查看原文
其他

一张图看AI医疗:241起国内融资,帮你发现AI医疗的下一个热点

2017-09-05 文琳阅读

欢迎点击上方文琳阅读 关注!

整个资本圈都在等待,AI医疗能够真正讲出“To B To C”的商业模式。



编者按:以下内容整理自 26 35626 26 9561 0 0 2490 0 0:00:14 0:00:03 0:00:11 2491准数据中心的《行业字典:一张图看AI医疗》,作者张育涵。

人工智能一直很火,但在全世界范围内的引爆,发生在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。一个月后,中国的BAT巨头不再潜水,开始了动作,他们在人工智能领域的一个非常重要的角力场便是“AI医疗“。

2016年4月,腾讯等机构以10亿人民币投资碳云智能;2016年10月,百度对外发布了“百度医疗大脑”,宣布正式进军AI医疗;2017年3月,阿里云发布“ET医疗大脑”宣布正式进入医疗AI领域。

作为压垮中国人民的三座大山之一——医疗,是目前人工智能各应用领域中最热门的赛道。人工智能在医疗领域的应用门槛最高,最难突破,但也最具想象力,所以资本和BAT们对这座大山发起了一轮又一轮的攻势。针对以医疗为重点的AI创业公司从五年前的不足20家上升至现在的120多家,但大多停留在“to VC”阶段,整个资本圈都在等待,AI医疗能够真正讲出“To B To C”的商业模式。

鲸准数据中心清洗了整个AI医疗从2013到2017年的241起国内融资事件,本文用资本布局时间线去描述AI医疗行业现状,最后通过鲸准上的投资人行为,去发现AI医疗的下一个行业热点。

01 什么是AI医疗?

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。

 AI医疗定义金字塔

  • 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。

02 AI医疗国内融资概况

5年内,AI医疗各领域共发生融资事件241起

 AI医疗应用层持续热潮,基础层热度下滑

回顾13年-17年数据,从2015年开始,基础层热度明显下滑,而资本开始纷纷进入应用层。2017上半年AI医疗发生融资数量46起,下面是应用层各维度融资情况。

  国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理这四个领域

经统计,从13年到17年上半年,应用层8个细分领域共发生融资事件86起。国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理四个领域,其中医疗影像成为资本密集的阵地,占比最高达到31%,位居第一。

为什么医疗影像赛道玩家较多?

从细分领域融资数量图看出,医疗影像占比较多,为什么会发生这样的状况?影像具有4V性(volume数量、variety多样性、velocity速度、veracity真实性),4V的属性更适合其AI的发展。

应用层融资轮次分布:大部分公司停留在天使轮及A轮

国内AI医疗应用公司起步较晚,由细分领域融资数量分布看出智能诊断领域占比60%。整体上智能诊断还处于初期,目前没有大规模商用。对于优质数据的提取、数据的结构化及建模、患者语言的训练都是目前需要跨越的障碍。

进入到B轮及B轮后的的公司分布在虚拟助手、医用机器人两个领域

医用机器人的实际应用主要集中在外科手术领域。机器人在手术上的准确性、可靠性和精确性上大大超过了外科医生,机器人技术已经在医疗领域得到了长足的发展,并取得很好的临床效果。

03 AI医疗行业发展解析

AI医疗标签关注度

根据鲸准中心标签热度算法统计,有关于AI医疗的标签:深度学习、计算机视觉、AI医疗、智能诊断、医疗影像、自然语言处理、AI芯片、医疗大数据关注度有较大提升。

AI医疗为什么会成为资本新宠?

1、政策推动

AI政策持续利好。2017年7月国务院刚印发《新一代人工智能发展规划的通知》,明确提出“到2020年人工智能总体技术和应用与世界先进水平同步 ”。

医疗政策持续利好。2016年国务院发布《关于促进医药产业健康发展的指导意见》,明确提出开展智能医疗服务。

2、国情推动

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;病患多、医生少;医务人员培养成本过高;药物研发周期长、费用高;医生诊断不容犯错。

3、技术推动

语音和图像识别技术目前已达到商业化高度。 从2012年的ImageNet大赛一直到现在,深度学习在图像的分类与识别上已经取得了非常大的进展。在医疗影像领域目前对某些病理 图片的识别准确率已超过90%,用于辅助医生诊断已不成问题。区别于机器学习,需要给出特定规则后才能进行。而深度学习则可自由生成多层“网络”(深度神经网络)。 在深度学习之前,大约在90年代,就已有很多人做计算机辅助诊断(CAD)。之前神经网络做不深,现在有了新型计算机和深度学习之后,可以实现很深的网络。举例“乳腺钼靶肿块判读”。

三大AI技术基石:深度学习算法+计算能力+大数据,为AI融入医疗奠定基础。

4、设备驱动

电子胶片的普及;POCT及智能可穿戴设备公司初具规模,大量设备及胶片投入使用,形成庞大的用户病理数据,为构建医疗大脑奠定基础。

5、基础设施驱动

根据CHIMA的数据统计,显示早在2015年9月,超过60%的医院都已完成医院管理信息系统(hmis)的全面搭建。以“EMR”为核心的CIS成为建设重点。

现阶段AI医疗应用竞争态势

国内AI医疗未来发展建议

1、加快基层医疗机构的信息化建设,加速区域信息化集成布局。

2、数据获取能力的提升、算法的改进、人工智能技术的创新。

3、逐步完善底层核心知识图谱。

鲸准预测可拓展领域:AI+精神疾病管理、AI+精准诊断、AI+精准治疗、AI制药等。

往期相关报告推荐,可直接点击查阅:



公众号 wenlin-zx:文琳资讯 

今日导读

点击文字可以查阅

1、 【读报时间】2017.09.5星期二农历七月十五

2、  中国、东盟和亚洲中心的再定位

3、  全面崩盘!央行刚刚出手,一个暴富神话破灭了…

4、  警报!1100家上市公司疯狂抛售房产,30年前楼市政策重出江湖!

5、  中国房地产的十年与中国股市的十年

6、  你该买什么房?房贷占收入比多少最合适?

7、  一位资深董秘的真实故事:解密资本圈上市真相

8、  科学家’惊人发'现:善恶有报是真实的科学!





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