AI医疗行业概览

1.1 AI技术的发展历程分析

1.1.1 AI的发展历史分析 

1956年人工智能（Artificial Intelligence, AI）概念提出后，相继取得了一批令人瞩目的研究成果。人工智能发展初期的突破性进展提升了人们对人工智能的期待，但是当时的技术发展并不足以支撑很多富有想象力的目标的实现。1974~1980和1987~1993年，人工智能发展进入两个低迷期，但此阶段仍有令人瞩目的成果产生。如20世纪70年代出现的专家系统（Expert System，ES），可模拟人类专家的知识和经验解决相关问题，专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。20世纪90年代中期~2010年，网络技术的发展加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。2011年至今，随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术的技术持续突破，尤其是2022年底ChatGPT的问世，推动人工智能迎来爆发式增长的新高潮。以谷歌、微软、英伟达、阿里、华为、腾讯等为代表的国内外企业纷纷展开大模型的研究与探索。

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。它通过使用各种算法和模型，使机器能够执行通常需要人类智能才能完成的任务。在具体应用场景上的专用人工智能可应用于特定的任务或领域，根据具体的应用场景和需求进行优化和定制，实现更高效、更准确的智能处理。

1.1.2 常见AI模型类型

机器学习（Machine Learning, ML）是指计算机系统无须遵照既定的程序指令，而只依靠数据来提升自身性能的技术。根据学习方式，机器学习可以分为监督学习、无监督学习、强化学习等；根据任务类型，则可分为分类、回归、聚类、生成等类型；而常见的机器学习算法包括决策树（DT）、随机森林（RF）等。这些方法使计算机能够从标记或未标记的数据中学习，并通过与环境的交互来优化其行为。其被广泛应用于智能推荐系统和自然语言处理等多个领域，极大地提高了数据处理和决策的效率。深度学习（Deep Learning, DL）是一种通过多层神经网络来学习和理解复杂数据的算法。深度学习使用了神经网络结构，神经网络的长度常被称为模型的“深度”。深度学习能够自我获取知识或从原始数据中提取模式，并通过在模型中加入多层的计算单元构建深度模型，从而获得强大的表示学习能力，能够从数据中学习到多层次的抽象表征。常见的深度学习模型卷积神经网络（CNN）、循环神经网络（RNN）等。深度学习可以摄取原始形式的非结构化数据，并且可以自动确定一组特征来区分不同类别的数据。

生成式模型（Generative Models）是一种能够学习并模仿数据生成过程的模型，它通过学习输入数据的概率分布规律，进而生成新的数据样本。它属于一类基于概率模型的学习方法，主要包括生成对抗网络（GAN）、变分自编码器（VAE）、递归神经网络（RNN）、语言模型等。其有点在于运用隐藏变量的概率分布来生成和重构数据，广泛应用于计算机视觉、自然语言处理等场景。

1.2 AI医疗行业概览

1.2.1 AI医疗的发展历史

AI在医疗健康领域广泛应用，覆盖药械研发、疾病诊断与治疗、康复医疗、健康保险、医疗保健、疾病防控、健康检查等，并已实现多点落地。通过加速药物筛选、提升影像诊断精度、制定个性化治疗计划、智能风险管理、穿戴设备监控、疫情预测及资源优化等，AI正全面深入医疗健康版图，提供更高效、更智能、更个性化的健康管理解决方案。在医疗需求迅速扩增的今天，AI医疗将持续吸引更多人才涌入、资本注入和政策倾斜，市场前景广阔。

1.2.2. AI医疗的应用场景分析 

1.3 AI医学影像行业分析

1.3.1 医疗检查概述 

医疗检查是指用于评估个体健康状况的一系列检查和程序。其目的是为了诊断、监测、预防疾病，以及对已诊断的疾病进行管理。医疗检查通常包括体液分析、医学影像检查、内镜检查、身体功能检查、病理检查、遗传物质分析（基因检测、染色体检查）等。

医学影像是指针对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，通过X射线成像设备、磁共振成像设备、超声诊断设备、核医学诊断设备等把人体内部组织器官结构或密度以影像方式予以表现，供诊断医师进行判断，进而达到对人体健康状况进行评价的目的。

随着医学成像技术的不断发展，其观察精度从组织层面向分子、细胞乃至染色体层面持续深入。传统的组织影像学提供了对疾病整体结构和形态的宏观理解。而先进的染色及成像技术的发展能够更精细地观察和分析细胞和染色体水平的变化。病理检查指通过手术切除、内镜活检、细针穿刺等方式获取人体组织或细胞，借助显微镜等工具对样本进行一系列处理和观察，研究疾病病因、发病机制、形态结构、功能和代谢等方面的改变。病理诊断是绝大部分疾病，尤其是肿瘤疾病的诊断“金标准”。

AI在病理学诊断中的突出表现吸引了一批企业布局研发，如复星杏脉的AI-ROSE系列产品专注于AI辅助病理诊断，其“气管镜AIROSE智能辅助分析系统”由全自动数字显微镜和AI分析软件组成，可对穿刺标本进行快速、客准确的质量评估、性质判定、诊断分型，减少人为主观偏倚造成的不良影响；甲状腺AI-ROSE系统由精密仪器现场自动扫描玻片，AI辅助分析细胞学诊断结果，提高医生取样满意度，降低重复活检次数，有效指导诊疗进程并提升诊断的精确性。

染色体检查

核型是指染色体组在有丝分裂中期的表型, 是染色体数目、大小、形态特征的总和。在对染色体进行测量计算的基础上, 进行分组、排队、配对, 并进行形态分析的过程叫核型分析。其检查过程是将特定的细胞培养后,进行特殊制片染色和显带，在光学显微镜下观察分裂中期的染色体数目和结构，该方法是确诊染色体病的基本方法。

染色体核型分析是产前及孕期的一项重要检查，能预测生育染色体病后代的风险，可以及早发现遗传疾病及本人是否有影响生育的染色体异常、常见性染色体异常，以采取积极有效的干预措施；染色体核型分析在血液病的诊断、治疗、预后及监测复发也有很重要的作用。

1.3.2 医学影像行业痛点

患者数量增加、设备精度提升以及对更精准诊断的追求是医疗数据大量积累的重要原因。我国出台了一系列促进医疗信息化的政策措施，如鼓励使用电子病例、推广远程医疗服务、加强医疗大数据平台建设等，为医疗数据的标准化采集和集中存储提供了坚实基础。海量医疗数据潜藏着巨大价值，对其的分析将推动疾病诊治、健康管理等各方面的积极发展，而数据间缺乏统一记录和传输标准、医生资源不足等制约了此类资源的利用，因此，开发和应用能对医疗数据进行快速准确分析的软件迫在眉睫

•医生资源不足：根据《中国卫生健康统计年鉴2022》和国家统计局数字推算，2021年中国影像科医生配置约为0.17人/千人。培养一名合格的影像科医生，从本科起算，至少需8至10年之久。增长的医疗需求与医疗资源短缺间存在矛盾；

•影像数据解读难度大、时间长：医学影像设备出具的报告解读需具备强大专业背景、出具报告过程不智能等影响了影像数据分析的效率。宁波大学附属医院曾统计了影像科医生的工作量：包括处理80至100份CT检查报告，60至80份磁共振成像，或是120至150个超声检查部位。这些工作至少需要耗时10小时；

•医学影像设备昂贵：医学影像设备价格昂贵。如根据中国政府采购网数据，一台CT设备的中标价格在几百至上千万不等。价格高昂的医学影像设备增加了医疗机构的财务负担且并加剧了医疗资源分配不均的问题；我国面临医疗资源总量不足及分布不均的问题，基层医疗机构的服务效能尚待提升，造成了大型医疗机构人满为患，而小型或基层医院则门庭冷落。国家的医疗资源主要集中于公立医院，尤其是三级甲等医院的常规检查部门，经常处于超负荷运转状态。而另一方面，一些基层医疗单位因无力承担高端检测设备的巨额费用，在医学检测服务上力不从心，陷入了服务供给匮乏的困境。这种两级分化加剧了我国医学影像诊断在供需层面的不匹配状态

1.3.3 AI医学影像应用优势 

患者数量增加、设备精度提升以及对更精准诊断的追求是医疗数据大量积累的重要原因。我国出台了一系列促进医疗信息化的政策措施，如鼓励使用电子病例、推广远程医疗服务、加强医疗大数据平台建设等，为医疗数据的标准化采集和集中存储提供了坚实基础。海量医疗数据潜藏着巨大价值，对其的分析将推动疾病诊治、健康管理等各方面的积极发展，而数据间缺乏统一记录和传输标准、医生资源不足等制约了此类资源的利用，因此，开发和应用能对医疗数据进行快速准确分析的软件迫在眉睫 

•医生资源不足：根据《中国卫生健康统计年鉴2022》和国家统计局数字推算，2021年中国影像科医生配置约为0.17人/千人。培养一名合格的影像科医生，从本科起算，至少需8至10年之久。增长的医疗需求与医疗资源短缺间存在矛盾；

•影像数据解读难度大、时间长：医学影像设备出具的报告解读需具备强大专业背景、出具报告过程不智能等影响了影像数据分析的效率。宁波大学附属医院曾统计了影像科医生的工作量：包括处理80至100份CT检查报告，60至80份磁共振成像，或是120至150个超声检查部位。这些工作至少需要耗时10小时；

•医学影像设备昂贵：医学影像设备价格昂贵。如根据中国政府采购网数据，一台CT设备的中标价格在几百至上千万不等。价格高昂的医学影像设备增加了医疗机构的财务负担且并加剧了医疗资源分配不均的问题； 我国面临医疗资源总量不足及分布不均的问题，基层医疗机构的服务效能尚待提升，造成了大型医疗机构人满为患，而小型或基层医院则门庭冷落。国家的医疗资源主要集中于公立医院，尤其是三级甲等医院的常规检查部门，经常处于超负荷运转状态。而另一方面，一些基层医疗单位因无力承担高端检测设备的巨额费用，在医学检测服务上力不从心，陷入了服务供给匮乏的困境。这种两级分化加剧了我国医学影像诊断在供需层面的不匹配状态

AI通过海量数据的训练，能够不断地学习、优化和提升其性能和精确度。当AI系统接触到更多样化、标注精确的医学影像数据集时，AI系统能更深层次地理解和解析图像特征，精准把握输入图像与预期诊断结果间的复杂联系，确保在多种诊断任务中输出精确且可信度高的结论。此外，AI技术擅长于将原始的非结构化影像数据转换为结构化信息，优化影像质量，比如通过降噪、增强对比度等手段，大幅提高医学影像数据的可用性和诊断价值

AI能够在分钟级乃至秒级时间内完成对影像资料的分析，这极大地提高了影像学读片效率。同时，随着算法模型的不断迭代与优化，可以识别部分肉眼无法鉴别的病变，在某些特定疾病的诊断精确度上已经能够媲美经验丰富的专业医生，展现了极高的诊断效能。尤为重要的是，AI具有长时间高质量工作的独特优势，不受外界因素干扰、时刻保持高效的工作状态，这对于提高医学影像阅片的效率与质量，确保诊断结果的稳定性与可靠性具有重要意义

AI辅助诊断系统的使用可以为经验不足的影像科医生提供帮助，提高其阅片效率。AI系统经过训练后对疾病诊断的准确率不断提升，有效降低影像科医生漏诊的概率。而对经验不足医生尤其是基层医生的帮助将缓解医学影像人才紧张状况，为促进医疗资源的均衡分配与医疗服务的质量升级开辟新径

1.3.4 AI医学影像行业产业图谱分析 

AI医疗影像领域的上游主要是由软件开发商构成，例如联影智能、深睿医疗、推想医疗等。这些企业在构建AI医疗影像解决方案时，通过算力支撑对海量医疗数据进行处理，以开发先进的针对具体医疗应用场景的用户交互友好的软件系统。其开发的算法与软件通过与自产硬件设备的深度融合，或与其他硬件制造商的合作，或是直接市场化销售软件产品，来实现商业价值的转化。

中游集中了如GE、西门子、飞利浦等老牌医疗硬件设备制造商。这些企业在人工智能软件开发方面的能力相对薄弱，且搭建完整的自主研发路线意味着巨大的成本投入，因此他们倾向于与专业的软件开发企业合作。例如，2021年GE医疗就与医准智能、数坤科技、深睿医疗、推想医疗、科亚医疗等多家软件企业建立了战略合作伙伴关系，共同推进医疗影像技术的创新与应用。

最终，这些人工智能医学影像软件，不论是通过独立软件销售还是与医疗硬件设备的捆绑，被广泛应用于医院、高校及科研机构、体检中心和第三方影像诊断机构中，为医生提供辅助诊断工具，助力于各种疾病的快速准确识别与评估。