新冠肺炎疫情深刻改變著世界醫療健康行業，而人工智能和醫療行業的融合則為醫療技術的創新和進步提供新的動力。

　　在全國各地AI+醫療行業政策的大力扶持下，AI+醫療相關市場也迎來了一波爆發增長期。

　　AI+醫療算法生態成熟+應用廣泛

　　有人將人工智能在醫療上的運用，比作是醫生的另一個大腦，而且是對數據的儲存處理傳輸能力更強的大腦。

　　有了它，就能為群眾提供更加智慧的服務，也能提升醫生的工作效率，有助于緩解當前優質醫療資源緊缺的問題。

　　目前傳統的機器學習和深度學習算法已被廣泛得應用，來處理臨床研究和醫療服務中的結構化數據，如醫學影像數據、基因數據和生物標志物數據。

　　而非結構化數據，如人工筆記、醫學期刊與患者調查等則依靠專門的醫學自然語言處理技術來分析。

　　在全球聯合抗擊疫情的大背景下，人工智能與醫療產業也進行了快速的融合，AI+醫療產品開始延伸到更多不同的醫療服務應用場景當中，并不斷的發展落地。

　　目前相對成熟的應用場景主要有：AI+醫療影像、AI+輔助診斷、AI+新藥研發、以及AI+健康管理等。

　　政府高度重視+持續釋放紅利

　　2017年國務院發布的《新一代人工智能發展規劃》中提出要發展便捷高效的智能服務，推廣應用人工智能治療新模式、新手段，建立快速精準的智能醫療體系。

　　從2017年開始，我國已把人工智能作為一個國策進行推動，近幾年的兩會上AI也被多次寫入政府工作報告中。

　　2018年政府提出人工智能向基層醫療進行滲透，2019年將AI+醫療的范圍進一步擴大到康養范疇；2020年進一步提出未來的建設指南，期望在2023年在以醫療為代表的人工智能領域中建立一套初步的標準體系規范。

　　AI+醫療市場將進入快速成長期

　　2019年之前，由于大部分細分領域的盈利模式尚未明朗，導致AI+醫療市場一度陷入低谷。

　　2019年由于智慧病案的興起，使得整體AI+核心醫療軟件服務市場規模超過20億，同比增速高達93.9%，其中CDSS占比最多，達到55.2%。

　　2020年加之疫情的影響，AI+醫療的優勢更加凸顯，因此，國家開始逐步發放各類醫療影像AI軟件三類證，并進一步出臺鼓勵AI+醫療發展的政策，這些將會使各細分領域的盈利模式逐漸明晰，市場也將會進入快速成長期。

　　從2020年到2022年，包含CDSS、AI+輔助檢查以及智慧病案等在內的核心醫療軟件服務市場規模，其整體的CAGR（復合年均增長率）將達到51.9%；并預計將在2022年超過70億美元的總值。

　　基礎層技術層已布局完備

　　AI+核心醫療產業鏈可以分為AI基礎層，AI醫療技術層與應用層：

　　基礎層：除數據服務外，芯片與通信等基礎核心領域已形成牢固的技術壁壘，市場呈寡頭局面，中、短期內市場格局不會改變；

　　技術層：算法、框架以及通用技術則需要長期的投入與研發來攻克，目前各大科技企業與互聯網巨頭企業基本已完成布局，中小企業生存空間較少；

　　應用層：應用層可觸達全醫療服務場景，如院內臨床決策系統、手術機器人、智慧病案系統、醫療影像、藥企新藥研發與基因檢測，已有大量的互聯網醫療公司和傳統醫療公司涌入。

　　AI+醫療本質上可以創造出新的醫療資源供給市場，幫助我國解決醫療資源供給不足這個痛點。

　　憑借其出色的算法和大數據分析，不斷滲透到相關服務平臺的數據資源層和技術應用層。

　　同時，打通各個服務端口的數據壁壘，降低整體醫療成本，并實現在醫學影像、輔助診療、健康管理、新藥研發、疾病預測、虛擬助理、流程管理、研究平臺等核心應用場景的完美落地，最終提升國內整體醫療水平。

　　AI+醫療存在技術難點+標準缺失

　　隨著我國醫療體制改革的深化、分級診療制度的落實，政府開始加大力度解決醫療資源分配問題以及醫療服務效率問題。

　　其中，醫療人工智能的廣泛應用在提高醫療質量和服務效率、減少誤診誤治方面發揮了重要作用。

　　然而，目前AI+醫療仍存在醫學數據相關問題、復合人才短缺、行業標準缺失以及醫療科研轉化為成熟產品的周期過長等問題。

　　其中，數據的獲取、使用與數據共享是阻礙AI+醫療發展的最大因素。

　　由于AI+醫療發展的主要推動力仍是滿足醫療行業的剛性需求，因而AI+醫療在未來必然會打通數據壁壘，實現數據的安全、高質量及共享的應用。

　　醫療AI企業面臨著不少痛點等待解決

　　像我國國內企業在醫療影像方面面臨著數據流轉的問題，患者無法保存和管理自己原始的影像資料。

　　醫療領域里最重要的是準確度，需要在綜合一系列由人工智能計算出的指標的基礎上，由醫生來做出最后判斷和決策。

　　由于試驗設計質量參差不齊，具體的有效性很難進行比較和評估。

　　沒有統一行業評判的標準，可能會給數百萬患者帶來風險。同時也易助長醫療企業炒作AI實效性的火焰。

　　AI在醫療領域的應用更接近與體檢和預防，有時候帶來的效果很大，但非常間接，不容易形成控費價值的影響。

　　產學研實踐要掃清的障礙

　　從醫生角度看，年輕醫生首先要打好臨床、教學、科研的基礎，但到了一定階段，醫生不會滿足于常規的工作內容，而是往產學研的方向發展，會涉及更多跨領域的合作。

　　醫生的臨床思維和程序員的開發思維存在巨大的差異，AI產品能否觸及醫學本質，只有讓醫生愿意使用它，AI才有意義。

　　從應用場景上看，專科與全科領域邊界的劃分有待明確，醫養康的技術閉環沒有形成。

　　更大的挑戰來自于行業內AI評測體系標準尚未規范，造成企業理解差異大、產品良莠不齊。

　　醫療場景下，數據脫敏需求強烈、數據操作合規性要求高。標準的暫時缺位無疑影響這一領域的應用推廣。

　　在另一方面，國內由醫生參與和主導的產學研實踐還處于探索階段，尚未形成一個規范、明確的流程或方案，還面臨一些更深層次的障礙。

　　醫療大數據整體建設速度略顯乏力

　　相較其他獲得互聯網技術助推的行業而言，中國醫療大數據產業的整體建設速度仍略顯乏力。

　　縱觀行業歷史，國內的醫療大數據發展可向上追溯至2009年新一輪醫改中將電子病歷等醫療信息化的建設劃為重點任務，目前為止行業內已然擁有了10年的海量數據積累。

　　各個醫院管理者有時會形成數據壁壘。我們在信息交流過程當中，目前可以做到徐匯區共享，但與其他的醫院和醫療還不能夠達到數據共享，造成信息孤島。

　　同時，我們也缺少有基層醫療經驗又擅長人工智能的交叉人才。

　　然而，由于醫療數據的在流通共享環節和其他方面的諸多問題，即使已經打下了十年的醫療信息化建設基礎，卻仍然出現了一個又一個信息孤島，掣肘著行業的發展。

　　結尾

　　疫情期間，醫療AI的應用得到了進一步的創新與推廣。但不可否認的是，醫療AI在發展中還有著各種各樣的瓶頸與痛點。如何打破瓶頸尷尬期，進而推動行業向前發展，是擺在醫療AI行業人士面前十分關鍵的課題。