AI＋医疗可帮助我国解决医疗资源供给不足这个痛点

AI＋医疗算法生态成熟＋应用广泛

有人将人工智能在医疗上的运用，比作是医生的另一个大脑，而且是对数据的储存处理传输能力更强的大脑。

有了它，就能为群众提供更加智慧的服务，也能提升医生的工作效率，有助于缓解当前优质医疗资源紧缺的问题。

目前传统的机器学习和深度学习算法已被广泛得应用，来处理临床研究和医疗服务中的结构化数据，如医学影像数据、基因数据和生物标志物数据。

而非结构化数据，如人工笔记、医学期刊与患者调查等则依靠专门的医学自然语言处理技术来分析。

在全球联合抗击疫情的大背景下，人工智能与医疗产业也进行了快速的融合，AI＋医疗产品开始延伸到更多不同的医疗服务应用场景当中，并不断的发展落地。

目前相对成熟的应用场景主要有：AI＋医疗影像、AI＋辅助诊断、AI＋新药研发、以及AI＋健康管理等。

政府高度重视＋持续释放红利

2017年国务院发布的《新一代人工智能发展规划》中提出要发展便捷高效的智能服务，推广应用人工智能治疗新模式、新手段，建立快速精准的智能医疗体系。

从2017年开始，我国已把人工智能作为一个国策进行推动，近几年的两会上AI也被多次写入政府工作报告中。

2018年政府提出人工智能向基层医疗进行渗透，2019年将AI＋医疗的范围进一步扩大到康养范畴；2020年进一步提出未来的建设指南，期望在2023年在以医疗为代表的人工智能领域中建立一套初步的标准体系规范。

AI＋医疗市场将进入快速成长期

2019年之前，由于大部分细分领域的盈利模式尚未明朗，导致AI＋医疗市场一度陷入低谷。

2019年由于智慧病案的兴起，使得整体AI＋核心医疗软件服务市场规模超过20亿，同比增速高达93．9％，其中CDSS占比最多，达到55．2％。

2020年加之疫情的影响，AI＋医疗的优势更加凸显，因此，国家开始逐步发放各类医疗影像AI软件三类证，并进一步出台鼓励AI＋医疗发展的政策，这些将会使各细分领域的盈利模式逐渐明晰，市场也将会进入快速成长期。

从2020年到2022年，包含CDSS、AI＋辅助检查以及智慧病案等在内的核心医疗软件服务市场规模，其整体的CAGR（复合年均增长率）将达到51．9％；并预计将在2022年超过70亿美元的总值。

基础层技术层已布局完备

AI＋核心医疗产业链可以分为AI基础层，AI+医疗技术层与应用层：

基础层：除数据服务外，芯片与通信等基础核心领域已形成牢固的技术壁垒，市场呈寡头局面，中、短期内市场格局不会改变；

技术层：算法、框架以及通用技术则需要长期的投入与研发来攻克，目前各大科技企业与互联网巨头企业基本已完成布局，中小企业生存空间较少；

应用层：应用层可触达全医疗服务场景，如院内临床决策系统、手术机器人、智慧病案系统、医疗影像、药企新药研发与基因检测，已有大量的互联网医疗公司和传统医疗公司涌入。

AI＋医疗本质上可以创造出新的医疗资源供给市场，帮助我国解决医疗资源供给不足这个痛点。

凭借其出色的算法和大数据分析，不断渗透到相关服务平台的数据资源层和技术应用层。

同时，打通各个服务端口的数据壁垒，降低整体医疗成本，并实现在医学影像、辅助诊疗、健康管理、新药研发、疾病预测、虚拟助理、流程管理、研究平台等核心应用场景的完美落地，最终提升国内整体医疗水平。

AI＋医疗存在技术难点＋标准缺失

随着我国医疗体制改革的深化、分级诊疗制度的落实，政府开始加大力度解决医疗资源分配问题以及医疗服务效率问题。

其中，医疗人工智能的广泛应用在提高医疗质量和服务效率、减少误诊误治方面发挥了重要作用。

然而，目前AI＋医疗仍存在医学数据相关问题、复合人才短缺、行业标准缺失以及医疗科研转化为成熟产品的周期过长等问题。

其中，数据的获取、使用与数据共享是阻碍AI＋医疗发展的最大因素。

由于AI＋医疗发展的主要推动力仍是满足医疗行业的刚性需求，因而AI＋医疗在未来必然会打通数据壁垒，实现数据的安全、高质量及共享的应用。

医疗AI企业面临着不少痛点等待解决

像我国国内企业在医疗影像方面面临着数据流转的问题，患者无法保存和管理自己原始的影像资料。

医疗领域里最重要的是准确度，需要在综合一系列由人工智能计算出的指标的基础上，由医生来做出最后判断和决策。

由于试验设计质量参差不齐，具体的有效性很难进行比较和评估。

没有统一行业评判的标准，可能会给数百万患者带来风险。同时也易助长医疗企业炒作AI实效性的火焰。

AI在医疗领域的应用更接近与体检和预防，有时候带来的效果很大，但非常间接，不容易形成控费价值的影响。

产学研实践要扫清的障碍

从医生角度看，年轻医生首先要打好临床、教学、科研的基础，但到了一定阶段，医生不会满足于常规的工作内容，而是往产学研的方向发展，会涉及更多跨领域的合作。

医生的临床思维和程序员的开发思维存在巨大的差异，AI产品能否触及医学本质，只有让医生愿意使用它，AI才有意义。

从应用场景上看，专科与全科领域边界的划分有待明确，医养康的技术闭环没有形成。

更大的挑战来自于行业内AI评测体系标准尚未规范，造成企业理解差异大、产品良莠不齐。

医疗场景下，数据脱敏需求强烈、数据操作合规性要求高。标准的暂时缺位无疑影响这一领域的应用推广。

在另一方面，国内由医生参与和主导的产学研实践还处于探索阶段，尚未形成一个规范、明确的流程或方案，还面临一些更深层次的障碍。

医疗大数据整体建设速度略显乏力

相较其他获得互联网技术助推的行业而言，中国医疗大数据产业的整体建设速度仍略显乏力。

纵观行业历史，国内的医疗大数据发展可向上追溯至2009年新一轮医改中将电子病历等医疗信息化的建设划为重点任务，目前为止行业内已然拥有了10年的海量数据积累。

各个医院管理者有时会形成数据壁垒。我们在信息交流过程当中，目前可以做到徐汇区共享，但与其他的医院和医疗还不能够达到数据共享，造成信息孤岛。

同时，我们也缺少有基层医疗经验又擅长人工智能的交叉人才。

然而，由于医疗数据的在流通共享环节和其他方面的诸多问题，即使已经打下了十年的医疗信息化建设基础，却仍然出现了一个又一个信息孤岛，掣肘着行业的发展。

结尾

疫情期间，医疗AI的应用得到了进一步的创新与推广。但不可否认的是，医疗AI在发展中还有着各种各样的瓶颈与痛点。如何打破瓶颈尴尬期，进而推动行业向前发展，是摆在医疗AI行业人士面前十分关键的课题。

责任编辑：lq6