400-123-4321
人工智能(néng)一直很火，但在全世界範圍内的引爆，發(fā)生在2016年的3月，谷歌的AlphaGo以4：1的成(chéng)績戰勝了世界圍棋冠軍李世石。一個月後(hòu)，中國(guó)的BAT巨頭不再潛水，開(kāi)始了動作，他們在人工智能(néng)領域的一個非常重要的角力場便是“AI醫療“。
2016年4月，騰訊等機構以10億人民币投資碳雲智能(néng)；2016年10月，百度對(duì)外發(fā)布了“百度醫療大腦”，宣布正式進(jìn)軍AI醫療；2017年3月，阿裡(lǐ)雲發(fā)布“ET醫療大腦”宣布正式進(jìn)入醫療AI領域。
作爲壓垮中國(guó)人民的三座大山之一——醫療，是目前人工智能(néng)各應用領域中最熱門的賽道(dào)。人工智能(néng)在醫療領域的應用門檻最高，最難突破，但也最具想象力，所以資本和BAT們對(duì)這(zhè)座大山發(fā)起(qǐ)了一輪又一輪的攻勢。針對(duì)以醫療爲重點的AI創業公司從五年前的不足20家上升至現在的120多家，但大多停留在“to VC”階段，整個資本圈都(dōu)在等待，AI醫療能(néng)夠真正講出“To B To C”的商業模式。
鲸準數據中心清洗了整個AI醫療從2013到2017年的241起(qǐ)國(guó)内融資事(shì)件，本文用資本布局時(shí)間線去描述AI醫療行業現狀，最後(hòu)通過(guò)鲸準上的投資人行爲，去發(fā)現AI醫療的下一個行業熱點。
AI醫療是以互聯網爲依托，通過(guò)基礎設施的搭建及數據的收集，將(jiāng)人工智能(néng)技術及大數據服務應用于醫療行業中，提升醫療行業的診斷效率及服務質量，更好(hǎo)的解決醫療資源短缺、人口老齡化的問題。
基礎層：通過(guò)軟硬件的基礎設施，收集用戶、藥物及病理數據，并使數據互通互聯，爲人工智能(néng)的應用提供支持與可能(néng)。
技術層：通過(guò)語音/語義識别、計算機視覺技術，對(duì)非結構化數據進(jìn)行分析提煉。“學(xué)習”大量病理學(xué)數據文本，使其掌握問答、判斷、預警、實施的能(néng)力。
應用層：是指人工智能(néng)與不同細分領域的結合，以解決醫療行業中的某種(zhǒng)業務需求，如智能(néng)診斷、藥物研發(fā)、智能(néng)健康管理、智能(néng)語音等醫療場景。
回顧13年-17年數據，從2015年開(kāi)始，基礎層熱度明顯下滑，而資本開(kāi)始紛紛進(jìn)入應用層。2017上半年AI醫療發(fā)生融資數量46起(qǐ)，下面(miàn)是應用層各維度融資情況。
經(jīng)統計，從13年到17年上半年，應用層8個細分領域共發(fā)生融資事(shì)件86起(qǐ)。國(guó)内資本多布局虛拟助手、醫療影像、醫用機器人、智能(néng)健康管理四個領域，其中醫療影像成(chéng)爲資本密集的陣地，占比最高達到31%，位居第一。
從細分領域融資數量圖看出，醫療影像占比較多，爲什麼(me)會(huì)發(fā)生這(zhè)樣(yàng)的狀況？影像具有4V性（volume數量、variety多樣(yàng)性、velocity速度、veracity真實性），4V的屬性更适合其AI的發(fā)展。
國(guó)内AI醫療應用公司起(qǐ)步較晚，由細分領域融資數量分布看出智能(néng)診斷領域占比60%。整體上智能(néng)診斷還(hái)處于初期，目前沒(méi)有大規模商用。對(duì)于優質數據的提取、數據的結構化及建模、患者語言的訓練都(dōu)是目前需要跨越的障礙。
醫用機器人的實際應用主要集中在外科手術領域。機器人在手術上的準确性、可靠性和精确性上大大超過(guò)了外科醫生，機器人技術已經(jīng)在醫療領域得到了長(cháng)足的發(fā)展，并取得很好(hǎo)的臨床效果。
根據鲸準中心标簽熱度算法統計，有關于AI醫療的标簽：深度學(xué)習、計算機視覺、AI醫療、智能(néng)診斷、醫療影像、自然語言處理、AI芯片、醫療大數據關注度有較大提升。
1、政策推動
AI政策持續利好(hǎo)。2017年7月國(guó)務院剛印發(fā)《新一代人工智能(néng)發(fā)展規劃的通知》，明确提出“到2020年人工智能(néng)總體技術和應用與世界先進(jìn)水平同步 ”。
醫療政策持續利好(hǎo)。2016年國(guó)務院發(fā)布《關于促進(jìn)醫藥産業健康發(fā)展的指導意見》，明确提出開(kāi)展智能(néng)醫療服務。
2、國(guó)情推動
社會(huì)進(jìn)步和人們健康意識的漸漸覺醒，人口老齡化問題的加劇；病患多、醫生少；醫務人員培養成(chéng)本過(guò)高；藥物研發(fā)周期長(cháng)、費用高；醫生診斷不容犯錯。3、技術推動
語音和圖像識别技術目前已達到商業化高度。 從2012年的ImageNet大賽一直到現在，深度學(xué)習在圖像的分類與識别上已經(jīng)取得了非常大的進(jìn)展。在醫療影像領域目前對(duì)某些病理 圖片的識别準确率已超過(guò)90%，用于輔助醫生診斷已不成(chéng)問題。區别于機器學(xué)習，需要給出特定規則後(hòu)才能(néng)進(jìn)行。而深度學(xué)習則可自由生成(chéng)多層“網絡”（深度神經(jīng)網絡）。 在深度學(xué)習之前，大約在90年代，就(jiù)已有很多人做計算機輔助診斷（CAD）。之前神經(jīng)網絡做不深，現在有了新型計算機和深度學(xué)習之後(hòu)，可以實現很深的網絡。舉例“乳腺钼靶腫塊判讀”。
三大AI技術基石：深度學(xué)習算法+計算能(néng)力+大數據，爲AI融入醫療奠定基礎。
4、設備驅動
電子膠片的普及；POCT及智能(néng)可穿戴設備公司初具規模，大量設備及膠片投入使用，形成(chéng)龐大的用戶病理數據，爲構建醫療大腦奠定基礎。
5、基礎設施驅動
根據CHIMA的數據統計，顯示早在2015年9月，超過(guò)60%的醫院都(dōu)已完成(chéng)醫院管理信息系統（hmis）的全面(miàn)搭建。以“EMR”爲核心的CIS成(chéng)爲建設重點。
1、加快基層醫療機構的信息化建設，加速區域信息化集成(chéng)布局。
2、數據獲取能(néng)力的提升、算法的改進(jìn)、人工智能(néng)技術的創新。
3、逐步完善底層核心知識圖譜。
鲸準預測可拓展領域：AI+精神疾病管理、AI+精準診斷、AI+精準治療、AI制藥等。
轉載36氪：http://36kr.com/p/5090544.html
