完善与分析算法的趋同,使得这两个领域附加价值不断降低;而数据的供给侧与最后的解决方案则会成为附加价值的最高处。

人工智能发展中存在的问题

正如上文中所说,在大量的医疗数据中,有80%是非结构化的数据,它们藏在医院的病例资料里,藏在海量的影像片子里,大部分都无法被获得,也无法被计算机识别和处理。

因此,如何能高效地将非结构化的数据转化成机器可以识别的结构化数据?如何打破数据壁垒和信息孤岛,使得优质的数据来源能真正为医学人工智能的发展服务,都是亟待解决的问题。

另外,在临床诊疗过程中,人工智能如果真的能取代医生进行决策,万一0.1%概率的医疗差错出现,医疗责任主体又该如何确定?行业的发展又该如何解决监管的问题?

如果这些问题不在发展的过程中同步解决,将会制约产业本身的发展。

相关文档
最新文档