导语

在医疗行业中，已成熟应用以及正在尝试、计划应用人工智能技术的占比已达78.5%。同时，有76.39%的人认为人工智能技术将会在医疗行业广泛应用。对此，我们从人才、技术、应用、资本四个维度进行人工智能+医疗市场发展现状分析。

AlphaGo战胜“围棋天才”柯洁，机器人Al-Maths 22 分钟内完成了文科数学北京卷，人工智能一次又一次冲击着人们的想象力。在《人工智能人才数据报告》中显示，北美地区去年人工智能开发的相关职位需求约有10万，而人才市场只有3万名开发者，供求严重失衡。这一现象直接导致全球科技巨头纷纷加入人工智能人才争夺战之中。而在国内，人工智能领域的专业人才供求失衡更严重，供求比例接近1比10。国内企业百度、腾讯、滴滴等以设立研究院的形式，杀入美国高科技中心硅谷，与谷歌、亚马逊、微软等企业掀起人才的激烈争夺战。随着全球各大互联网巨头纷纷推出自己的人工智能产品和技术，2017年也被称为人工智能发展的拐点。

基于此背景环境下，HC3i中国数字医疗网秉持专注、专业的态度组织开展了2016-2017年度人工智能+医疗市场分析及趋势报告的调研活动，收集了千余份医疗行业相关用户的问卷反馈，洞察人工智能+医疗市场发展的现状，解析人工智能+医疗的发展趋势。

样本统计：本次调查问卷回收样本数量达到5693份，有效样本5465份，有效率达95.9%。本次样本对象包含了61.34%医院用户，33.1%从事与人工智能+医疗领域相关的企业用户，以及5.56%的资本方用户。

第一章 人工智能发展历程

两年前比尔·盖茨在一次活动中被问到这样一个问题，“如果微软没有取得今天的成功，你会做什么?”盖茨的回答是：“我可能会从事人工智能技术的研究工作”。

“人工智能”（Artificaial Inetlligence）一词最初是在1956年Dartmouth学会上被提出，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。但是在其还不长的历史中，人工智能的发展比预想的要慢，但脚步始终在前进。

1.1 人工智能发展五大阶段：

第一阶段：计算机时代。1941年电子计算机的出现使信息存储和处理的各个方面都发生了巨大变革。1949年具有存储程序的计算机经过改进简化了输入程序，而且计算机理论的发展产生了计算机科学，并最终促使了人工智能的出现。计算机通过电子方式处理数据这一发明，为人工智能的可能实现提供了一种媒介。

第二阶段：逻辑时代。计算机为人工智能提供了必要的技术基础，但直到50年代早期人们才注意到人类智能与机器之间的联系。1955年末，Newell和Simon做了一个名为“逻辑专家”（Logic Theorist）的程序，而这个程序被很多人认为是第一个AI程序。它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一支脉来求解问题。“逻辑专家”对公众和AI研究领域产生的影响使它成为AI发展中的一个重要的里程碑。在1956年，人工智能之父John McCarthy组织了Dartmouth学会，聚集了AI的创立者们，为以后的AI研究奠定了基础。

第三阶段：系统时代。AI研究开始快速发展，Carnegie Mellon大学和MIT开始组建AI研究中心，研究面临着新的挑战：一是，需要建立能够更有效解决问题的系统；二是，建立自我学习的系统。1958年，McCarthy宣布了新的成果：LISP语言。“LISP”的意思是“表处理”（ListProcessing）。1963年MIT从美国政府申请到一笔220万美元的资助，用于研究机器辅助识别。

第四阶段：计算时代。在MIT由Marvin Minsky领导的研究人员发现，面对小规模的对象，计算机程序可以解决空间和逻辑问题。在60年代末出现的“STUDENT”可以解决代数问题。70年代的专家系统，可以预测在一定条件下某种解的概率。由于当时计算机已拥有巨大容量，专家系统有可能从数据中得出规律。同时，类似注明的Minsky的构造理、DavidMarr提出的机器视觉方面的新理论，以及PROLOGE语言。80年代，AI前进更为迅速，进入到了计算时代。

第五阶段：融合时代。从人们开始感受到计算机和人工智能技术的影像，计算机技术不再只属于实验室中的一小群研究人员。各行各业都开展了基于计算机技术之上的人工智能技术的研发和探索。AI技术简化了医疗、教育、交通等行业的规则，同时，他们对人工智能相关技术更大的需求促使新的进步不断出现。人工智能已经并且将继续不可避免的改变我们的生活。

1.2 促进人工智能领域革命的五大因素：

(1)机器学习machine learning的成熟，主要由云计算资源、大范围互联网数据收集驱动。

(2)深度学习deep learning——一种适应性人工神经网络形式，通过back propagation反向传播的方法来训练，大力推动机器学习。

(3)基础操作的硬件技术重大进步，如感应、感知、目标识别等。

(4)数据导向产品的新平台和市场、寻找新产品和市场的利益驱动。

(5)有供给、有需求的市场。

第二章 人工智能+医疗发展

随着图像识别、深度学习、神经网络等关键技术的突破带动了人工智能新一轮的大发展。人工智能+医疗属于人工智能应用层面范畴，泛指将人工智能及相关技术应用在医疗领域。与互联网的不同，人工智能对医疗领域的改造是颠覆性的。从变革层面讲，人工智能是从生产力层面对传统医疗行业进行变革；从形式上讲，人工智能应用在医疗领域是一种技术创新；从改造的领域来讲，人工智能改造的是医疗领域的供给端；从驱动力来讲，人工智能主要是技术驱动，尤其是底层技术的驱动；从创新的性质而言，人工智能属于重大创新；从对市场影响而言，人工智能带来的是增量市场，且随着智能程度不断提升，理论上潜在的市场空间无限。

2.1 人工智能+医疗领域发展史：

2016年2月，谷歌DeepMind公布成立DeepMind Health部门，与英国国家健康体系（NHS）合作，帮助他们辅助决策或者提高效率缩短时间。在与皇家自由医院的合作试点中，DeepMind Health开发了名为Streams的软件。这一软件用于血液测试的AKI报警平台，帮助临床医生更快地查看医疗结果。

5月，“人工智能”首次出现在“十三五”规划草案中，5月底，发改委高技术产业司正式印发《互联网+人工智能三年行动实施方案》，明确了人工智能的总体思路、目标与主要任务。

6月，IBM Watson联手XPRIZE设立500万美元人工智能基金项目，力促人工智能发展。

7月，谷歌DeepMind 与 NHS（英国国家医疗服务体系）再次合作，同 Moorfields 眼科医院一起开发辨识视觉疾病的机器学习系统。通过一张眼部扫描图，该系统能够辨识出视觉疾病的早期症状，达到提前预防视觉疾病的目的。

9月20日，IBM公司和美国麻省理工学院（MIT）宣布，将联合创建“激发大脑多媒体机器理解实验室（BM3C）”,旨在使人工智能可以像人一样看和听。

9月28日，Facebook、Amazon、谷歌Alphabet、IBM和微软自发聚集在一起，宣布缔结新的人工智能（AI）伙伴关系，旨在进行研究和推广人工智能。

10月21日，世界机器人大会在北京亦创国际会展中心开幕，25日圆满落幕，此次大会有几个人工智能医疗产品令人难忘，代表作是“变形金刚”胶囊，吞下后短短一分钟就在胃里完成变身，锁定病灶，拍照，回传。

可见，2016年既是人工智能的黄金时代，同时也是人工智能+医疗的黄金时代。而2017年被称为人工智能发展的拐点，而这一拐点的标志之一就是人工智能技术的加速产品化。

“长远来看是设备将消失，计算将从移动优先进化到人工智能优先。”

第三章 人工智能+医疗市场发展现状分析

通过问卷调查反馈的数据显示，在医疗行业中，已成熟应用以及正在尝试、计划应用人工智能技术的占比已达78.5%。同时，有76.39%的人认为人工智能技术将会在医疗行业广泛应用。对此，我们从人才、技术、应用、资本四个维度进行人工智能+医疗市场发展现状分析。

3.1 人才

全世界都需要优秀的人工智能人才，以进一步释放机器计算和机器学习技术的巨大潜能。目前拥有人工智能相关专业人才数量最多的十个国家依次为：美国、英国、印度、加拿大、法国、荷兰、德国、西班牙、巴西、中国。

从中美人工智能人才的从业年限构成比例上看，美国拥有10年以上经验的人工智能人才比例接近50%，而我国十年以上经验的人才比率只有不到25%。然而，美国5年以下经验的人才比例约为28%，而我国的这一数字比率超过了40%。尽管我国人工智能专业人才总量较美国和欧洲发达国家来说还较少，10年以上资深人才尚缺乏。可见，在我国，人工智能领域的专业人才供求失衡严重，供求比例接近1比10。国内企业百度、腾讯、滴滴等以设立研究院的形式，杀入美国高科技中心硅谷，与谷歌、亚马逊、微软等企业掀起人才的激烈争夺战。

而在医疗行业，既懂人工智能又懂医疗的人才更是稀缺，基于此背景下，我国加强对人工智能专业人才的重视程度，国家发改委、科技部等四部委去年联合发布《“互联网+”人工智能三年行动实施方案》，并将“人工智能”首次纳入到中国政府工作报告中。从人才从业年限结构分布上来看，我国新一代人工智能人才比例较高，人才培养和发展空间广阔。

3.2 技术

据调查数据显示，61.11%的人认为人工智能在医疗行业的主要发展机遇是技术的增长速度快于其应用速度。

高效的算法、充足的数据和计算能力是人工智能发展的三个必要条件。

算法。就应用层面而言，中国的算法发展程度与其他国家并无太大差距。事实上，中国在语音识别和定向广告的人工智能算法上取得了突破进展。而全球的开源平台也使得中国企业能够快速地复制其他地区开发的先进算法。但是，目前中国的研究人员在基础算法研发领域仍远远落后于英美同行。需要中国的大学教育对学生提出更高的数学和统计学要求，并且集中资源发展该领域全球前沿研究，人工智能的发展必将受益匪浅。另一个值得思考的方向是改进现有的科研经费分配模式来推进创新。

数据。人工智能系统必须通过大量的数据来“训练”自己，才能不断提升输出结果的质量。中国的医疗数据并不匮乏，但是有效的医疗数据仍旧“捉襟见肘”，这让机器学习上困难重重。

数据领域的三大因素可能会影响中国人工智能的发展：一是，尽管能够通过专有平台获得海量数据，但在创建一个标准统一、跨平台分享的数据友好型生态系统方面，中国仍落后于美国。二是，全球各国都已意识到开放政府数据库有助于促进私营领域创新，但中国政府数据的开放度仍极为有限。三是，对跨境数据流通的限制也使得中国在全球合作中处于不利地位。

计算能力。高运算速度的计算技术是发展尖端人工智能技术的重中之重，而其耗能水平则决定着人工智能解决方案能否实现大规模商业化。计算能力是人工智能的基础设施之一，因此具有极高的战略意义。

3.3 应用

人工智能对于医疗健康领域中的应用已经非常广泛，从应用场景来看主要分成了语音识别、医学影像、药物挖掘、营养学、生物技术、急救室管理、医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共12个领域。

3.3.1 语音识别：人工智能可以诊断疾病。

通过语音识别和疾病数据分析，可实现机器诊断疾病。医疗是一个更垂直，专业度更高的领域，有很多专业术语和专业技能需要我们去学习。而这就需要大量的医疗专业词汇库的积累。人工智能诊断疾病可更准确、更快捷、更安全，以及更便宜的实现病患处理。

3.3.2 医学影像：帮助和教会医生看胶片

医学影像与人工智能的结合，是数字医疗领域较新的分支，而且是数字医疗产业的热点。医学影像包含了海量的数据，即使有经验的医生有时也显得无所适从。医学影像的解读需要长时间专业经验的积累，放射科医生的培养周期相对较长，而人工智能在对图像的检测效率和精度两个方面，都可以做得比专业医生更快，还可以减少人为操作的误判率。

3.3.3 药物挖掘：大幅度降低药物研发成本

药物的发现和筛选经历了三个阶段：

第一个阶段是1930年～1960年之间的随机筛选药物阶段。随机筛选药物的典型代表就是利用细菌培养法从自然资源中筛选抗菌素。

第二个阶段是1970年～2000年可以使用高吞吐量的靶向筛选大型化学库。组合化学的出现改变了人类获取新化合物的方式，人们可以通过较少的步骤在短时间内同时合成大量化合物，在这样的背景下高通量筛选的技术应运而生。高通量筛选技术可以在短时间内对大量候选化合物完成筛选，经过发展，已经成为比较成熟的技术，不仅仅应用于对组合化学库的化合物筛选，还更多地应用于对现有化合物库的筛选。

第三个阶段是现在，虚拟药物筛选阶段，将药物筛选的过程在计算机上模拟，对化合物可能的活性作出预测，进而对比较有可能成为药物的化合物进行有针对性的实体体筛选，从而可以极大地减少药物开发成本。在医药领域，最早利用计算机技术和人工智能并且进展较大的就是在药物挖掘上，如研发新药、老药新用、药物筛选、预测药物副作用、药物跟踪研究等，均起到了积极作用。这实际上已经产生了一门新学科，即药物临床研究的计算机仿真(CTS)。

3.3.4 营养监督：管理我们的健康

在我国，进入小康社会之后，人们的生活水平大幅度上升，上层中产阶级的数量从2002年的330万上升到2012年的3584万，大众中产阶级从1155万上升到1.38亿。这些人群对食品的营养有更高的要求，不仅仅是为了吃饱，而是为了身体健康能够吃好。合理的膳食搭配以及更安全的有机食品需求成为新的食品产业增长点，急需新技术推动行业变革。

通过分析标准化饮食的结果，研究者发现即便食用同样的食品，不同人的反应依然存在巨大差异。这表明，过去通过经验得出的“推荐营养摄入”从根本上就有“漏洞”。接下来，研究者开发了一套“机器学习”算法，分析学习血样、肠道菌群特征与餐后血糖水平之间的关联，并尝试用标准化食品进行血糖预测。葡萄糖是人类细胞最主要的能量来源，血糖异常会导致多项重要疾病。可以说，血糖管理是精准营养的基石。机器学习算法可以给出了更精准的营养学建议。

3.4 资本

据数据显示，全球AI风投已经从2012年的5.89亿美元，猛增至2016年的50多亿美元。预计到2025年，人工智能应用市场总值将达到1270亿美元。其中，医疗行业将占市场规模的五分之一。在2017年仅第一季度就有30多家人工智能企业获得融资，落实到具体行业中，医疗健康领域的人工智能创业公司表现尤为突出，关注度和融资量最高。

从融资轮次来看，大部分医疗人工智能企业都处在A轮以前，最多也就是到B轮，几家上市企业是将人工智能技术应用在医疗而不是依靠人工智能技术发家的。2016年中国人工智能+医疗市场规模达到96.61亿元，增长率为37.9％，中国人工智能+医疗市场规模在持续增长，2017年将超130亿元，增长40.7％，有望在2018年市场规模达到200亿元。

近年来，随着移动互联、物联网等新兴技术的快速发展，由不同终端设备产生出的数据量愈加庞大，据相关机构预测，在2020年大数据量将上涨至44ZB。据了解，这些数据有高达80%都是来源于文本、图像、视频等非结构化数据，但是由于技术瓶颈，现有的IT系统无法识别这些非结构化数据，因此，这些数据就犹如“垃圾”，变得毫无价值。而基于人工智能的认知技术则是大数据时代的必然产物，不但能够识别大量的非结构化数据，更可以提供数据洞察。认知计算能够理解各种形式的非结构化数据，由此生成数据洞察，助力企业快速从复杂的海量数据中获得洞察，并做出更为精准的商业决策。而在医疗领域，产生了大量的数据，而这些数据也几乎是非结构数据。事实上，国内外已经有一些高科技企业将这些认知计算和深度学习等先进技术用于医疗影像领域。

从投资角度来讲，医疗领域的人工智能应用最具价值。在一些垂直领域，人工智能的应用最容易获得成功，或者说能够实现产业化。因为一些垂直领域相对来说数据量比较小，所以机器深度学习能够做的用户体验比较好。

第四章 人工智能+医疗市场发展痛点分析

4.1 人工智能的发展依然面临三大难题

一是数据流通和协同化感知有待提升。

基础设施层的仿人体五感的各类传感器缺乏高集成度、统一感知协调的中控系统，对于各个传感器获得的多源数据无法进行一体化的采集、加工和分析。未来突破点将发生在软件集成环节和类脑芯片环节。一方面软件集成作为人工智能的核心，算法的发展将决定着计算性能的提升。另一方面，针对人工智能算法设计类脑化的芯片将成为重要突破点。

二是人工智能尚未实现关键技术突破。

在技术研发层，目前取得的进度依然属于初级阶段，对于更高层次的人工意识、情绪感知环节还没有明显的突破。未来突破点将发生在脑科学研究领域。要对真正的分析理解能力进一步地研发，从大脑的进化演进、全身协调控制等领域实现。

三是智能硬件平台易用性和自主化存在差距。

应用层的智能硬件平台，服务机器人的智能水平、感知系统和对不同环境的适应能力受制于人工智能初级发展水平，短期内难以有接近人的推理学习和分析能力，难以具备接近人的判断力。未来突破点将出现在智能无人设备领域。

4.2 人工智能+医疗行业存在“五大难题”：

一、监管问题。目前对于人工智能健康医疗大数据和算法的使用监管，我国的法规较美国、英国、澳大利亚等国家而言，还有一些差距需要补足，既要利用好后发优势，又要确保患者安全。

二、观念问题。医疗是一个太不容轻忽的领域，人工智能带我们走向的又是一个既让人神往又畏惧的未来。

三、技术问题。市场中的应用技术不成熟，产品呈现鸡肋状态，缺乏独立研发的动力。

四、安全问题。在技术研发的同时缺少标准的安全评估体系。

五、割裂问题。各家独自研究，缺乏交流和适当的思想碰撞。

第五章 人工智能+医疗市场发展趋势分析

人工智能产业发展在未来将呈现出四大趋势：一是新一轮的开源化浪潮将成为人才争夺的主战场;二是语音识别领域将快速实现商业化部署;三是人工智能产业将与智慧城市建设协同发展;四是中国人工智能应用将在服务机器人领域迎来突破。

而医疗人工智能的中国时代已经到来。

这一判断是基于三个方面，第一，人工智能+医学的应用基础和环境。中国人口基数大，医疗资源分布不足，让人工智能医疗落地应用成为一种刚需；第二，人工智能在各领域的技术积累达到了一个爆破点。从技术层面看，它可以为医疗人工智能落地化产生强大的助推作用；第三，国家政策红利。从2013年到2017年，国务院、发改委、FAD连续发文，多次提及医疗影像走智能化、云化的趋势，为推动智能医疗领域保驾护航。

基于利好大背景环境下，人工智能+医疗市场也将愈发成熟，以下预测人工智能+医疗“三大应用”发展趋势。

可穿戴设备。作为健康数据的采集基础，可穿戴设备可以说是作为人工智能的先锋来到大众视野。但是由于数据的准确性、标准化等诸多因素成为了“鸡肋”产品。而随着人工智能技术的快速发展，以及对医疗数据的采集及应用情况的完善，伴随着物联网大环境的促进下，可穿戴设备也将再次发力，为人们的健康保驾护航。

语音识别。有效缓解医院三大明显的痛点：效率、安全、数据。因为病历书写工作量大，很多医生写病例的时候就选择复制粘贴的方式，夸张的有些把左右腿都搞混，这种的结果就造成了医院误诊率提高，甚至出现医疗事故，安全问题不容忽视。语音识别能够很好的与现有电子病历系统相结合，在记录每个病人病情时，通过语音录入的方式极大的提高了效率。将医生从机械的文案录入工作中解放出来，提升就诊效率和患者体验度。

影像识别。智能医学影像是将人工智能技术应用在医学影像的诊断上。人工智能在医学影像应用主要分为两部分： 一是图像识别，应用于感知环节，其主要目的是将影像进行分析，获取一些有意义的信息;二是深度学习，应用于学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握诊断能力。以肺结节为例，人工智能可以降低漏率，并且可以识别多种肺部结节，比如磨玻璃结节、血管旁小结节、微小结节、多发小结节等认为比较难判定的结节。

可见，人工智能+医疗市场发展前景广阔，拥有更大的空间需继续挖掘。人工智能已经在60年的发展中迎来了三次热潮，也经历了两次寒冬。前两次中国都没能参与其中。这一次热潮来袭，对于中国来讲，把握住人工智能+医疗这场热潮中的“风口”，将是一次弯道超车的好机会。