产业研究|AI智慧医疗行业研究报告(一)

AI智慧医疗行业正从技术验证的“试验田”跨入商业化爆发的“深水区”。全球市场规模2025年约393亿美元，中国市场达1157亿元，预计以10.5%的年复合增长率持续扩张。AI已渗透医学影像、药物研发、临床辅助决策等全链条，国家五部门明确8大方向24项重点应用。研究该产业有助于优化医疗资源配置、缓解供需矛盾；投资该产业可把握千亿级市场增长红利与国产替代机遇；培育该产业能提升我国在全球AI医疗领域的核心竞争力。

关键词：AI制药、智慧医院、AI医学影像、AI医学检验、AI健康管理

一

智慧医疗/AI医疗行业概述

（一）智慧医疗/AI医疗的基本概念

智慧医疗/AI医疗是指通过机器学习、自然语言处理（NLP）、计算机视觉等技术，对医疗数据进行深度分析，辅助临床决策、优化诊疗流程、提升医疗效率的智能化应用体系。AI医疗是利用人工智能技术来帮助医生和医疗机构更快、更好地处理医疗数据、诊断疾病、管理患者健康等。AI可以通过深度学习和分析大量的医学影像、病历数据、基因信息等资料，在此基础上提供更精准的诊断和治疗方案。

AI医疗核心技术包括医学影像分析、自然语言处理、机器学习等，例如谷歌旗下的DeepMind公司开发的AI系统，已经在眼科疾病诊断中表现出色，能够通过分析眼底扫描图像，准确诊断出糖尿病视网膜病变等疾病。 

AI在医疗中的应用非常广泛，主要包括辅助诊断、临床决策、健康管理、药物研发以及医疗机器人等。通过在这些场景应用AI，可以帮助实现降低成本、提高效率，同时优化病人体验、提高诊疗质量、减少潜在疾病等目标，全方位赋能医疗服务的各个环节。

图表：AI医疗应用场景

资料来源：纬迪资本，东北证券

AI赋能的核心价值：

AI医疗提高医疗质量和效率。AI在学习速度与能力方面的卓越表现已广为人知。借助AI技术，能够高效地汇聚过往病例及医学知识，并构建相应模型。在此过程中，AI可助力医生更为迅速地处理海量医疗数据，减轻重复性工作负担，使医生得以将更多时间投入到患者治疗环节，同时辅助制定更为规范的治疗方案，降低人为失误的概率。通过远程医疗及智能诊断系统，AI能够促使偏远地区的患者获取与大型医院相当的医疗服务，推动医疗资源实现更为合理的重新分配，进而让更多人受益于高质量的医疗服务。

以IBM公司的Watson for Oncology 系统为例，该系统能够通过深度分析海量医学文献以及患者数据， 为癌症患者量身定制个性化治疗方案。这一应用不仅显著节省了医生的时间成本，还有效提升了治疗的精准程度。 

AI 医疗解决“看病难、看病贵”的问题。在传统医疗领域，美国耶鲁大学教授William Kissick 曾提出一个广为人知的理论——“不可能三角”。该理论核心观点为，医疗服务的质量、价格以及就诊速度这三个关键要素，在实际情境中往往难以同时兼顾。 

然而，人工智能的兴起，为突破这一“不可能三角”带来了曙光。AI 技术能够助力医疗机构优化患者管理流程，大幅缩短患者排队等候时间。经过充分数据学习训练的AI 系统，其诊疗能力可达到甚至超越具有10 年以上临床经验医生的水平。与此同时，AI 在药物研发进程中亦能发挥关键作用，可显著压缩研发周期，这不仅有效降低了研发成本，还减轻了患者的用药经济负担，有力推动了药物的广泛普及。

图表：医疗领域“不可能三角”

资料来源：纬迪资本，东北证券

AI 凭借对患者个体基因数据、既往病史详情以及生活习惯特征等多源信息的深度挖掘与整合分析，能够精准构建契合个体特质的治疗策略。这种基于精准医学理念的个性化治疗模式，不仅显著提升治疗效果， 还能有效规避因传统经验性治疗导致的不必要药物不良反应。以美国23andMe 公司为例，该公司借助先进的基因检测技术，结合AI算法对海量基因数据进行深度剖析，帮助用户精准评估自身罹患遗传疾病的潜在风险，并据此提供科学、个性化的健康管理建议，为疾病预防与早期干预提供有力支撑。

AI医疗的优势：

提高诊断准确性：AI能够对海量医疗数据进行学习和分析，发现人类难以察觉的规律和模式，减少误诊和漏诊的发生。

提升医疗效率：自动化的流程和决策支持系统可以替代或辅助人工操作，如数据分析、病历管理、患者监护等，使医生能够将更多时间和精力集中在患者的治疗上，提高医疗服务的整体效率。

加速药物研发：AI技术可以模拟化学反应和分子结构，预测药物的效果和副作用，大大节省了药物研发过程中的实验和临床试验时间，加快新药上市的速度。

实现个性化医疗：通过对个体的全面健康数据分析，为患者量身定制个性化的治疗方案，提高治疗的有效性和安全性。

（二）智慧医疗/AI医疗的发展历程

从国内AI医疗发展历程来看，自2018年开始，我国人工智能医疗行业监管政策逐步完善，个别赛道开始出现可行性强的商业模式。2021年7月，国家药监局发布《人工智能医用软件产品分类界定指导原则》，明确人工智能医用软件产品按照第三类医疗器械管理。 

我国的AI医疗进程可以划分为以下三个阶段： 

1.萌芽阶段（1978—2015年）

特点：医疗数据孤岛林立、数据治理有待展开，临床AI应用稀缺。 

技术：此阶段的AI医疗产品以辅助医生诊疗的程序或系统为主，几乎没有应用于临床，整体产业仅出现一个初步的形态。 

2.起步阶段（2015—2021年） 

特点：数据建设初步展开，部分疾病标准数据库建立、基于深度学习的感知智能应用兴起。 

技术：医疗大数据建设展开，信息系统升级改造，眼底与肺部影像的标准数据库建立；基于深度学习的影像应用走到感知应用发展的前端，NLP、KG等其他应用在慢跑；商业模式处于混沌的初步尝试阶段，可行模式未确定。 

3.探索阶段（2021年至今）

特点：医疗数据互联互通建设进一步展开、感知应用算法迭代、应用横纵开拓。 

技术：医院内部各科室、医院与医院、医院与当地卫健委之间的数据互联互通建设由信息系统改造转向数据治理阶段领跑的影像应用往尚未覆盖的疾病诊疗领域横向拓展与深度挖掘，NLP应用追赶至前端，KG、ML蓄力慢跑。

图表：我国与全球AI医疗发展历程

资料来源：深度求学，东北证券

（三）智慧医疗/AI医疗驱动因素

1.人口老龄化和慢性病患者数量的增加，导致对医疗服务的需求日益增长

当前我国医疗资源地域分布不均，城乡及区域差异显著，农村和偏远地区医疗设施简陋、人员短缺，难以满足基本需求，加之人口老龄化加速和公众健康意识提升，患者数量持续增加，医院超负荷运转，就医体验下降，同时健康科普促使人们更重视健康管理，追求高效精准个性化服务；AI医疗凭借强大的学习、数据处理和创新能力，在影像诊断、临床决策支持和健康管理等领域提供快速准确辅助，提升诊断效率、减少误诊漏诊，并实现个性化健康干预，为解决医疗资源不足提供了新途径，使公共卫生机构能在有限资源下服务更多患者，满足日益增长的健康需求，因此对AI医疗的需求必将显著增加。

2.大模型技术升级，驱动AI在医疗场景落地

近年来，全球大模型技术进入加速进化阶段，大模型的推理能力和多模态能力持续升级。与此同时，大模型应用成本不断降低，开源运动兴起，大模型在各领域的应用条件愈发成熟。在医疗领域，大模型技术正在加速落地，单模数据处理正在向多模态数据处理转变，DeepSeek以低成本和开源的优势，成为国内医疗机构部署的首选。

（1）技术驱动AI医疗发展，当前进入多模态融合阶段 

AI技术在医疗领域的应用历经了从规则驱动到数据驱动、从单一任务优化到多模态协同的演变，大致可分为以下四个关键阶段： 

1）规则驱动与专家系统时代：该阶段主要是基于人工提炼的医学规则构建诊断系统，代表性的产品是早期的专家系统（如MYCIN、INTERNIST-1），通过逻辑推理模拟医生的临床决策。 

2）传统机器学习与影像识别阶段：该阶段主要利用统计学与浅层模型处理结构化医疗数据。代表性技术是SVM、随机森林等算法应用于医学影像分类。 

3）深度学习与单模态模型阶段：通过深度神经网络自主提取特征，实现单模态数据的端到端学习。代表性技术是卷积神经网络（CNN）、循环神经网络（RNN），AI技术主要应用于影像诊断和病理辅助。 

4）大模型与多模态融合时代：借助Transformer架构统一处理跨模态数据，构建“感知－推理－协作”全链条能力，主要应用场景是临床决策支持、药物研发和远程医疗。 

在临床医疗中，往往需要综合多源、多模态的数据，进行诊断、预后评估和制定治疗方案。大模型的多模态数据处理能力，开启了AI医疗的新篇章。 

早期医疗AI多局限于单一任务优化，主要存在信息割裂、解释性弱和数据孤岛等问题：a.信息割裂：如仅凭影像无法判断肿瘤病理分型；b.传统CNN模型无法像医生一样用自然语言解释诊断依据；c.数据孤岛：不同医院使用的影像格式、病历系统互不兼容。 

大模型通过“预训练+微调”架构，用统一参数体系处理多模态医疗数据：使用Transformer架构对不同模态数据（文本、图像、基因序列）进行向量化编码，在隐空间实现信息对齐。对比学习（如CLIP技术）降低跨模态对齐成本，避免传统方法需人工标注海量匹配样本的负担。在临床应用中，借助多模态技术，AI可以实现跨模态数据的理解和动态时序建模。 

（2）DeepSeek推动国内AI医疗渗透 

2025年DeepSeek爆火推动国内AI医疗渗透：高性能、低成本、开源和隐私安全等推动医疗领域渗透。 

1）AI医生已达到三甲医院医生水准，例如与四川华西医院主治医生评测对比，AI医生比分结果一致性达96%；MedQA数据集中DeepSeekR1诊断准确率达93%。 

2）MoE、MLA等降低推理成本使资金压力大的医疗机构能够接入。 

3）开源下能够更好地本地化部署，在院端高数据隐私环境下更适用。 

截至2025年2月，全国近90家知名三甲医院部署DeepSeek：核心应用场景从辅助诊断辐射全流程优化，病理与影像分析智能化、临床决策与病历管理、患者服务与流程再造。

图表：接入DeepSeek的代表性案例

资料来源：CSDN，新浪网，申万宏源研究

3.政策助力，AI医疗市场规模快速增长

政策端：支持性文件频发，推动医疗智能化升级。近年来，我国为树立医院对前沿技术的正确认知并引导相关产业快速发展，开始围绕AI出台相关政策，从宏观层面推动AI技术在医疗领域的应用，旨在提高医疗服务效率和质量，最终实现医疗行业的智能化升级。这些政策的实施，不仅促进了AI技术在医疗领域的广泛应用，还为医疗行业的未来发展指明了方向，推动了医疗服务质量的提升和医疗资源的优化配置。

《健康中国行动——慢性呼吸系统疾病防治行动实施方案（2024—2030年）》《中药标准管理专门规定》等产业政策为AI医疗行业的发展提供了明确的指导建议和发展前景。国家卫生健康委等三部委联合发布《卫生健康行业人工智能应用场景参考指引》，给出了84个应用场景，包括医学影像智能辅助诊断、智能导诊、智能病历辅助生成、智能中医临床辅助诊疗、智能医疗质量管理、智能健康管理、智能公共卫生群体数据分析等，推进卫生健康行业“人工智能+”应用创新发展。

图表：AI医疗近年重点政策梳理

资料来源：前瞻产业研究院，创元乙方，东北证券

二

智慧医疗/AI医疗行业发展现状

（一）智慧医疗/AI医疗应用细分领域

AI正在迅速渗透医疗行业的各个环节，从具体应用场景分类，可将其划分为C端自我管理、B2C远程管理、B2C临床管理、B端自我管理。细分赛道包括但不限于影像诊断、药物研发、临床决策支持、健康管理等。AI医疗的价值体现在提升医疗服务质量、增加医疗服务可及性以及降低医疗成本上。 

图表：AI医疗全景图

资料来源：国联民生证券研究所

AI医学影像：医学影像是利用光、电、磁、声等物理现象，以非侵入方式获得人体或人体某部分内部组织的影像。临床超过70%的诊断都依赖于医学影像。临床中最常见的影像模态包括X线摄影、CT、MRI和超声等。人工智能应用于医学影像，主要是通过深度学习实现机器对医学影像的分析判断，帮助医生更快获取影像信息，进行定性定量分析，提升医生阅片效率，协助发现隐藏病灶，协助医生完成诊断工作。AI医学影像是AI医疗领域目前最为成熟和常见的领域之一。

药物研发：传统的药物研发模式依赖研发人员的经验以及大量的试错实验，不仅耗费大量的时间和资金，而且成功率相对较低。据相关研究表明，研发一种新药平均需要投入约26亿美元，耗时长达12—15年，然而在临床试验阶段的成功率却不足10%。AI在药物研发领域的应用有助于缩短药物上市周期，降低研发成本，提高研发效率。

AI医学检验：在检验流程智能化、辅助诊断与疾病预测、质量控制与数据价值挖掘、病理诊断与影像分析、个性化医疗与精准治疗有广泛应用。医学检验是对取自人体的材料进行微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学等方面的检验，从而为预防、诊断、治疗人体疾病和评估人体健康提供信息的一门科学。AI在医学检验领域，以图像识别需求最为强烈，从外周血、骨髓细胞形态到尿液、粪便、阴道分泌物以及各种来源样本的病原体的准确识别和精确分类，从而实现快速、便捷的临床样本检测。目前AI已逐渐走进临床与检验融合，出现了采血机器人、图像智能判读和智能报告审核与复检等诸多应用场景。

AI赋能医疗信息化：AI+医疗信息化的应用场景广泛，具体包括临床决策支持，电子病历，医疗资源调控以及远程治疗及智慧医院的建设等。1）临床决策支持，通过AI整合临床数据、医学知识库和实时患者信息，为医生提供循证医学建议，降低误诊风险并提升诊疗质量。2）在电子病历方面，人工智能能够多模态地梳理并理解医患间的对话内容，提升病历记录的效率。同时，AI通过对历史病历信息的读取，可以更好地了解患者的基本信息、过往药史等，使患者图像更为清晰。3）在医疗资源调控方面，AI算力的提升加快对医院信息、药物存量、患者情况的收集、处理、交换速度，更方便调配医疗资源，发掘医疗潜能，并提升公共卫生事件的应对效率。4）在远程医疗方面，虚拟现实技术突破了智能医生与患者之间的时空限制，并对术后跟踪、慢病治疗环节有所效益。

健康管理：AI健康管理，是指运用新一代信息、通信、人工智能、生物信息等技术手段，感测、分析、整合健康数据采集、健康检测与监测、健康评估、健康干预等关键环节的各项信息，从而对个体或群体的健康需求做出智能响应的新模式。AI助力健康管理可以帮助医生和患者更好地了解自己的病情，进而提高治疗效率和质量。AI技术在健康管理领域的应用，如智能可穿戴设备，能够实现对用户健康状况的实时监测和管理。

图表：AI赋能医疗服务众多环节

资料来源：甲子光年智库

（二）智慧医疗/AI医疗市场规模

2025年中国AI医疗行业规模将达到1157亿元，预计在2028年达到1598亿元，2022—2028年CAGR为10.5%。AI医疗的快速发展得益于人口老龄化和医护人员短缺的大环境，AI技术能够缓解医疗资源供需矛盾，提高医疗体系的效率，减轻医务人员的工作负担，并加速药物和疫苗的研发进度。AI在药物及疫苗研发、基因组学、医学影像、智能医院和医疗仪器等领域的应用前景广阔。

图表：2022—2028年AI医疗市场规模及增速

资料来源：IDC，国家统计局，卫健委，甲子光年智库

图表：老龄化加剧+医护短缺推动AI医疗市场发展

资料来源：甲子光年智库

（三）智慧医疗/AI医疗资本市场情况

AI医疗一级市场融资在2023年经历显著回暖后，2024年医疗AI领域的融资热度回落至与2022年相当的水平。具体来看，在2022年9月1日至2023年8月31日期间，医疗AI相关融资事件共计发生160起，与2021年9月1日至2022年8月31日期间的融资事件总数相比，增长率达42.86%。然而，在2023年9月1日至2024年8月9日期间，融资事件总数急剧下降，仅为99起。

英伟达多次投注，做AI制药发展重要推手。通过对各细分领域的深入剖析可知，影像、信息化以及机器人赛道在2023年经历短暂回暖后，2024年资本投入的频次已回落至2022年的相近水平。反观制药赛道，在同期内，投融资事件数量呈持续下降态势。即便在2023年整个医疗AI赛道呈现“报复式”回暖时，制药赛道也未展现出同步的增长趋势。由此可见，由于AI制药领域至今尚无一款药物成功推进至上市阶段，随着时间的推移，这一状况正逐渐加剧对资本信心的负面影响。不过，放眼全球，AI制药依然充满生机。英伟达近两年在该赛道频繁出手“疯狂扫货”成为AI制药回暖的重要推手。据Pitchbook、Crunchbase及动脉橙产业智库数据，英伟达在2023年及2024年（截至2024年9月5日）共参与投资超过70起，所有投资无一例外，均与AI相关，而其中至少投注AI制药企业14家，医疗其他领域企业8家。 

在医疗相关的其他领域，2024年英伟达亦投注了如信息化领域的Artsight、健康管理领域的Abridge以及机器人领域的Neocis等AI企业。对于生成式AI及其相关技术，握有算力优势的英伟达比任何一家投资机构更加坚信也更有可能实现它的颠覆性，进而破除现有AI面临的顽疾，左右诊疗、制药新时代的格局，英伟达近两年在医疗AI，尤其是AI制药领域的频繁出手给行业注入了信心。

融资轮次靠后，大模型展现强吸金能力。从融资轮次看，2024年整个医疗AI领域A轮系列（包括preA轮、A+轮、A++轮及A轮后的战略融资等）及A轮以前的早期投资总占比均有所下降，而B轮系列及之后的成熟企业的资本投注占比更多，这也侧面印证了资本对医疗AI领域逐步谨慎的态度。2024年平均单笔医疗AI的融资金额也较2023年接近翻了一倍，从6893.63万增加至10344.53万元，最大单笔投资来自腾讯、阿里、小米等，投注于专注医疗大模型的百川智能，是一笔高达3亿美金的A轮融资。

（四）智慧医疗/AI医疗发展面临挑战

医疗行业作为典型的人才与知识密集型领域，其诊疗流程横跨多个科室与部门，环环相扣且决策因素繁杂，这为人工智能技术提供了广阔的应用空间，AI有望通过高效整合海量信息，为医护人员提供精准的决策支持。

然而，我国医疗领域长期存在的“重临床、轻数据”倾向，导致数据存储质量参差不齐、标准严重缺失，极大地阻碍了数据的有效共享与流通，形成了制约AI赋能医疗的“数据孤岛”瓶颈。

随着医疗数据的爆炸式增长，这一瓶颈进一步凸显出两大核心难题：一是数据安全与隐私保护，这要求在合规合法的前提下，建立严格的数据加密、访问控制、可追溯与可审计机制；二是数据质量与标准化，亟须构建统一的数据质量管理体系，全面提升数据的可读性、可理解性、可扩展性与可维护性，从而为AI在医疗领域的深度应用奠定坚实、可靠的数据基础。

图表：AI医疗发展面临不少挑战

资料来源：甲子光年智库

未完待续