355
新冠肺炎疫情深刻改变着世界医疗健康行业，而人工智能和医疗行业的融合则为医疗技术的创新和进步提供新的动力。
在全国各地AI+医疗行业政策的大力扶持下，AI+医疗相关市场也迎来了一波爆发增长期。
AI+医疗算法生态成熟+应用广泛
有人将人工智能在医疗上的运用，比作是医生的另一个大脑，而且是对数据的储存处理传输能力更强的大脑。
有了它，就能为群众提供更加智慧的服务，也能提升医生的工作效率，有助于缓解当前优质医疗资源紧缺的问题。
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。
在全球联合抗击疫情的大背景下，人工智能与医疗产业也进行了快速的融合，AI+医疗产品开始延伸到更多不同的医疗服务应用场景当中，并不断的发展落地。
目前相对成熟的应用场景主要有：AI+医疗影像、AI+辅助诊断、AI+新药研发、以及AI+健康管理等。
政府高度重视+持续释放红利
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。
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+医疗市场将进入快速成长期
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。
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%。
2020年加之疫情的影响，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。
从2020年到2022年，包含CDSS、AI+辅助检查以及智慧病案等在内的核心医疗软件服务市场规模，其整体的CAGR（复合年均增长率）将达到51.9%；并预计将在2022年超过70亿美元的总值。
基础层技术层已布局完备
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：
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，中、短期内市场格局不会改变；
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；
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+医疗本质上可以创造出新的医疗资源供给市场，帮助我国解决医疗资源供给不足这个痛点。
凭借其出色的算法和大数据分析，不断渗透到相关服务平台的数据资源层和技术应用层。
同时，打通各个服务端口的数据壁垒，降低整体医疗成本，并实现在医学影像、辅助诊疗、健康管理、新药研发、疾病预测、虚拟助理、流程管理、研究平台等核心应用场景的完美落地，最终提升国内整体医疗水平。
AI+医疗存在技术难点+标准缺失
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。
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。
医疗AI企业面临着不少痛点等待解决
像我国国内企业在医疗影像方面面临着数据流转的问题，患者无法保存和管理自己原始的影像资料。
医疗领域里最重要的是准确度，需要在综合一系列由人工智能计算出的指标的基础上，由医生来做出最后判断和决策。
由于试验设计质量参差不齐，具体的有效性很难进行比较和评估。
没有统一行业评判的标准，可能会给数百万患者带来风险。同时也易助长医疗企业炒作AI实效性的火焰。
AI在医疗领域的应用更接近与体检和预防，有时候带来的效果很大，但非常间接，不容易形成控费价值的影响。
产学研实践要扫清的障碍
从医生角度看，年轻医生首先要打好临床、教学、科研的基础，但到了一定阶段，医生不会满足于常规的工作内容，而是往产学研的方向发展，会涉及更多跨领域的合作。
医生的临床思维和程序员的开发思维存在巨大的差异，AI产品能否触及医学本质，只有让医生愿意使用它，AI才有意义。
从应用场景上看，专科与全科领域边界的划分有待明确，医养康的技术闭环没有形成。
更大的挑战来自于行业内AI评测体系标准尚未规范，造成企业理解差异大、产品良莠不齐。
医疗场景下，数据脱敏需求强烈、数据操作合规性要求高。标准的暂时缺位无疑影响这一领域的应用推广。
在另一方面，国内由医生参与和主导的产学研实践还处于探索阶段，尚未形成一个规范、明确的流程或方案，还面临一些更深层次的障碍。
医疗大数据整体建设速度略显乏力
相较其他获得互联网技术助推的行业而言，中国医疗大数据产业的整体建设速度仍略显乏力。
纵观行业历史，国内的医疗大数据发展可向上追溯至2009年新一轮医改中将电子病历等医疗信息化的建设划为重点任务，目前为止行业内已然拥有了10年的海量数据积累。
各个医院管理者有时会形成数据壁垒。我们在信息交流过程当中，目前可以做到徐汇区共享，但与其他的医院和医疗还不能够达到数据共享，造成信息孤岛。
同时，我们也缺少有基层医疗经验又擅长人工智能的交叉人才。
然而，由于医疗数据的在流通共享环节和其他方面的诸多问题，即使已经打下了十年的医疗信息化建设基础，却仍然出现了一个又一个信息孤岛，掣肘着行业的发展。
结尾
疫情期间，医疗AI的应用得到了进一步的创新与推广。但不可否认的是，医疗AI在发展中还有着各种各样的瓶颈与痛点。如何打破瓶颈尴尬期，进而推动行业向前发展，是摆在医疗AI行业人士面前十分关键的课题。
