1、內容目錄 HYPERLINK l _TOC_250015 我國醫療整體能力亟需提高 4 HYPERLINK l _TOC_250014 供需不平衡，驅動醫療資源分配優化 4 HYPERLINK l _TOC_250013 數據端：醫療信息化為 AI 醫療商業落地創造良好環境 7 HYPERLINK l _TOC_250012 2021 年有望成為 AI 醫療商業化元年 9 HYPERLINK l _TOC_250011 AI 醫療厚積薄發，將是未來 5 年成長最迅猛的賽道之一 9 HYPERLINK l _TOC_250010 2020 年 AI 醫療三類證開始集中發放，2021 年 AI 醫

2、療商業化有望規模落地 10 HYPERLINK l _TOC_250009 醫療 AI 算法日趨成熟，應用場景不斷豐富 14 HYPERLINK l _TOC_250008 主流深度學習方法在醫療領域已得到廣泛驗證 14 HYPERLINK l _TOC_250007 新興深度學習技術已在醫療領域得到應用 15 HYPERLINK l _TOC_250006 我國 AI 醫療技術“利刃出鞘” 16 HYPERLINK l _TOC_250005 AI+醫療能解決哪些問題 18 HYPERLINK l _TOC_250004 投資建議 21 HYPERLINK l _TOC_250003 科大訊

3、飛：AI 醫療打造新增長極 21 HYPERLINK l _TOC_250002 衛寧健康：互聯網醫院行業的領跑者 24 HYPERLINK l _TOC_250001 創業慧康：互聯網醫療業務快速推進 25 HYPERLINK l _TOC_250000 風險提示 26圖表目錄圖 1：醫療總支出逐漸增長，占 GDP 比重不斷變大 4圖 2：中國城鄉人均醫療支出存在差異 4圖 3：我國基層醫療衛生機構占總醫療機構比例約 95%，其中村衛生室占比最大 5圖 4：城市衛生人員主要由專業技術人員組成 5圖 5：農村衛生人員中，非技術人員約占 10% 5圖 6：城市衛生從業人員從業年限分布較為均衡 5

4、圖 7：農村衛生從業人員從業年限普遍較長 5圖 8：鄉鎮醫院高學歷衛生從業人員較緊缺 6圖 9：城市衛生人員從業結構按技術資格劃分 6圖 10：農村衛生人員從業結構按技術資格劃分 6圖 11：農村衛生技術人員滲透率較低 7圖 12：醫保信息化有助于 AI 醫療的落地 7圖 13：我國醫院大多處于 3 級-4 級 8圖 14：醫療信息化實現 AI 企業、鄉鎮醫院、大醫院三方合作 8圖 15：人工智能的三次浪潮 9圖 16：中國及全球 AI+醫療發展歷程 10圖 17：中國 AI 醫療市場規模（單位：億元） 10圖 18：2010-2020 中國 AI+醫療總融資金額、融資件數與融資規模分布 10

5、圖 19：我國過審 AI 醫療應用主要集中于心臟科 13圖 20：美國過審 AI 醫療應用主要集中于放射學 13圖 21：2012-2020 年醫學文獻中熱門應用算法搜索比例 15圖 22：我國 AI 技術應用與醫療多種場景 15圖 23：AlphaFold 模型預測流程 16圖 24：胸部 CT 智能 4D 影像平臺 18圖 25：AI 醫療應用領域與 AI 計算機科學應用領域發展高度重合 18圖 26：電子病歷系統為智慧病案、臨床輔助診斷發展創造良好條件 19圖 27：醫藥的研發過程及困境 20圖 28：AI 在藥物研發領域應用 20圖 29：2020 年，訊飛智慧醫療業務收入增速最快 2

6、1圖 30：AI 醫療由外向內滲透智慧醫院，算法模塊打造 AI 生態閉環 22圖 31：智醫助理-人工智能診療新模式 22圖 32：智醫助理具備多項強大功能 23圖 33：訊飛 AI 醫療處于國內領先地位 24表 1：中國人工智能醫療相關政策文件 11表 2：中國 AI 醫療產品過審情況 12表 3：國內部分 AI 醫療影像企業及其具體業務 14表 4：AI 醫療主要應用場景及代表性企業 16表 5：國內外不同病種 AI 影像識別準確率 17表 6：AI+電子病歷代表性企業及其主要產品 19我國醫療整體能力亟需提高供需不平衡，驅動醫療資源分配優化供給端：醫療衛生支出總費用不斷上升。截至 201

7、9 年，我國醫療衛生總支出已達 6.6 萬億元，2011-2019 年醫療衛生總支出 CAGR 6.9%。按居民結構及消費結構進行劃分，城鎮居民人均醫療支出高于農村人均醫療支出，且差異逐年增大，假設我國名義通貨膨脹率約 7%，剔除通貨膨脹影響，城鄉居民人均醫療支出差異維持在 650 元/人/年左右。就居民消費結構而言，醫療消費占城鎮居民消費總支出 6%-8%左右，占農村居民消費總支出 9%-11%左右。一定程度上反應了醫療資源在農村地區的較大需求以及醫療效率提升的迫切性。AI+醫療不僅能提升醫院及藥企管理與研發效率，更能幫助基層醫療機構提升醫療水平，滿足居民不斷增長的醫療保健需求。圖 1：醫療

8、總支出逐漸增長，占 GDP 比重不斷變大(億元)70,00060,00050,00040,00030,00020,00010,000-醫療總支出及GDP占比6.3%5.9%5.0%5.2%5.3%5.5%6.2%46,34559,1226.7%6.4%52,59840,97535,31231,66928,11924,34665,8418%7%6%5%4%3%2%1%0%201120122013201420152016201720182019醫療總支出醫療總支出占G D P比重（右）數據來源：國家統計局，圖 2：中國城鄉人均醫療支出存在差異(元)中國城鄉居民醫療消費支出4,0003,5003,0

9、002,5002,0001,5001,000500-2015201620172018201912.0% 10.2% 10.7% 9.2%9.2% 9.7%1,4216.7%7.1%7.3%1,0591,2407.4%1,4431,6311,7772,0462,2839298467.810.0%8.0%6.0%4.0%2.0%0.0%城鎮居民人均醫療支出農村居民人均醫療支出醫療支出占消費比重（城鎮）醫療支出占消費比重（農村）數據來源：國家統計局，需求端：城鄉醫療水平呈現一定差異。截至 2019 年，我國醫療機構總數為 1,007,579 家，其中基層醫療衛生機構占 95%。圖 3：我國基層醫療衛

10、生機構占總醫療機構比例約 95%，其中村衛生室占比最大醫院基層醫療衛生機構 專業公共衛生機構數鄉鎮衛生院村衛生室3%2%4%28%4%65%95%社區衛生服務站門診部數據來源：2020 中國衛生健康統計年鑒，根據中國衛生健康統計年鑒，基層醫療機構主要包含鄉鎮衛生院，村衛生室，社區衛生服務站和門診部，其中村衛生室占比重最大，高達 65%，共計 616,094 家。按衛生從業人員劃分，農村衛生從業人員中，鄉村醫師約 842,302 人，占農村總從業人員 10%。圖 4：城市衛生人員主要由專業技術人員組成圖 5：農村衛生人員中，非技術人員約占 10%6%4%3%24%4%22%31%2019年城市衛

11、生人員結構3%3%助理醫師執業醫師注冊護士藥師技師其他鄉村醫師其他技術人員管理人員2019年農村衛生人員結構3%3%5%24%11%3%6317%25%助理醫師執業醫師注冊護士藥師技師其他鄉村醫師其他技術人員管理人員工勤技能人員數據來源：2020 中國衛生健康統計年鑒，數據來源：2020 中國衛生健康統計年鑒，在農村衛生從業人員中，約 56%人員從業年限超過 10 年，且有 24%的醫師從業年限在 2029年，而具備大學本科及以上的從業人員僅占總人數的 0.8%。圖 6：城市衛生從業人員從業年限分布較為均衡圖 7：農村衛生從業人員從業年限普遍較長2019年城市衛生人員結構按從業年限劃分2019

12、年農村衛生人員結構按從業年限劃分13%20%10%24%10%15%5年以下5 9年10 19年20 29年27%30年及以上5年以下5 9年10 19年20 29年30年及以上24%32%25%數據來源：2020 中國衛生健康統計年鑒，數據來源：2020 中國衛生健康統計年鑒，隨著現代醫療情況愈發復雜，現有的農村衛生從業人員存在一定的知識儲備不足風險。AI+醫療可以通過 CDSS、病歷圖譜、病情字典等協助醫生識別較為復雜的病情，且通過向農村地區提供標準化產品，逐步彌補城鄉醫療水平差距。圖 8：鄉鎮醫院高學歷衛生從業人員較緊缺2019衛生人員結構按學歷劃分0.7%16.0%38.0%22.7%

13、12.7%100%90%80%70%54.2%60%50%8.1%37.2%40%30%20%9.7%0.8%10%0%城市農村研究生大學本科大專中專高中及以下數據來源：2020 中國衛生健康統計年鑒，圖 9：城市衛生人員從業結構按技術資格劃分圖 10：農村衛生人員從業結構按技術資格劃分2019年城市衛生人員結構按技術資格劃分2019年農村衛生人員結構按技術資格劃分8%3%7%1%12%31%正高21%副高中級助理士級不詳54%33%副高及以上中級助理士級不詳30%數據來源：2020 中國衛生健康統計年鑒，數據來源：2020 中國衛生健康統計年鑒，根據國家統計局數據，2019 年農村地區死亡率

14、較高的疾病分別為惡性腫瘤、心臟病、腦血管病、呼吸系統疾病，死亡率分別為 161%、165%、159%、75%，與城市死亡率較高疾病基本重合。而就城鄉衛生從業技術人員分布來看，結合農村地區醫療水平以及從業人員資質，農村地區醫療資源巨大差距有待彌補。通過 AI 醫療中遠程輔助診斷系統，能夠一定程度上緩解農村地區技術人員經驗不足，并通過遠程協同協作的方式提升農村地區醫療水平。圖 11：農村衛生技術人員滲透率較低(人)國內每千人口衛生技術人員數1.825.082.082.161.011.84.012.591.82121086420整體情況城市農村每千人口藥師、檢驗技師、影像技師及其他衛生技術人員數每千

15、人口注冊護士數每千人口執業（助理）醫師數數據來源：2020 中國衛生健康統計年鑒，數據端：醫療信息化為 AI 醫療商業落地創造良好環境全民醫保覆蓋有助國家進行醫療資源細致管控。根據國家醫保局數據，截至 2020 年末，我國基本醫療保險覆蓋人數已達 13.61 億人，基本實現全民覆蓋。基本醫療保險基金支出 2.1萬億，占全民醫療總支出 6.6 萬億的 32%。全民醫保覆蓋一方面減輕了居民醫療費用壓力，使得居民更愿意選擇高質量醫療服務；另一方面，醫療系統覆蓋有助于國家建立醫療信息化系統，豐富的數據源為 AI 醫療提供了很好的訓練樣本。圖 12：醫保信息化有助于 AI 醫療的落地遠程診療大醫院不能解

16、決發病癥狀年齡易感染人群性別鄉鎮提醫供院援匹助配提交大數據，與能提供援助的大醫院和A I醫療企業匹配病癥鄉鎮醫院傳播途徑既往病史能夠提供幫助的大醫院及A I資料匹配系統鄉鎮技對人體損害程度醫術院支匹持配大數據匹配A I醫療企業數據來源：醫療信息化發展打造醫療數據池。電子病歷是醫療信息系統的基石，更是為 AI 醫療提供數據的源泉。我國電子病歷系統應用水平劃分為 0-8 級共 9 個等級。截至 2019 年末，根據 CHIMA 統計數據，我國 7 級的醫院占 0.18%，6 級的醫院占 0.70%，5 級醫院占 3.52%，4級的醫院占 13.03%，3 級的醫院占 19.19%，2 級的醫院占

17、4.84%，1 級的醫院占 2.20%。剔除未參與統計無效樣本，有效統計樣本內，3 級-4 級醫院占比最大，共計 70.66%。隨著醫療信息化不斷發展，我國醫院級別的不斷提升，醫療機構觸網會給 AI 醫療帶來更多的機會。圖 13：我國醫院大多處于 3 級-4 級(%)60%我國醫院系統水平分級情況54.40%19.19%13.03%4.84%1.94%2.20%3.52%0.70%0.18%50%40%30%20%10%0%0級1級2級3級4級5級6級7級未參與數據來源：CHIMA，圖 14：醫療信息化實現 AI 企業、鄉鎮醫院、大醫院三方合作大醫院提供遠程診療、技能培訓、知識教育鄉鎮醫院提供

18、電子病歷提供電子病歷大醫院診療診療患者取得醫療信息上傳醫療數據三方共享信息上傳醫療數據三方共享信息A I醫療企業上傳醫療數據三方共享信息醫療信息數據庫數據來源：CHIMA，線上看病購藥支付（醫保報銷）的就醫閉環打通，為 AI 醫療開辟新場景。在線醫療服務是否可以通過醫保線上支付決定了互聯網醫療的受眾廣度，此前由于互聯網就醫不能使用醫保支付，導致患者需要自費在線上看病，極大地影響了患者的使用頻度。醫保在線支付的政策放開將是打通線上就醫閉環購藥支付（醫保報銷）的最后一環。此前京東健康 CEO辛利軍曾預估線上醫保支付的政策放開至少還需要兩到三年，但新冠疫情有望加速醫保線上支付的打通。2020 年 2

19、 月，國家醫保局聯合衛健委發布了關于推進新冠肺炎疫情防控期間開展互聯網+醫保服務的指導意見，明確符合條件的互聯網+醫療服務可以納入醫保報銷范圍。意見發布后，上海、江蘇、浙江、天津、四川、廣東、寧夏等多個省市臨時將在線問診納入醫保支付，同時，復診續方項目也在全國多地陸續試水納入醫保支付，線上看病購藥支付（醫保報銷）的就醫閉環就此徹底打通。線上診療閉環的實現有望為 AI 醫療中的AI 問診、AI 開具處方提供應用場景。2021 年有望成為AI 醫療商業化元年AI 醫療厚積薄發，將是未來 5 年成長最迅猛的賽道之一全球 AI 醫療處于高速成長期，占人工智能市場五分之一。相對于制造業、通信傳媒、零售、

20、教育等人工智能應用，AI 醫療具有廣闊的市場以及多元化的需求。目前，AI 醫療總體行業滲透率相對較低，商業落地規模不及安防、新零售等 AI 應用較為成熟的領域。根據 IDC 統計數據，預計到 2025 年全球人工智能應用市場總值將達 1,270 億美元，醫療行業將占總規模的五分之一。圖 15：人工智能的三次浪潮19701990第一次黃金期第二次黃金期Logic Theorist第五代計算機興起第一款人工智能軟件AI首次寫入政府工作報告美國AI產業發展規劃 CNNDNN 在圖像識別上的成功在語音識別上的成功Perceptron第一款神經網絡軟件1956Dartmouth會議Hopfield網絡&

21、BP算法1980第一次AI冬天第五代計算機失敗，DARPA削減投入深度學習（Hinton 2006）60年歷經2次起伏，現在已經進入2000第二次AI冬天第三次浪潮數據來源：訊飛曉醫官微，AI 醫療發展迅速，吸引大量資本涌入。我國人工智能產業發展快速，自 2018 年 AI 應用于基因檢測序列以來，AI 醫療的商業化模型逐步形成，根據沙利文咨詢統計，同年 AI 醫療市場規模增速 616.7%，總融資 71 筆，融資總規模達 30.5 億元。2019 年后，AI 醫療以 40%-60%的增速快速發展。圖 16：中國及全球 AI+醫療發展歷程數據來源：艾瑞咨詢，圖 17：中國 AI 醫療市場規模（

22、單位：億元）數據來源：沙利文咨詢，圖 18：2010-2020 中國 AI+醫療總融資金額、融資件數與融資規模分布數據來源：艾瑞咨詢，2020 年 AI 醫療三類證開始集中發放，2021 年 AI 醫療商業化有望規模落地政府高度重視 AI 醫療，政策自上而下傳導發酵。國務院于 2017 年發布的新一代人工智能發展規劃提到需要推廣應用人工智能能治療新模式、新手段，建立快速精準的智能醫療體系。2018 年政府要求人工智能向基層領域自上而下滲透，在工信部印發的促進新一代人工智能產業發展三年行動計劃（2018-2020 年）中進一步明確了在醫療影像、智能服務機器人等細分行業發展的目標與大方向。表 1：

23、中國人工智能醫療相關政策文件時間部門文件名主要內容2016/03工信部、 發改委、財政部發改委、科技機器人產業發展規劃（20162020 年）互聯網+人工智能三促進服務機器人向更廣領域發展， 實現系列化， 個人/家庭服務機器人實現商品化支持在制造、教育、環境、交通、商業、健康醫療、網2016/05部、工業和信息化部、中央網信辦年行動實施方案（發改高技20161078 號）關于促進和規范健康絡安全、社會治理等重要領域開展人工智能應用試點示范，推動人工智能的規模化應用支持研發健康醫療相關的人工智能技術等。加快研發成2016/06國務院2016/09工信部、發改委2016/12國務院2017/01衛

24、健委醫療大數據應用發展的指導意見（國辦發 “2016”47 號）智能硬件產業創新發展專項行動（2016-2018年）十三五國家信息化規劃（國發“2016”73號）十三五全國人口健康信息化發展規劃果轉化，提高數字醫療、物聯網等設備生產制造水平，促進健康醫療智能裝備產業升級鼓勵醫療機構加快信息化建設進程，推動智能醫療健康設備在診斷、治療、護理、康復等環節的應用推動健康醫療相關的人工智能、生物三維打印、醫用機器人、可穿戴設備以及相關微型傳感器等技術和產品在疾病預防、衛生應急、健康保健、日常護理中的應用 充分發揮人工智能、虛擬現實、增強現實、生物三維打印、醫用機器人、可穿戴設備等先進技術和裝備產品在人

25、口健康信息化和健康醫療大數據應用發展中的引領作用，促進由醫療救治向健康服務轉變，實現以治療為中心向以健康為中心的轉變數據分析和機器學習等技術研究，開發集中式智能和分2017/06衛健委 十三五衛生與健康科技創新專項規劃新一代人工智能發展布式智能等多種技術方案，重點支持機器智能輔助個性化診斷、精準治療輔助決策支持系統、輔助康復和照看等研究，支撐智慧醫療發展推廣應用人工智能治療新模式新手段， 建立快速精準的2017/07國務院2017/12工信部2018/04國務院2018/04衛健委2018/07衛健委2019/03深改委2019/08國務院規劃（國發“2017”35號）促進新一代人工智能產業發

26、展三年行動計劃（2018-2020 年） 關于促進互聯網+醫療健康 發展的意見（國辦發“2018”26 號）全國醫院信息化建設標準與規范（試行）（國衛辦規劃發“2018”4 號）關于深入開展互聯網+醫療健康便民惠民活動的通知（國衛規劃發 “2018”22 號）關于促進人工智能和實體經濟深度融合的指導意見國家新一代人工智能開放創新平臺建設工作指引智能醫療體系。探索智慧醫院建設， 開發人機協同的手術機器人等設備。 基于人工智能開展研究和新藥研發，推進醫藥監管智能化到 2020 年，在工業、醫療、金融、交通等領域匯集一定規模的行業應用數據，用于支持創業創新。推動醫學影像數據采集標準化與規范化，加快醫

27、療影像輔助診斷系統的產品化及臨床輔助應用完善互聯網+醫療健康支撐體系利用人工智能技術對疾病風險進行預測，實現醫學影像輔助診斷、臨床輔助診療、智能健康管理、醫院智能管理和虛擬助理加快推進智慧醫院建設，改造優化診療流程。推進智能醫學影像識別、病理分型和多學科會診以及多種醫療健康場景下的智能語音技術應用，提高醫療服務效率穩步推進教育、醫療、能源、公共安全等領域數據的內部整合、共享與對外開放，制定數據資源清單和開放計劃，支持相關企事業單位聯合人工智能企業圍繞應用場景開展人工智能服務，鼓勵優質機構人工智能服務能力和資源向地方開放鼓勵人工智能細分領域領軍企業搭建開源、開放平臺，面向公眾開放人工智能技術研發

28、資源，向社會輸出人工智能技術服務能力，推動人工智能技術的行業應用，培育行業領軍企業，助力中小微企業成長數據來源：國內政府網站，傳統 AI+醫療解決方案落地周期不利于企業開拓應用新場景。AI+醫療解決方案周期往往要經歷場景選擇、市場調研、產品設計、試用調整、審評審批、進入價格目錄、規模營銷 7步。審評審批環節處于整個方案周期的中間位臵，往前看，產品設計等研發環節需要消耗企業大量資源；向后看，銷售環節包含了產品的市場價值檢驗與利潤釋放，更是 AI 醫療企業更新迭代新產品的支撐。審評審批環節的受阻意味著企業前期投入無法收回，無法實現前期投入與后期收入間現金流的閉環，這也是目前眾多 AI 醫療企業面臨

29、的主要問題之一。為實現一定業績，部分 AI 醫療企業將銷售環節前臵，通過在研發階段推出試用版等方式事先獲得一定市場份額。然而，試用版解決方案一方面需要企業額外付出一定銷售管理費用，另一方面，試用版由于研發設計環節不完善，功能不完備容易導致解決方案口碑下滑。AI 醫療三類證有助于企業理順 AI+醫療研發銷售大周期，實現銷售放量。從 AI 醫療企業發展角度看，三類證的頒發意味著國家藥品監督管理局對于該類產品的審批路徑更加清晰，對于合規的醫療 AI 產品審批開始加速。未來 AI 醫療企業從研發銷售環節將進一步走順，AI 醫療解決方案也能更快更好得經歷市場檢驗；三類證的頒發也有助于原先的解決方案開展規

30、模化銷售。2020 年是 NM PA 為 AI 醫療頒發三類證的集中期，2021 年趨勢有望維持。2020 年 1 月 15日，科亞醫療以冠脈血流儲備分數計算軟件產品獲得第一張 AI 醫療三類證后，NMPA審核加速，截至 2020 年末，累計已有 9 項產品通過審核。目前通過審核產品中，心臟科產品數量最多，共計 4 項，占比 44.4%，其次是內分泌科（2 項），占比 22.2%。結合我們基于城鎮、鄉村高發病情的統計與分析，AI 醫療產品能夠對高發病情進行輔助診斷，從而一定程度上降低醫療資源分配不均衡的問題。表 2：中國 AI 醫療產品過審情況時間公司名稱產品名稱產品特點國際情況2020 年

31、1 月 15 日科亞醫療冠脈血流儲備分數計算軟件產品心電分析軟件（AI基于冠狀動脈 CT 血管影響，基于深度學習技術的血流儲備分數計算基于人工智能深度學習技術，自動分析心率失常、心肌梗國內商務同類產品注冊上市，國際金有一款同品質產品在美國上市 2018 年 11 月獲得美國食品藥品監督管理局2020 年 2 月 27 日樂普醫療2020 年 6 月 12 日安德醫智2020 年 7 月 1 日樂普醫療2020 年 8 月 10 日深圳硅基智能ECGPlatform）BioMind天醫智的顱內腫瘤磁共振影響輔助診斷軟件心電圖機（OmniECGB120AI）糖尿病視網膜病變輔助診斷軟件塞、心室肥大

32、和 STT 異常等心電圖事件，總體準確率已達 95%以上。運用深度學習算法，能夠實現顱內腫瘤的人工智能精確診斷，診斷準確率超過 90%在嵌入式 AI 芯片基礎上，通過集成已經獲得 NMPA 注冊批準的心電人工智能分析軟件算法 AIECGPlatform 的一款智能心電圖機功能包括糖尿病視網膜病變輔助診斷云端、醫生診斷客戶端和系統管理。適用于對成年糖尿病患者的雙眼彩色眼底圖像進行分析，提供糖尿病視（FDA）注冊批注，2019 年 11月通過歐盟 CE注冊認證天醫智已獲得歐盟 CE 認證，并在德國、東南亞、新加坡、馬來西亞等 26 個國家獲得銷售許可國內外首款使用 AI 芯片進行心電圖人工智能自動

33、分析的心電圖設備我國首款基于深度學習技術的眼底病變輔助診斷軟件2020 年 8 月 10 日Airdoc糖尿病視網膜病變輔助診斷軟件網膜病變輔助診斷建議對成年糖尿病患者的雙眼免散瞳彩色眼底圖像進行分析，提供是否發現中度非增值性及以上糖尿病視網膜病變以及輔助診斷建議全自動智能完成心臟圖像重國家藥品監督管理局 2019 年醫療器械創新產品，國內商務同種產品注冊上市心臟冠脈狹窄 AI管狹窄輔助分診軟件2020 年 11 月 10 日數坤科技冠脈 CT 造影圖像血顧著 CT 影響輔助檢建、官腔狹窄檢測機斑塊顯示、斑塊性質判斷、報告生成等工作。并生成結構化報告基于深度學習方法，自動完成肋骨定位、計數與標

34、注、幫助領域全球首張醫療器械注冊證全球首張基于 CT2020 年 11 月 13 日聯營智能2020 年 11 月 13 日推想科技測軟件肺結核 CT 影響輔助軟件醫生數肋骨；秒級完成全部檢測流程，精準定位肋骨并提示肋骨位臵在早期肺癌篩查應用中，其可有效挖掘肺癌的核心特征點，判斷不同序列影響是否存在疑似癌癥的特征，輔助實現肺癌早診、早治的骨折醫療 AI三類證擁有歐盟 CE、日本 PMDA、美國 FDA、中國 NMPA四大市場認證數據來源：國家藥品監督管理局，圖 19：我國過審 AI 醫療應用主要集中于心臟科圖 20：美國過審 AI 醫療應用主要集中于放射學NMPA過審AI醫療主要醫學學科11%

35、11%45%11%心臟科內分泌科神經科 骨科胸外科22%FDA過審AI醫療主要醫學學科3% 3%10%放射學心臟病學14%內科/分泌科眼科70%神經病學數據來源：國家藥品監督管理局，數據來源：美國食品藥品監督管理局，第一張肺結節 AI 三類證頒發，中國 AI 醫療商業化迎來曙光。2020 年 11 月 13 日，國家藥品監督管理局的官網上放出了首個基于深度學習技術的肺結節 CT 影像輔助軟件醫療器械批準證明。該證明歸屬于北京推想科技，是國藥監開出的首張肺結節 AI 三類證。在醫療機構影像學檢查中，胸肺 CT 的檢查量占比最大，加之微小肺結節不容易辨別，是醫療最需要被輔助的場景。本次三類證的頒發

36、進一步彰顯國家大力發展 AI 醫療的決心，且在十四五規劃中，人工智能和生命健康都被列為前沿科技領域的優先級別，將帶來中國人工智能及生命健康科學的新一輪發展。醫療影像+AI 有望成為 AI 醫療商業化落地的第一峰。受新冠疫情刺激，各重點防疫單位胸部 CT 需求激增，而一線醫生數量有限，AI 醫學影像在分析新冠肺炎病灶的深度參與，成了我國高效準確抗擊肺炎的關鍵成功因素。綜合分析醫療影像學產業鏈：上游零部件及原材料供應商、中游影像設備及信息化廠商、下游的影像應用及服務提供商，我國 AI 醫療應用主要集中于下游的影響應用及服務軟件，參與對象主要包括醫療機構、第三方影像中心、遠程讀片云平臺、影像社交學習

37、平臺和影像智能應用服務商，國內的 AI 醫學影像公司多集中發力于下游領域。首張肺結節 AI 三類證頒發有望帶動更多 AI 醫療影像企業出現，促進更多優質解決方案商業化落地。表 3：國內部分 AI 醫療影像企業及其具體業務企業名稱當前融資輪次及金額涉及領域具體業務胸片篩查（氣胸、肺結節、肺結核、腫塊的自動匯醫慧影戰略融資，未披露疾病診斷診斷）、B 型主動脈夾層手術重的精準測量、骨折智能診斷靶區勾畫肺癌篩查以及病灶區域自動識別并勾畫眼底疾病、皮膚癌檢測、腦出血及腦損傷檢測、Airdoc股權融資，未披露推想科技C 輪，未披露病理切片疾病診斷數坤科技戰略融資，2 億元疾病診斷依圖醫療戰略融資，未披露疾

38、病診斷疾病診斷智影醫療A 輪，未披露疾病診斷冠狀動脈硬化檢測、肺癌檢測、脂肪肝檢測、壓縮性骨折自動檢測皮膚癌檢測、宮頸癌檢測肺部疾病（自動識別并標記結節病灶）、胸部疾病（識別并標記結節、骨折、氣胸等多種病灶、腦卒中（迅速定位出血區域、自動分割、精確量化出血體積）、骨質病變肺部疾病（結節、肺癌）、頭頸 CT 輔助診斷、冠心病診斷、主動脈疾病（主動脈疾病類型、主動脈瘤、術前規劃）胸部 CT 輔助診斷（肺部病變、縱膈病變、胸膜病變）、肺癌疾病診斷篩查、乳腺癌篩查、兒童生長發育智能診斷、卒中、甲狀腺超聲輔助肺結核篩查、早期乳腺癌智能診斷、胸片隨訪對比、早期老年癡呆癥（AD）智能診斷、早期肺癌結節檢測病

39、理切片痰菌顯微成像的肺結核自動診斷蘭丁高科股權融資，未披露病病理切片宮頸癌篩查、白血病篩查醫諾智能C 輪，未披露靶區勾畫放療靶區勾畫聯影醫療股權融資，未披露疾病診斷腦卒中、神經退行性疾病、肺結節、肋骨骨折、食道異常、乳腺病變、氣胸、骨齡等助評估、骨齡輔助評估深睿醫療C 輪，數億元疾病診斷肺癌輔助診斷、乳腺癌輔助篩查診斷、腦卒中輔病理切片宮頸癌、膀胱癌、乳腺癌、腎癌等篩查視見醫療B 輪，數千萬元疾病診斷肺炎、肺結核氣胸腔積液、肺結節、骨齡智能識別、肋骨骨折、肝癌靶區勾畫放療靶區勾畫靶區勾畫放療靶區勾畫腫瘤等髖關節常見疾病輔助診斷、肺癌早期篩查、胸部杏脈科技天使輪，未披露疾病診斷體檢、特殊病種篩查

40、、冠心病一站式智能輔助診斷連心醫療A輪，4000 萬元靶區勾畫智能靶區勾畫上工醫信A輪，4000 萬元疾病診斷糖網病、腦卒中、冠心病、白內障篩查深透醫療Pre-A 輪，500 萬美元圖像增強腦卒中、腦腫瘤、肺癌、老年癡呆癥等體素科技B 輪，5000 萬美元疾病診斷早期肺癌、糖尿病視網膜病變、心血管疾病等圖瑪深維B 輪，2 億元疾病診斷肺結節、胸部疾病、肝病、乳腺癌、腦卒中、腦數據來源：SciPhi 生輝，醫療 AI 算法日趨成熟，應用場景不斷豐富主流深度學習方法在醫療領域已得到廣泛驗證機器學習與深度學習方法已在醫療影像學等領域得到廣泛應用。深度學習模型可擴展到大型數據集，并且會隨著數據積累不斷

41、完善，從而使其優于許多傳統的機器學習方法。深度學習系統可以接受多種數據類型作為輸入，醫療數據就是典型的具有多種數據類型。最常見的模型是使用監督學習進行訓練，其中數據集由輸入數據點（例如皮膚病變圖像）和相應的輸出數據標簽（例如良性或惡性）組成。根據艾瑞咨詢統計整理，2012-2020 年在醫學文獻中使用到的熱門機器學習算法和深度學習算法包括：1）支持向量機（38%），主要應用于識別成像生物標志物和醫療影像分析；2）神經網絡（34%），主要應用于生化分析、圖像分析和藥物開發；3）邏輯回歸（4%），主要用于疾病風險評估和臨床決策輔助系統。圖 21：2012-2020 年醫學文獻中熱門應用算法搜索比例

42、決策樹支持向量機主要應用于影像分析隱馬爾科夫模型神經網絡線性回歸樸素貝葉斯判別分析邏輯回歸主要應用于新藥研發，基因分析主要應用于病歷文本分析隨機森林其他最鄰近算法主要應用于 CD SS數據來源：艾瑞咨詢，深度學習方法在大量診斷任務上取得了醫生級別的準確率，包括識別黑痣和黑色素瘤，從眼底圖像和光學相干斷層掃描 (OCT) 圖像中檢測糖尿病性視網膜病變、判斷心血管風險，提供轉診建議，以及從乳房 X 光片中檢測乳腺病變、使用核磁共振成像進行脊柱分析。甚至有研究證明單個深度學習模型在多個醫療模態中都很有效（如放射科和眼科）。但是，這些研究的一個關鍵限制是人類醫生與算法性能之間的對比缺乏臨床背景，它們把

43、執行診斷的情形限制在僅使用圖像的條件下，而這通常會增加人類醫生進行診斷的難度，現實醫療環境中醫生可以看到醫療影像和一些補充數據，包括病人的病史、健康記錄、其他檢測和口述等。圖 22：我國 AI 技術應用與醫療多種場景臨床活動、篩查、診斷、治療診療記錄（非結構化數據）強化學習基礎理論層CT、基因數據等 機器學習拓展應用層自然語言處理電子病歷（結構化數據）機器視覺 人工智能數據來源：艾瑞咨詢，遠程手術新興深度學習技術已在醫療領域得到應用AlphaFold 開天辟地，精準構筑蛋白質 3D 模型。2020 年 12 月，谷歌 AI 團隊 DeepMind所研發的 AlphaFold 模型在生物學及醫療

44、領域取得重大突破：通過神經網絡模型，根據氨基酸精準預測并構筑蛋白質 3D 結構。蛋白質由多個氨基酸序列組成，性質取決于其獨特的 3D結構。由于氨基酸在構成蛋白質的過程中會發生長鏈折疊過程，傳統的枚舉法預測蛋白質 3D結構需要 138.2 億年。此次 AlphaFold 成功預測蛋白質 3D 模型可在未來醫療領域中更好協助研究人員針對蛋白質的不同性質，針對性研發出特效藥物，阿爾茨海默氏癥、帕金森氏癥、亨廷頓氏癥和囊性纖維化等世界醫療難題也有望解決。圖 23：AlphaFold 模型預測流程數據來源：DeepMind Blog，英偉達助力 AI 醫療算力需求。數據、算法和算力是 AI 領域不可或缺

45、的三要素。對于 AI 醫療，數據與算法近年來得到快速發展，然而高效的算法更需要強大的底層硬件提供算力的支撐。在 2020 年中國 GPU 科技會議（GTC）上，英偉達首席科學家、研究院高級副總裁 Bill Dally展示了 FoldingHome 和 CyroSPARC 如何基于 GPU 賦能 AI 醫療，FoldingHome 借助分布式計算將無數 GPU 的閑臵時間利用起來，并為新冠病毒研究貢獻了 1.5ExaFLOPS（1ExaFLOPS=1024PFLOPS=10241024TFLOPS）的算力，總共花費了總計 1 個多月的計算時間，比其他傳統方式快 30 倍左右。表 4：AI 醫療主

46、要應用場景及代表性企業應用分類具體場景代表性企業醫渡科技、妙健康、健康有健康管理慢性病管理靶點篩選、藥物篩選、藥物優化、小分子藥物晶體預測、益、第四范式、掌上糖醫、醫鹿康福（支付寶）晶泰科技、宇道科創、云勢藥物研發AI 醫學影像病人識別及招募影像設備的圖像重建、X 線胸片閱讀、眼底檢測、腦區分割、腦疾病診斷、器官分割/靶區勾畫、骨傷鑒定、乳腺疾病診斷、超聲輔助診斷、病歷切片分析、骨齡分析等軟件、億藥科技、深度智耀、望石智慧、劑泰醫藥視見科技、數坤科技、深睿醫療、匯醫慧影、騰訊覓影、阿里健康等輔助診斷醫學視頻內窺鏡、膠囊機器人、手術機器人重慶金山科技集團、直覺外科手術公司電子病歷智能語音電子病歷

47、錄入科大訊飛、云知聲、Nuance體征監測光容積描記法、心電圖、連續血糖檢測Airdoc基因組學和蛋白質學基因組學、蛋白質學DeepMind數據來源：冰鑒科技，我國 AI 醫療技術利刃出鞘我國 AI 醫療技術處于世界領先地位。以 AI 醫學影像技術為例，我國與歐美國家 AI 醫學影像軟件的識別準確率相比并無遜色。例如，在乳腺癌診斷上，谷歌和圣地亞哥海軍醫學中心合作開發的 AI 系統 LYNA 對轉移性乳腺癌的檢測準確率達到 99%，騰訊覓影乳腺癌腫瘤篩查 AI 系統的鈣化檢測敏感度為 99.0%，腫塊檢測敏感度為 90.2%，良惡性判別敏感度為 87.0%，良惡性判別特異度為 96.0%；在眼

48、底病變篩查和肺結節兩大熱門領域，也具有較高的識別水平。表 5：國內外不同病種AI 影像識別準確率團隊內容AI 準確率人工準確率國內團隊上海交通大學與浙江大學聯合科研團隊核磁共振影像的直腸癌識別準確率和速度23 秒完成 300 張影像的病灶勾畫，準確率達 95.22%5 分鐘完成 149 張影像勾畫，準確率達 93%北京大學第一醫院前列腺癌診斷超過 90/光琇-自興智能醫療聯合實驗室染色體檢測自動識別準確率 97，報告準確率 100/阿里健康、萬里云肺結節診斷達 90%以上傳統會診方式所花費的時間是其5-6 倍安德醫智、北京天壇醫院顱內腫瘤用時 15 分鐘，準確率 87用時 30 分鐘，準確率

49、66安德醫智、北京天壇醫院血管疾病83%63%/依圖醫療骨齡評定產品精確度達 0.1 歲，與醫生計算的骨齡值相比，誤差小于半年的占 98騰訊覓影乳腺癌診斷鈣化檢測敏感度 99.0，腫塊檢測敏感度 90.2，良惡性判別敏感度 87.0/浙大睿醫、北京同仁醫院眼底病變檢測大部分數據集上特異性達 99，敏感度達 85/匯醫慧影肺結節篩查敏感度高達 95以上/推想科技肺結節篩查發現識別率高達 90/香港中文大學工程學院研究團隊海外團隊肺癌、乳腺癌影像識別、判斷肺癌識別準確率達 91，乳腺癌識別準確率達 99/谷歌、谷歌大腦、 Verily公司乳腺癌診斷達 88.5%30 個小時分析 130 張病理切片

50、，準確率為 73.3斯坦福研究團隊皮膚癌診斷至少 91至少 91德國、法國、美國科學家皮膚癌診斷惡性腫瘤 95，良性痣 83惡性腫瘤 88.9，良性痣 76谷歌、圣地亞哥海軍醫學中心數據來源：SciPhi 生輝，乳腺癌診斷乳腺癌診斷達 99，超過人工診斷/依圖科技，AI 醫學影像領域的排頭兵。目前，我國 AI 醫學影像領域內，依圖科技技術較為成熟，且行業方案已成功應用于醫院系統。公司 care.aiTM 系列解決方案包括智能醫療臨床決策解決方案、智能醫療大數據解決方案及智能醫療管理解決方案。智能醫療臨床決策解決方案作為其拳頭產品，已覆蓋肺癌、乳腺癌、兒童生長發育、腦卒中、新冠肺炎等病種。具體相

51、關產品為胸部 CT 智能 4D 影像平臺、乳腺 X 線智能診斷系統、兒童生長發育智能一站式解決方案等。其中，胸部 CT 智能 4D 影像平臺，在 2018 年率先實現了以部位為中心、多學科綜合診治的智能影像輔助診療系統，為臨床醫生的影像學診療提供了重要支持，大幅度減輕醫生工作量；2020 年 2 月初，公司與上海公共衛生中心聯合研發上線基于 CT 影像的新冠肺炎智能評價系統，目前已經服務境內外多家醫療機構。圖 24：胸部 CT 智能 4D 影像平臺數據來源：依圖科技招股書，AI+醫療能解決哪些問題輔助檢查、CDSS 率先落地，智慧病案處于快速增長期。隨著 AI 技術的不斷突破，AI 在醫療領域

52、的應用場景也越來越廣泛。目前，以 CT 影像、皮膚影像等醫療影像應用以及 CDSS最為成熟。我們認為，這主要是由于深度學習最早在行業應用也是起源于圖像識別，在深度學習計算機科學領域，系列現金深度學習理論方法如 ReLU 函數（主要為抑制梯度消失，提升分類準確率）首先應用于語音識別，CNN 網絡結構首次在 ImageNet 圖像識別大賽上嶄露頭角，性能遠超機器學習方法 SVM。2019 年以來興起的智慧病案由于目前 DRGs、DIP 等支付政策推動，目前處于快速成長期。圖 25：AI 醫療應用領域與AI 計算機科學應用領域發展高度重合ReLU 激活函數提出微軟將ReLU 應用于語音識別領域D N

53、 N 降低語音識別錯誤率20 30網絡結構不斷優化G PU 硬件不斷進步AlphaGo戰勝職業九段棋手李世石基于自然文本提取醫學知識方法得到優化2011年2012年2013年-20162018年2019年2020年H inton構建C N N 網絡CN N 網絡Inm ageN et圖像識別大賽上表現遠超SVMA I語音問診病理影像分析CT影像CD SS智慧病案基因測序新藥研發成熟期成長期D N N 在Im ageN et評測上將錯誤率從26降低到15數據來源：中國知網，Elsevier，LO D -A BO G 結構提出，主要用于生物醫學本體特征提取谷歌A I團隊提出 A lphaFold模

54、型，可精準預測蛋白質結構智慧病案有助于解決城鎮化、人口老齡化帶來的潛在問題。根據國務院新聞辦發表的中國的醫療衛生事業白皮書，伴隨中國工業化、城鎮化、老齡化進程的加快，居民慢性病患病、死亡呈現持續快速增長趨勢。2012 年，我國確診慢性病患者 2.6 億人，慢性病導致的死亡占總死亡的 85，導致的疾病負擔占總疾病負擔的 70。隨著未來電子病歷的接入以及電子病歷數據結構不斷標準化，智慧病案管理體系能夠被逐步建立，醫院間通過HIS 共享病案庫，不僅能夠高效通過先例分析更加高效治療慢性病等各類疾病，更能一定程度緩解鄉村醫生經驗不足的情況。輔助臨床診斷決策輔助診療解決方案圖 26：電子病歷系統為智慧病案

55、、臨床輔助診斷發展創造良好條件與信息化廠商合作進入醫院參與競標進入醫院N LP深度學習臨床醫學實踐庫知識圖譜數據挖掘循證醫學實踐庫去隱私N LP臨床病理數據 數據清洗機器學習循證醫學庫數據來源：艾瑞咨詢，表 6：AI+電子病歷代表性企業及其主要產品平臺產品主要服務云知聲智能語音病歷錄入智能醫療語音錄入系統，目前已在 100+醫院上線使用，超過 500+醫院在線測試使用2016 年，云醫聲手機應用在安徽省立等醫院正式投入使用。截至科大訊飛智能語音病歷錄入2019 年，智能語音電子病歷覆蓋 95 家醫院，人工智能輔助診療系統開通了 300 多項人工智能輔助診療服務Nuance智能語音病歷錄入醫療病

56、歷管理及手冊轉錄服務，全美已有超過 50%醫生，77%醫院使用 Nuance 解決方案，滿意度達 90%為國內 300+醫院（包括 70 家三甲醫院）及不同行政級別的監管機構醫渡科技健康管理/慢性病管理及政策制定者提供解決方案。截至 2020 年 10 月末，健康管理平臺年度活躍醫生數量及活躍患者數量分別為 3.3 萬人、189.7 萬人數據來源：云知聲招股書，醫渡科技招股書，科大訊飛 2020 年報，Nuance 官網，AI 實現診斷+治療全覆蓋，賦能臨床醫學。臨床輔助決策系統 CDSS 能夠將醫學觀察所見和現有的醫學知識聯系起來，影響醫生的診療決策。一套完整的 CDSS 需要包括三個部分：

57、知識庫，推理模型，交互界面（接口）。其中最核心的是推理模型。早于 1990-1992 年期間，我國的醫療和計算機專家研發出一批診斷專科疾病診斷的專家系統。時隔 40 年，基于深學習的 CDSS 重新給予市場希望，但不同于醫療影像，CDSS 所涉及的數據大多為非結構化、碎片化的，因此，CDSS 系統往往包含但不局限于深度學習方法，2018 年 12 月，衛健委發布了醫院電子病歷等級評定政策，提出到 2020 年所有三級醫院要達到 4 級以上等級，而 4 級以上等級的重要標準之一就是要有不同等級的 CDSS，這一政策的實施給 CDSS帶來了極為廣闊的發展前景。藥物研發：縮短時間，降低成本。醫藥研發

58、是整個醫療產業中十分重要的一環，而當前新藥研制主要受到：高成本（10 億+）、長研發周期（10-12 年）、低成功率（13.8%）三座大山限制。據 Deep Knowledge Analytics 統計，藥物研發的投資回報率從 2010 年的 10.1穩步下降至 2018 年的 1.9。對某些復雜疾病領域更是如此，比如肌萎縮性側索硬化癥，在過去半個世紀里超過 50 項臨床試驗未能顯示出任何積極的療效。深度學習方法中的 NLP、圖像識別，以及深度學習特有的神經網絡結構能夠縮短藥物研發時間、降低藥物研發成本、提高預測準確率及藥效。圖 27：醫藥的研發過程及困境藥物研制10,00T0e藥xt 物化合

59、物0 對人體影響I確保使用對象安全II治療疾病有效性III規模化使用安全性與有效性 IV 長期安全性臨床前試臨床測試250 藥物化合物5審批機構FDA1項過審藥物化合物數據來源：Endpoints News，ePharmacolog，藥物靶點確認活性化合物篩選制劑研發機器學習靶點藥物研發預測A D M ET性質自然語言處理藥物挖掘制劑研發深度學習藥物品型預測圖像識別化合物篩選評估藥物藥理圖 28：AI 在藥物研發領域應用基礎研究認知計算病理生物學研究藥物再利用藥物重新定位數據來源：中國藥科大學國家藥物政策與醫藥產業經濟研究中心，投資建議科大訊飛：AI 醫療打造新增長極營收快速增長，智慧醫療成為

60、科大訊飛重點布局領域。2020 年，科大訊飛智慧醫療板塊實現營業收入 3.13 億元，同比增長 69.3%，在各板塊收入中同比增速最快。目前，公司已將智慧醫療作為重點賽道進行布局。截至 2020 年末，公司智慧醫療項目已在全國 200 余個區縣實現應用，累計輔助診斷次數超過 1.3 億次。圖 29：2020 年，訊飛智慧醫療業務收入增速最快(億元)各版塊業務收入及增速427.6%69.3%38353135.5%2523.5%11.8%-13.0%10 11-25.8%-39.4%234 32 11 0964580%4060%3540%302520%200%15-20%105-40%智慧教育智慧