查看原文
其他

AI医疗,已经跃过了“锦上添花”的阶段

举大名耳 AI新智能 2023-09-30

  //  

医疗已经成为被AI改造最热门的行业之一。

当下的AI正在以惊人的速度和力量,渗透到医疗行业的各个领域和环节,而最近,红杉资本发布的一篇名为《Generative AI in Healthcare》(医疗领域的生成式AI),也对AI在医疗行业的应用和发展进行了全面而深刻的剖析,并认为其在未来拥有“巨大潜力”。

那么,为何在当下的AI赛道中,医疗领域会如此受到资本的重视?

1

AI医疗现状

在《Generative AI in Healthcare》这篇报告中,红杉提到了目前AI在医疗领域的一些重要应用,这其中就包括了如患者互动、文档记录、临床决策等。

在红杉资本看来,现在的医疗AI,已经跃过了“锦上添花”的阶段,开始对医疗行业的核心环节进行赋能,而这样的赋能,则大大提高了医疗领域的效率和质量,降低成本和人力。

具体来说,医疗行业的核心环节,包括了患者互动、文档记录、临床决策、预授权、编码和收入周期管理等六大环节。

而最新的生成式AI之,所以能对这些核心节点进行赋能,主要原因就在于它可以处理大量的非结构化数据,并将其转化为有用的信息和洞察。

医疗运营的核心环节,往往涉及到多种类型的数据,如语音、文本、图像、视频、信号等,这些数据往往是非结构化的,即没有固定的格式或标准。

其中包含了丰富的医疗知识和价值,但却难以被人类或传统的软件系统有效地整合或运用。

在传统的医疗行业中,对这些数据的处理、整合,都是成本巨大,但难以省略的环节。

美国的医疗编码市场价值约为210亿美元,包括约35000名医疗编码员。尽管有这么多的劳动力,但由于编码错误,美国医院每年损失近200亿美元的收入,这导致了当地的供应商不得不依赖“家庭作坊式”的咨询公司,来帮助自己“发现”缺失的收入。

而同样的,在与患者互动的过程中,医疗行业总是需要大量的文书工作者来整理各类医疗文档。

根据红杉资本的统计,目前美国大约有100万医疗行业的文书人员,每个文书人员每年的平均支出为40-50K美元,这意味着医疗行业每年要在这类岗位上花费至少4亿美元的成本。

而生成AI,则可以利用深度学习和自然语言处理等先进的算法,来分析、理解、生成和转换这些数据,从而提高医疗运营的效率和质量,降低成本和人力,同时适应不同的数据源和环境。

例如,在文档记录中,生成AI可以用来将医生和患者的对话,自动转化为电子病历和编码;在临床决策中,生成AI可以用来将多种数据源和格式,如医疗影像、病历报告等转化为统一的医学知识和数据。

而这样的优势,正是红杉认为AI能够直击医疗运营的核心环节的原因。

2

AI赋能医疗

除了处理非结构性数据的优势外,现阶段的AI,还在更多方面对医疗领域进行了赋能,这其中就包括了AI 辅助诊断、AI 医学影像分析、AI 精准医疗、药物研发、医疗机器人、等多个细分赛道。

具体来说,在AI 辅助诊断方面,AI 可以通过分析患者的症状、体征、检验结果等数据,提供可能的诊断建议,帮助医生做出更准确和及时的决策。例如,阿里健康的 AI 医生可以在 1.5 秒内给出 90% 的准确率,百度的 AI 医生已经能做到识别 900 多种常见疾病。

AI医学影像分析,则是利用机器学习、计算机视觉等技术,对医学影像数据进行自动化分析和诊断,并根据大量的定量特征,如形态、纹理、灰度、强度等,与基因、临床等其他数据进行关联分析,发现疾病的生物标志物和预后因素。

在精准医疗方面,AI 可以通过对基因组、表观遗传组、转录组等大规模生物数据进行挖掘和分析,为个体化的预防、诊断和治疗提供依据。例如,Deep Genomics的 AI 平台可以预测基因变异对蛋白质功能和表型的影响,Flatiron Health的 AI 平台可以利用实时临床数据为癌症患者提供最佳治疗方案。

在药物研发方面,AI 可以通过对药物靶点、药物结构、药物作用机制等数据进行建模和模拟,加速药物的发现和开发过程。例如,BenevolentAI的 AI 平台可以从海量文献中挖掘新的药物候选物,Atomwise的 AI 平台可以通过虚拟筛选减少实验成本和时间。

就目前AI医疗的整体态势来看,AI医疗技术,尤其是在一些新兴和前沿的领域技术,如基因组学、免疫组学、神经科学等。国外AI企业往往拥有有更多的资源和经验,

例如,专注疾病基因搜索的谷歌DeepMind团队,就通过人工智能系统,解析出了人体中几乎所有蛋白质的结构。

这样一来,AJ就可以判断DNA中的字母是否会产生正确的结构。如果不是,它将被列为潜在的致病因素。

类似的例子,还有用AI技术帮助医生分析癌症病理图像,以及发现新的治疗方法和药物的Paige.AI。

Paige原本利用自有50万份癌症医学病理学切片的10亿张图片,创建全球第一个大型基础模型。在和微软合作下,双方将开发全球规模最大的癌症图片AI模型,参数高达十亿。

国内的AI医疗技术虽然在一些领域有所突破,如影像诊断、智能问诊等,但仍存在一些技术难题和挑战,如数据孤岛、数据质量等。

同时,国内在AI医疗的应用场景上较为集中,主要集中在辅助侧和数据侧,如CDSS(临床决策支持系统)、智慧病案和医学数据智能平台等。

其中涌现的代表性企业,就有利用AI技术进行影像诊断联影智这样的AI企业。

通过搭载了智能算法的CT摄像头,将深度学习卷积神经网络与典型的模式识别算法创新地结合在一起,从而精准识别CT扫描范围。

类似的国内企业,还有利用AI技术进行临床诊断的推想医疗。

其主要技术,是通过深度学习及卷积神经网络模型,模仿人类认知过程,让AI模型自动挖掘医学图像中的规律。

其AI产品InferOperate,通过对脑电图、脑功能成像等多种类型的神经影像数据进行深度学习,提取影像特征,定位病灶,从而为医生提供智能手术规划、术中全自动定位导航等。

3

趋势和机遇

目前来看,虽然由于产业生态、技术基础、计算资源等原因,国内AI医疗与国外相比仍有差距,但从市场增速和规模上看,国内在AI医疗的发展上有较大的市场空间和增长潜力,面临着较高的医疗需求。

根据华经产业研究院的数据,2021年中国AI医疗行业市场规模约为95亿元,预计2025年达到385亿元。

资料来源:华经产业研究院

在可预见的未来,国内AI医疗将在AI药物研发、AI+病理、AI医疗影像、AI医疗器械等主要领域持续发力。

而从市场需求及规模来看,AI医疗影像及AI药物研发将成为主要的增长突破口。

具体来说,AI 医疗影像应用相对成熟,产品上市数量较多。根据 Global Market Insights 数据,全球 AI 医疗影像市场规模占医疗 AI 市场的 25%,仅次于 AI 制药为第二大细分市场。

对于国内医疗行业来说,目前我国医疗影像数据的年增长率高达30%,但是影像科的医生年增长率却只有4%。

考虑到医生的培训周期比较长,发展AI影像医疗能够有效缓解医疗人才短缺的问题,市场仍有较大的增长潜能。

根36氪分析,预计2020-2025年复合年增长率(CAGR)为39.4%,2025年将突破300亿元。其中,AI医学影像市场占比最高,达到50.6%。

而在AI药物研发方面,AI可以有效解决新药研发的高成本、低效率和高风险的问题。

2020年我国新药研发行业的市场规模为1.2万亿元,但是新药研发的成功率仅为11.3%,即使进入III期临床成功率也只有53.4%,临床阶段整体费用占比高达70%。

这说明新药研发需要投入巨额的资金和时间,但是收益和风险都很不确定。

而通过人工智能的认知能力,加速靶点发现、化合物筛选、药物设计等环节,可以有效提高新药的成功率和质量。

2021年,我国AI药企英矽智能与浙江大学合作,利用自主研发的AI平台,对抗癌药物PD-1抗体进行了优化设计,并获得了美国FDA的临床试验许可。

这样的成就,显示了AI技术在新药研发方面的潜力,也预示了其规模化增长的可能。
根据DPI发布的医疗行业报告,AI药物研发的全球市场规模预计将从2020年的40亿美元增长到2027年的203亿美元,年复合增长率达到26.5%。

在当下如火如荼的AI浪潮中,大模型所带来的赋能,只是AI医疗领域的冰山一角,随着AI革命的持续进行,早已起势的AI医疗,必定会带来更多机会与亮点。


一封邀请信:


您好!诚邀您加入我们的AI精英俱乐部,这是一个永久免费但门槛较高的聚集AI精英与爱好者的专业组织。我们致力于推动AI技术在投资领域的应用,为成员们提供一个共享和交流的平台,促进互相学习和合作,共同探索AI技术在投资中的无限可能性。


作为成员,您将有机会与世界各地的AI专业人士互动,分享您的知识和经验,以及从他们那里学习到更多的技术和行业见解。


我们要求加入俱乐部的成员满足以下标准:


一、乐于分享:我们希望能积极分享自己的知识和经验,与俱乐部的其他成员共同成长和进步;


二、有AI技术背景:我们欢迎在AI领域具有丰富经验和专业知识的成员,包括但不限于机器学习、深度学习、自然语言处理、计算机视觉等领域的从业者和研究者;


三、愿意将AI技术应用到投资领域:包括但不限于量化交易、资产管理、风险评估、市场预测等,共同探索AI技术在投资领域的应用前景;


四、拥有独特资源:包括但不限于资金、人脉、数据资源等,这将有助于俱乐部的技术和项目合作。


如果您满足以上标准,并且对AI技术在投资领域有浓厚兴趣,我们诚邀您加入。


请将个人的有特点的介绍及微信号发送到changzhang@arfgc.com,审核通过后,我们会邀请您加入。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存