AI医疗行业规模、产业链、一级融资及挑战有哪些？

医疗服 务流程错综复杂，跨越多个科室和部门，涉及诊断、治检查用药、支付等多个环节， 各环节相互影响，决策因素繁多。

1. AI 医疗行业规模

2025 年中国 AI 医疗行业规模将达到 1157 亿元，预计在 2028 年达到 1598 亿元， 2022-2028 年 CAGR 为 10.5%。AI 医疗的快速发展得益于人口老龄化和医护人员短 缺的大环境，AI 技术能够缓解医疗资源供需矛盾，提高医疗体系的效率，减轻医务 人员的工 作负担，并加速药物和疫苗的研发进度。AI 在药物及疫苗研发、基因组 学、医学影像、智能医院和医疗仪器等领域的应用前景广阔。

2. AI 医疗产业链

AI 医疗产业链是一个由技术、数据、硬件、软件、应用场景等多环节构成的复杂生 态体系，覆盖从基础技术研发到临床落地的全流程。

1）上游：基础层。（1）数据资源。数据来源：数据主要源自多个关键领域，包括医院电子病历（EMR）系统所记录的 海量患者诊疗信息；医学影像，像 CT、MRI、X 光等各类成像资料，蕴含丰富的 身体结构与病变信息；基因测序数据，揭示人体遗传密码；可穿戴设备监测数据， 能实时追踪个体日常健康状况；以及公共卫生数据库，汇聚了群体层面的疾病防控 等数据。 数据标注：在数据标注环节，医学影像标注（以精准勾画肿瘤区域为例）和病历文 本结构化（如从病历中准确提取疾病名称、症状等关键信息）这类工作，高度依赖 专业医生凭借其深厚的医学知识和临床经验来完成。 数据治理：数据治理涵盖多个重要方面。首先是数据清洗，去除数据中的噪声与错 误；接着进行脱敏操作，保障患者隐私。同时，依据 DICOM 等行业标准实现数据 标准化，以确保数据的通用性与兼容性；在隐私保护方面，严格遵循 GDPR、HIPAA 等国际通行法规要求，保障数据安全。

（2）算法与模型。核心技术：该领域的核心技术丰富多样。深度学习发挥着关键作用，其中 CNN（卷 积神经网络）擅长处理医学影像识别任务，能精准分辨各类影像特征；RNN（循环 神经网络）则在时序数据处理上表现卓越。迁移学习针对小样本训练难题，可有效 利用已有知识。联邦学习更是打破机构间的数据壁垒，实现跨机构的数据协作。 模型：医疗健康大模型以企业研发为主，高校和科研机构为辅，医疗机构次之，研 发合作模式多样化，包括医企、校企等多种模式。企业依托较为丰富的资金和技术 资源，快速抢抓市场热点，共计 51 家企业相继推出了大模型产品，占比高达 60.0%， 占据了医疗健康领域大模型研发的主导地位。高校与研究机构依托高价值数据、高 智力资源和强科研实力，共 22 家高校及研究院所开展大模型研发，占比 25.9%。医 疗机构拥有一手医疗数据资源，但限于日常临床任务艰巨并且人工智能技术研究及 大模型研发起步较晚，大模型以合作研发为主。 其中，企业研发医疗健康领域大模型，更加注重用户体验和商业化前景，典型代表 如百度的“灵医大模型”、云知声的“山海认知大模型”、医渡科技的“医渡大模 型”、京东健康的“京医千询大模型”、腾讯的“腾讯健康医疗大模型”，讯飞医 疗的“讯飞星火医疗大模型”等更加注重用户体验和易用性，能更好地满足市场的 需求。

（3）算力基础设施。硬件：硬件支撑极为关键，包括性能强劲的 GPU，为深度学习计算提供强大动力； TPU 芯片，在特定计算场景下具备高效优势；还有寒武纪、Graphcore 等企业研发 的 AI 加速芯片，助力提升整体算力水平。

云计算：云计算平台为医疗 AI 训练提供有力支持，AWS、Azure、阿里云等均搭建 了专业的医疗 AI 训练平台。而边缘计算则在实时处理场景中不可或缺，例如手术 机器人的精准操控就依赖其低延迟特性。 网络：5G 网络凭借其高速率、低延迟的特性，大力推动远程医疗发展，实现实时数 据的快速传输。

2）中游：技术层。（1）核心技术模块。计算机视觉（CV）：在医疗领域发挥着关键作用，应用于医学影像分析，如肺结节 检测、眼底病变识别等，助力医生精准诊断；同时还用于病理切片数字化，提高医 疗数据管理效率。 自然语言处理（NLP）：具有广泛应用。在电子病历结构化方面，能够将繁杂的病 历信息整理成规范格式，便于查询与分析；临床决策支持（CDSS）系统借助 NLP 技术为医生提供决策参考；患者问答机器人可自动解答患者常见问题。此外，在化 合物研究环节，NLP 技术能对海量文献进行大规模、高效分析，提出新的可测试假 说，提高新靶点发现几率，显著缩短研发周期。在临床前研究阶段，深度学习技术 可将已上市或处于研发管线的药物与疾病进行智能匹配，拓展药物治疗范围，提升 研发效率。 知识图谱：通过构建疾病 - 症状 - 药品关联网络，如 IBM Watson Oncology，为医 疗决策提供全面、关联的知识支持，辅助医生更准确地诊断和治疗疾病。 语音技术：实现语音电子病历录入，医生通过语音即可快速记录病历，提高工作效 率；智能问诊记录功能则能自动记录问诊过程，确保信息完整。

（2）开发工具与平台。AI 框架：TensorFlow、PyTorch 等主流 AI 框架推出了医疗定制版本，例如 MONAI 专门用于医学影像处理，为医疗 AI 开发提供了更贴合需求的底层支持。 低代码平台：像英伟达 Clara 这样的低代码平台，允许医院在无需大量编程知识的 情况下，快速部署 AI 模型，降低了技术应用门槛，加速了 AI 在医疗场景中的落 地。 模型管理：借助 MLOps 工具链，实现模型版本控制，确保模型迭代过程的可追溯 性；同时支持自动化部署，提高模型部署效率，保障模型在实际应用中的稳定性与 可靠性。

3）下游：应用层。AI 的下游应用包括：医学影像、AI 辅助决策、AI 医学检验、AI 健康管理、AI 新 药研发、医疗机器人等。

3. AI 医疗一级融资情况

在 2023 年经历显著回暖后，2024 年医疗 AI 领域的融资热度回落至与 2022 年 相当的水平。具体来看，在 2022 年 9 月 1 日至 2023 年 8 月 31 日期间，医疗 AI 相关融资事件共计发生 160 起，与 2021 年 9 月 1 日至 2022 年 8 月 31 日期间的融资事件总数相比，增长率达 42.86%。然而，在 2023 年 9 月 1 日至 2024 年 8 月 9 日期间，融资事件总数急剧下降，仅为 99 起 。

英伟达多次投注，做 AI 制药发展重要推手。通过对各细分领域的深入剖析可知， 影像、信息化以及机器人赛道在 2023 年经历短暂回暖后，2024 年资本投入的频次 已回落至 2022 年的相近水平。反观制药赛道，在同期内，投融资事件数量呈持续下降态势。即便在 2023 年整个医疗 AI 赛道呈现 “报复式” 回暖时，制药赛道也 未展现出同步的增长趋势。由此可见，由于 AI 制药领域至今尚无一款药物成功推 进至上市阶段，随着时间的推移，这一状况正逐渐加剧对资本信心的负面影响。不 过，放眼全球，AI 制药依然充满生机。英伟达近两年在该赛道频繁出手“疯狂扫货" 成为 AI 制药回暖的重要推手。据 Pitchbook、Crunchbase 及动脉橙产业智库数据， 英伟达在 2023 年及 2024 年(截至 2024 年 9 月 5 日)共参与投资超过 70 起，所有投 资无一例外，均与 AI 相关，而其中至少投注 AI 制药企业 14 家，医疗其他领域企 业 8 家。 在医疗相关的其他领域，2024 年英伟达亦投注了如信息化领域的 Artsight、健康管 理领域的 Abridge 以及机器人领域的 Neocis 等 AI 企业。对于生成式 AI 及其相 关技术，握有算力优势的英伟达比任何一家投资机构更加坚信也更有可能实现它的 颠覆性，进而破除现有 AI 面临的顽疾，左右诊疗、制药新时代的格局，英伟达近 两年在医疗 AI，尤其是 AI 制药领域的频繁出手给行业注入了信心。

融资轮次靠后，大模型展现强吸金能力。从融资轮次看，2024 年整个医疗 AI 领域 A 轮系列(包括 preA 轮、A+轮、A++轮及 A 轮后的战略融资等)及 A 轮以前的早期 投资总占比均有所下降，而 B 轮系列及之后的成熟企业的资本投注占比更多，这也 侧面印证了资本对医疗 AI 领域逐步谨慎的态度。2024 年平均单笔医疗 AI 的融资 金额也较 2023 年接近翻了一倍，从 6893.63 万增加至 10344.53 万元，最大单笔投 资来自腾讯、阿里、小米等，投注于专注医疗大模型的百川智能，是一笔高达 3 亿 美金的 A 轮融资。

4. AI 医疗发展面临的挑战

医疗行业是典型的人才和知识密集型行业，需要大量高素质专业人才投入。医疗服 务流程错综复杂，跨越多个科室和部门，涉及诊断、治检查用药、支付等多个环节， 各环节相互影响，决策因素繁多。人工智能技术可高效系统地收集和整合影响医疗 决策的各类信息，为医护人员提供决策支持，辅助做出更准确的诊疗决策并高效实 施。 我国医疗领域普谝存在“强调临床、轻视数据”的倾向，这导致存储数据参差不齐， 数据标准缺乏统一，这在很大程度上阴碍了医疗数据的共享和流通，进而促进 AI 在 医疗领域的应用。

1）医疗资源总量少、分布不均。地区差异：在一些发展中国家或偏远地区，医疗资源往往较为匮乏，而城市和发达 地区则相对集中了更多的医疗资源。 专业人才短缺：特别是在农村和边远地区，缺少足够的医疗专业人员，如医生、护 士和专业技术人员。 设备设施不足：一些地区可能缺乏必要的医疗设备和设施，如先进的诊断工具、手 术室等。 服务可及性：由于交通不便或医疗点分布稀疏，一些地区的居民难以获得及时有效 的医疗服务。

2）医护工作负担重。长时间工作：有超过 50% 的医生工作时间在 8 小时以上，20.6% 的医生每天平均 工作时间超过 10 个小时； 高强度劳动：除诊疗工作外，医护还需进行科研工作。 心理负担：面对病人的痛苦和死亡，医护人员需要承受巨大的心理压力和情感负担； 职业风险：医护人员在工作过程中面临感染疾病、受伤等职业风险。 技术更新：医疗技术不断进步，医护人员需要不断学习和适应新技术。 行政和文书工作：除了临床工作，医护人员还需处理大量的行政和文书工作 。

3）医疗服务流程繁杂。专业术语障碍：医疗专业术语可能使患者难以理解自己的病情和治疗方案；人才与 知识密集性凸显了医疗健康服务的复杂性。 多部门流转：患者可能需要在不同的部门之间往返，如从挂号到诊室，再到检查室 和药房。 信息不透明：患者可能难以获取关于医疗服务、费用和治疗效果的清晰信息。 跨学科协调：医疗健康服务流程复杂，跨科室、部门、执行、决策、支付等多环节 相互影响，在需要多学科团队协作的情况下，协调和沟通可能存在障碍。

4）数据安全与隐私保护。随着医疗数据的不断增长，如何确保这些数据的安全性和隐私性成为了一个挑战。 医疗机构需要采取一系列措施，如数据加密、访问控制、隐私保护等，确保医疗数 据的安全性和隐私性。 首先，考虑数据的合规性和法律要求。医疗机构需要遵守相关的法律法规，确保数 据的合法性和合规性。同时，还需要建立完善的数据安全管理制度，明确数据的保 密、使用和共享等方面的规定，确保数据的合法使用和共享。

其次，考虑数据的可追溯性和可审计性。医疗机构需要建立完善的数据可追溯性和 可审计性机制，确保数据的来源和去向清晰可查，避免数据被滥用或泄露。

5）数据质量与标准化。由于医疗数据的来源广泛、种类繁多，如何保证数据的质量和标准化是一个挑战。 医疗机构需要建立完善的数据质量管理体系，制定统一的数据标准，确保数据的准 确性和一致性。 数据的可读性和可理解性：医疗机构需要建立完善的数据可读性和可理解性机制， 确保医护人员能够快速准确地理解数据含义和背后的信息。还需要加强数据可视化 技术的研发和应用，将复杂的数据以更加直观的方式呈现给医护人员。 数据的可扩展性和可维护性：医疗机构需要建立完善的数据可扩展性和可维护性机 制，确保数据能够随着业务的发展而不断扩展和更新。还需要加强数据备份和恢复 技术的研发和应用，确保数据的安全性和可靠性。