1

AI在医疗领域的应用

(一) AI简介

人工智能（Artificial Intelligence，以下简称“AI”）是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。AI概念是在1956年的达特茅斯会议上首次提出，至今已有60多年历史，历经了三次大的技术发展浪潮。

图表1 AI技术发展历史

资料来源：公开资料，融中研究整理

(二) AI在各行业应用情况

随着AI技术成熟度越来越高，AI芯片、AI软件、智能硬件、自动驾驶等领域的创新企业大量涌现，一批新产品、新产业取得突破式发展。AI技术与实体经济加速融合，带动了医疗、金融、制造、物流、零售等一大批传统行业转型升级，形成了AI医疗影像、AI金融、新型营销、个性化定制等新业态模式。AI技术的大规模应用将不断提高企业生产效率和服务质量，加速智能企业发展，催生新的智能经济，形成溢出性很强的“头雁”效应，为我国经济高质量发展提供有力支撑。

根据麦肯锡统计数据显示，全球AI技术在通信、交通运输及物流、金融服务、高新科技、医疗健康、电力及天然气等领域的渗透率较高，渗透环节主要集中在服务运营、产品/服务研发、市场营销等。在AI技术向各行业渗透的过程中，政府、金融、互联网、医疗是我国AI技术应用市场规模最高的四大领域。政府应用AI技术主要集中在安防领域，在我国政府的大力支持下，安防行业一直围绕着视频监控在不断改革升级，目前我国已建成集数据传输合控制与一体的自动化监控平台，随着AI视觉技术出现突破，安防行业迅速向智能化推进。

图表2 全球各行业板块AI渗透率

数据来源：麦肯锡，融中研究整理

图表3 2020年我国AI分行业市场规模（单位：百万美元）

数据来源：IDC，融中研究整理

算力、算法和数据是AI技术三要素。

算力方面，AI芯片不断升级迭代，从通用性的CPU、GPU到半定制化的FPGA（现场可编程门阵列），以及定制化的ASIC(专用集成电路)，甚至到最新的类脑芯片，芯片算力从每秒百次浮点运算数提高到每秒万亿次。在中国人工智能产业发展联盟发布的《AI芯片技术选型目录（2020）》中，已经收录3款云端训练芯片、6款云端推断芯片、6款边缘计算芯片、22款终端芯片，均为成熟可用的AI芯片方案。在摩尔定律逐渐失效的当下，英伟达创始人黄仁勋作出预测：GPU将推动AI性能实现逐年翻倍。被称之为“黄氏定律”。

算法方面，基于权威研究机构OpenAI对2012年以来的算法效率跟踪，从2012年到2020年，训练一个具有同等精度的神经网络模型的计算代价减少了大约44倍。在ImageNet分类上训练具有相同性能的神经网络所需要的计算量，每16个月降低一倍。在WMT-14的翻译任务上，算法效率范围所需时间仅为6个月。

数据方面，根据IDC数据，全球数据量从2010年的2ZB迅速增长到2018年的32ZB，预计2025年将达到175ZB。我国2018年数据量为7.6ZB，占全球数据量23.4%，预计2025年我国数据量将达到48.6ZB，占全球数据量27.8%。海量的数据为AI算法模型提供训练基础，金融和医疗行业拥有良好的数据积累，组织机构的战略与文化也较为先进，在数据与技术基础上有着较强优势，在自动化的工作流与相关技术的运用上有不错的成效，因此AI技术也得到了良好的应用。

图表4 我国各行业AI技术应用情况

数据来源：《2019年人工智能发展白皮书》，融中研究整理

(三) AI在医疗行业应用情况

近年来，AI技术在医疗领域中的应用得到快速推广，包括医学影像、药物挖掘、病例分析、临床决策支持、健康管理、语言识别、病理学等众多场景。其中，AI技术在医学影像领域中的应用最广，也是最成熟的应用场景。全国各大医院也在积极开展AI的研究与合作项目，众多三甲医院已经启动智能影像识别、智能诊疗助手及智能诊疗方案等AI技术试点和临床试验工作。

图表5 AI在医疗行业部分应用

资料来源：《中国医学影像AI白皮书》，融中研究整理

根据PubMed公开数据显示，2012-2020年在医学文献中使用到的热门机器学习算法和深度学习算法包括:支持向量机算法，占比约38%，主要应用于识别成像生物标志物和医学影像分析；神经网络算法，占比约34%，主要应用于生化分析、图像分析和药物开发；逻辑回归，占比约4%，主要用于疾病风险评估和临床决策辅助系统。在医学文献中使用到有关于医学影像分析和图像分析的算法超过72%，由此可见，目前AI在医学影像领域应用成熟度最高，加上AI技术在医学影像领域最广的应用范围，因此本文主要分析AI技术在医学影像领域的应用情况。

图表6 2012-2020年医学文献中应用算法情况

数据来源：艾瑞咨询，融中研究整理

2

AI医学影像概况

(一) AI医学影像简介

医学影像是指为了医疗和医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。医学影像属于生物影像，包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜等。此外，包括脑波图和脑磁共振血管造影等技术，虽然重点在于测量和记录，没有影像呈现，但是因为所产生的数据具有定位特性，可被视为另外一种形式的医学影像。

图表7 常用医学影像成像设备及其成像原理

资料来源：公开资料，融中研究整理

AI医学影像是在医学影像的基础上，AI技术依赖于成像数据在医学领域，如放射学、病理学、皮肤病学和眼科学等学科进行应用。AI在医学影像的应用场景中主要解决两大类任务：

• 医学影像数据感知及分析

主要处理的是计算机视觉问题，使用技术包括传统图像处理技术、机器学习、深度学习等技术方法。计算机视觉技术在医学影像中的应用主要集中在图像处理中，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域，也因其处理动态图像的实时性及能力的提升被应用到各类医学成像设备的成像工艺升级以及辅助医疗器械的定位和导航上。其中深度学习方法可模拟人类神经网络，通过组合多个非线性处理层对原始数据进行逐层抽象，从数据中获得不同层面抽象特征并用于分类预测。其优点在于用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征，对于具备大量图像特征的医学影像分析尤为适用。

• 医学影像数据与其他类型数据融合处理及分析

主要处理的是机器学习问题。医学影像能够展现患者身体特定部位的结构和代谢情况，具有大量数据特征可供计算机进行分析，但如果将医学图像数据结合患者的生理体征、病史、基因信息、身份信息等非图像数据，则能够帮助计算机从更高维度来分析数据和提取重要特征，更加全面展现疾病背后的隐含关联因素，辅助医生对疾病状况进行更精准的分析诊断。

图表8 AI参与医疗影像诊断的方式

(二) AI医学影像分类

AI在医学影像的临床应用主要分为病灶识别与标注、靶区自动勾画与自适应放疗、影像三维重建三大类。病灶识别与标注主要是针对X光、CT、MR等影像进行图像分个、特征提取、定量分析和对比分析，识别与标注病灶，帮助医生识别肉眼难以识别的病灶，降低假阴性诊断发生率，提高诊断效率。目前系统对十万张以上的影像进行处理，用时仅需数秒。靶区自动勾画与自适应放疗主要是针对肿瘤放疗环节进行影像处理，帮助放射科医生在CT片中进行自动勾画，极大缩短勾画时间，在患者多次上机照射过程中不断识别病灶位置变化，以达到自适应放疗。影像三维重建是基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，有效节约配准时间。目前，我国定位于病灶区识别与标注领域的AI医学影像公司最多。

图表9 我国AI医学影像公司所属临床应用领域情况

资料来源：公开资料，融中研究整理

(三) AI医学影像监管

通过NMPA医疗器械审批是AI医学影像商业化最重要的前提条件。我国AI医疗器械的审批创新最早可以追溯到2014年，当时NMPA印发《创新医疗器械特别审批程序(试行)》政策，鼓励推进AI医疗器械的审批进度。到2018年年初，NMPA下属的中国食品药品检定研究院以《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》三个原则作为建库基准，最终建立了包含6327例数据的眼底影像标准数据库与包含623例数据的肺部影像标准数据库，其标准化流程走到了世界前列。借助标准数据库与相关标准流程，中国食品药品检定研究院可以实现对AI产品进行审评审批。2019年6月29日，NMPA正式向AI企业发布了审批相关文件《深度学习辅助决策医疗器械软件审批要点》，以文件的方式将审批相关的具体指标确立下来。2019年7月17日，人工智能医疗器械创新合作平台的成立，并成为AI医疗器械的审评审批的权威组织，确保了审评审批的公开性和公平性。

2018年8月1日起，我国新版《医疗器械分类目录》正式生效，将医用软件按二类、三类医疗器械设置审批通道，目录明文规定：若诊断软件通过算法，提供诊断建议，仅具有辅助诊断功能，不直接给出诊断结论，相关产品按照二类医疗器械管理；若诊断软件通过算法对病变部位进行自动识别，并提供明确的诊断提示，则风险级别相对较高，相关产品按照三类医疗器械管理。

图表10 NMPA医疗软件分类目录

资料来源：公开资料，融中研究整理

目前我国市面上的大部分AI医学影像产品都被列入风险较高的三类医疗器械（美国FDA将医疗AI纳为二类医疗器械），三类医疗器械的临床试验要求相对于二类医疗器械更严格，数据要求的完整性更高，所需临床试验周期更长。

图表11 我国AI医学影像医疗器械获批情况

资料来源：NMPA、融中研究整理

目前我国AI医疗领域的应用标准多为空白，如医疗大数据服务、医院网络化平台、AI辅助诊断功能指标等。我国需要建立医疗影像数据的脱敏标准，以及在众多AI医疗影像辅助产品参差不齐的情况下，急需建立和开发系统性的测试方法和指标体系，建设AI影像辅助诊断软件测试平台，推动AI安全认证，评估AI产品和系统的关键性能，助力安全、有效的市场和产品监督。

(四) AI医学影像行业政策汇总

我国政府高度重视AI医疗行业的发展，并已经陆续出台关于扶持AI医疗产业及其相关产业的政策，为AI医学影像行业构建了良好的发展环境。主要相关政策梳理如下：

图表12 AI医学影像行业政策汇总

资料来源：公开资料，融中研究整理

3

AI医学影像发展现状

(一) AI医学影像数据现状

目前我国医疗影像数据量巨大，但利用效率较低，其中非结构化数据占据总量90%左右。这些海量数据缺乏结构化数据梳理，标准化呈现体系，以及跨平台分享的生态环境，大部分数据都处于孤立且非标准化存在的状态，可利用价值不高。因此，AI医疗影像企业在高质量数据获取和标注上存在较大挑战。

• 高质量数据获取难度大

一方面，高质量影像数据集中在三甲医院，仅对内流通，缺乏共享机制，影像数据不出院是必须守住的红线，因此难以获取，大量影像数据分散在不同的三级医院系统中;另一方面，过往的医学影像数据及临床诊断报告信息，缺乏统一的标准化记录，数据质量参差不齐。以CT为例，医院在用的各种CT机型有近百种，厂家有7-8家。在产品化的过程中，如果仅使用几个机型的数据，或者下载公开数据集的数据来训练模型，即使实验室准确率很高，也很难在实际应用中取得很好的效果。

• 数据标注成本高

在数据处理流程中，重点环节在于数据预处理工作，数据标注的准确性将直接影响最终诊断结果。在机器学习过程中，参与训练的每张图片都要经过专业人员标注。尽管未来小样本学习已有所突破，但目前数据处理和学习方法仍需要消耗大量时间和精力。

(二) AI医学影像临床应用现状

最早进入大众视线的AI医学影像产品采用的是传统的CAD（计算机辅助诊断）方法，传统的CAD系统一般采用自上而下的专家系统方式，即从人类对世界和事物的认知出发来定义特征，然后在影像上去寻找这些特征的建模思路。这种思路使得CAD无法超越人类专家，假阳性和假阴性相对较高，最终未被临床接受。随着卷积神经网络技术的发展，深度学习在图像识别领域展现了卓越的能力。深度学习不同于传统的CAD方法，其受人类大脑的生物学结构启发，搭建网络，模拟人类认知过程，随着对数据的学习，以及算法的改进，其性能可以持续提升。但是AI医学影像产品在临床应用中要解决产品的鲁棒性、易用性和安全性，才能真正成为工业级产品。虽然目前AI医学影像产品能有有效减轻医生的工作量，但对于医疗机构和患者来说，还不是刚需。对于医疗机构来说，产品的假阴性相当重要，即使只存在1%的漏诊，医生仍然需要把所有片子重审一遍；对于患者来说，患者的付费习惯仍需培养，医保政策仍需完善。

图表13 不同病种AI医学影像产品识别准确率

数据来源：公开资料，融中研究整理

(三) AI医学影像产业链结构

1.医学影像产业链

医学影像行业产业链最终服务对象是患者，供给方分为上游供应商、中游医疗机构和下游支付方三个部分。医疗机构是产业链核心，把持着患者流量，处于中心地位，其中公立医院流量优势最为明显，是绝对的核心。我国医疗主要支付方式医保，而实现医保覆盖的主要是公立医院和基层医疗卫生机构，因此支付方的加持进一步强化了公立医院在产业链中的核心地位。上游供应商主要从设备、诊断服务和科室运营三个方面为公立医院提供服务。其中，科室运营涵盖了科室前期筹备和日常运营全部所需服务，门槛最高。

图表14 医学影像产业链

2.AI医学影像产业链

AI医学影像作为AI领域和医学影像领域的结合，上游市场参与者包括医学影像领域的上游硬件和软件提供商商以及AI技术所需要的硬件设备、云服务、算法、数据等平台提供商；中游环节主体是AI医学影像制造企业，类型主要有设备型企业、技术型企业和互联网科技巨头三大类，业务涉及产品研发、生产和推广；下游市场可触及医学影像产业链多个环节，包括各级医疗机构、终端患者和医保、商保等保险机构等。

图表15 AI医学影像产业链

• 上游市场

上游的硬件提供商主要供应AI医学影像设备的组装硬件，包括各种MCU（微控制器）、ASIC（专用集成电路）、DSP（数字信号处理器）精密电阻、电源芯片、传感器等元器件。软件提供商主要提供影像采集软件、影像归档和输出系统、影像打印系统等基础的医学影像设备软件。算法平台和数据平台主要提供后期AI产品学习资料，大部分AI医学影像企业的算法模型来自各种论文学习，并通过大量的数据训练，在针对领域作适应性调整。

• 下游市场

各级医疗机构是AI医学影像企业的主要消费终端，盈利主要来自AI医学影像设备的租赁或销售收入，其中二甲以上医院是主要开拓对象，因为大医院拥有更多高质量医疗数据资源可用于算法学习，并且大医院更有资金能力和患者资源，订购AI医学影像设备意愿更强。终端患者和医保、商保等保险机构是最终付费方，利润由各级医疗机构和AI医学影像企业共同获得。

(四) AI医学影像商业模式

根据Global MarketInsight的预测，2024年,全球AI医学影像将达到25亿美元规模，占整个AI医疗市场规模的25%，然而大多数AI医疗企业商业模式并不清晰，尚未能实现盈利。

目前我国AI医学影像企业主要有三种收费模式：

1.将AI医学影像嵌入云HIS（医院信息系统）或云PACS（影响归档和通信系统）中，打包售卖给各级医疗机构，提供影像资料诊断服务，按照诊断数量收取费用，相当于与各级医疗机构共同提供医疗影像服务，并从中获得分成。由于现阶段AI产品商业化面临产品功能还未完全直击客户痛点，医院客户较多使用的是免费AI，与云服务结合可将AI作为收费模块。

2.与大型医院、体检中心、第三方医学影像中心等各级医疗机构合作，将AI产品作为软件服务单独提供技术解决方案，收取软件服务费。其优势在于相较云服务，软件开发形式更符合各级医疗机构采购习惯。

3.与影像设备厂商合作提供具有AI功能的医疗影像设备，收取一定分成，这种形式较难提供完整的拍片、阅片智能解决方案、需要重新申报NMPA审批认证，落地较少。

(五) AI医学影像行业竞争格局

1.AI医学影像产品同质化严重，多数集中在肺结节和眼科

根据动脉网数据库显示，截至2020年我国AI医学影像的企业数量达到89家，从影像辅助决策应用分布看，72%的企业业务涉及肺结节，53%的企业业务涉及眼科，成为影像检查应用最多的两个场景。这主要是因为CT影像的清晰度越来越高，检查量也越来越大。同样眼底筛查人群规模大，仅糖尿病人群就超过3亿，且眼底相机的普及率高，基层医疗机构基本都配备。另外，二者的数据量大、标注难度较小、进入门槛低，最容易出产品。大量的AI医学影像企业扎堆推出肺结节和眼底筛查产品，同质化现象严重，但真正能进入医院获得收入的较少。

图表16 AI医学影像辅助决策应用分布

数据来源：动脉网，融中研究整理

2.AI医学影像企业类型分三大类

AI医学影像市场竞争者众多，但尚未出现占据绝对优势地位的头部企业。这里面既有谷歌、阿里、腾讯、GE这些巨头的身影，也有依图科技、连心医疗、脉流科技等AI医疗创新企业代表。总体来说，布局AI医学影像企业类型主要有三类：

第一类是设备型企业。该类企业在国际上的代表是三巨头GPS（GE、Philips、Siemens）和瓦里安、医科达等，国内的代表是联影、迈瑞等。其特点是主营设备类产品，依靠医学影像设备或者影像管理系统进入医疗机构，既能获取数据又能产生一定的营收。同时，他们还能依靠公司的其他业务收入支持AI业务。

第二类是互联网科技巨头公司，如谷歌、微软、阿里、腾讯等。其强大的财力和技术可以支持他们进行跨界布局。这些企业大多掌握着较先进的AI技术，具备在医学影像应用层面取得突破的优势。

第三类是技术型企业。例如连心医疗、脉流科技、依图科技、汇医慧影、深睿科技等。他们基于场景或行业数据，聚焦于应用层的建设，提供最终的解决方案。技术型公司大多拥有自己的算法、在AI医学影像领域布局较早，在准确率上也更有保证，因而颇受资本的青睐，主要依靠融资和部分营收支撑业务发展。

图表17 AI医学影像企业类型分析

资源来源：公开资料，融中研究整理

3.AI医学影像典型企业

• 推想科技（病灶识别与标注典型企业）

推想医疗科技股份有限公司2016年成立于北京，是一家AI医疗创新高科技企业，是全球为数不多获批拥有欧盟CE认证、日本PMDA医疗器械认证、美国FDA认证和中国NMPA肺部AI三类证，在四大市场获得准入的AI医疗公司。推想科技利用深度学习技术，发展包括AI部署管理平台、AI大数据挖掘科研平台及AI临床应用平台在内的医疗AI全流程平台，打造医疗质控、健康管理以及科研创新等医疗AI产品。目前核心产品包括InferRead® 全系解决方案（CT Pneumonia肺炎智能辅助筛查和疫情监测系统、CT肺部疾病智能解决方案、DR胸部疾病智能解决方案、CT脑卒中智能解决方案、CT骨疾病智能解决方案、Mammo乳腺疾病智能解决方案、DR儿童生长发育智能解决方案）、InferScholar® AI学者科研平台、InferSight® 影像大数据智能分析平台、InferMatrix™ AI产品与算法集成平台等。截至2021年1月，推想科技AI的执行点已经覆盖全国超过30个省级行政区。拓展中国医疗市场的同时，推想科技也完成了北美、亚太以及欧洲的战略布局，目前AI服务已覆盖全球20多个国家。

• 连心医疗（靶区自动勾画与自适应放疗典型企业）

连心医疗2016年成立于北京，现坐落于北京市海淀区清华大学科技园，是一家专注于肿瘤放射治疗领域的AI企业。连心医疗基于AI和云计算技术，面向医院放疗科室、第三方影像与放疗中心提供基于人工智能的器官自动勾画、靶区勾画、自动放疗计划、放疗质控等技术工具和云服务，同时基于互联网和云服务平台，为广大放疗医生和物理师群体用户提供专业远程协作和放疗运营网络服务，主要产品放射治疗轮廓勾画软件目前已获得我国NMPA三类器械认证。连心医疗现已经与四川省肿瘤医院、中国人民解放军总医院、浙江大学附属第一医院等60多家全国排名前100的大型三甲医院达成合作，并与阿里健康、平安科技、飞利浦、中国移动等巨头成为合作伙伴。

创始人章桦本硕毕业于东南大学，博士毕业于荷兰癌症研究所，是国家“万人计划”科技创业领军人才，首位“张首晟奖学金”获得者，“天府英才计划”特优人才，拥有8个发明专利，参与6个省市自然科学基金，在Radiotherapy&Oncology，Phys Med Biol，Med Phys等期刊发表SCI论文7篇，以及8篇国际会议论文，获得2012荷兰肿瘤论坛最佳临床研究奖，2014SIAM（科学与应用数学协会）Travel Grant。

• 脉流科技（影像三维重建典型企业）

脉流科技2017年成立于杭州，是心脑血管病智能诊疗的领跑者。脉流科技总部设在杭州，是一家基于医学大数据，应用计算仿真技术和人工智能算法提供心脑血管病精准化和个性化诊疗的国家高新技术企业。核心研发团队由来自麻省理工、帝国理工等世界一流大学毕业的博士硕士组成，在计算仿真、人工智能和医学影像等方面技术积累深厚，团队发表了数百篇学术论文，核心团队不仅懂技术，并且对临床有深入理解。公司提供完整的心脑血管疾病解决方案，产品覆盖心脑血管病的智能筛查、检测、诊断以及手术预案。为医院、影像中心、体检机构和患者提供心脑血管疾病精准和个性化诊疗服务，为患者和临床医生带来更好的诊疗体验。

脉流科技不仅在脑血管病智能诊疗以及血流动力学的应用方面具有国际领头的地位，2019年12月8-10日在以色列特拉维夫举行的世界心血管创新大会（ICI）上，由脉流科技研发的具有独立知识产权的创新性无创功能学评估系列产品AccuFFR，获得了2019年度心血管领域最佳创新奖。2020年3月19日，中国自主研发的AccuFFR系列产品获得欧盟CE认证，脉流科技成为CE市场上全球首家同时具有CT-FFR和angio-FFR产品的公司，并且具有独立的软件和硬件产品，是全球领域内在影像FFR方面的领头公司。2020年7月，脉流的脑中风产品AnueFlow获得中国药监局批准。2020年12月20日，在济南举办的第四届世界生命科技大会上，在二十六院士的见证下，脉流科技获得生命科技创新奖第一名。

图表18 我国部分AI医学影像公司及其业务类型

资料来源：公开资料，融中研究整理

4

AI医学影像领域投资分析

(一) AI医学影像领域投资事件分析

根据IT桔子统计数据显示，2013-2020年我国AI医学影像领域投资事件共计113例，投资金额合计52.36亿元，其中公开投资事件97例。我国AI医学影像投资热潮在2018年达到顶峰，随后出现急剧性下滑，2019年投资金额同比下降67.29%，投资案例数量同比下降53.33%。2020年AI医学影像投资金额回升至2018年水平，达到17.21亿元，但是投资案例数量基本保持不变，维持在13个。这说明AI医学影像的投资热潮已经退却，投资机构对AI医学影像创新企业的筛选更加谨慎。究其原因，一方面是由于AI医学影像扎堆肺结节和眼科，产品和服务同质化严重，后进入的企业较难获得投资机构青睐；另一方面，投资机构更趋向于已经获得医疗器械审批的企业，这些企业未来可以进入医院的招标采购，投资回报更有保障。

图表19 2013-2020年我国AI医疗和AI医学影像投资事件统计

数据来源：IT桔子，融中研究整理

A轮融资是行业发展阶段的分水岭，AI医学影像行业内大部分企业处于天使轮、A轮和B轮融资阶段，融资规模集中在千万元级。其中，A轮融资事件最多，占比达到49%，表明行业产品或服务体系已经得到市场认可，有比较成型的商业模式，在市场上企业之间开始展开竞争。从2020年获得融资的AI医学影像企业情况看，其融资轮次都在A轮及以后，说明AI影像行业进入发展期，企业将加快进行产品认证申请，以便在市场竞争中获得优势。

图表20 2013-2020年我国AI医学影像投资轮次和投资规模统计（例）

数据来源：IT桔子，融中研究整理

从投资地域看，北京是我国AI医学影像最热门的地区，共有43例投资事件，占比达到45%；长三角地区共有31例投资事件，主要集中在上海和杭州，分别有16例和13例投资事件，南京和苏州各有1例投资事件；华南地区的深圳以10例投资事件排在第四位；西部地区的成都和华中地区的武汉分别有8例和4例投资事件。

图表21 2013-2020年我国AI医学影像投资地域统计（例）

数据来源：IT桔子，融中研究整理

(二) AI医学影像领域典型投资机构

2013-2020年，共有146家投资机构涉足我国AI医学影像领域投资，其中115家投资机构只参与了1次投资事件，其余31家投资机构参与了1次以上投资事件。红杉中国是我国AI医学影像领域最活跃的投资机构，近八年共出手10次，分别投资了推想科技（投资4次）、体素科技（投资4次）、数坤科技（投资1次）、依图科技（投资1次）。华盖资本和君联资本紧随其后，分别出手6次和5次。华盖资本分别投资了数坤科技（投资4次）、志诺维思（投资1次）、德尚韵兴（投资1次），君联资本分别投资了志诺维思（投资2次）、迪英加（投资2次）、维卓志远（投资1次）。

图表22 2013-2020年AI医学影像领域投资机构投资次数统计

数据来源：IT桔子，融中研究整理

经过融中研究统计整理，2013-2020年我国医学影像领域投资机构的主投资阶段分布情况如下：

图表23 AI医学影像领域投资机构的主投资阶段分布

数据来源：IT桔子，融中研究整理

1.华盖资本

华盖资本成立于2012年，是由一批来自境内外业界知名投资机构的专业人士共同创立的私募股权投资机构，专注于中国市场的私募股权投资业务。华盖资本目前管理有医疗基金、TMT基金、文化基金等多支股权投资基金，资产管理规模超150亿人民币，主要投资于医疗健康、TMT、文化三大产业成长成熟期项目。华盖医疗健康基金是由华盖资本主导设立的专注于医疗健康产业投资的系列股权投资基金。规模达数十亿元人民币，由国内超过30家知名医疗健康行业上市公司、多家大型保险等金融机构、多家知名母基金以及政府引导基金等共同发起设立。华盖医疗健康基金聚焦生物医药、医疗器械和医疗服务三大方向，专注于中国快速成长的医疗健康全产业链投资及整合机会，坚持价值发现（独立发掘）和价值创造（投后增值）的投资理念。华盖资本过往投资案例包括博雅辑因、启德医药、九强生物、海和生物、博圣生物等。

2.远毅资本

远毅资本成立于2016年，在北京、上海、苏州和香港设有办公室，是一家专注于医疗健康技术领域的早期风险投资机构，重点投资医疗器械及设备、精准诊断、移动医疗及服务三个赛道拥有核心技术和创新商业模式的公司。目前，远毅资本首期包括一只人民币基金和一只美元基金，已投资38家企业。远毅资本投资团队包括合伙人杨瑞荣、陈强和投资总监宋依然、唐轶男等人，超过12家的过往所投公司已于国内外主板上市或于并购退出，众多过往所投公司已成为行业的领导者。远毅资本过往投资案例包括华大基因（SZ：300676）、微点生物（NEEQ：835054）、中科创达（SZ：300496）、汽车之家（NYSE：ATHM）、燃石医学、奕瑞光电、安诺优达、点融网、腾云天下等。

3.将门创投

将门创投成立于2015年，是一家以技术创新为切入口的新型创投机构，核心团队成员曾是微软创投在中国的创始团队，全部成员来自于微软、英特尔、华为等世界级技术创新领先企业，在技术创新、投资、技术及产品管理、销售市场等领域平均用于超过15年的专业经验。将门创投致力于通过连接技术与商业，推动企业创新发展与产业升级，覆盖医疗、交通、金融、制造、零售、地产、科技等多个行业，投资通过技术创新激活商业场景，实现商业价值的初创企业，关注领域包括机器智能、物联网、自然人机交互、企业计算等。将门创投过往投资案例有文远知行、赛福基因、禾赛科技等。

4.创世伙伴资本

创世伙伴资本成立于2017年，是由原KPCB中国主管合伙人周炜带领TMT团队,在管理国际顶级资本中国基金十年后，一起重新创建的新品牌。创世伙伴资本在连续成功管理两支7亿美元总规模的美元基金后，短时间内又成功募集了四支超过7亿美元总规模的美元和人民币基金，继续专注于中国TMT领域早期及成长期投资。创世伙伴资本创下了10年早期投资项目30%独角兽成功率的记录，并在公司成立3年半内实现万咖壹联、确成股份两个项目IPO上市，其他过往投资案例有京东、宜信、启明星辰、瑞尔口腔等。

5

AI医学影像发展趋势

(一) 产品功能更加完善，覆盖多部位多病种并向更多临床应用延伸

目前AI医学影像产品所覆盖的病种较为有限，功能比较单一，只在肺结节、皮肤癌、乳腺癌等病种上取得较好效果。单一功能的产品并不能满足医生的要求，医生需要至少针对某一部位诊断“全病种”的AI医学影像产品。单部位多病种检出，更加接近医生的日常临床工作模式，大幅提升了医疗的效率、准确性和标准化，能够拓展横向覆盖多部位、多病种的产品才能更好满足医院的需求。另外，AI医学影像产品还需要做功能的纵向延伸，即由单纯的病灶检出、量化，向良恶性诊断延伸，并进一步向放疗规划、手术规划等临床领域延伸。AI医学影像企业通过横向覆盖和纵向延伸，不断提升产品的临床和商业价值，进而提升行业天花板。

(二) 行业逐渐形成数据、算法、渠道门槛

数据方面，AI医学影像模型的训练数据主要来自于各大医院，企业能够触达的医院数量有限，影响了数据来源的多样性。从现有的算法机制来看，可能存在AI模型在合作医院的效果很好，一旦部署到其他医院，其效果大打折扣，AI模型的泛化能力不足。而不同层次医院对疾病的诊断水平相差很多，如果使用基层医疗的有效数据训练AI模型，那产品的最高水平只可能停留在通用于基层医疗，无法向大型医院延伸。所以AI医学影像产品要想在三甲医院落地，必须使用顶级医院的高质量数据，深度学习顶级专家的临床经验，才能保证AI的准确性。此外，有限的医院能够提供的数据量也是有限的，而AI模型需要大样本的数据量，数量不足直接影响了AI模型的功能。

算法方面，过去很长一段时间，AI医学影像行业的门槛或许没有那么明显，因为大部分企业使用的都是开源算法，只要能够获得高质量的数据，企业便能后来居上，未来这种情况将发生改变。因为当AI医学影像产品逐渐向全病种迈进时，单任务的深度学习算法已经无法应对需求，多任务算法将是大势所趋。因此，除了继续争夺高质量数据，下一阶段医疗AI企业必须在算法层面寻找突破。

渠道方面，AI医学影像产品真正的商业化落地，需要有明确的进院方式和渠道。AI医学影像企业在起步阶段，需要跨过数据和算法技术的门槛，在商业化落地的探索过程中，需要不断打磨产品，经受客户以及政府审批的考验。当行业进入大规模销售阶段，渠道能力就成为企业最重要的竞争壁垒。类比医院既有的药品、各类设备、HIS系统等上游供应商，进入常态化采购阶段以后，比拼的都是渠道能力。因此，当AI医学影像行业进入快速放量发展阶段以后，渠道能力将成为企业的核心竞争力。

(三) 医患供需不平衡和分级诊疗政策促进市场空间进一步扩大

我国一年医学影像的检查量超过75亿人次，庞大的检查量促进我国医疗影像数据以每年30%的速度高速增长，而影像科医生的年增速仅为4.1%。加之医生培养周期较长，工作繁琐重复导致医生资源流失率较高（我国每年培养60万医学生，只有10万人走上临床岗位），远不能满足实际临床医疗需求，形成了较大的供给缺口。以宁波大学附属医院(三甲医院)为例，影像科医生平均每天需要完成80-100份CT，或60-80份磁共振，或120-150个超声部位的影像诊断，即使每份报告只用七八分钟，也需要10个小时才能完成。

另外，放射科医生的短缺也造成误诊率偏高，根据中国医学会公布的误诊数据，恶性肿瘤平均误诊率为40%、肺外结核的平均误诊率在40%以上，高出临床医疗总误诊率12个百分点。专业医生紧缺和高误诊率将推动AI在医学影像的快速应用，促进AI医学影像市场快速增长。

2015年9月8日国务院办公厅发布《关于推进分级诊疗制度建设的指导意见》，分级诊疗政策的颁布将刺激基层医疗机构医学影像设备和诊疗需求增长。根据卫健委统计信息，截至2018年6月，我国医疗卫生机构数量达到99.8万个，其中医院数量为31710家，约占总数的3.2%，基层医疗机构为943422家，约占总数的94.6%。但是从三甲医院下沉到基层医疗机构的过程中，医学影像设备配备情况递减，诊断水平降低。以数字化影像设备DR为例，600-799床位的县级医院额定标准是4台，然而现状是1.8台。这些造成了基层无力承担医学影像诊断服务，门可罗雀，而三甲医院则人满为患，影像检查排队时间以天计的现象时有发生。在分级诊疗政策激励下，基层医疗机构有望得到大量的分流病人，基层医疗机构的医学影像设备配备、升级需求和医学影像诊断服务需求都将实现快速增长，这将为AI医学影像带来更大的市场空间。

(四) 商业模式将转变为医疗服务费分成模式

从当前的行业进展来看，AI医学影像产品是以医疗器械的方式进入医院。长期来看，随着产品功能的进一步提升，以及产品向基层医疗市场不断渗透，行业也将探索按医疗服务费分成的模式，即按照诊断量或者调用量收费。

商业化落地的形式与AI医学影像产品本身的定位有关。目前AI医学影像产品进行大量市场推广的多是三级医院，部分二级医院也已开始逐渐渗透，对三级医院医生来说，AI医学影像产品是提升效率的工具。比如肺结节类产品可以将疑似结节筛选出，并进行量化分析，生成结构化报告，医生只需要在此基础上查看AI诊断结果，排除假阳性并确认最终报告。这一过程大大缩短了原本需要医生肉眼筛查、以及编辑报告的时间，提升其工作效率。其他类型病灶的逻辑与此类似，AI能够解决常见型病灶的检出、量化，并出具半结构化报告，最终提升影像诊断流程的效率。

而当AI医学影像真正从等级医院买单，到推广至基层医疗卫生机构阶段的时候，其定位在一定程度上发生了变化。部分市县级二级医院、一级医院、和基层医疗卫生机构水平薄弱，AI不仅仅能够提升其医生的工作效率，更能提升其影像诊断水平。这时候AI可以跟医生一起协作阅片，相当于提供医学影像诊断服务，即能够与基层医院进行服务费分成。

之所以能够探索服务费分成的模式，还有一个原因是基层购买力有限，通过分成的方式更容易进行市场推广。从商业模式角度来看，医疗器械的预算和定价有限，即AI医学影像的市场空间也会因此受限。而服务费分成的模式一旦跑通，意味着企业能够在来自基层的增量市场中分得一杯羹，得以突破市场天花板。