AI已是有效医疗工具
AI医疗由数据、算法、算力三要素构成基础层，搭配医疗设备、耗材，以机器学习、NLP、知识图谱、智能语音等技术赋能，实现医疗领域的广泛应用。目前AI医疗已经覆盖药械研发、疾病诊断与治疗、疾病防控等前沿应用，通过加速药物筛选、提升影像诊断精度、个性化治疗计划、疾病风险管理、及诊疗资源优化等，AI正全面深入医疗健康版图，提供更高效、更智能的健康管理解决方案。
2020年国内医疗AI应用，主要以CDSS和智慧病案为主，根据弗若斯特沙利文数据，国内AI在医疗机构中的市场规模从201亿9的增2长至2023年的64亿，预计2033年有望达到2244亿，2023-2033年复合增速为43.1%，基础层、技术层的不断完善，以及应用层的持续丰富，是主要驱动力。
Ai有望改善传统医疗服务困境
医疗服务系统中质量、可及性和成本间存在无法同时满足的困境，偏远地区难以获得高质量医疗资源，高端医疗手段伴随着高昂的费用，传统医疗体系中，“不可能三角”掣肘医药行业的高效发展，而技术变革有望成为破局手段，AI医疗的逐步成熟，或将改善各环节现状。 服务质量：AI提供病人诊疗全流程监控，及时介入弥补服务短板，提升患者体验；通过病历数据、诊疗指南、学术文献，提高诊疗精准度，降低临床事故风险；临床数据挖掘，提升医疗人员对于疑难杂症的诊疗能力，提高医生综合能力； 可及性：AI算法与远程医疗的结合，医疗资源有望在偏远地区或基层普及；通过AI降低医疗技术使用门槛，提高基层医疗人员诊疗能力，实现诊疗能力平权； 服务成本： AI辅助处理标准化流程，节省医疗人员时间，提升人效；内部流程优化，节约不必要开支。
国产开源大模型的问世，在保证底层性能的前提下，调用成本较国外模型显著降低，并解决数据安全、AI部署门槛等问题，AI医疗的核心要素从算力，向数据价值挖掘转变，医疗机构、企业有更强的意愿融合AI。
医疗大模型优化院端流程
2024.5，国家卫生健康委医院管理研究所在学术交流大会中提出，“智慧医疗分级评价”将替代原先的“电子病历分级应用评价”，以满足医疗领域不断发展的智慧化趋势，政策持续推进电子病历、智慧服务、智慧管理“三位一体”的智慧医院和医院信息标准化建设，并探索用智能化等新技术手段提升医疗质量效率。
智慧医疗系统应用水平划分为8个等级，包括各级临床诊疗系统功能和数据要求，作为医院评级的重要因素，其中新增“人工智能”要求17项。
医疗垂直人工智能AI大模型是专门针对医疗领域需求开发、设计、训练的人工智能语言模型，通过包含医学影像、电子病历、诊疗指南、学术文献等海量医疗数据的训练，具备多模态信息处理能力，能用于疾病诊断辅助、病例文本处理、辅助决策、医学影像分析、医疗资源调度等。医疗AI大模型的普及重新定义了医院数据管理，解决了医院空有海量数据，但缺乏数据交互探索工具，限制进一步挖掘数据价值的痛点。
医疗大语言模型（Med-LLMs）经历了通用大模型--专用大模型--全栈医疗大模型的发展。以GPT-5为代表的通用大模型，在推理能力、上下文管理、多模态理解等多个维度具有完善能力，能结构清晰地拆解任务、实现功能，开放成本低，但通用大模型因缺乏针对医疗领域的优化，逻辑和专业性存在不足，限制了进一步临床使用的可行性；基于通用模型，采用医学语料库、医疗专用算法、临床作用等专业语料库进行二次训练，专用大模型提升了医疗知识的覆盖率和推理准确性，能完成医学信息提取、问答、自然语言推理和医学文本生成等，多项医学问答中表现接近甚至超过人类专家水平，成为专业化工具；底层架构设计上就针对医疗场景进行了深度优化，支持多模态数据的融合处理，包括文本、医学影像、基因组序列数据等，提供从数据输入到决策输出的端到端解决方案，是全栈医疗大模型发展目标。
在医疗大模型布局的公司/机构，主要可以分成互联网/科技公司、医疗公司、高校/科研机构三类，互联网/科技类公司凭借对数据和底层交互的理解，拓展医疗端应用，医疗公司基于传统业务的延申，以及高校/科研机构对于前沿技术、临床痛点的研究需求，从不同维度促进医疗大模型落地发展。
医学图像包括影像诊断、放射、内窥镜和病理切片等相关数据，图像识别的深度学习本质基于计算机视觉技术(语义分割、实例分割、全景分割)，将图像切割成数个具有特定意义的区域，再以卷积神经网络（CNN）模型，将区域标注对应类别。CNN通过节点层模仿人脑，处理输入数据，节点包括输入、权重、偏差和输出，输出数据又作为下一层节点输入，实时反馈，将整体图像切分成区域，根据各个区域标注特征不同，重新分类组装，进行解读。
医学影像AI流程主要包括底层数据处理、影像筛查、智能决策三阶段，基于CNN的图像识别可以捕捉图像局部特征而不受位置变化影响，适应CT、MRI等多模态影像差异，在图像处理、识别中表现优异，能实现病灶分类、器官/组织标记定位、器官解剖结构分割、影像检索等功能。
亿欧智库数据显示，国内医学影像数据年增速约30%，影像科医生年增速仅为4%，影像科医生每天阅片量近百份，涉及复杂病例的需要更长时间，影像医生整体压力较大。人工智能在医学影像中应用广泛，截至2024年6月，国内已有92款AI医学影像产品获批NMPA三类证，覆盖心血管、肺部、脑血管等，其中心血管和肺部相关应用最多，获证占比分别达到29.3%、26.1%，主要实现图像质量改善、病灶识别、病种分级、病情进展预测等，能够提升诊疗效率，减轻医生常规工作负担，专注疑难杂症。
随着国内获批注册证产品持续丰富，AI在医学影像的渗透程度不断提高，生态路线的逐渐建立，AI医学影像市场有望迎来高速增长，亿欧智库数据预测，2023年AI医学影像市场规模为24亿元，2030年将达到137.4亿元，年复合增长率为28.3%。
据弗若斯特沙利文报道，在国家肺部筛查试验研究中，对于直径≥4mm的肺结节，三轮低剂量螺旋CT筛查后假阳性率仍超过96.4%，而肺癌早筛早诊对于长期生存率的提升至关重要，通过AI辅助，提高验出率的需求客观存在。
《人工智能在肺结节诊治中的应用专家共识(2022年版)》中，针对肺结节识别、良恶性鉴别、病理分型等场景下AI应用，形成共识，AI能够辅助医生进行肺结节的识别，并能在随访中判断恶性肿瘤，病理分型和手术规划均具有重要意义，而在亚实性结节检测的假阴性率较高，需要结合人工阅片提高诊疗效果。
《Performance of computer-aided detection of pulmonary nodules in low-dose CT: comparison with double reading by nodule volume》研究显示，放射科医生在CT检查结果中识别肺结节灵敏度为78.1%，结合AI辅助后，灵敏度提升至96.7%，实现对医生正向辅助加持，较高的读片速度在肺癌筛查中具有重要价值。
基因测序技术的快速迭代发展，测序成本以超摩尔定律速度持续下降。美国国家卫生院数据显示，单个人类全基因组测序的成本快速降低，2009年、2015年，分别降至约10万美元、约1,000美元。华大智造推出T20系列产品，实现单人全基因组测序成本降至约100美元，引领行业变革。
以基因为基础的生命科学表达调控复杂，单一组学研究结论有局限性，以“中心法则”为基础，多组学结合两种或以上研究方法，包括基因组、转录组、蛋白组或代谢组等，形成不同生物分子层次的批量数据，以统计学等多元分析，全面解析生物功能和调控机制。
全球有超50个国家宣布或已启动国家群体基因组项目，预计25年完成超千万例全人类基因组项目，ARK指出，到2030年，多组学的表现将会提高一个数量级，即在成本不变的情况下，AI 将使多组学的表现整体提升1000倍。
JAMA Oncology预计2020-2050年全球癌症的所致经济成本为25.2万亿美元，肺癌、结直肠癌、乳腺癌、肝癌等成本占比较高，根据Kevin M.Murphy与RobertH.Topel于2006年发表在《Journal 0f Political Economy》上的一篇论文，以及结合美国劳工统计局的通胀数据估算:若美国的癌症死亡率降低1%，那么从生活质量提升、生产力提高和生存期延长几个维度看，其价值按当前美元计算将达到 6950 亿美元，癌症早筛对全球卫生经济学意义重大。
2023年JPM大会，illumina预计2027年基因测序在肿瘤的应用有望达到780亿美元，其中早期筛查占比最大，将达到440亿美元，而2022年该领域应用渗透率仅为1%。
医疗设备依托硬件载体，软件+远程网络创造数据快速转移的条件，结合AI对于多模态数据处理能力，是AI技术落地最快的产品之一。根据使用场景不同，AI对医疗设备的赋能，可以分为院内严肃医疗和家用医疗设备；以分用类途主要分为辅助决策类和非辅助决策类。
以影像类产品为代表的医疗设备，是AI应用的主要场景之一，截至2024年，CT、MRI、超声等影像设备AI渗透率较2020年有明显提升，根据头豹研究院预测2030年有望达到40%或更高水平，并有望进一步拓展至手术机器人、脑机接口等前沿应用。通过不同类型医疗设备的装机，结合高质量数据库、专家知识库的训练在日常工作中持续获取临床数据，完成高频迭代，“设备+IT+AI”的医疗生态系统重塑不同科室的工作流程，实现诊疗、诊断、质控、科研等领域的赋能，并创造高阶数智化的可能。
全球AI医疗器械市场相对集中，主要以医疗器械巨头为主，2022年，前十大公司占比达77.2%，仅英伟达为非医疗器械公司。厂家通过结合AI，令医疗设备在完善和优化医疗影像、辅助诊断、提高治疗质量等方面有不同程度提升。超声、内窥镜、监护、手术机器人、介入治疗器械、膝关节植入物、胰岛素输送等产品均有所应用。
通过AI深度机器学习，配合实时智能扫描、智能全模式测量，西门子医疗ACUSON Origin心血管超声系统能够对切面精准识别，并进行心脏轮廓勾勒，实时处理复杂心脏多维数据，使得传统约20.2s的心功能测量时间缩短至3.6秒，有效优化心超工作流程。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
