人工智能＋医疗行业现状与发展趋势分析报告内容目录1.前言：从互联网医疗升级到医疗人工智能 (4)2.临界点已至，医疗人工智能站上风口 (5)2.1.技术：已走出实验室，商业化加速落地 (5)2.2.资本：一级市场持续火爆，巨头加速布局 (7)2.3.产业环境：供需不平衡仍将延续，消费升级产生新的付费方 (8)2.3.1.供需总量分析：供给不平衡仍将延续 (8)2.3.2.供需结构分析：分级诊疗趋势下，基层面临智能化升级的强需求 (8)2.3.3.付费方：消费者有望成为智能医疗服务的重要付费方 (9)2.4.政策：需“持证”上岗，收费政策尚未明晰 (9)2.5.商业前景：技术赋能是当下，医疗服务是未来 (10)3.医疗影像：人工智能在医疗领域应用的第一站 (11)3.1.人工智能在医疗影像的应用场景 (11)3.2.市场机遇：医疗影像是千亿级的市场 (12)3.3.技术实现路径和竞争壁垒分析 (14)3.4.二级市场参与医疗影像+人工智能产业的路径 (15)4.智能辅助诊断：现代医学皇冠上的明珠 (16)4.1.技术实现路径：打造“医疗大脑”的5个步骤 (16)4.2.竞争壁垒分析：医疗数据规模&数据结构化技术 (17)4.3.商业化路径：智能辅助诊断系统面临的三个定位选择 (18)4.3.1. to B or to C？ (19)4.3.2. to B领域：选择基层、专科还是大三甲？ (20)4.3.3.常见病or垂直病种？ (21)4.4.二级市场参与智能辅助诊疗产业的路径 (21)4.4.1.路径一：发挥通道优势，联合技术方共同推广 (21)4.4.2.路径二：补齐数据结构化能力，自研医疗大脑 (22)5.精准医疗：AI+基因组学解读生命大数据 (23)6.投资建议与重点推荐公司 (25)6.1.思创医惠：IBM沃森中国战略合作伙伴，打造自主医疗AI技术 (26)6.2.科大讯飞：人工智能龙头开辟新战场，医疗AI业务快速崛起 (26)6.3.东软集团：人工智能有望成为医疗业务二次腾飞的助推器 (27)6.4.万东医疗：战略合作阿里健康，打造人工智能医疗影像平台 (27)7.风险提示 (28)图表目录图1：从边缘革命到战场中心 (4)图2：医疗人工智能时代的投资逻辑变化 (5)图3：现代医学是数据驱动的学科 (5)图4：医疗人工智能发展史大事件整理 (6)图6：医疗人工智能创业在2014、2015年开始激增 (7)图7：医疗人工智能融资已经超过180亿 (7)图8：医疗供需严重不平衡 (8)图9：国内人口以及60岁以上人口的统计，单位（万） (8)图10：分级诊疗流程 (9)图11：AI+医疗影像产品认证流程 (10)图12：未来医疗人工智能的商业模式 (11)图13：人工智能在医疗影像领域的应用场景 (12)图14：病理科医生的供需缺口 (13)图15：放射科医生的供需缺口 (13)图16：乳腺癌淋巴转移数字病理切片诊断准确率比赛 (13)图17：医疗影像市场 (14)图18：“机器看片”的技术原理 (14)图19：人工智能医疗影像产业链 (15)图20：打造医疗大脑的流程 (16)图21：医疗知识图谱的简单示意 (17)图22：临床数据结构化的流程图 (18)图23：Babylon的APP界面（对话由患者与机器完成） (19)图24：IBM沃森“看病”流程 (20)图25：医疗信息化公司与核心技术公司合作是较好的选择 (21)图26：医疗信息化公司与核心技术公司合作是较好的选择 (22)图27：数据流的视角下的医疗信息化上市公司划分 (23)图28：基因组数据解读分析的核心就是找到基因组和表型/疾病组之间的规律 (24)图29：基因预测疾病风险的经典案例 (24)图30：基因检测产业链 (24)图31：2001-2016年平均每兆数据量基因测序成本 (25)图32：2001-2016年基因测序成本 (25)表1：医疗影像领域人工智能技术突破“人类水平”的案例 (6)表2：国内巨头医疗人工智能产业布局概览 (7)表3：医疗影像在众多病种的应用，已经成为最重要的临床诊断工具 (11)表4：医疗数据结构化的三种路径 (18)表5：智能辅助诊断系统的市场定位 (20)表6：医疗+人工智能股票池 (26)1. 前言：从互联网医疗升级到医疗人工智能从2014年互联网医疗崛起至今，我们经历了一个完整的医疗产业技术渗透周期，享受过牛市的甜蜜期，也体会过商业模式迟迟未能兑现所带来的阵痛。
看当下，以春雨医生、微医为代表的互联网医疗平台，继续在政策的夹缝中艰难摸索商业模式；传统的医疗IT厂商们仍然埋头做着医院、政府的项目。
当颠覆医疗的口号慢慢平息，医疗健康产业似乎重新归于平静之时，新一轮人工智能的风暴开始向医疗产业袭来，我们观察到医疗这个号称最难被颠覆的产业，正在出现新的变化。
1）影响范围升级：从边缘到中心互联网医疗到医疗人工智能，是对医疗行业从表层到实质、从边缘到中心的全面升级。
医疗是一个人力、智力密集型行业，医疗服务供给与需求的严重失调是我国医改面临的根本问题。
为了变革升级产业，解决看病难的问题。
1.0时期的互联网医疗，大部分商家都将自身定位为平台，强调平台的连接属性、放大互联网的流量优势。
典型的商业模式就是轻问诊平台，以挂号为切入口，希望通过更高效的链接患者和医生，提升医疗服务的资源配臵效率。
2.0时期，互联网医疗平台尝试通过开通互联网医院、或者到线下开诊所的形式来提供医疗服务，从增加医疗服务供给的角度去变革产业，但受限于人力的瓶颈，变革仍然是有限度的。
到了医疗人工智能时期，AI对医疗的渗透有望大幅变革医疗服务的成本和效率，从根本上解决医疗服务资源的供给瓶颈，彻底改善看病难的问题。
图1：从边缘革命到战场中心2）产业布局思维升级：从“圈人”到圈“数据”医疗人工智能创造了全新的医疗服务供给，医疗投资回归技术驱动路径。
总结过去几年互联网医疗行业的热潮，人是商家争夺的核心要素，技术暂处于边缘辅助角色，技术和人力两个生产要素的抉择中，资本更偏好人力。
其表现形式为，投资者以及创业者均认为医疗行业还处于人力驱动的逻辑，即如何圈住医生、医院这些医疗服务的供给方才是核心所在。
而人工智能技术的成熟和普及将让医疗行业步入技术驱动的轨道，从基于医生经验医学到循证医学（统计学+小样本数据）的阶段再进一步进化到基于人工智能的诊疗，医疗行业的投资逻辑将发生根本性的变革。
以医生和医院为代表的医疗服务资源将不再稀缺，数据成为了新的生产要素，人工智能技术创造了全新的医疗服务供给。
数据来源：安信证券研究中心整理制作2. 临界点已至，医疗人工智能站上风口2.1. 技术：已走出实验室，商业化加速落地现代医学是数据驱动的学科。
一提到技术对于医学的作用，可能大家的第一反应就是医疗是一门手艺活，靠的是经验和实践，技术本身并没那么重要。
我们认为这是一种偏见或者无解，事实上，中西医分科治学后，现代医学已经是一门数据驱动的学科了。
传统医学的底层驱动其实是经验医学；到了现代医学，特别是西医，强调的是循证医学，其背后的支撑是基础理论的研究+临床经验（以数据的形式呈现）。
循证医学会采集大样本的临床数据，进行系统性的评价，最后把临床数据总结成临床诊疗指南、临床路径；循证医学发展到精准医疗时代，数据的重要性更加明显。
精准医疗在循证医学的基础上，更加强调患者个体的个性化诊疗，通过对患者的数据的分析结合临床经验，给出最佳的治疗方式，甚至会出现“同病不同治”、“同治不同病”的情况。
因此，如果我们承认数据是现代医学的基础，那么将人工智能技术引入医疗领域显然是历史发展的必然。
人工智能在医疗领域的尝试最早可以追溯到80年代。
最早的一波在医疗领域进行人工智能探索的尝试，出现在1972年。
由利兹大学研发的AAPHelp，这是医疗领域最早出现的人工智能系统。
AAPHelp系统基于贝叶斯理论开发，主要是用于腹部剧痛的辅助诊断以及手术的相关需求。
1976年美国斯坦福大学开发了一个用于细菌感染病诊断的专家咨询系统-MYCIN，它是世界上第一个功能较全面的专家系统。
1980年，已经有一些商业化应用系统的出现，比如哈佛医学院开发的DXplain，主要是依据临床表现提供诊断方案。
DXplain的知识库中，已经收录了2200种疾病，和5000多种症状。
同时期，我国的医学专家系统也开始进入研究阶段。
总体来说，早期的医疗人工智能的厂商并不成功，技术本身也存在很大的局限性，包括在医疗辅助诊断领域的CDSS（临床辅助决策系统）、医疗影像领域的CAD（计算机辅助诊断），均没有获得理想的商业效果，在实际的应用过程中，也并不受医疗从业者的欢迎。
主要的原因在于，无论从算法、算力或者数据来看，人工智能技术本身并不成熟。
医疗的高度复杂性对于过去的人工智能而言还是一个不可逾越的行业。
图4：医疗人工智能发展史大事件整理在人工智能基础技术突飞猛进提供了持续的技术红利的大背景下，医疗+AI开始突破早期的技术瓶颈，获得新的发展契机。
以医疗影像为例，新一代人工智能技术在精确度上已经实现了“超越人类水平”的技术临界点。
以前的医疗影像CAD（计算机辅助诊断）依旧主要表现为事先输入的预先假设和病例特征结构之间的判断程序，计算机识别不够精确，敏感度和特异性不够，漏诊（假阴性）和误诊（假阳性）的可能性还是比较大，因此对于一个放射科医师还是临床专业医师都无法起到很好的辅助作用，反而可能在使用的时候拖慢效率，极大地阻碍了CAD在临床医疗实践中的推广和发展。
引入深度学习之后的医疗人工智能与过去传统的人工智能模型的区别在于，传统人工智能模型的成本非常高，需要一大批的专家来教机器某一种疾病的各种类型的特征。
这种模型准确率本身不高，而且能够做出来的病种也非常有限。
但深度学习的模型，本质上有点类似一个普通医学生的自学习过程，只要有足够的数据量作为学习材料，就能实现更精准、覆盖病种更多的模型。
从2013年开始，已经有多个医疗影像人工智能的学术研究以及商业化的案例，通过引入深度学习算法，在某些病种的识别和诊断上，达到“超越人类水平”的技术临界点。
实际上，医疗人工智能在众多应用场景已经走出了实验室，进入了商业化落地阶段。
除了上文提到的了医疗影像之外，医疗人工智能商业化落地的案例中，最为大家所熟知的就是IBM沃森肿瘤医生。
2012年，沃森肿瘤医生通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。
从2016年起，IBM正式全线发力推广沃森肿瘤医生，截止至2017年3月底，在全球7个国家服务的病患数量已达到数万名。
2.2. 资本：一级市场持续火爆，巨头加速布局医疗人工智能在一级市场已经融资超过180亿。