文 | vb 動脈網
2024 的醫療 AI，既是坎坷，又是新生。
快速發展的大語言模型，攜着生成式 AI 掠過醫療領域。過往的互聯網醫療、醫學影像、新藥研發……一個一個場景經由新一代 AI 重塑，煥發出前所未有的價值。
不過，發現價值并不意味着能夠掘得價值。如今慘淡的融資形勢下，躬身大模型的企業們無法像深度學習時代那樣随意試錯。有限的現金流，意味着每一家企業必須全面考察場景、技術、風控、商業化等方方面面，才能做出決定。
因此，今年的人工智能報告将研究核心放在了 " 場景 " 與 " 産品 " 之上，嘗試通過洞悉醫院、藥企、械企多方的供需邏輯，分析先驅者們的實戰案例，爲 AI 企業下一步的布局、選品、研發、商業化提供參考建議。
什麽構成了醫療 AI 産品配置動力？
拆解醫療 AI 的配置需求，大緻可分爲政策驅動與提效驅動兩個方面。
在 AI 發展之初，政策驅動在醫療 AI 落地的過程中起主導作用。政策制定者通常會根據醫療衛生領域的發展現狀和未來趨勢，制定具有前瞻性和指導性的政策文件。這些政策文件不僅明确了醫療信息化建設的總體目标和階段性任務，還規定了建設内容、技術要求、實施路徑等關鍵要素。因而對于公立醫院，政策需求是他們需要考慮的首要需求。
爲了樹立醫院對于前沿技術的正确認知，引導相關産業的快速發展，我國自 2016 年起便開始圍繞 AI 出台相關政策，從宏觀角度出發，推動 AI 技術在醫療領域的應用，提高醫療服務效率和質量，最終實現醫療行業的智能化升級。
推動醫療 AI 發展的核心宏觀政策 ( 資料來源：蛋殼研究院 )
對于醫院以外的場景，同樣有部分賽道需要沿着政策的方向提前布局。以生物制藥爲例，"722" 事件後，NMPA（當時爲 CFDA）相繼發布了《關于開展藥物臨床試驗數據自查核查工作的公告》《關于調整藥物臨床試驗審評審批的公告》等文件，引發了國内 EDC、RTSM 市場的繁榮，太美醫療等企業在系統中植入 AI，使其順勢成爲藥企數字化的關鍵要素。
如今 FDA 鼓勵藥企采用數字健康技術（DHT）進行臨床試驗申辦，間接引導着藥企的進一步開展轉型。以 eCOA 爲例，美國約 80% 的臨床研究都以 eCOA 的形式進行，歐洲也有 60% 依照這一路徑，而中國隻有不到 5% 的申辦方使用了 eCOA。當出海 " 歐美 " 成爲大勢所趨，FDA 的政策也将傳導至中國的藥企。目前，Medidata、Veeva 等企業已将 AI 融入數字化轉型解決方案中，準備承接這波海外政策變化帶來的新需求。
與政策主導下的 AI 需求不同，早期提效主導下的 AI 需求沒有引導、沒有給定的形态。它需要企業自身從醫院的臨床、運營、管理等流程中發現真正痛點，且當 AI 解決這一痛點時，能夠爲醫院帶來直觀的收益。
衆多場景之中，影像 AI 是最早出現也是最爲直觀的例子。作爲 AI 領域應用最爲廣泛的應用之一，此類 AI 能夠幫助醫生處理高強度重複的閱片工作，幫助影像科提質增效。
随着 AI 的進一步發展及醫生對于 AI 技術的進一步認可，許多醫生、管理者開始找到 AI 企業主動提出需求，要求後者根據具體需求打造能夠提質增效的 AI 解決方案。
舉個例子。DRG 出台後，醫院的盈利邏輯由規模擴張向成本控制轉變，管理者開始更加注重内部管理的精細化和科學化，提高運營效率和醫療服務質量。這個時候，傳統的醫療 IT 系統不能滿足醫院精細化管理提出的各種需求，醫院管理者轉向 AI 系統尋求助力，形成了提效主導下的 AI 購置動力。
諸如此類的場景還有很多，尤其是當醫療機構逐步完成政策定下的基礎要求，他們開始主動需求智能化升級，提升競争力。在沒有新政策出台的前提下，提效主導下的 AI 購置動力将逐步取代政策主導下的 AI 購置動力，引導醫療 AI 的未來發展路徑。
自我突破，醫療 AI 形态異變
政策與提效兩大購置動力支持下，國内已經孕育了一大批醫療人工智能産品，嵌入了醫療領域中的絕大多數場景。
先談醫學影像。統計有過融資記錄的人工智能初創企業與公布産線的上市公司，蛋殼研究院總計對 64 家企業進行梳理，調研總計 436 個産品，覆蓋了幾乎所有髒器。
許多熱門髒器的人工智能已經非常成熟，能夠實現高精度的多病種輔助診斷，如心髒（70）、骨骼（58 個）、頭頸（53 個）、肺部（44）等部位。一些冷門髒器也在開發之中，如腸道（5 個）、泌尿（4 個）、整腹（2 個），部分産品已經取得了醫療器械注冊證，能夠實現一定程度的商業化。
2024 年 1-9 月通過第三類醫療器械注冊準入的醫療 AI 産品 ( 資料來源：國家藥監局官網 )
再看病種，心腦血管、骨關節、肺結節、腫瘤（放療）、眼底是當前最火熱的病種，市場上的同類産品超過 15 種；布局腸息肉、泌尿相關等疾病的企業較少，細分賽道相對冷門。
形勢背後的原因可歸納爲三點：
1. 伴随标準化醫療數據獲取難度的降低，市場需求全面主導影像 AI 的研發方向。肺癌在我國惡性腫瘤中發病率和緻死率均居首位，每年死于肺癌的病人大約是 65 萬。因此，醫療體系對于心血管 AI、肺癌 AI 的強烈需求驅動企業圍繞對應疾病進行研發。
2. 以髒器爲目标的診斷取代了以單一病種爲目标的診斷，驅動企業基于髒器進行全面布局。過去，影像 AI 的研發落地常圍繞某一特定疾病進行，但影像科醫生在閱讀 CT、X 光片時，不會先入爲主預設患者的患病情況，而是會逐一确認影像中的每一個細節，這種輔助模式限制了影像 AI 的價值。如今，影像 AI 企業爲實現某個髒器的診斷，必須将該髒器中的熱門病種逐一診斷，進而導緻熱門病種對應的影像 AI 數量激增。
3. 冷門病種雖然獨立，但仍有潛力。病理、心電等場景同樣存在工作量大、相關醫療資源缺乏的問題，是醫療 AI 落地的優質場景，但由于這類場景不屬于醫療影像，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商業化落地，因而産品競争相對平淡。不過，如今也有不少相關 AI 獲批醫療器械三類證，用 AI 深度賦能上述細分賽道，或在未來改變這一場景的應用邏輯。
其次是醫療 IT。評級仍是醫院配置 AI 主要動力，5 級以上的電子病曆評級需要醫院在數字化建設的基礎上實現智能化部署，這意味着他們必須引入 AI 工具，并将其高度整合至已有的信息化體系。
2023 年 8 月，中國醫學科學院阜外醫院成爲國内首家獲得 8 級電子病曆評級的醫院，突破了中國醫療信息化建設水平的上限。截至此時，全國總計 312 家醫院獲評高級别電子病曆評級，其中 1 家醫院獲評 8 級，3 家醫院獲評 7 級、40 家醫院獲評 6 級、268 家醫院獲評 5 級。
電子病曆系統整體應用水平分級評價基本要求（資料來源：公開信息整理）
未來會有更多醫院向電子病曆高等級評級發起 " 沖刺 "。尤其是作爲高級别的入門等級，5 級評級依然存在很大通過難度，未來數年内三級醫院沖 5 望 6 将是主流。将爲人工智能帶來巨大機遇。
8 級電子病曆需要達成的條件（資料來源：公開信息整理）
最後談制藥 AI。自 2020 年制藥 AI 在一級市場迎來爆發性增長後，大量創業公司将其管線推至臨床階段。此前，AI 主導的進入臨床試驗階段的創新藥項目僅爲個位數。2021 年這一數字已迅速增長至 100 多個，2022 年維持增勢突破 200，2023 年進一步提升，管線數量邁入 300 大關。
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，國内恒瑞醫藥、石藥集團等制藥龍頭也通過戰略合作、股權投資等方式積極布局 AI，試圖通過創新技術找到研發藥物的新途徑。
不過，2024 年的制藥 AI 發展步伐明顯放慢。
蛋殼研究院選取了 39 家主流制藥 AI 公司的管線進行了調研。2023 年 10 月 31 日統計數據，上述企業共有 95 條進入臨床研究的管線，截至 2024 年 9 月 1 日，僅 5 條産線更新了最新的臨床情況，進入新的階段。
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、、動脈橙産業智庫）
剩下的管線中，總計有 15 條管線 / 适應症被企業從官網撤下或宣告停止。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、動脈橙産業智庫）
同時，上述企業新增 16 條管線 / 适應症，與停止或被撤下的管線數量持平。這些管線中，有近一半管線來自于中國持股的 AI 制藥企業，英矽智能、埃格林醫藥、冰洲石生物、劑泰醫藥（晶泰科技持股）占據了其中的 7 席。
39 家主流制藥 AI 公司新增管線 / 适應症（資料來源：蛋殼研究院、動脈橙産業智庫）
但放眼全球，AI 制藥依然充滿生機。其中，英偉達近兩年在該賽道頻繁出手 " 瘋狂掃貨 " 成爲 AI 制藥回暖的重要推手。據 Pitchbook、Crunchbase 及動脈橙産業智庫數據，英偉達在 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，而其中至少投注 AI 制藥企業 14 家，醫療其他領域企業 8 家。
2023 年— 2024 年 8 月英偉達投資的 AI 制藥企業（資料來源：Pitchbook、Crunchbase、動脈橙産業智庫）
此外，近兩年 MNC 與 AI 新藥研發及 AI 驅動的相關醫藥企業之間的合作交易也增幅顯著。J.P.Morgan 數據，生物制藥行業交易的預付款份額自 2020 年來呈下降趨勢，其中 2024 年上半年的預付款比例僅爲 6%。藥物研發的高風險高投入屬性，小額預付款無疑降低了交易的經濟風險，該現象也反映了 MNC 在 BD 交易時日趨謹慎的态度。在此背景下，MNC 資金更多流向 AI 醫療領域更是 " 用腳投票 "，肯定了 AI 制藥的價值。
大模型之下，生成式 AI 何以颠覆醫療？
一如當年深度學習的火熱，新興的大模型正以肉眼可見的速度席卷醫療行業。不到兩年時間，市面上的醫療垂直模型數量已逾百個，甚至有不少頭部醫院要求主動上線相關平台，自發開啓人工智能次世代的探尋。
不過，科技醫療要想在醫療領域站穩腳跟，不僅需要技術本身具備充分創新，還需要相應産品高度适配于場景本身，融入醫療體系已有的流程。換句話說，屬于大模型的曆練，才剛剛開始。
在資本支持、市場需求推動下，醫療大模型發展迅速，不到兩年時間，市面上發布的醫療垂直模型數量已逾百個。據蛋殼研究院不完全統計，2024 年截至 9 月 10 日，收集到新發布的醫療大模型 39 個。
按蛋殼研究院《2023 年醫療人工智能報告》中的九大大模型應用領域分類，近 30% 的大模型适用于 2 個及以上分類中的應用場景。其中，" 輔助決策 "" 質控 "" 患者服務 " 應用場景依然是大模型最爲集中的細分領域，其次是 " 中醫 " 與 " 新藥研發 "，而 " 科學研究 " 及 " 治療方案生成 " 領域的大模型相對稀缺，暫無 " 公共衛生 " 應用場景的新大模型發布。
盡管應用數量已成規模，但涉及的場景有些分散、未成體系、深度也有待提高，企業通過它們能夠觸及的市場規模總額有限，還不足以證明這項技術已經跑通了商業化之路。因此，要推動大模型的規模商業化，企業還需解決以下問題。
一、基礎設施建設問題。目前完成大模型落地的醫院絕大多數都是排名靠前的三甲醫院，這些醫院有資金、有條件進行大模型的部署。而那些排名靠後的醫院乃至基層醫療機構，他們距離大模型還有一段距離。
現階段大部分醫院現有資源環境基本是面向通用計算的 CPU，很少有醫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境，醫院需要在購置應用的同時配備 GPU 運營大模型應用，并保證足夠的存儲和高速的網絡連接，才能保證大模型的穩定運行。
對于大多數醫院而言這都是筆不小的成本。按照一個普遍科室一張 RTX 4090 進行估計，要供給一個院區的算力，大緻需要醫院投入百萬元級的成本進行芯片的配置。雖然頭部醫院在部署大模型方面表現出極大的熱情，願意進行本地化部署，但大量醫院會對這筆費用敬而遠之。
二、數據整合問題。因爲醫院信息化系統複雜，涉及衆多系統和廠商，整合患者全生命周期數據面臨巨大挑戰。對于衆多醫療大模型公司而言，必須進一步強化大模型對于多模态數據的處理能力。
理想狀态下的多模态大模型，不應隻是對各類醫療數據進行分類處理，更能提取各模态數據的關鍵之處，給出綜合性的建議。
三、應用局限性問題目前基于大模型構建的智能應用仍然沒有脫離傳統醫療 IT 應用的範疇，更像是互聯網醫療的 Plus 版，雖有價值，但并非不可替代。未來，企業需要圍繞醫院需求構造 " 殺手級 " 應用，喚起醫院購置大模型的需求，進而實現大模型的規模化落地。
