当下的ai正在以惊人的速度和力量，渗透到医疗行业的各个领域和环节，而最近，红杉资本发布的一篇名为《generative ai in healthcare》（医疗领域的生成式ai），也对ai在医疗行业的应用和发展进行了全面而深刻的剖析，并认为其在未来拥有“巨大潜力”。
那么，为何在当下的ai赛道中，医疗领域会如此受到资本的重视？
01 ai医疗现状
在《generative ai in healthcare》这篇报告中，红杉提到了目前ai在医疗领域的一些重要应用，这其中就包括了如患者互动、文档记录、临床决策等。
在红杉资本看来，现在的医疗ai，已经跃过了“锦上添花”的阶段，开始对医疗行业的核心环节进行赋能，而这样的赋能，则大大提高了医疗领域的效率和质量，降低成本和人力。
具体来说，医疗行业的核心环节，包括了患者互动、文档记录、临床决策、预授权、编码和收入周期管理等六大环节。
而最新的生成式ai之，所以能对这些核心节点进行赋能，主要原因就在于它可以处理大量的非结构化数据，并将其转化为有用的信息和洞察。
医疗运营的核心环节，往往涉及到多种类型的数据，如语音、文本、图像、视频、信号等，这些数据往往是非结构化的，即没有固定的格式或标准。
其中包含了丰富的医疗知识和价值，但却难以被人类或传统的软件系统有效地整合或运用。
在传统的医疗行业中，对这些数据的处理、整合，都是成本巨大，但难以省略的环节。
美国的医疗编码市场价值约为210亿美元，包括约35000名医疗编码员。尽管有这么多的劳动力，但由于编码错误，美国医院每年损失近200亿美元的收入，这导致了当地的供应商不得不依赖“家庭作坊式”的咨询公司，来帮助自己“发现”缺失的收入。
而同样的，在与患者互动的过程中，医疗行业总是需要大量的文书工作者来整理各类医疗文档。
根据红杉资本的统计，目前美国大约有100万医疗行业的文书人员，每个文书人员每年的平均支出为40-50k美元，这意味着医疗行业每年要在这类岗位上花费至少4亿美元的成本。
而生成ai，则可以利用深度学习和自然语言处理等先进的算法，来分析、理解、生成和转换这些数据，从而提高医疗运营的效率和质量，降低成本和人力，同时适应不同的数据源和环境。
例如，在文档记录中，生成ai可以用来将医生和患者的对话，自动转化为电子病历和编码；在临床决策中，生成ai可以用来将多种数据源和格式，如医疗影像、病历报告等转化为统一的医学知识和数据。
而这样的优势，正是红杉认为ai能够直击医疗运营的核心环节的原因。
02 ai赋能医疗
除了处理非结构性数据的优势外，现阶段的ai，还在更多方面对医疗领域进行了赋能，这其中就包括了ai 辅助诊断、ai 医学影像分析、ai 精准医疗、药物研发、医疗机器人、等多个细分赛道。
具体来说，在ai 辅助诊断方面，ai 可以通过分析患者的症状、体征、检验结果等数据，提供可能的诊断建议，帮助医生做出更准确和及时的决策。例如，阿里健康的 ai 医生可以在 1.5 秒内给出 90% 的准确率，百度的 ai 医生已经能做到识别 900 多种常见疾病。
ai医学影像分析，则是利用机器学习、计算机视觉等技术，对医学影像数据进行自动化分析和诊断，并根据大量的定量特征，如形态、纹理、灰度、强度等，与基因、临床等其他数据进行关联分析，发现疾病的生物标志物和预后因素。
在精准医疗方面，ai 可以通过对基因组、表观遗传组、转录组等大规模生物数据进行挖掘和分析，为个体化的预防、诊断和治疗提供依据。例如，deep genomics的 ai 平台可以预测基因变异对蛋白质功能和表型的影响，flatiron health的 ai 平台可以利用实时临床数据为癌症患者提供*治疗方案。
在药物研发方面，ai 可以通过对药物靶点、药物结构、药物作用机制等数据进行建模和模拟，加速药物的发现和开发过程。例如，benevolentai的 ai 平台可以从海量文献中挖掘新的药物候选物，atomwise的 ai 平台可以通过虚拟筛选减少实验成本和时间。
就目前ai医疗的整体态势来看，ai医疗技术，尤其是在一些新兴和前沿的领域技术，如基因组学、免疫组学、神经科学等。国外ai企业往往拥有有更多的资源和经验，
例如，专注疾病基因搜索的谷歌deepmind团队，就通过人工智能系统，解析出了人体中几乎所有蛋白质的结构。
这样一来，aj就可以判断dna中的字母是否会产生正确的结构。如果不是，它将被列为潜在的致病因素。
类似的例子，还有用ai技术帮助医生分析癌症病理图像，以及发现新的治疗方法和药物的paige.ai。
paige原本利用自有50万份癌症医学病理学切片的10亿张图片，创建全球*个大型基础模型。在和微软合作下，双方将开发全球规模*的癌症图片ai模型，参数高达十亿。
国内的ai医疗技术虽然在一些领域有所突破，如影像诊断、智能问诊等，但仍存在一些技术难题和挑战，如数据孤岛、数据质量等。
同时，国内在ai医疗的应用场景上较为集中，主要集中在辅助侧和数据侧，如cdss（临床决策支持系统）、智慧病案和医学数据智能平台等。
其中涌现的代表性企业，就有利用ai技术进行影像诊断联影智这样的ai企业。
通过搭载了智能算法的ct摄像头，将深度学习卷积神经网络与典型的模式识别算法创新地结合在一起，从而精准识别ct扫描范围。
类似的国内企业，还有利用ai技术进行临床诊断的推想医疗。
其主要技术，是通过深度学习及卷积神经网络模型，模仿人类认知过程，让ai模型自动挖掘医学图像中的规律。
其ai产品inferoperate，通过对脑电图、脑功能成像等多种类型的神经影像数据进行深度学习，提取影像特征，定位病灶，从而为医生提供智能手术规划、术中全自动定位导航等。
03 趋势和机遇
目前来看，虽然由于产业生态、技术基础、计算资源等原因，国内ai医疗与国外相比仍有差距，但从市场增速和规模上看，国内在ai医疗的发展上有较大的市场空间和增长潜力，面临着较高的医疗需求。
根据华经产业研究院的数据，2021年中国ai医疗行业市场规模约为95亿元，预计2025年达到385亿元。
资料来源：华经产业研究院
在可预见的未来，国内ai医疗将在ai药物研发、ai 病理、ai医疗影像、ai医疗器械等主要领域持续发力。
而从市场需求及规模来看，ai医疗影像及ai药物研发将成为主要的增长突破口。
具体来说，ai 医疗影像应用相对成熟，产品上市数量较多。根据 global market insights 数据，全球 ai 医疗影像市场规模占医疗 ai 市场的 25%，仅次于 ai 制药为第二大细分市场。
对于国内医疗行业来说，目前我国医疗影像数据的年增长率高达30%，但是影像科的医生年增长率却只有4%。
考虑到医生的培训周期比较长，发展ai影像医疗能够有效缓解医疗人才短缺的问题，市场仍有较大的增长潜能。
根36氪分析，预计2020-2025年复合年增长率（cagr）为39.4%，2025年将突破300亿元。其中，ai医学影像市场占比最高，达到50.6%。
而在ai药物研发方面，ai可以有效解决新药研发的高成本、低效率和高风险的问题。
2020年我国新药研发行业的市场规模为1.2万亿元，但是新药研发的成功率仅为11.3%，即使进入iii期临床成功率也只有53.4%，临床阶段整体费用占比高达70%。
这说明新药研发需要投入巨额的资金和时间，但是收益和风险都很不确定。
而通过人工智能的认知能力，加速靶点发现、化合物筛选、药物设计等环节，可以有效提高新药的成功率和质量。
2021年，我国ai药企英矽智能与浙江大学合作，利用自主研发的ai平台，对抗癌药物pd-1抗体进行了优化设计，并获得了美国fda的临床试验许可。
这样的成就，显示了ai技术在新药研发方面的潜力，也预示了其规模化增长的可能。
根据dpi发布的医疗行业报告，ai药物研发的全球市场规模预计将从2020年的40亿美元增长到2027年的203亿美元，年复合增长率达到26.5%。
在当下如火如荼的ai浪潮中，大模型所带来的赋能，只是ai医疗领域的冰山一角，随着ai革命的持续进行，早已起势的ai医疗，必定会带来更多机会与亮点。
