文|阿爾法工場

當(dāng)下的AI正在以驚人的速度和力量，滲透到醫(yī)療行業(yè)的各個領(lǐng)域和環(huán)節(jié)，而最近，紅杉資本發(fā)布的一篇名為《Generative AI in Healthcare》（醫(yī)療領(lǐng)域的生成式AI），也對AI在醫(yī)療行業(yè)的應(yīng)用和發(fā)展進行了全面而深刻的剖析，并認為其在未來擁有“巨大潛力”。

那么，為何在當(dāng)下的AI賽道中，醫(yī)療領(lǐng)域會如此受到資本的重視？

01 AI醫(yī)療現(xiàn)狀

在《Generative AI in Healthcare》這篇報告中，紅杉提到了目前AI在醫(yī)療領(lǐng)域的一些重要應(yīng)用，這其中就包括了如患者互動、文檔記錄、臨床決策等。

在紅杉資本看來，現(xiàn)在的醫(yī)療AI，已經(jīng)躍過了“錦上添花”的階段，開始對醫(yī)療行業(yè)的核心環(huán)節(jié)進行賦能，而這樣的賦能，則大大提高了醫(yī)療領(lǐng)域的效率和質(zhì)量，降低成本和人力。

具體來說，醫(yī)療行業(yè)的核心環(huán)節(jié)，包括了患者互動、文檔記錄、臨床決策、預(yù)授權(quán)、編碼和收入周期管理等六大環(huán)節(jié)。

而最新的生成式AI之，所以能對這些核心節(jié)點進行賦能，主要原因就在于它可以處理大量的非結(jié)構(gòu)化數(shù)據(jù)，并將其轉(zhuǎn)化為有用的信息和洞察。

醫(yī)療運營的核心環(huán)節(jié)，往往涉及到多種類型的數(shù)據(jù)，如語音、文本、圖像、視頻、信號等，這些數(shù)據(jù)往往是非結(jié)構(gòu)化的，即沒有固定的格式或標(biāo)準(zhǔn)。

其中包含了豐富的醫(yī)療知識和價值，但卻難以被人類或傳統(tǒng)的軟件系統(tǒng)有效地整合或運用。

在傳統(tǒng)的醫(yī)療行業(yè)中，對這些數(shù)據(jù)的處理、整合，都是成本巨大，但難以省略的環(huán)節(jié)。

美國的醫(yī)療編碼市場價值約為210億美元，包括約35000名醫(yī)療編碼員。盡管有這么多的勞動力，但由于編碼錯誤，美國醫(yī)院每年損失近200億美元的收入，這導(dǎo)致了當(dāng)?shù)氐墓?yīng)商不得不依賴“家庭作坊式”的咨詢公司，來幫助自己“發(fā)現(xiàn)”缺失的收入。

而同樣的，在與患者互動的過程中，醫(yī)療行業(yè)總是需要大量的文書工作者來整理各類醫(yī)療文檔。

根據(jù)紅杉資本的統(tǒng)計，目前美國大約有100萬醫(yī)療行業(yè)的文書人員，每個文書人員每年的平均支出為40-50K美元，這意味著醫(yī)療行業(yè)每年要在這類崗位上花費至少4億美元的成本。

而生成AI，則可以利用深度學(xué)習(xí)和自然語言處理等先進的算法，來分析、理解、生成和轉(zhuǎn)換這些數(shù)據(jù)，從而提高醫(yī)療運營的效率和質(zhì)量，降低成本和人力，同時適應(yīng)不同的數(shù)據(jù)源和環(huán)境。

例如，在文檔記錄中，生成AI可以用來將醫(yī)生和患者的對話，自動轉(zhuǎn)化為電子病歷和編碼；在臨床決策中，生成AI可以用來將多種數(shù)據(jù)源和格式，如醫(yī)療影像、病歷報告等轉(zhuǎn)化為統(tǒng)一的醫(yī)學(xué)知識和數(shù)據(jù)。

而這樣的優(yōu)勢，正是紅杉認為AI能夠直擊醫(yī)療運營的核心環(huán)節(jié)的原因。

02 AI賦能醫(yī)療

除了處理非結(jié)構(gòu)性數(shù)據(jù)的優(yōu)勢外，現(xiàn)階段的AI，還在更多方面對醫(yī)療領(lǐng)域進行了賦能，這其中就包括了AI 輔助診斷、AI 醫(yī)學(xué)影像分析、AI 精準(zhǔn)醫(yī)療、藥物研發(fā)、醫(yī)療機器人、等多個細分賽道。

具體來說，在AI 輔助診斷方面，AI 可以通過分析患者的癥狀、體征、檢驗結(jié)果等數(shù)據(jù)，提供可能的診斷建議，幫助醫(yī)生做出更準(zhǔn)確和及時的決策。例如，阿里健康的 AI 醫(yī)生可以在 1.5 秒內(nèi)給出 90% 的準(zhǔn)確率，百度的 AI 醫(yī)生已經(jīng)能做到識別 900 多種常見疾病。

AI醫(yī)學(xué)影像分析，則是利用機器學(xué)習(xí)、計算機視覺等技術(shù)，對醫(yī)學(xué)影像數(shù)據(jù)進行自動化分析和診斷，并根據(jù)大量的定量特征，如形態(tài)、紋理、灰度、強度等，與基因、臨床等其他數(shù)據(jù)進行關(guān)聯(lián)分析，發(fā)現(xiàn)疾病的生物標(biāo)志物和預(yù)后因素。

在精準(zhǔn)醫(yī)療方面，AI 可以通過對基因組、表觀遺傳組、轉(zhuǎn)錄組等大規(guī)模生物數(shù)據(jù)進行挖掘和分析，為個體化的預(yù)防、診斷和治療提供依據(jù)。例如，Deep Genomics的 AI 平臺可以預(yù)測基因變異對蛋白質(zhì)功能和表型的影響，F(xiàn)latiron Health的 AI 平臺可以利用實時臨床數(shù)據(jù)為癌癥患者提供最佳治療方案。

在藥物研發(fā)方面，AI 可以通過對藥物靶點、藥物結(jié)構(gòu)、藥物作用機制等數(shù)據(jù)進行建模和模擬，加速藥物的發(fā)現(xiàn)和開發(fā)過程。例如，BenevolentAI的 AI 平臺可以從海量文獻中挖掘新的藥物候選物，Atomwise的 AI 平臺可以通過虛擬篩選減少實驗成本和時間。

就目前AI醫(yī)療的整體態(tài)勢來看，AI醫(yī)療技術(shù)，尤其是在一些新興和前沿的領(lǐng)域技術(shù)，如基因組學(xué)、免疫組學(xué)、神經(jīng)科學(xué)等。國外AI企業(yè)往往擁有有更多的資源和經(jīng)驗，

例如，專注疾病基因搜索的谷歌DeepMind團隊，就通過人工智能系統(tǒng)，解析出了人體中幾乎所有蛋白質(zhì)的結(jié)構(gòu)。

這樣一來，AJ就可以判斷DNA中的字母是否會產(chǎn)生正確的結(jié)構(gòu)。如果不是，它將被列為潛在的致病因素。

類似的例子，還有用AI技術(shù)幫助醫(yī)生分析癌癥病理圖像，以及發(fā)現(xiàn)新的治療方法和藥物的Paige.AI。

Paige原本利用自有50萬份癌癥醫(yī)學(xué)病理學(xué)切片的10億張圖片，創(chuàng)建全球第一個大型基礎(chǔ)模型。在和微軟合作下，雙方將開發(fā)全球規(guī)模最大的癌癥圖片AI模型，參數(shù)高達十億。

國內(nèi)的AI醫(yī)療技術(shù)雖然在一些領(lǐng)域有所突破，如影像診斷、智能問診等，但仍存在一些技術(shù)難題和挑戰(zhàn)，如數(shù)據(jù)孤島、數(shù)據(jù)質(zhì)量等。

同時，國內(nèi)在AI醫(yī)療的應(yīng)用場景上較為集中，主要集中在輔助側(cè)和數(shù)據(jù)側(cè)，如CDSS（臨床決策支持系統(tǒng)）、智慧病案和醫(yī)學(xué)數(shù)據(jù)智能平臺等。

其中涌現(xiàn)的代表性企業(yè)，就有利用AI技術(shù)進行影像診斷聯(lián)影智能這樣的AI企業(yè)。

通過搭載了智能算法的CT攝像頭，將深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)與典型的模式識別算法創(chuàng)新地結(jié)合在一起，從而精準(zhǔn)識別CT掃描范圍。

類似的國內(nèi)企業(yè)，還有利用AI技術(shù)進行臨床診斷的推想醫(yī)療。

其主要技術(shù)，是通過深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)模型，模仿人類認知過程，讓AI模型自動挖掘醫(yī)學(xué)圖像中的規(guī)律。

其AI產(chǎn)品InferOperate，通過對腦電圖、腦功能成像等多種類型的神經(jīng)影像數(shù)據(jù)進行深度學(xué)習(xí)，提取影像特征，定位病灶，從而為醫(yī)生提供智能手術(shù)規(guī)劃、術(shù)中全自動定位導(dǎo)航等。

03 趨勢和機遇

目前來看，雖然由于產(chǎn)業(yè)生態(tài)、技術(shù)基礎(chǔ)、計算資源等原因，國內(nèi)AI醫(yī)療與國外相比仍有差距，但從市場增速和規(guī)模上看，國內(nèi)在AI醫(yī)療的發(fā)展上有較大的市場空間和增長潛力，面臨著較高的醫(yī)療需求。

根據(jù)華經(jīng)產(chǎn)業(yè)研究院的數(shù)據(jù)，2021年中國AI醫(yī)療行業(yè)市場規(guī)模約為95億元，預(yù)計2025年達到385億元。

資料來源：華經(jīng)產(chǎn)業(yè)研究院

在可預(yù)見的未來，國內(nèi)AI醫(yī)療將在AI藥物研發(fā)、AI+病理、AI醫(yī)療影像、AI醫(yī)療器械等主要領(lǐng)域持續(xù)發(fā)力。

而從市場需求及規(guī)模來看，AI醫(yī)療影像及AI藥物研發(fā)將成為主要的增長突破口。

具體來說，AI 醫(yī)療影像應(yīng)用相對成熟，產(chǎn)品上市數(shù)量較多。根據(jù) Global Market Insights 數(shù)據(jù)，全球 AI 醫(yī)療影像市場規(guī)模占醫(yī)療 AI 市場的 25%，僅次于 AI 制藥為第二大細分市場。

對于國內(nèi)醫(yī)療行業(yè)來說，目前我國醫(yī)療影像數(shù)據(jù)的年增長率高達30%，但是影像科的醫(yī)生年增長率卻只有4%。

考慮到醫(yī)生的培訓(xùn)周期比較長，發(fā)展AI影像醫(yī)療能夠有效緩解醫(yī)療人才短缺的問題，市場仍有較大的增長潛能。

根36氪分析，預(yù)計2020-2025年復(fù)合年增長率（CAGR）為39.4%，2025年將突破300億元。其中，AI醫(yī)學(xué)影像市場占比最高，達到50.6%。

而在AI藥物研發(fā)方面，AI可以有效解決新藥研發(fā)的高成本、低效率和高風(fēng)險的問題。

2020年我國新藥研發(fā)行業(yè)的市場規(guī)模為1.2萬億元，但是新藥研發(fā)的成功率僅為11.3%，即使進入III期臨床成功率也只有53.4%，臨床階段整體費用占比高達70%。

這說明新藥研發(fā)需要投入巨額的資金和時間，但是收益和風(fēng)險都很不確定。

而通過人工智能的認知能力，加速靶點發(fā)現(xiàn)、化合物篩選、藥物設(shè)計等環(huán)節(jié)，可以有效提高新藥的成功率和質(zhì)量。

2021年，我國AI藥企英矽智能與浙江大學(xué)合作，利用自主研發(fā)的AI平臺，對抗癌藥物PD-1抗體進行了優(yōu)化設(shè)計，并獲得了美國FDA的臨床試驗許可。

這樣的成就，顯示了AI技術(shù)在新藥研發(fā)方面的潛力，也預(yù)示了其規(guī)?；鲩L的可能。

根據(jù)DPI發(fā)布的醫(yī)療行業(yè)報告，AI藥物研發(fā)的全球市場規(guī)模預(yù)計將從2020年的40億美元增長到2027年的203億美元，年復(fù)合增長率達到26.5%。

在當(dāng)下如火如荼的AI浪潮中，大模型所帶來的賦能，只是AI醫(yī)療領(lǐng)域的冰山一角，隨著AI革命的持續(xù)進行，早已起勢的AI醫(yī)療，必定會帶來更多機會與亮點。