2024醫療人工智能：生成式AI爆發(fā)，醫療AI走到新的十字路口
文 | vb動(dòng)脈網(wǎng)
2024的醫療AI，既是坎坷，又是新生。
快速發(fā)展的大語(yǔ)言模型，攜著(zhù)生成式AI掠過(guò)醫療領(lǐng)域。過(guò)往的互聯(lián)網(wǎng)醫療、醫學(xué)影像、新藥研發(fā)……一個(gè)一個(gè)場(chǎng)景經(jīng)由新一代AI重塑，煥發(fā)出前所未有的價(jià)值。
不過(guò)，發(fā)現價(jià)值并不意味著(zhù)能夠掘得價(jià)值。如今慘淡的融資形勢下，躬身大模型的企業(yè)們無(wú)法像深度學(xué)習時(shí)代那樣隨意試錯。有限的現金流，意味著(zhù)每一家企業(yè)必須全面考察場(chǎng)景、技術(shù)、風(fēng)控、商業(yè)化等方方面面，才能做出決定。
因此，今年的人工智能報告將研究核心放在了“場(chǎng)景”與“產(chǎn)品”之上，嘗試通過(guò)洞悉醫院、藥企、械企多方的供需邏輯，分析先驅者們的實(shí)戰案例，為AI企業(yè)下一步的布局、選品、研發(fā)、商業(yè)化提供參考建議。
什么構成了醫療AI產(chǎn)品配置動(dòng)力？
拆解醫療AI的配置需求，大致可分為政策驅動(dòng)與提效驅動(dòng)兩個(gè)方面。
在A(yíng)I發(fā)展之初，政策驅動(dòng)在醫療AI落地的過(guò)程中起主導作用。政策制定者通常會(huì )根據醫療衛生領(lǐng)域的發(fā)展現狀和未來(lái)趨勢，制定具有前瞻性和指導性的政策文件。這些政策文件不僅明確了醫療信息化建設的總體目標和階段性任務(wù)，還規定了建設內容、技術(shù)要求、實(shí)施路徑等關(guān)鍵要素。因而對于公立醫院，政策需求是他們需要考慮的首要需求。
為了樹(shù)立醫院對于前沿技術(shù)的正確認知，引導相關(guān)產(chǎn)業(yè)的快速發(fā)展，我國自2016年起便開(kāi)始圍繞AI出臺相關(guān)政策，從宏觀(guān)角度出發(fā)，推動(dòng)AI技術(shù)在醫療領(lǐng)域的應用，提高醫療服務(wù)效率和質(zhì)量，最終實(shí)現醫療行業(yè)的智能化升級。
推動(dòng)醫療AI發(fā)展的核心宏觀(guān)政策(資料來(lái)源：蛋殼研究院)
對于醫院以外的場(chǎng)景，同樣有部分賽道需要沿著(zhù)政策的方向提前布局。以生物制藥為例，“722”事件后，N(xiāo)MPA（當時(shí)為CFDA）相繼發(fā)布了《關(guān)于開(kāi)展藥物臨床試驗數據自查核查工作的公告》《關(guān)于調整藥物臨床試驗審評審批的公告》等文件，引發(fā)了國內EDC、RTSM市場(chǎng)的繁榮，太美醫療等企業(yè)在系統中植入AI，使其順勢成為藥企數字化的關(guān)鍵要素。
如今FDA鼓勵藥企采用數字健康技術(shù)（DHT）進(jìn)行臨床試驗申辦，間接引導著(zhù)藥企的進(jìn)一步開(kāi)展轉型。以eCOA為例，美國約80%的臨床研究都以eCOA的形式進(jìn)行，歐洲也有60%依照這一路徑，而中國只有不到5%的申辦方使用了eCOA。當出?！皻W美”成為大勢所趨，FDA的政策也將傳導至中國的藥企。目前，Medidata、Veeva等企業(yè)已將AI融入數字化轉型解決方案中，準備承接這波海外政策變化帶來(lái)的新需求。
與政策主導下的AI需求不同，早期提效主導下的AI需求沒(méi)有引導、沒(méi)有給定的形態(tài)。它需要企業(yè)自身從醫院的臨床、運營(yíng)、管理等流程中發(fā)現真正痛點(diǎn)，且當AI解決這一痛點(diǎn)時(shí)，能夠為醫院帶來(lái)直觀(guān)的收益。
眾多場(chǎng)景之中，影像AI是最早出現也是最為直觀(guān)的例子。作為AI領(lǐng)域應用最為廣泛的應用之一，此類(lèi)AI能夠幫助醫生處理高強度重復的閱片工作，幫助影像科提質(zhì)增效。
隨著(zhù)AI的進(jìn)一步發(fā)展及醫生對于A(yíng)I技術(shù)的進(jìn)一步認可，許多醫生、管理者開(kāi)始找到AI企業(yè)主動(dòng)提出需求，要求后者根據具體需求打造能夠提質(zhì)增效的AI解決方案。
舉個(gè)例子。DRG出臺后，醫院的盈利邏輯由規模擴張向成本控制轉變，管理者開(kāi)始更加注重內部管理的精細化和科學(xué)化，提高運營(yíng)效率和醫療服務(wù)質(zhì)量。這個(gè)時(shí)候，傳統的醫療IT系統不能滿(mǎn)足醫院精細化管理提出的各種需求，醫院管理者轉向AI系統尋求助力，形成了提效主導下的AI購置動(dòng)力。
諸如此類(lèi)的場(chǎng)景還有很多，尤其是當醫療機構逐步完成政策定下的基礎要求，他們開(kāi)始主動(dòng)需求智能化升級，提升競爭力。在沒(méi)有新政策出臺的前提下，提效主導下的AI購置動(dòng)力將逐步取代政策主導下的AI購置動(dòng)力，引導醫療AI的未來(lái)發(fā)展路徑。
自我突破，醫療AI形態(tài)異變
政策與提效兩大購置動(dòng)力支持下，國內已經(jīng)孕育了一大批醫療人工智能產(chǎn)品，嵌入了醫療領(lǐng)域中的絕大多數場(chǎng)景。
先談醫學(xué)影像。統計有過(guò)融資記錄的人工智能初創(chuàng )企業(yè)與公布產(chǎn)線(xiàn)的上市公司，蛋殼研究院總計對64家企業(yè)進(jìn)行梳理，調研總計436個(gè)產(chǎn)品，覆蓋了幾乎所有臟器。
許多熱門(mén)臟器的人工智能已經(jīng)非常成熟，能夠實(shí)現高精度的多病種輔助診斷，如心臟（70）、骨骼（58個(gè)）、頭頸（53個(gè)）、肺部（44）等部位。一些冷門(mén)臟器也在開(kāi)發(fā)之中，如腸道（5個(gè)）、泌尿（4個(gè)）、整腹（2個(gè)），部分產(chǎn)品已經(jīng)取得了醫療器械注冊證，能夠實(shí)現一定程度的商業(yè)化。
2024年1-9月通過(guò)第三類(lèi)醫療器械注冊準入的醫療AI產(chǎn)品(資料來(lái)源：國家藥監局官網(wǎng))
再看病種，心腦血管、骨關(guān)節、肺結節、腫瘤（放療）、眼底是當前最火熱的病種，市場(chǎng)上的同類(lèi)產(chǎn)品超過(guò)15種；布局腸息肉、泌尿相關(guān)等疾病的企業(yè)較少，細分賽道相對冷門(mén)。
形勢背后的原因可歸納為三點(diǎn)：
1. 伴隨標準化醫療數據獲取難度的降低，市場(chǎng)需求全面主導影像AI的研發(fā)方向。肺癌在我國惡性腫瘤中發(fā)病率和致死率均居首位，每年死于肺癌的病人大約是65萬(wàn)。因此，醫療體系對于心血管AI、肺癌AI的強烈需求驅動(dòng)企業(yè)圍繞對應疾病進(jìn)行研發(fā)。
2. 以臟器為目標的診斷取代了以單一病種為目標的診斷，驅動(dòng)企業(yè)基于臟器進(jìn)行全面布局。過(guò)去，影像AI的研發(fā)落地常圍繞某一特定疾病進(jìn)行，但影像科醫生在閱讀CT、X光片時(shí)，不會(huì )先入為主預設患者的患病情況，而是會(huì )逐一確認影像中的每一個(gè)細節，這種輔助模式限制了影像AI的價(jià)值。如今，影像AI企業(yè)為實(shí)現某個(gè)臟器的診斷，必須將該臟器中的熱門(mén)病種逐一診斷，進(jìn)而導致熱門(mén)病種對應的影像AI數量激增。
3. 冷門(mén)病種雖然獨立，但仍有潛力。病理、心電等場(chǎng)景同樣存在工作量大、相關(guān)醫療資源缺乏的問(wèn)題，是醫療AI落地的優(yōu)質(zhì)場(chǎng)景，但由于這類(lèi)場(chǎng)景不屬于醫療影像，主流AI公司較少跨界這一方向。此外，不少僅需二類(lèi)證即可實(shí)現商業(yè)化落地，因而產(chǎn)品競爭相對平淡。不過(guò)，如今也有不少相關(guān)AI獲批醫療器械三類(lèi)證，用AI深度賦能上述細分賽道，或在未來(lái)改變這一場(chǎng)景的應用邏輯。
其次是醫療IT。評級仍是醫院配置AI主要動(dòng)力，5級以上的電子病歷評級需要醫院在數字化建設的基礎上實(shí)現智能化部署，這意味著(zhù)他們必須引入AI工具，并將其高度整合至已有的信息化體系。
2023年8月，中國醫學(xué)科學(xué)院阜外醫院成為國內首家獲得8級電子病歷評級的醫院，突破了中國醫療信息化建設水平的上限。截至此時(shí)，全國總計312家醫院獲評高級別電子病歷評級，其中1家醫院獲評8級，3家醫院獲評7級、40家醫院獲評6級、268家醫院獲評5級。
電子病歷系統整體應用水平分級評價(jià)基本要求（資料來(lái)源：公開(kāi)信息整理）
未來(lái)會(huì )有更多醫院向電子病歷高等級評級發(fā)起“沖刺”。尤其是作為高級別的入門(mén)等級，5級評級依然存在很大通過(guò)難度，未來(lái)數年內三級醫院沖5望6將是主流。將為人工智能帶來(lái)巨大機遇。
8級電子病歷需要達成的條件（資料來(lái)源：公開(kāi)信息整理）
最后談制藥AI。自2020年制藥AI在一級市場(chǎng)迎來(lái)爆發(fā)性增長(cháng)后，大量創(chuàng )業(yè)公司將其管線(xiàn)推至臨床階段。此前，AI主導的進(jìn)入臨床試驗階段的創(chuàng )新藥項目?jì)H為個(gè)位數。2021年這一數字已迅速增長(cháng)至100多個(gè)，2022年維持增勢突破200，2023年進(jìn)一步提升，管線(xiàn)數量邁入300大關(guān)。
趨勢之下，阿斯利康、拜耳、羅氏、禮來(lái)及賽諾菲等等MNC相繼入局AI制藥，國內恒瑞醫藥、石藥集團等制藥龍頭也通過(guò)戰略合作、股權投資等方式積極布局AI，試圖通過(guò)創(chuàng )新技術(shù)找到研發(fā)藥物的新途徑。
不過(guò)，2024年的制藥AI發(fā)展步伐明顯放慢。
蛋殼研究院選取了39家主流制藥AI公司的管線(xiàn)進(jìn)行了調研。2023年10月31日統計數據，上述企業(yè)共有95條進(jìn)入臨床研究的管線(xiàn)，截至2024年9月1日，僅5條產(chǎn)線(xiàn)更新了最新的臨床情況，進(jìn)入新的階段。
2023年10月31日—2024年9月1日更新了臨床情況的管線(xiàn)（資料來(lái)源：蛋殼研究院、、動(dòng)脈橙產(chǎn)業(yè)智庫）
剩下的管線(xiàn)中，總計有15條管線(xiàn)/適應癥被企業(yè)從官網(wǎng)撤下或宣告停止。其中，臨床Ⅰ期管線(xiàn)總計3條，占比20%，臨床Ⅱ期管線(xiàn)總計9條，占比60%；臨床Ⅰ/Ⅱ期管線(xiàn)總計3條，占比20%。
39家主流制藥AI公司停止或被撤下的管線(xiàn)（資料來(lái)源：蛋殼研究院、動(dòng)脈橙產(chǎn)業(yè)智庫）
同時(shí)，上述企業(yè)新增16條管線(xiàn)/適應癥，與停止或被撤下的管線(xiàn)數量持平。這些管線(xiàn)中，有近一半管線(xiàn)來(lái)自于中國持股的AI制藥企業(yè)，英矽智能、埃格林醫藥、冰洲石生物、劑泰醫藥（晶泰科技持股）占據了其中的7席。
39家主流制藥AI公司新增管線(xiàn)/適應癥（資料來(lái)源：蛋殼研究院、動(dòng)脈橙產(chǎn)業(yè)智庫）
但放眼全球，AI制藥依然充滿(mǎn)生機。其中，英偉達近兩年在該賽道頻繁出手“瘋狂掃貨”成為AI制藥回暖的重要推手。據Pitchbook、Crunchbase及動(dòng)脈橙產(chǎn)業(yè)智庫數據，英偉達在2023年及2024年（截至2024年9月5日）共參與投資超過(guò)70起，所有投資無(wú)一例外，均與AI相關(guān)，而其中至少投注AI制藥企業(yè)14家，醫療其他領(lǐng)域企業(yè)8家。
2023年—2024年8月英偉達投資的AI制藥企業(yè)（資料來(lái)源：Pitchbook、Crunchbase、動(dòng)脈橙產(chǎn)業(yè)智庫）
此外，近兩年MNC與AI新藥研發(fā)及AI驅動(dòng)的相關(guān)醫藥企業(yè)之間的合作交易也增幅顯著(zhù)。J.P.Morgan數據，生物制藥行業(yè)交易的預付款份額自2020年來(lái)呈下降趨勢，其中2024年上半年的預付款比例僅為6%。藥物研發(fā)的高風(fēng)險高投入屬性，小額預付款無(wú)疑降低了交易的經(jīng)濟風(fēng)險，該現象也反映了MNC在BD交易時(shí)日趨謹慎的態(tài)度。在此背景下，MNC資金更多流向AI醫療領(lǐng)域更是“用腳投票”，肯定了AI制藥的價(jià)值。
大模型之下，生成式AI何以顛覆醫療？
一如當年深度學(xué)習的火熱，新興的大模型正以肉眼可見(jiàn)的速度席卷醫療行業(yè)。不到兩年時(shí)間，市面上的醫療垂直模型數量已逾百個(gè)，甚至有不少頭部醫院要求主動(dòng)上線(xiàn)相關(guān)平臺，自發(fā)開(kāi)啟人工智能次世代的探尋。
不過(guò)，科技醫療要想在醫療領(lǐng)域站穩腳跟，不僅需要技術(shù)本身具備充分創(chuàng )新，還需要相應產(chǎn)品高度適配于場(chǎng)景本身，融入醫療體系已有的流程。換句話(huà)說(shuō)，屬于大模型的歷練，才剛剛開(kāi)始。
在資本支持、市場(chǎng)需求推動(dòng)下，醫療大模型發(fā)展迅速，不到兩年時(shí)間，市面上發(fā)布的醫療垂直模型數量已逾百個(gè)。據蛋殼研究院不完全統計，2024年截至9月10日，收集到新發(fā)布的醫療大模型39個(gè)。
按蛋殼研究院《2023年醫療人工智能報告》中的九大大模型應用領(lǐng)域分類(lèi)，近30%的大模型適用于2個(gè)及以上分類(lèi)中的應用場(chǎng)景。其中，“輔助決策”“質(zhì)控”“患者服務(wù)”應用場(chǎng)景依然是大模型最為集中的細分領(lǐng)域，其次是“中醫”與“新藥研發(fā)”，而“科學(xué)研究”及“治療方案生成”領(lǐng)域的大模型相對稀缺，暫無(wú)“公共衛生”應用場(chǎng)景的新大模型發(fā)布。
盡管應用數量已成規模，但涉及的場(chǎng)景有些分散、未成體系、深度也有待提高，企業(yè)通過(guò)它們能夠觸及的市場(chǎng)規?？傤~有限，還不足以證明這項技術(shù)已經(jīng)跑通了商業(yè)化之路。因此，要推動(dòng)大模型的規模商業(yè)化，企業(yè)還需解決以下問(wèn)題。
一、基礎設施建設問(wèn)題。目前完成大模型落地的醫院絕大多數都是排名靠前的三甲醫院，這些醫院有資金、有條件進(jìn)行大模型的部署。而那些排名靠后的醫院乃至基層醫療機構，他們距離大模型還有一段距離。
現階段大部分醫院現有資源環(huán)境基本是面向通用計算的CPU，很少有醫院有面向圖形處理和并行計算的GPU資源。缺乏大模型的部署環(huán)境，醫院需要在購置應用的同時(shí)配備GPU運營(yíng)大模型應用，并保證足夠的存儲和高速的網(wǎng)絡(luò )連接，才能保證大模型的穩定運行。
對于大多數醫院而言這都是筆不小的成本。按照一個(gè)普遍科室一張RTX 4090進(jìn)行估計，要供給一個(gè)院區的算力，大致需要醫院投入百萬(wàn)元級的成本進(jìn)行芯片的配置。雖然頭部醫院在部署大模型方面表現出極大的熱情，愿意進(jìn)行本地化部署，但大量醫院會(huì )對這筆費用敬而遠之。
二、數據整合問(wèn)題。因為醫院信息化系統復雜，涉及眾多系統和廠(chǎng)商，整合患者全生命周期數據面臨巨大挑戰。對于眾多醫療大模型公司而言，必須進(jìn)一步強化大模型對于多模態(tài)數據的處理能力。
理想狀態(tài)下的多模態(tài)大模型，不應只是對各類(lèi)醫療數據進(jìn)行分類(lèi)處理，更能提取各模態(tài)數據的關(guān)鍵之處，給出綜合性的建議。
三、應用局限性問(wèn)題目前基于大模型構建的智能應用仍然沒(méi)有脫離傳統醫療 IT 應用的范疇，更像是互聯(lián)網(wǎng)醫療的Plus版，雖有價(jià)值，但并非不可替代。未來(lái)，企業(yè)需要圍繞醫院需求構造“殺手級”應用，喚起醫院購置大模型的需求，進(jìn)而實(shí)現大模型的規?；涞?。
