当前位置:主页 > 互联网

【行业面面观】资本新宠“AI 医疗”是下一个万(2)

文章来源:网络整理  发布时间:2017-07-10 10:32

对人工智能医疗的需求主要基于几方面客观现实:一方面是优质医疗资源供给不足,成本高,医生培养周期长,误诊率高,疾病谱变化快,技术日新月异;另一方面,随着人口老龄化加剧、慢性疾病增长、对健康重视程度提高,医疗服务需求持续增加。

人工智能的核心能力实际上是人类自身已拥有的能力,但与人类相比,最大优势在于计算能力的高效,尤其在数据密集型、知识密集型、脑力劳动密集型行业领域

在医疗领域,IBM Watson可以在17秒内阅读3469本医学专著、24.8万篇论文,69种治疗方案、61540次试验数据、10.6万份临床报告。通过海量汲取医学知识,包括300多份医学期刊、200多种教科书及近1000万页文字,IBM Watson在短时间内迅速成为肿瘤专家。

阿里云研究中心和BCG的合作报告指出,从技术突破和应用价值两维度分析,未来人工智能会出现服务职能、科技突破、超级智能三个阶段。基于数据的服务智能阶段将在接下来3—5年爆发:人工智能拓展、整合多个垂直行业应用,丰富实用场景。IDC Digital预测,截至2020年,医疗数据量将达40万亿GB,预计约80%数据为非结构化数据。

四大模式分争万亿市场

人工智能+辅助诊疗潜在市场空间巨大,至少是万亿级以上的营收规模。

从全球创业公司实践的情况来看,AI+医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他,其中以四种模式为主流。

首先是AI+辅助诊疗,即将人工智能技术用于辅助诊疗中,让计算机“学习”专家医生的医疗知识,模拟医生的思维和诊断推理,从而给出可靠诊断和治疗方案。辅助诊疗场景是医疗领域最重要、也最核心的场景,人工智能+辅助诊疗潜在市场空间巨大,至少是万亿级以上的营收规模。

在AI+辅助诊疗的应用中,IBM Watson是目前最成熟的案例。2012年Watson通过了美国职业医师资格考试,并部署在美国多家医院提供辅助诊疗的服务。

AI+医学影像,是将人工智能技术具体应用在医学影像的诊断上,主要分为两部分:一是图像识别,应用于感知环节,其主要目的是将影像这类非机构化数据进行分析,获取一些有意义的信息;二是深度学习,应用于学习和分析环节,是AI应用的最核心环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练,促使其掌握“诊断”的能力。

如今,AI+医学影像已经走出实验室,下一步将迎来商业化浪潮。贝斯以色列女执事医学中心(BIDMC)与哈佛医学院合作研发的人工智能系统,对乳腺癌病理图片中癌细胞的识别准确率能达到92%,与病理学家的分析结合在一起时,它的诊断准确率可以高达99.5%。国内的DeepCare对于乳腺癌细胞识别的准确率也达到了92%。

AI+药物挖掘,是指将深度学习技术应用于药物临床前研究,达到快速、准确地挖掘和筛选合适的化合物或生物,达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。通过计算机模拟,AI可以对药物活性、安全性和副作用进行预测。借助深度学习,在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得了新突破。目前,已经涌现出多家AI技术主导的药物研发企业。

最后是AI+健康管理。目前从全球AI+医疗创业公司来看,主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。

巨头筑基下的生态圈竞争

底层基本都已由科技巨头布局,开放人工智能平台是其构建生态的必然趋势。

报告指出,根据技术层级从上到下,人工智能产业链,目前分为基础层、技术层和应用层三个产业层次构成。

基础层的计算能力是构建生态的基础,技术层的算法、框架以及通用技术是构建技术护城河的基础,都属于人工智能产业大生态的基础设施,具有高投入、高收益的特点,需要中长期进行投资。而应用层是人工智能技术在具体行业、具体应用场景价值变现的渠道,具有变现能力强的特点。

目前,底层基本都已由科技巨头布局,且未来开放人工智能平台是其构建生态的必然趋势。应用层汇聚了大量的AI+医疗创业公司,分布在多个细分领域。总体而言,全球AI+医疗产业结构呈现倒金字塔形态。

友情链接/网站合作咨询: