2018医疗人工智能报告：跨越再出发.pdf

2018-09-27 前 言.3 一 技术驱动带来边界扩展，监管跟进.5 1.1 医疗人工智能能力圈正不断拓展边界.5 1.2 2018 医疗人工智能政策趋势：监管与企业携手，标准数据库建立.7 二 人工智能落地情况分析.11 2.1 医疗人工智能首代产品方向分析:跨越，第一代产品成熟.11 2.2 医疗人工智能产品落地情况分析.13 2.2.1 亦步亦趋，医学影像走到了最前端.13 2.2.2 人工智能助力，解决新药研发困境.18 2.2.3 拓展能力外延，医疗人工智能产品逐渐落地.25 2.3 医生评价：医疗人工智能产品是个好帮手.27 三 人工智能研发管线及策略分析.28 3.1 人工智能企业在研管线分析：再出发，扩展能力圈，加深护城河.28 3.2 人工智能企业布局策略研究.31 人工智能标杆企业研究.32 五 2018 医疗人工智能企业投融资分析.41 5.1 医疗人工智能领域总体融资情况研究.41 5.1.1 全球医疗人工智能企业融资情况.42 5.2 中国医疗人工智能企业融资情况.45 前前 言言 2017 年 9 月，动脉网蛋壳研究院发布了2017 医疗大数据和人工智能产业报告，回顾了医疗人工智能的前世今生，对医疗人工智能的能力、应用场景、成本结构，人才情况进行了深度剖析，为产业人士和监管机构提供了一份重要参考材料，引发了广泛讨论。时隔一年，人工智能企业纷纷将产品移至临床，各细分病种/应用的研究不断深入，人工智能产品已经融入到了医疗流程的方方面面。经过这几年的发展，一部分人工智能产品已基本成熟，商业模式清晰逐渐清晰，人工智能技术在医疗领域开始不断扩展应用边界，给医疗运行流程带来了很多有趣的尝试。监管部门紧跟技术发展脚步，积极参与到产业升级的浪潮中，监管思路逐渐明晰，中检院已经完成眼底糖网彩照、肺结节影像数据库的建设，相关送审的三类产品超过 30款，相信很快我们就能看到三类人工智能医疗产品上市。同样时间节点，我们推出新一年度医疗人工智能报告，本份报告以医疗人工智能产品研发与应用、医生使用情况为主要内容。我们对主要人工智能医疗企业进行了调研，访谈参与人工智能产品研发/使用的医生，以行业视角，为大家呈现出目前我国医疗人工智能的发展现状及下一步研发方向。一一 技术驱动带来边界扩展，监管跟进技术驱动带来边界扩展，监管跟进 1 1.1.1 医疗人工智能能力圈医疗人工智能能力圈正不断正不断拓展拓展边界边界 近代人类社会的飞速进步，主要依赖于三次工业革命。第一次工业革命以蒸汽机的改良为标志，第二次工业革命以电力的广泛应用为标志，第三次工业革命以计算机的发明和使用为标志。三次革命显著改变了人们的生产生活方式，社会结构，甚至是世界格局。而以人工智能为代表的智能互联技术正成为第四次工业革命的推动力。四次工业革命进程 图：四次工业革命进程，蛋壳研究院 人工智能是赋予计算机感知、学习、推理及协助决策的能力，从而通过与人类相似的方式来解决问题的一组技术。在过去，计算机只能按照预先编写的固定程序开展工作，而具备该等能力以后，计算机理解世界以及与世界交互的方式，将比以前大为自然和灵敏。人工智能关键技术包括：视觉：计算机通过识别图片或视频中的内容来“看”的能力。语音：计算机通过理解人们所说的话并将其转录成文字的能力。语言：计算机把握语言中的诸多微妙差异和复杂性（例如俚语和惯用语），“理解”话语含义的能力。认知能力：计算机通过理解人、事物、地点、事件等等之间的关系来进行“推理”的能力。医疗人工智能能力圈识别 图：医疗人工智能能力圈识别，蛋壳研究院 人工智能的这些能力对应到医疗领域，医疗人工智能系统将具有各种形式的对话能力，这将有助于信息在个人之间流动，根据病史来了解病患，他能帮助医疗保健企业向消费者提供有吸引力的个性化医护建议。人工智能系统有比人类更强的观察力和洞察力，可以快速加工大量医疗和病患信息，从而使得医师将更多时间花在病患身上。人工智能系统可提供基于综合信息的辅助建议，进而帮助决策并减少人为偏差。人工智能系统根据最新的信息、结果和操作不断学习，有助于医疗专业人员作出更加明智、及时的决策，人工智能几无边界，意味着现有的医疗人工智能能力圈也将不断扩展，而这一切正在发生。1.2 1.2 20182018 医疗医疗人工智能人工智能政策趋势：监管与企业携手政策趋势：监管与企业携手，标准数据库建立，标准数据库建立 2018 年 4 月初，FDA(美国食品药品监督管理局)批准通过了 IDx 公司研发的首个应用于一线医疗的自主式人工智能诊断设备 IDx-DR 的软件程序，该程序可以在无专业医生参与的情况下，通过查看视网膜照片对糖尿病性视网膜病变进行诊断。这个产品的获批上市经历了长达 21 年的时间。仅 IDx 和 FDA 在如何评估系统并确保其准确性和安全性方面的沟通，就历时 7 年。美国近期批复的几款 AI 产品全都是走的 Class II 的认证流程，通过跟传统 CDSS（临床决策支持系统）做等同对比证明安全有效性。中国的法规相对来说更严格，对临床评价的路径控制非常严格。2018 年 8 月 1 日起，我国新版 医疗器械分类目录 正式生效，把医用软件按二类、三类医疗器械设置审批通道。目录指出，若诊断软件通过其算法，提供诊断建议，仅具有辅助诊断功能，不直接给出诊断结论，本子目录中相关产品按照第二类医疗械器管理。若诊断软件通过其算法对病变部位进行自动识别，并提供明确的诊断提示，则其风险级别相对较高，本子目录中相关产品按照第三类医疗器械管理。所以，目前我们所看到的 AI 产品，大多应属于第三类医疗器械 为应对这一政策，我国大部分企业采取增删诊断功能的办法，将产品同时申报二、三类器械，目前多家企业已经率先获得了二类证书，目前希氏异构、雅森科技、汇医慧影、图玛深维、推想、深睿、Airdoc、依图医疗等知名人工智能企业都在积极进行三类医疗器械的申报。依图医疗表示，他们的全产品矩阵都在做三类认证，Airdoc 送检了中国第一台装载待检人工智能 AI 软件的服务器。目前尚未有一款产品获得三类证书。按照医疗器械注册流程，产品从申报到最终过审要经过产品定型、检测、临床试验、注册申报、技术审评、行政审批等六步。目前，申报三类器械的医疗人工智能产品大多停留在注册申报起步阶段。中检院作为国家监管技术支撑机构，承担了医疗人工智能产品质量评价与研究工作。光机电室凭借在医疗器械软件检测方面经验丰富的优势，专门成立 AI 小组承担此项工作。人工智能医疗产品的审批一直是业界非常关注的问题，中国食品药品鉴定研究院光机电医疗器械检验室主任任海萍在一次公开演讲中提到：“我们做的比较特色的是一些新产品的尤其是没有国标、行标的新产品平台、检验方法、评价标准等研究的工作。中检院已经接受了来自全国各地的 30 到 40 个 AI 产品的申请，我们已做好了前期的工作。”任海萍主任的观点可总结为三个方面，一是并不是所有的产品上市都要进行临床的实验，所使用的数据集来源于真实世界的数据可以用于临床前的评价和临床的评价，对临床的评价可以用前瞻性和回顾性的临床。国家对 AI 医疗器械的产品，包括 AI、医疗器械、软件，在质量评价上都有一定要求，目前中检院对 AI 质量评价主要依据以下三个 3 个指导原则：医疗器械软件注册技术审查指导原则 移动医疗器械注册技术指导原则 医疗器械网络安全注册技术审查指导原则 中检院规划的 AI 医疗器械检验体系有以下四个步骤：标准数据、体模测试、软件性能、模拟对抗，已经建立起了彩色眼底图像和肺部 CT 影像两个数据库。数据库构建过程主要包括：数据收集、图像标注、数据管理三个步骤。软件设计开发过程中的数据治理要求同理。中检院数据库构建流程 图：中检院数据库构建流程，蛋壳研究院 眼底影像标准数据库 眼底影像标准数据库的建立相对较早，目前已经形成了一个包含 6327 病例规模的数据库。肺部影像标准数据库 肺部影像标准数据库自 2018 年 2 月启动建设工作，4 月开始在全国招募肺结节图像标定专家，5 月初完成上述专家的在线考试选拔和培训，6 月 10 日完成线下封闭标定工作，24 位标定专家及 15 位仲裁专家共同完成病例的标定。6 月 10 日肺部影像标准检测数据集肺结节图像现场标定结束后，为尽快进入测试阶段，中检院光机电室 AI 小组于 6 月 15 日发出肺结节 AI 产品测试方案意见的征集通知，涵盖了在中检院送检的 11 家企业。这 11 家企业分别是：健培科技、图兮深维、零氪科技、依图科技、云济科技、深睿医疗、汇医慧影、推想科技、雅森科技、点内生物、视见医疗。据了解，深度学习辅助决策医疗器械软件审评要点即将进入征求意见阶段。审评中心专家曾透露对 AI 软件评价的基本原则为：全部 AI 软件功能均应开展算法设计、软件确认；每项 AI 软件功能应独立开展算法设计、软件确认。对于高风险软件，临床试验是必须的，而中低风险软件，注册路径可分临床试验、回顾性临床研究和第三方测评数据库。对数字医疗产品的审评，国家已经陆续发布实施了软件、移动医疗器械的注册技术指导原则，一些业内人士表示，从审评角度其实尚未完全严格实施，因部分指导原则的颁布时间较还短，其实施时间尚短，还存在一些不明确的问题。但一些不提供医疗功能，作为纯粹连接患者与医院、医生的平台型互联网产品，不能算作医疗器械。对于数字医疗产品的审评，未来会分两个阶段走。第一个阶段需要制定出相关指导原则和标准，把检验、检测标准进行统一，第二步才开始对达到标准的产品“放行”，部分符合条件的，或许可以被批准免去临床试验。此外，AI 软件由于其在后天应用中不断完善，会有迭代更新的问题。FDA 则允许企业后续对其产品进行微调，无需向 FDA 提交新的审查内容。FDA 提出预认证的监管方法，即不再专注于个别产品，而是应用预认证方法来审查开发公司的资质。二二 人工智能落地情况分析人工智能落地情况分析 自 2011 年 Watson 奠定其医疗的商业发展方向，已经有 7 个年头了，这七年人工智能发展风声水起，无数企业紧随潮流，深度学习算法也经过了多次换代，但浪潮过后，留下的无数先行者的遗骸。现在，幸存者和后来者已经逐渐在医疗人工智能领域组成头部阵营，深度学习过程下各企业都能为自己的 AI 产品报出一个可喜的准确率数字，然而新的时代已经不再是一个唯算法的时代，衡量 AI 好坏的也再是一个数字或是人机大战的成果可以评判的。要想在这个圈子活下去，还得进得了医院。现在，AI 医疗产业的争夺聚焦于落地环节。延续我们在2017 医疗大数据与人工智能产业报告中对医疗人工智能应用领域分类办法：医学影像、病例文献分析、虚拟助手、新药研发、医院管理、健康管理、基因、疾病预测与诊断、智能器械，对于医疗人工智能企业进行了分类，统计了活跃在市场上的国内 108 家医疗人工智能企业的现有产品方向，并且对主要医疗人工智能企业采访调研，了解他们现阶段产品应用情况及下一代产品研发状况，获得了以下内容。2 2.1.1 医疗人工智能首代产品方向分析医疗人工智能首代产品方向分析:跨越，第一代产品成熟跨越，第一代产品成熟 我们统计了这 108 家医疗人工智能的主要产品线，我们获得了如下人工智能产品方向及疾病图谱。图：医疗人工智能产品线分布，蛋壳研究院 图：医疗人工智能产品针对疾病统计 我们可以看到大多数人工智能企业选择了在医学影像、病例文献分析、健康管理、虚拟助手四个方向推出产品，肺结节筛查、糖网筛查两大热门方向遥遥领先，但同时有相当多的企业将目光投向了心血管类疾病方面，人工智能企业产品呈现出分散趋势。2 2.2.2 医疗人工智能医疗人工智能产品落地情况分析产品落地情况分析 根据 Global Market Insight 的数据报告显示，按照应用划分，药物研发在全球医疗 AI市场中的份额最大，占比达到 35%。而智能医学影像市场则为第二大细分市场，并将以超过 40%的增速发展，在 2024 年达到 25 亿美元规模，占比 25%。这两个领域也是目前人工智能在医疗各个场景中应用最广泛的，接下来我们就以这两个场景为主线，为大家介绍中国人工智能的落地情况。2.2.1 亦步亦趋，医学影像走到了最前端 人工智能在医疗影像领域的应用主要包含，图像或是检查的分类，器官、区域或是标记点的定位，目标及病理的检测，组织结构的分割，病灶区的分割，以及图像配准等，主要针对的疾病主要有肺结节、糖网、脑卒中等，应用方向主要有三类，即疾病筛查、病灶勾画、脏器三维成像。我们将就人工智能在目前最为火热的肺部筛查、糖网筛查、病灶勾画、脏器三维成像的应用情况。我们对主要涉足的疾病的企业做了简单统计，并对代表公司产品的落地情况进行了采访调研。医疗影像主要病种涉足企业统计 图：医疗影像主要病种涉足企业统计，公开资料整理 肺结节筛查 肺结节类医疗人工智能产品无疑是目前最热门的方向，截至 2018 年 7 月的不完全统计，仅在肺结节筛查领域，拿出具体产品的人工智能企业就超过 20 家，并且大部分拿到了投资。中国年新增肺癌患者数量全球第一，年肺癌因素死亡人数全球第一，早筛需求旺盛，低剂量螺旋 CT 正被广泛推广；而从图像质量上来说，胸部 CT 图像分层薄、视野清晰、干扰因素少、病灶特征规律可循，是智能影像判读的理想用武之地，加之中国影像医师的稀缺及国家政策的大力推动，这一领域的应用基础堪称完美。2017 年，主攻肺结节检出的各大 AI 企业都交出了辉煌的答卷，敏感性一路飙升，95%、96.5%、98.8%人类肉眼难以察觉的像素差别，在 AI 强大的算力面前无所遁形。肺结节筛查类产品落地情况举例 图：肺结节筛查类产品落地情况举例，蛋壳研究院 临床上为了确保影像判读的准确性，通常由一名执业医师与副主任医师共同阅读同一个患者的胸片，影像医师在读片完毕之后，还需要上级医生复查一遍，签字确认。AI 的目的正是替代这个步骤中的第一环节，因为 AI 医生不仅“视力”极好，几乎可以看出每一个微小结节，同时，AI 医生不知疲倦，不会出现视觉疲劳，看成千上万张胸部 CT 也不过毫秒之间。目前人工智能肺结节筛查产品已经全面进入落地医院环节，我们可以看到，头部人工智能企业日均检查量已经超过 10 万例。在合作方式上，因为目前没有明确的收费项目，肺结节筛查类产品主要以两种方式进入医院：一是以科研项目的方式同医院合作；二是同器械厂商合作，整体服务包的形式进入。糖网筛查 糖网病是“糖尿病性视网膜病变”的简称，是常见的视网膜血管病变，也是糖尿病患者的主要致盲眼病。中国是全球型糖尿病患者最多的国家，随着糖尿病患者的增多，糖尿病视网膜病变的患病率、致盲率也在逐年升高，是目前人群中第一位的致盲性疾病。医学研究证明，高血糖、高血压、高血脂是糖尿病视网膜病变发生的重要危险因素。因为糖网病早期往往没有任何临床症状，而一旦有症状，病情已较严重，容易错过最佳治疗时机。所以糖网病的治疗效果取决于治疗是否及时。但是由于我国眼科医生匮乏、居民重视程度不高，目前我国糖网病筛查的比例不足 10%。糖网病筛查没有大面积普及，一方面是因为医生少、患者多，另一方面也存在一些客观问题。1.糖网病患者基数大，增长快，眼底设备的普及速度远远无法满足需求。但是由于眼底设备昂贵，对于欠发达地区来说，大量采购并不现实。2.随着人们对糖网病筛查的重视以及国家的推进，眼底读片的需求在增加，现有医生的数量已经无法承担这些工作量，导致医生过劳，误诊、漏诊的情况出现。另外，有经验的医生也并不愿意一直做读片的工作，他们希望有更多的时间做一些研究，出新的成果。这就导致医生的数量更加紧张。3.从事眼底读片的医生医生培训速度慢，存在差异性。也就导致不同的医生读片结果存在差异，致使诊断结果缺乏定量信息。4.眼底读片的数据管理与分析操作难度大，目前现状是数据简单存档保存，但数据整理工作量大，因此读片数据再次利用难度很大。5.糖尿病患者往往因为高龄或罹患全身多系统并发症而出行不便，居住地又距地区内有足够眼病服务能力的医疗机构较远，在医疗机构等待或检查时间又较长。这些痛点主要原因是医患供需不平衡导致的，而图像识别是人工智能的专长，利用人工智能进行初步筛查，将大大改善目前糖网病筛查的现状。相对于肺结节筛查，眼底照片检查已有收费名目，使得糖网类人工智能项目落地获得现金流的可能性大了很多，目前头部的糖网筛查项目日均检查数量超过 2000 例。糖网筛查类产品落地情况举例 图：糖网筛查类产品落地情况举例，蛋壳研究院 靶区勾画 放疗是肿瘤三大治疗方式中最为主流的治疗方式（其他两种是手术和化疗），相对于诊断治疗更切入医疗的核心。每个肿瘤病人的 CT 图像在 200 张左右，医生在勾画的时候，需要给每个图片上的器官、肿瘤位置进行标注。这个过程按照传统的方法要耗费医生 3-5 个小时，找到肿瘤位置之后，医生还需要根据肿瘤的大小、形状等设计放射线的具体照射方案或者手术方案，这里面也包含了不同位置不同的放射剂量。人工智能系统根据具体癌症类型自动生成诸如 CT 的检查项目，然后根据 CT 图，利用图像识别技术和 AI 技术自动勾画相应靶区。系统自动生成具体的放射性照射方案或者手术方案后，再交由医生做最终确认。为了做好质量控制，系统会全流程跟踪上述以及之后的治疗以及检查结果。以往医院没有这个系统的时候，医生将等候 2-3 周的患者资料下载下来，用 3-5 小时进行靶区勾画，然后再花时间进行治疗方案设计。使用该系统以后，医生下载下来的资料就包含了系统自动勾画的靶区和放疗方案或者手术方案。医生只需要修改、矫正就好。专注于靶区勾画的公司相对较少，主要有连心医疗、医诺科技、全域医疗和普润医疗等，作为靶区勾画领域的连心医疗，目前已经发布针对头颈部和胸部器官的勾画系统，每日使用量超过 100 例。靶区勾画类产品落地情况举例 图：靶区勾画类产品落地情况举例，蛋壳研究院 骨龄检测、乳腺癌筛查、宫颈癌筛查等项目目前也在不断落地，头部厂商都取得了不错的成绩，日均使用量超过 200 例。骨龄检测、乳腺癌筛查类产品落地情况举例 图：骨龄检测、乳腺癌筛查类产品落地情况举例，蛋壳研究院 2.2.2 人工智能助力，解决新药研发困境 人工智能主要应用其强大的关系发现能力和计算能力助力新药研发，在发现关系方面，包括药物与疾病的链接关系、疾病与基因的链接关系等。人工智能不仅能够更快地发现显性关系，而且能够挖掘那些不易被药物专家发现的隐性关系，构建药物、疾病和基因之间的深层次关系。在计算方面，人工智能可以对候选化合物进行虚拟筛选，更快的筛选出具有较高活性的化合物，为后期临床试验做准备。人工智能在化合物合成和筛选方面比传统手段可节约 40%50%的时间，每年为药企节约 260 亿美元的化合物筛选成本。在临床研究阶段，可节约 50%60%的时间，每年可节约 280 亿美元的临床试验费用。也就是说，人工智能每年能够为药企节约 540亿美元的研发费用。目前，人工智能在新药研发领域主要涉及靶点发现、化合物合成、化合物筛选、晶型预测、患者招募、优化临床试验以及药物重定向 7 大应用场景。其中，靶点发现环节的人工智能企业数量多达 39 家，占企业总数的 50%。应用场景一：靶点发现 传统靶点研究以直观的方式定性推测生理活性物质结构与活性的关系，进而发现机体细胞上药物能够发挥作用的受体结合点（靶点）。药物学家参考相关科研文献和个人经验去推测靶点，需用好用 23 年的时间，而且发现靶点的可能性极低。人工智能通过自然语言处理技术（NLP）学习海量医学文献和相关数据，通过深度学习去发现药物与疾病之间的作用关系，找到靶点，缩短靶点发现周期。IBM Watson Health IBM Watson Health 开发了一款药物发现软件 Watson for Drug Discovery，它是一个新的云端平台，旨在帮助生命科学家发现新的药物靶点和替代性的药物的适应症。利用它的 NLP、机器学习和深度学习能力，已经阅读了 2,500 万份 Medline 上的论文摘要，一百多万篇医学杂志文章的全文及 400 万份专利文件，而且所有资料都会定期更新（而研究员每年平均只能阅读 300 篇左右的医学论文）。这可以较好地帮助科学家发现新联系，并揭示那些隐藏较深的联系，更快地发现靶点。2016 年 12 月，IBM Watson Health 与辉瑞达成合作协议，辉瑞将使用 Watson 分析大量的异构数据，共同致力于癌症药物研发。AccutarBio（冰洲石科技）2016 年，AccutarBio 自主研发的药物数据人工智能平台，已经完成了基于十几万晶体学数据的学习运算，搜寻能够与化合物相结合的靶点，为先导化合物的筛选与合成奠定基础。通过该平台可以将靶点发现耗费的时间可能从数年降低至几月、几天甚至几个小时，为药物发现带来突破性进展。截止目前，AccutarBio 已完成两轮共计 1500 万美元的融资，投资方包括真格基金、IDG 资本和依图科技。应用场景二：化合物合成 化合物合成主要通过分析小分子化合物的药物特性，包括与靶点结合的能力、药物动力学、药物代谢学等等，挖掘药物活性、药效较好的化合物，然后按照特定路径进行合成设计。在该环节，药物学家和化学家会对数千万种化合物依次进行计算机模拟实验，需要耗费几年时间才能找到活性较好的化合物进行合成，成本通常在上百亿美元。而人工智能利用其机器学习和深度学习的能力，模拟小分子化合物的药物特性，能够在数周内挑选出最佳的模拟化合物进行合成实验，而且能够将每个化合物的测试成本控制在 0.01 美分，大幅降低了化合物合成的成本。深度智耀 2018 年 7 月，深度智耀对外宣布内部代号为“菩提”的人工智能药物合成系统，其通 过大量学习公开的专利和论文数据库，能够协助化学家进行化合物合成，即化学家只需要输入一个化学结构式，“菩提”系统就能在瞬间推送出数条优化的合成路线供其选择，而且还包括部分通过人工分析无法获得的高质量合成路线，该系统能够将化合物合成环节的效率提高 50%以上。除了“菩提”人工智能药物合成系统外，公司还开发了 AI 药物安全警戒系统、AI 注册递交系统、AI 翻译平台以及 AI 上市后平台来辅助药企加快新药研发，公司已经为全球 20 多家药企客户服务。目前，公司已获得真格基金数百万美元的 Pre-A 轮融资。应用场景三：化合物筛选 每一种药物作用的靶向蛋白和受体并不专一，如果作用于非靶向蛋白和受体就会引起副作用。对于尚未进入动物实验和人体试验阶段的新药，需要提前对其安全性和副作用进行检测判断，已筛选出安全性较高的药物。目前，主要采用高通量筛选方式进行化合物筛选，在同一时间由机器人进行数以百万计的试验，其筛选成本该打数百亿美元。而人工智能可以从两方面切入化合物筛选场景，一是利用深度学习和计算能力开发虚拟筛选技术以取代高通量筛选，二是利用图像识别技术优化高通量筛选过程。这样，每年可以节约 260 亿美元的化合物筛选费用。Insilico Medicine Insilico Medicine 公司使用其独有的生成对抗网络（GAN）和强化学习（RL）等新型算法来加快化合物的筛选进程，采用先进的端对端技术，对化合物的活性、安全性等方面进行分析对比，以筛选出最佳的临床前候选药物分子，为进入临床研究做准备。公司在 2018 年 6 月与药明康德达成战略合作，利用其人工智能生成的新药研发管线在药明康德新药研发服务平台上进行测试，以期筛选出理想的临床前药物候选分子。应用场景四：晶型预测 小分子晶型不同，药物稳定性和溶解度就不同，因此，稳定的晶型结构关系到药品质量，特别是对于已上市药品，如果发生转晶现象，将会给药企带来灾难性的损失。而小分子存在多晶型现象，人工进行晶型预测除了需要耗费大量时间进行试验尝试，而且获得稳定晶型的可能性很低。人工智能依靠深度学习和认知计算，处理大量的临床试验数据，能在几小时甚至几分钟内找到药效最好的晶型结构。晶泰科技 晶泰科技开发的“药物固相筛选与分析系统”是基于人工智能的深度学习和认知计算能力，能够在短时间内通过对医学文献、临床试验数据等非结构化数据进行处理、学习和计算，预测各种晶型在稳定性、熔点、溶解度、溶出速率等方面的差异，以及由此而导致在临床过程中出现的毒副作用与安全性问题，在短时间内筛选出稳定性和溶解度最佳的晶型结构。2018 年 5 月 9 日，晶泰科技与辉瑞制药签订战略研发合作协议，辉瑞将借助晶泰科技的人工智能技术，建立小分子模拟算法平台，驱动小分子药物创新。目前，晶泰科技已完成 B 轮融资，累计融资总额达到 2030 万美元。应用场景五：患者招募 新药在进入审批前，需要进行 3 个阶段的临床试验，找到合适的患者是临床试验得以开展的前提和基础。试验管理人员需要从海量的病例中找出那些符合药物试验的患者，并且通知受试者，该过程需要大量的时间去筛选病历。而人工智能依靠深度学习能力，能够从海量的临床试验的数据中提取相关信息，将试验结果与病人情况进行自动配对，提高精准匹配效率，在较短时间内完成试验招募入组工作。零氪科技 零氪科技研发的精准临床招募系统Link Recruitment，基于国内最大规模的医疗大数据资源库，能够快速完成在临床试验文件里提取相关数据，评估出病人到底适合哪一种治疗方法，并自动上传相关患者病历与临床试验数据库登记的相关试验进行实时精准匹配和进行动态更新，实时通知受试者及时参加相关试验。应用场景六：优化临床试验设计 药物临床研究阶段包括试验方案设计、试验流程管理、试验数据管理统计分析等内容，如果仅仅依靠人工，不仅工作量大，而且容易出错。人工智能具备的机器学习和认知计算能力，能够广泛应用到试验研究设计、试验流程管理、试验数据统计分析等各个环节，提升整个临床试验的效率。Trials.ai Trials.ai 开发的临床试验管理系统整合了协议设计、流程监控、风险报警、数据分析、用药依从性等功能，能够实现对整个临床试验的全流程管理。应用场景七：药物重定向 老药新用是目前寻找药物的常用方式，他的实现方式是将市面上已曝光的药物及人身上的 1 万多个靶点进行了交叉研究及匹配。依靠人工智能强大的自然语言处理能力和深度学习能力，从散乱无章的海量信息中，提取出能够推动药物研发的知识和新的可以被验证的假说，将给试验的速度带来指数级的提升。据推测，人工智能在药物重定向环节的应用，有望将药物研发成本降至 3 亿美元甚至更低，研发周期也缩短至 6.5 年。BenevolentAI BenevolentAI 公司推出的 JACS 人工智能系统，凭借其自然语言处理能力和深度学习能力，在短时间内能够集中处理大量的非结构化数据，包括疾病数据、药物数据、试验数据等等，并发现他们之间的新联系，找到药物的新适应症，实现药物重定向，帮助科学家发现药物更有价值的适应症。2014 年 6 月，BenevolentAI 宣布与一家美国的制药公司达成合作，并将两款经过新适应症（阿尔茨海默氏症）验证的新药卖给这家美国公司，这两款药物处在中标候选化合物评估阶段，此次交易高达 8 亿美。2017 年 5 月，BenevolentAI 对一款名为 bavisant 的临床试验失败药物进行重定向分析，发现其对帕金森患者日间过渡嗜睡症状具有较好的治疗效果。2.2.3 拓展能力外延，医疗人工智能产品逐渐落地 医疗人工智能技术不仅仅在治疗环节得到了应用同样服务于诊前导诊、诊中把控、诊后监测等大健康行为范畴中。导航机器人 随着智能机器人技术和医疗的结合，智能导诊机器人成为医院的一道新的风景线。导诊机器人属于服务类机器人，它们主要通过语音输入进行服务指导，可以应用于火车站、机场、餐厅、景点等多种场景，只是各自后台的知识库不一样。服务类机器人市场刚开始起步，2016 年我国服务类机器人的市场销售额是 10.3 亿美元。医疗导诊类服务机器人主要是通过患者的语音输入进行语义分析，然后给出医院的分诊和导诊建议，节约人力，方便患者。更先进的导诊机器人还能通过传感器收集患者的生命体征信息，给出更准确的建议。服务类机器人主要用于取代重复和简单的人力工作，大部分市场还处于空白状态。而且通过搭载医学相关知识体系，还可能用于家庭等服务场景。相比较而言，导诊类服务机器人和家庭用医疗服务机器人是研究的热点，创新度较高。目前各类人工智能导诊机器人已经开始在 临床决策支持系统 惠每临床决策支持系统（CDSS）又名 Dr.Mayson。该系统是基于梅奥知识体系，利用深度学习、自然语言处理技术设计研发的以临床为核心的医疗人工智能解决方案，能够应用在门诊、急诊、问诊、住院、全科等各医疗环节。截至目前，惠每医疗 AI 已服务于近三十家三甲医院，包括浙江大学附属第一医院、浙江大学医学院附属第二医院、首都医科大学宣武医院等，并助力河南省人民医院、黄石市中心医院、建德市第一人民医院，首都儿科研究所附属儿童医院、杭州省第一人民医院通过电子病历系统功能应用水平分级评价五级医院，使医院在各个医疗环节实现的基于梅奥知识库的全面决策支持，提升信息标准化和数据质量，实现临床管理智能化全面升级。目前惠每医疗 AI 系统 诊断准确率达到 93.6%，中文病历文本识别结果最佳 F1 值 92%。2 2.3 3 医生评价：医生评价：医疗人工智能产品医疗人工智能产品是个好帮手是个好帮手 我们对多名深度使用肺结节筛查、糖网筛查的医生的进行了访谈，他们对于人工智能产品提出了以下几个观点：1、对人工智能的精确性不抱特别高的希冀，不出现漏诊是最重要的诉求。2、医疗人工智能产品能够快速完成大量病患检查，且报告结构化较好，能够短时间内出文章。3、人工智能产品能够给自己节省一些时间，但对人工智能产品的到来没有严重的危机感也没有强烈的需求。以上观点反映出现阶段人工智能产品能够帮助到医生，但是对于医疗环节的改造还不是颠覆式创新，与医生的相处更多是维持原有法度下的共生。以下是几位在不同时间点接触到医疗人工智能产品的医生对一款人工智能肺结节产品医生的使用感受和建议，也一定程度上反应了一部分医生对人工智能产品从怀疑到接受，最后实现人机相互帮助的过程。医生使用人工智能产品不同时期感受 图：医生使用人工智能产品不同时期感受，蛋壳研究院 三三 人工智能研发管线人工智能研发管线及策略分析及策略分析 3.13.1 人工智能企业人工智能企业在研管线分析在研管线分析：再出发，扩展能力圈，加深护城河：再出发，扩展能力圈，加深护城河 动脉网蛋壳研究院通过调研、走访，统计了部分人工智能企业在研管线及研发进展，隐去具体企业名称，获得这份中国人工智能企业管线摘录，向大家展示未来半年到2 年将要面世的人工智能产品，分析人工智能企业的布局思路，判断人工智能市场的发展趋势。中国医疗人工智能企业研发管线摘录 产品名称 研发进展 针对疾病/应用 阅片机器人 智能交互模块测试 心血管、脑肿瘤 阅片机器人 影像智能分析引擎调试 肝胆疾病、肝癌 阅片机器人 系统综合调试 PET-CT 影像辅助诊断 阅片机器人 病程追踪，变化量化分析模型的临床测试 呼吸系统疾病 医学影像 AI 质控技术 研发中 针对 CT 影像检查中的质控进行 AI 监测 眼底视网膜 正在产品化 糖尿病视网膜眼底病变 颜面部疾病 AI 识别技术 研发中 针对常见面部的皮肤疾病的 AI 识别 血液循证组学项目 血液 消化内镜 AI 判定技术及 AI 判定设备 研发完成，前期成果已发布 常见几大类共计 100 多种消化道疾病 手术机器人 研发中 外科 手术规划 已完工 外科 手术导航 已完工 外科 神经影像平台 正在探索脑 MRI 影像 2D 3D 展示；多模态多病种脑结构embedding 学习，用于拓展神经领域的影像数据处理能力；脑卒中、脑胶质瘤、各类神经退行性疾病 神经科学知识图谱 相关疾病、用药、蛋白质信息收集中，未来用于神经领域的深度数据处理、产品研发等；各种神经类疾病 厦门市人工智能医疗 AI 中心 平台 人体解剖教育 已完工 外科 青光眼筛查 后期通过内测 青光眼/各级医疗机构 前列腺筛查(Prostate-Sight)科研项目合作中 前列腺 CT 图像三维重建 膀胱癌早期筛查 科研项目合作中 膀胱细胞病理特征识别 脑卒中早筛与管理系统 中枢神经疾病 脑卒中筛查 中后期内测中 脑卒中风险预测/各级医疗机构 肋骨骨折筛查(Rib-Sight)完成方案，即将产品化 肋骨骨折识别及定位 基于人工智能肺部小结节辅助诊断及肺癌诊疗辅助决策系统临床应用的数据平台建设 已在临床医院落地 肺癌 基于 AI 创新性产品 研发中 医院管理 肌电图波形稳定性判别软件 模型开发与测试 判断肌电图质量 黄斑病筛查 中后期内测中 黄斑疾病/各级医疗机构 肝部病灶智能诊断软件 模型开发与测试 肝部病灶 腹盆部危及器官自动勾画系统 50%腹盆部肿瘤放射治疗 辅助治疗系统 肺癌 V1.0 版本上线内测；乳腺癌 V1.0 版本研发中；肺癌、乳腺癌 肺结核病理 科研项目合作中 肺结核病理特征识别 肺部肿瘤计算机辅助诊断软件 已在临床医院落地 肺部肿瘤 肺癌病理 科研项目合作中 肺癌病理细胞识别 癫痫人工智能检测及定位 临床手术 病理组织学 AI 诊断 技术路径开发已完成，年内落地胃癌和乳腺癌 恶性肿瘤病理细胞学早期智能筛查、精准诊断和远程诊断及术中快速病理诊断 鼻咽癌勾勒 科研项目合作中 鼻咽癌放疗靶区勾勒 白内障筛查 后期通过内测 白内障/各级医疗机构 阿尔茨海默病分子影像学的人工智能工具研发 中枢神经疾病 MFOR 数据平台 已实现数据结构化、标准化的人工协作及同步的人工智能模型训练体系；正在进行数据管理、统计分析、数据挖掘的人工智能辅助与同步训练模型研究；数据结构化、标准化专业人工支持及 AI 训练。MFOR 数据平台 已实现数据结构化、标准化的人工协作及同步的人工智能模型训练体系；正在进行数据管理、统计分析、数据挖掘的人工智能辅助与同步训练模型研究；数据结构化、标准化专业人工支持及 AI 训练。GeniusMKT 研发中 智能营销 GeniusAIDE 研发中 智能助理 肝脏 CT 智能诊断系统 放射科，临床科室，以及独立影像中心。结节、肝硬化、脂肪肝等 图：人工智能企业研发管线摘录，蛋壳研究院 以上是我们隐去具体公司名称的医疗人工智能企业在研管线名单，可以清晰的看到这些在研项目相对于前文中提到的现有产品线，大部分是在现有产品线基础上的深入和扩展。由于疾病的复杂性，临床上针对同一种疾病往往需要不同的诊断手段。也存在不同疾病可以使用同一种诊断手段。所以从 AI 应用实践角度，有两种切入思路。从疾病的角度入手，比如围绕乳腺癌诊断的钼靶、超声、MRI 形成诊断乳腺癌的一套 AI 方案。另一个角度从诊断手段入手，比如基于 CT 可以诊断肺部、肝部、脑部等多种疾病。这一类产品线的思路大多为疾病部位的平移和同类疾病的延伸。另一个研发方向便是拓展人工智能的应用边界，跳脱出固有的医疗思维，以商业思维去考察医疗思维，将人工智能应用到医疗中的营销、患者招募&管理等环节。3.2 3.2 人工智能企业布局策略研究人工智能企业布局策略研究 了解到上述人工智能企业的产品线布局和围绕大医院发展的商业化思路，我们判断人工智能市场将有以下两个趋势：AI 在医疗中的应用越来越广泛，尤其是医学影像辅助诊断系统，已经覆盖多种常见癌种的筛查，产品本身也已经可以嵌入医生的工作流程。在医疗 AI 产品落地试用的过程中，基层医院和医生将是最大的受益者。初期，AI 刚应用于医学影像领域，医生群体的接受度还不高，有些人还持怀疑、抵触的态度，但随着 AI 临床表现不断提升、医生 AI 研究学术上不断有高质量成果产出、加之大环境的影响，将有越来越多的医生由被动转为主动拥抱 AI。围绕核心医院进行产品研发、验证，头部人工智能企业已经完成首代产品的建立，信息化程度低，资金和专业放射科医生短缺，是阻碍基层医院发展的重要因素，远程、互联互通和人工智能，能在一定程度上缓解这些难题。这便是我们判断下一阶段基层医疗将是本轮人工智能浪潮的最大受益者和主战场的逻辑，优秀的人工智能企业带着优质的人工智能产品去基层拼杀吧，那里将是你们的神殿。人工智能四项关键技术：视觉、语音、语言、认知能