AI 健康管理：平台依托模型生成个性化防控方案，推动慢病管理从“被动治疗”转向“主动干预”。
AI医疗影像产品广泛应用于医技科室，包括超声影像、放射影像和病理影像等领域。AI医疗影像辅助诊疗软件集成了CV技术和深度 学习，嵌入至医技科室的医疗器械设备中，以实现各种功能。这些软件的应用可帮助医生快速出具诊断结论和治疗方案。在AI医疗 影像产品中，疾病筛查和辅助诊断产品是最早应用和竞争最激烈的品类，而辅助治疗类产品的进展较慢。因此，开发辅助诊断和为 治疗康复规划的方案尤为重要。冠脉和头颈类应用的市场前景较好，肺结节和肺炎类应用的市场覆盖率相对较高。乳腺和肝脏的应用目前仍处于研发阶段，商业 化进程正在推进。部分头部企业则主要基于某一临床科室应用起家，发展成为精品后，将业务线拓展至其他临床科室。 数据采集与结构化优势突出，图像标注更易标准化。 不同科室对AI影像产品的需求存在差异点。
基因蕴含生命密码。基因测序是对于脱氧核苷酸（DNA）通过基因测序设备进行其碱基排列顺序的测定。主要测定包括腺嘌呤，胸 腺嘧啶，胞嘧啶和鸟嘌呤四种碱基的排列顺序，从而解读所蕴藏的DNA遗传密码。基因测序能够从血液或唾液中分析测定基因全序 列，预测罹患多种疾病的可能性，个体的行为特征及行为合理，基因测序技术有助于锁定个人病变基因，提前预防和治疗。 AI基因测序技术应用方向：提高测序效率与准确性：AI 算法能快速处理海量基因数据，识别基因序列中的模式和变异。如基于深度学习的算法对大量基因 样本的分析速度远超传统方法。 助力疾病诊断：通过分析患者基因数据，AI 系统可预测疾病发生风险，识别疾病相关基因标记，在疾病发生前采取预防措施。 对于已患病的情况，能辅助医生更准确地诊断疾病类型和严重程度。 。 加速药物研发：AI 可分析基因数据预测药物疗效和副作用，模拟药物与基因靶点的相互作用，筛选有潜力的药物候选物，缩短 研发周期，提高成功率，还能定制个性化药物治疗方案。
CDSS（临床决策支持系统）是一种计算机应用系统，主要通过运用相关的临床知识、患者基本信息以及病情信息，帮助医生加 强医疗决策与行动，从而不断提高医疗诊断治疗的服务质量。
由于临床医师专业领域往往局限于单病种研究，且基层医生的误诊与漏诊率较高，CDSS的设计目的是为了帮助医生跨越单病种 知识限制、规范医师诊疗行为、把控医疗质量、避免医疗差错以及减少不必要的医疗费用支出。
根据知识库的形成方式，CDSS分为基于知识库和非基于知识库两类。
基于知识库的CDSS的知识库构建依赖人工预设好的知识库，并且知识库的内容必须有证据支持。
而非基于知识库的CDSS则更多地依赖机器学习和自然语言处理技术，从大量实例中获取知识，并让计算机学习过去的经验与 临床模式，将学到的经验放入知识库中，在诊疗过程中结合机器学习构建的知识库自动识别和实时管控诊疗缺陷。
目前，CDSS多为基于知识库和非基于知识库两种混合产品，以基于知识库的CDSS为主，非基于知识库的CDSS为辅，共同服 务临床决策。
由于临床质控水平有待提高，三乙医院和二甲医院具备充足的购买预算，成为CDSS产品的主要采购力量；优质医生资源短缺和 信息化进程缓慢，基层医疗机构对CDSS产品有很强的内在需求。
AIGC将大幅提升效率：在临床人机交互使用中，AIGC将能够辅助工作流。基于底层算法和需求生成的文本、图片、等多媒体将 辅助CDSS中的知识搜索、辅助问诊、病症解读、单病种质控等多种临床应用。
硬件终端设备+软件分析平台 。 运动健康管理：以科学运动健康理论为中心，为运动爱好者提供更为科学的健康指导服务。 护肤健康管理：基于个人肤质，进行有效成分推荐，助力日常皮肤护理，提供高度个性化皮肤管理服务。 营养健康管理：基于个人饮食评估，对个人饮食进行个性化营养配比服务。 慢性病健康管理：结合用户自身的健康情况，进行个性化健康干预措施及慢性病管理。 睡眠健康管理：通过人工智能算法分析用户的睡眠状态及睡眠质量，后台进行分析后反馈回用户以延长用户的深度睡眠时间。 生命体征监测管理：通过监测用户的血液情况、心跳速率、血压及血糖等来实时监控用户生命。
互联网头部企业：其数据库、云计算等技术领域较AI制药初创型企业和大型药企具有独特优势，互联网头部企业在AI制药领域 的渗透率和活跃度预计将持续提升。 其市场进入方式主要为对借助对外投资、打造自有相关平台、提供算力及计算框架服务等途径推动AI制药领域快速发展。
截至2022年底，根据Deep Pharma Intelligence数据，亚洲地区各国统计的约700家AI制药公司中，主要布局包括早期药物 开发（392家）、数据处理（235家）、临床开发（149家）、端到端药物开发（83家）、临床前发展（57家）及药物再利用 （26家）等在内的六大环节。使用AI进行药物开发的主要领域是早期药物开发和数据处理。这些过程中涉及的数据多样性，使 人工智能成为预测小分子的生物活性、毒性等不可替代的工具。 适应症上看，肿瘤、免疫学及神经病学领域占比最大，分别为37%、21%和14%。随着全球肿瘤疾病负担日益提升，发现癌症 的治疗方法是21世纪最重大的公共卫生挑战之一；免疫学排在第二位，21%的公司将其AI技术用于寻找免疫学疾病的治疗。
应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息搭建精准模型 ，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标。AI制药应用场景主要包括药物研发、用药安全、供 应链管理、商业拓展、个性化诊疗及监管审批六个方面，其中药物研发及用药安全是AI技术在制药环节的主要内容。传统新药 研发周期长、资金投入高、研发失败率高（成功率～10%）。将AI技术应用于药物研发各环节，较传统新药研发可显著缩短研 发周期（平均缩短1/2～2/3）、降低研发成本（降低10%+），同时提升研发成功率（成功率～14%）和投资回报率。
目前，AI平台主要在临床前阶段发挥效用。其中，临床前包括疾病机理研究、靶点发现、化合物筛选、ADMET预测等多个环 节。通过海量药化数据库针对特定靶点药物进行设计、合成和优化相对较为成熟。靶点发现场景有巨大的市场想象空间，但较 少AI企业拥有新靶点和验证能力，技术上面临更多挑战。
临床阶段的AI技术应用难度高，前景广阔。目前临床阶段AI赋能阶段较为有限，主要包括患者分层与招募、药物重定向及数据 整合与分析。临床药物剂量设计、结果分析与预测具备较高市场价值，能够切实提升临床试验成功率，目前由于缺乏针对该场 景的有效模型，AI应用并未完全打开。部分公司希望构建端到端的AI药物研发能力，用于弥合临床前PCC与临床后有效性和安 全性差距，以拉长AI药物研发的价值链条。
医疗机器人被设计用于进行外科手术、辅助诊断、医疗服务和康复治疗等医疗活动，具有医用性、临床适应性和交互性。可以根 据实际的医疗环境进行检测、移动、提示等操作，完成相应的医疗任务。
AI医疗机器人是在传统医疗机器人的基础上，加入了具备AI感知与认知技术的软件系统，可以帮助医生完成半自动化或全自动化 的诊疗操作。AI医疗机器人都可分为手术机器人、康复机器人、辅助机器人和服务机器人四类。其中前三类机器人更多地服务于 临床应用，具有较高的临床价值。
手术机器人应用于普外科、骨科、神经内外科等科室的手术中。其中，腹腔镜机器人是应用最为广泛的一种。
辅助机器人主要应用于非手术环境下的临床诊断场景，为医生提供专业的诊断和治疗技术。
康复机器人则是一种医疗机器人，用于辅助病人完成肢体动作、实现助残行走、康复治疗等功能，能够解决病人康复动作的 标准性与把控性，促进神经系统的功能重组、代偿和再生。
AI医疗机器人下游需求逐渐释放，三甲医院对手术机器人需求强烈 腹腔机器人，骨科机器人需求尤为强烈 。康复机器人民营疗养机构需求上升。
