“AI+医疗”行业发展概况

1.1 市场现状

我国人工智能已进入快速成长期， 医疗健康成为重点应用方向

人工智能广泛应用在医疗各细分领 域，对医疗行业形成颠覆性变革

• AI医疗，亦称为”AI+医疗”或“医疗人工智能”， 泛指人工智能技术在医疗行业的应用及赋能。

• 目前，人工智能技术广泛应用在我国各个医疗细分领 域，主要报告医疗影像、辅助诊断、药物研发、健康 管理、疾病风险预测、医院管理、虚拟助理、医疗机 器人和医学研究平台等。

• 人工智能对医疗行业形成了颠覆性变革。从技术层面 来讲，人工智能作为一种技术创新，改变了医疗领域 的供给端，对传统医疗机构运作方式带来变革；从市 场层面来看，人工智能技术为现有医疗工作带来流程 改进与效率提升，催生巨大增量市场。2018年我国医 疗人工智能市场规模达到200亿元，CAGR超过40%， 随着智能化程度不断提升，潜在市场空间巨大。

AI医疗领域早期同质化竞争严重， 迁移复制较容易，商业化程度较低

• 整体而言，我国医疗人工智能行业有几大特征，如细 分领域较多，早期同质化竞争严重，迁移复制壁垒较 低，商业化程度相对偏低等。

• 一般来说，2016年是国内医疗人工智能形成投资风口 的元年，开源和低门槛框架的存在使得大量玩家涌入 人工智能行业，在医疗人工智能领域不仅有医疗设备 商，还有学校教授、软件开发人员及金融从业者等。 从市场情况来看，大量玩家布局在静态影像的人工智 能领域，虽然拥有大量公开数据集，但是起步门槛相 对较低，早期同质化竞争严重。

• 此外，在医疗各细分领域所采用的算法和框架差异化 有限，病种间模型迁移和复制技术要求较低，技术团 队通用性强，主要壁垒在于数据的获取。以医疗影像 的人工智能为例，无论跨病种还是跨设备，基本都采 用Tensor Flow（开源并基于数据流编程）和Caffe框 架（即开源与核心语言C++）和CNN卷积神经网络算 法等（但超声除外，超声对性能要求更高），整体复 制壁垒较低。

• 目前，医疗人工智能服务商多处于规模化数据获取阶 段，商业化程度偏低，但商业的最终价值在于实现技 术与应用的结合。未来医疗人工智能的价值主要体现 在两个方面，一方面在于提升三甲医院医生效率，另 一方面在于提升基层医疗机构的诊疗水平。

我国AI医疗产品商业化落地进程主要受产品注册审批制影响

• 我国医疗人工智能发展速度较快，商业化落地迟滞的 一大主要原因在于医疗产品的注册审批制。目前，相 关产品取得三类医疗器械注册的数量仍然为零，相关 审核标准尚未正式确立。

• 如果把人工智能产品看作医疗器械产品，根据2018年 公布的医疗器械分类目录，对其分类约定为：二类医 疗器械——诊断软件通过算法，提供诊断建议，仅有 辅助诊断功能，不直接给出诊断结论，有临床试验豁 免目录，是否能够享受CNDA还没有做出具体规范； 和三类医疗器械——如果对病变部位进行自动识别， 并提供明确诊断提示，需要做临床试验。

• 为加速医疗人工智能产品审核进程，中国食品药品检 定研究院（简称“中检院”）光机电室专门成立人工 智能小组，展开产品分析及技术研讨，目前已完成数 据库构建流程，并初步完成构建眼底影像及肺部影像 标注数据库的构建工作。

• 相比之下，美国医疗人工智能产品的注册审批快于中 国。FDA自2017年7月发布数字健康创新行动计划以 来，已相继批准九款医疗人工智能相关产品。FDA近 期批复的几款人工智能产品均遵循Class Ⅱ的认证流 程，通过与传统CDSS（临床决策支持系统）做等同对 比证明安全性，而CADx软件监管历来是Class Ⅲ。由 此可见，通过降低门槛来加快审批，或成一大趋势。

1.2 发展驱动力 – 供需矛盾突出

需求端：人口老龄化加剧，慢性疾 病数量增多，形成大量医疗需求

• 根据国家统计局数据显示，我国2018年65岁以上老人 为1.6亿人，约占中国人口总数11.9%，我国人口老龄 化程度愈发加剧。在人口老龄化社会下，现代生活节 奏加快，慢性疾病数量也随之增加，我国糖尿病和高 血压2016年发病率分别为5%和18%，预计到2026年 将分别增加至14%和28%，随之催生大量医疗需求。

供给端：优质医生及医疗资源不足， 且医疗资源分布不均

• 从供给方面来看，优质医生及医疗资源不足，且资源 分布不均，难以承受快速增长的医疗需求。供给与需 求矛盾突出，是我国医疗行业的根本问题。

• 我国优质医疗资源供给不足。我国医师与人口比例约 为1:70000，而在美国这一数字为1:2000，我国每十 万名患者拥有医师数量与美国相比差35倍。我国独立 上岗医生培养周期长达8年，较长的培养周期将会带来 医疗人力成本提高，难以满足持续增长的医疗需求。

• 我国医疗资源分布不均。据统计，2018年我国医院数 量超3.2万家，三级医院仅占总数量19%，却承接了全 国49.8%的医疗需求。我国优质医生资源多分布在一 二线城市三级医院，基层医院医生素质参差不齐，优 质医生资源短缺是困扰医疗发展的痛点之一。

1.2 发展驱动力- 技术发展

大数据积累和深度学习算法进步使 得医疗人工智能发挥作用

• 根据IDC预测，到2020年全球医疗数据量将达到40万 亿GB，是2010年的30倍，数据生成和共享速度迅速 增长，其中80%为非结构化数据*。在数据方面，我国 拥有得天独厚的优势，我国人口众多，数据基数大， 同时多样性丰富，为大数据分析提供了丰富的数据来 源，也为人工智能不断训练与优化算法模型提供了广 泛数据集。

• 深度学习是人工智能技术的重要一支，目前语音识别 和计算机视觉都基于深度学习技术来完成。随着图像 领域深度学习Resnet网络结构发展，计算机视觉和综 合图像处理技术取得长足进步，医疗图像分析在诊疗 过程中发挥更大作用。例如，应用计算机视觉技术进 行结肠镜检查，可以获得更为有效可靠的数据，以降 低结肠癌死亡率；在外科手术中，计算机视觉对脑瘤 病人进行3D头骨建模，有利于后续神经外科治疗。

1.2 发展驱动力- 政策红利

在政策引导下，我国医疗产业有望 释放人工智能红利

• 近年来，我国出台了一系列全国性政策及医疗人工智 能专项政策，鼓励“AI+医疗”行业发展。在政策引 导下，医疗产业有望释放互联网及人工智能红利。

1.3 资本分析

我国医疗人工智能项目154个，过 半集中于医疗影像和辅助诊断领域

• 根据鲸准数据库，截至2019年11月，我国目前拥有融 资记录的医疗人工智能项目约有154个，其中70%以 上项目处于天使轮和A轮阶段，B轮及以后项目较少。 从细分领域来看，项目集中分布于医疗影像、辅助诊 断和疾病风险预测领域，其他领域项目较少，近两年 人工智能医疗影像和辅助诊断成为热门领域。

互联网巨头、传统医疗巨头、传统 企业纷纷布局医疗人工智能

• 除了初创型企业，包括IBM、Google、BAT在内的互 联网企业巨头以及GPS在内的传统医疗企业巨头，以 及众多跨界拓展业务边界的传统企业也纷纷布局医疗 人工智能领域。主要进入方式为自主研发相关产品， 开发相关领域针对性技术赋能行业应用，或者通过外 延并购扩张业务版图。

• 对互联网企业来说，更倾向于利用自身的互联网基础 与平台优势来进行技术布局。IBM Watson在医疗方 面主要应用于癌症诊断和治疗，此外在慢病、医疗影 像、大健康、体外检测、精准医疗、机器人和疾病研 究治疗也有所布局。Google布局领域最广，科研与风 险投资并行，覆盖远程医疗、新药研发、器械、药品 配送、患者管理等关键环节。百度于2019年收购医疗 人工智能领域康夫子公司，重启医疗领域布局，并发 布“百度灵医”发力智能分诊、眼底筛查、临床辅助 决策支持系统。2018年阿里健康与阿里云共同建设阿 里医疗人工智能系统——ET大脑，并推出“Doctor You”人工智能辅助诊断系统，率先应用于CT肺结节 辅助检测，并于2018年扩展到糖尿病慢病管理领域。 腾讯觅影于2017年面世，目前该产品已经具备AI医学 图像分析和AI辅助诊疗两项核心能力。此外，腾讯通 过投资方式在三年间对互联网医疗进行产业布局，投 资金额达到数百亿元*。

• 对于传统医疗巨头来说，在医疗人工智能领域来说更 侧重于布局医疗属性。GE着力于研发智慧型创新的技 术和数字医疗产品，通过资产云管家、云影像解决方 案和云心电解着力决方案三大主力产品开启数字化转 型之路。2019年9月，FDA已经批准了GE重症监护套 件（Critical Care Suite ICU气胸预判AI解决方案）， 这是GE医疗首个嵌入移动X射线设备中的人工智能算 法。Philips在医疗人工智能领域凭借临床经验和数字 化及人工智能技术，推出整合型解决方案，其“星云 影像平台”目前已经通过FDA和CFDA认证。Siemens 在医疗领域布局影像诊断、临床诊疗和实验室诊断领 域，并积极推进在数字健康服务与医疗企业管理方案 领域的业务延伸。现已推出医疗智能化平台的磁共振 产品MAGNETOM Sempra和数字化医用X射线产品 Multix Impact等多项产品和解决方案

• 对于传统企业来说，主要通过对外投资并购的方式来 拓展业务边界，进入医疗人工智能领域。比如复星集 团和中国平安于2018年B轮入局Airdoc，专注于眼科 的辅助诊断AI医疗平台；英伟达于2018年6月投资以 色列AI医疗影像服务商Zebra Medical Vision；手机 硬件起家的小米，也在生态链布局一系列针对身体健 康监测的小米手环和体重秤等产品，探索医疗健康大 数据应用的更多可能性。

“AI+医疗”主要应用场景分析

2.1 AI+医疗影像

我国临床需求增加，专业医生缺 口大，AI医疗影像市场需求迫切

• “AI+医疗影像”，是指将人工智能技术应用于医疗 影像诊断中。现代医学建立于循证医学的基础之上， 医疗影像是临床医生一项重要的诊断依据。主要对患 者的影像资料进行定性和定量分析，不同阶段历史比 较等。目前，AI医疗影像已成为我国AI医疗领域最为 成熟的细分领域。

• 从诊断路径来看，人工智能基于图像识别和深度学习 技术作用于医疗影像，在临床诊断中主要可分为两个 阶段：其一，图像识别阶段，应用于感知环节，对影 像进行读取和梳理，从中获取有价值的信息；其二， 深度学习阶段，应用于学习和分析环节，通过对海量 影像数据和诊断数据的输入，对神经元网络进行深度 学习训练，使人工智能掌握诊断能力。

• 从临床需求来看，我国专业医生缺口大，工作繁琐重 复，诊断效率较低，服务模式亟待创新。目前，我国 医疗影像数据以每年30%的速度持续增长，而影像科 医生的年增速仅为4%，加之医生培养周期较长，医生 资源流失率较高，我国每年培养60万医学生，只有10 万人走上临床岗位，远不能满足临床实际医疗需求。 以宁波大学附属医院（三甲医院）为例，影像科医生 平均每天需要完成80-100份CT，或60-80份磁共振， 或120-150个超声部位的影像诊断。即使每份报告只 用七八分钟，也需要10个小时才能完成*。

人工智能用以解决病灶识别与标 注等多种医疗影像需求

• AI主要解决三种影像需求：1）病灶识别与标注。针对 X线、CT、MRI等影像进行图像分割、特征提取、定 量分析和对比分析，识别与标注病灶，帮助医生发生 肉眼难以发觉的病灶，降低假阴性诊断发生率，提高 医生诊断效率；2）靶区自动勾画与自适应放疗。针对 肿瘤放疗环节进行影像处理，帮助放射科医生对200450张CT片进行自动勾画，时间缩短到30分钟一套； 在患者15-20次上机照射过程中不断识别病灶位置变 化以达到自适应放疗，减少射线对病人健康组织的辐 射与上海。3）影像三维重建。基于灰度统计量的配准 算法和基于特征点的配准算法，解决断层图像配准问 题，有效节约配准时间，在手术环节有重要应用。

• 头部企业通常针对某一病种，在病灶识别与标注功能 基础上，依照医学诊断路径开发其他功能，真正为医 生诊断决策提供帮助。以肺结节为例，系统识别结节 后，将筛查结果生成结构化报告，并对比分析，自动 搜索历史影像资料，对比不同时期结节变化。

市场竞争格局未定，高质量数据 获取与标注能力成为核心竞争力

• 从市场竞争格局来看，目前中国AI医疗影像领域百家 争鸣，尚未出现占据垄断性优势地位的企业。IBM、 Google、阿里、腾讯、GE医疗、乐普医疗以及众多 初创公司均在这一领域进行业务布局。此外，自2016 年以来，专注于不同病种与技术方向的AI医疗影像初 创公司受到资本热捧，一定程度上推动行业发展。

• 中国医疗影像数据量巨大，但利用效率较低，且其中 非结构化数据占据总量90%左右。这些海量数据缺乏 结构化数据梳理，标准化呈现体系，以及跨平台分享 的生态环境，大部分数据都处于孤立且非标准化存在 的状态，可利用价值不高。因此，AI医疗影像企业在 高质量数据获取和标注上存在较大挑战。

• 高质量数据获取难度大。一方面，高质量影像数据集 中在三甲医院，仅对内流通，缺乏共享机制，难以获 取；另一方面，过往的医学影像数据及临床诊断报告 信息，缺乏统一的标准化记录，数据质量参差不齐。

• 数据标注成本高。在数据处理流程中，重点环节在于 数据预处理工作，数据标注的准确性将直接影响最终 诊断结果。在机器学习过程中，参与训练的每张图片 都要经过专业人员标注。尽管未来五年内小样本学习 在理论层面或将有所突破，但目前数据处理和学习方 法仍需要消耗大量时间和精力。高质量数据获取和数 据标注能力成为企业核心竞争力之一。

平台分成和技术解决方案两种商 业模式正在不断探索与尝试中

• 从落地情况来看，目前中国AI医疗影像产品主要应用 在疾病筛查方面，以肿瘤和慢病领域为主。其中，肺 癌和眼底筛查领域介入企业最多，近两年乳腺癌也成 为热门布局领域之一。此外，不同企业针对客户群体 也有所差别，除三甲医院和基层医院外，也有面向C端 和保险公司等产品。 • 目前AI医疗影像的商业模式仍在不断探索与尝试中， 主要可分为以下两种商业模式：

• 第一，平台分成模式。与基层医院合作，提供影像资 料诊断服务，按照诊断数量收取费用，相当于与医院 共同提供医疗影像服务，并从中获得分成。

• 第二，提供技术解决方案。与大型医院、体检中心、 第三方医学影像中心及医疗影像器械服务商合作，提 供技术解决方案。1）面向大型医院、体检中心及第三 方医学影像中心一次性出售“AI+医疗影像”解决方 案的使用权或使用期间定期收取使用费。三级医院由 于采购预算较高，设备更新意识较强，通常以这种模 式与AI医疗影像公司进行合作。目前DeepCare正在 探索这种商业模式，开发不同病种智能模块放在云平 台上，客户根据自己需求进行选择并付费。2）与医疗 器械厂商合作，在医疗设备中加入智能模块，硬件捆 绑软件销售，将产品功能嵌入到硬件设备当中。例如 GE、Philips、Roche等公司都在发力器械智能化，并 在相关领域取得技术进展及产品化应用。

2.2 AI+辅助诊断

人工智能在辅助医生进行疾病检 测和诊断方面的应用快速发展

• 目前，人工智能在辅助医生进行疾病检测和诊断方面 的应用快速发展，包括在医疗影像领域的突破，基于 电子病历的临床辅助决策系统，以及诊断后手术治疗 等。未来经过更加丰富的数据标注及模型优化，将影 像、病历、检查检验等多模态数据进行整合，人工智 能可以检测和诊断的疾病类型将随之增多，提高疾病 早期发现率，帮助医生提高诊断效率及诊断准确性。

• AI医疗影像是辅助诊断的主要应用领域，前文已有介 绍，本节内容重点介绍影像之外的电子病历、导诊机 器人、虚拟助理、手术机器人等其他应用方向。

• 电子病历。在电子病历领域，人工智能利用自然语言 处理技术以及语音识别技术，来处理大量文本与语音 信息，将病历语言标准化、结构化、统一化，使病种 数据更加专业，病历输入更加简单，病历展现形式更 加直观，辅助医生进行临床决策判断

• 导诊机器人。导诊机器人能有效解决医院人满为患， 患者无法及时获得就医指导的行业痛点。导诊机器人 可以基于人脸识别、语音识别和人机交互技术，为患 者提供挂号和就医引导，进行身份识别，信息收集， 数据分析等，有效引导患者分流，帮助医生提高问诊 及诊断效率。

• 虚拟助理。人工智能可基于历史问诊信息大数据，帮 助医生回复患者问诊，并有针对性的提出相关问题， 节约医生的时间和精力。

手术机器人已成为人工智能辅助 诊断领域比较活跃的应用

• 目前在辅助医疗方面，人工智能已经形成了一些实质 性应用，手术机器人和医疗机器人就是比较活跃的尝 试。手术机器人已经在胃肠外科、泌尿、妇科和心外 科等外科手术中渗透与应用。手术机器人通过高分辨 率3D立体视觉以及器械自由度，在狭小的手术空间内 提供超越人类的视觉系统，更大的操作灵活性与精准 度，拓展了腹腔镜手术的适应症，增强手术效果。

• 美国直觉外科公司（ISRG）的“达芬奇手术机器人” 已被FDA批准用于泌尿外科、妇科、心胸外科、腹部 等外科手术，在美国院内渗透率达60%。ISRG公司由 此高速发展，2015-2018年营收平均增速16%，2018 年营收达到37.24亿美元，并始终保持着高达30%的净 利率，总市值超600亿美元。目前单台达芬奇手术机 器人在我国售价约1800万元，每年维护费200万元， 已有约400家医疗机构拥有该设备的配置证，但仍未 大规模推广应用。

• 据BCG波士顿咨询测算，预计2021年全球医疗机器人 规模将达到207亿美元，其中60%市场份额为手术机 器人。美敦力、强生、西门子和史赛克是四大重要设 备服务商，近两年通过收购不断扩大自身医疗机器人 版图。例如，2018年美敦力以17亿美元收购以色列 Mazor Robotics及其机器人辅助手术平台，研发脊椎 手术机器人引导系统。2019年强生以34亿美元收购瑞 士Auris Medical，加强外科微创手术业务研发。

人工智能临床决策系统的行业壁 垒较高，临床知识库是关键

• 人工智能技术还可用于临床辅助决策，临床决策系统 （CDSS）相当于一个不断更新的医学知识库，是基于 人机交互的医疗信息技术应用系统，通过数据和模型 辅助医生完成临床决策。CDSS的使用场景涵盖诊前决 策、诊中支持和诊后评价全流程，帮助临床医生做出 最为恰当的诊疗决策，提高诊断效率与诊断质量。

• 目前，世界上绝大多数CDSS都由三部分组成：即知识 库、推理机和人机交流接口部分，其中庞大可靠的临 床知识库是CDSS的行业壁垒。目前大部分企业的知识 库都难以满足医生的临床需求。而由于医院内部系统 之间的信息隔离，大多数CDSS与医生临床工作脱节， 导致CDSS的决策方式与医生的决策习惯相悖，降低临 床医生的使用积极性。一个完整的临床知识库应当包 含各种最新临床指南、循证医学证据、医学文献、医 学辞典、医学图谱计算工具、大量电子病历等海量数 据，还应当交互良好，方便临床医生从数据库获取信 息。此外，数据库必须是开放的，动态更新的。对第 三方信息化企业来说，行业壁垒较高。

• 我国CFDA目前还未对人工智能临床决策系统建立明确 标准，国家食药监局正在制定评审《深度学习辅助决 策医疗器械软件评审要点》。美国FDA已经批准一些 CDSS产品，有针对单病种的，有专家知识库系统。比 较典型的包括荷兰科威集团的UpToDate临床决策支 持系统，IBM Watson在肿瘤辅助诊断治疗的应用。

2.3 AI+新药研发

新药研发面临研发周期长、研发 成功率低和研发费用高三大问题

• 新药研发主要包括药物发现、临床前研究、临床研究 以及审批与上市四个阶段。一款药物从靶点发现到批 准上市需要经历复杂且漫长的流程，需要大量人力、 物力和财力投入。正因如此，新药研发面临研发周期 长、研发成功率低和研发费用高三大痛点问题。

• 研发周期长。据Frost & Sullivan统计，新药研发需要 历经10-15年。药物发现和临床前研究耗时6-7年，提 交上市申请后经过0.5-2年时间方可获批并规模生产。

• 研发成功率低。据Harris Williams Middle Market统 计，在进入药物研发管道的5000至10000个先导化合 物中，平均只有250个能够进入临床，平均只有1个才 能最终获得监管部门的新药批准，风险伴随新药研发 全流程。原研化药成功率最低，仅为6.2%。

• 研发费用高。据Tufts统计，新药研发平均成本不断上 升，从1970年代1.8亿美元，到1990年代10亿美元， 再到至今26亿美元。2018年，全球前十大制药公司新 药研发预算占销售额平均比重为19%。

人工智能因其算法和算力优势， 应用于新药研发多个环节

• 人工智能因其算法和算力优势，在新药研发流程中应 用于多个环节，帮助解决新药研发的三大痛点。人工 智能的优势主要体现在发现关系和计算两方面。

• 发现关系方面，人工智能具有语言处理、图像识别和 深度学习能力，能够快速发现不易被专家发现的隐藏 的药物与疾病连接关系和疾病与基因的连接关系等， 通过对数据进行深度挖掘与分析，构建药物、疾病和 基因之间的深层关系。

• 计算方面，AI以其强大的算力，可以对候选化合物进 行虚拟筛选，更快筛选出活性较高的化合物，平均节 约40-50%时间，年均节约260亿化合物筛选成本*。

AI新技术公司、研究机构和大型 药企纷纷入局AI新药研发

• 目前人工智能药物研发市场主要有三类玩家，包括AI 新技术公司、药物研究机构和大型药企。 • AI新技术公司以人工智能各项技术为核心竞争力，在 不同技术领域各有所长，从不同环节切入药物研发产 业链，并努力切入上下游研发环节，向药企或医疗机 构提供技术服务。

• 药物研究机构基于自身的高研究水平，从平台建设的 角度进行数字化转型，搭建自己的大数据平台，并尝 试对外输出研究服务，进行商业化变现。

• 大型药企与市场联系最为紧密，利用本身技术和研发 基础以及多年积累的药物研发数据，进行外延并购或 合作，拓展业务边界，通过新技术为药物研发赋能。 目前，全球前十大药企均已入局。2018年罗氏以19亿 美元收购肿瘤大数据公司Flatiron Health，为其提供 研发所需的数据与技术支持，加速新药上市。

• 从国内市场来看，2018年6月，药明康德投资了将强 化学习和生成对抗网络（GAN）相结合进行分子发现 的Insilico Medicine。2018年9月，正大天晴与阿里 云医疗AI合作，获得一种全新的基于机器学习模型的 化合物筛选方法，与传统计算机辅助药物设计方法相 比，这套模型的筛选准确率可提高20%。2019年9月 江苏豪森与Atomwise达成合作，双方将合作设计并 发现多个治疗领域中多达11种未公开靶蛋白的潜在候 选药物。

2.4 AI+健康管理

AI可改善健康管理数据关联性薄 弱和人员专业性不足的痛点问题

• 传统健康管理领域存在行业标准不足、公众认知和接 受程度不高、数据关联性薄弱、人员专业素质不足、 支付机制不健全和现有服务链条不完整等诸多问题。 其中，以下两个痛点问题是可以利用人工智能技术去 发力解决的方向。

• 智能设备的数据关联性薄弱。目前，可穿戴设备和家 用医疗器械设备等智能设备仅停留在对于体征数据的 采集、提取和趋势分析层面，不同身体器官及不同平 台的数据之间不具备整体关联性，从而使许多数据成 为数据孤岛，无法有效发挥数据的联合分析作用，不 能为用户提供基于多项综合检测数据的整体身体健康 状况画像，进而不能满足用户的健康管理需要。人工 智能可以对数据进行综合提取与交叉分析，学习医疗 病历数据，根据用户的健康数据提供合理建议。

• 健康管理人员专业性不足。目前，绝大多数健康管理 人员都是非医学背景，素质参差不齐，专业性有所欠 缺，很少能为客户制定一份科学的健康管理计划。而 利用人工智能技术开发健康管理平台，拥有更为完整 的知识图谱，可以在一定程度上保证健康建议的专业 性。一方面，通过智能设备和体检中心等平台收集用 户的健康体征数据，结合强大的计算能力对数据进行 分析决策，提高疾病预测的准确性；另一方面，人工 智能通过高效计算和精准匹配使个性化健康管理成为 可能，推动健康管理的系统化与精细化。

AI在健康管理领域应用广泛，包 括风险识别、虚拟护士等多场景

• AI+健康管理是将人工智能技术应用到健康管理的具 体场景之中，通常与互联网医疗概念相结合，被归类 为互联网医疗的一种应用方向。目前，AI+健康管理 主要集中应用于风险识别、虚拟护士、精神健康、移 动医疗、可穿戴设备、健康干预以及基于精准医学的 健康管理等。

• 风险识别，利用人工智能进行数据获取与数据分析， 在诊疗过程或治疗周期中识别疾病的潜在风险，及时 给与预警及预防措施。例如，Lumiata公司利用其核 心预测分析产品“风险矩阵（Risk Matrix）”，采集 大量的健康计划成员或患者的数据点，然后为每个人 绘制出患病风险岁时间变化的轨迹；同时，利用大数 据构建医疗图谱，分析人群健康状态及患者的个性化 需要，帮助医生提高诊疗的准确性。

• 虚拟护士，了解病人的身体状况、饮食、运动和用药 习惯，运用人工智能技术进行数据分析，对病人作出 身体状态评估及调整意见，协助患者规划个人生活。 例如，AiCure通过智能手机摄像头获取用户信息，利 用人工智能面部识别技术提高患者服药依从性。

• 精神健康，运用人工智能技术对用户的语言、表情和 声音等信息进行挖掘，识别用户的情绪与精神状态， 发现用户精神健康方面的波动情况。例如，Affectiva 公司利用人工智能技术，让机器能够实时感知并剖析 使用者的情绪，并为其提出合理的见解与分析。

• 移动医疗，将互联网及人工智能技术应用于医疗服务 场景。在患者端，为患者提供在线挂号、远程问诊、 在线就诊等新的便捷医疗服务，将在一定程度上改变 传统医疗服务的提供方式，改善患者就医体验。在医 院端，基于医院信息化系统和大数据积累，利用人工 智能构建智慧医疗院内服务体系，打破诊疗各环节及 各科室间的信息同步与沟通壁垒，提高医疗效率。

• 可穿戴设备，正在从简单的健身追踪器转变为家用及 临床检测器，应用于医疗领域。根据IDTechEx行业报 告《2019-2029可穿戴技术预测》，在未来十年可预 测的48种不同穿戴技术产品中，有20种是可穿戴医疗 设备。包括助听器、心脏设备和胰岛素泵等较为传统 的医疗产品，也报告针对糖尿病患者的连续血糖监测 仪、新型电子皮肤贴片和其他具有潜力的新型可穿戴 医疗设备。基于传感技术、大数据和人工智能深度学 习技术，对实时健康数据进行分析预测，解决部分医 疗需求。

• 健康干预，运用人工智能技术对用户的各项健康指标 和体征数据进行定量分析，制定适合个体的健康管理 计划。例如，Welltok通过旗下的CafeWell Health健 康优化平台，利用人工智能技术对Fitbit等合作方提供 的可穿戴设备用户体征数据进行分析与挖掘，提供专 业化健康管理建议。同时，该平台亦能利用机器学习 识别患者的非医疗需求，为其对接相应服务。

“AI+医疗”案例分析