文 | vb動脈網(wǎng)

2024的醫(yī)療AI，既是坎坷，又是新生。

快速發(fā)展的大語言模型，攜著生成式AI掠過醫(yī)療領(lǐng)域。過往的互聯(lián)網(wǎng)醫(yī)療、醫(yī)學(xué)影像、新藥研發(fā)……一個一個場景經(jīng)由新一代AI重塑，煥發(fā)出前所未有的價值。

不過，發(fā)現(xiàn)價值并不意味著能夠掘得價值。如今慘淡的融資形勢下，躬身大模型的企業(yè)們無法像深度學(xué)習(xí)時代那樣隨意試錯。有限的現(xiàn)金流，意味著每一家企業(yè)必須全面考察場景、技術(shù)、風(fēng)控、商業(yè)化等方方面面，才能做出決定。

因此，今年的人工智能報告將研究核心放在了“場景”與“產(chǎn)品”之上，嘗試通過洞悉醫(yī)院、藥企、械企多方的供需邏輯，分析先驅(qū)者們的實戰(zhàn)案例，為AI企業(yè)下一步的布局、選品、研發(fā)、商業(yè)化提供參考建議。

什么構(gòu)成了醫(yī)療AI產(chǎn)品配置動力？

拆解醫(yī)療AI的配置需求，大致可分為政策驅(qū)動與提效驅(qū)動兩個方面。

在AI發(fā)展之初，政策驅(qū)動在醫(yī)療AI落地的過程中起主導(dǎo)作用。政策制定者通常會根據(jù)醫(yī)療衛(wèi)生領(lǐng)域的發(fā)展現(xiàn)狀和未來趨勢，制定具有前瞻性和指導(dǎo)性的政策文件。這些政策文件不僅明確了醫(yī)療信息化建設(shè)的總體目標(biāo)和階段性任務(wù)，還規(guī)定了建設(shè)內(nèi)容、技術(shù)要求、實施路徑等關(guān)鍵要素。因而對于公立醫(yī)院，政策需求是他們需要考慮的首要需求。

為了樹立醫(yī)院對于前沿技術(shù)的正確認(rèn)知，引導(dǎo)相關(guān)產(chǎn)業(yè)的快速發(fā)展，我國自2016年起便開始圍繞AI出臺相關(guān)政策，從宏觀角度出發(fā)，推動AI技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用，提高醫(yī)療服務(wù)效率和質(zhì)量，最終實現(xiàn)醫(yī)療行業(yè)的智能化升級。

推動醫(yī)療AI發(fā)展的核心宏觀政策(資料來源：蛋殼研究院)

對于醫(yī)院以外的場景，同樣有部分賽道需要沿著政策的方向提前布局。以生物制藥為例，“722”事件后，NMPA（當(dāng)時為CFDA）相繼發(fā)布了《關(guān)于開展藥物臨床試驗數(shù)據(jù)自查核查工作的公告》《關(guān)于調(diào)整藥物臨床試驗審評審批的公告》等文件，引發(fā)了國內(nèi)EDC、RTSM市場的繁榮，太美醫(yī)療等企業(yè)在系統(tǒng)中植入AI，使其順勢成為藥企數(shù)字化的關(guān)鍵要素。

如今FDA鼓勵藥企采用數(shù)字健康技術(shù)（DHT）進(jìn)行臨床試驗申辦，間接引導(dǎo)著藥企的進(jìn)一步開展轉(zhuǎn)型。以eCOA為例，美國約80%的臨床研究都以eCOA的形式進(jìn)行，歐洲也有60%依照這一路徑，而中國只有不到5%的申辦方使用了eCOA。當(dāng)出?！皻W美”成為大勢所趨，FDA的政策也將傳導(dǎo)至中國的藥企。目前，Medidata、Veeva等企業(yè)已將AI融入數(shù)字化轉(zhuǎn)型解決方案中，準(zhǔn)備承接這波海外政策變化帶來的新需求。

與政策主導(dǎo)下的AI需求不同，早期提效主導(dǎo)下的AI需求沒有引導(dǎo)、沒有給定的形態(tài)。它需要企業(yè)自身從醫(yī)院的臨床、運(yùn)營、管理等流程中發(fā)現(xiàn)真正痛點(diǎn)，且當(dāng)AI解決這一痛點(diǎn)時，能夠為醫(yī)院帶來直觀的收益。

眾多場景之中，影像AI是最早出現(xiàn)也是最為直觀的例子。作為AI領(lǐng)域應(yīng)用最為廣泛的應(yīng)用之一，此類AI能夠幫助醫(yī)生處理高強(qiáng)度重復(fù)的閱片工作，幫助影像科提質(zhì)增效。

隨著AI的進(jìn)一步發(fā)展及醫(yī)生對于AI技術(shù)的進(jìn)一步認(rèn)可，許多醫(yī)生、管理者開始找到AI企業(yè)主動提出需求，要求后者根據(jù)具體需求打造能夠提質(zhì)增效的AI解決方案。

舉個例子。DRG出臺后，醫(yī)院的盈利邏輯由規(guī)模擴(kuò)張向成本控制轉(zhuǎn)變，管理者開始更加注重內(nèi)部管理的精細(xì)化和科學(xué)化，提高運(yùn)營效率和醫(yī)療服務(wù)質(zhì)量。這個時候，傳統(tǒng)的醫(yī)療IT系統(tǒng)不能滿足醫(yī)院精細(xì)化管理提出的各種需求，醫(yī)院管理者轉(zhuǎn)向AI系統(tǒng)尋求助力，形成了提效主導(dǎo)下的AI購置動力。

諸如此類的場景還有很多，尤其是當(dāng)醫(yī)療機(jī)構(gòu)逐步完成政策定下的基礎(chǔ)要求，他們開始主動需求智能化升級，提升競爭力。在沒有新政策出臺的前提下，提效主導(dǎo)下的AI購置動力將逐步取代政策主導(dǎo)下的AI購置動力，引導(dǎo)醫(yī)療AI的未來發(fā)展路徑。

自我突破，醫(yī)療AI形態(tài)異變

政策與提效兩大購置動力支持下，國內(nèi)已經(jīng)孕育了一大批醫(yī)療人工智能產(chǎn)品，嵌入了醫(yī)療領(lǐng)域中的絕大多數(shù)場景。

先談醫(yī)學(xué)影像。統(tǒng)計有過融資記錄的人工智能初創(chuàng)企業(yè)與公布產(chǎn)線的上市公司，蛋殼研究院總計對64家企業(yè)進(jìn)行梳理，調(diào)研總計436個產(chǎn)品，覆蓋了幾乎所有臟器。

許多熱門臟器的人工智能已經(jīng)非常成熟，能夠?qū)崿F(xiàn)高精度的多病種輔助診斷，如心臟（70）、骨骼（58個）、頭頸（53個）、肺部（44）等部位。一些冷門臟器也在開發(fā)之中，如腸道（5個）、泌尿（4個）、整腹（2個），部分產(chǎn)品已經(jīng)取得了醫(yī)療器械注冊證，能夠?qū)崿F(xiàn)一定程度的商業(yè)化。

2024年1-9月通過第三類醫(yī)療器械注冊準(zhǔn)入的醫(yī)療AI產(chǎn)品(資料來源：國家藥監(jiān)局官網(wǎng))

再看病種，心腦血管、骨關(guān)節(jié)、肺結(jié)節(jié)、腫瘤（放療）、眼底是當(dāng)前最火熱的病種，市場上的同類產(chǎn)品超過15種；布局腸息肉、泌尿相關(guān)等疾病的企業(yè)較少，細(xì)分賽道相對冷門。

形勢背后的原因可歸納為三點(diǎn)：

1. 伴隨標(biāo)準(zhǔn)化醫(yī)療數(shù)據(jù)獲取難度的降低，市場需求全面主導(dǎo)影像AI的研發(fā)方向。肺癌在我國惡性腫瘤中發(fā)病率和致死率均居首位，每年死于肺癌的病人大約是65萬。因此，醫(yī)療體系對于心血管AI、肺癌AI的強(qiáng)烈需求驅(qū)動企業(yè)圍繞對應(yīng)疾病進(jìn)行研發(fā)。

2. 以臟器為目標(biāo)的診斷取代了以單一病種為目標(biāo)的診斷，驅(qū)動企業(yè)基于臟器進(jìn)行全面布局。過去，影像AI的研發(fā)落地常圍繞某一特定疾病進(jìn)行，但影像科醫(yī)生在閱讀CT、X光片時，不會先入為主預(yù)設(shè)患者的患病情況，而是會逐一確認(rèn)影像中的每一個細(xì)節(jié)，這種輔助模式限制了影像AI的價值。如今，影像AI企業(yè)為實現(xiàn)某個臟器的診斷，必須將該臟器中的熱門病種逐一診斷，進(jìn)而導(dǎo)致熱門病種對應(yīng)的影像AI數(shù)量激增。

3. 冷門病種雖然獨(dú)立，但仍有潛力。病理、心電等場景同樣存在工作量大、相關(guān)醫(yī)療資源缺乏的問題，是醫(yī)療AI落地的優(yōu)質(zhì)場景，但由于這類場景不屬于醫(yī)療影像，主流AI公司較少跨界這一方向。此外，不少僅需二類證即可實現(xiàn)商業(yè)化落地，因而產(chǎn)品競爭相對平淡。不過，如今也有不少相關(guān)AI獲批醫(yī)療器械三類證，用AI深度賦能上述細(xì)分賽道，或在未來改變這一場景的應(yīng)用邏輯。

其次是醫(yī)療IT。評級仍是醫(yī)院配置AI主要動力，5級以上的電子病歷評級需要醫(yī)院在數(shù)字化建設(shè)的基礎(chǔ)上實現(xiàn)智能化部署，這意味著他們必須引入AI工具，并將其高度整合至已有的信息化體系。

2023年8月，中國醫(yī)學(xué)科學(xué)院阜外醫(yī)院成為國內(nèi)首家獲得8級電子病歷評級的醫(yī)院，突破了中國醫(yī)療信息化建設(shè)水平的上限。截至此時，全國總計312家醫(yī)院獲評高級別電子病歷評級，其中1家醫(yī)院獲評8級，3家醫(yī)院獲評7級、40家醫(yī)院獲評6級、268家醫(yī)院獲評5級。

電子病歷系統(tǒng)整體應(yīng)用水平分級評價基本要求（資料來源：公開信息整理）

未來會有更多醫(yī)院向電子病歷高等級評級發(fā)起“沖刺”。尤其是作為高級別的入門等級，5級評級依然存在很大通過難度，未來數(shù)年內(nèi)三級醫(yī)院沖5望6將是主流。將為人工智能帶來巨大機(jī)遇。

8級電子病歷需要達(dá)成的條件（資料來源：公開信息整理）

最后談制藥AI。自2020年制藥AI在一級市場迎來爆發(fā)性增長后，大量創(chuàng)業(yè)公司將其管線推至臨床階段。此前，AI主導(dǎo)的進(jìn)入臨床試驗階段的創(chuàng)新藥項目僅為個位數(shù)。2021年這一數(shù)字已迅速增長至100多個，2022年維持增勢突破200，2023年進(jìn)一步提升，管線數(shù)量邁入300大關(guān)。

趨勢之下，阿斯利康、拜耳、羅氏、禮來及賽諾菲等等MNC相繼入局AI制藥，國內(nèi)恒瑞醫(yī)藥、石藥集團(tuán)等制藥龍頭也通過戰(zhàn)略合作、股權(quán)投資等方式積極布局AI，試圖通過創(chuàng)新技術(shù)找到研發(fā)藥物的新途徑。

不過，2024年的制藥AI發(fā)展步伐明顯放慢。

蛋殼研究院選取了39家主流制藥AI公司的管線進(jìn)行了調(diào)研。2023年10月31日統(tǒng)計數(shù)據(jù)，上述企業(yè)共有95條進(jìn)入臨床研究的管線，截至2024年9月1日，僅5條產(chǎn)線更新了最新的臨床情況，進(jìn)入新的階段。

2023年10月31日—2024年9月1日更新了臨床情況的管線（資料來源：蛋殼研究院、、動脈橙產(chǎn)業(yè)智庫）

剩下的管線中，總計有15條管線/適應(yīng)癥被企業(yè)從官網(wǎng)撤下或宣告停止。其中，臨床Ⅰ期管線總計3條，占比20%，臨床Ⅱ期管線總計9條，占比60%；臨床Ⅰ/Ⅱ期管線總計3條，占比20%。

39家主流制藥AI公司停止或被撤下的管線（資料來源：蛋殼研究院、動脈橙產(chǎn)業(yè)智庫）

同時，上述企業(yè)新增16條管線/適應(yīng)癥，與停止或被撤下的管線數(shù)量持平。這些管線中，有近一半管線來自于中國持股的AI制藥企業(yè)，英矽智能、埃格林醫(yī)藥、冰洲石生物、劑泰醫(yī)藥（晶泰科技持股）占據(jù)了其中的7席。

39家主流制藥AI公司新增管線/適應(yīng)癥（資料來源：蛋殼研究院、動脈橙產(chǎn)業(yè)智庫）

但放眼全球，AI制藥依然充滿生機(jī)。其中，英偉達(dá)近兩年在該賽道頻繁出手“瘋狂掃貨”成為AI制藥回暖的重要推手。據(jù)Pitchbook、Crunchbase及動脈橙產(chǎn)業(yè)智庫數(shù)據(jù)，英偉達(dá)在2023年及2024年（截至2024年9月5日）共參與投資超過70起，所有投資無一例外，均與AI相關(guān)，而其中至少投注AI制藥企業(yè)14家，醫(yī)療其他領(lǐng)域企業(yè)8家。

2023年—2024年8月英偉達(dá)投資的AI制藥企業(yè)（資料來源：Pitchbook、Crunchbase、動脈橙產(chǎn)業(yè)智庫）

此外，近兩年MNC與AI新藥研發(fā)及AI驅(qū)動的相關(guān)醫(yī)藥企業(yè)之間的合作交易也增幅顯著。J.P.Morgan數(shù)據(jù)，生物制藥行業(yè)交易的預(yù)付款份額自2020年來呈下降趨勢，其中2024年上半年的預(yù)付款比例僅為6%。藥物研發(fā)的高風(fēng)險高投入屬性，小額預(yù)付款無疑降低了交易的經(jīng)濟(jì)風(fēng)險，該現(xiàn)象也反映了MNC在BD交易時日趨謹(jǐn)慎的態(tài)度。在此背景下，MNC資金更多流向AI醫(yī)療領(lǐng)域更是“用腳投票”，肯定了AI制藥的價值。

大模型之下，生成式AI何以顛覆醫(yī)療？

一如當(dāng)年深度學(xué)習(xí)的火熱，新興的大模型正以肉眼可見的速度席卷醫(yī)療行業(yè)。不到兩年時間，市面上的醫(yī)療垂直模型數(shù)量已逾百個，甚至有不少頭部醫(yī)院要求主動上線相關(guān)平臺，自發(fā)開啟人工智能次世代的探尋。

不過，科技醫(yī)療要想在醫(yī)療領(lǐng)域站穩(wěn)腳跟，不僅需要技術(shù)本身具備充分創(chuàng)新，還需要相應(yīng)產(chǎn)品高度適配于場景本身，融入醫(yī)療體系已有的流程。換句話說，屬于大模型的歷練，才剛剛開始。

在資本支持、市場需求推動下，醫(yī)療大模型發(fā)展迅速，不到兩年時間，市面上發(fā)布的醫(yī)療垂直模型數(shù)量已逾百個。據(jù)蛋殼研究院不完全統(tǒng)計，2024年截至9月10日，收集到新發(fā)布的醫(yī)療大模型39個。

按蛋殼研究院《2023年醫(yī)療人工智能報告》中的九大大模型應(yīng)用領(lǐng)域分類，近30%的大模型適用于2個及以上分類中的應(yīng)用場景。其中，“輔助決策”“質(zhì)控”“患者服務(wù)”應(yīng)用場景依然是大模型最為集中的細(xì)分領(lǐng)域，其次是“中醫(yī)”與“新藥研發(fā)”，而“科學(xué)研究”及“治療方案生成”領(lǐng)域的大模型相對稀缺，暫無“公共衛(wèi)生”應(yīng)用場景的新大模型發(fā)布。

盡管應(yīng)用數(shù)量已成規(guī)模，但涉及的場景有些分散、未成體系、深度也有待提高，企業(yè)通過它們能夠觸及的市場規(guī)模總額有限，還不足以證明這項技術(shù)已經(jīng)跑通了商業(yè)化之路。因此，要推動大模型的規(guī)模商業(yè)化，企業(yè)還需解決以下問題。

一、基礎(chǔ)設(shè)施建設(shè)問題。目前完成大模型落地的醫(yī)院絕大多數(shù)都是排名靠前的三甲醫(yī)院，這些醫(yī)院有資金、有條件進(jìn)行大模型的部署。而那些排名靠后的醫(yī)院乃至基層醫(yī)療機(jī)構(gòu)，他們距離大模型還有一段距離。

現(xiàn)階段大部分醫(yī)院現(xiàn)有資源環(huán)境基本是面向通用計算的CPU，很少有醫(yī)院有面向圖形處理和并行計算的GPU資源。缺乏大模型的部署環(huán)境，醫(yī)院需要在購置應(yīng)用的同時配備GPU運(yùn)營大模型應(yīng)用，并保證足夠的存儲和高速的網(wǎng)絡(luò)連接，才能保證大模型的穩(wěn)定運(yùn)行。

對于大多數(shù)醫(yī)院而言這都是筆不小的成本。按照一個普遍科室一張RTX 4090進(jìn)行估計，要供給一個院區(qū)的算力，大致需要醫(yī)院投入百萬元級的成本進(jìn)行芯片的配置。雖然頭部醫(yī)院在部署大模型方面表現(xiàn)出極大的熱情，愿意進(jìn)行本地化部署，但大量醫(yī)院會對這筆費(fèi)用敬而遠(yuǎn)之。

二、數(shù)據(jù)整合問題。因為醫(yī)院信息化系統(tǒng)復(fù)雜，涉及眾多系統(tǒng)和廠商，整合患者全生命周期數(shù)據(jù)面臨巨大挑戰(zhàn)。對于眾多醫(yī)療大模型公司而言，必須進(jìn)一步強(qiáng)化大模型對于多模態(tài)數(shù)據(jù)的處理能力。

理想狀態(tài)下的多模態(tài)大模型，不應(yīng)只是對各類醫(yī)療數(shù)據(jù)進(jìn)行分類處理，更能提取各模態(tài)數(shù)據(jù)的關(guān)鍵之處，給出綜合性的建議。

三、應(yīng)用局限性問題目前基于大模型構(gòu)建的智能應(yīng)用仍然沒有脫離傳統(tǒng)醫(yī)療 IT 應(yīng)用的范疇，更像是互聯(lián)網(wǎng)醫(yī)療的Plus版，雖有價值，但并非不可替代。未來，企業(yè)需要圍繞醫(yī)院需求構(gòu)造“殺手級”應(yīng)用，喚起醫(yī)院購置大模型的需求，進(jìn)而實現(xiàn)大模型的規(guī)模化落地。