医学影像研究报告

亿欧智库发布《2020年中国医疗影像产业链研究报告》受制于生产力发展水平，中国医疗器械行业整体起步较晚，2010年整体规模仅为179亿美元。随着国家整体实力的增强以及工业基础的提高，2010-2017年中国医疗器械行业市场规模复合增长率达到19.8%，远高于全球3.4%，2018年中国医疗机械总体市场规模达到757亿美元。在中国，医疗影像是医疗器械最大组成部分，占比16%，但国产医疗影像技术多数仍在成长期，相比全球技术发展落后大约5-10年。面对广阔的下游市场，国产医疗影像仍然面临较大的发展潜力，2017年中国医疗影像市场规模达到511亿元（73亿美元），占全球医疗影像市场17.4%；2010年至2017年中国医疗影像市场规模的复合增长率达到6.5%，远超全球增速1.0%。医疗影像产业链可细分为六个环节，分别为原料生产、零部件生产、核心组件制造、主机制造、系统集成和医院，其中原材料和零部件属于上游，核心组件和主机属于中游，系统集成和医院属于下游。下游医院分布构成中国医疗影像市场下游基本面，高级医院需求大、基数小、配备程度高，基层医院需求小、基数大、潜力大；人口老龄化、低渗透以及分级诊疗政策长期利好中国医疗影像市场；随着人工智能技术的发展，部分AI创业公司主要在下游影像辅助诊疗环节集中落地。中游影像设备是产业链主体，医学影像诊断设备可分为X成像、核磁共振成像、超声成像、核医学成像、光成像及热成像六大类，目前市场主流设备主要来自X成像、磁共振成像及超声成像领域。2016年计算机断层扫描（CT）、磁共振成像（MRI）、超声成像为前三大市场，分别占比22%、19%、17%。医疗影像主机总体向更清晰、更快速、更安全、更便携、更智能五大趋势共进发展：更清晰指的是成像质量上的提升，如DR的高精度机型、超声的高端机型、MRI高场强机型都是在成像精度上的提升；更快速指的是成像速度的加快，如MRI的高速成像趋势；更安全指的是人体在放射性环境中的时间减少以及检测环节的安全性提高；更便携指的是部分设备的小型化发展，如掌上超声；更智能是与AI相结合提高部分性能。医疗影像上游原材料种类众多，电子元器件、传感元件及材料、结构件为核心组件。传感元件是医疗影像领域重要的元器件，是信号发射和接收部分的重要物理部件，按照不同成像领域有不同传感器类别。如CMOS传感器通过更小的像素尺寸、更高的分辨率和更低的噪声水平得到了广泛的应用，a-Si TFT FPD的简单性和内置能力也受到广泛应用。传感器的输出信号一般非常弱，需要优化接口电路，在提供足够增益的同时又不会引入噪声，信号链在其中扮演重要角色，信号链是从物理信号转成数字信号的关键环节。尽管不同成像原理涉及不同物理量的测量，但都包括模数信号转换、预调理等过程，是对模拟信号采样的必经过程，其高精度特性（如动态范围、分辨率、准确性、线性度和噪声）将决定最终数字成像的质量。医疗影像领域以信号链为主的模拟芯片重要性提升：医疗影像行业对分辨率、安全性等需求不断增长，使其半导体含量继续增加，预计2020年全球医疗影像半导体相关元件出货量达到73000；其中模拟芯片占比从2014年8.6%提升至2020年20.5%。医疗影像主机五大趋势向上游传导，倒逼上游信号链及传感元件等升级，其中信号链升级在产业链发展趋势中作用明显，其主要向降低功耗、提高速率、提高成像质量、提高集成度四大方向发展。完整报告请点击阅读亿欧智库《2020年中国医疗影像产业链研究报告》，可联系分析师分享您的观点。

医学影像是人工智能与医疗健康结合中，发展最为迅猛的领域。据不完全统计，国内涉足医学影像AI业务的企业已经多达上百家。以汇医慧影、推想科技、图玛深维为代表的医学影像AI初创公司在过去几年里飞速成长，团队规模不断壮大，均取得了单轮数亿元人民币融资的亮眼成绩。技术层面，医学影像AI已经从前沿概念变成了成熟可用的产品，具备了临床应用的条件。应用边界不断拓展，从最常见的肺结节、眼底逐步延伸到了乳腺癌、骨科、心血管、脑部疾病等诸多领域，产品矩阵不断丰富，并形成了差异化。产品与临床诊疗流程的结合也日益深入，从只能完成单点任务（例如优化结节检出）进阶到能完成以疾病（例如肺癌）或者部位（例如全肺CT影像诊断）为中心的诊疗流程。不管是在产品形态还是临床应用场景的进化上，都已经跨出了重要的一步。填补行业报告的空白医学影像AI发展到今天已经自成一隅，成为医学AI中最为繁盛的分支，值得单独拿出来深入剖析。然而，雷锋网发现目前市面上鲜有重点聚焦医学影像AI的独立行业研报。作为一家跟踪医学影像AI发展长达两年多的专业媒体，雷锋网有责任开风气之先。为此，经过近两个月的企业调研、报告撰写后，雷锋网推出了首份医疗影像AI行业垂直深度报告——《2018医学影像AI行业研究报告》。本报告不拘泥于格式，不堆砌无意义的表格和数据，不做价值较小的常识内容普及，而是深入行业本质，剖析入微。报告内容报告中，我们针对医学影像AI这个庞大市场中相关的各类玩家及其技术、产品和商业化路径进行剖析，试图为大家呈现出医学影像AI的真实面貌，以帮助各位把握这个行业的概况，同时作为投资、创业的参考。概括来说，本报告的主要内容包括：还原医学影像AI领域的发展现状，及行业共同面临的几大挑战分析8大主流赛道的市场需求、技术挑战及代表性企业的产品落地情况对比中美医学影像AI监管思路，介绍中国医学影像AI监管体系的建设情况对行业未来发展趋势的几大判断雷锋网梳理出了目前医学影像AI领域最热门和最具代表性的八条赛道——肺结节、眼底、乳腺癌、宫颈癌、皮肤病、骨龄测试、脑部疾病、靶区勾画，以及每条赛道上最具代表性玩家，将其产品特点及落地情况进行横向对比，力求直观地还原行业现状。同时，医疗作为一个强监管行业，受到国家政策的引导和约束，医疗影像AI产品上市必须先获得相关部门审批。雷锋网在报告中单独辟出一个章节，对中美两国的医疗AI产品监管思路进行了深入对比。从结果来看，在传统医疗器械领域，中国由于起步较晚，和美国的发展存在一定差距，审批要求也有很大的不同。但在医疗人工智能领域，两国起步时间差不多，基本保持齐头并进的态势，监管思路非常接近，有很多可以相互交流和借鉴的地方。雷锋网在医学影像AI行业的积累医学影像AI作为一个多学科交叉领域，需要各方思想的交流和碰撞。过去两年多时间里，雷锋网采访了近百位医学影像AI公司与医疗器械企业高管，73位三甲医院影像科主任、30多位国际知名医学影像分析学术专家、数十位知名医疗投资人，以及监管部门核心负责人，发表了百篇以上的医学影像行业深度报道。与此同时，7大Fellow得主田捷、飞利浦中国CTO王熙、MICCAI 2019大会主席沈定刚、微软亚洲研究院副院长张益肇、斯坦福医学物理系主任邢磊等顶尖医学影像专家均在雷锋网举办的医疗大会中做深度报告。2018年，我们对过去两年多的调研结果进行了重新组织与梳理，同时在近三个月内与产、学、医、投资、监管五界的资深人士再次交流碰撞，从市场需求、技术、资本、监管等多个维度，对医学影像AI的发展进行全景、立体式的展现。报告适宜人群与机构：企业：医疗人工智能从业者与创业者风投：投资医疗AI赛道的风险投资人高校：计算机视觉、图像处理与医学影像研究背景的教授、研究员；欲从事医学影像分析的学生医院：影像科/放射科/病理科主任医师、信息中心主任监管：NMPA等医疗相关监管机构的从业者相信这样一份行业研究报告，将帮助医疗投资人、行业从业者、医生等实现从技术到市场的全面理解，更好地建立行业共识，继而推动技术革命走向产业化落地。购买方式12月3日起，所有雷锋网「AI投研邦」年度会员可前往会员页面免费阅读本报告，非会员亦可通过官方渠道购买后在线查阅。关于「AI投研邦」「AI投研邦」系雷锋网旗下会员组织，聚焦AI+ 10大领域 ：AI+汽车（智能驾驶）、AI+教育、AI+金融、AI+智慧城市、AI+安防、AI+医疗、AI+IoT、AI+芯片、AI+零售、AI+安全。「AI投研邦」提供4大服务权益，包括每日投研通讯、每周「大咖Live」、每月AI+主题研报和其他不定期会员彩蛋等，全年365天投研资讯精选推送，40场+国内外AI大咖线上亲授，12份人工智能行业研报。我们希望能给认同投研产生价值的一二级市场投资人、以及给希望知识创造财富的工业界业者，提供更多专业深度的知识服务和交流平台。「AI投研邦」服务将在2018年12月3日与《2018医学影像AI行业研究报告》同步上线。欢迎加入「AI投研邦」，成为行业1000+投研领袖，一起引领人工智能未来。

2020年9月20日，一场医学影像AI领域，政、产、学、研、用万众瞩目的盛会，在上海国际会议中心胜利闭幕。▲第二届中国医学影像AI大会现场这场由中国医学影像AI产学研用创新联盟（CAIERA）主办的“第二届中国医学影像AI大会”，为期三天。以“AI助力健康中国”为主题，围绕2030健康中国行动纲要，吸引了线下参会人数达千余人，线上参会近七千人，线上观看近三万人次。我们看到了“新技术论坛”上行业发展最前沿的趋势；我们也看到了来自“智慧医学影像研究院”影像组学进阶班年轻的新生力量。作为此次大会的重磅环节，在周日的“医学影像AI 2020 发展论坛”上，举行了《医学影像AI 2020 发展报告》新书发布会。▲《医学影像AI 2020 发展报告》新书发布会编委团《医学影像AI 2020发展报告》是中国在医学影像AI领域第一次集合了政、产、学、研、用专家共同参与撰写。《医学影像AI 2020发展报告》主要涵盖了12大章节，各个章节的负责人分别为：概论（刘士远）AI基本概念和专业术语（郑海荣）AI在医学影像中的研究现状-数据篇（孔德兴）AI在医学影像中的研究现状-算法篇（田捷）AI在医学影像中的研究现状-热点篇（周少华）医学影像AI产品标准与质量控制（李静莉、王浩）医学影像AI产品临床验证（伍建林）医学影像AI产品监管（彭亮、贺伟罡、刘英慧）AI在医学影像中的临床应用现状（张惠茅）医学影像AI产业化现状（萧毅）AI在医学影像领域的教育需求（居胜红）AI在医学影像的伦理（王培军）在报告发布会现场，医趋势第一时间采访到了创新联盟理事长刘士远教授和《医学影像AI 2020 发展报告》的撰写专家们，聆听他们关于医学影像AI领域的现在与未来。01:08▲医趋势采访《医学影像人工智能 2020 发展报告》部分编委经过四年多的深耕，中国医学影像AI进入了一个理性、健康发展的关键时期。在这样的节点重磅发布《医学影像人工智能 2020 发展报告》，汇集许多业内顶级专家，对于整个行业有重要的实践跟指导意义。中国医学AI关键节点，促进上下游融合交流《医学影像AI 2020 发展报告》主编，上海长征医院影像科主任、中华医学会放射学分会候任主委，刘士远教授刘士远教授表示，在这样一个关键时期，有必要为医学影像AI上下游的所有从业者进行一次全面的总结。因此，报告的目的是促进上下游的相互融合与交流。同时，也是通过回顾现状，总结问题与挑战，让上下游的企业实现再创新、再突破。本次报告对内容的要求是客观性、科学性、全面性、前沿性、权威性，结合产学研用的实际需求，侧重总结阶段性进展，尤其是AI在新冠肺炎中的进展。刘士远教授告诉医趋势，此次发展报告针对的是医学影像人工智能整个行业发展全链条，也得到了国家层面的大力支持。报告涉及到人工智能上下游的所有问题，参与编写的人员都是各个领域最获认可的专家，包括国家药监局监管专家和质控专家。因此，《医学影像AI 2020 发展报告》的定位是国家层面具权威性的发展报告。关于报告对产业将带来什么样的帮助或指导？刘士远教授表示，希望这份发展报告对产业的指导作用包括，1、梳理整个产业的发展现状，对于医学影像人工智能目前的算法、研发、应用、产业化、伦理、监管等情况有一个全面的了解。2、加强AI相关基础教育，成为从事人工智能，或者即将要从事人工智能人员，包括上下游工科、科研、医学人员等的教材。3、促进上下游融合发展的作用，提供产业上下游从业者相互学习的机会，加强融合、交流和合作，成为大家的帮手。4、推动创新和发展，基于现状、应用、挑战的分析，有助于从业者梳理各自环节的短板，促进创新，推动产品研发和行业发展。5、展望未来，指明方向。报告每个章节最后都对该领域存在问题和未来方向做了分析，对上下游所有环节都能起到一定指导作用，也可以成为政府决策或者监管的参考等。最后，刘士远教授告诉医趋势，《医学影像AI 2020 发展报告》是在《中国医学医学影像白皮书》发布后近两年编写的，相比于2018年的报告，本次发展报告增加了专业术语、基础教育、政策监管、质量控制、临床验证、管理方式相关的内容，并且也是第一次有政府监管部门参与编写，更具权威性，这次正式出版的新书将在11月上市。医学影像AI领域的数据安全一直以来成为行业争论的焦点，《医学影像AI 2020 发展报告》里是如何解决这个争议的？AI数据伦理标准：“无害”“有利”上海同济医院副院长、中放常委、上海放射学会主委，王培军教授作为本次报告“AI在医学影像的伦理”章节的撰写者，王培军教授表示，AI技术的敏感性、特异性需达到95%以上才比较理想，才能达到更高的准确度，而这需要更大的结构化数据量。这就更需要保证数据的安全和隐私，也称为伦理要求。“伦理就是AI对人有什么影响，我们希望是无害的，并且是有利的。”无害 — 就是安全性。隐私保护，数据的安全保障。有利 — 就是诊断的准确性。涉及到模型开发，算法改进，这些标准越高做得越好，对病人的诊断、治疗越有帮助，那么它是有利的。此外还要保证应用的公平、透明。医学影像AI的商业化落地，是所有产业及临床最实际的目标，作为整个医学AI产业链最受关注的环节，《医学影像AI 2020 发展报告》也做了梳理及展望。两大方向，中国医学影像AI应用解决临床痛点吉林大学第一医院放射科主任、中放大数据人工智能学会主任委员、吉林省放射学会主委，张惠茅教授作为本次新书发布会的主持人，也是本次报告“AI在医学影像临床应用现状”章节的撰写者，张惠茅教授表示，《医学影像AI 2020 发展报告》里这一章节主要围绕的是中国医学影像近两到三年之间，中国学者做了什么，和国外的学者有什么不同。“在回答这个问题过程中，我们整个编撰团队有将近20人。”AI整体发展，国外肯定有一定优势，但从个性化来讲，中国的专家联合我们的算法专家做了很多深入的探索。中国医学人工智能着重于两个方向，一是工作流程，另一是疾病诊断。在工作流程中，中国学者目前更关注的是图像优化、速度提升，可以减少患者的等待时间，提升整体诊疗水平。中国患者人数巨大而医生资源稀缺，高质量的智能化工作流程可以为临床解决很多难题。甚至有的企业已经做了一个全站式量化的质量体系。同时我们也看到在结构化报告方向，目前头部企业还是比较少。而未来跟信息化公司整合的智能化结构报告，也是临床、患者共同的需求。围绕疾病的诊断，中国研发者已经从头到脚都涉及到了。尤其是应对此次新冠疫情，包括AI设备无接触的扫描、操控。进行病情的评估和随访。当然我们也希望在未来长时间随访过程中，对患者的预后有一些干预。谈到此次发布的《医学影像AI 2020 发展报告》亮点，张惠茅教授表示，除了权威性指导性以外，首次将AI术语规范化，因为语言是沟通的桥梁，如果没有一个基本框架，未来AI很难深入。另外，系统规范的教育，这是目前中国比较匮乏的，对于医生，相关的硕士研究生，博士研究生，都会很有收获。通过一本书就能告诉你中国医学影像AI发展从概论到政府监管，大家都关注什么，该怎么做？相信会帮助到对中国医学影像AI感兴趣的中外所有读者。让院内院外，各医疗机构之间互联互通，标准化结构化数据库非常重要。这更需要自上而下的顶层设计。建立统一标准的结构化数据库势在必行浙江大学应用数学研究所所长、中国生物医学工程学会医学人工智能分会副主委、浙江数理医学学会理事长 孔德兴教授标准的结构化数据对于AI发展至关重要。作为本次报告“数据篇”章节的撰写者，孔德兴教授表示，我国从事医学大数据的企业越来越多，但目前各单位的数据库质量参差不齐，标准不统一，数据的质控、标注、采集都不一样。远远落后于目前的研发、应用各方面，建库势在必行。因此在编撰本书数据篇的时候，希望能组织全国各大专家，建立统一标准，包括数据的采集、标注、质控以及伦理法律法规标准。对企业、科研、临床诊断、教育培训都有一定指导作用，将助力整个行业的发展。孔德兴教授表示，目前医疗AI数据主要面临三大问题，第一，数据来源问题。以企业或研究单位为例，数据来源从地域上并不能做到全覆盖。从维度上，有的是针对三甲医院，但实际应用在市县级医、在基层医院、甚至体检中心，来源或不能支撑这些应用场景。第二，数据质量问题。急需标准化、统一化、规范化。第三，数据使用问题。包括与医院的合作研发等法律法规。对于未来数据库搭建的突破口，孔德兴教授表示，更看重国家层面对数据搭建的统一部署，采用一个统一标准，然后由医院、科研机构、企业深入参与。这是一个多方合作的过程，并且每一方都很重要。“《医学影像AI 2020 发展报告》发布不是结束，而是开始。”依赖于“优质”的数据，找到适合的算法对于医学AI的发展很重要。不同于其他领域，医学领域的算法更为精细。医学AI算法更好为实际应用服务中国科学院分子影像重点实验室主任，国家杰青，长江学者，973首席，田捷教授作为本次报告“算法篇”章节的撰写者，田捷教授表示，报告对于临床跟产业界有着不同方面的启发。临床医生更关注AI如何让患者诊断更准确，治疗效果更好，所以报告里面给出了大量案例，哪些方法适合哪些临床诊疗。 对产业界来说，报告比较系统的介绍了AI算法的发展历程，以及主流方法，并且列出非常详细的分支，使其在设计他们的方法的时候，有一个参考。 在报告里介绍到了目前AI主流的三种算法，包括：统计分析算法，包括一些假设检验，目前在很多临床实验中也在用。影像组学算法，结合了比较简单的机器学习方法，从医学影像里提取出海量图像特征，基于这些图像特征建立模型，比如SVM或者随机森林模型等用于预测、诊断以及愈后分析。 基于卷积神经网络的深度学习算法，这种方法的优点在于可以基于图像而不经过人的勾画，直接得到结果，相当于是基于医学图像的自学过程。有些模型网络可以设计得很深，100多层甚至1000多层。同时描述了其在主要三个领域的应用，包括疾病诊断筛查、疾病治疗、愈后疗效预测。AI的算法需要为实际应用而服务。在医学领域的AI算法要根据医生的实际需求做开发。而根据某个临床实际情况开发的算法，并不适用于所有临床问题，因此根据临床需求开发专用的AI产品或有更好的效果。 在谈到目前医学AI算法需要哪些突破时表示，首先是人工智能的可解释性方面，第二是人工智能方法在小样本上，第三是人工智能在泛化性方面，如不同医院的应用性，第四是人工智能在多模态不同科室的数据融合方面需要有突破。 中国医学AI新纪元，我们看到了各方众志成城，在中国医学影像AI产学研用创新联盟（CAIERA）的带领下，加速向上发展。政、产、学、研、用交叉融合，中国医学AI未来值得期待刘士远教授表示，人工智能整体现状正在健康理性的发展，并进入一个上升平台。未来以患者为中心，以新技术为载体，以多模态数据库为支撑，三者齐头并进，医学AI将更丰富，更满足临床需求，也会有更多产品落地，未来值得期待。王培军教授表示，人工智能与医学影像的联合发展正处于一个上升阶段。《医学影像AI 2020 发展报告》就是针对政、产、学、研、用，捋清楚人工智能在医学尤其是在医学影像方面的过去、现在、未来。以权威的视角，进行人工智能研发应用的全景式分析，对其未来发展有所指导和借鉴。政产学研用只有联动起来，互相协作取长补短，才能更好促进医学影像AI的发展。未来《医学影像AI 2020 发展报告》也会根据时代发展不断更新。张惠茅教授表示，2018年中国医学影像AI产学研用创新联盟发布的国内第一部《中国医学影像AI白皮书》，引起社会的热烈反响。2020年，在全球新冠肺炎疫情，医学影像AI智能诊断、评估已到发挥重要作用的关键时刻，“2020发展报告”更会 受到各界人士的广泛关注和社会好评。孔德兴教授表示，目前国家卫建委正积极介入，已经为超生医学影像数据库，建立了5个子库，每天都有数据上传。而入库、标注、质控的标准，及应用解决方案都已完成。预计明年九十月份，这个数据库就可以正式展现给大家。田捷教授表示，目前医学AI发展很火热，国家也非常支持；但也看到一些需要解决的问题。比如需要有标准的数据集和标准化的规则，需要有更多“优质”数据，同时人工智能方法的开发也要基于隐私保护。在不能拿到足够公开数据的时候，或可以直接研发基于隐私保护的人工智能。更多《医学影像AI 2020 发展报告》亮点！未完待续......虽然目前AI在医学领域的应用还是个蹒跚学步的婴儿，但是“它”的成长非常迅速且每天都充满惊喜。中国医学影像AI产学研用创新联盟，为医生、企业、研究学者、政府机构能够在一个平台上融合交流，创造了很好的典范。相信未来医学影像AI会将临床诊疗带入一个崭新的纪元。· END ·

近日，「AI投研邦」雷锋网AI会员产品，正式发布《2018 医学影像 AI 行业研究报告》。「AI投研邦」是雷锋网为付费高端用户（早鸟价999元/人）提供的人工智能 + 10大行业的定制化精品内容服务，覆盖领域包括AI+汽车、教育、金融、智慧城市、安防、医疗、IoT、芯片、零售、安全。「AI投研邦」共为会员提供4大权益：12份AI+行业深度研究报告（单价699×12=8388元）40场AI专家与行业大佬独家视频授课（单价59.9×40=2396元）全年365天海内外10大AI领域投融消息精选推送（单价2.99×365=1091元）其他增值服务。目的是为一二级市场投资人、以及行业从业者，提供无法从公共渠道获取的深度图、文、音、视频知识服务以及合作交流平台。《2018医学影像AI行业研究报告》，作为「AI投研邦」的12份行业报告之一，近期已公开销售（单份研报早鸟价499，原价699），并且获得了百位行业专家的推荐和认可。填补行业报告的空白医学影像AI发展到今天已经自成一隅，成为医学AI中最为繁盛的分支，值得单独拿出来深入剖析。然而，雷锋网「AI投研邦」发现目前市面上鲜有重点聚焦医学影像AI的独立行业研报。作为一家跟踪医学影像AI发展长达两年多的专业媒体，雷锋网「AI投研邦」有责任开风气之先。为此，经过2年多的调研和2个月的报告撰写，雷锋网「AI投研邦」推出了首份医疗影像AI行业垂直深度报告——《2018医学影像AI行业研究报告》。本报告不拘泥于格式，不堆砌无意义的表格和数据，不做价值较小的常识内容普及，而是深入行业本质，剖析入微。报告内容报告中，我们针对医学影像AI这个庞大市场中相关的各类玩家及其技术、产品和商业化路径进行剖析，试图为大家呈现出医学影像AI的真实面貌，以帮助各位把握这个行业的概况，同时作为投资、创业的参考。概括来说，本报告的主要内容包括：还原医学影像AI领域的发展现状，及行业共同面临的几大挑战分析8大主流赛道的市场需求、技术挑战及代表性企业的产品落地情况对比中美医学影像AI监管思路，介绍中国医学影像AI监管体系的建设情况对行业未来发展趋势的几大判断雷锋网「AI投研邦」梳理出了目前医学影像AI领域最热门和最具代表性的八条赛道——肺结节、眼底、乳腺癌、宫颈癌、皮肤病、骨龄测试、脑部疾病、靶区勾画，以及每条赛道上最具代表性玩家，将其产品特点及落地情况进行横向对比，力求直观地还原行业现状。同时，医疗作为一个强监管行业，受到国家政策的引导和约束，医疗影像AI产品上市必须先获得相关部门审批。雷锋网「AI投研邦」在报告中单独辟出一个章节，对中美两国的医疗AI产品监管思路进行了深入对比。从结果来看，在传统医疗器械领域，中国由于起步较晚，和美国的发展存在一定差距，审批要求也有很大的不同。但在医疗人工智能领域，两国起步时间差不多，基本保持齐头并进的态势，监管思路非常接近，有很多可以相互交流和借鉴的地方。雷锋网「AI投研邦」在医学影像AI行业的积累医学影像AI作为一个多学科交叉领域，需要各方思想的交流和碰撞。过去两年多时间里，雷锋网「AI投研邦」采访了近百位医学影像AI公司与医疗器械企业高管，73位三甲医院影像科主任、30多位国际知名医学影像分析学术专家、数十位知名医疗投资人，以及监管部门核心负责人，发表了百篇以上的医学影像行业深度报道。与此同时，7大Fellow得主田捷、飞利浦中国CTO王熙、MICCAI 2019大会主席沈定刚、微软亚洲研究院副院长张益肇、斯坦福医学物理系主任邢磊等顶尖医学影像专家均在雷锋网举办的医疗大会中做深度报告。2018年，我们对过去两年多的调研结果进行了重新组织与梳理，同时在近三个月内与产、学、医、投资、监管五界的资深人士再次交流碰撞，从市场需求、技术、资本、监管等多个维度，对医学影像AI的发展进行全景、立体式的展现。报告适宜人群与机构：企业：医疗人工智能从业者与创业者风投：投资医疗AI赛道的风险投资人高校：计算机视觉、图像处理与医学影像研究背景的教授、研究员；欲从事医学影像分析的学生医院：影像科/放射科/病理科主任医师、信息中心主任监管：NMPA等医疗相关监管机构的从业者相信这样一份行业研究报告，将帮助医疗投资人、行业从业者、医生等实现从技术到市场的全面理解，更好地建立行业共识，继而推动技术革命走向产业化落地。购买方式方式一：扫下图二维码进入购买页面。方式二：搜索微信小程序“AI投研邦”，进入会员小程序服务页面。（进入页面后，也可购买年度付费会员，或其他单项内容服务）

雷锋网消息，近日，由卡内基梅隆大学机器学习系副主任邢波教授创立的 Petuum 公司近期发表了几篇论文，介绍了如何使用机器学习自动生成医学影像报告，从而更好地辅助医生做治疗与诊断。医学影像在临床实践中被广泛应用于诊断和治疗。专业医师阅读医学影响并撰写文字报告来描述自己的发现。对于没有经验的医生来说，撰写报告很可能会出错，对于人口众多的国家的医生来说，这样的工作又耗时又枯燥。为了解决这些问题，邢波教授的团队研究了医学影像报告的自动生成，作为人类医生更准确高效地生成报告的辅助工具。为了应对这些挑战，邢波的团队建立了一个多任务学习框架，共同执行标签的预测和段落的生成；提出一个共同注意机制（co-attention mechanism），将包含异常的区域标注出来；利用一个层次LSTM模型来产生长的段落。医生不愿撰写“医学影像报告”放射学和病理学的医学图像被广泛用于医院和诊所，例如肺炎、气胸、间质性肺病、心力衰竭、骨折等等。他们通过撰写文字报告（图1）来描述在影像学检查中所检查的每个身体部位的发现，特别是每个部位是否被发现是正常的，异常的或潜在的异常。图 1. 一个包含三部分信息的胸部 X 光报告示例。在 impression 部分，放射专家结合 Findings、病人临床历史及影像学研究的指导做出诊断。Findings 部分列出了影像学检查中所检测的身体各部分放射学观察结果。Tags 部分给出了表示 Findings 核心信息的关键词。这些关键词使用医学文本索引器（MTI）进行标识。对于经验较少的放射科医师和病理科医师，特别是那些在医疗保健条件落后的医生，写医学影像报告是一件困难的事情。要正确读取胸部X线图像，他们需要以下的几项技能：对胸部正常解剖结构和胸部疾病的基本生理学的全面了解通过固定模式分析射线照片的技能评估随时间变化的能力临床表现和病史知识与其他诊断结果（实验室结果、心电图、呼吸功能检查）相关的知识但是，对于有经验的放射科医师和病理学家来说，撰写影像报告又过于繁琐和费时。在中国这样人口众多的国家里，放射科医生每天可能需要阅读数百张放射图像。将每幅图像的分析结果输入计算机大约需要5-10分钟，这占用了他们大部分的工作时间。邢波的团队认为，自动生成医学影像报告是一件有意义而且有必要的事情，但同时，这项任务也面临几个挑战。首先，一份完整的诊断报告由多种不同信息形式的内部报告组成，如图1所示，胸部X射线的报告包含 Impression描述，通常是一句话；Findings 是一段描述；Tags 是一列关键词。用一个统一的框架生成这样的不同信息，对技术提出的要求很高。我们通过构建一个多任务框架来解决这个问题，该框架将标签的预测作为一个多标签分类任务来处理，并将长描述（例如生成 Impression 和 Findings）的生成视为文本生成任务。在这个框架中，两个任务共享相同的用于学习视觉特征的CNN并且共同执行。其次，一个影像报告通常更多地集中于描述异常的结果，因为它们能直接指出疾病并指导治疗。但如何定位图片中的病变区域并附上正确的描述非常困难。我们通过引入共同注意机制（co-attention mechanism）来解决这个问题，同时参与图像和预测到的标签，并探讨视觉和语义信息的协同效应。最后，成像报告中的描述通常很长，包含多个句子甚至多个段落。生成长文本是非常重要的，我们没有采用单层LSTM（这种LSTM不能模拟长序列），而是利用报告的组成性质，采用分层LSTM来生成长文本。结合共同注意机制，层次型LSTM首先生成高级主题，然后根据主题生成详细的描述。数据集方面，研究人员使用的是印第安纳大学胸部X射线组（IU X射线），这是一组与相应的诊断报告对应的胸部X射线图像集。该数据集包含7470对图像和报告。每个报告包括以下部分：impression, findings, tags, comparison and indication 。邢波团队将impression和findings中的内容视为要生成的目标，并将MTI生成的标记作为报告的标记。相关的工作为医学影像添加文本报告为了将文本报告添加到医学影像上，需要几个步骤。在我们的设置中，添加到医学影像上的文本是完全结构化的或半结构化的（例如标签，属性，模板），而不是自然文本。通过建立传递系统来预测医学影像的特征性，其中一些特征性通过文本标签显示。给定一个医学图像，首先运用局部图像分析法进行局部分析，然后提取每个局部图像的视觉特征，最后建立一个分类器，将视觉特征按照预定义的类别分类。Shin和其他研究人员，建立了运用CNN-RNN框架的系统，可以为胸部X射线影像添加文本标签。他们使用CNN(卷积神经网络)从影像中检测疾病，并使用RNN(循环神经网络)来描述检测到的疾病的详细信息，例如：发病位置，病变程度及受影响的器官等。Zhang及其研究团队的最新研究报告显示，他们可以提供生成医疗报告。他们的目标是生成30-59字的病理报告。然而，他们生成的病理报告是半结构化的，语言不够流畅自然。通过将少量标准报告重新编写生成最后的病理报告，报告内容限于5个预定义的主题。我们研究的最终目标是：生成的病理报告可以替代医生在自然情况下撰写的病理报告。这些病理报告很长，涵盖了很多方面，相比之前研究给影像添加标签和半结构化段落来说，难度系数更大。图像说明与深度学习图像说明技术可以为指定图像自动生成文字描述。最近研究的图像文本模型大多是基于CNN-RNN框架。Vinyals及其研究团队将从CNN的最后隐藏层提取的图像特征提供给LSTM(长短期记忆网络)以生成文本。Fang 及其研究团队首先使用CNN来检测图像中的异常，然后将这些检测到的异常通过语言模型生成一个完整的句子。Karpathy及其研究团队提出使用多模式递归神经网络将视觉和语义特征二者达到一致，然后生成对于图像的描述。最近，注意机制（attention mechanisms）已被证明对于添加图像文本是有用的。Xu及其研究团队将空间视觉注意机制引入CNN中间层提取的图像特征中。You及其研究团队提出了针对给定图像标签的语义注意机制。为了更好地利用视觉特征并生成语义标签，研究团队提出了共同注意机制。我们的目标不仅仅是为图像生成一个说明。Johnson及其研究团队正在研究密集型文本，要求模型可以生成对于每个检测图像区域的文字描述。Krause，Liang及其研究团队通过分层LSTM为图像生成段落说明。我们的研究方法也是采用分层次的LSTM来生成段落标题，而与Krause及其研究团队不同的是，我们使用一个共同关注网络来生成主题。图 2. 整个模型的结构与过程。其中 MLC 代表多标签分类网络，语义特征是预测标签的词向量。粗体标记的「calcified granuloma」和「granuloma」是共同注意网络关注的标签。定量结果我们使用以下文本生成评估手段（BLEU 、METEOR 、ROUGE 和 CIDER）度量段落生成（表 1 上半部分）和单语句生成（表 1 下半部分）的结果。如表1的上半部分所示，对于段落生成来讲，使用单个 LSTM 解码器的模型的表现明显要差于使用层级 LSTM 解码器的模型。表1中的Ours-No-Attention和CNN-RNN 之间的唯一区别在于，Ours-No- Attention采用层级LSTM解码器，而CNN-RNN 仅采用单层LSTM。这两个模型之间的比较直接证明了层级LSTM的有效性。这个结果并不令人惊讶，众所周知，单层LSTM不能有效地模拟长序列。此外，单独使用语义注意（Ours-Semantic-Only）或单独使用视觉注意（Ours-Visual-Only）来生成主题向量似乎帮助不大。潜在的原因可能是视觉注意力只能捕捉图像分区域的视觉信息，而不能正确描述。虽然语义注意只知道潜在的异常，但不能通过查看图像来确认其发现。最后，我们的完整模型（Ours-CoAttention）在所有的评估指标上都取得了最好的结果，说明了提出的共同注意机制的有效性。对于单句生成的结果（如表1下半部分所示），我们模型的控制变量版（Ours-Semantic-Only和Ours-Visual-Only）与其他版本相比，要优于所有的基线模型，这表明了所提出的共同注意机制的有效性。定性结果段落生成三个模型生成影像病理报告的示例见图3，分别为Ours-CoAttention模型，Ours-No-Attention模型和Soft Attention模型。值得注意的是，下划线的句子是对异常情况的描述。首先，我们可以观察到三个模型生成的报告所包含的句子比真实报告多。其次，三个模型生成的报告和真实报告大多数的语句都是对于正常区域的描述，而只有几句话是关于异常情况的。这个观察可以解释为什么 Ours-No-Attention模型在一定程度上不能达到非常好的水平。图 3. 协同注意力 、无注意力、软注意力模型生成的段落图示。划线句子是检测到异常情况的描述。第二个图是胸部侧面 x 光图像。前两个例子的结果是与真实报告相一致的，第三个出现了部分失败，最底下的图像完全失败。这些图像来自测试数据集当我们深入了解生成文本的内容时，发现不同句子具有不同的主题，这是令人惊讶的。第一个句子通常是对图像的整体描述，而以下的句子分别描述图像的其他区域，例如：肺脏、心脏等。另外值得注意的是，Soft Attention模型和Ours-No-Attention模型只能检测图像中的异常情况，往往检测到的异常情况还是错误的。但是，Ours-CoAttention模型在前三幅图像中均能够正确描述图像中异常情况。结果表明，与Ours-CoAttention 模型及Ours-No-Attention模型相比，层次型LSTM可以更好地生成病理报告。在第三张X射线图中，Ours-CoAttention模型成功检测到右下叶肺部有异常。然而，它没有准确地描述这种异常。相比于其他X射线图来说，第三张X射线图比较暗，这可能就是Ours-CoAttention模型描述错误的潜在原因，我们的模型对这个变化非常敏感。Ours-CoAttention模型对于第四张X射线图的描述是一个失败案例。虽然模型错误地判断了图像中的主要异常，但是它确实找到了一些不寻常的区域。比如：左下叶肺部异常。此外，发现模型给出的报告中有“这可能表明”的字眼，说明模型试图推断所患疾病，这是十分令人惊讶的。为了更好地理解模型检测疾病或潜在疾病的能力，我们在表2中，给出了三大模型正态性和异常性的概率。我们认为句子包含“否”、“正常”、“清除”、“稳定”作为句子描述正常。很显然，Ours-CoAttention模型在正态性和异常性的概率上最接近真实情况。表3中的结果表明，Ours-CoAttention和VGG-19 网络对于标签预测的执行非常相似。尽管多任务学习没有改进，但我们认为，这个模型是一个端到端的模型，避免了管理复杂的流水线模式。图4显示了共同注意的可视化。图4所示的第一个特性是 Sentence LSTM 能够关注图像的不同区域和语句的不同标签，并在不同的时间步骤生成不同的主题。第二个特性是视觉注意力可以指引模型关注图像的相关区域。例如，第一个例子的第三个句子是关于“有氧”的，视觉注意力集中在心脏附近的区域。类似的行为也可以被发现的语义注意：对于第一个例子中的最后一句话，我们的模型正确地集中在作为句子的主题“退化变化”。此外，第二个例子中的第一句话的内容与语义注意力的集中矛盾是令人惊讶的。单一关注机制不太可能发生。这种矛盾意味着共同关注机制具有一定的容错性，因此共同注意可能比单一关注更为强大。最后，最后一个例子的第一句话是由于对标签不正确的注意而导致的错误描述。我们相信通过建立一个更好的标签预测模块可以减少不正确的注意力。图 4. 协同注意力在三个示例上的可视化。每个示例由四部分组成：（1）图像和视觉注意力；（2）真实标签，预测标签以及预测标签上的语义注意力；（3）生成的描述；（4）真实描述。对于语义注意力而言，注意力分数最高的三个标签被突出显示。加下划线的标签是在真实标签中出现的标签。图4还提供了标签预测的一些定性结果。结果表明，除了与图像相关的标签之外，该模型还产生许多不相关的标签。尽管共同注意机制可以过滤掉很多干扰标签，但不相关的标签仍然会误导模型，产生很多误报。我们相信一个更好的标签预测模块将有助于建模来关注正确的标签，从而帮助提高生成文本的质量。结语雷锋网了解到，近年来，人工智能，尤其是深度学习的成熟使得市场上出现了很多AI辅助诊断产品。人类基因组测序技术的革新、生物医学分析技术的进步、以及大数据分析工具的出现，为病人提供更精准、高效、安全的诊断及治疗。虽然，人工智能+影像领域也是参与企业最多，产品最丰富、涉及疾病种类最多的疾病诊断领域。，但是AI也能够参与疾病的筛查和预测、写结构化的病历、在基层担任全科医生助手的角色，AI在减少医生工作时间、提高诊断治疗效率方面起到非常大的作用。邢波的研究团队认为，他们工作的主要贡献是：提出了一个多任务学习框架，可以同时预测标签和生成文本描述；引入一个用于定位异常区域的共同注意机制，并生成相应的描述；建立一个分层的LSTM来产生长句和段落；进行大量的定性和定量的实验，以显示实验方法的有效性。雷锋网认为，邢波教授团队的研究成果不是第一家，相信也不会是最后一家。未来，随着产品迭代的不断升级，算法层面的不断打磨，医学影像结构化报告的生成方面的研究，将陆续有其他玩家进入。

如需报告请登录【未来智库】。1. 我国医疗影像发展正当时 1.1 医疗器械快速发展，影像市场替代空间广阔 我国医疗器械市场发展快速在北美、欧洲等发达医疗体系的引领下，全球医疗器械市场逐渐步入成熟发展期，整体维持一个缓慢增长态势，增长动力主要来源于新品对存量的替代、配套耗材的使 用以及新兴国家医疗器械市场的发展。2018 年全球医疗器械市场规模为 4278 亿美 元，同比增长 5.64%，预计未来仍将维持 5%左右的增速稳定增长。从全球医疗器械细分领域来看，IVD 是全球医疗器械行业发展规模最大的子板块， 占市场总额的 15%；心血管相关器械以 14%紧随其后；而医学影像器械排名第三， 占比 12%，预计 2017 年市场规模约为 480 亿美元。而近年来，随着我国经济的快速发展，人口老龄化的不断加剧，市场对医疗器械的需求日益增加，当前，国内医疗器械已经成为一个创新力强、产品品类齐全、市场 需求旺盛的朝阳行业。我国医疗器械市场规模从 2013 年的 2120 亿元增长至 2018 年的 5304 亿元，年复合增速超过 20%，其中医学影像是我国医疗器械行业份额最大 的细分板块，占比 16%，预计 2018 年市场规模约为 850 亿元。 医学影像市场方兴未艾医改后医院盈利模式发生变化，“以药养医”时代的结束倒逼医院更加重视医疗 服务的输出。2016 年公立医院成本效益报告数据显示，影像科和检验科具有最高的 收入水平和收益率，在盈利导向驱使下有望通过科室地位的提升带来相关设备和耗材 市场的增长，我国医疗影像市场有望加速发展。高端影像市场被外资占据，尽管近年来国内影像行业实现了快速发展，本土医疗 影像企业在中、低端市场占据了一席之地，但受限于技术、品牌、产品综合性能等方 面的差距，高端市场大部分仍被外资占据，特别在 CT、NMR、彩超、内窥镜等领域， 外资占比超过 80%。整体而言，我国医疗器械目前还是以中低端为主，产品结构升 级空间大，若能在高端领域取得突破，进口替代前景广阔。1.2 政策助力行业发展 《中国制造 2025》提出，提高医疗器械的创新能力和产业化水平，重点发展影 像设备、医用机器人等高性能诊疗设备，其中在县级医院中国产的中高端医疗器械份 额要在 2025 年达到 70%。此外，近年来国家与地方都出台了较多的政策支持医疗器 械产业的发展。 优先审评政策2015 年国务院所出台的《关于改革药品医疗器械审评审批制度的意见》，CFDA 配套出台了药品医疗器械审评审批制度改革，加快有竞争力的医疗器械产品上市步伐。 2017 年国务院发布《关于深化审评审批制度改革鼓励药品医疗器械创新的意见》，支 持医疗器械上市许可持有人制度，激发医疗器械市场创新活力。2018 年药品监督管 理局发文《创新医疗器械特别审查程序》，为国内首创、国际领先水平，并且具有显著临床应用价值的医疗器械设置特别审批通道。这些政策都将加速医疗器械创新发展。 地方优先采购政策不仅国家顶层设计上要求缩小国内上市产品质量与国际先进水平的差距，推进医 疗器械国产化进程，各地方亦出台相应配套政策推动高质量的国产设备入院，鼓励采购国产设备，提高国产占有率。国产创新医疗器械企业有望在技术进步及政策扶持下 加速崛起。 基层医疗机构达标建设及县级医院省级带动国产设备需求潮基层医疗机构达标建设：去年 9 月，国家卫健委基层卫生健康司发布《国家卫生 健康委员会、国家中医药局关于开展“优质服务基层行”活动的通知》，公布了两类 基层医疗机构的建设新标准，意味着 3.7 万的乡镇卫生院和 3.5 万社区卫生服务中心 将加快实现达标建设。今年 4 月，卫健委又发布了针对基层医疗机构的新版医疗设备 配置标准，在提升服务标准的过程中，一大批包括 DR、彩超、全自动生化分析仪、 麻醉机、内窥镜、呼吸机、化学发光仪、CT 等设备的需求缺口涌现，性价比更高的 国产医疗器械迎来机遇。县级医院升级：2018 年 11 月，国家卫健委明确提出，到 2020 年，500 家县医 院和县中医医院要达到“三级医院”和“三级中医医院”服务能力要求。四川、安徽、 河北、江苏、云南等地都明确提出要提升县医院的服务能力，其中河南投入 18 亿建设 50 家县级医院使其达到二甲或三级医院标准，而广东将安排 15 亿专项资金，用 于支持经济欠发达地区 35 个县县级公立医院的建设。根据《县级医院医疗设备配置 基本标准》，未来 1-2 年对于高端检验、影像类器械的采购需求提升。2 影像设备方兴未艾，进口替代空间广阔医学影像设备是指运用不同的媒介（X 射线、声波、光学等）作为信息的载体， 将人体内部的组织或结构以影像的方式重现的仪器，其影像信息与人体实际结构在时 间和空间分布上的关系是对应的。临床上常用的医学影像设备主要分为 X 线设备、 CT、核磁共振（MRI）、超声、核医学、热成像以及医用内镜等。2.1 医用 X 射线设备 我国 DR 市场稳步发展，国产替代率不断提升医用 X 射线设备主要包括数字化医用 X 射线摄影系统（DR）、医用诊断 X 射线 透视摄影系统和数字化乳腺 X 射线摄影系统等产品。国内最早从 2003 年开始配置 DR 系统，随着国家支持及医疗需求的推动 2012 年销量已达 7000 台，且近年来销 量还在持续增长，2017 年全年销售量已经达到了 16000 台。以市场最常用、占有率最高的平板 DR 为例，其市场保有量从 2013 年的 1.47 万台，增加到了 2017 年的 4.42 万台，年复合增长率达到了 32%。结合 DR 单价情 况，我们预计 2017 年国内 DR 市场已经超过 50 亿元，且近几年将维持 15-20%的增 长。国内高端 DR 市场仍由 GE、西门子为代表的进口品牌占据，而本土厂商分割了 绝大部分中低端市场，仅从数量上看，国内品牌市场保有量远超进口。万东医疗在国 内 DR 市场中排名第一，市占率约 13%；安健科技以 12%的市占率紧随其后；康达、 联影等第二品牌梯队稳步发展。国内目前有超过 100 家 DR 厂商，从品牌数量而言竞争非常激烈，但大部分仍为外购部件、整机整合。从 2018 年公立医院 DR 集采数据来看，安健科技和万东医疗独一档，其中老牌 厂商万东医疗凭借多年的品牌积累和优良的产品表现广受基层医疗市场欢迎，全年实 现 1600 台销售突破。而安健科技则凭借技术更为先进的动态 DR 实现了 1300 多台 的销量，其产品满足了当前医疗市场更为广泛的需求。 核心技术与进口比仍有差距，少数厂商拥有全产业链技术DR 由数字探测器、高压发生器、X 线球管、影像采集及处理系统、影像输出设 备等组成，其中最具技术难度的是探测器和球管。目前，国内品牌中仅有万东、安健 和美诺瓦拥有全产业链的核心技术，而大部分其他本土品牌如东软、联影、迈瑞等在 探测器和 X 线球管方面的研发技术尚还欠缺。此外，多功能动态 DR 是未来 DR 技术发展的全新领域，安健科技率先布局，实现动态 DR 核心技术的自主研发，积累了深厚的技术和品牌优势。而作为老牌 DR 厂 商，万东医疗也跟进了动态 DR 的研发。 DR 行业发展动力强，未来仍有较大增长空间内外多重因素的叠加推动了 DR 行业的快速发展，内部来看，主要得益于自主研 发能力的提升，技术和产品革新加快，动态 DR 已成行业发展的主流趋势；外因则主 要在于政策层面的影响，包括分级诊疗、鼓励医疗机构发展、地方集采等。技术更迭，动态 DR 趋势已成。自 2009 年岛津首次推出动态 DR 后，经过 10 年的发展，目前市场上主流品牌都推出了动态 DR 产品，本土品牌安健科技凭借其动 态 DR 在国际市场影响力不断扩大，预计随着国产技术的不断成熟，高端 DR 市场的 进口替代有望加速。当前，动态 DR 技术已成为行业最稳定、最前沿的临床应用技术。 长远来看，随着变焦点 3D、旋转扫描能谱探测器、单光子探测器、动态压缩感知等 技术的发展，产品将持续快速发展。分级诊疗拓宽基层医疗市场。为解决看病难的问题，近年来国家大力推行分级诊疗，而政策的推行迫使基层医疗机构提升其医疗服务水平，基层对硬件的需求有望进 一步拓展。此外，国家鼓励民营资本进入医疗市场，助推民营医疗机构的快速发展， 进一步为医疗市场的扩容带来动力。地方集采项目潮。基层医疗机构升级需求迫切，而由于其整体对于设备的需求较为统一，通常采用由政府主导下的集采模式。我们从广西、湖南、贵州、宁夏的政府 招标项目上可以看到，所中标企业皆为具有性价比优势的国产 DR 品牌；此外，广西 和贵州两省的招标量超千台，考虑到我国基层医疗机构数量及医疗资源的不平衡，我 们预计仅基层医疗市场短期内将带来 2-3 万台的 DR 需求。2.2 超声临床需求不断扩容，进口替代加速 国产超声快速发展，临床需求不断扩容发达国家超声起步早，存量市场基本处于饱和状态，增量主要来源于新品的替代， 因此仅维持缓慢增长，预计到 2019 年，全球医用超声诊断系统市场规模约为 74 亿 美元。从格局上看，老牌的 GPS 三巨头中的 GE 和飞利浦凭借产品性能和品牌优势 保持较高市场份额，而西门子则先后被东芝和日立超过，而国内的迈瑞和开立经过多 年的发展，也跻身到了世界前列。尽管我国超声起步较晚，但经过多年发展，已形成了较为完善的产业链，逐步成为继美、日之后的第三大彩超市场，预计市场规模近百亿元。仅从销量而言，国产设 备以其性价比优势逐步抢占进口份额，其中本土迈瑞医疗的彩超销量排名国内市场第 一位；但从销售收入来看 GE 和飞利浦仍排在前列，而国产的迈瑞和开立分别位于第 三和第五位，高端彩超市场仍然是进口品牌占主导。经过多年的快速发展，国内超声的市场普及率得到快速提升，预计国内彩超市场 的保有量超过 14 万台。然而，随着老龄化加剧以及对健康需求的提升，各诊疗科室 对超声的需求仍未被满足，我们测算国内医院仍有超过 23 万台的彩超需求，对应市 场空间超过 500 亿元。此外，考虑到彩超设备 5-7 年的换代，以当前的存量市场估 计，每年设备更新的需求约 2.8 万台。 从发展路径看，彩超进口替代正当时我国的医用超声起步于上世纪 50 年代，即黑白超时代，在持续使用 20 多年间 累计装机超过 10 万台。1985 年，进口彩超进入中国，开启了长达 20 年的技术垄断， 直到2004年开立医疗的彩超问世，开启了国产彩超的崛起之路。从2004年到2016， 国内医用彩超市场进口品牌的市占率由最初的 95%逐步下降至 75%，目前国产品牌 在中低端医用彩超市场销量已超过进口产品，随着国产高端彩超的发力和政策的支持， 国产替代进程有望加速。在中低端超声领域，国产与进口产品无明显差距，但对于高端彩超，由于其更高 的诊断需求，对于成像色彩、灵敏度、探头等方面要求更高。国产高端彩超与进口品牌的差距主要有： 1）硬件设备：主要是芯片技术和多普勒技术与发达国家差距较大； 2）功能诊断辅助软件；3）探头：主要体现在探头的材料和性能方面。近十几年来，全球彩超行业并无变革性的技术突破，海外巨头 GPS 等对彩超的更新换代多是集中在探头等一些软硬件的改进。而在这一时期，本土企业快速发展， 迈瑞推出的高端彩超 Resona7/8 系列逐步得到国内外客户认可，而开立医疗近两年 推出的中高端拳头产品 S50/60 也得到快速推广。在国产技术快速进步及政府政策推 动下，国产彩超有望逐步向高端医院市场渗透。2.3 CT：行业进入技术瓶颈，本土品牌迎来追赶良机CT 是用 X 射线对人体某部进行扫描，由探测器接受该透过该层面的 X 线并转变 为可见光，对信号进行处理后，输出被检部位的完整三维信息，可清楚的发现病灶。 我国 CT 起步于上世纪七十年代末，早期主要是少数大医院引进进口品牌，直至 1998 年沈阳东软研发了我国第一台国产 CT，开启了国产 CT 的发展之路。我国 CT 人均保有量低，发展空间大经过四十余年的发展，我国医疗市场 CT 渗透率提升明显，根据医疗装备协会发 布的数据，截止 2017 年我国医疗市场 CT 保有量达到 19027 台。其中 2017 年的销 量达到 2871 台，同比增长 11.5%，随着国产 CT 技术水平的提升和配置政策，预计 到 2020 年我国 CT 销量有望达到 4000 台，市场规模超过 200 亿元。近年来，我国医疗市场 CT 渗透率不断提升，每百万人口的 CT 保有量从 2013 年的 7.8 台提升到了 2017 年的 14.3 台，复合增速 16.3%。然而，与美国、日本等 发达医疗体系相比国内 CT 渗透率仍有较大差距，从市场保有量来看，未来仍有 1-2 倍的提升空间。 本土厂家发力，基层市场加速替代国产 CT 起步较晚，早期主要依赖于进口引进，最早完成技术突破的东软也仅发 展了 20 年。从我国 CT 存量市场来看，三大老牌进口厂商 GPS 仍占据 80%以上市 场，本土的东软、联影等仅有 10%左右。然而，随着技术的不断发展，近几年本土 厂家开始不断发力，基层医疗市场的进口替代加速，2017 年东软和联影在国内市场 的 CT 销量分列三、四位，超越老牌厂家飞利浦，销量占比分别达到 18.9%和 10.1%。从 CT 的结构类型来看，我国 CT 存量市场大多以低端为主，约 65%仍为 16 排 及以下类型，64 排占比不断提升，而 128 排以上市场保有量还较少。从未来发展趋 势上看，基层医疗机构仍以 16 排为主，而有条件和需求的医院则逐渐替换为 64 排、 128 排或是更高端的 CT。关键技术仍有差距，技术瓶颈期或将带来追赶良机公开调研显示，CT 等传统医学影像方面，我国最早的专利要比美国晚 20 年， 而在专利数量上更是只有美国的 1/10，专利壁垒某种程度上限制了国内 CT 的发展。 探测器是当前本土 CT 的一个技术难点，主要在于对探测器的拼接工艺要求较高，多 个单元拼接时如何做到接收信号效率高、单元间缝隙小是工艺上要考虑的问题，探测 器的阵列数（排数）越多，工艺越复杂。值得关注的是，经历了多次技术变革后，CT 的发展进入了一个技术瓶颈期， 2010 年后，仪器的更迭更多是集中于检测速度、图像清晰度等性能使用方面的改进。CT 技术的瓶颈期将是国产追赶的上好时机，我们认为未来10年本土CT有望快速发展。 政策+技术推动自主 CT 发展从技术层面而言，本土厂商在 16 排 CT 上发展已相对成熟，占据了相当一部分 基层医疗市场，高端产品方面东软和联影推出了 128 排 CT，安科、万东、明峰等则 仍以 64 排及以下为主，国产化 CT 的发展任重道远。2018 年开始，国家对大型医用 设备配置政策的放开将为行业发展带来积极作用，而卫计委发布的《2018—2020 年 大型医用设备配置规划的通知》中表示未来三年国内要新增 3535 台 64 排 CT，整体 而言，国产 CT 价格要比进口低约 1/3，有望凭借价格优势加快进口替代。2.4 核医学影像：配置权限下放助力 PET/CT 仪放量 核医学影像是以具备放射性的核素在人体内的分布作为成像依据，反映人体代谢、组织功能和结构形态。核医学影像起源于上世纪 50 年代的直线型扫描机，经历半个 世纪陆续发展到了伽玛相机（γ相机）、单光子发射计算机断层（SPECT）、正电子 发射计算机断层（PET）和具有正电子功能的 SPECT。CT 的分辨率高于 PET，但 CT 影像只能反映出人体的解剖特种，而 PET 则可反 映出人体的代谢特征，因此临床上将两者设计为一体机联用，PET-CT 成为一种有效 的肿瘤筛查手段。 PET/CT 仪器保有量快速提升，与发达国家相比仍有提升空间。国内 PET/CT 仪器保有量从 2011 年的 140 台增长至 2017 年的 298 台，相应的 年检测数量也由 15.5 万例增至 52.3 万例。近年来，国内 PET/CT 检测数复合增速高 达 19%，但与美国等发达国家相比，仍然有较大差距，需求远未被满足。 人均 PET/CT 仪器配置基数低从人均仪器配置数量上看，目前我国PET/CT仪每百万人口拥有量仅为0.17台，而欧美等发达国家 PET/CT 仪每百万人口拥有量大多在 2 台以上，日本、韩国以及 中国台湾的人均仪器配置数量也显著高于国内。 配置权限下放，助力 PET/CT 仪器放量增长2018 年 4 月国家卫健委发布《大型医用设备配置许可管理目录（2018 年）》，六 类产品由原先的甲类管理目录调整至乙类管理目录，PET/CT 也是其中被调整的之一， 而乙类管理改为不纳入大型设备目录，设备配置不再需要审批。2018 年 10 月，国家 卫健委发布《2018—2020 年大型医用设备配置规划》，到 2020 年底，全国规划配置 PET-CT 设备 710 台，其中新增 377 台。2.5 MRI：国产不断进步，替代前景广阔核磁共振（MRI）是上世纪 80 年代发展起来的全新影像检查技术，是继 CT 后 影像行业的又一大进步，历经三十余年的发展，现阶段应用已较为成熟。MRI 的基本 原理是将人体置于特定的磁场中，用射频脉冲激发人体内氢质子，氢质子吸收能量发生共振，停止射频脉冲后氢质子按特定频率发出射频信号，并将吸收的能量释放出来， 被体外的接收器收录，经电子计算机系统处理获得图像。 国内 MRI 市场快速增长，渗透率有望进一步提升根据 Technavio Research 的研究数据显示，2015 年全球医用 MRI 市场规模为 50.11 亿美元，预计到 2021 年有望达到 75.2 亿美元，复合增速约为 7%。国内 MRI 市场近年来保持快速增长，MRI 设备保有量从 2013 年的 4376 台增长至 2017 年的 8287 台，复合增速为 17.31%，预计 2017 年国内 MRI 市场规模近 50 亿元。近年我国每百万人口 MRI 保有量提升明显，从 2013 年的 3.3 台提升到 2017 年 的 6.2 台，增长近乎翻倍。但整体而言，国内 MRI 的市场渗透率仍处于较低水平， 相较欧美等发达国家还有较大提升空间，综合考虑 MRI 的价格及国内对于诊断影像 需求的不断提升，我们预计国内 MRI 市场有望维持 10%的速度稳步增长。 国产 MRI 不断优化，替代前景广阔从我国不同医疗机构 MRI 保有率来看，GPS 仍然占据绝大部分市场，整体市占 率超过 80%，特别在三级医院，市占率超过 85%。而在二级以下医院和基层医疗机 构，本土品牌东软以 34.1%的市占率排名第一，国产品牌以中低端为主。而从 MRI 的型号保有量来看，国内 MRI 存量市场主要型号为 1.5T 为主，份额 高达54%，而 3.0T的因产品价格高且采购需经政府批准，保有率相对较低，只有15%， 剩余的低端型号（1.0T 及以下）合计占比约 31%。1.5T 为各品牌竞争的主要战场， 本土厂商上海联影、贝斯达、东软集团、万东医疗等均推出了 1.5T 机型。而代表前 沿技术的 3.0T 超导型磁共振成像系统，则主要掌握在 GPS 等国际品牌手中，本土 品牌中，仅上海联影的 3.0T 机型于 2016 年获批。我们认为，1.5T 核磁仍有推广和 普及空间，且随着国产技术的愈加成熟，进口替代空间有望加速，从长期来看 3.0T 磁共振成像系统有望加速放量。3 国产品牌的机遇 3.1 迈瑞医疗三大领域齐发展，器械龙头正腾飞。公司是中国领先的高科技医疗设备研发制造 厂商，为全球市场提供医疗器械产品。公司的主营业务覆盖生命信息与支持、体外诊断、医学影像三大领域，通过前沿技术创新，提供更完善的产品解决方案，公司产品 线齐全，主要品种形成规模化优势，其中监护仪、麻醉机、除颤仪、血球分析仪、彩超等多个细分产品的市场份额已达到国内前三、世界前五，同时同时在高端产品不断 发力，技术实力受到业内和市场的一致认可。除了三大产品领域之外，公司正在积极培育微创外科领域业务，目前包括外科腔镜摄像系统、冷光源、气腹机、光学内窥镜、 微创手术器械及手术耗材。全球化布局，大格局大发展。经过多年的发展，公司全球化布局已基本成形，截 至 2019 年 6 月 30 日，公司营销人员近 3,000 人。其中在境外超过 30 个国家拥有子 公司，产品远销 190 多个国家及地区。在北美，公司拥有专业直销团队，已与美国 五大集体采购组织合作，项目覆盖北美近万家终端医疗机构。在欧洲，公司采用了“直 销+经销”的销售模式。在发展中国家如拉美地区，公司则采用了经销为主的销售模 式。迈瑞已经实现多维度的全球化运营，有望逐步成长为国际化医械巨头。Wind 一致预期为 19-21 年 EPS 分别为 3.77、4.61、5.61 元，对应最新收盘价，PE 分别为 48、40、33 倍。公司是国内医疗器械龙头，产品线和销售网络布局齐全， 有望受益于政策推动下的器械国产化，看好公司长期发展，给予“推荐”评级。3.2 开立医疗公司主要产品包括医用超声诊断设备(主要为彩色多普勒超声诊断设备与 B 型超 声诊断设备)、医用电子内窥镜设备、血液分析仪。公司立足自主技术创新和产品研 发，是国内超声诊断设备领域较早独立掌握彩超设备核心技术与探头核心技术的生产 企业，目前已掌握基于 PC 的 Linux 彩超软件技术，128 通道彩超技术，嵌入式计算 机技术，高密度、宽频带探头技术，单晶探头技术，特种应用探头技术等多项超声诊 断设备领域专利技术。公司各类产品质量过硬，性能突出，多项产品通过 FDA 注册、 CE 认证，并得到国际认可。S50 彩超进入高端市场。我国超声诊断市场规模近百亿元，存量超声超过 14 万 台，未来在渗透率提升、设备更新换代的需求及进口替代加速的推动下，国产彩超发 展前景广阔。开立中高端拳头产品S50/60的图像处理与探头技术处于国内领先地位， 尽管受采购周期影响中低端彩超销量短期承压，随着高端彩超的大力推广，彩超业务 有望逐步回归至 20%以上增长。内生+外延丰富内窥镜产品线，竞争力进一步增强。我国内窥镜市场起步较晚， 2017 年国内市场规模约为 246 亿人民币，其中软性内窥镜的市场规模大约 33-35 亿 人民币，绝大部分被奥林巴斯一家垄断。开立医疗的生产模块化技术、影像合成技术 在国内企业中处于领先位臵，其推出的国内首款高清内窥镜系统 HD-500 有望打破外 资垄断，部分实现进口替代。内镜产品竞争力持续提高，2019 年上半年 HD550 实现 销售超过 100 台；同时外延获得镜下器械产品，上半年实现销售约 4000 万元，预计 在内生和外延产品推动下公司内窥镜产品系列有望延续 50%以上增长。Wind 一致预期为 19-21 年 EPS 分别为 0.70、0.89、1.11 元，对应最新收盘价， PE 分别为 34、27、22 倍。公司高端彩超处于国内领先水平，内窥镜领域一枝独秀， 有望率先受益于进口替代，随着推广力度的加大，业绩不断增长，给予“推荐”评级。3.3 万东医疗影像产品线齐全，受益政策红利。公司在基础医学影像设备中处于龙头地位，产 品线涵盖各类医学影像设备，包括 DR、MRI（永磁和超导核磁）、DSA、平板胃肠、16 排 CT 等。近年来，随着政府机构致力于推动基层医疗机构诊疗能力提升及县级 医院的升级达标建设，相关的医学影像设备需求增加，公司作为龙头企业，有望率先 受益于政策红利。万里云商业模式逐渐成熟，布局超声领域：子公司万里云主要从事第三方影像中心和远程影像诊断服务，通过三年多的发展，公司业务模式逐渐成熟，营业收入不断 增长。2019 年上半年，公司线上业务日均阅片量稳定在 5 万以上；线下方面，公司 上半年新建 3 家第三方影像中心，目前已累计 18 家。同时公司与百胜进行深入合作， 推出中低端超声产品，涉足超声领域，实现了医学影像全覆盖。Wind 一致预期为 19-21 年 EPS 分别为 0.37、0.46、0.58 元，对应最新收盘价， PE 分别为 27、21、17 倍。公司是国内基础医学影像设备行业龙头，具有全影像设 备产品线，深耕基层，有望受益于政策红利，建议持续关注。（报告来源：国联证券）如需报告原文档请登录【未来智库】。

核心摘要：前言：本次AI+医疗研究范畴仅限于围绕临床诊疗开展的核心医疗活动，包括CDSS、智慧病案、AI+检查、AI+新药研发及手术机器人。目前中国对AI+医疗的需求逐渐扩大，而供给尚显不足，整体供需并不均衡。AI+医疗行业目前处于快速成长时期。市场规模：2019年AI+核心医疗软件服务整体市场规模达到21亿元。同比增速高达93.9%，其中CDSS占比最多，达到55.2%，智慧病案位列第二，占比达到25.5%。由于政策利好及疫情影响，艾瑞推算，2020-2022年的CAGR将达到51.9%，2022年预计市场规模将超过70亿元。企业分布：目前AI+核心医疗企业中生态领导者包括百度灵医智惠、科大讯飞、惠每科技、医渡云等，由于百度灵医智惠在领域内具有以下优势：1）通用AI能力位居第一；2）AI+医疗实力（构建医学知识图谱、医疗大数据）雄厚；3）核心医疗领域覆盖场景更为全面，因此在AI+核心医疗领域综合实力处于领先地位。未来趋势：未来AI+医疗知识图谱与AI+医疗算法将持续获得突破，并更广泛、更深度地赋能医疗全流程。随着AI+医疗未来不断普及，人们对于AI+医疗伦理的重视也会逐渐增强，随着对AI+医疗伦理监管的不断加强，未来将构建以人为本的AI+医疗生态体系。AI+医疗研究范畴关注在临床诊疗各环节中，利用人工智能开展的医疗活动人民卫生出版社《医院管理词典》中指出：“现代的医疗服务，已从医院内扩大到医院外，形成了综合医疗的概念，医疗内容也日益广泛，包括增进健康、预防疾病和灾害、健康咨询、健康检查、急救处理、消灭和控制疾病、临床诊疗、康复医疗等。”艾瑞认为，现代医疗服务中最核心的环节是临床诊疗，即通过各种检查，使用药物，器械及手术等方法对疾病作出判断和消除疾病，缓解病情等。因此，艾瑞将围绕临床诊疗开展的各项医疗活动定义为“核心医疗”，核心医疗的发展直接影响了整体医疗的发展进程。本报告聚焦于“人工智能如何赋能核心医疗领域，从而实现医疗模式的转变与突破”，研究范围包括CDSS、智慧病案、AI+检查、AI+新药研发及手术机器人。AI+医疗发展历程中国AI+医疗进入快速成长阶段，着力于探索更多应用场景1956年人工智能（AI）开始成为独立的研究领域，20世纪前，中外对AI在医疗领域的研究集中在临床知识库上，但由于大多数临床知识库必须运行在LISP设备上。而由于当时LISP设备尚不能联网且价格昂贵等原因，临床知识库并没有广泛地应用于临床中。2000年-2015年期间，国外的研究重点为AI在临床知识库外的应用，如手术机器人应用落地、鼓励发展电子病历等。而中国仍以研究更多类疾病的临床知识库为主，发展相对缓慢。2015年-2017年，由于AI在图像识别方面的准确率有大幅度提升，AI+影像得以快速发展。得益于在临床知识库的长期研究，CDSS产品走向成熟。2018年后，中国AI+医疗进入稳定发展阶段，智慧病案等新产品相继面世，目前国产手术机器人尚在研究阶段。AI+医疗算法应用AI+医疗算法生态成熟，核心医疗应用广泛目前传统的机器学习和深度学习算法已被广泛得应用，来处理临床研究和医疗服务中的结构化数据，如医学影像数据、基因数据和生物标志物数据；而非结构化数据，如人工笔记、医学期刊与患者调查等则依靠专门的医学自然语言处理技术来分析。艾瑞通过PubMed公开数据整理，2012-2020年在医学文献中使用到的热门机器学习算法和深度学习算法包括：1）支持向量机（38%），主要应用于识别成像生物标志物和医疗影像分析；2）神经网络（34%），主要应用于生化分析、图像分析和药物开发；3）逻辑回归（4%），主要用于疾病风险评估和临床决策辅助系统。AI+医疗痛点分析AI+医疗存在技术难点与标准缺失，打通数据壁垒成为关键随着我国医疗体制改革的深化、分级诊疗制度的落实，政府开始加大力度解决医疗资源分配问题以及医疗服务效率问题。其中，医疗人工智能的广泛应用在提高医疗质量和服务效率、减少误诊误治方面发挥了重要作用。然而，目前AI+医疗仍存在医学数据相关问题、复合人才短缺、行业标准缺失以及医疗科研转化为成熟产品的周期过长等问题。其中，数据的获取、使用与数据共享是阻碍AI+医疗发展的最大因素。艾瑞认为，由于AI+医疗发展的主要推动力仍是满足医疗行业的刚性需求，因而AI+医疗在未来必然会打通数据壁垒，实现数据的安全、高质量及共享的应用。AI+医疗投融资分析行业处在成长期，AI+影像是投融资热门之一2020年医疗融资事件数持续递减，但融资总额却强劲走高，到达历史最高的40亿元，其中新药研发是今年最热门医疗AI融资领域，占已披露投资额的54%。AI+影像占融资额的比例连续三年保持在20%左右，成为另一热门融资领域。对比2019年与2020年的融资项目轮次，其中天使轮、A轮与B轮占融资项目的比例由85.7%降低到70.6%，说明市场成熟度有所提高。同时笔均融资额从0.39亿元/笔上升至1.14亿元/笔。目前行业处于快速成长期，随着市场融资集中度增加，艾瑞认为，未来拥有医疗牌照或技术领先的优质标的公司会更受资本市场青睐，能吸引更多的资源与资金。中国AI+医疗政策导向政府高度重视AI+医疗发展，持续释放政策红利从政策层面来说，2017年国务院发布的《新一代人工智能发展规划》中提出要发展便捷高效的智能服务，推广应用人工智能治疗新模式、新手段，建立快速精准的智能医疗体系。从2017年开始，我国已把人工智能作为一个国策进行推动，近几年的两会上AI也被多次写入政府工作报告中。而AI+医疗则作为AI中的先行者，得到了政府的大力倡导。2018年政府提出人工智能向基层医疗进行渗透，2019年将AI+医疗的范围进一步扩大到康养范畴，2020年进一步提出未来的建设指南，期望在2023年在以医疗为代表的人工智能领域中建立一套初步的标准体系规范。AI+医疗市场规模2019年市场规模超过20亿元，市场将进入快速成长期2019年由于智慧病案的兴起，使得整体AI+核心医疗软件服务市场规模超过20亿，同比增速高达93.9%，其中CDSS占比最多，达到55.2%。2019年之前，由于大部分细分领域的盈利模式尚未明朗，导致AI+医疗市场一度陷入低谷。但如前所述，国家、社会各界及居民对于AI+医疗的需求一直很旺盛。再加上疫情影响，AI+医疗的优势更加凸显，因此，国家开始逐步发放各类医疗影像AI软件三类证，并进一步出台鼓励AI+医疗发展的政策，这些将会使各细分领域的盈利模式逐渐明晰，市场也将会进入快速成长期。艾瑞推算，2020-2022年的CAGR将达到51.9%，2022年预计市场规模将超过70亿元。AI+医疗产业链分析基础层技术层布局完备，应用层可触达全医疗服务场景AI+核心医疗产业链可以分为AI基础层，AI医疗技术层与应用层：1）基础层，除数据服务外，芯片与通信等基础核心领域已形成牢固的技术壁垒，市场呈寡头局面，艾瑞认为，中、短期内市场格局不会改变；2）技术层，算法、框架以及通用技术则需要长期的投入与研发来攻克，目前各大科技企业与互联网巨头企业基本已完成布局，中小企业生存空间较少；3）应用层，应用层可触达全医疗服务场景，如院内临床决策系统、手术机器人、智慧病案系统、医疗影像、药企新药研发与基因检测，已有大量的互联网医疗公司和传统医疗公司涌入。AI+医疗产业图谱AI+医疗企业分布AI+医疗企业助力核心医疗布局，推动医疗开启新的篇章对于AI+医疗类公司而言，综合技术能力主要体现在覆盖医疗场景的广度与对医疗垂直及细分领域研究的深度。该类公司的长远发展需要本身强大的AI能力作为支撑。因此，既具备医疗深度合作能力又具备强大AI研发能力的公司将更具发展潜力。在AI+医疗领域，百度灵医智惠具有以下优势：1）在人工智能专利申请量及发布量方面极具优势，在领域内通用AI能力位居第一；2）在核心医疗领域覆盖场景更为全面；3）拥有雄厚的AI+医疗实力（构建医学知识图谱、医疗大数据），因此在AI+核心医疗领域综合实力处于业内领先地位。除此之外，科大讯飞在AI+医疗领域积累与沉淀多年，在智能语音及语言技术研究中拥有较强优势，并具有强大的医疗智能化分析能力。AI+医疗应用分析辅助检查、CDSS成熟度最高，智慧病案则处于快速增长期随着人工智能产品在医疗领域被越来越多使用，更多AI+医疗产品延伸至院内院外更多场景，并更加深入的整合进医疗流程。目前，以CT影像、皮肤影像、眼底筛查、病理影像等为代表的AI+辅助检查以及CDSS在技术及应用上最为成熟。其中眼底筛查主要集中于糖尿病视网膜病变、视神经疾病的预测和诊断，CDSS则结合以疾病为中心的知识图谱，智能辅助临床决策并助力医疗机构评审。2019年以来兴起的智慧病案由于目前DRGs、DIP等支付政策推动，目前处于快速增长期。AI+医疗成熟期应用分析-眼底筛查眼底筛查需求广阔，AI+眼底商业模式将进一步扩展眼底疾病是我国目前患者致盲的重要原因，DR（糖尿病视网膜病变）是其中最常见的病因，且随着糖尿病持续时间的增加，发病率也会逐渐增加。根据艾瑞推算，仅考虑DR的威胁，到2030年，我国每天约有38.4万人需要进行眼底筛查，因而眼底筛查需求十分广阔。艾瑞认为，随着眼底筛查三类证的签发，医保收费名录在AI领域的扩大以及基层医疗机构信息化水平的逐渐增强，未来AI+眼底筛查领域也得以逐渐开始从向医院打包销售和独立销售的传统商业模式进一步扩展至由医保支付购买以及由基层医疗机构购买的新型商业模式。AI+医疗成熟期应用分析-CDSSAI赋能诊断及治疗全过程，为临床工作提供切实有效的帮助CDSS是AI与医疗在院内融合的体现，也是现代医疗体系中各医疗机构在近年来关注的重点内容。CDSS在临床工作中的应用，使得医师的诊疗水平得到提升，有效降低了临床上的误诊率和漏诊率。CDSS通过真实病历与循证医学库的积累，经过人工智能的优化处理得到最佳实践库，并以此为根据辅助支持医生的临床诊断与治疗决策。2018年12月国家卫健委出台政策，对医院电子病历评级做出了规定，并提出至2020年所有三级医院要达到评级4级以上的要求，而4级以上评级的重要标准之一即是要拥有不同程度的CDSS。这一政策的实施使得CDSS获得了极为广大的发展前景以及巨大的发展潜力。AI+医疗成长期应用分析-智慧病案AI协助审核病案，助力医保控费及流程管控近年来，政府出台DRGs等按病种付费的医保政策，由于DRGs分组所需的全部信息基本是依据病案首页各项目进行计算，因而对病案首页的审核变得十分重要。除此之外，对全程病案的质控同样具有重大意义：1）解决诊断选择问题；2）规范医学使用术语；3）利于日后追溯，防止法律纠纷；4）完善病案信息。因而，能够通过AI协助，构建一套具有标准化、有效质控、智能化的智慧病案系统，将实现医院统计工作及管理工作的高效高质量，同时辅助医生的日常工作流程，提升我国医疗资源的有效利用度。AI+医疗图谱趋势AI助力医学知识图谱不断进步，赋能临床决策等多应用场景医学知识图谱为医疗信息系统中海量、异构、动态的医疗大数据的表达、组织、管理及利用提供了一种更为有效的方式，使系统的智能化水平更高，更加接近于人类的认知思维。医学知识图谱的构建流程大致分为四个步骤，即医学知识表示、医学知识抽取、医学知识融合、医学知识推理，受益于人工智能的不断进步，这四个步骤都取得了较大的进步。艾瑞认为，知识图谱在医疗领域的意义不仅在于它是一个全局医学知识库，也在于它是支撑例如辅助诊疗、智慧病案等医疗智能应用的基础。在医学知识图谱技术具有优势的公司未来将获得更大、更广阔的AI+医疗发展空间。AI+医疗算法趋势突破AI技术障碍，与医疗领域产生更深度融合医疗与人工智能深度融合已是大势所趋，人工智能理论奠基人特伦斯.谢诺夫斯基在2019年其新书《深度学习：智能时代的核心驱动力量》中预测“基于大数据的深度学习将改变医疗行业，对疾病提供更快速准确的诊断与治疗，甚至未来癌症将变得不再可怕。”具体而言，未来AI+医疗在技术上的突破将包括算法拟合度进一步的优化、算法泛用性的增强、对隐私信息的保护、对AI+医疗产生的结果可解释性的加强，以及通过增加可靠验证而不断降低AI+医疗可能发生不良医疗事件的风险。AI+医疗伦理趋势发展AI+医疗相关伦理道德，构建用户友好的AI+医疗系统AI+医疗的发展带给医疗卫生领域更多契机的同时，也会产生一些伦理性问题。2019年国家卫健委一项针对AI+医疗伦理问题的调研显示，六成受访者对个人隐私及知情权表示担忧；超过一半的受访者对大数据及算法的不可控性表示担忧；超过三成的受访者对于诊疗道德方面表示担忧。未来发展中，随着对AI+医疗伦理监管的不断加强、明确医师主体地位以及强化伦理规约，AI+医疗在应用于医疗服务实践时将更加安全可靠，并构建以人为本、用户友好的AI+医疗生态体系。

Petuum 专栏作者：Baoyu Jing、Pengtao Xie、Eric Xing机器之心编译在过去一年中，我们看到了很多某种人工智能算法在某个医疗检测任务中 「超越」人类医生的研究和报道，例如皮肤癌、肺炎诊断等。如何解读这些结果？他们是否真正抓住医疗实践中的痛点、解决医生和病人的实际需要? 这些算法原型如何落地部署于数据高度复杂、碎片化、异质性严重且隐含错误的真实环境中？这些问题常常在很多「刷榜」工作中回避了。事实上，从最近 IBM Watson 和美国顶级医疗中心 MD Anderson 合作失败的例子可以看出，人工智能对医疗来说更应关注的任务应该是如何帮助医生更好地工作（例如生成医疗图像报告、推荐药物等），而非理想化地着眼于取代医生来做诊断，并且绕开这个终极目标（暂且不论这个目标本身是否可行或被接受）之前各种必须的铺垫和基础工作。因此与人类医生做各种形式对比的出发点本身有悖严肃的科学和工程评测原则。这些不从实际应用场景出发的研究，甚至无限放大人机PK，对人工智能研究者、 医疗从业者和公众都是误导。知名人工智能创业公司 Petuum 近期发表了几篇论文，本着尊重医疗行业状况和需求的研究思路， 体现出了一种务实风格，并直接应用于他们的产品。为更好地传播人工智能与医疗结合的研究成果，同时为人工智能研究者和医疗从业者带来更加实用的参考，机器之心和 Petuum 将带来系列论文介绍。本文是该系列第一篇，介绍了如何使用机器学习自动生产医疗图像报告，从而更好地辅助医生做治疗与诊断。如今，放射学图像和病理学图像这样的医疗图像在医院与诊所已有普遍的应用，特别是在许多疾病的诊断与治疗上，例如肺炎、气胸、间质性肺病、心理衰竭等等。而这些疾病医疗图像的阅读与理解通常是由专业的医疗从业者完成。但对缺乏经验的放射科医师或病理学家来说，特别是在乡村地区工作的医师，编写医疗图像报告更为艰难。对经验丰富的医师而言，编写医疗图像报告又过于乏味、耗时。总之，对二者而言编写医疗图像报告是件痛苦的事。如此看来，能否使用机器学习自动生成医疗报告呢？为了做到这一点，我们需要解决多个挑战。首先，一份完整的诊断报告包含多种不同的信息形式。如下图 1 所示，胸腔 X 光照图像报告包含 Impression 描述，通常是一句话；Findings 是一段描述；Tags 是一列关键词。用一个统一的框架生成这样的不同信息，技术上非常有挑战。在这篇论文中，研究人员解决该问题的方法是建立一个多任务框架，把对标签的预测当作多标签分类任务，把长描述（例如生成 Impression 和 Findings）的生成当作文本生成任务。在此框架中，两种任务共用同样的 CNN，来学习视觉特征并联合完成任务。图 1. 一个包含三部分信息的胸部 X 光报告示例。在 impression 部分，放射专家结合 Findings、病人临床历史及影像学研究的指导做出诊断。Findings 部分列出了影像学检查中所检测的身体各部分放射学观察结果。Tags 部分给出了表示 Findings 核心信息的关键词。这些关键词使用医学文本索引器（MTI）进行标识。第二，医疗图像报告通常更注重叙述异常发现，因为这样能直接指出疾病、引导治疗。但如何定位图片中的病变区域并附上正确的描述非常困难。作者们解决该问题的方法是引入一种协同注意力机制（co-attention mechanism），它能同步关注图像和预测到的标签，并探索视觉与语义信息带来的协同效应。第三，通常医疗图像的描述非常长，包含多个语句或段落。生成这样的长文本非常重要。相比于直接采用单层 LSTM（难以建模长语句），作者们利用报告的合成特性采用了一种层级 LSTM 来生成长文本。结合协同注意力机制，层级 LSTM 首先生成高级主题，然后根据主题生成细致的描述。总而言之，该论文的主要贡献包括：提出一种多任务学习框架，能同步预测标签并生成文本描述；介绍了一种协同注意力机制来定位异常区域，并生成相应的描述；建立了一种层级 LSTM 来生成长语句、段落；通过大量定量与定性的实验展示该方法的有效性。论文：On the Automatic Generation of Medical Imaging Reports论文地址：https://arxiv.org/abs/1711.08195摘要：医学影像广泛用于诊断和治疗等医疗实践中。通常专业医师需要查看医学影像，并写文本报告来记录发现。缺乏经验的医生写报告容易出错，且在医患比例过低的国家，编写报告会耗费大量时间。为了解决该问题，我们研究了医学影像报告的自动生成系统，以帮助人类医生更准确高效地写报告。但目前该任务面临多个挑战。首先，完整的报告包含多种异质形式的信息，如用段落表示的发现和关键词列表表示的标签。第二，机器很难识别医学影像中的异常区域，在此基础上生成文本描述则更加困难。第三，报告通常比较长，包括多个段落。为了解决这些挑战，我们（1）构建一个多任务学习框架，能够同时执行标签预测和段落生成；（2）提出一种协同注意力（co-attention）机制来定位异常区域，并生成描述；（3）开发一种分层 LSTM 模型用于生成长段落。最后我们展示了该方法在胸部 x 光和病理数据集上的有效性。图 2. 整个模型的结构与过程。其中 MLC 代表多标签分类网络，语义特征是预测标签的词向量。粗体标记的「calcified granuloma」和「granuloma」是协同注意力网络关注的标签。3. 方法在本章节中，我们将介绍具体使用的方法。以下简要地介绍了整个方法的过程，各部分详细的过程或理论请查看原论文。一份完整的医学影像报告通常包括非结构化的描述（以语句和段落的形式展示）和半结构化标签（以关键字列表的形式展示），如上图 1 所示。我们提出了一种多任务层级模型，该模型带有协同注意力机制（co-attention）且能自动预测关键字并生成长段落。给定一张经过分割的图像，我们使用一个 CNN 来学习这些图像块的视觉特征。然后再馈送这些视觉特征到多标签分类网络（MLC）以预测相关的标签。在标签词汇表中，每一个标签由一个词向量表征。若给定特定图像一些预测的标签，模型会检索它们的词嵌入向量以作为该图像的语义特征。模型随后将视觉特征和语义特征馈送到协同注意力（co-attention）模型以生成能同时捕获视觉和语义信息的上下文向量。至此，编码的过程就完成了，下面模型将从背景向量（context vector）开始解码生成文本描述。医学影像的描述通常包含多条语句，并且每条语句都集中在一个特定的主题上。我们的模型利用这种组合结构以层级的方式生成报告：它首先生成一系列代表语句的高级主题向量，然后在根据这些主题向量生成一系列的语句（由单词组成的序列）。具体来说，先将背景向量输入到一个只有少量时间步的 Sentence LSTM 中，然后每一个背景向量就能生成一个主题向量。其中每个主题向量都表示一条语句的语义。随后给定一个主题向量，Word LSTM 将以它为输入生成一个单词序列或语句。主题生成的终止条件由 Sentence LSTM 控制。4. 实验我们使用以下文本生成评估手段（BLEU [13]、METEOR [4]、ROUGE [12] 和 CIDER [17]）度量段落生成（表 1 上半部分）和单语句生成（表 1 下半部分）的结果。如表 1 上半部分所示，对于段落生成来讲，使用单个 LSTM 解码器的模型的表现明显要差于使用层级 LSTM 解码器的模型。对于单语句生成（见表 1 下半部分）的结果来说，我们模型的控制变量版（Ours-Semantic-Only 和 Ours-Visual-Only）相较于当前最优的模型取得了有竞争力的分值。表 1. 模型在 IU X-Ray 数据集（上半 部分）上生成段落的主要结果，以及在 PEIR Gross 数据集（下半部分）上生成单语句的结果。BLUE-n 表示最多使用 n-grams 的 BLUE 分值。为了更好地理解模型检测真实或潜在异常情况的能力，我们在表 2 中展示了描述正常情况与异常情况的语句，及它们所占的比率。表 2. 描述图像中正常情况和异常情况语句所占的比率。图 3. 协同注意力 、无注意力、软注意力模型生成的段落图示。划线句子是检测到异常情况的描述。第二个图是胸部侧面 x 光图像。前两个例子的结果是与真实报告相一致的，第三个出现了部分失败，最底下的图像完全失败。这些图像来自测试数据集图 4 展示了协同注意力的可视化。第一个特性是 Sentence LSTM 能够关注图像的不同区域和语句的不同标签，并在不同的时间步上生成不同的主题。第二个特性是视觉注意力可以指引模型关注图像的相关区域。图 4. 协同注意力在三个示例上的可视化。每个示例由四部分组成：（1）图像和视觉注意力；（2）真实标签，预测标签以及预测标签上的语义注意力；（3）生成的描述；（4）真实描述。对于语义注意力而言，注意力分数最高的三个标签被突出显示。加下划线的标签是在真实标签中出现的标签。

图片来源@视觉中国文 | 汇众医疗精准医疗的概念于2011年被美国国家研究委员会提出，2015年在奥巴马的推动下引发全球关注。精准医疗是一种定制医疗模式，又称为个性化医疗，根据个体基因特征、环境以及生活习惯，为病人量身设计出最佳治疗方案，以期达到治疗效果最大化和副作用最小化。近年来，政府投资、生物技术与健康档案数字化的高速发展，将精准医疗从概念阶段推进到临床应用。资本和人才的涌入，促使药物研究、基因测序、移动医疗等领域掀起精准医疗商业化、产业化的热潮。《麦肯锡2018年全球精准医疗研究报告》展示了近年来精准医疗的成果及未来发展方向，探讨移动医疗的强烈刚需性将如何推动精准医疗快速落地以及迈入商业化阶段的精准医疗该具备哪些模式的创新。汇众研究院对其进行编译，并简要梳理中国精准医疗的发展现状。一、大数据重塑精准医疗体系精准医疗是数据驱动的科学，是生命科学、医学技术和计算技术融合的前沿领域。针对这一领域的研究，从技术厂商、医疗机构到学术群体都未停止过脚步。《斯坦福医学2017年健康趋势报告》显示，2013年全球医疗大数据量为153TB，预计到2020年将达到2314TB，年增长率为48%。医疗保健大数据的市场规模预计到2025年将达530亿到690亿美元之间，复合年增长率高达27%。除了生成庞大的数据系统外，医疗卫生服务体系在对数据的收集、筛选、判定等方面也趋于完善。在美国，卫生和公众服务部( HHS )已投资350亿美元用于加速电子健康记录( EHR )的落地以及提高医疗数据存储的安全性。通过对海量数据的聚合、整理，我们已经能够形成医疗闭环，充分了解患者的症状、治疗及结果。医疗数据及存储技术的迅速发展同样推动了生物制药领域突破性创新加速。精准医疗在生物制药研发过程以发现、开发创新药改善患者生存质量为目标，研发一款新药平均耗时缩短至9.6年，11%的新药进入临床试验最终获得FDA批准，而此前成功获批进入市场的新药不足10%。1.大数据产业进入爆发期随着医疗信息化水平进一步提高，政策向基层医疗倾斜，以大数据和人工智能驱动的产业，在基层医疗机构的市场潜力将逐渐释放。精准医疗作为落脚点，巨大的市场机会吸引制药巨头纷纷掉头，把基于分子分型的个性化诊疗作为研发方向。同时，基于医疗大数据的公司逐渐崛起，赛道异常火热。2018年初罗氏与GE医疗宣布建立长期战略合作伙伴关系，联合开发并共同推广数字化临床决策支持解决方案；不久，罗氏又宣布完成对Flatiron Health19亿美元的收购以及对Foundation Medicine24亿美元的收购，进一步扩大罗氏在癌症精准医学中的布局。两家公司均是电子医疗记录（HER）软件开发上的佼佼者。罗氏将依据收集患者诊疗数据进行不同药物治疗，已达到更高的治疗效果，同时借助数据进行临取代高昂的临床试验成本。基因测序领域独角兽Tempus于2018年9月完成1.1亿美元的E轮融资。Tempus是一家通过收集和分析分子生物学和临床数据，致力于改善癌症疗法的精准医疗科技公司。该公司通过与250多家医院系统达成合作关系，收集了200万份临床病例。同时，它与梅奥诊所（Mayo Clinic）、西北大学、芝加哥大学、和密西根大学等机构合作，对患者的肿瘤组织进行基因测序。该公司使用机器学习，新一代基因组测序，和AI辅助的图像识别技术来更好地了解患者肿瘤的特征，从而为患者提供“量身定做”的最佳疗法选择。可溯源生产的监管级医疗大数据将是未来药品研发和话语权的基础，更是整个医药行业发展的基础。未来几年，行业里的并购重组将会更加频繁和激烈。2.科技巨头抢滩精准医疗除了在医疗圈的火爆，Google、IBM、Intel等科技巨头同样觊觎个性化疗法，纷纷抢滩精准医疗。科技公司通过人工智能AI、大数据和云计算等科技手段来优化精准医疗的数据处理流程、提高数据化程度，正在引发越来越多的关注。谷歌先后投资了Foundation medicine 和 DNAnexus 两家公司，Foundation medicine是一家提供癌症全基因组测序及分析的公司，DNAnexus 则计划与谷歌一同打造一个巨大的开放式 DNA 数据集，并将共同接管美国联邦政府的国家生物技术信息中心的数据。IBM也早已开始了其在精准医疗领域的布局。2016年1月IBM和美敦力合作推出了一款糖尿病监测APP；3月，IBM将Watson人工智能带入苹果手表睡眠健康应用；5月，IBM联手苹果为博士伦开发白内障手术APP；7月，IBM宣布已成立IBM Watson Health医学影像协作计划；8月，IBM宣布已经完成了对胃癌辅助治疗的训练，并正式推出使用2017年又正式与基因测序领导者Illumina联手，深耕精准医疗。除此之外，2016年，英特尔推出“精准医疗伙伴计划”，该计划致力于在未来五年内整合现有私人、公众以及云平台上的基因组数据以加速生命科学领域研究。预计到2020年，计算技术的发展有望帮助医生在24小时之内完成精准医疗的主要过程，包括基因序列检测、结果数据分析、基于分析的疾病诊断和定制个性化治疗方案。科技公司在数据管理、数据分析以及产品设计方面具有得天独厚的优势，数据助力生物医学驱动其在精准医疗领域的价值得到体现。3.真实世界的数据价值无限在过去，虽然医疗机构也产生大量数据，但缺乏适宜的技术手段将数据进行有效提取，更遑论基于大数据的分析应用。此外，随着每种疾病可行的单一或组合疗法的数量不断增加，确保患者在正确的时间得到正确的治疗是医院和制药公司在综合诊断时所面临的最大挑战。理想中的诊断技术需要庞大而全面的数据集保证预测的准确性和及时性。医疗大数据公司的出现解决了这一问题，他们通过更结构化的数据存储方式以及有效地数据清洗来创建“数据集”，以满足临床和科研数据需求。诊断公司的崛起便是瞄准这一市场建立起自己特有的数据集形成差异化竞争优势。区别于传统的单一分析方式，诊断公司将采用多个“ omics ”技术，包括基因组学、蛋白组学、代谢组学、转录组学、脂类组学、免疫组学等，将其与附加的数据相结合，“ omics ”技术通过分析多种组学数据和医疗大数据，建立可以用于临床辅助诊疗、预测等多种数据分析智能应用，使医生可以方便高效地投入到临床科研工作，更好的推进肿瘤癌症等重大疾慢性病的诊疗和防控。基于“ omics ”技术的诊断企业将拥有大型数据集从而建立自身的“护城河”，打破原本医院、制药公司、诊断公司、消费者之间的数据平衡和制约。对于药企而言，这些医疗大数据的价值在于对“真实世界研究”的帮助。医院、药企将纷纷与诊断公司合作，在新药研发、患者诊断等方面利用其庞大的数据集提前享有真实世界的数据。二、移动医疗在精准医疗中的价值体现近年来，世界各地的医疗卫生系统已经失衡。对于大多数医疗系统来说，社会人口老龄化等现象带来的问题日益突出，科技得发展很有可能为医疗系统提供解决方案。科技型解决方案是移动医疗最有力的支撑。提升科技含量以及运用不断增多的可获数据有望改善生活质量，并引导医疗体系从侧重治疗转向侧重预防，或称之为从“疾病护理”转向真正的“健康护理”。美国在移动医疗服务应用的部署和规划方面全球领先，作为移动医疗领域最大的市场，一半以上的移动医疗服务APP来源于此，超过79%的人在线使用健康信息，24%的人使用过可穿戴设备，以及19%的人使用远程医疗。除此之外，2018年移动医疗行业拓宽服务领域，如政府部门保险企业等类型的B端用户，导致其落地产品的采用率大幅提升。政策的支持及消费的需求让闻风而动的投资者打开了资金阀门，在全球范围内流入数字健康领域的资金激增，2018年上半年行业内初创公司共获得超过49亿美元的融资。1.移动医疗产品的三种类型及发展趋势移动医疗应用(MMAs)是一种面向患者的软件程序，运行在智能手机或其他移动通信设备。制药公司，设备供应商和健康科技公司等纷纷投入大量人力物力研发自己的MMAs以收集病人的整个治疗过程中实时监测的数据信息。据统计，全球约有32.5万个应用程序，而在过去的4年中，超过70%的 MMAs 下载量不足1,000次；仅有7%的应用程序其月度DAU超过5万。通过采访顶级制药公司、初创企业、医院和等涉及数字健康领域的专家，我们发现移动医疗应用可以分为如下三类：患者跟踪和监测，协调医疗应用平台以及数字化治疗。这三类应用程序的复杂程度各不相同，从简单的数据集成到更加个性化的定制和健康预测功能。（1）患者跟踪和监测在美国每一位患者的平均问诊时间为13-16分钟，短暂的时间里医生对患者行为和健康状况的看法及认知十分有限。跟踪和监测类的 MMAs有效填补了这一空白，使医生深入了解患者在门诊以外的生活、习惯等，从而根据这些数据调整患者的保健计划。目前大多数跟踪和监控类 MMAs 采用的是数据集成的原理，而全球领先的移动医疗产品OneDrop则提升到个性化的能力。OneDrop是 FDA 批准的以糖尿病监测为重点的MMAs，可以实时跟踪患者的血糖水平。患者通过APP了解各种活动、食物、药物对其血糖升降的影响，产生积极的反馈及自我调节作用。同时，医生也可以追踪所有患者的血糖、食物、药物、活动、体重和 HgA1C 病史为患者提供个性化的治疗方案。展望未来，个性化的患者护理、收集现实世界的数据等需求日渐强烈，患者跟踪和监测类的产品将呈现增长态势。随着跟踪技术和生物传感器的快速发展(例如通过无线传感器)，下一代跟踪和监测类MMAs将以更少的侵入性和更低的敏感性实时跟踪其他医疗健康指标。（2）协调医疗应用平台从广义上讲，协调医疗应用平台同样采用集成数据的方式，与前者相比更加强调了对过程的优化、患者参与感以及数据的共享性，但在跟踪患者健康数据和提供个性化的建议以满足治疗需求方面并不理想。尽管对个性化治疗的关注有限，但这类MMAs在推动医疗保健领域开辟个性化精准医疗之路的作用不可小觑。由于基因组学和社会心理数据的严重缺乏对目前电子健康记录（EHR）系统的应用范围产生了限制，协调医疗应用平台则弥补了这一缺陷。通过EHR、生物测定设备和患者自我报告数据等渠道补充纵向的医疗保健数据，在该平台上实现多端口的数据共享。例如苹果的 HealthKit 可以管理和合并iPhone和Apple Watch上来自不同应用程序的健康数据，这些数据得到了超过75家医疗机构的支持与认可，其中不乏大型知名机构Partners HealthCare和Kaiser Permanente。但数据的高度集中也会造成一定的风险，因此对于此类MMAs的发展预计会非常缓慢，尽管如此，协调医疗应用平台依旧改善了患者参与度，增加了与医生的接触点，提高了EHR的应用范围。（3）数字化治疗数字化治疗MMAs则是基于患者个体的数据进行分析、预测，最终提供个性化的药物和诊疗方案。目前，大多数数字化治疗的MMAs均通过与患者的直接互动收集数据，反过来，使用这些数据用来适应和推荐适合患者的护理计划。这一领域的应用程序通常借助人工智能和机器学习来深入分析患者的行为，但此类取代药物治疗德MMAs目前仅限于精神健康领域以刺激患者改变生活方式。无论是作为医生诊断数据的补充还是取代药物进行治疗，未来的 MMAs可能会进一步渗透到慢性和心理疾病领域。在采集纵向数据方面，移动医疗公司依靠患者不间断的数据增长，其现实世界的数据量也将超过制药公司。随着资本对精准医疗的关注度提高，移动医疗作为实现精准医疗快速落地的产业之一，将呈现垂直多元化的发展趋势，在针对需求人群的个体差异，融合文化、技术、产品、服务等方面持续衍生出多维度、多角度的形式和发展机会。最终，移动医疗将向更加注重患者参与的方向发展，脱离传统的医疗环境，让用户不管身在何处，医疗与健康管理都能变得触手可及。2.移动医疗产品如何杀出重围2015年之后，移动医疗产品如雨后春笋般出现在应用市场，相对于其他类别的应用来说，一款MMAs成功的核心在于是否有强大的数据集和用户资源，除此之外，以下六个关键因素同样关系到产品能否杀出重围。（1）以患者为中心，提高医患粘性以用户为中心的数字和移动解决方案需要从患者的需求出发，重视用户界面（ UI ）和用户体验（ UX ）的设计。移动医疗运营非常困难，这个难度在于能不能吸引足够的用户，并且是有黏性的用户。有些创业项目瞄准了健康管理、糖尿病管理和医患沟通等市场空间大又热门的领域，尽管在产品形态和功能有一定创新，但核心的产品功能高度同质化，缺少线下服务O2O的闭环能力，在解决医患之间粘性方面有待加强。（2）满足个性化定制需求随着人们健康意识的提高以及治未病理念的推广，移动医疗情况呈现出防御性、个性化及高效性等特征，对不同的用户制定不同的解决方案，同时，运用行为经济学和激励计划与患者进行游戏式的互动。例如，被世界经济论坛评为2016年技术先锋的Omada Health专注于慢病管理领域，其主打产品是prevent，通过改变用户的生活方式来降低体重，从而降低发生糖尿病、高血压，以及各种心血管事件的概率，并根据患者的偏好制定个性化的策略，以带来生活方式的改变。Omada Health是一个非常重视体验感的公司，他们不仅拥有世界顶尖的交互设计师，还对患者无时无刻地进行人性化的关怀，这些都能让移动医疗的产品看起来更健康，更可信，让用户向往更美好的生活。（3）增强产品的参与感通过作为特定疾病的数字化伴侣来加强产品在患者生活中的参与度。有些疾病所涉及的药物、治疗方案较为复杂，此时MMAs产品可以针对某种特定的疾病提供具有针对性的量身定制的计划，参与到患者的治疗过程中。例如，专注于慢性呼吸道疾病领域的Propelle Health 公司研发的传感器能够连接到用户的药物吸入器，并将数据同步到智能手机 app，追踪哮喘、慢性阻塞性肺病和呼吸道疾病患者诱发疾病发作的刺激物和症状，并根据患者症状信息提供个性化反馈和指导。用户可以更好地把握自己的用药频率，并设置用药提醒信息，在日常生活中强化疾病的控制状况。此外，用户可以将数据在 Propeller 社区与医生和家庭成员进行分享，便于医生监测患者的症状，并在合适的时间调整治疗方案。移动医疗创业是商业行为没错，但本身不适合赚快钱。移动医疗狂热是好事，但项目的成功还需要通过创业者和风险资本的努力，无论诸多移动医疗创业者中赢家是谁，还是要接受市场的考验，因为医生和患者才是最庞大最权威的评委团。三、精准医疗商业模式的创新与变革精准医疗正迎来医疗行业的快速变革，在生物科学方面（例如，新的靶向治疗，基因组学和其他‘组学’的进展）和技术方面（例如，改进了用于治疗选择的人工智能）都取得技术进步。消费者、患者、支付者、医疗技术参与者和制药商对个性化护理的期望值也在不断加深。尽管医疗保健领域出现了与产品相关的重大创新，但商业模式的适应速度却很慢。在美国，支付者仍然主要通过保费赚取收入、制药公司继续通过直接支付处方药来获得收入以及采用传统的销售模式来支持其特许经营。诊断公司则主要收取基于测试的费用。所以，对于最传统的利益相关者来说，精准医疗革新的压力也在增加。如何将其潜力转化为现实，并促进医疗业务模式的创新成为亟待解决的难题。技术的推动是最具有价值的，同时能够改变价值链经济、产品的交付模式以及不同的资产整合和能力的应用，这也将为商业模式的创新提供灵感，医疗保健行业可以关注其他行业。以经典的颠覆者优步( Uber )为例，该公司利用现有的 GPS 技术和应用程序部署了不需要任何资产配置的商业模式，扰乱了出租车的市场秩序并扩大到整个交通行业。Dollar Shave Club 颠覆了吉列( Gillette )的剃刀/剃刀模式，转而提供订阅服务，为其在2016年以10亿美元收购联合利华( Unilever )奠定了基础。亚马逊将其现有的亚马逊网络服务存储和计算服务应用于自己的在线市场运营，并将其出售给其他公司，最终成为该公司的关键利润驱动因素。苹果已经成功地多次自我改造。除了 iPod 、 iPhone 和Apple Watch等知名产品的创新外，该公司还通过广泛的合作伙伴关系，稳定其医疗保健生态系统的结构。日前，该公司正与 Zimmer Biomet 合作，开发一个新的智能手表应用程序，以支持髋关节和膝关节置换患者的术后恢复，纳入患者和医生的活动报告。它还捐赠手表，以帮助研究和加强其在健康生态系统中的地位：例如，向北卡罗来纳大学医学院的研究人员提供帮助管理和跟踪饮食失调。“精准医疗”的革新无疑将使整个医疗行业发生巨变，而医疗是医患双方共同参与的过程。医疗行业、医务工作者乃至患者，每个人都要付出努力，去适应一个全新的医疗流程。 展望未来，这个市场的领导者需要适应这些压力，必须建立基于个性化患者护理的盈利业务的方式创新其业务模式。四、中国精准医疗发展现状简述在全球精准医疗发展的影响下，2015年我国在精准医疗领域密集发布相关政策，加速推进行业监管的跟进和政策方向的指引。在政策支持下我国精准医疗发展迅速壮大，根据国家科技部的精准医疗计划，我国将在2030年前投入600亿元人民币用于推动精准医疗的发展。目前，中国精准医疗市场规模正在以每年20%的速度增长，已经超出了全球的平均水平。目前已经涌现了华大基因、中源协和、乐土精准医疗、达安基因、博奥生物、碳云智能、安诺优达、诺禾致源、药明康德、贝瑞和康等一大批大型精准医疗企业。2018年我国精准医疗上下游企业发展迅猛吸引了投资者的目光，无论是面向高端医疗市场还是消费级市场都有优秀企业在 2018 年完成了新一轮的融资。数据来源：网络公开信息，汇众研究院整理精准医疗所涵盖的范畴很广，涉及到多学科的融合。从技术角度还处于研究或临床试验阶段的细胞免疫疗法和基因编辑产业链尚不完整，基因计策的产业链则较为明晰。但是由于目前行业进入壁垒并未成型，行业不断涌入新的参与者，开辟出新的市场。此外，精准医疗行业技术的局限性导致新的治疗方法暂时难以大规模使用，基因库和大数据等基础设施尚待建设。因此拥有较强核心技术的企业能在此领域脱颖而出。