《2022醫療AI行業研究報告：長期主義的堅持與守望醫療AI盈利破局（92頁）.pdf》由會員分享，可在線閱讀，更多相關《2022醫療AI行業研究報告：長期主義的堅持與守望醫療AI盈利破局（92頁）.pdf（92頁珍藏版）》請在三個皮匠報告上搜索。

1、2022醫療AI行業報告長期主義的堅持與守望醫療AI盈利破局PREFACE引言從 海伯利安 到 賽博朋克2077，每一個描述AI時代的視聽作品都在不厭其煩地繪制科技時代的技術、建筑、生活，樂于討論賽博時代與生存、發展、共生相關哲學的問題。但當AI褪下虛幻的面紗，以潛移默化的方式真正進入人們的生活時，更為必要的是跳出技術的表現形式，追溯它的發展動力。過往的五年時間，近千億資金注入醫療人工智能賽道，AI影像、AI新藥研發、AI機器人、智慧醫院等細分賽道以前所未有的速度向前發展。外界的持續滋養下，AI已經在醫療中的方方面面落地生根，成為媲美互聯網技術一樣存在。問題也出在此。超千家企業入局，但少有企業

2、實現盈利。下一個五年，當資本的涓流不再饋贈，圍繞AI的企業們能否筑起成熟的造血系統，依靠自身的力量活下去？帶著問題，我們與超過30家企業進行溝通、對近100位專家進行采訪。2022醫療人工智能報告便是為了回答“醫療人工智能如何盈利”這一行業難題。引言目錄第一章 醫療AI的價值本質：降本增效的根基與重塑醫療體系的潛力1.1 初始AI：智慧賦能下的降本增效1.2 進階AI：顛覆式的價值創造1.2.1 影像設備功能擴展1.2.2“老技術”新用1.2.3 通過影像學量化分析探索可能的病癥變化1.2.4 蛋白質結構預測1.3 高壁壘、長積累，醫療AI大有可為第二章 數倍營收增長，距離盈利僅一步之遙2.1

3、 影像相繼IPO，新藥研發成一級市場主要標的2.2 多家企業步入二級市場，AI影像仍是主流2.2.1交表企業主營收入分析 2.2.2凈利潤分析2.2.3研發支出分析2.2.4前五大客戶集中度分析2.2.5最大客戶分析2.2.6新藥AI代表企業財務的變動趨勢第三章 IPO之外，多因素影響商業變現，盈利需要突破這些檻3.1 影像AI 發展現狀及商業化影響因素3.1.1 參與者驟增，審評審批逐步完善 3.1.2 審評審批加速，人工智能注冊成本逐步可控.126788910101114151818192021212324252527CONTENTS目錄3.1.3 投身生態，影像AI有望盡快盈利 3.2

4、院內信息化AI 發展現狀及商業化影響因素3.2.1 政策驅動，智慧醫院建設期已于2020年來臨3.2.2 低等級評級日趨飽和后，高等級評級打開AI新機遇3.2.3 市場開啟分化，企業需尋找政策外動力3.3 新藥AI 發展現狀及商業化影響因素3.3.1 多維因素，驅動新藥AI快速生長3.3.2 應用場景拓展，覆蓋藥物發現全流程3.3.3 3種主要商業模式，從單一到混合3.3.4 從場景到模式，賽道潛在發展趨勢漸明晰3.4 醫療機器人AI 發展現狀及商業化影響因素3.4.1“十四五”規劃發布，醫療機器人迎來最大政策紅利3.4.2 硬件深度結合人工智能，智能化重構診療、制造場景第四章 新場景、新模式

5、，開啟醫療AI發展新篇章4.1 尋找醫療人工智能新藍海4.1.1 弱化醫療器械屬性，影像AI躍入新場景4.1.2 智能化風控，AI切入醫療保險的兩個角度4.1.3 7個潛力領域，AI引領新藥創新 4.2 醫療人工智能企業的未來形態4.3 揚帆出海尋找市場增量4.4 以公益作為連接點，社會價值與商業價值融合第五章 企業案例.29323234394041434548494950545555565759616267引言目錄第一章 醫療AI的價值本質：降本增效的根基與重塑醫療體系的潛力1.1 初始AI：智慧賦能下的降本增效1.2 進階AI：顛覆式的價值創造1.2.1 影像設備功能擴展1.2.2“老技術

6、”新用1.2.3 通過影像學量化分析探索可能的病癥變化1.2.4 蛋白質結構預測1.3 高壁壘、長積累，醫療AI大有可為第二章 數倍營收增長，距離盈利僅一步之遙2.1 影像相繼IPO，新藥研發成一級市場主要標的2.2 多家企業步入二級市場，AI影像仍是主流2.2.1交表企業主營收入分析 2.2.2凈利潤分析2.2.3研發支出分析2.2.4前五大客戶集中度分析2.2.5最大客戶分析2.2.6新藥AI代表企業財務的變動趨勢第三章 IPO之外，多因素影響商業變現，盈利需要突破這些檻3.1 影像AI 發展現狀及商業化影響因素3.1.1 參與者驟增，審評審批逐步完善 3.1.2 審評審批加速，人工智能注

7、冊成本逐步可控3.1.3 投身生態，影像AI有望盡快盈利 3.2 院內信息化AI 發展現狀及商業化影響因素3.2.1 政策驅動，智慧醫院建設期已于2020年來臨3.2.2 低等級評級日趨飽和后，高等級評級打開AI新機遇3.2.3 市場開啟分化，企業需尋找政策外動力3.3 新藥AI 發展現狀及商業化影響因素3.3.1 多維因素，驅動新藥AI快速生長3.3.2 應用場景拓展，覆蓋藥物發現全流程3.3.3 3種主要商業模式，從單一到混合3.3.4 從場景到模式，賽道潛在發展趨勢漸明晰3.4 醫療機器人AI 發展現狀及商業化影響因素3.4.1“十四五”規劃發布，醫療機器人迎來最大政策紅利3.4.2 硬

8、件深度結合人工智能，智能化重構診療、制造場景第四章 新場景、新模式，開啟醫療AI發展新篇章4.1 尋找醫療人工智能新藍海4.1.1 弱化醫療器械屬性，影像AI躍入新場景4.1.2 智能化風控，AI切入醫療保險的兩個角度4.1.3 7個潛力領域，AI引領新藥創新 4.2 醫療人工智能企業的未來形態4.3 揚帆出海尋找市場增量4.4 以公益作為連接點，社會價值與商業價值融合第五章 企業案例圖表目錄圖表 1 醫療AI四種主要類型 圖表 2 各類AI算法的內容與監管圖表 3 政策的推進歷程圖表 4 醫療AI不同領域的融資情況 圖表 5 2021年及2022年新藥AI融資輪次情況圖表 6 新藥項目融資體

9、量分布情況 圖表 7 交表企業主營收入分析圖表 8 交表企業凈利潤數據對比分析圖表 9 交表企業研發支出分析圖表 10 前五大客戶集中度分析圖表 11 最大客戶分析圖表 12 SCHRDINGER年報收入趨勢圖表 13 視網膜病癥數據圖表 14 2022年度放射影像數據庫立項課題名單圖表 15 放射影像數據庫儲備課題名單圖表 16 獲證數量按照年份統計圖表 17 獲證數量按照企業統計圖表 18 三類證獲取按照病種分類統計圖表 19 醫療人工智能作用設備分類統計圖表 20 LUNIT INSIGHT 簽約合作設備廠商伙伴增長趨勢圖表 21 部分醫學設備影像公司各生態功能能力對比圖表 22 信息化

10、政策匯總.7121315171718192021222325262627272828303132引言目錄第一章 醫療AI的價值本質：降本增效的根基與重塑醫療體系的潛力1.1 初始AI：智慧賦能下的降本增效1.2 進階AI：顛覆式的價值創造1.2.1 影像設備功能擴展1.2.2“老技術”新用1.2.3 通過影像學量化分析探索可能的病癥變化1.2.4 蛋白質結構預測1.3 高壁壘、長積累，醫療AI大有可為第二章 數倍營收增長，距離盈利僅一步之遙2.1 影像相繼IPO，新藥研發成一級市場主要標的2.2 多家企業步入二級市場，AI影像仍是主流2.2.1交表企業主營收入分析 2.2.2凈利潤分析2.2.

11、3研發支出分析2.2.4前五大客戶集中度分析2.2.5最大客戶分析2.2.6新藥AI代表企業財務的變動趨勢第三章 IPO之外，多因素影響商業變現，盈利需要突破這些檻3.1 影像AI 發展現狀及商業化影響因素3.1.1 參與者驟增，審評審批逐步完善 3.1.2 審評審批加速，人工智能注冊成本逐步可控3.1.3 投身生態，影像AI有望盡快盈利 3.2 院內信息化AI 發展現狀及商業化影響因素3.2.1 政策驅動，智慧醫院建設期已于2020年來臨3.2.2 低等級評級日趨飽和后，高等級評級打開AI新機遇3.2.3 市場開啟分化，企業需尋找政策外動力3.3 新藥AI 發展現狀及商業化影響因素3.3.1

12、 多維因素，驅動新藥AI快速生長3.3.2 應用場景拓展，覆蓋藥物發現全流程3.3.3 3種主要商業模式，從單一到混合3.3.4 從場景到模式，賽道潛在發展趨勢漸明晰3.4 醫療機器人AI 發展現狀及商業化影響因素3.4.1“十四五”規劃發布，醫療機器人迎來最大政策紅利3.4.2 硬件深度結合人工智能，智能化重構診療、制造場景第四章 新場景、新模式，開啟醫療AI發展新篇章4.1 尋找醫療人工智能新藍海4.1.1 弱化醫療器械屬性，影像AI躍入新場景4.1.2 智能化風控，AI切入醫療保險的兩個角度4.1.3 7個潛力領域，AI引領新藥創新 4.2 醫療人工智能企業的未來形態4.3 揚帆出海尋找

13、市場增量4.4 以公益作為連接點，社會價值與商業價值融合第五章 企業案例圖表 1 醫療AI四種主要類型 圖表 2 各類AI算法的內容與監管圖表 3 政策的推進歷程圖表 4 醫療AI不同領域的融資情況 圖表 5 2021年及2022年新藥AI融資輪次情況圖表 6 新藥項目融資體量分布情況 圖表 7 交表企業主營收入分析圖表 8 交表企業凈利潤數據對比分析圖表 9 交表企業研發支出分析圖表 10 前五大客戶集中度分析圖表 11 最大客戶分析圖表 12 SCHRDINGER年報收入趨勢圖表 13 視網膜病癥數據圖表 14 2022年度放射影像數據庫立項課題名單圖表 15 放射影像數據庫儲備課題名單圖

14、表 16 獲證數量按照年份統計圖表 17 獲證數量按照企業統計圖表 18 三類證獲取按照病種分類統計圖表 19 醫療人工智能作用設備分類統計圖表 20 LUNIT INSIGHT 簽約合作設備廠商伙伴增長趨勢圖表 21 部分醫學設備影像公司各生態功能能力對比圖表 22 信息化政策匯總圖表 23 電子病歷分級評價與AI相關要求圖表 24 電子病歷等級發展圖表 25 智慧預約系統結合因素 圖表 26 國家醫療質量安全改進目標圖表 27 AI病案質控功能及價值圖表 28 各技術層級及相關政策圖表 29 生成張力強化學習（GENTRL）的AI系統從靶點到候選分子僅用21天圖表 30 新藥AI領域部分國

15、家重點政策圖表 31 政策助力新藥AI向多環節拓展圖表 32 應用于新藥AI的算法模型及其作用圖表 33 新藥AI商業模式不斷涌現，從單一到混合圖表 34 新藥AI研發各類應用場景發展能力分布圖表 35 醫療機器人相關政策列表圖表 36 手術機器人分類圖表 37 醫院傳統運輸方式與醫院物流機器人配送對比圖表 38 手術機器人檢查及治療圖表 39 企業屬性轉型發展對比圖表 40 CE、FDA、PMDA獲證情況統計（不包含醫療影像設備制造商）圖表 41 醫療AI企業的公益路徑日趨多元圖表 42 企業的ESG閉環圖表 43 商業價值與社會價值的雙向作用圖表 44 社會價值對企業商業模式創新的驅動圖表

16、 45 部分醫療AI企業圖譜3334353638384041424346485052536060616265666668.CORE VIEWPOINTS核心觀點越過滯后的價值驗證期，醫療AI發展大跨步。醫療AI市場規模于2022年首次超過百億，并在預計在3-5年內維持40%的高增長率。2020年前醫療AI價值驗證滯后的原因主要包括信任缺失、商業路徑模糊、臨床價值不足，但如今已有49個AI醫療器械獲得NMPA頒布的三類證，多家醫療AI企業營收過億，數十篇高分論文驗證AI臨床價值與經濟學價值。突破局限，醫療AI將在短期內維持指數增長價值躍遷，醫療AI價值從降本增效增至全方位革新醫療相關流程。常規的

17、AI重在幫助醫院、醫生、保險等主體降本增效，而新一代的AI應用則考慮是否能夠將知識與算法深度融合，對已有醫療流程進行重構。目前AI已在FFR、心功能評估、蛋白質結構預測等場景給出了與傳統流程截然不同且臨床價值較高的解法，此類創新將與“降本增效”類AI共同助力醫學發展，將同質化的醫療AI帶入差異化時代，帶來新的增量市場。四大賽道跑通商業路徑，或能率先大規模扭虧為盈。影像、信息化、新藥研發、機器人四個場景逐步解決審批、數據孤島、算法局限等問題，建立起主流的價值體系與商業路徑。目前各大場景仍需考慮研發效益、用戶開發、商業路徑拓寬等要素，盡可能在成本控制、市場空間上實現突破?？缃?、出海、公益醫療AI全

18、力探索落地路徑創新。醫療AI賽道通?？梢酝ㄟ^兩種方式拓寬市場規模，一方面是不斷滲透既有市場，提高目標用戶的覆蓋率，另一方面是開辟新市場，包括跨界及進軍海外，獲取增量市場，由”AI+“轉變為”+AI“。此趨勢下，醫療AI企業未來的形態將不是一個單獨的軟件公司，而是一個擁有設備制造供應鏈能力搭配智慧化技術開發優勢的科技綜合體。5醫療AI的價值本質降本增效的根基與重塑醫療體系的潛力The value essence of medical AI:the foundation of cost reduction and efficiency increase and the potential of r

19、eshaping the medical systemCHAPTER01作為一項創新性技術，醫療AI的足跡遍布醫療領域的方方面面。根據其應用場景，大致將其劃分為決策支持類軟件、影像/數據處理類軟件、分析和挖掘類產品、醫療助理類產品四個方面。AI賦能下的醫學影像、新藥研發、信息化與機器人是現階段產業發展趨于完善、具備較強增長空間的四類細分場景，亦形成了相對成熟的商業模式與資本退出路徑。本篇報告正是圍繞上述四個場景進行分析，探討醫療AI的價值與盈利潛力。1.1 初始AI：智慧賦能下的降本增效伴隨AI而來的智能化是自動化的一種新形式，可擴大機器設備、系統或過程（生產、管理過程）的自動化范疇，進而實現

20、降低單位勞動成本、提升工作制造效率。進入醫療領域后，初始階段的AI同樣以降本增效為核心賣點，服務醫生、醫院、患者、藥企四大主體。醫生端醫生是當前醫療獨立軟件（SiMD，SOFTWARE IS MEDICAL DEVICE）的主要服務方，大量治療計劃軟件與決策支持類軟件這一領域進行布局。這類AI歸屬于醫療器械范疇，需通過國家藥監局第三類醫療器械審評審批。早期SiMD產品的具體形式包含一個特定的病種與一個特定的影像設備，因而也被稱為單病種AI。以最為常見的肺炎輔助診斷軟件為例，該品類AI能夠對“CT影像”進行智能處理，找出影像數據中可能存在的肺炎病灶。這個過程中，AI能夠大幅縮短醫生閱片時間、自動

21、生成報告，有效提升影像科效率。單病種AI日趨成熟后，許多AI企業開始嘗試多病種AI的研發，希望破除“1對1”的關系，通過單一影像7圖表 1 醫療AI四種主要類型數據來源：蛋殼研究院設備產生的數據診斷多個病種。這一趨勢下，多病種AI與單病種AI之間不是替代關系，兩種算法適用于不同的場景，現階段的多病種AI可補充基層醫療篩查場景。醫院端面向醫院的AI主要圍繞“智慧管理”、“智慧服務”展開，可應用在客服、導診、監管、績效評估、經營數據分析等場景，如替代醫生、護士完成對于患者的引導工作；輔助監管人員對醫療過程中醫患行為的合理性、合法性進行監督；協助醫院管理人員對醫院各項經營數據進行收集分析，緩解醫療資

22、源缺失問題。上述場景中的AI通常不形成獨立軟件，而是以軟件組件的形式嵌入HIS、EMR、EHR、CDR等既有信息化系統中，或與機器人、掃描儀等硬件結合，主要表現形式為分析和挖掘類產品與醫療助理類產品。在?？艭DSS這一場景中，也有企業獲批第二類醫療器械，提前規避可能到來的監管要求。藥企&患者人工智能藥物發現與設計（AI DRUG DISCOVERY&DESIGN，簡稱AIDD）的本質是通過數據去提取和學習，最重要的特點是數據驅動。AIDD進行的前提是有數據，然后再基于數據進行歸納凝結成方法論，再把方法論應用到新的樣例中去做相關預測。具體作用于藥企時，AI的基礎作用在于基于知識圖譜代替研究人員從

23、大量文獻中尋找可能的生物標志物、靶點；挖掘潛在的藥物新分子；對患者信息進行分析處理以幫助臨床試驗進行匹配等，通過提升藥物研發單一環節的效率，縮短研發所用時間投入與資本投入。受制于數據獲取方式的限制，直接面向患者的醫療AI應用較少，主要用于皮膚病檢測、慢病管理服務時的智能交互。2021年起有部分企業將AI與特定的管理模式集成形成數字療法，可應用于慢病管理時患者的用藥支持與用藥監督?？偟膩碚f，初始醫療AI作用方式在于對于過往人類活動的“替代”與“優化”，實現智慧賦能下的降本增效，本報告以AI1.0定義上述應用的集合。該集合下，AI為醫療體系帶來改變的傳導模式基于效率，沒有對醫療體系本身帶來顯著改變

24、。1.2 進階AI：顛覆式的價值創造AI2.0是AI1.0應用場景范疇的延展，與AI1.0的差異判別在于：是否能夠將知識與算法深度融合，對已有醫療流程進行顛覆。簡單來說，初始的AI注重于強化作用主體的效率，而進階的AI有能力將流程進行推倒重建，圍繞AI能力建立新的秩序。兩種AI以各自的方式賦能醫療體系，為協同關系而非競爭關系。目前醫療AI行業已有不少成熟的AI2.0式應用，在這背后，日益豐富的高質量醫療數據與逐步多元的算法為AI創新提供了重要支撐。1.2.1 影像設備功能擴展8在影像設備的發展史中常常會出現設備之間的應用場景替代現象。譬如，傳統放療常用錐形束CT（CBCT）對直線加速器進行引導

25、，而磁共振成像可以提供常規CT難以比擬的分辨率和組織結構呈現，有能力在某些特定場景對CT引導進行替代。AI技術同樣有能力促成替代現象的發生，這項技術既有可能推動特定場景下某一設備對原有設備進行替代，亦有可能幫助已被替代的設備重新獲得特定場景的使用權。心功能分級是一種評估心功能受損程度的臨床方法，可以大體上反映患者病情嚴重程度，對治療措施的選擇、勞動能力的評定、預后的判斷等有實用價值，通常采用心電圖、心臟超聲、心臟磁共振等手段進行評估心臟病變的嚴重程度。理論上講，利用CT也能完成評估作用，并獲取維度更多的信息。但在實際之中，CT不能測量血流信息，基于冠脈CT的心功能評估流程復雜驗證困難，相較心電

26、圖、心臟超聲的方式成本、效率均不占優勢。AI介入之后，CT繁雜的心功能評估過程能在CTA重建中實現，患者可以在螺旋CT輔以心電門控技術的組合下獲得4D數據顯示心臟解剖及功能，無需獨立進行超聲檢查。通過這一路徑，AI通過CTA間接優化了心功能檢查流程，醫生能夠更精準地通過分級判斷患者預后，進而規劃更有效的治療方案?；诠诿}CT的心功能評估目前尚未廣泛應用，但這一案例顯示了一種可能，即AI有可能增強醫學影像設備的作用半徑，進而合并多項檢查，為臨床流程優化提供新思路。1.2.2“老技術”新用FFR是一種功能學評價冠脈血流動力學的指標，可通過進行冠脈狹窄功能性評價，輔助醫生進行冠心病診斷，精準判定心血

27、管血流功能的好壞，減少不必要的冠脈造影，幫助醫生更好規劃冠脈治療方案?；趯Ыz的 FFR 測量主要應用壓力導絲得出 FFR 值，測量過程中需要配合采用三磷酸腺苷等血管擴張藥物誘導最大充血反應，對于不適用相關藥物的患者無法進行檢測。而且由于測量插入壓力導絲，時間較長，患者比較痛苦，每次壓力導絲的費用在1 萬元左右，費用較高。因此，有創 FFR 普及率不高。影像 FFR 測量利用AI、流體力學等技術，用算法替代了壓力導絲介入血管，消除壓力導絲為病人造成的痛苦，且測量過程中無需使用血管擴張藥物。同時，無創FFR 的費用在2000-3000元，相比有創FFR，費用較低。在保證準確度的前提下，把介入式診

28、斷變為無創診斷。因此，無創FFR應用更廣。CT-FFR是影像FFR測量方式中一種，由美國企業HEARTFLOW開創，在全球范圍內實現廣泛應用。國內科亞醫療、睿心醫療、數坤科技等企業基于CTA檢查與其自研的AI，為患者提供智能化的無創FFR分析，替代有創的導管FFR。AI支持下的CT-FFR進一步延展FFR的功能，如通過功能性心肌缺血評估，減少不必要的診斷性冠狀動脈造影檢查和支架置入數量，有效避免有創 FFR 造成的藥物副作用及并發癥，在DRG支付下具備顯著的衛生經濟學價值。9對于后者，醫療AI的介入能夠將耗時量大、重復勞動率高的影像后處理過程交由智能化的算法進行處理，將處理時間縮短為數分鐘，實

29、現更為精準、高效的FFR計算。到目前為止，國內已有科亞醫療、睿心醫療、博動醫療等企業獲得了AI支持下的CT-FFR、OCT-FFR三類證?？偟膩碚f，AI在特定條件下的數據分析能力可以跨過常規步驟獲取結果，其計算過程等價于借助耗材獲得數據后進行的分析。在這種情況下，充分發揮AI的數據分析能力，有望減少部分疾病診斷過程中對于耗材的使用，進而重構臨床流程，減少檢查過程中患者支付的費用及診療受到的傷害。1.2.3 通過影像學量化分析探索可能的病癥變化在常規診斷流程中，放射科醫生通過翻閱CT影像評估患者病灶，可以獲得的信息包括病灶密度、病灶形態、病灶數量與病灶大小，但由于缺乏精準量化分析，診斷過程中忽視

30、的一些細節，可能成為左右患者病情的關鍵所在。因此，AI的介入能夠對醫學影像進行更為細致地量化分析，甚至能夠借助大數據找到一些過去不曾存在的聯系。新冠肺炎疫情初期的患者往往存在較為嚴重的肺部病變，其不同時期的胸部CT有著不同的影像征象，這些征象部分具備特異性。但是如何對征象進行鑒別區分，如何設立評估標準，如何進行后續治療，在2020年初期尚未存在明確答案。借助于AI，聯影智能曾在當時進行了一項新冠肺炎回顧性實驗，結果顯示：新冠病毒患者的CT影像中，存在較多磨玻璃影，呈鋪路石征，而細菌性肺炎患者的CT影像中實性病變較多且有時伴有胸腔積液的情況。借助這些信息，聯影智能已經能夠給出一個所患肺炎類型的概

31、率結果，幫助醫院及時判斷患者病情。在實驗過程中，聯影智能通過AI輔助分析系統將肺部分成不同的肺段，把其中的病灶勾勒出來，計算每一個肺段病灶區的感染比例，從而為診斷感染情況提供參考。利用AI算法可以精準地計算感染區域在不同肺葉、肺段的分布。新冠疫情期間，聯影智能曾基于1294個肺炎病例進行空間結構歸一化與統計分析，形成新冠肺炎在全治療過程中的圖譜結構，可一目了然地看到疾病進展與治療過程中的變化結果。通過大數據分析，聯影智能能夠找到某些鑒別診斷的規律，對征象進行精準量化分析，醫生也能夠對新冠肺炎患者進行輕中重病情程度劃分，制定個體化的隔離、治療方案，對緊缺醫療資源的調度以及患者治療進行一定程度上的

32、優化。透過這個案例可知，通過特定方式處理影像，并借助AI進行分析，有可能得到肉眼無法觀測到的診斷結果。如果能將AI帶來的智能化能力賦能醫院，醫生或能借助回顧性研究找到更多規律，并借助發現的規律重塑診斷標準與診斷流程。1.2.4 蛋白質結構預測蛋白分子是生物系統發揮功能的核心，獲取了蛋白結構，我們便可以利用計算方法進行口袋檢測、分子對接、虛擬篩選等來輔助藥物設計過程。但蛋白分子的真實三維結構獲取復雜且昂貴，往往是10通過X射線晶體學、冷凍電鏡與NMR等實驗手段獲得，目前解得蛋白質結構約18萬種，遠低于UNIREF90中10億條蛋白序列。GOOGLE旗下DEEPMIND的ALPHAFOLD系列技術

33、通過多序列比對（MSA）挖掘共進化信息，找到蛋白質序列特征結構，加之不變點的注意力機制的應用，實現了2.14億個蛋白質序列的預測，并且得分已經接近于實驗技術獲得的結構水平。其中，58%單個氨基酸位點的蛋白預測結果達到了足夠的置信度，36%的預測為藥物開發提供了詳細的原子特征。從ALPHAFOLD到ALPHAFOLD2，DEEPMIND兩代ALPHAFOLD算法帶來的技術突破正深刻地影響著新藥AI領域的發展，解決了生物學界長達50年的蛋白質空間結構預測難題，極大推動了新藥AI領域的發展進程，尤其是在AI+大分子藥物領域的研發?；贏LPHAFOLD2對蛋白質結構的精準預測，研究人員能夠更加高效進

34、行基于結構的藥物設計，也為靶點發現和藥物設計打開了新的思路。ALPHAFOLD2的推出對藥物研發領域的意義在于：預測出的蛋白質結構信息能闡明蛋白質結構活性關系（SAR），揭示結合模式和生物活性構象，并揭示新的結合口袋或變構結合位點。不過也需注意，ALPHAFOLD2僅僅完成了蛋白質的結構解析，從蛋白質結構預測到新藥研發實踐，還有很多問題待解決。如果AI能夠對蛋白質的功能進行預測，必將加速這項技術的商業化落地。1.3高壁壘、長積累，醫療AI大有可為醫療AI2.0的價值創造方式與AI1.0有所不同。1.0時代是覆蓋式創新，即肺部做完了轉向腦、心、肝等臟器，而2.0時代的創新是以1.0創新成果為基礎

35、的單點式創新，即各企業在各自領域探索AI的深層次價值，沒有形成1.0時代的AI產品矩陣規模。那么從1.0到2.0時代的躍遷什么最重要？決定AI品質的算法、算力、數據三要素，真正能夠形成壁壘的還是算法與數據。以輔助診斷類AI為例。AI1.0時全球范圍內均缺少開源的醫療大數據，AI企業能夠直接獲得的數據很少，存在數據量小、標準化低、標準成功率低、數據類型有限（以肺結節為主）。在這個階段，企業獲取有效數據集必須與醫院進行合作，在取得脫敏數據后對其進行分類、標注、訓練。由于整個過程均需人工進行，單個數據標注成本在10-30元不等，耗時20-40分鐘，投入有限但耗時極長，尤其要獲得高質量的標注，企業/醫

36、院必須找到資深醫生進行標注，標注的難度由此大大提升。伴隨AI技術愈發成熟，2020年開始，大量醫院自發加入的單病種影像數據庫、第三方測試數據庫的構建中，數據量呈現指數增長，AI企業進行新適應癥開發面臨的難度驟減，加之第三方數據庫逐漸形成規模，醫療AI的產品豐富程度隨之增長，AI企業打造的數據壁壘開始削弱，算法壁壘的作用開始凸顯。另一方面，國家藥監局器審中心于2022年3月7日發布了的 人工智能醫療器械注冊審查指導原則（后簡稱 指導原則）重新描述了人工智能醫療器械的概念、注冊基本原則、人工智能醫療器械生存11過去，深睿醫療、聯影智能、騰訊醫療、醫準智能等企業曾在小樣本學習、無監督學習等新式AI算

37、法等方向進行嘗試研究，這些新的研究結果同樣屬于當前定義下的AI，但卻未被當年的審評審批包含其中。在文件發布后，更多創新算法審評審批流程得到確認后，醫療AI的壁壘逐漸向算法偏移，更為豐富的算法將進入市場，以更為有效的方式賦能診療流程?？偟膩碚f，無論是AI1.0時代還是AI2.0時代，醫療AI的價值都在于通過智能化重塑數字化醫療，這是一個緩慢而持續的過程。目前，AI+輔助診斷與新藥AI研發等主流AI產品處于商業化的過渡期，即具備高準確度、可復制的模型；NMPA給出的醫療器械認證；完備的知識圖譜；穩固的合作伙伴等等商業化組件，但由于市場對于新技術認可的滯后性，大部分目標醫院/藥企因對智能化產品效益、

38、創業公司能否持續經營運維持懷疑態度，因此付費率仍有提升空間。隨著市場對于AI價值的不斷認可，醫療AI企業們的商業化能力將逐步增強，或在數年之內實現扭虧為盈。周期過程、技術考量等部分。值得注意的是，該政策對人工智能審批適用的算法進行了完善，在深度學習的基礎上加上了遷移學習、集成學習、聯邦學習、強化學習、生成對抗網絡、自適應學習。12圖表 2 各類AI算法的內容與監管數據來源：蛋殼研究院13圖表 3 政策的推進歷程數據來源：蛋殼研究院數倍營收增長，距離盈利僅一步之遙Multiple revenue growth,just one step away from profitabilityCHAPTE

39、R02技術的發展前景一定程度取決于應用該技術的場景的活躍狀況。雖說以神經卷積網絡為核心支撐的AI早在上個世紀便已應用于處理大型數據集，但這項技術真正進入市場并得到資本的青睞，已是21世紀的第二個十年。從全球范圍看，基于計算機視覺的AI輔助診斷與基于NLP的醫療知識圖譜構建是醫療AI之中跑得最快的兩個領域。尤其是AI輔助診斷，在2015-2020年這個區間之內，數百家企業涌入這個賽道，超過百家企業從一級市場獲得融資。2020年1月，科亞醫療率先憑借深脈分數取得首張影像AI三類醫療器械注冊證，標志著影像AI商業化時代的到來。而后兩年時間，影像AI頻頻獲批醫療三類器械，找到可行盈利路徑的頭部影像AI

40、廠商開始陸續交表，駛向二級市場。與此同時，技術可行性得到確認的新藥AI研發賽道開始逐漸取代AI影像成為新的創業公司聚集地，醫療信息化也憑借新概念數字療法的崛起而重新引入新鮮血液。本章將逐一對醫療AI的一級市場、二級市場表現狀況進行分析，逐一解讀醫療AI各賽道的投資熱點、發展狀態與未來盈利的可行性。2.1 影像相繼IPO，新藥研發成一級市場主要標的2021年9月1日-2022年8月31日（后簡稱2022統計年）總計發生醫療AI相關融資事件112起，相較2020年9月1日-2021年8月31日（后簡稱2021統計年）融資事件總量略有減少。將2021統計年融資事件進行拆分可見，新藥AI研發以43起名

41、列第一，AI影像37起位居第二。但到了2022統計年，AI影像企業大量遞交招股書導致一級市場融資數量驟降至26起，造成融資總量有所下滑。15圖表 4 醫療AI不同領域的融資情況數據來源：蛋殼研究院AI影像在2018年攀至投融資的巔峰，隨即在次年開始逐步滑落。減少的企業以天使輪創業公司為主，以2021統計年為例，沒有新的項目獲得天使投資人的青睞，A輪融資也僅有4起。相比之下，位于頭部的AI企業，如科亞醫療、睿心醫療、鷹瞳科技、數坤科技、深睿醫療、推想醫療、醫準智能、強聯智創、匯醫慧影等，均在統計時間內進行了多輪億級融資，市場資本高度聚集。在2022統計年中，主要融資數據貢獻者科亞醫療、推想醫療、

42、數坤科技已相繼提交招股書，而天使輪/A輪融資表現與2021年相仿，僅4家企業構成5起融資。AI放療企業柏視醫療在這一年中完成了兩次融資，但該企業自2017年成立起已在AI放療領域進行了廣泛研發與落地，2022年的融資可能更注重于商業化落地。以康復機器人、手術機器人為主的AI機器人賽道融資數量同樣有所下滑。我們認為，宏觀層面下AI機器人賽道中的企業多以設備制造為主，AI解決方案為輔，因而資金投入較其他賽道規模更大，人才更為聚集，整體數量較少。微觀方面可分為三點。其一，近年市場表現中傳統康復機器人企業已在存量市場之中占據有利地位，以AI解決方案作為新價值輸出點不足以構建一個有力的增量市場。其二，國

43、產手術機器人發展受挫，微創、天智航等頭部企業雖有完成NMPA注冊的產品，但因缺乏市場教育不能有效落地，投資人對于手術機器人未來商業化的可行性存在顧慮。其三，血管介入手術機器人等賽道仍處于探索之中，雖有潛力但未能充分驗明AI臨床價值與商業價值。因此在2022統計年，AI機器人的融資數量由19起減至10起，出現較為顯著的減幅。信息化在2021年通過“數字療法”找到新的增長點。從融資數據來看，2021-2022年兩個統計年該領域變化不大，區別在于2022年更多數字療法企業獲得了融資。具體而言，惠每科技、森億智能等企業已經屬于后期項目，南栗科技、望里科技等瞄準慢病管理及心理健康管理的領域則存在更多不可

44、估量的發展可能。新藥AI研發方面，盡管還沒有一款由AI研發的新藥上市，但新藥AI已經跨過了講概念的階段，步入快速發展期。據蛋殼研究院不完全統計，目前已有近40款AI藥物管線已經步入臨床階段，其中2款獲得FDA緊急授權批準，11款處于臨床2期，24款處于臨床1期。換句話說，無論是否將AI用于藥物研發，生物制藥企業已普遍將AI視作一種常態化工具，這意味著AI已經有了市場基礎，因而能夠一定程度上解釋新藥AI融資的全面爆發。另一方面，EXSCIENTIA、SCHRDINGER等海外企業億級的訂單與SAAS模式下提供技術服務穩定收入，也為創業者與投資人注入強心劑。資本持續加持下，新藥AI迎來創業高峰。這

45、一趨勢很好反應了2021統計年的融資數據中。2021統計年總計發生的35起披露輪次新藥AI研發融資中，早期項目（B輪以下，不包括B輪）占據了80%，2022統計年整體數量由28起增至32起，早期項目仍維持有76%的比例。2021年前，資金往往聚集于晶泰科技這樣的頭部企業，新藥AI初創公司融資項目極為有限，但從16近兩年新藥AI一級市場表現可知，新藥AI已經成為AI中最具可投性的賽道，大量投資機構蜂擁入場，將AI的應用場景從晶體發現、臨床患者篩選引向了制藥流程的方方面面。圖表 5 2021年及2022年新藥AI融資輪次情況數據來源：蛋殼研究院圖表 6 新藥項目融資體量分布情況數據來源：蛋殼研究院

46、同為軟件開發，新藥AI研發的估值要比AI支持下的其他賽道貴上不少。統計數據顯示，處于天使輪的項目均需千萬元以上，A輪（包括PRE-A輪、A+輪）企業募集的資金超過半數已過億元。投資人對于新藥AI研發賽道非常樂觀，晶泰科技后期單輪3-4億元的募資額，新合生物5億元A+輪融資、百圖生科1億美元A輪融資均充分顯示一級市場相信新藥AI有著美好的圖景。172.2 多家企業步入二級市場，AI影像仍是主流二級市場對于上市醫療AI企業的價值包括提供現金流以供企業進行新項目研發；揭示營運數據展示公司發展潛力；提升品牌影響力便于更好的執行產品銷售等，而對于醫療AI這個賽道，登錄二級市場，還多了一層“技術真實可行”

47、的含義。醫療人工智能在2021年掀起上市潮，醫渡云、科亞醫療、零氪科技、鷹瞳科技、推想醫療、數坤科技相繼遞交招股書；醫渡云、鷹瞳科技成功上市。但這波勢頭在2022年戛然而止，大部分頭部AI企業現金流較為穩定，資金儲備充足，出于處于經濟壓力下行下破發的憂慮，截至9月15日，國內僅博動醫學遞交招股書。值得注意的是，該企業以冠脈介入精準診斷為主攻方向，AI支持下的QFR僅是其產線之一。2.2.1交表企業主營收入分析為了更好地反應中國AI技術發展狀況，我們選擇了亞洲交易所中6家已上市及擬上市的企業作為標的進行對比分析，他們包括專注于提供泛血管介入手術數字化診療解決方案的博動醫療、布局醫學影像平臺打造數

48、字醫生產品矩陣的數坤科技、圍繞AI開展全科室數字產品的推想醫療、主打AI眼底篩查的鷹瞳科技與韓國主打AI影像和AI病理的LUNIT?？傮w呈現旺盛的營收增長態勢五家企業的營收均呈現出不同幅度的正增長，表明市場進一步拓展，其中數坤科技2021年上半年同比增長達681%。收入已成規模的鷹瞳科技仍然錄得142%。圖表 7 交表企業主營收入分析 數據來源：各公司招股書、年報、LUNIT BP，蛋殼研究院18根據灼識報告，中國主要醫學影像模態的掃描量從2015年的19億次掃描增長至2020年的25億次掃描，預計于2030年將達40億次掃描，年均增長率約30%。盡管中國醫學影像掃描量基礎龐大，中國每百萬人次

49、的掃描量仍較低，于2019年，中國每百萬人次中，四種主要醫學圖像模態DR、CT、MRI及超聲的掃描次數僅為約1.7百萬次，預計于2025年將增至約2.3百萬次，表明中國的醫學影像市場具有巨大的增長潛質。營收結構來看。博動醫療基于軟硬件一體化（包含AI技術）帶來的設備銷售額占比為89%，技術服務占比為8.9%，對比鷹瞳科技收入中數字化軟件解決方案部分貢獻4285萬元，占比89.9%，硬件部分(眼底相機產品為主)銷售額度為334萬元，僅占7%。2.2.2凈利潤分析AI影像毛利率總體維持在高位，前景可觀在四家中國企業中，毛利率值除鷹瞳科技在65%左右以外，博動醫療、數坤科技、推想醫療三家企業的毛利率

50、均維持在80%-90%的極高區間，前者較后三家較低的原因之一是，后三家企業更多的選擇分銷與直銷的商業模式，鷹瞳科技更偏重直銷模式，增加相應的產品服務成本。高毛利也映射出目前AI影像行業的發展前景樂觀。從凈利潤中看行業仍處在早期盡管如此，5家企業凈利潤數據仍然為負，且部分虧損在2021數據中持擴大，僅一家實現凈利潤同比的增長，與同期相比，推想醫療在2021年一季度大幅收窄，但主要是由于其2020的虧損基數較大所致，2020年其虧損數額相對較高。圖表 8 交表企業凈利潤數據對比分析數據來源：蛋殼研究院19從交表企業的凈利潤數據對比來看，5家企業中4家在選取的財報期間均存在虧損持續擴大的情況。其中博

51、動醫療同期虧損率最高，主要由于企業目前在研發項目及銷售、分銷與行政開支中產生過高的成本占比所致，以博動醫療為例，在2020財年及2021年前9個月的費用支出中，費用支出額依次為研發費用行政開支（管理費用）銷售費用，每一單項費用的數額均遠高于同期產品成本。從交表及已上市的企業凈利潤數據來看，目前AI影像整體的商業發展還處于行業早期，一方面，技術研發投入占比極高，抵消了部分利潤，另一方面，盈利規模效應還有待顯現，相信在經過行業早期的積累后，商業發展會迎來一個穩步發展期。2.2.3研發支出分析研發支出增長率與營收增長率呈線性相關在研發開支上，就2020年數據來看，數坤科技研發支出占總支出額比例最高，

52、達54.8%。同時2021年上半年數坤科技的研發支出增長比例高達193.53%，與數坤科技2021年上半年總營收681%增長率相呼應。研發開支增長率其次的博動醫療在2021年營收（前9個月）增長率上亦緊隨數坤科技。由此我們可以看出，研發開支的增長率就行業的現階段發展而言，與營收增長率存在線性相關性?？傮w呈現增長，賽道企業重視研發投入圖表 9 交表企業研發支出分析數據來源：各公司招股書、年報，蛋殼研究院20四家企業中，研發投入總體呈現正增長的趨勢，數坤科技與推想醫療研發支出絕對額均超6000萬，博動醫療研發支付雖然相對較低為1668萬，但博動醫療研發支出在總支出的占比中達到了近一半的份額。由此可

53、見，研發作為AI行業的核心要素，在AI醫療賽道的大部分企業中均獲得了較好的重視。2.2.4前五大客戶集中度分析五大客戶集中度的影響因素在五大客戶的占比以及占比變動中，一方面由于數坤科技、博動醫療、推想醫療目前采用的商業銷售模式與鷹瞳科技存在一定差異，如前三家企業采用分銷與直銷相結合的方式，前五大客戶中，分銷商占比較高。另一方面，由于在C端的應用場景也會一定程度影響到前五大客戶的渠道集中度，例2.2.5最大客戶分析我們選取了博動醫療、鷹瞳科技與LUNIT三家企業，從最大客戶的占比變化和客戶性質兩個維度來對比。最大客戶占比變動據博動醫療招股書披露，企業2020年最大客戶的占比為22.3%，對最大客

54、戶的依賴性較??；2021年前九個月，最大客戶單一占比已超過一半，高達59.9%，企業銷售業務的運營風險和對單一客戶的依賴性增高。而在鷹瞳科技披露的2021年報中，最大客戶的占比已經從43.5%下降到34.04%，企業的客戶依賴性得到有效稀釋，客戶端運營風險降低。圖表 10 前五大客戶集中度分析數據來源：各公司招股書、年報，蛋殼研究院21從最大比例看客戶性質客戶性質上，雖然博動醫療、鷹瞳科技、LUNIT等醫療AI公司的終端客戶都無一例外的含有醫療機構，但是相關的銷售模式和占比卻不盡相同。目前國內的博動醫療與鷹瞳科技主要采取直銷與分銷結合的商業化策略，國外的LUNIT采用與醫療器械設備商合作的方式

55、進入終端市場。消費醫療終端的增長趨勢：鷹瞳科技的最大客戶從2020年的體檢機構變更為次年的保險機構，且保險機構從2020年貢獻總收入占比的13%提升到2021年占總收入的29.3%，增幅最為明顯，前五大客戶中的保險機構數量也從2020年的2家增加至3家。同期，醫療機構的營收貢獻占比下降。這也看出在鷹瞳科技目前的收入結構中，消費醫療場景，如保險、體檢等終端的銷售額不僅占據營收主要部分，而且保持穩步增長的趨勢。與器械設備商合作進入市場：有別于國內影像AI企業，目前LUNIT的核心AI診斷INSIGHT產品主要采用與其他器械商簽訂合作協議的商業策略，搭載器械設備的系統，一同進入終端的模式。目前，LU

56、NIT通過與GE醫療、PHILIPS和富士、西門子等全球醫療器械巨頭合作的方式，在全球鋪開了40多個國家/地區約600家醫療站點的網絡。22圖表 11 最大客戶分析數據來源：各公司招股書、年報、LUNIT BP，蛋殼研究院2.2.6 新藥AI代表企業財務數據收入結構數據的變動趨勢在2020年2月登陸納斯達克的SCHRDINGER，作為提供AI 藥物服務平臺的上市企業，其基于物理的計算平臺可以較為精確地預測分子的關鍵理化性質，高效地發現高質量分子。在SCHRDINGER披露的年報中我們可以看到其商業模式含有兩種類別，其不僅為全球頭部制藥企業提供SAAS服務，還與10多家藥企合作，開展藥物研發項目

57、，涵蓋腫瘤、神經、免疫疾病領域的小分子藥物等。圖表 12 SCHRDINGER年報收入趨勢數據來源：SCHRDINGER年報，蛋殼研究院從趨勢上看，SCHRDINGER總體收入和軟件服務呈現出較為穩定的增長趨勢，藥物發現收入板塊雖然增長存在一定的波動性，但目前總體呈現小幅增長的情況，也顯示出目前在新藥研發AI 板塊的收入還未成熟，處于盈利發展階段。無獨有偶，目前商業模式以AI開發內部管線為主的企業RELAY THERAPEUTICS，營收情況處于虧損狀態。盡管如此，RELAY THERAPEUTICS目前的市值與年營收1.38億美元SCHRDINGER相當，顯示出資本市場對于AI 新藥研發商業

58、模式的看好。23In addition to IPO,many factors affect commercial realization,and profitability needs to break through these barrierCHAPTER03IPO之外，多因素影響商業變現盈利需要突破這些檻企業的IPO數據反映了最成熟AI技術的商業化現狀，但已商業化技術可能并非最具潛力，由此獲得的收入也不能反映企業未來盈利能力。本章將對醫療人工智能目前作用的四個主要場景進行完整分析，探尋IPO之外的AI產業發展現狀及盈利能力。3.1 影像AI 發展現狀及商業化影響因素 判斷一個AI產品到

59、底屬不屬于醫療器械，主要包含三個方面的判斷：首先，考慮產生的數據是否來源于醫療器械，其次，設備的核心功能是不是對醫療器械數據進行處理、調查、測量分析等；最后，這個產品本身需要用于醫療的用途。絕大多數影像相關的AI滿足上述條件，因而被納入醫療器械進行監管，所有AI企業擁有豐富的產線，但只有寥寥數種產品獲得審評審批。因此，進入醫療器械”定義范疇，對影像AI的注冊、落地、商業化、產品迭代等重要方面擁有極其深遠的影響，只有計算影像AI已通過審評審批AI產品與未來可以通過審評審批產品的價值總和，才能真正估量影像AI的真實價值。3.1.1 參與者驟增，審評審批逐步完善根據 深度學習輔助決策醫療器械軟件審評

60、要點 要求，市場準入要求影像AI通過第三類醫療器械審批。但作為非傳統類的軟件類醫療器械，AI所使用的算法、調用的數據、作用的目標都在傳統指導原則之外，器審中心也需摸著石頭過河，謹慎推進醫療AI產品的注冊審批。因此。直至2020年，沒有基于深度學習算法的智能化產品通過審評審批。2020年后人工智能醫療器械審批框架逐步成型，企業審批速度大幅加快。與此同時，醫院、高校、社會機構加入第三方醫學影像數據庫的構建之中，進一步補全了影像AI驗證環節中面臨的數據量不足問題。以北京協和醫院建設的糖尿病視網膜病變常規眼底彩色照相AI標準數據庫為例，該數據庫一共包含了1.5萬張糖尿病患者后極部眼底彩照，數據來源于全

61、國14個地區的真實世界數據，涵蓋了目前市場上主要眼底相機機型，且每個數據在入庫時都經過了嚴格的倫理審查和清洗脫敏。從數據的采集來看，該數據庫數據包含了早期病變、中期病變和晚期非增殖型病變等不同時期、不同種類的糖尿病視網膜病變。同時，北京協和醫院對各病例分為了“無其他疾病”與“合并其他病癥”兩類，很大程度上復刻了真實世界的糖尿病視網膜病變分布，可視作數據庫建設的樣板。252022 人工智能醫療器械注冊審查指導原則 是醫療AI審評審批發展的又一個關鍵階段，包括多種AI算法在內的完善全面的數字醫療審評審批體系已經有了雛形。結合藥監局還在同年3月陸續發布的 國家藥監局器審中心關于發布醫療器械網絡安全注

62、冊審查指導原則（2022年修訂版）的通告（2022年第7號）、國家藥監局器審中心關于發布醫療器械軟件注冊審查指導原則（2022年修訂版）的通告（2022年第9號）兩大文件，計劃建立完善全面的的數字醫療審評審批體系。2022年7月5日，國家衛生健康委能力建設和繼續教育中心發布 關于放射影像數據庫建設項目課題立項評審結果公示的通知，在推動放射影像數據庫建設的同時，也為影像AI打好了基礎。通知內容顯示第一批放射影像數據庫建設項總計13項，包括心腦血管影像數據庫、慢性肝病及原發性肝癌影像數據庫、缺血性心臟病核醫學多模態影像數據庫、胃腸道疾病影像數據庫、急診影像數據庫、慢性阻塞性肺疾病數據庫等嚴重影響我

63、國居民生命健康的重大疾病數據庫，還有8項建設意向被列入儲備庫，有望在后續批次納入建設之中。26圖表 13 視網膜病癥數據數據來源：蛋殼研究院圖表 14 2022年度放射影像數據庫立項課題名單數據來源：蛋殼研究院總的來說，審評審批流程在幫助醫療AI企業控制產品風險的同時，也成為其研發成本的主要構成，隨著流程逐漸標準化，醫療AI產品的研發成本及研發周期逐步可控，AI可以涉足的病種逐步拓寬，進而從成本控制、收入邊界兩個角度推動醫療AI產品走向盈利。3.1.2 審評審批加速，人工智能注冊成本逐步可控作為醫療AI行業發展的風向標，截至9月1日已累計28家企業49款AI產品獲得第三類醫療器械注冊證，包含總

64、計29款搭載深度學習算法的軟件。從整體趨勢看，國家藥監局批準AI醫療器械三類證的速度不斷變快，加速了醫療AI的商業化進程。聯影集團6張醫療AI三類證位居榜首，旗下聯影智能獲5張三類證，聯影醫療獲1張三類證；深睿醫療并購依圖醫療后拿下了額外兩張證，總計獲得5張三類證；頭部AI企業數坤科技、推想醫療及其心臟介入醫療器械制造商樂普醫療各獲得4張三類證；騰訊醫療、匯醫慧影、安德醫智、體素科技各自拿下兩張三類證。圖表 16 獲證數量按照年份統計數據來源：蛋殼研究院27圖表 15 放射影像數據庫儲備課題名單數據來源：蛋殼研究院圖表 18 三類證獲取按照病種分類統計數據來源：蛋殼研究院28圖表 17 獲證數

65、量按照企業統計數據來源：蛋殼研究院醫療三類證總量隨時間推移不斷上升，其同質化水平也不斷加劇。49款AI產品總計涉及15個輔助診斷場景，其中，基于CT影像的肺結節AI多達9個，其次是借助眼底相機進行診斷的糖尿病視網膜病變AI，有7家企業拿到了市場的準入許可。CT-FFR、CT肺炎緊隨其后，各有6家三類證，除AI心電領域樂普醫療獨下4張三類證外，放療、骨折、骨齡、顱腦出血、青光眼五個場景均有不止一家企業的AI產品通過審評審批。某一病種通過審評審批的速度、數量與該病種的數據量、數據獲取難度、數據存儲難度、國內外行業標準、AI計算邏輯與臨床診斷的契合程度、AI的經濟效益等因素相關。肺結節與糖網病變是A

66、I最先攻克的兩個場景，原因在于兩者均有豐富的公開數據集，患者人數眾多，相關標準易于制定，臨床試驗所需各期數據獲取難度、成本低。而青光眼則因相關眼科醫生缺失，缺乏行業標注標準支持，需要AI企業從頭做起，因而暫時僅有騰訊醫療、百度靈醫智惠兩家資源充足的互聯網巨頭下屬企業攻克了市場準入難題。進一步討論醫療醫療AI作用的設備。當前所有獲批產品使用的數據均來自于CT、眼底相機、X光、心電圖機、MR、腸鏡六類設備。CT場景作用范圍廣，作用價值高，患者人數多，標準數據量大，因而成為AI企業研發的首選，相關AI以31款的數量遙遙領先其他設備，而MR影像較為復雜，數據量偏少，腸鏡影像標準化困難，均僅一款AI產品

67、獲批。超聲是人工智能企業下一個可能注冊準入迎來新突破的重點賽道。超聲檢查所產生的數據比CT、DR二維的數據多了一個時間維度，且檢查過程中可能存在大量無診斷意義的幀數，需要AI在動態環境下甄別每一幀的價值，將其相互對比，提取到特定時刻的責任切面，才能進行有效的影像分析。目前醫準智能、深至科技等企業再超聲領域進行數年布局，醫準智能擁有全球首張超聲動態實時輔助診斷技術注冊證，已在乳腺、腹部、甲狀腺等部位應用，深至科技則在掌聲超聲智能化方面布局較多，意在推動基層醫療超聲篩查。病理AI的形勢相對嚴峻，面臨著審評審批體系之外的困難。由于影像輔助診斷處于產業鏈的中游，依賴于上游影像設備的統一，而國內主流的電

68、子顯微鏡廠商沒有指定統一的數據標準，也沒有理由根據行業指定的數據標準對電子顯微鏡進行更改，因而在數據的互聯互通上存在一定問題。該場景中迪英加、錕元方青、深思考等部分病理企業已拿到醫療器械二類證，能夠進行一定規模的AI銷售?？偟膩碚f，在審批愈發成熟的條件下，醫療AI的開發成本逐漸變得可控，更多面向小眾場景的影像AI也逐步拿到了器審中心頒布的三類證。譬如微視醫療在腸息肉中的研究、西門子在胸椎影像中的研究同樣為其拿下醫療器械三類證，未來醫療AI的應用場景將隨審評審批流程的成熟而進一步擴大，醫療AI企業也將獲得更多規避風險的能力，有效降低研發成本。3.1.3 投身生態，影像AI有望盡快盈利完成市場準入

69、的各個AI產品可以在探索物價準入與醫保準入的同時進行商業轉化。目前各企業正在積極推動省市物價準入，如科亞醫療“深脈分數”已跑通北京市、河北省、山東省、浙江省、江蘇省等11 省物價環節；博動醫療的QFR物價已獲得11個省市的批準；鷹瞳科技的眼底AI完成5個省市物圖表 19 醫療人工智能作用設備分類統計數據來源：蛋殼研究院29從LUNIT給到的收入趨勢圖可以看到，富士影像、GE醫療、飛利浦醫療與AGFA的進入分別對應了LUNIT收入大增的三個節點，尤其是海外收入部分，在合作伙伴的協助下成倍提升。2年時間，LUNIT的影像AI營收規模翻了30倍?；贚UNIT的案例，我們認為，盡管國內AI企業希望保

70、持獨立的個體，借助招投標與直接銷售兩種模式，但在未來，將渠道工作交給影像設備企業、PACS廠商，自身專注于細分賽道的研發，形成細致的行業分工，或能更加利于影像AI的快速發展。圖表 20 LUNIT INSIGHT 簽約合作設備廠商伙伴增長趨勢數據來源：蛋殼研究院30價準入。醫保準入方面，2021年4月，上海醫保局將“人工智能輔助治療技術”等28個新項目納入上海市基本醫療保險支付范圍，其中AI輔助治療的限定支付范圍為前列腺癌根治術、腎部分切除術、子宮全切術、直腸癌根治術，患者自付比例為20%。盡管物價準入和醫保準入獲得一定突破，但仍未成規模。當前影像AI的主要服務對象以各類醫療機構，不同層級的醫

71、療機構有所差別，主要包括軟件買斷制和根據調用次數付費兩種模式，服務對象通常為第三方體檢機構、私立醫院等非公醫療體系。絕大多數用戶采取買斷方式進行采購，僅少量體檢中心選擇按例收費這一輕量方式。招投標分為直接招投標與代理商招投標兩種模式，除招標主體不同外在流程上沒有區別。據蛋殼研究院統計，2022年AI影像相關招投標數量總計57起，其中肺炎AI、CTA是目前公立醫院的主要購置項目，與2021年相比，這一數字增加了25起，增幅高達75.76%。通過與醫療影像設備企業合作進行銷售是目前主流的銷售模式之一。國內柏視醫療等AI放療企業與頭部放療設備建立合作，有效推動了產品的商業化落地，而韓國企業AI影像上

72、市公司LUNIT更以經營數據佐證這一方式的可行性，這家公司主要采用兩種模式進行推進，其一是與設備廠商合作，將AI直接置入DR、MAMMO等影像設備，使放射科醫生在成像時便可給出診斷結果；其二是與PACS廠商進行合作，將AI的圖片解析過程放在閱片階段進行。以中國目前醫學影像設備發展局勢看，擁有搭建影像AI新生態的企業包括GE醫療、飛利浦醫療、西門子醫療、聯影醫療四家龍頭企業。GE醫療的生態基于其數字醫療智能平臺“EDISON”。飛利浦與“國家隊”神州醫療共同打造了“神飛云”中國智慧醫療云平臺、西門子基于云端大數據平臺及生態圈構建的“TEAMPLAY”平臺、聯影醫療也有其智能診療平臺。GE醫療的優

73、勢在于EDISON平臺的開放、共享、可延展性。目前GE醫療與醫準智能、推想醫療、數坤科技等7家國內頭部AI公司取得合作，收獲了一批國內頂級AI產品。此外，GE醫療在影像設備國產化上投入較大，影像設備裝機量保持穩步上升，為AI生態的可持續發展打好了基底。飛利浦醫療擁有上述四家企業中唯一一個軟件背景的CEO，最先看到軟件解決方案發展潛力的企業，早在2016年便開啟數字化轉型，在中國成立“解決方案中心”與“中國數字創新中心”。從具體業務看，飛利浦醫療的打法在合作神州醫療后與其余三家產生錯位競爭，主攻心內科手術室等單一場景的全套數字化解決方案，取得了不錯的成效。不過，向軟件的重度偏移使得飛利浦醫療在國

74、產影像設備這一部分有些后退，市場份額出現了一定比例的下降。西門子醫療近年的發展重心放在設備研發上，如164億美元收購放療巨頭瓦里安，打造覆蓋端到端的腫瘤解決方案的全集成平臺，但由于國產化進度較慢，缺少有力的國內研發團隊，因而很多解決方案僅有云版，不能很好適應中國國情。但從長遠來看，當西門子本土化開始加速，該企業的解決方案也將在短時間實現突飛猛進，或許不會耽誤其中國市場的競爭。新近完成IPO的聯影醫療在中國影像設備市場中占有率上已實現全面領先，且擁有聯影集團旗下聯影智能進行AI輔助診斷支持，已有40+自主研發的AI產品。與GPS相比，聯影醫療可能的劣勢在于其生態的封閉性。目前醫療影像產品數量較為

75、有限，但行業迎來井噴，聯影醫療可能需要提升生態的可擴展性。圖表 21 部分醫學設備影像公司各生態功能能力對比數據來源：蛋殼研究院31圖表 22 信息化政策匯總數據來源：衛寧健康年報、蛋殼研究院32除上述四家龍頭之外，頭部影像設備企業東軟醫療、賽諾威盛也在協同軟硬件共同發展，富士膠片（中國）、衛寧健康等信息化龍頭亦有努力擴充生態。生態之間的戰爭將在長期打響，這個過程之中，影像AI企業可能在盈利的道路上跑得更快。3.2 院內信息化AI 發展現狀及商業化影響因素當醫院管理、醫保結算、質量控制、疾病防控進入醫療大數據時代，醫院對于醫療數據處理能力的需求大幅上升，加之電子病歷、互聯互通評級、三級公立醫院

76、績效考核等信息化評級政策的推動，AI在醫療信息化中得到廣泛應用，甚至形成不少獨立賽道，新一代醫療IT企業由此蓬勃發展。3.2.1 政策驅動，智慧醫院建設期已于2020年來臨醫療信息化是一個強政策的領域。蛋殼研究院統計，2022年9個月內總計15個政策與信息化AI有關，不同政策或多或少地對AI信息化的發展提供了支撐作用。公立醫院高質量發展是影響醫院智慧化建設的重要政策之一，公立醫院高質量發展評價指標（試行）中“創新增效”維度提出“智慧醫院建設成效指標”，涉及智慧醫院“三駕馬車”，需分別計算公立醫院電子病歷系統功能應用水平分級評價和公立醫院智慧服務分級評估等綜合計算結果，推動醫院進行相關評級。其中

77、的公立醫院電子病歷系統功能應用水平分級評價自2018 年 9 月開啟。國家衛健委醫政醫管局當時下發 關于進一步推進以電子病歷為核心的醫療機構信息化建設工作的通知，到 2020 年，三級醫院要達到分級評價 4 級以上，即醫院內實現全院信息共享，并具備醫療決策支持功能。電子病歷分級評價 4 級以上均要求具備臨床決策支持功能。臨床決策支持功能不等同于知識庫，是更偏 AI 的一種應用，比如要能處理非結構化、多維度臨床數據，能夠根據患者的臨床數據自動預測需鑒別疾病列表并自動推薦個性化的診療方案。圖表 23 電子病歷分級評價與AI相關要求數據來源：蛋殼研究院33智慧化建設的AI以NLP支持的知識圖譜為主，

78、包括為幫助醫院在智慧管理方面進行智能化的數據管理與數據質控，在智慧服務方面進行智能問診、智能導診、智能客服，在智慧診療方面以臨床輔助決策系統（CDSS）的形式進行質量控制及醫療效率提升。3.2.2.1 處于流程中的信息化AI部分信息化AI沒有單獨形成產品，而是為原有系統提供技術支持或以組件形式嵌入原有系統，實現醫療信息化系統的產品升級。智慧預約系統、智慧電子病歷、單病種質控等應用中的AI均屬于這一圖表 24 電子病歷等級發展數據來源：蛋殼研究院34相比于以三級醫院為主要作用點的公立醫院高質量發展政策，緊密型縣域醫共提與“千縣計劃”面向對象為縣醫院及基層醫療。兩者面臨的問題主要包括高端醫療資源相

79、對缺失、居民居住分散、基層醫療機構能力薄弱。在這樣的場景中，AI將展現出更為有效的力量，與5G協同提升區域醫療質量，借助通訊技術將智慧能力傳遞給基層。3.2.2 低等級評級日趨飽和后，高等級評級打開AI新機遇統計數據顯示，2018年電子病歷整體等級為2.59。自2018年評級指標發布后，電子病歷整體等級增幅升至20%左右，以此速度進行測算，2020電子病歷整體等級已至4級，實現了 關于進一步推進以電子病歷為核心的醫療機構信息化建設工作的通知。依照這趨勢，三級醫院已整體完成國家設立的評級指標，也意味著院內信息化駛入智能化建設期。范疇。智慧預約系統智慧預約系統涵蓋超聲、放射、內鏡、病理等檢查科室。

80、通常而言，相關的檢查項目嵌在問診與治療環節之中，常常需要前臺護士根據設備情況、醫生已排班情況進行排班。為提高排班效率，信息化企業可將每一科室現行的預約規則進行梳理，將這些經驗整理成程序語言，制成基于深度學習支持的規則引擎，統一整理分配患者檢查。通過AI的方式，系統能夠自動識別患者檢查電子申請單，并結合與檢查相關的環境因素、醫學因素、時間因素及動態因素等，為患者推薦最合理的檢查預約時間。有效的智慧預約系統還需與信息化本身結合，更加關注患者的體驗，雖然很多醫院已經擁有診療流程相關的數字化大屏，但前來就診的患者僅能通過持續觀察屏幕，由醫生手動呼叫了解科室活動的進展，很容易出現漏號、插隊的現象。信息化

81、廠商正努力打通這一部分信息的互聯互通，讓患者能夠通過手機等終端設備獲取科室的就診進程。35智慧電子病歷傳統模式下，醫生通過手寫的方式書寫病歷、開具醫囑，所得的記錄缺乏標準化結構，難以保存，也不利于研究。電子病歷普及后，醫生開始使用標準化診療術語進行疾病信息采集，并進行大量結構化、個性化數據節點設計，從而實現信息點內部邏輯關系的自動關聯。使用電子病歷后，患者信息、藥物信息、手術信息的記錄有了便于調用的存儲平臺，整個追溯過程更為透明，但仍存在數據錄入復雜、數據錄入存在錯誤的情況。圖表 25 智慧預約系統結合因素數據來源：易聯眾、蛋殼研究院將AI置入電子病歷系統能夠對于上述問題提供有效解決方案。借助

82、于互聯網醫療、語音輸入等方式收集患者文本信息后，NLP能對信息進行分析處理，自動填充電子病歷；利用疾病相關指南及胸外科專家意見匯集的知識圖譜對手動錄入的病歷進行審查，矯正錯誤病歷書寫、錯誤用藥等常見問題。單病種質控單病種質控是國家提升醫療質量的重要手段與切入點，國家衛健委印發 關于進一步加強單病種質量管理與控制工作的通知 后，國家單病種質控病種數量擴展至51個，覆蓋了惡性腫瘤、心血管疾病、神經系統疾病、呼吸系統疾病及兒童白血病等嚴重危害人民群眾健康的常見病、多發病，并在眼科、口腔等社會辦醫活躍的領域選取代表性的病種進行質控，從質量控制、資源消耗兩個維度對51個單病種的診療過程中的關鍵環節制定了

83、質量監測信息項。長期之中，單病種指控的范圍與維度均呈現增加趨勢，使得醫院不得不采用數字化的方式取代人工方式進行上報。此外，醫院需要主動采用信息化手段進行自動化數據采集以解決工作量問題，并借助AI實現全時段、全流程的質控。不良事件預警提高醫療質量安全不良事件報告率是近年國家醫療質量安全改進目標中的重點項，但由于上報操作繁瑣、效率低下，醫護人員積極性不高。同時，因缺乏不良事件查詢、統計、分析工具，醫護人員上報工作繁重，處理不及時、誤報事件常有發生?；贜LP的算法，AI能夠及時發現各類醫療文本信息之中的錯誤所在，并上報至安全不良事件預警平臺，由質管部門集中處理。通過這種方式，醫院能夠對全院的不良事

84、件進行監控，高效及時發現高危問題，防患于未然。圖表 26 國家醫療質量安全改進目標數據來源：易聯眾、蛋殼研究院36對于這一賽道，信息化企業正不斷在預警的基礎上做加法。AI支持下的預警應用不僅可以幫助醫院完成醫療器械不良事件預警、藥品不良事件預警，還能賦能?？?，實現表單填寫、數據分析的智能化。以柯林布瑞的藥品不良反應預警平臺為例，該平臺根據患者實時的臨床數據，自動發現院內出現的不良反應，并根據患者用藥情況來判斷懷疑和并用藥物。具體而言，平臺可將篩選得到的數據進行統計分析，根據數據分布情況，對離群點，缺失值，異常值等情況進行處理，為后續機器學習模型的學習訓練提供較高質量的數據集。處理后的數據利用大

85、數據分析的技術手段進行特征工程，分析探索相關因素的數據情況與不良反應的相關程度，準確挖掘出影響不良反應是否發生的重要特征，并形成訓練集和測試集。最后，構建機器學習預測模型，通過AI算法將挖掘出的重要特征訓練集進行學習和訓練，得到的模型可以用來預測是否發生不良反應，并且生成各特征因素的重要性數據。3.2.2.2 院內增量場景的信息化AI智慧病案病案質控是AI未來的一個重要應用場景，這一場景存在較高的技術復雜度。政策導向（醫保支付/醫院考核）與是醫院自身需求（精細化管理）的共同作用下，病案質控的市場空間將在未來數年內持續增長，且帶動相關AI技術不斷進步。病案質控通常分為形式質控與內涵質控。形式質控

86、主要是看哪些項目存在填寫遺漏、書寫錯誤，而內涵質控里包含邏輯關系，例如一位患者入院記錄既往史中存在“切除術”，手術史中“否認手術史”，內涵質控便能會找到這樣的矛盾，實現病案質控的智能化。DRG相關政策加速了醫院開展病案首頁質控的步伐，但大量錯誤常常不反映在病案首頁之中，而是需要對病案內容進行質控。病案內容與病案首頁不同的是，絕大部分是以連貫的文字形式呈現，少有類似首頁標準化、結構化的數據，因此對于質控難度遠高于首頁質控，且需要超越傳統機器學習的算法進行個性化質控。為了解決這一問題，頤圣智能、百度靈醫智惠、云知聲等企業都通過算法創新解決上述問題。以頤圣智能為例，該企業以強化學習（REINFORC

87、EMENT LEARNING,RL）技術的架構基礎，在不同的質控任務下形成智能體，形成面向于全病歷的質控系統。強化學習的原理是智能體不從已知數據中獲得經驗，而是通過與環境的直接交互中學習，模仿人類的學習方式，通過其執行的行為獲得的環境反饋作為獎勵或者懲罰而優化其下一步的行為動作產生新的環境反饋的機制。與傳統的監督學習不同，監督學習是通過外部指導在脫離環境情況下進行的擬合逼近式學習，而強化學習是能夠從自己的經驗和外部環境中學習。37在基于強化學習的病歷質控的系統構建中，頤圣智能采用了一個天然的環境反饋臨床醫師對病歷的書寫行為，這種行為反饋并非基于病歷質控系統而產生，而是由于臨床工作而產生的，無需

88、特定創造出的新場景，使得質控系統的可落地性大幅度增強，也更適應復雜的臨床場景。CDSSCDSS指運用可供利用的、合適的計算機技術，針對半結構化或非結構化醫學問題，通過人機交互方式改善和提高醫療診斷決策效率的系統。AI能夠大量處理非結構化數據，形成知識圖譜，為醫生提供知識查詢、相似病案推薦、輔助診斷等，還可以對醫生的診斷流程進行規范提醒，提高診斷的規范性和準確性。為應對醫院評級、?？茍鼍百x能、基層醫療資源補充的需求，AI支持的評級版CDSS、?？瓢鍯DSS、全科版CDSS應運而生。目前全科版本的CDSS已經在各大基層醫療裝機使用，科大訊飛、百度靈醫智惠等企業通常與衛健委、醫聯體簽訂采購協議，占有

89、了較大份額的全科CDSS市場；柯林布瑞、惠每科技、森億智能在研發全科CDSS的同時，也在探索?？艭DSS，深化CDSS在單病種場景的質控、提效作用。圖表 27 AI病案質控功能及價值數據來源：頤圣智能 蛋殼研究院圖表 28 各技術層級及相關政策數據來源：蛋殼研究院38智慧科研平臺智慧科研平臺可用于醫學影像大數據管理與分析、數據標記、深度神經網絡模型構建、影像組學特征提取、組學特征分析與機器學習模型構建等研究，可應用于X線、CT、MRI、PET/CT、病理切片、消化內鏡等多種影像數據深度學習與影像組學建模。智慧科研平臺給予了更多醫生進行AI應用研究的機會，可自主設置AI的數據、模式、邏輯、參數等

90、，讓AI契合醫療業務特性，并從臨床角度獲得更多科研成果。聯影智能、深睿醫療、推想醫療等頭部影像AI企業均推出了自己的智慧科研平臺，滿足醫生對于AI的科研需求。3.2.2.3 智慧化應用需要新一代醫院管理系統加持信息化AI在挑戰傳統信息應用的同時，也在引導醫院管理者重新審視現有醫院管理系統的“先進性”?？鐣r代的變革下，醫院管理者必須考慮是否需要放棄上一代信息管理修通的升級，轉而購置全新架構的系統。具體而言，應用架構固化和數據管理缺乏標準化造成的IT架構彈性不足；健康醫療大數據與其形成的“知識”、“醫療技能”之間的巨大差距；醫院IT業務多樣性驟增帶來的管理難題；多系統下，醫務人員操作系統便攜性面臨

91、的挑戰，等等問題都對新一代系統提出需求，而互聯互通評級中的數據存儲、交互等要求也需要醫療IT從根本上解決問題，更換更兼容的系統，應對已經抵達的5G、大數據、AI等技術。為了適應上述需求，行業普遍采用中臺思維在傳統架構上做加法，即充分考慮通用性、復用性和可擴展性等特性，通過這些特性，歸納出來可復用的數據、知識、流程和規則等，做成中臺，通過中臺來支持新系統、新技術的開發、升級和可持續發展。不同企業對于智慧醫院的建設目標不同，采用的中臺配置也各不相同，以智慧管理為核心目標構建中臺強調數據的處理能力及業務的兼容能力，數據中臺與業務中臺在架構之中起到關鍵作用，而以智慧診療、智慧服務為核心目標構建的中臺則

92、強調數據、知識、AI技術，最終實現各類智慧化應用的高效運行。但無論是哪一種形式的新一代醫院管理系統建設，都需要企業協同醫院全方位推動組織文化、業務形態、技術實踐等各層面的變革。3.2.3 市場開啟分化，企業需尋找政策外動力由于醫療信息化建設高度依賴政策，市場給予信息化AI的發揮的空間相對較為有限。因此，已經擁有信息化系統的企業通常不會將AI作為一個獨立產品進行銷售，而是建立服務AI、大數據等技術調用的平臺，將AI植入已有系統的流程之中，實現系統級產品的迭代，構建更深層次的競爭壁壘。大部分創業公司會放棄系統競爭轉向應用開發，這部分賽道中的全科應用售價低，競爭壓力大，但門檻相對簡單，信息化AI企業

93、可憑借地域優勢拿下市場份額；?？茟檬蹆r高，競爭壓力小，但研發難度大，科室購置意愿仍處于打磨中，這部分企業當下階段營收未成規模，但享有較高估值，有能力39在長期中實現更大幅度的盈利。同樣也需注意，政策雖在過去十年中擔任著醫院信息化建設的主推手，但在醫院管理者對于信息化的重視程度不斷加深，部分醫院開始逐步由被動建設轉向主動建設。同時，DIP/DRG、單病種質控等政策雖未提出明確的要求，但只有借助數字化工具才能完成精細化管理。3.3 新藥AI 發展現狀及商業化影響因素新藥發現對藥企和全世界醫療發展而言意義非凡，然而傳統的新藥研發存在著耗時長、投入高、成功率低的痛點。首先，新藥研發涉及藥物發現、臨床

94、前研究、臨床試驗、申報注冊和上市等漫長過程，平均耗時長約14年。其中，藥物發現和臨床前研究階段耗時約3-6年，/期臨床試驗需耗時6-7年，提交上市申請后經0.5-2年獲批并實現規?；a。其次，新藥研發成功率低。根據BIOINDUSTRY統計數據FDA對新分子實體和生物制品類新藥的審評情況中，新分子實體藥物從臨床期到獲批上市的成功率僅為6.2%，生物制品類藥物的成功率為11.5%。最后，新藥研發投入巨大。新藥臨床試驗項目設計越來越復雜，單個新藥的研發成本不斷加大，根據EVALUATEPHARMA數據，近年來單個藥物的研發支出跨度為24億美元至51億美元。從前端的文獻研究，到實驗室階段的靶點發現

95、、先導化合物研究，到后期的志愿者招募信息，以及利用可穿戴設備連接研發管理系統進行的遠程監控和實時數據反饋，AI可以深度參與新藥研發的全流程，有效提升新藥上市效率，降低新藥研發成本，控制新藥研發風險。圖表 29 生成張力強化學習（GENTRL）的AI系統從靶點到候選分子僅用21天數據來源：NATURE BIOTECHNOLOGY40以化合物研究為例，傳統的高通量篩選庫通常含有約百萬種化合物，其中每種化合物通常價格50-100美元。初始篩選過程可能花費數百萬美元加上幾個月的工作。隨后的先導化合物優化可能需要數年才能確定臨床前候選藥物。相比之下，采用基于AI的藥物發現系統，虛擬化合物幾天內可以篩選數

96、十億個分子的文庫，預測識別臨床前候選物將縮短時間至幾個月至一年。白星花AI聯合創始人&CEO王蘇宏表示，新藥及臨床研究的發展需要高質量的數據支撐，只有通過AI算法才能更加智能的分析海量數據，才能幫助研究者得到更準確的結果，同時大幅提高研究效率。3.3.1 多維因素，驅動新藥AI快速生長融資驅動隨著海外新藥AI企業SCHRDINGER和RELAY THERAPEUTICS成功登陸二級資本市場，意味著AI技術在生物醫藥產業的應用從此迎來了新紀元，進一步加速了全球資本機構對新藥AI賽道的押注。據動脈橙產業智庫不完全統計，2021年，全球新藥AI領域的融資表現再創新高，融資達83起，融資總額達46.1

97、3億美元。2014年至2022上半年，全球新藥AI領域累計發生融資事件383起，累計融資133.65億美元，其中國內的融資事件數占比約40%，由此可見國內新藥AI企業在近幾年呈現出快速發展態勢，機構對于新藥AI領域展現出獨有的賽道偏好，如國內專注于RNA藥物研發的新合生物，在2020年完成2.5億元A輪融資之后，又吸引多家投資機構在2021年完成5億元A+輪融資。政策驅動新藥AI企業在近幾年的飛速發展同樣離不開政策的驅動。產業規劃方面，國家藥品監督管理局藥品評審中心2021年7月發布了 以臨床價值為導向的抗腫瘤藥物臨床研發指導原則，進一步明確和提高了國內創新藥的研發定位要求，同時國家出臺了一系

98、列AI產業的相關規劃，鼓勵人工智能技術發展，進一步促進了AI技術的創新成果轉化，這些核心政策的出臺成為促進新藥AI產業變革的核心驅動力。圖表 30 新藥AI領域部分國家重點政策數據來源：蛋殼研究院4142我國新藥AI指導政策的加持無疑將延展AI在制藥中的應用環節，由目前集中在靶點確認、化合物篩選、分子生成、ADMET性質預測等環節，向產業鏈上下游衍生出更多的技術場景，有利于藥物研發、臨床數據、科研論文服務等不同環節的商業行為縱深發展，同時也促使行業孕育出更多新藥AI細分環節具有相對優勢的新秀企業，形成更完整的新藥AI業務鏈。人才驅動從本土人才培養來看，教育部于2020年初發布了 關于“雙一流”

99、建設高校促進學科融合 加快AI領域研究生培養的若干意見 的通知，提出進一步推動國內高校AI人才培養體系，加快培養“人工智能+X”的復合型高層次人才，促使人才從AI領域及藥物領域向新藥AI跨學科的賽道流動。從海外角度看，全球疫情的蔓延也推動部分海外高端醫藥、AI人才的回國創業，充實我國AI+醫藥賽道的人才隊伍。技術驅動近年來，算法的突破也為新藥AI提供了強大的技術支撐。新藥AI領域算法從機器學習拓展到深度學習，帶來了整個領域的迅速發展。圖表 31 政策助力新藥AI向多環節拓展數據來源：蛋殼研究院43機器學習算法快速推進了藥物發現進程，被用于開發各種模型，用于預測藥物發現中化合物的化學、生物和物理

100、特征，包括隨機森林（RF）、樸素貝葉斯（NB）和支持向量機（SVM）以及其他方法。深度學習算法解決了標準機器學習算法面臨的許多挑戰，在藥物發現過程中，深度學習技術廣泛應用于藥物活性預測、靶點發現和先導分子發現，主要是深度神經網絡（DNN）、遞歸神經網絡（RNN）和卷積神經網絡（CNN）。AIDD當前主要應用的深度學習算法模型包括卷積神經網絡CNN、循環神經網絡RNN(LSTM)、生成對抗網絡GAN、TRANSFORMER、圖神經網絡GNN及其變種和組合等。除此之外，模型中還經常有許多機器學習中的經典算法來配合使用，如決策樹、支持向量機、蒙特卡洛樹搜索、MCMC等。未來新藥AI行業在算法上的突破

101、仍將由整個AI行業來推動。隨著可借鑒的算法模型越來越多，行業將有更多不同的方式來解決藥物研發各環節的痛點。未來，更加契合新藥AI應用的算法模型將會進一步增多并不斷迭代3.3.2 應用場景拓展，覆蓋藥物發現全流程圖表 32 應用于AI+新藥的算法模型及其作用數據來源：蛋殼研究院44近年來，新藥AI企業的服務鏈條在縱向拉長：從提供特定環節的技術服務到提供端到端的解決方案到逐漸覆蓋藥物發現全流程。從當前新藥AI企業布局最多的化藥研發領域來看，國內覆蓋藥物發現階段的新藥AI企業占比最高，為94.3%，共計67家。蛋殼研究院對這67家企業所覆蓋藥物發現階段的細分應用場景進行了梳理統計，發現AI在新藥研發

102、領域主要應用于虛擬篩選、分子生成、靶點發現、ADMET預測四大應用場景，其中虛擬篩選占比最高。虛擬篩選虛擬篩選(VIRTUAL SCREENING，VS)也稱計算機篩選，即在進行生物活性實驗篩選之前，利用計算機上的分子對接軟件模擬目標靶點與候選藥物之間的相互作用，計算兩者之間的親和力大小，以降低實際篩選化合物數目，同時提高先導化合物發現效率。虛擬篩選主要分為基于受體生物大分子結構的虛擬篩選(STRUCTURE-BASED VIRTUAL SCREENING,SBVS)和基于配體小分子的虛擬篩選(LIGAND-BASED VIRTUAL SCREENING,LBVS)兩種，可快速從幾十至上百萬化

103、合物中，遴選出具有潛在成藥性的活性化合物，大大降低實驗篩選化合物數量，縮短研究周期，降低藥物研發成本。作為高通量篩選（HTS）識別潛在生物活性化合物的重要工具，虛擬篩選（VS,VIRTUAL SCREENING）在藥物研發中得到了廣泛的應用，是目前新藥AI企業覆蓋最為普遍的應用場景。分子生成AI分子生成是計算機程序通過對海量的化合物或者藥物分子進行學習，基于已有分子結構及活性，自動學習它們的性質，總結提取化合物分子的結構等規律，并根據這些規律生成很多自然界從未存在過的化合物作為候選藥物分子，有效構建擁有一定規模且高質量的分子庫。在分子生成方面，AI不局限于已知的數據庫，可以在無限的化學空間里產

104、生海量的新分子。一方面，分子生成可以拓展化學空間，為藥物研發提供更多的先導化合物；另一方面，分子生成可以通過機器學習提高先導化合物的質量，減少實驗。目前，人們對化合物的構效關系已經研究的較為清楚，并且有許多開源數據庫可供AI進行學習，目前使用AI進行分子生成的技術已經十分成熟，但各新藥AI企業之間的競爭也非常激烈。靶點發現及驗證靶點發現及驗證是藥物發現階段最重要的環節之一，也是制藥界面臨的最大的痛點之一。藥物開發初期，需要充分尋找疾病相關的生物分子線索，對相關的生物分子進行功能研究，以確定候選藥物的作用靶標，再針對候選藥物作用靶點，在分子、細胞和整體動物水平進行藥理學研究，進一步驗證靶標的有效

105、性。傳統靶點研究以直觀的方式定性推測生理活性物質結構與活性的關系，進而發現機體細胞上藥物能夠發揮作用的受體結合點（靶點）。藥物研發專家通過參考相關科研文獻和個人經驗去推測靶點需用2-3年的時間，且發現靶點的可能性極低。AI通過自然語言處理技術（NLP）學習海量醫學文獻、專利和相關數據，通過深度學習去發現藥物和疾病之間的作用關系，能夠快速找到有效靶點甚至發現全新靶點，有效縮短靶點發現周期。近年來，隨著微流控、傳感、成像等交叉技術在測量儀器中的應用，單細胞測序、高分辨成像、蛋白質譜等領域進展迅速，獲取信息的精度提高、維度增加、通量增大，為靶點和疾病關聯關系的挖掘和研究提供了海量的數據，利用AI+多

106、組學實驗數據進行進行靶點發現及驗證成為新藥AI行業未來的發展趨勢之一。據蛋殼研究院不完全統計，目前有包括INSITRO、英矽智能、百圖生科、星藥科技、普瑞基準、煥一生物、索智生物等企業已經在利用AI+多組學實驗數據的方式進行靶點發現及靶點驗證相關工作。ADMET預測ADMET性質是指藥物在人體內的吸收（ABSORPTION）、分布（DISTRIBUTION）、代謝（METABO-LISM）、排泄（EXCRETION）和毒性（TOXICITY）等性質。藥物的ADMET性質與其在體內的療效和安全性密切相關。在藥物開發的早期階段，如果能夠準確預測通過提前準確預測候選藥物的ADMET性質從而對候選化合

107、物進行有針對性的選取和優化改造，對提高藥物研發的成功率并減少藥物研發后期過程中的資金浪費問題，是非常有必要的。過去，ADMET性質研究主要以人源性或人源化組織功能性蛋白質為“藥靶”，體外研究技術與計算機模擬等方法相結合，研究藥物與體內生物物理和生物化學屏障因素間的相互作用。而深度學習可以自動識別化合物的相關特征，評估數據集中多個ADMET參數之間的隱藏的關系和趨勢，進一步提升 ADMET性質預測的準確度。除以上四種主要應用場景外，目前部分國內具有探索精神的新藥AI企業也在積極布局到藥物發現階段以外未來發展十分可期的潛力場景，如臨床患者分層、臨床結果預測、臨床試驗設計優化、真實世界研究等。如在真

108、實世界和臨床研究場景中，白星花的BX-SAAS AI平臺，基于自己學術發表和獲得發明專利的AI算法，將半監督、無監督學習應用到處理真實世界和臨床數據上，去除了數據采樣過程中人為和不可抗力的干擾，有效補充缺失數據，讓大數據更貼近真實世界，已經成功地幫助多家藥企在臨床研究中得到更好的結果。3.3.3 3種主要商業模式，從單一到混合2014-2015年，是新藥AI領域發展的起步期，包括EXSCUENTIA、ATOMWISE、RECURSION、英矽智能、晶泰科技等在內的最早一批新藥AI企業誕生，并陸續完成早期融資。2016-2017年，部分新藥AI企業開始嘗試不僅僅在新藥研發的某個點或者某個環節進行

109、效率的提升，而是開始追求端到端的解決方案，向更多新藥研發環節進軍。一些企業甚至開始提供一站式服務，覆蓋藥物發現全流程。此階段，提供新藥AI外包技術服務的AI CRO模式逐漸形成。2018年，新藥AI領域開始出現突破和爆發：新藥AI企業陸續獲得臨床候選藥物分子一類的驗證性成果。2020年前后，部分企業在商業模式的探索道路上更進一步，在提供更具廣度和深度AI技術服務的同時，通過合作或自研的方式積極推進新藥AI成果的進一步驗證，力圖獲得更具商業價值的管線回報部分已經完成前期技術積累且資金相對充裕的新藥AI企業選擇成為AI BIOTECH，行業進入加速發展的成長期。隨著數據的不斷積累，平臺的不斷驗證以

110、及AI+醫藥企業布局自研管線的比重日益增多，一些布局自研管線的企業2020年始相繼得到前期驗證包括EXSCIENTIA、RELAY、RECURSION、BENEVOLENT AI、英矽智能、新合生物、冰洲石科技等在內的多家AI醫藥企業紛紛披45“進一步健全科技成果轉化體系，完善激勵機制，充分激活高校、科研院所、醫院的創新資源，推動基礎研究成果向產業端轉移，以最有效率的方式轉化應用?！痹?“十四五”生物經濟規劃 中，強調了讓基礎研究成果以最有效率的方式轉化應用，這等同于拔去了行業土壤中禁錮生長方式的柵欄，給新藥AI行業商業模式的探索、構筑提供了不設限的想象空間。在行業內的起步期，政策的寬松必然澆

111、灌新藥AI商業模式的多元生長，SAAS軟件服務、AI BIOTECH、AI CRO，以及擁有自研管線且提供AI服務的“復合型”商業模式等，將在行業成熟前交互共生。從已經上市的新藥AI企業身上，我們梳理出SAAS、AI CRO、AI BIOTECH三類商業模式。以提供軟件平臺服務為主要商業模式的SAAS供應商。此類商業模式下，公司向藥企或者藥物研發CRO出售軟件服務以獲取收入，協助藥企/CRO在新藥研發的多個流程環節高效完成研發任務。典型代表企業：SCHRDINGER,INC.(NASDAQ:SDGR)。2020年2月，SCHRDINGER登陸納斯達克，成為“計算藥物研發上市第一股”。上市當天，

112、SCHRDINGER開盤大漲65%，共計募資2.32億美元。SCHRDINGER的軟件收入為公司的主要收入來源，目前產品被世界各地的藥企、學術機構和政府實驗室廣泛使用，全球TOP 20的制藥巨頭均為SCHRDINGER的客戶。經過30多年的技術積累，SCHRDINGER開發的基于物理的計算平臺能夠精準預測分子的關鍵特性，達到與濕實驗一樣的準確度。輔以機器學習，可以在一周左右的時間從數十億個分子中篩選到理想的分子。此外，SCHRDINGER還提供了一整套分子模擬的解決方案。商業模式的優劣：以SCHRDINGER為代表的軟件SAAS服務商優點包括其對于數據的依賴度低、不承擔對于藥物管線研發失敗的風

113、險、資本投入低、現金回流快、利潤率高等等，同時，此類商業模式圖表 33 新藥AI商業模式不斷涌現，從單一到混合數據來源：蛋殼研究院46露自家研發管線進度。亦存在一定的局限性，賦能新藥研發環節有限、技術服務收入低、市場規模小，收益貢獻度占比不高等。如上文所提及，SCHRDINGER在全球新藥AI軟件市場中市占率極高，但SCHRDINGER的收入體量并不大據SCHRDINGER 2021年報數據，其在2021年的總營收為1.379億美元，其中軟件服務收入為1.132 億美元（占比總營收82.09%）。為相關藥企、CRO等藥物研發公司提供外包服務的AI CRO公司。這類公司主要通過技術服務外包的形式

114、與大量藥企以及CRO公司達成合作，共同推進管線開發并獲取服務收入，同時利用廣泛合作沉淀多維度的數據以支持其算法模型不斷進行優化和迭代。典型代表企業：EXSCIENTIA PLC(NASDAQ:EXAI)。以EXSCIENTIA為代表的AI CRO公司相比以SCHRDINGER為代表的軟件SAAS服務商，因為提供的技術服務環節更多且能實現定制化，能夠獲取更多的服務收入。AI CRO公司收入組成通常是首付款+里程碑付款+藥物銷售分成的方式，另外可能還包括知識產權引進方支付的授權費等。據蛋殼研究院調研，國內AI CRO合作首付款通常在200萬-1000萬元不等，里程碑付款主要取決于雙方所開發管線的潛

115、在價值，根據具體藥物有較大波動。2021年10月，EXSCIENTIA登陸納斯達克，共計募資5.1億美元。僅2021年一年，EXSCIENTIA新增了11個合作管線。自2020年以來，算上2022年1月得到賽諾菲的1億美元首付款，EXSCIENTIA累計獲得首付和相關研發費用3.012億美元，是所有AI CRO公司中獲得MNC合作金額累計最高的公司。利用EXSCIENTIA的AI技術平臺，藥企/藥物研發CRO公司可以將從靶標選擇到臨床前候選化合物篩選的開發時間縮短70%左右，能夠10倍以上提升優化效率，相比業內其他傳統醫藥研發公司能夠提高80%左右的資本使用效率。商業模式優劣勢：AI CRO不

116、用為藥物研發最終的結果負責，現金回流快，研發風險低，與大量藥企的合作夠幫助其完成技術平臺的不斷沉淀和優化。但相較軟件SAAS服務商，一方面，AI CRO需要更大的資本投入AI CRO研發的算法模型主要依托大量且高質量的藥物研發數據完成訓練優化，以提供更為優質的藥物分子；而清洗、整合大量藥物研發數據，建立產生藥物研發數據的干濕一體化實驗室等無疑需要大量的人力、物力與財力投入。另一方面，如果AI CRO 能力不夠強，體量不夠大，客戶覆蓋不夠廣，同樣容易面臨收入上的天花板，AI CRO的整體市場規模同樣受限。以開發內部研發管線為主，以AI賦能的BIOTECH公司。這類公司主要通過推進自有管線以更快地

117、驗證公司AI算法平臺能力，同時以自主/合作推進管線上市或以授權交易階段性管線成果給具有臨床開發能力的藥企的方式進行創收。典型代表企業：RELAY THERAPEUTICS,INC.(NASDAQ:RLAY)基于對蛋白質運動與其功能之間的深度洞察，RELAY整合了業內前沿的實驗和計算方法，建立了DYNAMO平臺，旨在將計算技術應用于蛋白質運動的變構藥物研發。DYNAMO平臺整合了新的實驗技術（如室溫晶體學）和計算技術（如分子動力學和機器學習），能夠開發針對蛋白質具有更高特異性和效力的靶向藥物。目前，基于自研的AI藥物篩選平臺，RELAY THERAPEUTICS已經開發出3款處于臨床階段的候選藥

118、物以及大量處于早期藥物發現及臨床前階段的藥物管線。2020年7月，RELAY THERAPEUTICS登陸納斯達克。上市當天，RELAY開盤大漲75%，共計募資4億美元。47從盈利模式上看：SAAS軟件服務這一類商業模式未來會逐漸向AI CRO以及AI BIOTECH兩種商業模式進行轉型。隨著新藥AI領域的發展，SAAS軟件服務企業的技術優勢會逐漸弱化，其提供的軟件服務工具競爭壁壘逐漸降低，成為行業的基礎技術能力。48商業模式優劣勢：除了底層技術驅動能力的不同，AI BIOTECH與傳統BIOTECH并沒有太大的差別。因此，相較以上兩種商業模式，AI BIOTECH會面臨更高的藥物開發風險，同

119、時面臨管線價值回報周期更長、資本投入更大的挑戰，但相應的，一旦自研/合作開發的藥物成功上市，帶來的商業回報是以上兩種模式難以企及的巨大利潤。另外，該類商業模式所處市場規模依據其自研或合作開發的具體管線品種決定，整體AI BIOTECH市場規模不受限，有更大的想象力和發展空間。3.3.4 從場景到模式，賽道潛在發展趨勢漸明晰未來，從產品場景上看：新形態藥物遞送、化合物合成、臨床患者招募分層、臨床結果預測、臨床試驗設計優化、虛擬臨床試驗、真實世界研究將成為新藥AI企業目前廣泛布局領域之外的7大潛力場景。與此同時，諸如基因細胞治療一類新興治療方式為腫瘤、罕見病、慢病及其他難治性疾病提供了全新的治療理

120、念和手段，有望從根本上治愈疾病。新藥物形式領域發展十分迅速，蘊藏著醫藥產業更大的發展機會，以MRNA藥物研發為例，新合生物聯合創始人&CEO王弈表示，未來，國內的RNA藥物研發技術在藥物平臺、遞送平臺等領域將有持續優化的巨大空間。圖表 34 新藥AI研發各類應用場景發展能力分布數據來源：調研訪談，蛋殼研究院AIBIOTECH商業模式由于發展潛力大、整體市場空間不受限，會成為大部分新藥AI企業的選擇，AI BIOTECH的發展潛力由企業技術和管線決定，未來發展主要依靠其管線的價值和成功的可能性，具有更大的盈利空間和想象力，整體市場規模不受限，可以容納更多的企業在其間進行市場資源的分配。致，202

121、0年其虧損數額相對較高。3.4 醫療機器人AI 發展現狀及商業化影響因素醫療機器人AI在近兩年來呈現突飛猛進之勢，一方面，智能制造要求機器人企業大力發展智能化能力，正好匹配愈發豐富的高質量醫療數據集與逐漸成熟計算機視覺技術算法；另一方面，各式醫療機器人在硬件方面獲得突破，各個賽道均有產出滿足落地條件的機器人。3.4.1 “十四五”機器人產業發展規劃 發布，醫療機器人迎來最大政策紅利機器人制造作為高精尖技術行業，早期政策可追溯至 中國制造2025。2021年12月，工信部、國家發改委、科技部等15部門發布的 “十四五”機器人產業發展規劃 提出：到2025年，我國要成為全球機器人技術創新策源地、高

122、端制造集聚地和集成應用新高地，機器人產業營業收入年均增長超過20%，制造業機器人密度實現翻番。落實到具體方面，“十四五”機器人產業發展規劃 要求加強核心技術攻關，聚焦國家戰略和產業發展需求，突破機器人系統開發、操作系統等共性技術。把握機器人技術發展趨勢，研發仿生感知與認知、生機電融合等前沿技術。推進人工智能、5G、大數據、云計算等新技術在機器人產業中的融合應用，提高機器人智能化和網絡化水平，強化功能安全、網絡安全和數據安全。在機器人關鍵零部件方面，“十四五”機器人產業發展規劃 要求推動用產學研聯合攻關，補齊專用材料、核心元器件、加工工藝等短板，提升機器人關鍵零部件的功能、性能和可靠性；開發機器

123、人控制軟件、核心算法等，提高機器人控制系統的功能和智能化水平。機器人規劃 提出“機器人關鍵基礎提升行動”，重點提升高性能減速器、高性能伺服驅動系統、智能控制器、智能一體化關節、新型傳感器和智能末端執行器等關鍵零部件的生產技術、工藝和產品質量。4950國內醫療機器人發展較晚，醫療中發展較為成熟的手術機器人、物流機器人賽道均被跨國企業占據。政策的支持及AI技術發展給予了醫療機器人相關產業彎道超車的機會，借助于智能制造及智能應用，企業可通過賦能醫生、醫院實現差異化打法，迅速占領藍海市場。3.4.2 硬件深度結合人工智能，智能化重構診療、制造場景醫療AI在機器人中的應用主要可分為四個方面，一是將AI接

124、入智能智能制造，借助機器人來進行醫療器械的無人化地生產和高精度交付；二是與AI支撐的影像學與材料學、機器人技術融合，輔助血管介入、骨科、腹腔等手術進行；三是作為康復機器人的內置系統，識別患者的行動意圖并予以輔助；四是服務醫院物流場景，通過計算機視覺實現院內物流的自動化與智能化。圖表 35 醫療機器人相關政策列表數據來源：調研訪談，蛋殼研究院3.4.2.1 智能制造審慎性醫療器械注冊原則下，醫療器械產品迭代速度較慢，對智能制造需求較弱，但仍有部分定制醫療器械因AI的興起而快速發展，如隱形正畸、足脊健康、康復輔具等產品。以隱形正畸為例，國內錯頜畸形整體患病率高達74%，而目前正畸病例僅300萬例左

125、右，以中國的人口基數來測算，滲透率僅約0.3%，且接受治療的310萬病例中，僅有 11%的人使用隱形矯治器，未來的存量空間巨大。就中國的隱形正畸市場而言，需求端潛力巨大，存量尚未真正釋放，而增量已日趨加速。與此同時，患者對于口腔市場的需求隨著顏值經濟的發展悄然迭代，口腔服務已逐步由治療修復轉向美容和快速消費品為主。在“顏值經濟”的大背景下，面對醫療器械的高定制需求，將智能制造與工業AI相融合，無疑成為了最有效的破局之策。以微云人工智能為例，作為一家國際領先的工業AI集團，以其核心機器人和AI技術，在口腔醫療領域真正實現了AI垂直場景落地，為醫療機構、醫院、診所提供更精準完善的技術賦能，降低小診

126、所使用高級設備的門檻，提高就診效率；對患者而言，大幅度縮短治療時間，改變就診方式，減少痛楚和等待，讓牙科醫療美容變得所見即所得。為使該場景中單個醫療產品的個性化定制也具有工業化和規?；a的效率和效益，真正實現醫療場景的工業4.0，微云人工智能以AI進行智能決策和算法優化，以機器人技術進行微米級的精準執行，構建“端云廠法”產業技術閉環，即通過自主研發的智能前端，動態采集用戶數據，經云端大腦智能生成個性化的解決方案后，由智能化的無人工廠實現微米級的生產交付。在高度個性化的口腔醫療場景內，實現了高精度、高效益、大規模的柔性生產與智能制造，可基于上千個SKU進行智能交付。3.4.2.2 手術機器人國

127、際期刊 SCIENCE ROBOTICS 曾類比自動駕駛技術分級，對手術機器人的自主化水平進行了0至5級的劃分，包括無自動化（第一階段）、機器人輔助（第二階段）、任務自動化（第三階段）、條件自動化（第四階段）、高度自動化（第五階段）、完全自動化（第六階段）。從0級沒有任何自主化，到最高5級機器人可完全取代醫生，手術機器人的發展還有漫漫長路。目前，全球應用最為廣泛的達芬奇手術機器人所代表的還只是0級，美國史賽克公司的MAKO交互式骨科機器人達到了自主化1級，美國約翰斯霍普金斯大學和美國國立兒童醫院聯合開發了一種監督式的自主軟組織手術機器人可達二級。5152骨科機器人與泛血管介入機器人是目前智能化

128、應用較為廣泛的兩個領域。AI在骨科的應用主要為骨科關節醫生提供覆蓋術前診斷、手術規劃、術中導航定位和術后隨訪。手術規劃則包括全髖關節置換手術、髖關節翻修手術、膝關節單踝置換手術、全膝關節置換手術和膝關節翻修手術五種典型手術，實現快速三維重建、智能圖像分割、智能匹配假體、準確定位和精準截骨，為醫生提供下肢力線、股骨外翻角、股骨外旋角、截骨厚度等關鍵參考指標并提供智能測量。以長木谷醫療為例，其ROPA人工智能關節置換手術機器人術前可以提供最佳的智能解決方案，該系統可以實現術前精準規劃和術中精準定位，解決了傳統關節置換手術中手術精度不夠、過度依賴經驗等問題。AI對于泛血管介入機器人的作用同樣豐富。以

129、睿心醫療為例，術前階段，AI和CFD流體力學支持下的CT-FFR中能夠為泛血管介入手術提供詳細的血管信息，預測手術方案成功率，進而指導虛擬術前規劃；術中階段，AI能夠實時判斷漏檢、誤檢、心血管耗材放置的不匹配等問題，幫助醫生以更大概率完成高質量的手術，大幅度減少并發癥的檢測與治療，實現血管介入全流程的優化。3.4.2.3 康復機器人AI在康復機器人領域中的應用主要集中于對于穿戴傳感器數據的處理上。借助于AI，康復機器人可以在模擬的真實場景下有效替代訓練及治療過程中的人力陪護，令使用者通過操控人機交互系統達成肢體動作練習、避免關節和肌肉萎縮、提升肌肉力量以及訓練神經系統，并逐步實現更主動及更高效

130、的恢復效果。AI康復機器人的技術難點在于人機交互控制策略以及完成實時且準確的人機交互及控制，具體而言，產品需要將采集到的使用者信號與外部環境信號通過快速運算變成運動指令并據此操控機器給出正確反饋，如前進、轉向、停止等或疊加適當的力度。此外，AI康復機器人的作用還包括搜集并統計使用者的使用數據，從而追蹤管理使用者的健康情況或輔助使用者完成部分生活場景（如：行走或抓握等）。由于AI康復機器人尚未進入大規模及標準化量產階段，通常情況下，AI康復機器人的研發企業也承擔了機器人自行生產的責任。從銷售端來看，其購買方以三級康復體系中的B端機構客戶為主流，銷售模式一般是直接銷售與間接銷售相互結合。圖表 36

131、 手術機器人分類數據來源：公開資料，蛋殼研究院國內企業和研究機構大約在2010年左右通過引入境外先進技術和自主研發相結合，開始進入這一產業。歷經十年發展，國產自研的AI康復機器人陸續走上商業化道路，并在整體性價比上超越了國外產品，中國的AI康復機器人逐漸將占據主流市場，成為國內患者的首要選擇。未來，人機融合以及人機增強的相關AI技術將成為康復機器人賽道的下一個技術壁壘。3.4.2.4 醫院AGV基于無人駕駛技術的機器人系統（AUTOMATED GUIDED VEHICLE，醫療物流配送機器人）又稱無軌柔性傳輸系統、自動導車載物系統，是指在計算機和無線局域網絡控制的無人駕駛自動導引運輸車。該設備

132、可經磁、激光等導向裝置引導并沿程序設定路徑運行并?？康街付ǖ攸c，完成一系列物品移載、搬運等作業功能。圖表 37 醫院傳統運輸方式與醫院物流機器人配送對比數據來源：東軟醫療 蛋殼研究院在院內上下料環節，AGV機器人可實行不停機換料，縮短人工換料時間，保障了流水線的流暢性。在配送環節，醫療物流配送機器人通常內置高效的自動導航系統，能夠在配送過程中實現路徑最優化選擇；在運維環節，AGV機器人可在人工充電與自動充電間選擇，優化維護時間，從而達到長時間連續運轉工作，有效提高工作效率。AI在此場景下的應用主要包括動態物體識別、智能調度、智能物聯。加之物聯網、5G等技術的協同，AGV機器人的行駛路徑和速度可

133、控、定位停車精準，可有效提高物料搬運的效率。同時，AGV機器人管理系統對機器人集群實行全程監控，能夠在設備故障期間第一時間予以處理。53New scenarios and new modesopen a new chapter in the development of medical AICHAPTER04新場景、新模式開啟醫療AI發展新篇章與互聯網、5G等跨領域技術一致，AI是這個時代少有的能夠獨立形成產品體系的技術，但在醫療領域之中，AI的應用相對有限。如今醫院對于醫療AI的認知逐步形成體系，監管體系逐步完善，企業搭建的AI產品矩陣中可適用的應用場景隨之不斷擴大。新形勢下，醫療“AI+”

134、正不斷向醫療“+AI”進行演進，其作用場景也從診療不斷向科研、保險等場景不斷延伸，構造新的市場增量。醫療+AI的容量究竟有多大？本章從落地場景、產品形態、商業化路徑幾個維度進行探討，探索醫療AI未來可能。4.1 尋找醫療人工智能新藍海從第一落點醫療機構向外擴展，既是AI開辟增量市場的有效途徑，又是醫療器械審慎性審評審批選擇下的被動之舉。歸結起來，醫療AI目前較為成熟的產品發展方式主要集中于C端與B端中的保險、藥企部分，影像AI弱化了AI的醫療器械屬性，基于NLP的知識圖譜則在醫療之外納入了更多維度的數據。4.1.1 弱化醫療器械屬性，影像AI躍入新場景直接面向C端的醫療AI產品主要聚集于影像方

135、面，且需要滿足三個特征：一是采集的影像數據以光學成像生成為主，對數據采集設備要求較低且便于傳輸；二是數據采集流程足夠簡單，經過簡單培訓的醫生乃至患者都可以自行進行數據采集；三是該醫療設備擁有較為平價的價格，絕大多數商鋪能夠負擔。皮膚病、眼科疾病、中醫面診是現階段應用較為廣泛的C端AI場景。以上市公司鷹瞳科技為例，該企業與星創視界（寶島眼鏡母公司）合作，將AI賦能眼底相機、裂隙燈、自動多功能綜合檢眼儀，為用戶提供了全面的健康風險評估以及配鏡建議，幫助用戶排除健康風險因素導致的視力受損情況，其作用場景主要以視光中心為主，醫院、社區診所、體檢中心為輔。皮膚病檢測方面，國內體素科技、丁香園；海外SKI

136、N VISION、DEEPMIND HEALTH均有較為成熟的皮膚病AI。這一類產品主要以APP、小程序的方式存在，使用手機攝像頭便可快速獲取數據，因此頭部企業旗下AI調用量相對較大，現已可至千萬級。中醫面診、醫美膚質分析等大健康范疇類AI產品落地同樣成熟，且不少企業已通過軟硬件協同銷售的方式。中醫面診依賴于計算機視覺采集用戶面部輪廓、皮膚狀態、舌象等信息，以中醫理論作為知識支持，結合中醫臨床數據庫進行診斷。膚質分析則與皮膚病檢測的原理相似，通過量化膚色、斑點、皺紋等面部信息進行分析。與用于醫院端的影像AI有明顯不同。目前藥監局批準的絕大多數AI均為單病種AI，即一個AI只能檢出一個病種。而C

137、端AI面臨的用戶通常希望AI能夠盡可能全面、盡可能廣泛地提供分析結果，即一個AI能檢查多個結果。譬如，患者希望通過一次中醫面診即可了解全身疾病的信息。55CHAPTER56現代醫學的發展程度不能滿足這一充滿幻想色彩的需求，醫療器械的審評審批同樣未能基于多病種AI(尤其是病種數量大于等于3時)建立有效的監管程序。其中的原因在于：盡管大數據下AI給出的部分概率確實能夠一定程度反映征象與病癥之間潛在的關聯可能，但這些關聯僅是統計學上的關聯，算法得出結論的過程本身不具備解釋性，未能通過醫學論證流程確認其中高的因果關系。另一方面，多病種AI（以N=2為例）在進行數據集構建與算法驗證時，不僅需要構建病種A

138、數據庫與病種B數據庫，還需要構建AB數據庫，并需基于醫學原理解釋交集數據的概率得出過程。解決上述問題會遇到三個難點：一是需引入知識補充算法的可解釋性，二是對于部分疾病的部分分期，如糖網病變的0期、6期數據，在真實世界中的數量有限，達不到驗證數據集要求的數據量；三是隨著多病種數量的增多，交叉病種的驗證數量將面臨指數增長，目前暫無對應的審評審批規則對于這一情況進行處理。對于皮膚病、中醫這樣的場景，只能測量單個病種的AI不具備臨床價值。因此，當前階段TO C的醫療AI通常會消除自身的醫療器械屬性，給出的結果也不能作為診斷依據參考。這一缺陷在短期之內不會影響C端AI產品的落地，但由于AI給出的健康評估

139、結果有可能誤導用戶的后續診療行為，在長期內存在被監管禁止的風險。從當前醫療AI行業的發展趨勢看，頭部的醫療AI企業目前采取的措施是與監管機構共同探討多病種人工智能的監管路徑，以實現在保證算法安全有效；審評審批成本可控、符合真實世界情況的前提下完成對于多病種人工智能醫療器械的審評審批。4.1.2 智能化風控，AI切入醫療保險的兩個角度醫療AI在保險領域之中的創新大致可分為兩類。一類是借助AI能力甄別騙保行為，加強醫保風險控制，二類是借助于AI能力延伸保險服務范疇，通過加強患者健康管理的方式減少治療環節帶來的保費支出。醫?；饒鼍爸?，欺詐、侵占、挪用、重復報銷、制度銜接等違規現象一直是打擊和監管的

140、重點。尤其是 國家醫療保障局關于做好 2019 年醫療保障基金監管工作的通知、國家醫療保障局辦公室關于開展醫?；鸨O管“兩試點一示范”工作的通知 等文件，不僅明確了引入第三方力量參與醫?；鸨O督管理，也要求各地根據欺詐騙保行為特點變化完善監控規則、細化監控指標和智能監控知識庫，提升智能監控效能。2020年 3 月，中共中央、國務院曾發布 關于深化我國醫療保障制度改革的意見，以醫療保障制度改革為核心的新一輪醫療支付改革拉開序幕。其中，如何利用 AI、大數據等技術，解決醫保風控中“監管智能精細化及全流程化”、“動態監測實時化”等問題，成為了克服原先醫保管理因特征數據有限、虛擬患者利用AI結合真實世

141、界數據和臨床結果，從醫療數據庫中創建一個虛擬對照組，可以用來減少某些57臨床試驗中對對照組的需要，有望在確保臨床試驗的安全性和可靠性的同時，減少臨床患者招募數量并大大降低開展臨床試驗的成本。2022年2月，拜耳將與芬蘭的AALTO大學合作進一步延伸，研究AI是否可以用來減少或消除某些臨床試驗中對對照組的需要(例如在罕見疾病中)。在拜耳為期三年的未來臨床試驗(FCT)計劃中，拜耳和AALTO大學將與赫爾辛基大學醫院(HUS)合作。HUS將提供對患者數據的訪問，AALTO大學已經開發了機器學習工具，用于對從病人那里收集的健康數據進行建模。GNS HEALTHCARE也在做。大規模計算平臺及手段缺乏

142、等的核心關鍵。在一政策中，各類醫?？萍计髽I在AI平臺上搭建風險控制模型，能夠以更為高效更為精準的方式挖掘數據之下的騙保行為；部分醫療信息化類企業則利用計算機視覺進行醫患行為分析，如易聯眾開發的智能視頻監控可通過AI對住院行為、門診行為、門特診療行為、高頻高額檢查行為、健康理療行為、藥店購藥行為、門特購藥行為等相關行為進行自動化的分析、監管和預警，能夠有效打擊醫院、定點零售藥店、持卡人的欺詐騙保問題，實現基金監管從人工抽單審核向大數據、AI智能監管轉變。創業公司通常選擇賦能慢病管理這一路徑與藥企、保險公司進行合作。以鷹瞳科技為例，基于視網膜AI的健康風險評估幫助保險代理人進行業務推廣，同時融入到

143、保險公司的核保方式中，制定更加個性化的健康保險方案。具體而言，鷹瞳科技通過定期給受保人進行AI健康風險評估，及時反饋健康信息，可以很好地評估受保人健康干預的效果，對受保人起到健康促進的作用，做到高效精準的健康管理，對保險公司來說也能夠及時發現風險做好應對，實現患者與保險公司的”雙贏“。4.1.3 7個潛力領域，AI引領新藥創新目前，國內較少的新藥AI企業布局到藥物發現階段以外。其中部分場景是已經發展成熟，但限于市場規模、技術門檻等因素未成為主流的應用場景，部分是目前發展較不成熟、但未來發展十分可期的潛力場景。對于后者，蛋殼研究院進行了全面梳理分析?；衔锖铣葾I可以將分子結構映射為可以由機器學

144、習算法處理的形式，根據已知化合物的結構，形成多條合成路線，并推薦最佳合成路線。相較于制藥行業的其他環節，化合物合成環節的數據量充足，化學反應的數據量達到了四五千萬之多，且這些數據質量較高。通過AI算法，推薦化合物合成路線和優化反應條件，再加上逐步實現自動化的實驗解決方案，縮短合成“制造”階段的時間，可以全面加速藥物研發進程。目前，包括REAXYS、SCIFINDER、晶泰科技、武漢智化科技、云深智藥目前大力布局了化合物合成相關的業務。新形態藥物遞送基因治療、細胞治療等新興治療方式為腫瘤、罕見病、慢病及其他難治性疾病提供了全新的治療理念和手段，具備了一般藥物可能無法企及的長期性、治愈性療效，有希

145、望徹底治愈疾病。新冠疫情的發生更是極大地刺激了MRNA這一類核酸藥物的發展。諸如核酸藥物、基因細胞細胞一類新形58態藥物的研發蘊藏著醫藥產業更大的機會，而藥物遞送是這些新形態藥物不可或缺的一環由于新形態藥物有效成分在體內的不穩定性，需要的遞送方式也更加復雜。不同于傳統化藥遞送，新形態藥物遞送未來有巨大的市場空間。目前，DYNO THERAPEUTICS正在應用體內實驗數據和機器學習來發現和優化腺相關病毒（AAV）衣殼載體（病毒載體的細胞靶向蛋白外殼），其性能明顯優于目前的體內基因遞送方法，從而擴大了基因療法可治療的疾病范圍；劑泰醫藥目前正在利用AI發現和開發非病毒的脂質體LNP進行核酸藥物的遞

146、送。臨床患者招募分層由于生命系統的復雜性與患者疾病存在的異質性，同一疾病在不同患者身上或許有不同的病理狀態，同一藥物作用到不同的患者身上或許是不同的效果。AI對多維度數據(如電子健康記錄、全息圖和成像數據)進行分析，從成像、基因組學和臨床數據中識別新的生物標志物進行患者疾病進展的判斷，可以用于設計分層臨床試驗，招募到最合適的臨床患者入組，能有效降低臨床開發的風險。臨床試驗設計優化臨床設計在很大程度上決定臨床能不能成功。AI通過機器學習和認知計算能力，基于大量關于靶點，疾病，臨床試驗數據的分析，可以學習過去臨床試驗中的成功和失敗經驗，指出當前臨床試驗設計可能存在的問題并設計出更好的臨床方案，從而

147、提升整個臨床試驗的效率。目前，國內包括英矽智能、云深智藥、零氪科技等企業布局了該業務。虛擬患者利用AI結合真實世界數據和臨床結果，從醫療數據庫中創建一個虛擬對照組，可以用來減少某些臨床試驗中對對照組的需要，有望在確保臨床試驗的安全性和可靠性的同時，減少臨床患者招募數量并大大降低開展臨床試驗的成本。2022年2月，拜耳將與芬蘭的AALTO大學合作進一步延伸，研究AI是否可以用來減少或消除某些臨床試驗中對對照組的需要(例如在罕見疾病中)。在拜耳為期三年的未來臨床試驗(FCT)計劃中，拜耳和AALTO大學將與赫爾辛基大學醫院(HUS)合作。HUS將提供對患者數據的訪問，AALTO大學已經開發了機器學

148、習工具，用于對從病人那里收集的健康數據進行建模。GNS HEALTHCARE也在做。真實世界研究AI的進步提供了分析大型多維真實世界數據（RWD）的新策略。AI能夠識別真實世界數據中的內在關聯，生成新的假設，同時為臨床試驗提供新的信息。目前FDA已經在從RWS中得到的真實世界證據（RWE）作新藥審批、適用癥的修改、安全性監測和指導臨床試驗的設計等等方面的應用。最新的一個案例是，AI通過分析真實世界數據，可以找出不會影響試驗的總生存期的風險比的入組標準，從而擴大臨床試驗的人群范圍。CONCERTAI、FLATIRON HEALTH、醫渡云、百奧知、遙領醫療科技等企業目前重點布局了該業務。4.2

149、醫療人工智能企業的未來形態2021年7月，深睿醫療收購依圖醫療，將其醫療信息化能力納入版圖之中，成為醫療AI最為聲勢浩大的“跨界”之旅。事實上，醫療AI行業從單一賽道轉變為多賽道布局已成普遍現象，一方面是為了尋找新的市場空間，另一方面則是受制于單賽道當前有限的市場，必須尋求轉變。蛋殼研究院對23家醫療AI公司的總收入與總成本進行了調研，目前僅兩家企業實現盈利，沒有將AI作為主營業務的公司實現扭虧為盈。因此，在市場成長期尋找能夠盡快盈利的賽道，是醫療AI企業渡過陣痛期的必要行為。目前，主流的跨賽道方式主要分為以下三種。影像AI+醫療信息化AI影像AI向醫療信息化賽道擴張是影像AI企業采用的一種主

150、流手段，跨界的主要成果是圍繞PACS系統進行的醫學影像大數據建設及醫學影像科研設備建設，也有企業提供影像集成平臺，對各個廠商的各類影像設備生成的醫療影像數據進行標準化與集成。采用該模式跨賽道的標桿企業包括深睿醫療、匯醫慧影、科亞醫療、聯影智能、數坤科技、健培科技等。醫療信息化賽道較為成熟，擁有穩定的銷售模式、產品標準化程度高，且能與影像AI產品形成互補；缺陷在于因不具備PACS系統的控制權，衛寧健康、卡易等信息化系統廠商能夠采用“醫療信息化+影像”的方式迅速搶占市場?？缃绲淖罱K融合形式是多維的。以科亞醫療為例，該企業以影像數據一體化為目標，與金山云、阿里云、京東健康、微軟中國等企業合作，為醫療

151、機構提供云下的AI大數據服務，促進醫療機構之間實現影像一體化，縮短診斷的鏈路，讓影像數據一體化提高診斷效率，降低患者看病成本，推動精準醫療的發展進程。健培科技同樣實現了從AI輔助診斷到信息化平臺建設的跨越，借助多年對于來對于臨床數據、病案數據、健康檔案的處理，為醫院打造了全數據AI平臺，提升醫院診療質量、管理決策效率、科研能力，亦能幫助醫院完成診療質量的智能質控。影像AI+器械制造影像AI向器械制造的跨界可分為“影像AI+手術機器人”、“影像AI+影像設備”兩個方面?！坝跋馎I+手術機器人”主要集中在心血管、骨科領域。睿心醫療、科亞醫療、博動醫療均由AI支持CT-FFR起家，從診斷向治療躍進，

152、冠心病指南建議的常規診療流程也是心血管AI企業布局擴展的過程，最終實現冠脈介入精準診療閉環的建立。其中，睿心醫療研發的血管介入手術機器人于2022年5月實現全球首例同一臺設備在不更換傳送裝置的情況下完成冠脈、腎主動脈和外周三個部位支架手術。5960這一跨賽道的方式因所跨賽道本身不具備有效商業模式，且涉及高值耗材、手術設備的研發制造，可能存在現金流惡化的風險，但若能夠在有限資金內實現產品、商業化的雙突破，相關企業也將迎來更大的收益?！坝跋馎I+影像設備”的主體通常為輔助診斷類AI企業，主要方式為配合AI技術打造對應的數據采集設備，打造軟硬件一體化解決方案，如鷹瞳科技的便攜式眼底相機、博動醫療的Q

153、FR。對已獲得三類證的企業進行統計，大量創立時以軟硬為主營業務的AI企業已完成相應生產供應鏈的自建，逐步進行軟硬件業務轉型。圖表 38 手術機器人檢查及治療數據來源：蛋殼研究院圖表 39 企業屬性轉型發展對比數據來源：蛋殼研究院61醫療信息化AI+生命科學數字化醫療信息化企業必須詳細了解醫院流程才能設計出符合醫生、患者多方需求的高效信息化系統，因而在流程規劃上一直存在優勢，也有能力切入生命科學數字化，幫助醫藥企業進行數字化轉型，甚至切入制藥流程。采用此路徑擴大業務范疇的企業包括百度靈醫智惠、惠每移健等企業，NLP上的優勢積累使得他們有更為豐富的手段賦能醫藥行業的創新。4.3 揚帆出海尋找市場增

154、量AI企業早在2016-2017年便已開啟國內向海外的商業化探索，但一直缺少一個標準對其出海的成果進行衡量。目前有海外市場開拓計劃的企業包括新藥研發類AI與影像類AI。新藥研發AI企業主要與海外藥企輔助藥物研發關系，借助AI能力對新藥研發部分流程進行優化提速。影像類AI的情況則相對復雜，市場準入作為商業化的開端，能夠一定程度衡量AI企業的海外拓展水平。因此本報告對各企業（不包含醫療影像設備制造商）在CE、FDA、PMDA上的獲證情況進行統計。圖表 40 CE、FDA、PMDA獲證情況統計（不包含醫療影像設備制造商）數據來源：蛋殼研究院62據公開資料統計數據顯示，推想醫療以6張海外AI醫療器械注

155、冊證位居第一，六張注冊證均是輔助診斷類產品，聯影智能位居第二，共計五張AI醫療影像注冊證，其中三張為影像增強類AI，數坤科技以4張輔助診斷類AI排列第三。獲得對應市場的準入資格后，影像AI企業可以直接與糖尿病中心、卒中中心直接合作，也可與影像設備制造商合作，將其AI產品置入影像設備制造商。后一種商業方式較為主流，但對于影像企業而言有利有弊?；谶@種輕資產的運營方式，AI企業無須如國內業務推廣那樣與醫院構建起緊密的合作關系，無須過度關注各個國家對于醫療AI的政策差異，可以將更多中心放在AI產品的打磨上，以更快的速度覆蓋市場。同時，放棄渠道的主導權也會一定程度削弱AI企業的定價權，在以價換量的過程

156、中，醫療AI公司喪失了市場策略的靈活性。智能制造同樣是企業出海的重點領域，以微云集團為例，該企業通過技術路徑上的突破，在保持醫療機器人執行精度和執行效率不變的情況下，大大降低了醫療機器人設備的生產成本，形成了顯著的國際市場競爭優勢，對海內外的醫療AI普適化起了重要推動作用。4.4 以公益作為連接點，社會價值與商業價值融合影像AI的公益路徑早于商業化落地，是由影像AI在2020年前無法突破國家藥監局審評審批形勢時采用的過渡手段。通過公益的方式落地，影像AI企業能在幫助國家推動腫瘤、眼科等疾病的早篩工作，亦能幫助AI產品提前適應市場。4.4.1 演進中的公益之路近年來，越來越多的企業運用自身在技術

157、和產品上的優勢，依托自身主營業務領域，在實現企業商業價值的同時，實現社會需求的滿足和社會供給的優化，用公益性與市場性相結合的方式，促進企業的商業利益和社會價值共生?；赝嬷?，企業參與公益的方式也在不斷進行擴容與升級。圖表 41 醫療AI企業的公益路徑日趨多元數據來源：蛋殼研究院公益1.0：遠程助力一線在醫療AI賽道，作為公益路徑的基石，捐獻、捐贈仍然是諸多企業展現公益精神的主流方式。疫情期間，基于在智能病灶檢測分析的技術積累，科亞醫療將研發的“新冠肺炎智能輔助診斷系統”捐贈到湖北、廣東、四川、山東等地區多家醫院，馳援前線影像科室，通過對肺部CT進行全自動的智能分析，快速輸出輔助篩查結果，在

158、保證準確率的前提下，大幅提升新冠肺炎的診斷效率，為快速隔離、診斷和治療爭取到了寶貴時間。秉承“循證AI賦能基層醫療”愿景的靈醫智惠延續2019年、2020年的公益步伐，在2021年繼續向湖北、四川、新疆、云南、山東、內蒙古等省份的偏遠地區捐贈眼底相機共計約100臺，總價值約3000萬元；為支持湖北經濟重振，靈醫智惠在2021年5月向湖北省通城、五峰縣等10個縣市各捐贈兩臺眼底相機和靈醫智惠“愛助醫”基層醫療解決方案，總價值5000萬元。通過捐贈的方式，企業可以快速對接偏遠醫療單位，縮小醫療差異化，使得輻射的基層群眾獲得與發達地區更為接近的醫療服務。公益2.0：積極參與一線隨著醫療AI技術的不斷

159、迭代，疊加疫情對醫療AI特別是影像類AI系統需求的井噴式催化，醫療AI的軟件指導服務對基層醫療機構而言同樣迫切。在此背景下，部分醫療AI企業，選擇捐贈軟硬件系統與提供短期或常駐性技術服務并舉的方式，為基層醫療帶去增量資源。此種方式不僅可以提升醫療機構的使用醫療AI軟件系統的效率，同時能將一線的技術問題及時的搜集與回傳分析，幫助AI系統的優化與升級。新冠疫情期間，深睿醫療的AI產品助力疫情防控，在AI輔助診斷、遠程會診、AI遠程輔助診斷、精細化治療、科研、5G+AI等方向提供服務。同時，深睿醫療向武漢兩家醫院捐贈了肺炎AI診斷產品。捐獻軟硬件設備加服務的公益方式，使得AI企業更多的參與到一線診療

160、行為中，讓企業有機會主動的記錄、觀察、挖掘醫生在診療過程中的痛點和需求，反哺于產品設計與改良，幫助AI產品更好的在醫療實踐中創造價值。公益3.0：主動滲透基層2021年7月，健培科技聯合明峰醫療舉辦的“獻禮百年 紅色關愛之旅”公益活動在重慶江津啟動，“啄醫生”輔助診斷機器人隨著移動CT設備下鄉到基層，以江西瑞金為終點站，橫跨開州、南充、資陽、江津、張家界、衡陽、湘潭、井岡山5省市10地，共計千余公里?；顒訑y手所途經各地的醫院聯合開展，為居民提供疾病的早期篩查、流行病的預警監測、慢性病的健康管理等服務。類似健培科技這樣通過直接與更多基層民眾、社區互動的醫療AI公益活動正成為一種行業趨勢，一方面，

161、對于患者端來說，企業可以與基層建立更牢固的鏈接；另一方面，對于行業而言，也為行業的公益之路注入更多的新鮮元素。目前，義診、講座、創新大賽、藍皮書等如火如荼，公益形式不拘一格。6364如2021年獲得深圳市科學技術協會的指導的“中國平安技術公益創新大賽”即是公益創新的一次嘗試，通過優秀參賽項目在社區、機構的落地孵化，為開展后續社區科學醫療服務工作做準備；2021年10月27日，鷹瞳科技聯合人民健康、愛康集團，正式發布基于視網膜人工智能評價的 兩百萬中國體檢人群健康藍皮書，通過一線的數據搜集、分析，運用公益的方式為行業賦能。同時，公益活動的受眾也在從醫生、患者不斷地拓展到更多的人群。如聯影醫療舉辦

162、的公益講座、科普公開課等，受眾從患病群體到非患病群體的遷移，體現出企業對疾病防患于未然的社會責任心。醫療AI企業一直在用商業化的模式積極解決社會問題，如果說傳統醫療公益模式是授人以魚、側重實體資源的供給，那么以“多元化”為特色的新公益時代，將突破傳統以捐贈為主要方式的企業社會責任實現形態，有望掀起一場多方參與、多方聯動的革新，引發社會群體對于疾病的關注與反思，將推動公益進入“授人以漁”、參與各方互相作用與促進、持續優化的公益生態。4.4.2 CRS、ESG與商業價值的共生社會價值的重要性世界銀行對CRS的定義是“企業在追求盈利目標之外，還應考慮對員工、客戶、社區、社會的的影響”；ESG是一種在

163、經營決策中將企業環境、社會和治理表現納入綜合考慮的企業經營理念。上述兩種社會價值理念，不僅高度契合經濟建設、政治建設、文化建設、社會建設、生態文明建設“五位一體”的總體布局和“創新、協調、綠色、開放、共享”的新發展理念，也為企業可持續發展和綠色發展提供了系統性、可量化的框架指引。商業世界中的準則天然被利益所驅動，但社會價值與商業價值從來不是對立面。圖表42 企業的ESG閉環數據來源：蛋殼研究院65商業價值一定是構建在社會價值上的。讓社會價值成為企業事業發展的一部分，正在成為越來越多企業的共識。2020年疫情期間，醫準智能僅用時306小時緊急定制化研發新冠肺炎影像AI輔診工具和算法模型，助力疫情

164、有效防控，在特殊時期幫助一線醫師高效進行新冠肺炎的檢測。此外，在國家兩癌篩查工作中，醫準智能通過“粉紅關AI”系列活動，聯合國內頂級醫療機構專家學者，通過人工智能技術賦能乳腺影像分析能力提升，助力“乳腺癌篩查”。企業提升自身社會公益表現，一是構建CRS、ESG建設的頂層規劃，將社會貢獻、公益服務、環境考慮等因素充分納入企業管理機制的設置中。二是在實際的商業活動中踐行公益服務具體范式，將CRS、ESG理念深入到產品開發、員工培養、客戶服務等方面；三是構建立體的評級系統，將CRS、ESG因素有機融入企業的業務綜合評級體系；四是主動加強社會公益的宣傳與信息披露，樹立企業積極的聲譽與企業公益形象。同時

165、，醫療AI的社會安全性，也納入社會價值的衡量之中。在2022年9月的世界人工智能大會上，聯影智能聯席 CEO 周翔博士表示，“有良知的AI”來源于“有風險意識的AI科學家”和“有良知的公司文化”。AI 公司需要深入理解這些風險，在軟件和預期的工作流中設計好相應的規避舉措，發揮AI的公益價值。商業價值與社會價值的雙贏在企業致力于公益、環境協同發展的同時，亦會收到反向的正刺激作用。圖表 43 商業價值與社會價值的雙向作用數據來源：蛋殼研究院學者對2009年第一季度至2020年第四季度期間A股3096家上市公司做了調查,實證考察了企業ESG表現對企業價值的影響。研究結果表明，企業ESG表現越好,企業

166、價值越高。這是由于良好的ESG表現可以環節企業的融資約束、降低財務風險、吸引更多的優質人才、獲取更多的投資機構關注機會，從而提升企業效率，對信息傳遞效率較高的企業而言，ESG對企業價值的提升效應更為明顯。企業通過社會責任的嵌入提高了社會滿意度，并重新整合、建構自身的價值體系，實現由社會需求型商業模式到技術驅動型商業模式再到共享開放型商業模式的不斷躍遷。促使企業與社會形成更為廣闊的利益共同體，提高企業商業模式創新的可持續性。通過更多的參與社會公益，可以激發企業的內生動力，建立發展的商業價值與社會價值的聯結，企業可以從更好的CRS、ESG表現中獲得更高的經濟收益、更強的可持續發展能力，持續不斷地向

167、社會輸出AI醫療力量，實現社會價值和商業價值的“雙贏”與共生。66圖表44 社會價值對企業商業模式創新的驅動數據來源：蛋殼研究院Enterprise casesCHAPTER05企業案例大數據時代被稱為第四次工業革命，在深刻的改變我們的生活方式。AI可大幅提升工作效率與準確率，降低勞動力成本，創造更便捷的體驗。在這場技術浪潮中，醫療健康是AI率先實現規?；瘧玫闹饕I域之一。在技術發展與政策支持的推動下，AI在醫療領域的應用，正在提高醫療機構的診斷效率、推進藥械公司的產品研發及上市，為患者創造更便捷、高效、人性化的就醫體驗。目前，AI在醫療領域已實現多環節的全面滲透。醫療AI產業上游主要是為行

168、業提供基礎技術支持的行業，如基礎數據平臺、算法等。中游主要為醫療AI的應用層，本報告中主要分類為影像AI、信息化AI、新藥AI、機器人四個板塊。下游為技術的應用場景，如醫院、體檢機構、居家、藥房等。隨著AI在醫療的快速應用與升級迭代，行業細分賽道已趨明晰，國內外涌現出一大批優秀的企業，在各自的領域中探索出更多可能。68CHAPTER圖表 45 部分醫療AI企業圖譜數據來源：蛋殼研究院信息化 AI影像 AI機器人 AI新藥 AI柏視醫療國際癌癥研究機構（IARC）預測：2040年在全球范圍內將有約2,840萬例癌癥新發病例，比2020年增加47，放療與手術、化療被統稱為惡性腫瘤治療的“三駕馬車”

169、，臨床中有65-75%的患者需要接受放射治療以縮小或消除腫瘤，而腫瘤放療靶區的高精度勾畫是成功實施精確放療的前提和關鍵技術。定位為腫瘤智能治療解決方案提供商的柏視醫療，成立于2017年，憑借算法積累、數據庫、團隊研發實力等優勢，在影像腫瘤治療領域脫穎而出，于去年8月獲得飛利浦領投的億元A輪融資。柏視醫療產品生態：智慧腫瘤治療解決方案領跑AI腫瘤治療，科技創新與臨床需求并重柏視醫療主要包含智能化放療整體解決方案、智能化外科手術整體解決方案及智能化癌癥中心三大業務板塊。在智能化放療中，柏視多功能輔助軟件，覆蓋靶區勾畫、計劃設計、劑量評估、療效分析等各方面，提高醫護人員工作效率和患者的治療效果。在智

170、能外科手術整體解決方案中，為精準外科手術提供智能輔助診斷、精準的臟器三維重建、量化分析、智能定位、術中導航等服務，顯著提升提高臨床治療實踐的確定性和預見性。頂級研發團隊華麗學術背景，科研成果獲多重認可核心團隊成員擁有約翰霍普金斯大學生物醫療工程系、中國科學院數學研究所、NIH乳腺癌研究基金、上海交通大學醫學機器人研究所等機構的學習、工作背景。3位主要成員發表SCI論文總分超過500分，被引用次數40000次。截至2022年7月，柏視醫療已申請 80余項發明專利且已進入實審階段，另有40項發明專利、41項軟件著作權獲得授權。目前，公司業務范圍現已覆蓋全國20余省市及部分國際市場，總服務超過16萬

171、例臨床患者。在PVMED 2.0創新戰略下，期待柏視醫療呈現更多聚焦于高壁壘的AI腫瘤治療智能化產品解決方案。69影像AI70健培科技產品全布局健培科技健培科技屬于國內首批探索輔助診斷的醫療AI企業，見證了醫療AI的整個興起。在對于AI應用的探索中，健培科技率先推出了人工智能輔助診斷平臺（啄醫生），后又開啟醫療信息化領域的探索，用AI賦能智慧醫院診療與智慧醫院管理。深耕AI輔助診斷，打造多病種AI診斷平臺 健培科技致力于為各類醫療機構打造一個完整的、支持多病種的啄醫生人工智能平臺，采用AI技術快速生成準確的影像分析和診斷結果，定性定量標注病灶關鍵信息，自動生成結構化報告，自動跟蹤隨訪數據，助力

172、影像醫生診斷效率和精度的大幅提升。到目前為止，啄醫生人工智能平臺可實現肺炎、肺結節、肋骨骨折、胸部DR、兒童骨齡、腰椎、骨關節、糖網病變、腦卒中、乳腺鉬靶、冠脈、頭頸等場景的輔助診斷，完成多種設備多個病種的覆蓋。賦能智慧醫院管理，著力醫療數據智能質控健培科技在智慧質控的研發分為兩條線。影像質控是主要方面，其目的是保障影像檢查的質量以及區域內不同醫療單位影像檢查的同質化。為了實現這一目標，健培科技通過人工智能技術構建了AI 全流程質控平臺，該平臺對拍攝的影像進行質控，定期生成質控報告，對于不符合質量要求的影像拍攝進行糾正和提升，可將該平臺運用在區域內大型三甲綜合性醫院、醫聯體和醫共體醫院以及遠程

173、影像診斷等場景中。利用影像AI質控平臺對曝光度、偽影、對比度、分辨率、信噪比、掃描范圍FOV 等圖像質量相關因素進行智能分析和評價，自動出具影像質量報告及相關整改建議。解決醫療機構技師技術水平參差不齊、拍片質量各異的問題，實現醫學影像質評的自動化和常態化，帶來醫學影像質評體系的飛躍?！皥蟾尜|控”是影像質控的延伸。健培科技構建了一站式三維數據處理平臺，提取肺實質、肝臟器官特征，構建精準量化分析模型，通過深度學習技術，為醫院和體檢機構提供一種高效、客觀、量化的評估工具。主要核心技術包括肺結節的輔助診斷、肝臟疾病的分割和定量分析、肺氣腫的檢測和定量評估等。此外，健培科技還在智慧管理中的精準醫保監管場

174、景進行探索，提出一種基于AI的植入性醫用耗材精準醫保監管方案，能夠自動檢查判別植入性耗材的數量、材質、合理性等疑問，從而規范醫療服務行為、控制醫療費用不合理增長，為保障基金安全、解決控費難題，提供創新方法和有效手段。影像AI71科亞醫療成立于2016年1月的科亞醫療對于AI技術、監管、市場均有深入認識，在醫療AI行業的每一個發展上均搶得先機。領先準入“三部曲”，已實現大范圍物價準入科亞醫療是國內首個獲得醫療AI三類證的醫療AI 企業，其CT-FFR“深脈分數”陸續獲得中國NMPA（2020年1月）、歐盟CE（2018年8月）、美國FDA三重認證，打破了HEARTFLOW公司FFRCT產品在美市

175、場長達七年的壟斷局勢，有望在全球范圍內重塑CT-FFR的定價。與此同時，“深脈分數”也在積極拓寬物流準入范圍，已跑通北京市、河北省、山東省、浙江省、江蘇省等11 省物價環節，率先鋪好醫療AI產品服務面向患者的收費通路，并另有十余個省市正在審批之中，實現了大規模產品商業化落地。2021年8月科亞醫療與安貞醫院簽約建立了醫企聯合實驗室，科亞醫療的深脈分數DVFFR正式在北京安貞醫院投入臨床使用。截止目前，已經服務了近5000名患者，共有1000余人次避免了不必要的冠脈造影手術，為患者節省了醫療費用約2000萬元，更重要的是為醫生提供了更高效便捷的臨床決策工具，最終使患者獲益?！吧蠲}分數”外，科亞醫

176、療積極布局心腦血管AI診療，將其產線中加入了冠脈生理功能評估、腦卒中智能影像分析系統、震波球囊等產品，還定向強化了AI輔助診斷能力，其深脈靈析能對“冠脈”、“頭頸”、“肺結節”、“肺炎”、“肋骨骨折”、“非門控鈣化積分”、“腦卒中”等場景進行輔助診斷，進一步拓寬其可觸及的市場。產線進一步拓展，押注三級醫院信息化與縣域醫院高質量發展心腦血管診療外，科亞醫療還推出了深脈臨床決策支持系統，該系統基于臨床大數據中整合的海量、真實、連續醫療數據，利用大數據和AI技術，專注心血管疾病研發臨床診斷支持、診療方案支持、影像AI科亞醫療AI產品服務體系72疾病復發預警等智慧服務，實現智能化臨床輔助決策?？h域醫療

177、高質量方面，科亞醫療與華潤醫藥商業集團醫療器械有限公司簽署全面戰略合作協議，充分發揮各自優勢，在互聯網+縣域醫療方面依托AI技術全方位協同、多層次合作，以醫療質量發展為核心，用高科技手段促進縣域診療能力提升，助力醫療機構打造緊密型縣域醫共體，為百姓健康謀福祉。聯影智能上海聯影智能醫療科技有限公司是一家能夠提供多場景、多疾病、全流程、一體化智能解決方案的醫療 AI 企業，以 AI 賦能臨床、科研及設備，覆蓋院級管理、醫療創新生態、工作流優化、精準診療、個人健康管理等多個 AI 應用場景，致力于做一個值得客戶信賴的長期創新合作伙伴。全棧解決方案打通診療全流程“全?！?，即將過去單個的掃描、導航、診斷

178、、治療等諸多環節連成一個整體，出具一套覆蓋醫療全流程的解決方案。這為醫生帶來的不僅僅是效率上的提升，更是工作模式的轉變將醫生從機械勞動中解放出來，去進行更有價值的勞動創造。例如，聯影智能一站式腦卒中智能解決方案，從掃描、診斷、會診全流程輔助醫生快速、精準、全面地救治腦卒中患者。該方案包括了智能危急分診、顱內出血智能分析、ASPECTS智能評分、頭頸血管智能重建與分析、腦灌注智能分析等系統，提供 NCCT/CTP/CTA 一站式的智能檢出與量化、多平臺危急預警、可視化隨訪對比等服務，輔助醫生實現秒級閱片、秒級獲取病灶量化信息、分鐘級多科室會診，有效加速患者救治流程。影像AI通過與多家三甲醫院的合

179、作打磨，一站式腦卒中智能解決方案已在全國范圍內落地近300家醫院，賦能卒中診療全流程，讓更優質、及時的醫療服務惠及更多卒中患者。此外，聯影智能正在探索 CT 腦卒中智能解決方案、多序列 MR 腦小血管病定量分析與腦結構定量分析結合的診療方式，為腦部疾病帶來立體化診療與研究的全新可能。73全疾病譜賦能臨床，自主研發超過 40 款AI產品“全譜”是從多疾病、多模態上應用 AI，覆蓋全身系統及全模態影像設備，實現多疾病的智能輔助診療。融合產醫研發優勢，創新建設新型醫療服務模式與平臺聯影智能則采用兩種模式進行科研合作。一是通過與全國多家三甲醫院開展深度科研合作，共同承擔科技部、自然科學基金、上海市的科

180、研項目，在項目中設立共同的項目目標，實現產醫合作。早在2019年，聯影智能牽頭“十三五”國家重點研發計劃首個醫學影像AI重點專項，便將腦卒中作為主要課題之一，與多家知名醫院開展深度合作，圍繞腦卒中疾病開發智能AI應用。目前，聯影智能顱內出血 CT 影像輔助分診軟件已成為經創新通道獲批 NMPA 醫療 AI 三類證的首個顱內出血 AI 影像輔助決策軟件；頭頸血管 CT 造影影像輔助診斷軟件入圍工信部“人工智能醫療器械創新任務揭榜項目”。二是積極參加由醫院和醫生牽頭的基于專病的AI研究，進一步擴展產品研發在各類專病診療的適用性，幫助醫院提升診斷效率和服務質量，促進醫療行業轉型和進一步發展。2020

181、 年起，聯影智能與中山大學腫瘤防治中心合作，研發基于深度學習的腦轉移瘤 AI 輔助檢測系統，并由中山大學腫瘤防治中心影像科牽頭，進行了多中心、多醫生閱片、前瞻性的驗證研究。研究結果顯示，在聯影智能腦轉移瘤 AI 系統輔助后，在假陽性沒有顯著變化的基礎上，所有閱片醫生檢測平均敏感性提高 21%，每例平均閱片時間減少了 40%，極大提高了醫生閱片效率。目前，聯影智能腦轉移瘤AI輔助檢測系統已成為中山大學腫瘤防治中心大部分影像科醫生離不開的工具，且本次產醫合作的腦轉移瘤 AI 檢測研究成果在一年內兩度在國際神經腫瘤頂級雜志發表。截至目前，聯影智能已與近 20 家頂級醫院和國內雙一流大學建立戰略合作或

182、聯合實驗室，助力科研成果轉化；承擔、參與國家、省市及地方各類科技項目共計 50 余項；累計發表科研論文近160 篇，包括 80 余篇期刊文章。其中，近 20 篇文章在影響因子超過 10 分的期刊上發表，10余篇文章在 2019至2020年度醫療影像AI領域的國際會議上發表。影像AI74影像AI睿心醫療由三位留美專家創立的深圳睿心智能醫療科技有限公司（以下簡稱“睿心醫療”），在2017年以前便洞察到心腦血管疾病的發展趨勢，并判斷未來患者人群的爆發式增長將會導致國家財政，以及醫療資源壓力劇增。因此，睿心醫療認為：要真正解決心腦血管疾病診療難題，必須通過打造一系列全新的技術，以更低的成本、更高的準確

183、度去助力心腦血管疾病的篩查與治療，進一步提升診斷效率并降低患者負擔。圍繞心腦血管診療痛點，構建完善AI診斷矩陣睿心醫療以冠脈智能后處理與CT-FFR切入醫療AI。針對閱片難問題，睿心醫療推出“冠脈智能后處理平臺睿心智慧脈（RUIXIN CORONARY AI）”，利用大數據、AI以及多模態影像技術，訓練算法學習介入影像結果。實現無創情況下，精準度對標需要有創介入的冠脈造影（冠脈CTA分辨率：0.4MM，冠脈造影分辨率：0.1MM，IVUS OCT分辨率0.01-0.03MM）。在精準識別和定位斑塊類型的前提下，進一步降低閱片者的主觀差異，于3-5分鐘內完成“CTA圖像處理分析-診斷-生成報告”

184、。無創冠脈供血功能評估平臺睿心分數（RUIXIN-FFR）具有精準、高效、無創安全的特點；經全球最大規模臨床試驗驗證，準確率達92%、特異度達90%、敏感度達95%，并且在針對灰區、鈣化及彌漫病變等特殊病例仍保持著全球領先的準確度；實現斑塊風險評估；另對放置支架、囊球和心臟搭橋等手術的術前方案規劃實施介入，是業界首個集“形態學”與“功能學”為一體的冠狀動脈供血功能評估平臺。睿心智慧脈（RUIXIN CORONARY AI）全自動、高效評估冠脈狹窄情況，冠心病篩查的結果會更客觀、精準，同時基層醫院的醫生也能更好地做出判斷、為患者提供后續診斷、治療方案。影像AI75開拓血管介入手術機器人介入AI治

185、療，已建成超2000平米廠房在成熟睿心智慧脈（RUIXIN CORONARY AI）、睿心分數（RUIXIN-FFR）的基礎下，睿心醫療成功研發睿心血管介入手術機器人，完成從“前期篩查、精準診斷、術前方案制定、術中實時導航、手術機器人輔助介入操作，到術后管理”的診療閉環賦能，實現了心腦血管疾病全覆蓋?！邦Ｐ难芙槿胧中g機器人”擁有完全自主產權的主從式結構。通過主端的控制桿，醫生能夠操控導引導絲、球囊/支架導管和導引導管三種器械。從端則模仿人手設計的精密機械結構，使機器人能夠如人手一般靈活地完成多種動作。同時，睿心醫療還基于先進的圖像算法，研發手術實時導航技術，為醫生提供視覺反饋。目前，睿心醫療

186、與中國科學院深圳先進技術研究院證合力研究“雙向力反饋”技術。通過該項技術，操控主端的醫生將通過從端機械臂的測力設備感知導絲等器械的受力情況，提升操作手感，并更精準地操控血管介入手術機器人。目前，睿心血管介入手術機器人已完成十余次動物實驗，先后與中山大學附屬第七醫院、中國醫學科學院阜外醫院深圳醫院、深圳市人民醫院等多家三甲醫院合力實現冠脈、腎主動脈、頸動脈、腦部神經介入支架手術的多部位應用精準操作。同時，睿心醫療已建成超過2000平米的廠房，以滿足手術機器人相關硬件和耗材的生產。數坤科技數坤科技成立于2017年，為提供疾病篩查、診斷及治療選擇與規劃醫療健康AI解決方案的全球領導者。因全球首發“A

187、I+心血管”原創產品，數坤科技迅速躋身行業頭部，目前產品線涵蓋人體五大關鍵治療領域，并全面布局智慧影像、智慧手術、智慧健康。公司已獲得來自國內外頂級投資機構多輪融資，于2021年9月向港交所遞交招股書。數字醫生+數字人體，構建廣覆蓋、全流程AI產品矩陣數坤科技圍繞心腦血管疾病、腫瘤等人類重大常見疾病，研發了輔助診療的“數字醫生”產品組合，目前包括30余款產品，覆蓋心、腦、胸、腹、肌骨五個關鍵治療領域，在涵蓋疾病篩查、診斷、治療方法選擇及規劃的臨床過程中大幅提升醫生工作效率和診斷質量。數坤科技自主研發了高度融合醫學知識和AI能力的“數字人體”技術平臺，為公司開展跨模態（CT、MR、DR）、復合任

188、務、復雜流程的AI產品研發奠定了堅實的技術基礎，同時也為醫療健康數字化、智能化打造行業基礎設施。憑借強大的超算儲備、算法優勢、平臺能力、產品工程研發實力、醫工結合創新轉化力，數坤科技全面賦能智慧健康早篩、智慧影像診療、智慧手術規劃及精準醫學、智慧影像大數據及科研等專業級場景，融“篩診治康管”為一體，更好地推動智慧健康服務轉型、智慧醫院建設升級和區域智慧醫療產業高質量發展。76影像AI數坤科技原創實力獲得國家高度認可，于2022年8月成功獲評由工信部、藥監局聯合開展的“人工智能醫療器械創新任務揭榜入圍單位”，成為名單中唯一一家在智能輔助診斷方向入圍兩個項目的企業。此外還進入了2022年度第三批北

189、京市“專精特新”中小企業名單，北京市2022年科技型中小企業名單，并成為唯一一家入選“科創中國”創新基地的醫療AI企業。數坤科技獲證數量行業領先數坤科技冠脈CTA、頭頸CTA 兩個高含金量的AI產品，均獲得了行業首張、也是至今唯一一張NMPA 三類證。肺炎、肺結節AI產品也先后獲得NMPA三類證。截至目前，數坤科技已經獲得4項NMPA三類證、11項NMPA二類證及4項歐盟MDR CE認證，是全球唯一一家在心、腦、胸三個關鍵治療領域同時擁有NMPA三類證+CE認證的醫療AI企業。落地醫院超2000家，深耕基層醫療數坤科技的數字醫生產品組合已經在全國2000多家醫院高粘性日常使用，其中包括約90%

190、的排名前100醫院及近60%的三甲醫院。同時，數坤科技著力打造健醫協同的智慧健康管理閉環，目前“1+X”心肺聯篩產品已覆蓋全國近千家體檢機構。除了與頂尖三甲醫院深度合作外，數坤科技還深耕基層醫療，積極探索在多場景、多地域的AI應用價值，提升醫療資源稀缺地區的診療水平，推動基層醫療衛生服務均質化和優質化，助推分級診療制度加快建設。今年以來，數坤科技AI產品應用于云陽縣人民醫院等縣級醫院，助力“千縣工程”落地；應用于北京中醫藥大學第三附屬醫院，助力中醫診療走向精準化，均被官方媒體作為典型案例報道。數坤科技AI產品矩陣77深睿醫療深睿醫療是國家高新技術企業，在北京、杭州和上海有獨立運營公司，為國內外

191、各類醫療服務機構提供基于AI和互聯網醫療的解決方案。三類證數量位列國內細分賽道之首，未來發展向AI信息化延伸深睿醫療作為醫療AI領域頭部企業，率先拿下AI肺結節、AI肺炎兩個大通量場景的 NMPA醫療器械三類證，在行業之中占得了商業化高地，又在后續收獲骨齡AI三類證，總計握有5張，影像輔助診斷AI三類證，位列國內細分賽道之首。在產品上，深睿醫療已構建了包括智慧影像、智慧科研、智慧服務、智慧教育在內的醫療AI生態系統，可提供從輔助診斷、患者服務、科學研究、醫生培訓全鏈路的AI服務。深睿醫療旗艦產品DR.WISE智慧影像系列產品家族龐大，目前覆蓋神經系統、心血管系統、運動系統、呼吸系統、消化系統、

192、女性關愛、兒童關愛等領域。軟著和專利數量也超過300，累計影響因子突破500科研實力是深睿醫療的核心競爭力。其核心部門深睿研究院的規模在同業中首屈一指，專注于醫療前沿科技的探索，負責核心產品的算法研究與開發，產生了眾多兼具臨床價值和技術創新性的產品和科研成果，高筑科研壁壘。深睿醫療現承擔了科技部、國家及全國省地級近30個重大專項科研項目，僅2021年就已入選四個國自然項目，在 SCIENCE、NATURE 等國際知名學術期刊上發表科研成果，累計影響因子超過500，軟著和專利數量也已過300 大關。2021 年 7 月以來，深睿醫療共計有 18 篇代表最新科研成果的論文，被國際醫學圖像計算和計算

193、機輔助干預會議和 2021 年國際計算機視覺與模式識別大會兩個領域的頂級綜合性學術會議收錄。深睿醫療在 AI 算法領域的持續創新能力在國際上得到展現。醫院基礎能力的建設是深睿深耕的另一大重點。譬如，深睿醫療一方面以科研平臺作為抓手，通過影像AI78賦能醫生研究能力加速醫學發展與病種探索，助力提升醫院科研水平；另一方面通過“AI+云”的方式賦能醫聯體診斷能力，提升區域醫療診斷水平。例如，深睿醫療在2020年承接的浙江省杭州市西湖區民生項目，為當地12家社區衛生服務中心建設了一體化的醫療AI 區域診斷中心。鷹瞳科技鷹瞳科技（AIRDOC）致力于為慢性病的早期檢測、輔助診斷及健康風險評估提供全面和多

194、方位的AI解決方案，其糖尿病視網膜病變輔助診斷軟件在同類產品中首個獲得國家藥監局第三類醫療器械證書，亦是首家成功上市的醫療AI公司。鷹瞳科技的產品線包括三大部分：用于檢測及輔助診斷的人工智能醫療器械軟件（SAMD，SOFT-WARE AS MEDICAL DEVICE）、健康風險評估解決方案和獨有硬件設備。2021年，SAMD和健康風險評估方案的檢測量達到490萬人次。手握8張NMPA注冊證，鷹瞳科技完善嚴肅醫療場景布局鷹瞳科技的核心產品AIRDOC-AIFUNDUS是一款使用復雜深度學習算法，利用視網膜影像準確檢測及診斷慢性病的人工智能SAMD。其1.0版本獲批用于診斷糖尿病視網膜病變；2.

195、0版本已完成臨床試驗，將適應癥拓展至高血壓視網膜病變、視網膜靜脈阻塞及年齡相關性黃斑變性，為國內首款增加多類適應癥的人工智能SAMD；3.0版本計劃繼續增加病理性近視、視網膜脫離兩個適應癥。具體而言，該產品深度學習專家的診斷經驗，基于無創的眼底照相對慢性病進行準確、快速、高效的檢測和診斷。對于有豐富眼底閱片經驗的醫生來說，可在提供診斷及醫療建議時參考該產品出具的報告，提升診斷效率和質量；對于沒有或相對較少眼底閱片經驗的醫生來說，也可參考該報告決定是否有必要轉診至其他科室或更高級別醫院進行復診。截至2022年6月，鷹瞳科技已經獲得總共6張NMPA醫療器械注冊證（2022年9月增至8張），完成5個

196、省市物價準入，服務于700多家等級醫院、50家基層醫療機構，160多家體檢中心，這一數據將在年底繼續上升。差異化AI打法，創新開拓大健康場景鷹瞳科技與其他AI企業最大的差距在于商業化探索方面。與AIRDOC-AIFUNDUS主要銷往醫院、社影像AI鷹瞳科技解決方案場景布局社區診所區診所、體檢中心等醫療機構不同，其健康風險評估解決方案旨在為用戶提供基本健康評估，并檢測風險指標，主要面向體檢中心、社區門診、保險公司、視光中心和藥房等醫療健康供應商，極大拓展了商業化渠道。該企業為超過40家保險公司提供解決方案，包括平安保險、中國太平洋保險、中國人壽、太平人壽保險、新華保險、泰康養老、中宏保險、友邦保

197、險和中國人民保險等頭部保險公司，賦能“保險+健康管理”模式的探索。此外，鷹瞳科技將視網膜影像AI部署至國內超過1000家視光門店，包括寶島眼鏡、精功眼鏡、精益眼鏡和眼鏡88等，可為客戶提供其終端客戶的視網膜狀況的全面分析，使其能夠識別可能導致視力受損的風險因素，賦能傳統眼鏡門店向綜合多功能視光服務中心的轉型。在與藥房的合作中，鷹瞳科技可賦能藥店成為提供各種醫療健康服務和慢病管理的落腳點，尤其可為老年群體提供更便捷、更全面的健康管理服務。截至2022年6月底，全國共有超過700家藥房使用了鷹瞳科技的健康風險評估解決方案。弗若斯特沙利文的調研數據顯示，在我國視網膜影像AI領域，大健康場景2021年

198、起的市場年均增幅（90.7%）將大于醫療器械的市場增幅（76.7%）。院內外雙輪驅動下，鷹瞳科技的商業化前景值得期待。醫準智能醫準智能成立于2017年11月，是一家專注于人工智能輔助醫療影像診斷的公司，也是醫學影像AI行業內首家“國家級”專精特新小巨人企業。早在2014年，該團隊成員就開始研究機器學習算法，并將其應用于醫療影像輔助診斷，是國內該領域最早的探路者之一?！叭笾悄芑鉀Q方案”，醫準智能全方位助力醫療體系智慧化升級醫準智能的三大智能化解決方案可分為“粉紅關AI-乳腺癌智能篩診療一體化解決方案”、“所見即診斷-實時動態超聲影像智能分析平臺”、“智在全能-影像智能化全面解決方案”三個部分

199、?！胺奂t關AI”聚焦女性高發腫瘤-乳腺癌，從乳腺癌篩、診、療多角度出發，為醫院提供輔助質控、輔助診斷、臨床治療等解決方案。輔助質控是借助AI在醫生進行乳腺X線影像采集時給予影像質控，優化診斷過程，可以在降低無效的檢查同時提升影像質量，目前AI可以實現超過90%的檢出率。輔助診斷作用于病灶檢出與分析，AI可在短時間精準給出病灶類型、信息分析，輔助醫生進行病灶識別與分析；亦可用于BI-RADS分類，基于乳腺癌判別規則結合高質量標注數據給出更準確更標準化的分類結果。79影像AI醫準智能“粉紅關AI”乳腺癌智能篩診療一體化解決方案80“所見即診斷”，指借助深度學習神經網絡實現超聲檢查時動態實時檢出病灶

200、，并對病灶進行全切面定量良惡性分析，意在輔助醫生減少漏診與準確進行病灶分類，最終使醫生實現更加精準高效的檢查。醫準智能的超聲實時動態AI平臺，能夠精準抓取僅毫秒級閃現的病灶，亦可實現實時病灶智能良惡性判斷、BI-RADS分級，同時通過卷積神經網絡特征融合模擬恢復3D算法，全面分析病灶特征，實現所見即診斷的可能。醫準智能“所見即診斷”實時動態超聲影像智能分析平臺影像AI“智在全能”基于醫準智能技術核心算法突破，從影像質控、輔助診斷、科研產出、教育培訓等多場景出發，開發涵蓋CT、MRI、DR、乳腺X線、超聲等多款影像設備的AI智能應用，實現影像流程智能化，助力影像設備智能化。入圍國家級專精特新“小

201、巨人”，落地醫院破千家2022年8月12日，新出爐的第四批國家級專精特新“小巨人”中，北京醫準智能科技有限公司作為影像AI的代表企業入圍名單，標志著其研發銷售能力獲得肯定。醫準智能研發團隊先后在CVPR、ICCV、ECCV、NEURIPS、MICCAI等重點期刊和國際會議發表重點科研論文，學術能力已獲國際認可。此外，醫準智能人工智能產品也已覆蓋全國1700余家醫療機構，服務全國近萬名影像科醫生進行影像輔助檢查，有力推動智慧醫療建設進程。81醫準智能“智在全能”影像智能化全面解決方案影像AI82柯林布瑞上?？铝植既鹦畔⒓夹g有限公司是一家專注于醫療大數據中臺、醫院信息集成中臺、醫院大數據及智能化應

202、用服務的高新技術企業，作為主編單位參與了上海市衛健委 上海市醫院信息集成平臺建設與實踐應用指南 的編撰工作，亦在 中醫醫院臨床數據檢索系統建設指南、名老中醫典型病案共享數據庫建設指南 擔任編委單位，積極參與 醫療數據中心建設規范第1部分臨床數據中心、新型冠狀病毒肺炎患者科研基本數據集 等醫療數據標準的制訂。連通數據孤島，幫助醫療數據回歸真正價值作為“醫療大數據+AI”的最早探索者，柯林布瑞擅長對院內數據進行全方位的治理，包括對院內非標數據的標準化、對非結構化數據的后結構化、對臟、亂、差的結構化數據進行清洗治理等，同時柯林布瑞構建了龐大的醫療行業標準庫和醫學術語庫，醫學術語積累已超過 11,88

203、2,424 條。統一數據整合，提升醫療數據質量，規范數據安全訪問CLINDATA數據中臺集成了強大而豐富的數據處理能力，在無需HIS、EMR等第三方業務廠商配合的情況下對醫院數百套業務系統的數據進行采集與整合，從而實現院內海量數據的有效整合和科學治理，實現院內數據的資產化，并通過一系列數據化及智能化應用，助力醫院實現臨床、管理、科研全面的智能化。目前包括華西醫院、瑞金醫院、海軍軍醫大學第一附屬醫院、武漢大學(湖北省)人民醫院、西安交通大學第一附屬醫院、河北醫科大學第二醫院、山東第一醫科大學第一附屬醫院、鄭州大學第二附屬醫院、貴州省人民醫院、廣西壯族自治區人民醫院、復旦大學附屬腫瘤醫院、佛山市婦

204、幼保健院、上海市精神衛生中心和上海中醫藥大學附屬龍華醫院等頂級三甲醫院在內的醫療機構已選擇與柯林布瑞合作構建醫療大數據治理與應用平臺。優化數據處理，自然語言處理平臺對院內數據進行智能解析和挖掘醫院內部存在大量的非結構化醫學信息，如病理、病歷、檢查報告等，這些數據因為其非結構化的存儲方式，導致有效信息提取成本高、準確率低，醫療數據無法充分得到利用與分析?？铝植既疳t學自然語言處理平臺依托NLP技術，內嵌豐富的醫學術語、結構化模型和深度學習網絡，實現高效、精準信息化AI地解析院內非結構化信息，并形成細粒度的結構化數據資產。深入臨床應用，AI技術助力?？菩侍嵘畔⒒讓幽芰ν瓿纱罱ê?，柯林布瑞基于其

205、豐富的醫療知識庫搭建大量?？茟?。以罕見病臨床決策支持系統和藥品不良反應預警平臺為例。罕見病臨床決策支持系統可綜合患者的疾病表型、對照已有的7000多種罕見病進行評估打分，輔助臨床醫師進行準確診斷。該系統充分利用了海量的醫學知識和AI分析引擎，可以快速綜合、歸檔、識別和辨別罕見病所需信息，對患者癥狀進行初步評估，提高了醫生的診斷效率與質量，大量減少了患者被漏診及誤診的機率。藥品不良反應預警平臺根據院內系統產生的患者實時數據，能自動發現院內出現的不良反應。該預測平臺核心是預測模型的構建，基于院內患者體征、疾病、檢查檢驗結果、用藥信息以及藥品信息等模塊中提取不良反應相關的信息，篩選出藥物引發的不良

206、反應情況，利用大數據分析技術對高質量的數據集進行特征工程，準確挖掘出導致不良反應發生的重要特征，從而完成是否發生不良反應的機器學習預測模型。通過在醫療大數據領域的深耕，柯林布瑞已形成“大數據+人工智能”的競爭壁壘，未來，柯林布瑞將探索實踐更多如藥品不良反應預警平臺和罕見病智能決策支持系統等醫療應用場景，提升科研和臨床質量，助力醫療數據應用發展，為醫療行業提供數據智能化支持，最終將打造服務醫療全場景的“CLINBRAIN醫療大腦”。靈醫智惠在千帆競發的醫療AI領域，背靠百度AI通用能力層，靈醫智惠從成立起就擁有獨特的技術優勢，在醫療數據中臺、知識中臺、AI中臺三大AI專項能力上形成了獨具特色的核

207、心競爭能力。領先的醫療健康大數據治理平臺優先解決了醫療機構數據孤立、標準化困難等問題，醫療知識加工管理平臺可從眾多知識源中獲取可循證痕跡，進行加工組織，滿足智慧醫療多樣化場景需要。83靈醫智惠基礎AI能力AI中臺+知識中臺+數據中臺信息化AI84以CDSS與智慧病案為基礎產品，面向不同服務對象輸出針對性解決方案目前靈醫面向醫院、政府、藥械等不同服務對象提供豐富的AI醫療產品體系。在診療與服務方面，靈醫智惠臨床輔助決策系統通過學習海量教材、臨床指南、藥典及三甲醫院優質病歷，基于百度自然語言處理、知識圖譜等多種AI技術，打造臨床輔助決策系統，用以提升診療質量，降低醫療風險。該系統也可以幫助院端與產

208、業端在診療場景共建最前沿、最靈活、最精準的規范化診療路徑。在醫院管理方面，靈醫智惠以國家衛健委病歷書寫基本規范、病案首頁填報規范為綱要，提供智能化的病案書寫工具，包括：病案內涵深度質控、數據質量深度治理、DRG費用監測等。從而達到【優化臨床寫、提效職能審、服務院長管】的多重效果，打造醫院的精細化管理運營。在政府端，基層“愛助醫”通過輔助決策將優質醫療知識下沉到基層，嵌入基層醫療全場景、各環節，助力政府分級診療的推進，目前已經服務3400+基層醫療機構。靈醫智惠為藥企、傳統CRO等提供智能化醫藥科研整體解決平臺，助力藥企的數字化轉型中。與單點突破的企業有所區別的是，百度靈醫智惠正在憑借多方向的布

209、局，構建一張AI+醫療的龐大網絡，在強大的中臺技術迭代助力下，靈醫智惠將不斷拓寬自身的護城河。同時，作為以技術著稱的大廠入局智慧醫療，論文及專利數量遙遙領先，并連續多年維持國內AI專利數量第一；榮獲醫療大數據、醫?？刭M及醫學影像等領域的幾十個獎項；承接國家衛健委、國家糖防辦、國家科技部及國家工信部等多個國家級項目；在推動實現商業價值的同時亦同步社會價值的有效實現，靈醫智惠連續多年通過中國紅十字會及百度公益基金進行公益行動，并榮獲2021年中國紅十字會“人道奉獻伙伴”稱號，持續不斷推進AI普惠。頤圣智能專注于病案內涵質控的醫療人工智能企業，受多家醫療資本垂青2022年3月，在由國家醫療保障局主辦

210、的“智慧醫保解決方案大賽”中，北京頤圣智能科技有限公司在156個隊伍中脫穎而出獲得總成績第4名，也是病案質控賽道入圍決賽的獨苗。病案即病歷，是醫務人員對患者病情、診療的記錄，也是醫院績效考核、醫保賠付的重要依據，病案信息貫穿整個醫療過程始終，是診療行為各類數據的總和。而現目前，質控專家嚴重短缺，病案內涵缺陷難以發現，DRG入組正確率無法保障成為優化質控的痛點與難點。頤圣智能在2017年成立，成為國內率先將AI技術應用于病案內涵質控的企業，開創智能病案質控賽道，并隨著醫保DRG/DIP支付改革進入快速成長期，2021年完成PRE-A輪和A輪兩輪融資。用強化學習（RL）技術構造質控算法引擎，適應更

211、為復雜的病案質控場景病案包含全部的醫療過程和結果數據，蘊含復雜的診療邏輯，常規的AI方法很難實現高質量的病案理解和質控。頤圣智能開創性地以強化學習（REINFORCEMENT LEARNING,RL）技術架構為基礎，高度適配病案質控場景的多變性、延展性和連續性，能更好地理解和發現隱藏在病案深層的內涵缺陷，真正實現內涵質控。頤圣智能采用天然的環境反饋臨床醫師對質控結果的反饋和修正，使得信息化AI頤圣智能病案質控系統方案質控系統可用性和實用性大幅度增強，形成面向全病歷、全流程并且真正有效的內涵質控系統。目前，該系統已經在全國TOP20三甲醫院得到全院級常態化應用，臨床采納率達到98%，使落地醫院的

212、病案管理、DRG結算、績效考核多項指標得到大幅提升。隨著電子病歷體系的普及，病案數據的智慧化和準確化將成為病案行業發展的必然趨勢。與同賽道的企業相比，頤圣智能深耕于全病案、全流程數據的深度理解和挖掘，實現高質量的醫學邏輯理解和病案內涵質控，圍繞數據質量和醫療質量輸出價值，可以為醫保結算、醫務管理、醫院運營等多個場景帶來大幅提升。未來，隨著病案質控系統的深度覆蓋，醫院醫療數據基礎設施的夯實，頤圣智能將基于前沿技術和基礎數據優勢書寫更多可能。信息化AI85白星花知識圖譜白星花白星花BX-SAAS，開辟AI+醫學數據“美顏”國產自主可控之路面對醫學數據的雜質和干擾，白星花首創性的提出醫學數據AI“美

213、顏”工具的定義。就像美顏相機去掉臉上的“痣”一樣，通過白星花的AI醫藥SAAS平臺的遷移學習等AI方法，過濾信息，清洗、整理數據，使真實世界和臨床數據更準確。在BX-SAAS平臺中，白星花還提供可視化服務和多維度分析工具，運用豐富的可視化圖表，通過自定義分析快速生成統計結果。目前白星花正進行天使輪融資流程中。新藥AIBXCLINIC技術與BXKG數據庫，打造企業核心競爭優勢在數據方面，白星花更重視數據內在的邏輯性和可解釋性，建立的BXKG數據庫，包括100多萬真實世界臨床數據、1400多萬SCI醫學文獻、12PB影像數據，讓數據產生協同作用，打通數據間的壁壘。在技術上，白星花利用獨有的BXA技

214、術，進行多模態融合，開發MLNLPKG等AI技術，以結果為導向，助力于藥廠、醫生、研究人員的研究效率。在新藥研發中的靶點發現、藥物新適應癥拓展中體現價值在臨床試驗設計優化階段，BX-醫學SAAS平臺可以預測臨床試驗結果，用NLP+DL等技術從海量臨床試驗+真實世界數據中總結經驗；在藥物重定向階段，平臺AL應用可以采用DL建立疾病靶點藥物關聯模型，加速藥物重定位研發進程。白星花AI+醫學數據的國產替代之路白星花創始人王蘇宏認為，未來AI+醫學數據將以單科室單疾病為主轉到以多科室多疾病為主的縱深挖掘。從壁壘打破形成數據整合，AI醫療應用將進入深水區，對數據內在邏輯需求會逐步增加。如今藥廠大部分使用

215、國外的PASS或者SPSS軟件進行統計，以后醫學統計軟件國產替代是必經之路，而白星花SAAS提供統一的線上服務接口，同時比國外軟件在處理中醫藥循證研究中有更多的優勢，同時也有更好的全棧式服務。86新合生物2021年，新合生物完成5億元A+輪融資，由人保資本和著名投資人周亞輝聯合領投，順禧基金、佳銀基金、鼎暉投資和老股東跟投，以推進在研管線進入臨床及技術平臺的研發工作，而就在一年前，新合生物剛完成2.5億元A輪融資。屢獲投資機構青睞，新合生物究竟有怎樣亮眼的優勢？以AI賦能RNA藥物為特色，推進AI+MRNA藥物臨床研究新合生物開發了多項國際領先的AI生物信息算法以輔助RNA藥物研發，目前已構建

216、AI生信靶點挖掘、全自動藥物設計、RNA藥物、多組學大數據采集分析、藥物篩選驗證五大科學平臺。自主研發獨立產權的NEOCURA ALPINE腫瘤新抗原預測系統，將新抗原預測準確率提升到75%以上，預測準確度全球領先。創始團隊匯集交叉學科背景海歸精英，打造國際領先RNA創新藥平臺聯合創始人&CEO王弈博士為哈佛醫學院博士后、DANA FARBER癌癥研究中心副研究員，新合生物創始團隊匯聚交叉學科背景專家。研發團隊百余人，占總人數65%+，已搭建多組學大數據收集平臺及多重生物組學數據庫；核心技術申請國內外發明專利50余項。短期疫情催生MRNA站到聚光燈前，長期腫瘤免疫鋪就MRNA廣闊市場疫情將MR

217、NA推到歷史舞臺前，長期來看，腫瘤免疫療法也將為MRNA帶來更廣闊的的市場。2035年，MRNA市場規模將升至230億美元，腫瘤治療性疫苗預計將占MRNA產品銷售額30%。目前，新合生物腫瘤新抗原疫苗、腫瘤微環境調節劑、病毒疫苗等自研管線有序推進中，其中針對實體瘤的NEOCURA AG-IND已開展臨床探索。秉持為腫瘤治療提供更多有效藥物的理念，新合生物將持續革新AI平臺，面對廣闊市場，攜獨有的AI+技術及自研科學平臺，將MRNA管線更有效的推向臨床，造?；颊?。新合生物的AI算法系統新藥AI87微云微云撬動千億藍海市場領跑口腔醫療 AI 領域據 中國正畸消費者白皮書 顯示，目前我國錯頜畸形的整

218、體患病率高達74%，正畸病例則僅為300萬例，按人口比例測算，滲透率不足0.3%。據預測，至2030年，我國正畸市場年復合增長率將達到58%，在“微笑自由”和“顏值經濟”的背景推動下，隱形正畸領域存在海量增長空間，釋放更多潛力。作為一家以AI+機器人為核心的集團公司，微云人工智能已深耕包括隱形正畸在內的口腔醫療領域十余年，之所以選擇這一黃金賽道，原因在于牙科行業的服務和產品交付高度個性化，而傳統生產工藝在交付精度和效率上得不到保障。微云以其核心AI+機器人技術+新材料研發，構建技術閉環和產業閉環，在高度個性化需求的口腔醫療場景，形成微米級的高精度、高效率、大規模的柔性生產和智能制造，不僅實現了

219、持續性的產業賦能，更是樹立行業新標準，引領口腔醫療的新發展。獨創 端云廠法 技術壁壘步入醫療工業4.0時代以技術閉環驅動產業閉環，才能實現真正的智能制造。微云獨創“端云廠法”核心壁壘，即通過自主研發的智能前端，動態采集用戶數據，經云端大腦智能生成個性化的解決方案后，由智能化的無人工廠實現微米級的生產交付。微云推動醫療行業步入工業4.0時代，讓單個醫療產品的微米級個性化定制，也具有工業化大規模生產的效率和效益。從根本上解決了醫療口腔領域長久以來存在的服務非標化、牙醫供給不足、治療周期長、治療效果難以預估等矛盾關系。目前微云已經通過自身構建的終端+云端+無人工廠+AI算法，可以智能交付上千種SKU

220、，覆蓋正畸、醫美、種植、修復四大口腔醫療領域，探索產品和服務的新模式，從而真正實現了AI應用在醫療場景地垂直落地。新藥AI88機器人AI該技術實現了實時化的動態演示方案，改變了醫療信息管理和醫患溝通方式，促進AI醫療深度學習的時代變革。國際市場發聲 備受行業矚目未來潛力無限據了解，微云在今年四月受邀出席美國正畸年會AAO后，備受海外市場的關注，繼斬獲德國紅點獎，好評如潮的智能口掃儀AI SMILE S4之后，微云計劃今年推出首款智能正畸便攜盒，該產品可與APP實現軟硬件綁定外，亦能更好解決用戶在矯治過程中牙套易丟失、難以堅持治療等痛點。聚焦產品的技術迭代與應用場景，積極開拓海外市場將是微云下一

221、步戰略目標。時代的變革賦予更多的機遇與挑戰，任何賽道領域，若要成為領軍強者，不僅要成為入局者，更要成為破局者，以AI+機器人為核心的微云，為現代醫療的發展提供了實戰經驗，引領以口腔醫療為主導的嶄新突破，樹立行業新標準，以實現全球10億人微笑自由為愿景，創造了無限的可能性。89技術優勢帶來產業優勢構建完整產業閉環微云基于其自有的智能工廠，目前涵蓋40多種自主研發的機器人執行末端、包括5-7軸機器人，自研口掃設備，3D打印設備、種植手術機器人等。在材料端，微云已擁有自主研發的牙科醫用耗材的能力，如TPU高分子醫用膜片、配套數字3D打印耗材等。在保持良品率高達98%的前提下，單品的生產時間縮短了90

222、%以上，成本僅為同類產品的1/3。此外微云通過針對C端的APP、小程序以及針對B端的醫生助手管理平臺，結合完善的訂單管理系統、銷售系統、運營系統、構建完整的產業數字化閉環，為全球兩萬多家醫療機構和數百萬C端用戶服務。微米級高精度AI融合影像掀起行業新變局微云人工智能如今已實現通過AI點云掃描邊緣計算能力的光學模組，進行實時3D真彩實時成像，精度可達10微米，可與傳統的CBCT影像進行數據配準，實現融合3D影像建模，從而在原有基礎上，提高10-20倍的3D影像精度，更好的幫助醫生進行智能決策和醫療操作。該企業已經將此技術率先應用于其自研手術機器人和口掃設備中，有效提高了操作精度和治愈效果。機器人

223、AI免責申明:本報告的信息來源于已公開的資料和訪談，蛋殼研究院對信息的準確性、完整性或可靠性不作保證。本報告所載的資料、意見及推測僅反映蛋殼研究院于發布本報告當日的判斷，過往表現不應作為日后的表現依據。在不同時期，蛋殼研究院可能發布與本報告所載資料、意見及推測不一致的報告。蛋殼研究院不保證本報告所含信息保持在最新狀態。同時，蛋殼研究 院對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。版權申明:本文檔版權屬于蛋殼研究院/北京蛋黃科技有限公司，未經許可擅用，蛋黃科技保留追究法律責任的權利。蛋殼研究院(VBR):蛋殼研究院關注全球醫療健康產業與信息技術相關的新興趨勢與創新科技。蛋殼研究院是醫健產業創投界的戰略伙伴，為創業者、投資人及戰略規劃者提供有前瞻性的趨勢判斷，洞察隱藏的商業邏輯，集合產業專家、資深觀察者，盡可能給出我們客觀理性的分析與建議。黃舜蛋殼研究院高級研究員趙泓維蛋殼研究院高級研究員