最全最深度报告：AI在健康医疗的所有应用场景

  2012年以来，AI在深度学习算法的突破下迎来了新一轮的创业和投资热潮，计算机视觉、智能语音、自然语言处理等核心人工智能技术在金融、安防、汽车、医疗、教育等多个行业加速渗透纷纷落地，应用场景不断拓展，极大的提升了行业效率，解决了行业痛点。2017年以来，人工智能被写入政府工作报告，并出台了《新一代AI发展规划》等多项政策文件，制定了AI发展规划远大目标，AI成为国家战略。目前我国人工智能领域投资位列全球第一，科研水平科研质量位居前三，成为全世界和美国比肩的人工智能双巨头。

  医疗健康是我国全力支持AI应用落地的四大产业之一。近年来，国家也出台了多项政策文件推动医院病历电子化、数字化以及人工智能的落地，分级诊疗制度在逐步建立，在我国面临医疗资源供给不足、分布严重不均衡的背景下，AI在医疗健康各细致划分领域纷纷落地，覆盖全产业链各应用场景。人工智能医疗企业的产品和服务带来行业的降本增效，在医学影像分析、疾病风险预测等领域相对成熟，赛道逐渐拥挤竞争激烈进入红海战役。

  人工智能医疗广泛落地的同时，商业化难题困扰各创业企业，商业模式尚不清晰未产生造血能力，目前行业仍处于普遍亏损阶段，产品大多处于试用阶段。当前AI医疗面临医疗数据孤岛、结构化数据不足、数据标准不统一难以共享，导致算法模型训练优化遇到困难，市场教育过程缓慢，医学和人工智能复合型人才短缺。作为一个特殊的传统行业，医疗健康是一个强监管行业，政策在某一些程度上起到了决定性作用。

  CFDA认证是AI医疗产品合法上市销售的必经阶段，目前CFDA医疗器械三类证书审核严流程慢，政策滞后于行业进度导致AI医疗企业普遍处于营收困境。医院、医生和AI医疗企业也要建立互信互认的过程，在政策规范落实后AI医疗才可能进入快车道发展。此外，作为一个前沿学科，医学领域会随时遇到新问题新的疑难杂症，数据的积累和算法的优化及技术难度的增加也会限制AI医疗发展的速度。

  人工智能是一项深刻改变人类生活和工作方式的前沿技术，AI在发展过程中经历了各种热潮和寒冬期，本轮人工智能的热潮起源于2012年，深度学习算法通过ImageNet比赛而名声大噪。2012年，伴随着互联网基础设施建设和移动互联网的快速普及，数据的可得性极大的提升，在以GPU为代表的硬件升级驱动下，并行计算成为可能，数据处理规模、数据运算速度得到了指数级的增长和改善，机器学习取得了突破性的进展，特别是神经网络和深度学习，2012年谷歌无人驾驶汽车可以自动导航，2016年谷歌人工智能AlphaGo战胜世界围棋冠军李世石，使得人工智能的神奇魅力再一次成为舆论的中心被更多人所熟知。中国是世界上应用AI最积极的国家，自2015年中国提出“互联网+”战略以来，人工智能的有关政策密集出台，目前正处于政策红利期。

  （1）中国是目前数字技术应用最发达的国家之一，大量的数据资源为人工智能技术应用提供了关键的便利条件；

  （2）市场气氛活跃，多家中国大型互联网公司制定了自己的人工智能研发战略，许多初创企业也致力于进行和AI相关的产品或研发技术，期待通过应用人工智能技术提高竞争力；

  （3）政府已将AI纳入“十三五”国家战略性新兴起的产业发展规划，并连续三年被写入政府工作报告，为中国人工智能产业高质量发展提供了重要推力。

  目前我们国家的人工智能正处于行业应用快速落地和商业化时期。AI在深度学习算法突破下迎来再次的创业和投资热潮，人工智能加速向各行业渗透，计算机视觉、智能语音、自然语言处理等核心人工智能技术逐渐在安防、金融、汽车、教育等多个行业落地，应用场景也不断丰富和扩展。

  人口老龄化已成为全世界现象，联合国多个方面数据显示，2018年末全球65岁以上人口已超过5岁以下人口，世界各地的生育率已降至世代更替水平2.1以下，或者已经低于可支持人口增长的水平，“婴儿荒”（baby bust）正在影响全球经济提高速度。联合国预计，全球生育率将从2010-2015年的2.5 降至2025-2030年的2.4，并在2095-2100进一步降至2.0。伴随着全球生育率的下降，人口老龄化成为未来一个世纪的大趋势。出生率下滑和平均寿命延长带来的人口老龄化时代刺激了医疗健康领域的需求。

  2012年我国15-59岁劳动年龄人口在过去很长一段时期以来出现了首次下滑，人口抚养比出现向上拐点，人口红利趋于消失。人口老龄化将导致生产力下降、劳动力参与率下滑以及通胀停滞。在今年中央及各地方政府工作报告中，保障和改善民生仍是重点工作着力点，居民增收、稳就业、医疗养老等成为多地两会高频词。养老和医疗改革是关乎民生的重点工作内容。人口老龄化和医疗资源的匮乏也催生了人工智能、5G、物联网等高新技术的应用和推广，利用互联网的普及和远程医疗等人工智能技术促进医疗公平、填补巨大的医疗需求缺口，弥补生产力下降和劳动力人口减少对经济带来的冲击。

  2017年政府工作报告将健康中国建设作为一个重点工作任务，伴随着“互联网+”战略的提出，网络技术加快向各行各业渗透，医疗数据平台的普及，物理设备、支付接口和患者生成大量的健康数据，医疗数据采集系统建设，医疗卫生信息的标准化采集逐渐完善，医疗保健行业逐渐从过时的纸质记录系统向更加高效和集成的电子化过渡，海量的数据有助于病例信息的提取和管理，利用大数据技术提供疾病诊断和治疗的建议。人工智能也慢慢变得多的被用于改善数据分析的深度，辅助医生诊断并自动化关键的医疗保健服务。

  Tractica预测，2025年，22个人AI医疗保健用例的全球收入将从2018年的5.117亿美元增长至86亿美元，包括硬件和服务销售在内的收入，2025年医疗保健AI市场将超过340亿美元。医学图像分析、医疗保健VDA、计算药物有效性、医疗建议、患者数据处理、医疗诊断援助、将文书工作转换为数据、自动生成报告、医院病人管理系统、生物标志物发现等将成为前10个用例，人工智能技术将推动医疗保健行业的成本降低，并使得患者诊断、监控和治疗更高效、准确，医疗健康服务可以覆盖更多人群。

  前瞻产业研究院多个方面数据显示，2016年中国医疗AI的市场规模就已达96.61亿元，2018年有望达到200亿元，预计到2020年我国健康医疗大数据行业市场规模将突破800亿元。

  医疗健康产业是我国全力支持首先推广AI应用的四大产业之一，伴随着2014年以来人工智能投资热潮的兴起，人工智能创业企业如雨后春笋般迅速增加。“人工智能+医疗”是人工智能技术赋能医疗健康产业的现象，以机器学习和数据挖掘为两大核心技术的人工智能渗透到医疗行业，各应用场景下医疗AI公司开发出的产品和服务，带来了医疗健康行业的降本增效，衍生出医疗数据服务、机器学习服务、医疗研发服务等新的医疗新兴细分行业，拓展了医疗领域的边界，重塑了医疗健康相关产业链。

  伴随着人口老龄化时代的到来，医学水平的逐渐提升和人均寿命的延长，国内医疗需求一直上升，同时存在医疗资源匮乏、分布不均衡、医疗卫生高品质人才欠缺、医生培养周期过长、人均医疗健康支出不足等等严峻问题，亟需新技术投入解决医疗健康产业的短板，政策、资本、技术和社会接受度的提升均推动了“人工智能+医疗”各应用场景的快速发展。

  虽然我国人工智能医疗发展较快，但各应用场景产品及服务多处于试用阶段，尚未实现盈利收入或盈利。目前我国人工智能医疗仍面临医疗数据孤岛及结构化数据不足、医疗人工智能技术仍相对不成熟仍处于弱AI医疗阶段、医疗器械许可证监管政策相对海外偏紧等三大明显问题，尤其是行业监督管理政策偏严限制了人工智能医疗落地的速度和规模。此外，在AI人才短缺的背景下，既懂医学又懂AI的复合型人才巨大缺口也限制AI医疗的发展速度。

  从目前我国人工智能医疗领域勇于探索商业模式的公司和产品的分布来看，“人工智能+医疗”的主要集中在八大应用场景。最重要的包含疾病风险预测、医学影像、辅助诊疗、药物挖掘、健康管理、医院管理、辅助医学研究平台、虚拟助理等。因计算机视觉与基因测序技术的发展，疾病风险预测和医学影像场景下的公司数量最多，相关这类的产品相对成熟，产品主要以尚未成熟的软件形态存在，算法模型尚处于训练优化阶段，未完成大规模应用，主要面向B端的医院、体检中心、药店、制药企业、研究机构、保险公司、互联网医疗等，业务模式主要以科研合作方式展开，引入技术、训练模型、获取数据与服务。

  类似于苹果的Siri、亚马逊的ALEXA、微软CORTANA、天猫精灵、小米人工智能音响等通用型“虚拟助理”，通过文字或语言的方式，与机器进行类似人的交流互动，医疗领域中的虚拟助理属于专用型虚拟助理，基于专业领域的知识系统，通过智能语音技术（包括语音识别、语音合成和声纹识别）和自然语言处理技术（包括自然语言理解与自然语言生成），实现人机交互，解决诸如语音电子病历、智能导诊、智能问诊、推荐用药及衍生出的更多需求。

  目前我国医生书写病历占用大量上班时间，采用传统书写病例方式转录电脑效率低下，虚拟助理能够在一定程度上帮助医生将主诉内容实时转换成文本，录入HIS/PACS/CIS等医院信息管理软件中，提高填写病历效率，避免医生时间和精力的浪费，使其能更多投入到与患者交流和疾病诊断中。

  国内提供语音电子病历的企业主要有：科大讯飞、云知声和中科汇能。产品形态主要是以软硬件一体全套解决方案，软件是以语音识别引擎为核心、以医疗知识系统为基础的语音对话系统（语音OS），硬件是医用麦克风。医疗专用麦克风主要用来增强说话者声音、抑制环境噪音干扰。语音识别引擎能轻松实现人机交互与文本转写，文字自动录入电脑或平板的光标位置，相当于医疗级的“语音输入法”。

  医疗知识系统包含各类疾病、症状、药品以及其他医学术语，是语音对话系统的基础，帮助完成语音识别、病历纠错。公司与医院做科研合作，公司通过医院的脱敏病历数据和临床使用不断训练模型优化算法，医院免费试用公司的语音电子病历产品，共享公司优化后的产品。

  目前语音电子病历产品成本较低（30-50万左右）、效果非常明显，受益于医疗信息化政策有一定的出货量，落地速度较快。科大讯飞的“云医生”App+自主研发的麦克风，语音识别技术相对成熟。云知声开发的“云知声”软硬件一体解决方案，具备云端语义校正、识别有口音的普通话。中科汇能的“医语通”软硬件一体解决方案，正自主研发麦克风，无监督自适应技术逐步解决口音识别问题。

  机器人是我国目前AI领域的热门应用，技术相对成熟，长期资金市场热捧，服务范围有医院、银行、车站、商场、工厂以及各类服务性场所。医疗领域的导诊机器人主要是采用人脸识别、语音识别、远场识别等技术，通过人机交互，实现挂号、科室分布及就医流程引导、身份识别、数据分析、知识普及等功能。

  2017年开始，导诊机器人已陆续在北京、湖北、浙江、广州、安徽、云南等地医院和药店中使用。只要在机器人后台嫁接医院信息等知识系统，机器人就能轻松实现导诊功能，国内的众多机器人制造厂商都有机会开发医疗市场。

  智能问诊主要用来解决目前医疗领域都会存在的医患沟通效率低下与医生供给不足两大难题。智能问诊系统包括“预问诊”和“自诊”两大功能。“预问诊”是患者在完成挂号后，访问搭载智能问诊系统的医院App或公众号的智能问诊模块，系统根据患者交互输入的基础信息、症状、既往病史、过敏史等信息生成初步诊断报告，将其推送给医生，减少医患沟通内容缩短问诊时间，提升医患沟通效率。

  “自诊”则是患者在手机或PC端通过人机交互完成智能问诊，生成诊断报告给患者参考。目前这一板块的企业主要有康夫子、云知声、云听、壹健康、达阔科技、万物语联和半个医生，春雨医生、好大夫等移动医疗服务平台也在尝试进入，智能问诊系统是移动医疗平台服务升级的突破口。

  我国药品市场正在迅速增加，药品市场将是千亿级的消费市场。推荐用药市场潜力巨大，目前该细致划分领域的企业主要以to B的业务模式为主，向线上医药电商以及线下药店开放系统接口，使自测用药服务迅速扩散，同时优化算法模型，为后期主打 to C模式培养用户使用习惯和产品升级。

  医学影像是目前AI在医疗领域最热门的应用场景之一，主要运用计算机视觉技术解决三种需求：

  1、病灶识别与标注：针对医学影像进行图像分割、特征提取、定量分析、对比分析等工作；

  国内BAT三巨头在这一领域均有布局，计算机视觉四小龙之一依图科技也在病灶识别与标注及靶区自动勾画与自适应放疗领域均有涉及。

  医学影像的大规模应用主要受益于计算机视觉技术的成熟，我国目前面临影像科、放疗科医生供给严重不足，有着非常丰富临床经验、高质量的医生十分短缺，影科医生目测和经验判断导致误诊和漏诊率较高，受制于影像科医生读片速度和放疗科医生靶区勾画速度，耗费时间比较久，AI应用在医学影像领域将能够为医生阅片和靶区勾画提供辅助和参考，非常大地节省医生时间，提高诊断、放疗及手术的精度。

  目前人工智能+医学影像主要以影像识别与处理软件为主，产品处于搭建基础模型向优化模型过渡，落地速度较慢，主要受从医院获得数据量不足，邀请专业影像科医生对医学影像进行病灶标注成本比较高和产品上市门槛较高等因素影响。“AI+医学影像”公司的产品在合法销售前需要申请经营许可证、生产许可证、医疗器械证，并须经过CFDA（国家食品药品监督管理总局）认证。

  CFDA审批流程繁琐，第一步是要与国家指定的三甲医院合作进行临床测试，并须通过医院的医学伦理委员会的伦理审查，与临床试验的病人签订合同，在国家专业机构作进一步的检测和报备，最后获得CFDA认证进行合法销售。

  目前基本成型的AI+医学影像产品大多处于医院试用阶段，尚未实现盈利。未来可向产业上下游进行拓展，与医疗器械厂商合作，通过将软件与硬件设备捆绑销售或将产品功能嵌入硬件设备当中，或提供软硬件一体解决方案提高医疗器械厂商产品竞争力。下游可向医院、体检中心及第三方医学影像中心出售软件使用权限或收取服务费。

  病灶识别与标注方面，目前推想科技的智能X线辅助筛查产品（AI-DR）智能CT辅助筛查产品（AI-CT）已在医院临床使用，帮助医生纠正误诊漏诊情况。除医院以外，合作对象还包括传统医疗IT巨头、体检中心、互联网医疗等。但教育市场过程艰难，说服医院需要大量时间和精力，医院对于新技术有兴趣但不愿投入精力。

  靶区自动勾画及自适应放疗方面，因目前放疗科影像数据70%已经标注过，免除人工标注成本，但获取可用影像数据门槛较高，因一般一套片子需要经过4名放疗科医生同时标注、相互审核一致，并在此基础上做病理检验确认才可用。

  影像三维重建在上世纪就已经被采用过，但由于配准缺陷而使用率不高，人工智能的引入采用进化计算的算法，有效解决了配准缺陷周期性复发的问题而更精准，并结合3D手术规划功能，自动化重构出患者器官的线D打印机无缝对接，实现3D实体器官模型的打印，帮助医生进行术前规划，确保手术顺利，也推动了医疗数字化和精准化。

  国内相关公司有昕健医疗、海纳医信、锐达医疗、联影医疗和睿佳科技等，海外影像三维重建已具有较长的历史，人工智能技术的引入将依托影像三维重建原有市场，产品落地速度相对较快。医学影像中心是集约化的第三方医学影像诊断中心，可集中存储和管理区域内的影像及资料全面共享，减轻大医院影像科负担、实现分级诊疗。《“健康中国2030”》提出要发展专业的医学检验中心、医疗影像中心、病理诊断中心和血液透析中心等，未来医疗影像中心可能是“AI+医学影像”产品大面积落地点。

  A、医疗大数据辅助诊疗，包括基于认知计算、以IBM Waston for Oncology为代表的辅助诊疗解决方案。

  医疗大数据辅助诊疗是基于海量医疗数据和AI算法发现病症规律，为医生诊断和治疗提供参考。目前主要面临医院数据壁垒、样本量小、成本高和数据结构化比例低（数据未实现电子化、以纸质形式保存）等三大问题。勇于探索商业模式的公司主要是通过和医院科研合作的方式来突破这个瓶颈，此外，还可与基因公司、CRO公司（专业药品研发）、移动医疗公司合作提供标准化的增值服务。

  认知计算是借助深度学习算法读懂大数据的世界，打造人类认知非结构化数据的助手，通过理解、推理、学习训练让系统或人类直接交互接受训练或进行非结构化数据的自我训练。认知计算有产品类、流程类和分析类三大商业应用。产品类应用将认知计算嵌入到产品内实现智能行为、自然交流及自动化。流程类应用实现业务流程自动化。分析类应用用来揭示模式、做出预测及行动决策。

  国内目前医疗领域的机器人主要包括：手术机器人（包括骨科及神经外科手术机器人）、肠胃检查与诊断机器人（包括胶囊内窥镜、胃镜诊断治疗辅助机器人等）、康复机器人及其他用于治疗的机器人（智能静脉输液药物配置机器人）。全球医疗机器人市场空间巨大，波士顿咨询数据显示，未来五年年复合增长率约为15.4%。目前我国医疗机器人正在逐渐打破进口机器人的垄断地位。国内手术机器人企业主要通过向医院销售机器人并提供长期维修服务的方式或者为议员提供手术中心整体工程解决方案的模式开展业务。

  疾病风险预测主要是指通过基因测序与检测疾病发生的风险。疾病风险预测与精准医学的发展密不可分，人类基因组计划促进基因测序进步，推动商业化进程。基因测序技术已进化至第三代，第三代测序方法时间大大缩短、成本大大降低，基因测序方法的逐渐成熟推动了基因测序技术的商业化进程。国内致力于疾病风险预测的公司主要是两类：

  1、掌握基因测序核心技术，研发基因测序仪器的上游企业。业务模式主要是通过中游合作伙伴做基于测序仪上的应用开发。

  2、利用基因测序仪，面向B端和C端提供测序服务的中游企业。业务模式则主要是开发测序相关应用，面向B端医院或者C端公众和患者。

  药物挖掘主要是完成新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等工作，传统药物研发存在周期过长、研发成本高、成功率低等痛点。

  人工智能技术应用于药物挖掘主要用于分析化合物的构效关系（药物化学结构与药效的关系）以及预测小分子药物晶型结构，人工智能可以提高化合物筛选效率、优化构效关系，并结合医院数据快速找到符合条件的病人。

  人工智能应用在药物挖掘领域使得新药研发时间大大缩短，研发成本大大降低，还改变了用药的普适性原则，通过低成本、快速的药物挖掘研发个性化治疗药物，特别在抗肿瘤药、心血管药、孤儿药及欠发达地区的常见传染病药效果显著，但算法仍需大量的时间和数据积累，短期内仍难产生营收和实现盈利。

  英国世界权威医学杂志《柳叶刀》2015年数据，我国有约1.73亿人有精神疾病，但其中1.58亿人从未接受过专业治疗，《中国卫生统计年鉴》也指出，2010-2014年我国精神专科医院入院人次年复合增长率达到12.3%，精神专科医院诊疗人次年均增长10.4%，我国精神疾病患者在逐年快速增长。

  健康管理是运用信息和医疗技术，在健康保健、医疗的科学基础上，建立一套完善、周密和个性化的服务程序，维护促进健康帮助健康或亚健康人群建立有序健康的生活方式，远离疾病，在出现临床症状时及时就医尽快恢复健康。健康管理最重要的包含营养学、身体健康管理和精神健康管理。

  A、营养学场景，利用AI技术对食物进行识别与检测帮助用户合理膳食，保持健康的饮食习惯。

  B、身体健康管理，主要表现为结合智能穿戴设备等硬件提供的健康类数据，利用AI技术分析用户健康水平，为用户提供饮食起居方面的建议，进行行为干预帮助用户养成良好的生活习惯。

  C、精神健康管理，主要表现为利用人脸跟踪与识别、情感处理、智能语音、数据挖掘等AI技术进行情绪管理，对精神疾病进行预测和治疗。

  “数据孤岛”现象，如果能将各类健康数据整合至一个平台，健康管理类应用将可以挖掘数据深层价值，产生更大的商业价值。我国精神疾病医护人员短缺“AI+精神疾病管理”市场潜力巨大。

  医院管理是指针对医院内部、医院之间的各项工作的管理，包括病历结构化、分级诊疗、DRGs（诊断相关分类）智能系统、医院决策支持的专家系统等。

  病历电子化是病历结构化和挖掘更深层次数据价值的基础，深度学习算法的发展，循环神经网络推动了自然语言处理技术的发展，使得病历结构化成为可能，我国自2002年以来陆续推出了一系列病历电子化方面的规范文件，推动病历电子化和医疗数据产业化进程，促进医疗体系更加数字化。目前国内病历结构化服务的公司主要通过向医院提供开放性服务平台，以数据换服务实现双赢。

  分级诊疗是指按照疾病的轻重缓急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗，实现基层首诊和双向转诊。2015年，国务院发布了《国务院办公厅关于推进分级诊疗制度建设的指导意见》中提出，到2017年，分级诊疗政策体系逐步完善，医疗卫生机构分工协作机制基本形成，优质医疗资源有序下沉，基层医疗卫生机构诊疗量占比明显提升，就医秩序更加合理规范；到2020年，分级诊疗服务能力全面提升，基本建立符合国情的分级诊疗制度。

  辅助医学研究平台是指利用人工智能技术辅助生物医学相关研究者进行医学研究的技术平台。2014年以来国家卫计委、国务院相继出台了多个文件鼓励医疗机构及医生进行科学研究。

  但我国临床医生工作时间主要用于病患的诊疗，缺乏时间和精力进行科研，另一方面我国结构化数据较少、医生统计分析能录有限、科研经费不足，引入人工智能技术构建辅助医学研究平台的线上科研将可以改变这一局面。辅助医学研究平台主要实现数据收集/存储与统计分析以及基因测序等生物信息分析功能，业务模式也是通过科研合作换取模型训练数据共享科研成果。

  人工智能赋能医疗是现阶段我们国家医疗资源供给不足、分布不均、基层医疗机构医疗水平不高、无法满足病患重大疑难疾病看病需求等现状下的必然选择，伴随着“基层首诊、双向转诊、急慢分治、上下联动”的分级诊疗制度的逐步建立，人工智能、互联网等科技手段赋能基层医疗将有效缓解我们国家医疗资源不足及分布严重不平衡的现状。

  但目前我国人工智能医疗面临着CFDA监管审批严流程慢，医疗数据孤岛现象突出、医疗数据标准不统一难以共享、可用的结构化数据不足（超过80%以上的医疗数据都是非结构化的）导致算法优化训练遇到困难，以及市场教育过程缓慢、产品尚处于试用阶段商业化落地难等问题。

  《2018中国人工智能商业落地研究报告》显示，2017年，在整个产业链上，90%以上的AI企业依然处于亏损阶段，绝大多数企业年营业收入不足两亿。对于医疗这个重垂直化领域，大多数AI医疗企业同样处于亏损阶段。对于人工智能医疗创业企业而言，现阶段的主体问题是怎么来实现营收打通商业模式从而产生造血能力，而政策在某种程度上起到了决定性的作用。

  当前AI医疗赛道上的医学影像、疾病风险预测等细分领域比较拥挤，整个赛道竞争已经比较激烈，产品如何快速推广、实现大规模的销售实现盈利收入及盈利至关重要。国内医疗数据和信息隐私保护也给医疗AI企业进入医院设置了一定的门槛，2018年8月1日起，新版《医疗器械分类目录》施行，若诊断软件通过算法，提供诊断建议，仅有辅助诊断功能，不直接给出结论，则申报第二类医疗器械；若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。此后，医疗AI公司能够向国家药品监督管理局申请医疗器械许可，并以医疗器械的身份进入医院。

  我国的医疗健康领域是一个强监管行业，CFDA认证是产品合法上市的必经阶段，CFDA部门对于医疗器械三类证书审核很严格，目前提出申报的人工智能医疗企业均未获批。

  当前AI医疗尚处于野蛮式增长阶段，存在一些蹭热点式的创业。CFDA对于AI医疗的审核关注前期数据库搭建是否规范，产品上市前仍需经过临床检验、医院及专业检验测试机构的检测和审核，审核流程耗时近两年，政策落地滞后于行业进度1-2年时间。此外，医院、医生和AI医疗企业也要建立起互信互认的过程，之后行业才会进入快车道开始大规模的商业化落地。

  作为一个特殊的传统行业，医疗对于新技术的接受是偏保守的，目前AI医疗难以取得爆发式的增长。在当前弱人工智能医疗的背景下，虽然AI医疗的应用场景很广泛，医疗行业 AI 服务供应商覆盖了全价值链用户场景，如虚拟助理、药物研发、健康管理、医疗影像辅助诊断等，但产品真正落地在医院大规模使用的还比较少，目前主要是解决效率问题，对医生起到辅助诊疗的作用，AI医疗不能代替医生。

  医学是一个前沿学科，会随时遇到新问题新的疑难杂症，而有关数据的积累需要时间，因而算法模型难以迅速得到优化，同时AI医疗产品的数据算法也要一直更新和迭代，算法技术难度也会加大，医学领域的高门槛和技术力量的欠缺也会限制AI医疗的逐步发展。返回搜狐，查看更加多