中金：AI应用在医疗 助力效率提升及资源共享

　　我国医疗行业存在资源相对稀缺且分布不均等痛点。中金认为，AI能够在健康管理、医疗影像、医院管理、医疗等多场景赋能医疗行业，助力医疗领域的效率提升及公平实现，2025年有望带来345亿人民币的市场空间。

　　摘要

　　我国医疗行业存在资源相对稀缺且分布不均的痛点，AI技术有望改善医疗服务体系。2019年中国千人医生数为2.2，低于美国等发达国家，医生超负荷工作仍难以提高患者的诊疗效率。同时，我国医疗资源分布不均，优质医疗机构及专业人员向城市及东部倾斜。我们看到AI能够学习真实世界的反馈并分析大量数据，提高医疗效率及普惠性、前置健康管理时点等。

　　三大基础设施日益完善，人工智能多场景赋能医疗行业。数据、算法、算力是AI落地的必要条件，医疗数据的来源多、规模大，但目前可用性差；机器学习等算法应用广泛，不同的数据类型及应用场景对算法的需求呈现差异化；同时，AI专用芯片的推陈出新推动算力提升，对AI落地形成支撑。在应用端，我们看到AI技术在多场景赋能医疗健康领域，包括健康管理、公共卫生、医学影像、药物研发、医疗机器人、精准医疗、医院管理等。其中，医疗影像为应用最为成熟的领域，2020-2021年迎来密集取证期，肺部、眼底筛查获得医疗器械三类证的产品较多；电子病历是目前AI在医院管理领域最为广泛应用，我们认为随着国家医药体制改革的深化，健康信息全面整合需求有望持续增长，电子病历的发展前景广阔；同时，我们看到AI在健康管理的应用潜能，我们认为通过健康管理平台构建数据网络并形成用户全面的健康画像是未来健康管理智能化的发展方向。我们认为，AI赋能医疗有望推动医疗资源的普及，成为未来发展方向。

　　数据、隐私、商业化等制约AI在医疗领域的落地，我们认为政府及产学医联动是破局关键。医疗数据分布分散且互联互通水平低，同时，医疗数据包含较多敏感信息，隐私问题长期受关注。我们看到，政策持续推进医疗信息化建设并构建标准化数据库，《数据安全法》、《个人信息保护法》等隐私保护法律相继建立，但贯穿数据产生及使用全流程的隐私保护法仍有待完善。此外，在医疗领域应用AI技术面临较高的成本，目前商业模式尚不清晰。我们认为产学医合作有助于建立标准化数据库并深化各方对临床需求的理解，同时政府可以鼓励公立医院进行相关研发并补贴基层医疗机构使用相关产品，推动商业化落地。

　　风险

　　AI落地不及预期；医疗数据互联互通的建立不及预期。

　　正文

　　医疗资源相对稀缺，人工智能助力提效降本

　　我国医疗资源分布不均，向城市及东部地区倾斜

　　我国城乡医疗资源分布不均，优质医疗机构及专业人员向城市倾斜。根据2020年中国卫生健康统计年鉴，基层医疗卫生机构占中国医疗机构总数的95%，其中村卫生室占比最大，达到64%。我们看到，农村虽然医疗机构数量多，但人均可获得医疗资源较城市仍有差距，农村千人卫生人员数为5.0，低于城市11.1的水平；同时，农村医疗机构的医护人员在学历、专业技术资格等方面不及城市从业人员，医疗机构的检查能力、手术能力以及药品供应能力都较城市有很大差距。

　　图表1：2019年我国不同等级医疗机构能力对比

　　注：根据中国卫健委，I级手术指技术难度较低、手术过程简单、风险度较小的各种手术；II级手术指技术难度一般、手术过程不复杂、风险度中等的各种手术；III级手术指技术难度较大、手术过程较复杂、风险度较大的各种手术，；IV级手术指技术难度大、手术过程复杂、风险度大的各种手术

　　图表2：2019年中国各医疗机构卫生技术人员学历构成

　　图表3：2019年中国各医疗机构卫生技术人员专业技术资格构成

　　图表4：2019年中国城市及农村卫生人员结构

　　图表5：2019年中国城市及农村每千人口卫生技术人员

　　我国城市医疗资源分布不均，东部/一二线城市强于西部/三四线城市。我国城市间的医疗资源分布存在倾斜，东部重点城市特别是直辖市、部分省会城市及一线城市表现出较强的医疗硬件环境竞争力。根据中国社科院《中国城市医疗硬件环境竞争力专题报告》，从医生和医院数量来看，北京、上海、广州、重庆、成都等大城市资源总量大；从三甲医院数量来看，优质医疗资源前十城市均为一、二线城市，东部地区居多。

　　图表6：2019年中国城市的医疗硬件环境竞争力情况

　　资料来源：中国社会科学院城市与竞争力研究中心课题组，《中国城市医疗硬件环境竞争力专题报告》，研究部；注： 硬件环境竞争力指数由以下方法得到：针对全国286个地级以上城市（不含港澳台），对拥有医生数、每万人拥有医生数、医院床位数、每万人拥有床位数、三甲医院数、流动人口健康档案覆盖率等六项指标进行标准化处理消除量纲，再赋予不同权重（对于代表基本医疗条件的每万人拥有医生数、拥有医生数、每万人医院床位数、医院床位数、流动人口健康档案覆盖率等五个指标赋予权重0.5，对代表优质医疗资源的三甲医院数指标赋予权重2），最后加权汇总得到中国城市的医疗硬件环境竞争力分布

　　图表7：2019年中国城市的医疗硬件环境竞争力情况

　　资料来源：中国社会科学院城市与竞争力研究中心课题组，《中国城市医疗硬件环境竞争力专题报告》，中金公司研究部；注： 硬件环境竞争力指数由以下方法得到：针对全国286个地级以上城市（不含港澳台），对拥有医生数、每万人拥有医生数、医院床位数、每万人拥有床位数、三甲医院数、流动人口健康档案覆盖率等六项指标进行标准化处理消除量纲，再赋予不同权重（对于代表基本医疗条件的每万人拥有医生数、拥有医生数、每万人医院床位数、医院床位数、流动人口健康档案覆盖率等五个指标赋予权重0.5，对代表优质医疗资源的三甲医院数指标赋予权重2），最后加权汇总得到中国城市的医疗硬件环境竞争力分布

　　图表8：2019年拥有医生数TOP10（标准化指标）

　　资料来源：中国社会科学院城市与竞争力研究中心课题组，《中国城市医疗硬件环境竞争力专题报告》，中金公司研究部

　　图表9：2019年三甲医院数TOP10（标准化指标）

　　资料来源：中国社会科学院城市与竞争力研究中心课题组，《中国城市医疗硬件环境竞争力专题报告》，中金公司研究部

　　医生超负荷难提诊疗效率，人口老龄化加剧基层医疗短缺

　　中国人均医生数量低，医生高负荷工作，用户诊疗效率较低。根据OECD，截至2019年中国每千人医生数为2.2，低于西班牙、意大利、美国、日本等发达国家水平。医生资源相对不足导致中国医生高负荷工作，根据中国医师协会数据，2018年中国医生平均每周工作时间超过51小时，远超国家法定工作时间40小时。同时，患者的诊疗效率仍旧较低，根据弗若斯特沙利文，2016年中国的病人平均花3小时用于门诊就诊，而其中诊症的实际时间仅8分钟。

　　图表10：2020年每千人医生数

　　图表11：2019年北京医院排队时间统计

　　人口老龄化加剧，基层医疗面临挑战。根据国家统计局，2019年我国65岁及以上人口占总人口的13%，已高于联合国披露的世界平均水平9%，远超国际老龄化7%的标准。农村地区由于青年劳动力流失等原因老龄化问题突显，医疗支出压力较大，2019年中国乡村、镇、城市65岁以上人口占比分别为14.5%、11.6%、11.0%，2020年农村居民人均医疗支出占消费比重为10.3%，远高于城镇8%的水平，农村的高需求给相对匮乏的供给提出更加严峻的挑战。

　　图表12：2011-2020年我国65岁以上人口占比

　　图表13：2016-2020年城乡居民人均医疗支出及占比

　　可预防死亡占比达四分之一，预防性医疗保健有望节约医疗资源。根据Learning disability today，2020年20至74岁成年人可预防死亡占比为24%；根据OECD，2017年经合组织有近300万人过早死亡于本来可以预防和保健干预的原因，占总死亡人数的1/4。我们认为，预防保健可以前置健康管理时点，可以在一定程度上减少疾病发生风险，缓解医疗资源供需问题，最终节约全社会的医疗成本。

　　AI赋能医疗提效降本，提升医疗行业的普惠性

　　人工智能是利用计算机或计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的技术。随着深度学习等人工智能技术的进步，以及我国医疗卫生数据壁垒的逐步降低，AI技术越来越多地赋能医疗健康领域，包括健康管理、公共卫生、医学影像、药物研发、医疗机器人、精准医疗、医院管理等。凭借从真实世界的反馈中学习进而分析大量复杂数据的能力，AI技术能够提高医疗机构和人员工作效率及诊断准确度，提升医疗保健普惠性，前置健康管理时点，最终打通医疗数据壁垒，完善医疗服务生态。

　　图表14：AI医疗能够带来的好处

　　数据、算法、算力推动行业发展，AI多场景赋能医疗

　　中国AI+医疗行业加速发展，成为热门投融资方向

　　中外早期聚焦知识库，国内近五年快速发展。20世纪前，临床知识库是中外AI医疗的研究焦点，受限于设备未得到广泛应用。2000年至2015年间，国外转向手术机器人、电子病历等；而中国仍以临床知识库为主，发展相对缓慢。2015年以来中国的人工智能医疗行业加速发展，2015至2017年，AI影像受益于AI在图像识别方面的准确率提升，得以快速发展，CDSS产品得益于在临床知识库的长期研究，逐渐走向成熟；2018年后基因检测、智慧病案等新产品相继面世；2020年中国AI医学影像多赛道产品获NMPA审评审批，标志产品从应用落地走向商业化。

　　图表15：中国及国外AI医疗发展历史

　　资料来源：头豹，《2021年中国AI医学影像行业研究报告》，上海交通大学，《中国人工智能医疗白皮书》，《张江科技评论》，中金公司研究部

　　2020年中国融资总额走高，AI+医疗影像融资偏后期。2010年至2020年，人工智能医疗行业的股权融资热度呈现先升后降趋势，2018年融资金额及融资数达到峰值，2020年受新冠疫情的影响，投资案例数量为35起，融资金额回升至39.8亿元。我们看到，目前融资出现分化，AI+医疗影像的融资偏后期，而AI+新药研发成为热门投资方向。

　　图表16：2010-2020年中国AI+医疗融资额与融资数

　　图表17：2021年1-8月融资金额行业分布

　　三大基础设施持续完善，破解“数据孤岛”是重中之重

　　基础设施1：医疗大数据来源多、规模大，但可用性差

　　AI深度学习需要建立在海量的优质数据上。一方面优质的数据决定了模型的准确性、通用性，而另一方面模型的日益复杂也推动着数据量需求的提升。

　　医疗数据来源广泛，涵盖形式丰富且规模大。医疗大数据来自包括医药器械厂商、医院、第三方医疗机构、诊所、药店、患者和支付方等在内的7个主体，包括医疗影像、电子病历、动态生理数据等多种形式。医疗数据本身体量大，根据亿欧智库，一张CT图像含有数据量约为100MB，一个标准病理图接近5GB；同时，近年来在多项政策引导下我国医疗信息化建设水平不断提升，海量医疗数据得以存储沉淀，根据CHIMA数据，医院信息化管理系统在我国医院内实施比例达70-80%。

　　医疗数据具有隐私性较高的特点，记录不完整、格式不统一等问题导致“数据孤岛”的存在。医疗数据的泄露会侵犯公民隐私权，且涉及伦理道德问题，导致医疗数据在储存和使用方面都有更加严格的限制。同时，在医疗全过程中，病历数据在不同人员中流转，导致数据记录碎片化，诊断逻辑不完整。根据亿欧智库，每家医院都拥有自己的信息管理系统和患者病程记录管理规范，格式多达几百种。医疗数据的不完整和不标准催生了“数据孤岛”问题。我们认为优质数据作为AI模型的必要数据，医疗数据的互联互通是人工智能深度赋能医疗的关键。

　　图表18：医疗大数据特点

　　基础设施2：数据及应用场景提出算法差异化需求

　　机器学习、自然语言处理等算法在医疗领域应用广泛，多样的数据类型及广泛的应用场景促使算法差异化。非结构化数据可以采用自然语言处理、语音识别等算法进行处理，如利用自然语言处理将分散化的诊疗记录、医嘱等进行标准化、结构化重构，形成电子病历数据；结构化数据的分析主要由机器学习等算法推动，如鹰瞳科技推出的糖尿病视网膜辅助诊断软件，基于卷积神经网络，对分类标注的眼底图像数据进行模型训练。从患者的角度来看，AI已经开始从诊前预防管理、诊中就诊治疗、诊后健康管理等各个环节渗透，不同应用场景所依赖的算法也存在差异。其中，AI在医学影像上的应用最为成熟，一方面是由于影像数据的相对易获得性和易处理性；另一方面，医学影像相关的算法，如计算机视觉、机器学习等在其他领域的应用已经相对成熟（如人脸识别），能够类比进行应用。我们认为，AI赋能医疗行业需要面对多样化的数据输入及落地需求，算法的发展将呈现差异化的特性，算法的发展和完善将推动AI赋能医疗场景。

　　图表19：人工智能算法在医疗领域的应用

　　基础设施3：算力爆发支持人工智能落地

　　人工智能算法与应用必须以计算机硬件作为物理载体，其效果、效率与核心计算芯片的计算能力密切相关。2012年深度学习模型AlexNet识别一张ImageNet图片需要进行7.6×10^8次基本运算，训练阶段需要进行3.17 × 10^17次基本运算，如果以1993年的Intel CPU奔腾P5芯片执行该任务，即使在CPU流水线效率达到100%的情况下，也需要至少10分钟才能完成推理任务，需要近百年才能完成训练任务。我们认为，数据量及模型复杂度的提升将对硬件算力提出更高的要求。

　　GPU以并行计算满足AI高算力需求，DPU提升数据中心的数据处理能力。传统CPU由于运算单元占芯片面积比例较小、峰值运算性能有限等原因，难以满足人工智能对算力的需求，而GPU的内部处理由众多并行计算单元支持，适合处理大量类型统一的数据，并行计算速度远高于CPU，在头部厂商英伟达的推动下，GPU单芯片运算性能8年提升了317倍，缓解了深度学习算法的训练瓶颈。而DPU则主要承担网络、存储、安全等加速处理任务，根据英伟达的数据，运行数据中心基础设施需要消耗20%~30%的算力，英伟达的BlueField-2 DPU能提供相当于125个CPU核所能支持的数据中心服务，进一步释放数据中心的算力。

　　图表20：NVIDIA GPU运算性能

　　图表21：NVIDIA DPU性能提升规划

　　人工智能加速渗透，多场景赋能医疗行业

　　医学影像：AI医学影像产品陆续获三类证，部分应用领域同质化

　　人工智能技术效果显著，为应用最为广泛、成熟的领域。根据数坤科技招股说明书，医学影像数据占全部临床数据的80%以上，且以30%的速度增长，而医生的增长速度只有6%，叠加医学影像分析的复杂性和耗时性，误诊率高、医生严重缺乏等问题亟需解决。AI+医疗影像的应用主要包括两个方面：1）将计算机视觉能力应用于感知环节，识别非结构化影像数据以获取结构化数据；2）基于深度学习技术，利用临床影像数据、诊断经验训练神经网络模型，并基于不断验证与优化的模型，辅助临床诊断，降低漏诊误诊概率。

　　AI医学影像目前已在肺结核检测、糖尿病眼底镜筛查、乳腺癌等疾病的辅助诊断中得到应用，能够大幅提升诊疗效率和诊断敏感度。以数坤科技的CT影像产品CerebralDoc为例，该产品平均诊断时间约为普通诊断的7.5%，诊断敏感度比普通诊断高出13.7%。

　　AI医疗影像产品陆续取得三类证，肺部、眼底筛查竞争激烈。根据2017年8月发布的《医疗器械优分类目录》，AI诊断软件通过算法提供诊断建议，仅有辅助诊断功能，则按二类医疗器械申报；如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。目前中国药监局对于人工智能医疗影像产品的审批周期较长，根据鹰瞳科技招股书，NMPA审批通常耗时11-17个月。2020年及2021年AI医疗影像产品迎来密集取证期，自2020年1月至2021年8月13个企业总计19个三类证获批。从19款取得医疗器械注册三类证的人工智能医疗产品来看，肺部、眼底筛查相关产品较多，产品表现出一定的同质化。我们认为，标准数据的建立叠加政策及需求的推动是肺部及眼底筛查产品集中的原因。

　　? 标准数据库的建立：眼底筛查、肺结节是公开数据最为充分的两个人工智能产品种类，早在2018年，中检院与合作医院已建立包含623例的肺部影像标准数据与眼底影像标准数据库，使得这两大赛道在早期吸引了大量企业。我们看到，人工智能医疗器械创新合作平台成立后，计划建立CT肺、CT肝、脑MRI、心脏MRI、冠脉CTA、心电、眼科八大测试样本数据库，其中六类已有人工智能相关产品获得审评审批，我们认为CT肝、心脏MRI可能成为后续获得审评审批的赛道，也印证了优质数据对于AI落地的重要作用。

　　? 政策的推动：新冠疫情催化肺炎人工智能产品规模出现，政策先行吸引海量企业入局。如在2020年3月5日，NMPA、CFDA印发《肺炎CT影像辅助分诊与评估软件审评要点（试行）》，对软件功能和训练数据提出要求。

　　? 需求量较大：心血管、骨科、糖网类人工智能的研发来源于我国庞大的疾病早筛/辅助诊断需求。根据数坤科技招股书，2019年中国有大于1.2亿肺结节患者，关节炎患者数为大于8000万，与之对比，冠状动脉心脏病患者数为大于1700万、脑卒中患者数为大于410万、肝硬化患者为大于700万；根据国际糖尿病联合会数据，中国糖尿病患者已近1.3亿，其中糖尿病视网膜病变率占三成。

　　? 技术难度相对较低：肺结节、糖网仅需对平面病灶检测和分类，技术壁垒最低，故布局企业最多。而以技术难度较高的心血管检测为例，人体心脏持续搏动，且冠脉血管管径差异从厘米至毫米不等，呈数量级差异，需要对心脏结构及心脏血管的三维影像重建，导致数据和算法要求会更为严格；头部和腹部技术壁垒较高，主要原因系头部复杂的解剖结构及影像辨认存在更多干扰因素，腹部器官影像受检查时体位及运动影响。

　　图表22：截至2021年8月人工智能医疗影像获得医疗器械三类证情况

　　医院管理：AI赋能医院管理提升医院运行效率，仍存在优化的空间

　　医院处于数字化转型窗口期，运行效率有望显著改善。医院作为我国医疗服务体系的核心，亟待数字化转型。人工智能能够替代医护人员进行繁杂重复的行政管理工作，提高医院整体效率，缓解医疗资源不足的问题；同时，利用深度学习等技术能够为医护人员、医院管理者提供决策支持。以约翰霍普金斯医院为例，在采用GE的人工智能技术优化患者就医优先级规则后，医院的收治能力提高了60%[2]。目前人工智能在我国医院管理领域的主要应用方向包括电子病历管理、智能导诊与分诊、质量管理和精细化运营等。

　　图表23：人工智能赋能医院管理的应用场景

　　电子病历是目前AI在医院管理领域应用最为广泛的领域。传统病历的数据类型多样、数据结构庞杂，基于AI的计算机视觉、自然语言处理、语音识别等技术，可以将大量文本及语音输入进行识别和分析，实现病历的标准化和结构化，并在深度学习的基础上实现辅助诊疗等功能。中国重视医院信息化的政策引导，将电子病历评级纳入医院评级标准。卫健委于2018年12月提出要求，到2020年，所有三级医院达到分级评价4级以上（全院数据互换，初级医疗决策支持），二级医院要达到3级以上（部门间数据互换）。根据中国医院协会数据，截至2021年3月，86.1%的医院将电子病历系统作为最重要的信息系统建设领域。随着国家医药体制改革的深化，健康信息全面整合需求不断增长，电子病历前景广阔。

　　互联互通是充分发挥电子病历数据价值的关键。互联互通包括两个方面：1）医院内部电子病历与其他信息化系统的结合；2）医院之间的数据及信息共享。对于医院内部，HIS、HRP、HIP、CIS 、EMR、PACS、LIS等多种信息系统并存，致使各医疗数据处于孤岛状态，无法得到有效利用；同时，不同医院间的电子病历数据难以共享使用，而电子病历数据作为模型训练的数据输入，其数据质量及规模会影响其应用价值，我们认为院内及医院间数据的互联互通是充分发挥电子病历数据价值的重中之重。

　　图表24：电子病历系统应用水平分级评价标准

　　医疗机器人：助力诊疗效果提升，潜在应用空间大

　　手术机器人壁垒高且潜力大，根据国际机器人联合会（IFR）分类，医疗机器人分为手术机器人、康复机器人、辅助机器人、医疗服务机器人四大应用领域。

　　? 智能康复机器人：智能康复机器人针对患者损伤程度和康复程度，可以自适应提供个性化训练，同时，传感器实现患者数据及时反馈，帮助医生改进治疗方案，提高治疗质量和效率。目前我国康复机器人企业多活跃于中低端领域，高端市场仍以进口产品为主，康复机器人领域有望在未来迎来国产替代新机遇。

　　? 手术机器人：手术机器人主要分为两类，一是操作手术机器人，用于辅助医生进行手术；另一类是定位和导航机器人，主要应用于骨科和神经外科，实现比普通人工手术更高的精准度和运动的稳定性。但由于政策限制、价格昂贵、公众接受度不高、技术壁垒高、研发难度大等多方面原因，手术机器人在我国渗透率仍然较低。

　　? 辅助机器人：辅助机器人用于辅助或扩展人类的运动或认知能力，基于机器人、机器视觉等技术进行辅助诊疗，包括胶囊机器人、制药机器人、诊断机器人和远程医疗机器人等。目前胶囊机器人市场增速较快，包括胃镜和肠镜两大类，胶囊机器人+自动诊疗系统可以通过采集导的图像自动判断患者可能出现的问题。

　　? 医疗服务机器人：医疗服务机器人主要用于分担人类的繁重工作，落地方向包括看护、医药物流、消毒杀菌、病人看护等。在疫情中使用的智能消毒机器人，可以在指定地点消毒，有效节约人力资源，阻碍疫情蔓延。

　　图表25：2019 年中国医疗机器人市场结构

　　图表26：胶囊机器人

　　精准医疗：人工智能助力医疗精准化，在诊断和治疗多环节发挥作用

　　精准医疗强调个体差异，强调医疗诊断的精准化、微观化。精准医疗将个体在遗传、环境和生活习惯等方面的差异列入考虑范围，而人工智能对处理海量基因数据具备明显优势，可以提高精准医疗的效率和准确度，并针对结果给出相应预测。精准医疗主要包括基因测序、细胞免疫治疗和基因编辑三个层次。

　　? 基因测序：基因测序是精准医疗的基础，是指从血液或唾液中分析测定基因全序列，AI技术可以提升基因测序的准确度并降低成本。2017年谷歌发布基因测序DeepVariant，采用深度学习方法进行基因变异识别，与传统高通量测序相比错误率减少超过50%[3]。

　　? 细胞免疫治疗：免疫疗法是利用人体自身免疫系统的癌症疗法，然而仅有15%-30%的患者能够对此类疗法产生反应。AI可以预测免疫疗法的治疗效果，增加治疗成功的几率，如法国学者利用AI技术分析患者的CT影像，准确预测了PD-1抑制剂的治疗效果[4]。

　　? 基因编辑：指对生物体基因组特定目标基因进行修饰的一种基因工程技术，为精准医疗的应用阶段，利用AI技术可以对基因编辑结果进行预测。苏黎世大学的研究人员建立的深度学习算法BE-DICT能够高精度地预测碱基编辑结果[5]。

　　精准医疗仍处于起步阶段，癌症领域较为成熟。精准医疗分为诊断和治疗两类，根据信通院，精准诊断及精准治疗的市场占比分别为29.3%和70.7%。精准诊断应用较为成熟，包括遗传性疾病的筛查与诊断、癌症的分子分型及分子病理诊断等场景；精准治疗主要包括药物基因组学、伴随诊断、分子靶向治疗和免疫疗法等方法。我们认为，在人工智能技术的赋能下，精准医疗有望取代传统“一刀切”、“以身试药”式的诊疗方案，使个性化、低成本、高成功率的癌症治疗成为可能。

　　健康管理：健康数据分散割裂，健康管理平台公司打造数据闭环

　　人工智能助力健康生活，将健康管理前置到预防阶段。人工智能赋能健康管理，包括身体健康管理与精神健康管理两个方面。对于身体健康管理，利用可穿戴设备获取的生理动态数据、计算机视觉技术获取的食物信息、电子病历等数据，分析用户健康水平，实现风险识别、AI在线问诊、慢病管理、生活方式建议等功能；对于精神健康管理，主要利用人脸识别、语音识别等AI技术，进行情绪及情感状态识别，实现对精神疾病的预测和治疗。目前该领域仍处于初步探索阶段，具有进一步发展潜力。

　　? 可穿戴设备：根据卫健委，2019年我国因慢性病导致的死亡占比达到88.5%[6]，而可穿戴设备的广泛使用为及时收集多维度健康数据带来可能，人工智能可以利用庞大的数据集加以分析，给出专业化建议，前置健康管理时点。

　　? 移动医疗：AI问诊基于医生的常用问题、病人的检查数据等即可确定大部分病症，并能按照医典和药理学数据库提供精准的医学建议。

　　? 精神健康：患者端，AI可以主要帮助用户进行情绪调节，如通过自然语言处理、语音识别等人工智能技术与处于情绪低落状态的人进行及时的沟通交流，提供情绪疏解的途径；医生端，人工智能技术能够帮助医生对精神疾病进行诊断、治疗和持续监控，并预测神经内科疾病，如阿尔兹海默症等。

　　图表27：2020年中国成年人慢性病类型及比例

　　健康管理智能化程度低，健康管理平台或可破局。由于可穿戴设备等硬件水平和健康数据积累不足，目前我国健康管理的智能化水平较低，大部分应用停留在单一身体部位的数据提取、采集和分析上，难以满足用户全面感知、改善健康状况的需求。我们认为，通过健康管理平台构建数据网络并形成用户全面的身体健康画像是未来人工智能深度赋能健康管理的发展方向。

　　我们看到，目前健康管理平台有两种构建模式：1）基于移动互联网，开放智能设备连接入口，整合多来源的医疗资源，提供基于云端数据存储与分析的健康管理服务，如智云健康；2）硬件厂商开发与硬件产品配套的健康管理平台，构建自有健康数据管理与应用闭环，如。我们认为，未来健康管理将从单点健康反馈发展至全面健康记录，端云融合，提供整体性解决方案，打造数据闭环。

　　图表28：可穿戴设备在健康管理中的应用

　　图表29：智云健康个人慢病管理系统

　　药物研发：人工智能技术特性匹配，仍处于发展初期

　　人工智能技术与药物研发适配，减少新药研发成本。传统药物研发费时耗资，根据中国信通院，一款新药从靶点发现到上市销售平均历时10-15年，耗资26亿美元，成功率不足10%。药物研发的本质符合锁钥理论，即要找到合适的药物分子来激活或者抑制疾病相关的靶蛋白。无论是筛选靶蛋白还是药物分子，都是“搜索”物质的过程，而实现锁钥匹配则需要“分类”或“排序”，这正是机器学习擅长的领域。与传统药物研发相比，AI药物研发时间和成本优势明显，根据火石创造，人工智能能够年均节约260亿美元的化合物筛选成本；根据TechEmergence，AI可以将新药研发的成功率从12%提升至14%。

　　图表30：人工智能技术在药物研发中的应用

　　资料来源：吉林大学，《药学研究》杂志，《人工智能在新药研发中的应用现状与挑战》，中金公司研究部

　　企业积极布局AI药物研发赛道，我国仍处于发展初期。目前布局AI药物研发的企业包括IT巨头、AI药物研发企业、传统药企，而由于AI药物研发公司与传统药企在AI技术、数据、研发管线、医药专家等方面优势互补，传统药企与AI技术公司联合是目前主要的业务模式。我国AI药物研发起步较晚，目前尚处在初期阶段，根据火石数据库，截至2020年10月，中国AI+药物研发初创企业不足20家，主要分布在北京（7家）、上海（3家）、杭州（3家）和深圳（2家）等地。我国创新药研发起步较晚，原始数据积累有限，且国内药品数据存储分散，病历等数据未实现标准化、数字化，我们认为医药数据的数量和质量是制约我国制药行业AI发展的主要因素。

　　公共卫生：公共卫生具有普惠性，疫情防控催化人工智能落地

　　公共卫生是我国医疗健康卫生事业的建设重点，疫情防控将人工智能落地推入快车道。痛点及人工智能可以在传染病防控、健康宣教、卫生监督、疫苗接种等场景等方面发挥作用。

　　图表31：人工智能赋能公共卫生

　　AI应用尚处初期，疫情催化预警及排查领域发展。从行业参与者及市场现状来看，目前公共卫生领域尚处于人工智能应用的初期阶段。在公共卫生领域中，我国庞大的人口在疾病的诊疗、健康教育、社区卫生服务等环节创造了丰富的数据，叠加疫情催化，人工智能正在该领域加速发展，如公共卫生传染病大数据分析预警系统、疫情排查系统、智能测温机器人、消毒机器人、语音服务机器人等被广泛应用于战“疫”一线，我们认为，未来传染病大数据分析预警系统和疫情排查系统这两个领域将进一步释放潜力。

　　政研产医合力突破瓶颈，助力共同富裕

　　数据及商业模式成为制约AI+医疗发展的瓶颈

　　医疗数据碎片化，隐私问题受关注

　　AI模型的训练需要优质的医疗数据作为输入，而医疗数据的类型繁杂、来源分散且标记专业性强，导致模型训练难度高；在推理阶段，使用者需要围绕患者提供丰富的信息，以提升智能医疗服务的准确性。我们认为，优质数据难以低成本获取是制约人工智能赋能医疗的主要因素。

　　? 院内数据碎片化且医院间数据互联互通的水平较低，“数据孤岛”使得企业难以获取海量优质医疗数据。医疗数据在诊前、诊中、诊后的不同阶段在患者、医院各科室、药店之间流转，数据记录碎片化、不完整；同时，由于优质医护人员及患者数量均向三甲医院倾斜，高质量数据集中于拥有强势话语权的三甲医院，人工智能企业需要在医疗机构授权后使用数据；不同医疗机构之间数据互联互通水平较低，AI算法企业需要点对点获取医疗机构数据，患者在不同医院的数据也难以进行整合。

　　? 人工智能技术依赖大量用户数据，长期以来隐私问题都受到人们的关注，而医疗数据包含大量个人健康状况、生理数据等敏感信息，其中的隐私问题则备受关注。以英国国民健康服务体系NHS事件为例，2015年NHS委托DeepMind将一个可识别身份的电子病历数据库转移至DeepMind的系统中，用以研发手机应用Streams，提醒医生患者的肾脏损伤情况。虽然DeepMind保证其收到的数据“永远不会与谷歌账户、产品或服务相关联”，但该事件还是引发了人们对于隐私泄露的担忧，2017年英国监管机构认定这些数据来源不合规，DeepMind最终建立了一个数据账本系统来记录所有患者数据的访问跟踪。

　　? 数据标注的专业性较强，人才缺乏。医疗影像等医疗数据标注对医学专业知识的要求较高，需要专家参与，但医生同时承担临床、科研等任务，投入数据标注的精力有限。人才的缺乏使得训练的可用数据较少，对模型的准确性和适用性都提出了挑战。

　　? 训练数据优质，难适配基层设施。训练用的高质量数据多来自于三甲医院，最终在基层医院落地时，两者在患者病症严重程度、基础设施等方面的差异都会影响效果。以Google发布的糖尿病性视网膜病变检测算法为例，该模型采用内部数据时能够实现比眼科医生更高的灵敏度和特异性，在几秒内提供诊断建议，但在泰国诊所落地过程中，由于基层护士拍摄的眼球照片难以达到算法的高标准等原因导致采集眼球图像的时间增加到2分钟[7]。

　　图表32：AI医疗产品数据处理流程

　　在医疗领域应用人工智能技术成本较高，目前支付动力不足

　　人工智能医疗产品兼具科技行业和医疗行业高成本的特点，一方面，企业需支付高昂数据成本，保持高研发投入以跟进技术变革；另一方面，企业要广泛布局临床试验，与关键意见领袖、知名医生以及领先医院建立紧密的合作关系。该行业成本主要由以下三方面构成：

　　? 数据获取和标注成本：1）数据获取成本高昂：医疗数据规模庞大，高质量数据渠道掌握在三甲医院等医疗机构手中；2）人工标注成本高昂：医疗数据需由专业医师标注，企业需要支付大额劳务费。

　　? 研发成本：人工智能行业需要保持技术创新，而产品研发本身具有随机性，需要投入大量研发费用，以鹰瞳科技为例，公司2019年和2020年的研发费率分别为135%和89%。此外，研发成功的新技术能否落地，也需要大量投资验证和推广。

　　? 试验、销售和运营成本：为取得中国第三类医疗器械产品证书，企业需自费与医院合作进行大量昂贵且耗时的临床试验。即使企业经历漫长的监管审批取得证书后，企业仍需打造营销及分销网络，最终培训医生使用候选产品。

　　产品仍未规模化应用，商业模式不清晰。目前AI+医疗的商业模式仍处于探索阶段，包括销售硬件、软件与服务、数据、整体解决方案以及开放自建数据库等商业模式，面向医疗机构、个人、政府、医疗器械商、保险等客户群体，由于医疗机构掌握了核心数据及应用场景，目前人工智能技术企业主要面向B端（医疗机构）客户。我们看到下游客户尚无明确的付费意愿，大多数AI+医疗产品还处于免费使用阶段，对于医疗机构而言，传统线下诊疗模式成熟，人工智能主要作为工具起到辅助医生诊断的作用，且AI为医院带来的收益难以量化，叠加新技术的学习成本，目前医院端付费意愿不强；对于C端客户而言，健康管理的观念、健康生活的习惯仍需培养。

　　图表33：医疗人工智能的主要商业模式

　　政府及产学医联动是推动人工智能深度赋能医疗的关键

　　政策推动数据互联互通，强化隐私保护

　　由于医疗数据的分散性、不完整性等特点，其数据价值无法被充分利用，自2013年，国家政策持续推动医疗信息化建设，构建互联互通的标准化数据库。

　　? 医疗信息化建设：截至2020年9月，中国三甲医院已实现全院信息共享，二级医院已实现部门间数据交换，但与构建了可互操作医疗信息化生态系统的美国相比仍有较大差距。我们认为，政府应沿《电子病历系统应用水平分级标准》及时推进医疗信息化的建设，最终实现全国级别的医疗数据全面整合。

　　? 建立标准化测试数据集：目前高质量的数据集大多集中在三甲医院，仅对内开放，而建立标准数据库是AI模型训练、验证及相关产品审评审批的关键。我们认为，政府应鼓励医疗机构及头部企业共享高质量数据集，最终建立多病种联通的标准化医疗公共训练数据库。

　　面对数据共享与隐私权力之间无法回避的冲突，我们认为，技术只能起到加强隐私保护的作用，彻底解决该矛盾需要自上而下建立刚性的政策框架。从海外的立法经验来看，欧美曾出台基于宪法的数据隐私立法，如欧盟的《一般数据通用条例》，也有专门针对医疗领域隐私保护的立法，如美国的《HIPAA法案》和《HITECH法案》。中国政府也于近年加快建立隐私保护相关的法律法规，2021年6月发布《数据安全法》，2021年8月出台《个人信息保护法》。我们认为，隐私保护是构建医疗大数据的重要环节，贯穿医疗数据产生、搜集、分析、处理、应用、存储全过程的隐私保护法律法规仍有待完善。

　　图表34：2013年-2021年中国重点医疗大数据政策

　　资料来源：国务院办公厅，国家卫健委，中金公司研究部；注：2018年3月，“卫计委”更名为“卫健委 ”

　　图表35：健康医疗数据的全生命周期管理蓝图

　　产学医联动，推动数据标准化

　　以人工智能技术深度赋能医疗，需要在深刻理解临床需求的基础上，以优质数据及算法解决行业痛点。我们认为，产学医的合作有助于建立标准化数据库、制定监管标准并深化各方对临床需求的理解。

　　产学医共同助力监管机构，推动数据标准化。学术界掌握前沿AI技术及专业人才，医疗机构掌握优质数据、临床经验及医疗专业知识，均是政策制定过程中的重要参与方；同时，人工智能医疗企业具备丰富的数据处理及模型训练的经验，可以以经验优势助力政策制定。以人工智能医疗器械创新合作平台为例，该平台由国药监局、信通院等单位共同发起，旨在建立标准数据库以实现医疗人工智能产品的审评审批，其参与单位不仅包括上海申康医院、协和医院等医疗结构，也包括清华大学、浙江大学、四川大学等学术机构，数坤科技、推想科技等医疗人工智能公司也参与其中，分别作为心血管风险评估组的牵头人及胸部CT领域的牵头人。我们认为，产学医在AI及医疗领域的优势互补，三方合力能够使得医疗人工智能领域的相关标准更契合实际使用需求、数据特性及技术特点。

　　医院、业界与学界联合，提升人工智能技术与应用需求的契合度。人工智能技术的发展及产品开发依托于对特定场景痛点及需求的理解，在产品研发阶段与医疗机构合作能够提升产品与医疗需求的契合度，为后续医疗机构的支付意愿提供支撑。同时，企业与学界合作一方面能够受益于学校前沿技术优势，也能够在一定程度上实现成本分担，降低医疗人工智能企业的研发成本。我们认为，产学医的联动也是医疗人工智能产品实现盈利的重要助力。

　　政府鼓励公立医院进行研发投入，补贴基层医疗机构

　　如前文分析，人工智能医疗产品及服务同时具备收益普惠和研发投入高的特点。我们认为，政府可以鼓励公立医院进行相关研发并补贴基层医疗机构使用相关产品，推动人工智能医疗行业的发展。

　　? 人工智能深度赋能医疗需要持续的高研发投入，政府鼓励公立医院进行相关科学研究及临床试验，可以推动AI产品研发与临床需求的有效结合，也能够在一定程度上实现AI医疗产品研发成本的分摊，推动AI+医疗领域的商业化。

　　? 人工智能赋能医疗具备普惠的特性，使得医疗基础设施相对薄弱的地区能够享受到质量较高的医疗服务，但目前AI相关产品的价格仍较高，根据亿欧智库，AI影像CT-FFR产品单次检测价格在3000元左右，政府补贴基层医疗机构使用AI产品及服务，提升乡镇卫生院及村卫生室等机构的支付能力，也能进一步发挥AI+医疗产品的普惠特性。

　　从乡村振兴到共同富裕，基层AI医疗和健康管理有望落地

　　要判断AI+医疗的发展方向，需求和供给的匹配关系是重点。针对未来率先落地之方向，我们的思考如下：

　　? AI将在基层医疗/农村率先落地。促进共同富裕，要着力推进基本公共服务均等化，更加注重向农村、基层、欠发达地区倾斜。我们认为，短期内AI医疗产品仅能辅助医生提升工作效率，在发达地区边际贡献有限，带来的问题是没有人愿意为额外高昂的AI成本买单；但在缺乏医疗资源的欠发达地区，AI可以降低获取优质医疗知识资源的成本，提升偏远地区诊疗水平，促进“健康公平”，让科技成果更多更公平惠及全体人民。

　　? 医学影像之后的下一个落地方向是健康管理。在《健康中国2030规划纲要》中明确指出，要坚持预防为主，前移疾病关口。随着生活水平的提高，健康成为广大人民群众愈发重视的共同追求，全方位全周期的慢性病健康管理市场需求广阔。我们认为，随着机器视觉技术的成熟、可穿戴设备的推广，健康管理服务发展趋于完善，其具有的预防属性不仅可以提升全民生活水平，更可以节约全社会医疗资源，有望率先商业化落地。

　　? AI+医疗的终局在于赋能完整医疗场景。目前我们处于单任务优化阶段，且企业集中于肺结节和眼底疾病影像检查。然而各医疗领域不可能孤立存在，如药物治疗的变化催生伴随诊断，伴随诊断的发展进一步促进药物研发。我们认为，AI医疗的未来在于医院、区域信息平台、智能硬件商、软件商、运营商、物流服务、云服务等企业的协同发展，从赋能单病种进化至赋能完整场景，形成“预防——治疗——康复——健康促进”多位一体的良性循环生态圈。

　　市场空间

　　产业链及市场空间

　　AI+核心医疗产业链可以分为基础层、技术层与应用层。1）基础层：作为底层为AI训练提供强大的算力及医疗数据，核心是AI芯片、设备提供商、服务器，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；2）技术层：作为中层为产业链提供多种AI算法技术能力，由技术提供商、解决方案提供商、系统集成商构成，需要长期保持高投入与高研发，目前各大科技企业与互联网巨头企业已基本完成布局；3）应用层：作为最外层可触达各医疗目标市场，包括医疗行业解决方案和应用平台等形式，目前已有大量的互联网医疗公司和传统医疗公司涌入。

　　图表36：中国人工智能医疗产业图谱

　　药物研发、精确医疗、医疗影像保持高速增长，推动中国人工智能医疗市场规模达到百亿元人民币量级。根据沙利文，2020年中国人工智能医疗市场规模达到66.25亿元，随着AI技术在精准医疗、医疗影像等领域的落地，AI+肿瘤治疗与诊断2020-2025年CAGR达到126%；同时随着人工智能在药物研发领域的应用推广，AI+药物研发2020-2025年CAGR达到62%；预计AI+医疗2020-2025年复合增长率将达39%，2025年中国AI+医疗的市场空间达到345亿元。

　　图表37：中国医疗AI主要应用领域市场规模

　　风险分析

　　AI落地不及预期。人工智能技术赋能医疗行业要求数据、算力、算法三大基础设施完善，目前我们看到，在算力发展、算法优化、大数据建设的背景下，人工智能持续赋能各行各业。未来如果人工智能算法发展不能与下游需求契合，算力及大数据发展不及预期，可能会影响人工智能技术赋能医疗行业。

　　医疗数据互联互通的建立不及预期。医疗数据存在来源广、类型多、分布分散的特点，而人工智能赋能医疗行业要求优质数据的输入，我们看到政策正在推动医疗信息化、数据互联互通及标准化数据库的建设，如果未来医疗数据的互联互通不及预期，可能会影响人工智能技术在医疗行业的应用。