AI 医疗是指通过机器学习、自然语言处理（NLP）、计算机视觉等技术，对医疗数 据进行深度分析，辅助临床决策、优化诊疗流程、提升医疗效率的智能化应用体系。 AI 医疗是利用人工智能技术来帮助医生和医疗机构更快、更好地处理医疗数据、诊 断疾病、管理患者健康等。AI 可以通过深度学习和分析大量的医学影像、病历数据、 基因信息等资料，在此基础上提供更精准的诊断和治疗方案。 AI 医疗核心技术包括医学影像分析、自然语言处理、机器学习等，例如谷歌旗下的 DeepMind 公司开发的 AI 系统，已经在眼科疾病诊断中表现出色，能够通过分析眼 底扫描图像，准确诊断出糖尿病视网膜病变等疾病。 AI 在医疗中的应用非常广泛，主要包括辅助诊断、临床决策、健康管理、药物研发 以及医疗机器人等等，通过在这些场景应用 AI，可以帮助达到在降低成本提高效率 的同时优化病人体验、提高诊疗质量、减少潜在疾病等的目标，全方位赋能医疗服 务的各个环节。
AI 医疗提高医疗质量和效率。AI 在学习速度与能力方面的卓越表现已广为人知。 借助 AI 技术，能够高效地汇聚过往病例及医学知识，并构建相应模型。在此过程 中，AI 可助力医生更为迅速地处理海量医疗数据，减轻重复性工作负担，使医生得 以将更多时间投入到患者治疗环节，同时辅助制定更为规范的治疗方案，降低人为 失误的概率。通过远程医疗及智能诊断系统，AI 能够促使偏远地区的患者获取与大 型医院相当的医疗服务，推动医疗资源实现更为合理的重新分配，进而让更多人受 益于高质量的医疗服务。
以 IBM 公司的 Watson for Oncology 系统为例，该系统能够通过深度分析海量医学 文献以及患者数据，为癌症患者量身定制个性化治疗方案。这一应用不仅显著节省 了医生的时间成本，还有效提升了治疗的精准程度。 AI 医疗解决“看病难、看病贵”的问题。在传统医疗领域，美国耶鲁大学教授 William Kissick 曾提出一个广为人知的理论 ——“不可能三角”。该理论核心观点为，医 疗服务的质量、价格以及就诊速度这三个关键要素，在实际情境中往往难以同时兼 顾。 然而，人工智能的兴起，为突破这一 “不可能三角” 带来了曙光。AI 技术能够助 力医疗机构优化患者管理流程，大幅缩短患者排队等候时间。经过充分数据学习训 练的 AI 系统，其诊疗能力可达到甚至超越具有 10 年以上临床经验医生的水平。 与此同时，AI 在药物研发进程中亦能发挥关键作用，可显著压缩研发周期，这不仅 有效降低了研发成本，还减轻了患者的用药经济负担，有力推动了药物的广泛普及。
AI 凭借对患者个体基因数据、既往病史详情以及生活习惯特征等多源信息的深度 挖掘与整合分析，能够精准构建契合个体特质的治疗策略。这种基于精准医学理念 的个性化治疗模式，不仅显著提升治疗效果，还能有效规避因传统经验性治疗导致 的不必要药物不良反应。以美国 23andMe 公司为例，该公司借助先进的基因检测 技术，结合 AI 算法对海量基因数据进行深度剖析，帮助用户精准评估自身罹患遗 传疾病的潜在风险，并据此提供科学、个性化的健康管理建议，为疾病预防与早期 干预提供有力支撑。
AI 医疗的优势：1. 提高诊断准确性：AI 能够对海量医疗数据进行学习和分析，发现人类难以察觉的 规律和模式，减少误诊和漏诊的发生。 2. 提升医疗效率：自动化的流程和决策支持系统可以替代或辅助人工操作，如数据 分析、病历管理、患者监护等，使医生能够将更多时间和精力集中在患者的治疗上， 提高医疗服务的整体效率。 3. 加速药物研发：AI 技术可以模拟化学反应和分子结构，预测药物的效果和副作 用，大大节省了药物研发过程中的实验和临床试验时间，加快新药上市的速度。 4. 实现个性化医疗：通过对个体的全面健康数据分析，为患者量身定制个性化的治 疗方案，提高治疗的有效性和安全性。
近年，中国 AI 医疗行业受到各级政府的高度重视和国家产业政策的重点支持。国 家陆续出台了多项政策，鼓励 AI 医疗行业发展与创新，《健康中国行动 —— 慢 性呼吸系统疾病防治行动实施方案（2024-2030 年）》《中药标准管理专门规定》 等产业政策为 AI 医疗行业的发展提供了明确的指导建议和发展前景。 国家卫生健康委等三部委联合发布《卫生健康行业人工智能应用场景参考指引》， 给出了 84 个应用场景，包括医学影像智能辅助诊断、智能导诊、智能病历辅助生 成、智能中医临床辅助诊疗、智能医疗质量管理、智能健康管理、智能公共卫生群 体数据分析等，推进卫生健康行业 “人工智能 +” 应用创新发展。
从国内 AI 医疗发展历程来看，自 2018 年开始，我国人工智能医疗行业监管政策逐 步完善，个别赛道开始出现可行性强的商业模式。2021 年 7 月，国家药监局发布《人 工智能医用软件产品分类界定指导原则》，明确人工智能医用软件产品按照第三类 医疗器械管理。 我国的 AI 医疗进程可以划分为以下三个阶段：
特点：医疗数据孤岛林立、数据治理有待展开，临床 AI 应用稀缺。 技术：此阶段的 AI 医疗产品以辅助医生诊疗的程序或系统为主，几乎没有应用于 临床，整体产业仅出现一个初步的形态。
特点：数据建设初步展开，部分疾病标准数据库建立、基于深度学习的感知智能应 用兴起。技术：医疗大数据建设展开，信息系统升级改造，眼底与肺部影像的标准数据库建 立；基于深度学习的影像应用走到感知应用发展的前端 NLP、KG 等其他应用在慢 跑；商业模式处于混沌的初步尝试阶段，可行模式未确定。
特点：医疗数据互联互通建设进一步展开、感知应用算法迭代、应用横纵开拓。 技术：医院内部各科室、医院与医院、医院与当地卫健委之间的数据互联互通建设 由信息系统改造转向数据治理阶段领跑的影像应用往尚未覆盖的疾病诊疗领域横 向拓展与深度挖掘，NLP 应用追赶至前端，KG、ML 蓄力慢跑。
AI 正在迅速渗透医疗行业的各个环节，包括但不限于影像诊断、药物研发、临床决 策支持、健康管理等。AI 医疗的价值体现在提升医疗服务质量、增加医疗服务可及 性以及降低医疗成本上。 AI 医学影像：医学影像是利用光、电、磁、声等物理现象，以非侵入方式获得人体 或人体某部分内部组织的影像。临床超过 70%的诊断都依赖于医学影像。临床中最 常见的影像模态包括 X 线摄影、CT、MRI 和超声等。人工智能应用于医学影像， 主要是通过深度学习实现机器对医学影像的分析判断，帮助医生更快获取影像信息， 进行定性定量分析，提升医生阅片效率，协助发现隐PG电子藏病灶，协助医生完成诊断工 作。AI 医学影像是 AI 医疗领域目前最为成熟和常见的领域之一。 药物研发：传统的药物研发模式依赖研发人员的经验以及大量的试错实验，不仅耗 费大量的时间和资金，而且成功率相对较低。据相关研究表明，研发一种新药平均 需要投入约 26 亿美元，耗时长达 12 - 15 年，然而在临床试验阶段的成功率却不 足 10% 。AI 在药物研发领域的应用有助于缩短药物上市周期，降低研发成本，提 高研发效率。
2025 年中国 AI 医疗行业规模将达到 1157 亿元，预计在 2028 年达到 1598 亿元， 2022-2028 年 CAGR 为 10.5%。AI 医疗的快速发展得益于人口老龄化和医护人员短 缺的大环境，AI 技术能够缓解医疗资源供需矛盾，提高医疗体系的效率，减轻医务 人员的工 作负担，并加速药物和疫苗的研发进度。AI 在药物及疫苗研发、基因组 学、医学影像、智能医院和医疗仪器等领域的应用前景广阔。
AI 医疗产业链是一个由技术、数据、硬件、软件、应用场景等多环节构成的复杂生 态体系，覆盖从基础技术研发到临床落地的全流程。
数据来源：数据主要源自多个关键领域，包括医院电子病历（EMR）系统所记录的 海量患者诊疗信息；医学影像，像 CT、MRI、X 光等各类成像资料，蕴含丰富的 身体结构与病变信息；基因测序数据，揭示人体遗传密码；可穿戴设备监测数据， 能实时追踪个体日常健康状况；以及公共卫生数据库，汇聚了群体层面的疾病防控 等数据。 数据标注：在数据标注环节，医学影像标注（以精准勾画肿瘤区域为例）和病历文 本结构化（如从病历中准确提取疾病名称、症状等关键信息）这类工作，高度依赖 专业医生凭借其深厚的医学知识和临床经验来完成。 数据治理：数据治理涵盖多个重要方面。首先是数据清洗，去除数据中的噪声与错 误；接着进行脱敏操作，保障患者隐私。同时，依据 DICOM 等行业标准实现数据 标准化，以确保数据的通用性与兼容性；在隐私保护方面，严格遵循 GDPR、HIPAA 等国际通行法规要求，保障数据安全。
硬件：硬件支撑极为关键，包括性能强劲的 GPU，为深度学习计算提供强大动力； TPU 芯片，在特定计算场景下具备高效优势；还有寒武纪、Graphcore 等企业研发 的 AI 加速芯片，助力提升整体算力水平。
云计算：云计算平台为医疗 AI 训练提供有力支持，AWS、Azure、阿里云等均搭建 了专业的医疗 AI 训练平台。而边缘计算则在实时处理场景中不可或缺，例如手术 机器人的精准操控就依赖其低延迟特性。 网络：5G 网络凭借其高速率、低延迟的特性，大力推动远程医疗发展，实现实时数 据的快速传输。
AI 框架：TensorFlow、PyTorch 等主流 AI 框架推出了医疗定制版本，例如 MONAI 专门用于医学影像处理，为医疗 AI 开发提供了更贴合需求的底层支持。 低代码平台：像英伟达 Clara 这样的低代码平台，允许医院在无需大量编程知识的 情况下，快速部署 AI 模型，降低了技术应用门槛，加速了 AI 在医疗场景中的落 地。 模型管理：借助 MLOps 工具链，实现模型版本控制，确保模型迭代过程的可追溯 性；同时支持自动化部署，提高模型部署效率，保障模型在实际应用中的稳定性与 可靠性。
AI 的下游应用包括：医学影像、AI 辅助决策、AI 医学检验、AI 健康管理、AI 新 药研发、医疗机器人等。
英伟达多次投注，做 AI 制药发展重要推手。通过对各细分领域的深入剖析可知， 影像、信息化以及机器人赛道在 2023 年经历短暂回暖后，2024 年资本投入的频次 已回落至 2022 年的相近水平。反观制药赛道，在同期内，投融资事件数量呈持续下降态势。即便在 2023 年整个医疗 AI 赛道呈现 “报复式” 回暖时，制药赛道也 未展现出同步的增长趋势。由此可见，由于 AI 制药领域至今尚无一款药物成功推 进至上市阶段，随着时间的推移，这一状况正逐渐加剧对资本信心的负面影响。不 过，放眼全球，AI 制药依然充满生机。英伟达近两年在该赛道频繁出手“疯狂扫货 成为 AI 制药回暖的重要推手。据 Pitchbook、Crunchbase 及动脉橙产业智库数据， 英伟达在 2023 年及 2024 年(截至 2024 年 9 月 5 日)共参与投资超过 70 起，所有投 资无一例外，均与 AI 相关，而其中至少投注 AI 制药企业 14 家，医疗其他领域企 业 8 家。 在医疗相关的其他领域，2024 年英伟达亦投注了如信息化领域的 Artsight、健康管 理领域的 Abridge 以及机器人领域的 Neocis 等 AI 企业。对于生成式 AI 及其相 关技术，握有算力优势的英伟达比任何一家投资机构更加坚信也更有可能实现它的 颠覆性，进而破除现有 AI 面临的顽疾，左右诊疗、制药新时代的格局，英伟达近 两年在医疗 AI，尤其是 AI 制药领域的频繁出手给行业注入了信心。
融资轮次靠后，大模型展现强吸金能力。从融资轮次看，2024 年整个医疗 AI 领域 A 轮系列(包括 preA 轮、A+轮、A++轮及 A 轮后的战略融资等)及 A 轮以前的早期 投资总占比均有所下降，而 B 轮系列及之后的成熟企业的资本投注占比更多，这也 侧面印证了资本对医疗 AI 领域逐步谨慎的态度。2024 年平均单笔医疗 AI 的融资 金额也较 2023 年接近翻了一倍，从 6893.63 万增加至 10344.53 万元，最大单笔投 资来自腾讯、阿里、小米等，投注于专注医疗大模型的百川智能，是一笔高达 3 亿 美金的 A 轮融资。
医疗行业是典型的人才和知识密集型行业，需要大量高素质专业人才投入。医疗服 务流程错综复杂，跨越多个科室和部门，涉及诊断、治检查用药、支付等多个环节， 各环节相互影响，决策因素繁多。人工智能技术可高效系统地收集和整合影响医疗 决策的各类信息，为医护人员提供决策支持，辅助做出更准确的诊疗决策并高效实 施。 我国医疗领域普谝存在“强调临床、轻视数据”的倾向，这导致存储数据参差不齐， 数据标准缺乏统一，这在很大程度上阴碍了医疗数据的共享和流通，进而促进 AI 在 医疗领域的应用。
地区差异：在一些发展中国家或偏远地区，医疗资源往往较为匮乏，而城市和发达 地区则相对集中了更多的医疗资源。 专业人才短缺：特别是在农村和边远地区，缺少足够的医疗专业人员，如医生、护 士和专业技术人员。 设备设施不足：一些地区可能缺乏必要的医疗设备和设施，如先进的诊断工具、手 术室等。 服务可及性：由于交通不便或医疗点分布稀疏，一些地区的居民难以获得及时有效 的医疗服务。
长时间工作：有超过 50% 的医生工作时间在 8 小时以上，20.6% 的医生每天平均 工作时间超过 10 个小时； 高强度劳动：除诊疗工作外，医护还需进行科研工作。 心理负担：面对病人的痛苦和死亡，医护人员需要承受巨大的心理压力和情感负担； 职业风险：医护人员在工作过程中面临感染疾病、受伤等职业风险。 技术更新：医疗技术不断进步，医护人员需要不断学习和适应新技术。 行政和文书工作：除了临床工作，医护人员还需处理大量的行政和文书工作 。
专业术语障碍：医疗专业术语可能使患者难以理解自己的病情和治疗方案；人才与 知识密集性凸显了医疗健康服务的复杂性。 多部门流转：患者可能需要在不同的部门之间往返，如从挂号到诊室，再到检查室 和药房。 信息不透明：患者可能难以获取关于医疗服务、费用和治疗效果的清晰信息。 跨学科协调：医疗健康服务流程复杂，跨科室、部门、执行、决策、支付等多环节 相互影响，在需要多学科团队协作的情况下，协调和沟通可能存在障碍。
随着医疗数据的不断增长，如何确保这些数据的安全性和隐私性成为了一个挑战。 医疗机构需要采取一系列措施，如数据加密、访问控制、隐私保护等，确保医疗数 据的安全性和PG电子隐私性。 首先，考虑数据的合规性和法律要求。医疗机构需要遵守相关的法律法规，确保数 据的合法性和合规性。同时，还需要建立完善的数据安全管理制度，明确数据的保 密、使用和共享等方面的规定，确保数据的合法使用和共享。
其次，考虑数据的可追溯性和可审计性。医疗机构需要建立完善的数据可追溯性和 可审计性机制，确保数据的来源和去向清晰可查，避免数据被滥用或泄露。
由于医疗数据的来源广泛、种类繁多，如何保证数据的质量和标准化是一个挑战。 医疗机构需要建立完善的数据质量管理体系，制定统一的数据标准，确保数据的准 确性和一致性。 数据的可读性和可理解性：医疗机构需要建立完善的数据可读性和可理解性机制， 确保医护人员能够快速准确地理解数据含义和背后的信息。还需要加强数据可视化 技术的研发和应用，将复杂的数据以更加直观的方式呈现给医护人员。 数据的可扩展性和可维护性：医疗机构需要建立完善的数据可扩展性和可维护性机 制，确保数据能够随着业务的发展而不断扩展和更新。还需要加强数据备份和恢复 技术的研发和应用，确保数据的安全性和可靠性。
