猎云注：随着社会进步和人们健康意识的渐渐觉醒，人口老龄化问题的加剧以及语音和图像识别技术的发展，AI+医疗成为了眼下最热门的投资领域。作为投资界“新宠”的AI医疗，究竟是指什么？发展状况如何？本文将对AI医疗概念、国内外公司融资状况、应用场景等方面对AI医疗进行盘点，并分析AI行业现状及目前所面临的困境。 文章来源：腾讯创业（ID：qqchuangye）作者：石小月
随着社会进步和人们健康意识的渐渐觉醒，人口老龄化问题的加剧以及语音和图像识别技术的发展，AI+医疗成为了眼下最热门的投资领域。
作为投资界“新宠”的AI医疗，究竟是指什么？发展状况如何？
本文将对AI医疗概念、国内外公司融资状况、应用场景等方面对AI医疗进行盘点，并分析AI行业现状及目前所面临的困境。
2016年的3月，谷歌的AlphaGo以4：1的成绩战胜了世界围棋冠军李世石，在全球范围内引爆了人工智能。
随后BAT纷纷入局，而它们之间角逐的一个重要领域就是AI医疗。
据汤姆路透数据显示，仅2017年上半年，中国企业在包括生物制药和医疗器械领域在内的跨境并购交易数量达4253起，相比2014年增长了30倍。
而目前，深创投、IDG资本等在内的前十家中国顶级风险投资机构中，有七家已经出手医疗健康行业。
近日，有报道称，推想科技已于2018年2月获得襄禾资本、尚珹基金、元生资本、红杉资本、启明创投投资的3亿元新一轮融资。
这是推想科技2016年2月获得1250万天使轮融资以来，两年内的第四次融资。而包括强生、微软等在内的企业也在陆续入场。
AI医疗是什么
据鲸准数据中心的《行业字典：一张图看AI医疗》显示，AI医疗是以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量，更好的解决医疗资源短缺、人口老龄化的问题。
Al医疗主要体现在三个方面，涉及多个领域，其定义的金字塔如下：
基础层：通过软硬件的基础设施，收集用户、药物及病理数据，并使数据互通互联，为人工智能的应用提供支持与可能。
技术层：通过语音/语义识别、计算机视觉技术，对非结构化数据进行分析提炼。“学习”大量病理学数据文本，使其掌握问答、判断、预警、实施的能力。
应用层：是指人工智能与不同细分领域的结合，以解决医疗行业中的某种业务需求，如智能诊断、药物研发、智能健康管理、智能语音等医疗场景。
AI医疗公司融资状况
下图是根据公开资料不完全整理，从公司的成立时间、企业类型、融资情况及金额、轮次（A轮以后）等方面对国内外AI医疗融资现状进行了总结。
从投资方来看，其中不乏像红杉资本，经纬中国，启明创投，真格基金这些老牌GP。这说明人工智能医疗行业依旧受到资本的追捧。
1. AI医疗融资轮次整理
根据已披露融资情况的创业公司得知，目前，A轮之后AI医疗获融资的公司约16家，其中大部分处于A+轮和B轮，速度最快的公司已获战略投资。
2. AI医疗公司创立时间
从成立时间上看，国内AI医疗公司集中成立于2012年和2016年，在2017年纷纷获得大额融资的影像AI公司，大多在2016年成立。
AI医疗的应用场景
随着医疗人工智能的发展，其应用场景正逐步多元化。
医疗的定义和范畴已经不再只是疾病治疗，而是扩展到了药品、保健、生物技术等医疗的各个领域。
根据相关资料显示，总体上应用场景主要集中在以下四方面：
1、辅助诊疗
目前，AI正在迅速融入基层社区。“AI+辅助诊疗”，就是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。
通过已学习的医学知识推理判断疾病原因与发展趋势，形成治疗方案 。辅助诊疗场景目前是医疗领域中最重要也是最核心的场景。
2、医学影像
医学影像在医疗 AI 领域技术成熟度最高，有望最先实现商业化。
据动脉网蛋壳研究院发布“人工智能+医疗技术成熟度分布曲线”，“AI+医疗影像”在医疗领域成熟度最高，在曲线上处于过高期望的峰值位置。
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：图像识别和深度学习。
图像识别主要应用于人工智能的感知环节，其主要目的是将医学影像的数据进行分析，获取一 些有意义的信息。
深度学习主要应用于人工智能学习和分析环节， 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 。
3、药物研发
AI＋药物研发也是人工智能在医学健康领域的主要模式。
它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，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，人工智能可以对药物活性 、安全性和副作用进行预测 。
据称，人工智能在新药研发上的应用主要可以是两个阶段：一个是新药发现阶段，另一个是临床试验阶段，
4、健康管理
AI智能设备可通过个人健康档案数据分析建立个性化健康管理方案。
同时通过了解用户饮食习惯、锻炼周期、睡眠习惯等个人生活习惯，经过数据处理，对用户整体状态给予评估，并建议个性化健康管理方案，辅助健康管理人员帮助用户规划日常健康安排，进行健康干预等。
据悉，目前AI医疗的健康管理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几方面 。
其中，风险识别就是通过获取并运用AI进行分析，识别疾病发生的风险及提供降低风 险的措施；
虚拟护士就是运用AI技术，以 “ 护士” 身份了 解病人饮食习惯、锻炼周期、服药习惯等个人生活习 惯，进行数据分析并评估病人整体状态 ，协助规划日常生活；
精神健康管理运用AI技术从语言 、表情 、声音等数据切入，对个体进行情感识别 ； 健康干预是运用AI对用户体征数据进行分析，定制、健康管理计划。
AI医疗面临的问题
尽管“AI+医疗”已经火遍全球，但其应用落地还面临着一些问题。
1、数据总量与质量问题
与其他应用领域的数据不同，医疗数据种类繁杂，标准不统一，并且质量参差不齐。病人的电子病历数据很难保证完全正确同步。
此外，由于机器学习所用到的数据是训练学习模型的教材，因而教材的质量最终决定了学习的成果，人工智能需要在人的监督下完成智能学习 ，人工标识成为其提升的重要保证。
但现阶段的数据，不论是从总量还是标记数量上来说，都还远远不够。 如果靠人工对数据进行标记，又需耗费量人力 。
同时，如何获取高质量的教材是大部分人工智能医疗企业共同面临的问题。
2、病人的隐私问题
部分患者表示并不愿意将自己的病症被公开或者用于医疗研究，因而医疗数据的分享也受到了阻碍。
数据分享虽促进了科学研究的进程，但是涉及隐私的问题也尤为重要。
在训练模型和数据预处理之前，患者隐私保护需要引起高度重视，患者隐私保护不容有失。
3、观念问题
随着社会的发展，医疗越来越成为备受关注的领域，但人工智能带我们走向的又是一个既让人神往又畏惧的未来。
基于人文伦理的传统观念影响，许多人很难相信人工智能可以比人类做得更好，接受人工智能医疗这一事实的过程可能比想象的要长。
4、监管问题
训练人工智能的数据从哪里来？
最庞大的医疗数据储存地必然是医疗机构，但这种涉及到患者隐私的高度敏感问题，也必然是政策高度监管的地带。
医疗技术监督管理是卫生监督体系的主要组成部门，而人工智能刚刚应用到医疗领域，很多监管政策还没有制定。
目前对于人工智能健康医疗大数据和算法的使用监管，相较英美和澳大利亚等国家而言，我国的法规还有一些差距需要补足。
从投融资的角度来看，目前AI医疗整体依旧处于非常早期的阶段。无论是风口还是泡沫，在未来，AI+医疗还仍有很长的路要走。
