獵雲註：隨著社會進步和人們健康意識的漸漸覺醒，人口老齡化問題的加劇以及語音和圖像識別技術的發展，AI+醫療成為了眼下最熱門的投資領域。作為投資界「新寵」的AI醫療，究竟是指什麼？發展狀況如何？本文將對AI醫療概念、國內外公司融資狀況、應用場景等方面對AI醫療進行盤點，並分析AI行業現狀及目前所面臨的困境。 文章來源：騰訊創業（ID：qqchuangye）作者：石小月
隨著社會進步和人們健康意識的漸漸覺醒，人口老齡化問題的加劇以及語音和圖像識別技術的發展，AI+醫療成為了眼下最熱門的投資領域。
作為投資界「新寵」的AI醫療，究竟是指什麼？發展狀況如何？
本文將對AI醫療概念、國內外公司融資狀況、應用場景等方面對AI醫療進行盤點，並分析AI行業現狀及目前所面臨的困境。
2016年的3月，谷歌的AlphaGo以4：1的成績戰勝了世界圍棋冠軍李世石，在全球範圍內引爆了人工智慧。
隨後BAT紛紛入局，而它們之間角逐的一個重要領域就是AI醫療。
據湯姆路透數據顯示，僅2017年上半年，中國企業在包括生物製藥和醫療器械領域在內的跨境併購交易數量達4253起，相比2014年增長了30倍。
而目前，深創投、IDG資本等在內的前十家中國頂級風險投資機構中，有七家已經出手醫療健康行業。
近日，有報導稱，推想科技已於2018年2月獲得襄禾資本、尚珹基金、元生資本、紅杉資本、啟明創投投資的3億元新一輪融資。
這是推想科技2016年2月獲得1250萬天使輪融資以來，兩年內的第四次融資。而包括強生、微軟等在內的企業也在陸續入場。
AI醫療是什麼據鯨準數據中心的《行業字典：一張圖看AI醫療》顯示，AI醫療是以網際網路為依託，通過基礎設施的搭建及數據的收集，將人工智慧技術及大數據服務應用於醫療行業中，提升醫療行業的診斷效率及服務質量，更好的解決醫療資源短缺、人口老齡化的問題。
Al醫療主要體現在三個方面，涉及多個領域，其定義的金字塔如下：
基礎層：通過軟硬體的基礎設施，收集用戶、藥物及病理數據，並使數據互通互聯，為人工智慧的應用提供支持與可能。
技術層：通過語音/語義識別、計算機視覺技術，對非結構化數據進行分析提煉。「學習」大量病理學數據文本，使其掌握問答、判斷、預警、實施的能力。
應用層：是指人工智慧與不同細分領域的結合，以解決醫療行業中的某種業務需求，如智能診斷、藥物研發、智能健康管理、智能語音等醫療場景。
AI醫療公司融資狀況下圖是根據公開資料不完全整理，從公司的成立時間、企業類型、融資情況及金額、輪次（A輪以後）等方面對國內外AI醫療融資現狀進行了總結。
從投資方來看，其中不乏像紅杉資本，經緯中國，啟明創投，真格基金這些老牌GP。這說明人工智慧醫療行業依舊受到資本的追捧。
1. AI醫療融資輪次整理
根據已披露融資情況的創業公司得知，目前，A輪之後AI醫療獲融資的公司約16家，其中大部分處於A+輪和B輪，速度最快的公司已獲戰略投資。
2. AI醫療公司創立時間
從成立時間上看，國內AI醫療公司集中成立於2012年和2016年，在2017年紛紛獲得大額融資的影像AI公司，大多在2016年成立。
AI醫療的應用場景隨著醫療人工智慧的發展，其應用場景正逐步多元化。
醫療的定義和範疇已經不再只是疾病治療，而是擴展到了藥品、保健、生物技術等醫療的各個領域。
根據相關資料顯示，總體上應用場景主要集中在以下四方面：
1、輔助診療
目前，AI正在迅速融入基層社區。「AI+輔助診療」，就是將人工智慧技術用於輔助診療中，讓計算機 「 學習 」 專家醫生的醫療知識，模擬醫生的思維和診斷推理。
通過已學習的醫學知識推理判斷疾病原因與發展趨勢，形成治療方案 。輔助診療場景目前是醫療領域中最重要也是最核心的場景。
2、醫學影像
醫學影像在醫療 AI 領域技術成熟度最高，有望最先實現商業化。
據動脈網蛋殼研究院發布「人工智慧+醫療技術成熟度分布曲線」，「AI+醫療影像」在醫療領域成熟度最高，在曲線上處於過高期望的峰值位置。
AI＋ 醫學影像是將人工智慧技術具體應用在醫學影像的診斷上，主要分為兩部分：圖像識別和深度學習。
圖像識別主要應用於人工智慧的感知環節，其主要目的是將醫學影像的數據進行分析，獲取一 些有意義的信息。
深度學習主要應用於人工智慧學習和分析環節， 通過大量的影像數據和診斷數據，不斷對神經元網絡進行深度學習訓練，促使其掌握 「 診斷 」 的能力 。
3、藥物研發
AI＋藥物研發也是人工智慧在醫學健康領域的主要模式。
它是指將深度學習技術應用於藥物臨床前研究，達到快速 、準確地挖掘和篩選合適的化合物或生物，縮短新藥研發周期、降低新藥研發成本 、提高新藥研發成功率的目的。
通過計算機模擬，人工智慧可以對藥物活性 、安全性和副作用進行預測 。
據稱，人工智慧在新藥研發上的應用主要可以是兩個階段：一個是新藥發現階段，另一個是臨床試驗階段，
4、健康管理
AI智能設備可通過個人健康檔案數據分析建立個性化健康管理方案。
同時通過了解用戶飲食習慣、鍛鍊周期、睡眠習慣等個人生活習慣，經過數據處理，對用戶整體狀態給予評估，並建議個性化健康管理方案，輔助健康管理人員幫助用戶規劃日常健康安排，進行健康幹預等。
據悉，目前AI醫療的健康管理主要集中在風險識別、虛擬護士、精神健康、在線問診 、健康幹預以及基於精準醫學的健康管理幾方面 。
其中，風險識別就是通過獲取並運用AI進行分析，識別疾病發生的風險及提供降低風 險的措施；
虛擬護士就是運用AI技術，以 「 護士」 身份了 解病人飲食習慣、鍛鍊周期、服藥習慣等個人生活習 慣，進行數據分析並評估病人整體狀態 ，協助規劃日常生活；
精神健康管理運用AI技術從語言 、表情 、聲音等數據切入，對個體進行情感識別 ； 健康幹預是運用AI對用戶體徵數據進行分析，定製、健康管理計劃。
AI醫療面臨的問題儘管「AI+醫療」已經火遍全球，但其應用落地還面臨著一些問題。
1、數據總量與質量問題
與其他應用領域的數據不同，醫療數據種類繁雜，標準不統一，並且質量參差不齊。病人的電子病歷數據很難保證完全正確同步。
此外，由於機器學習所用到的數據是訓練學習模型的教材，因而教材的質量最終決定了學習的成果，人工智慧需要在人的監督下完成智能學習 ，人工標識成為其提升的重要保證。
但現階段的數據，不論是從總量還是標記數量上來說，都還遠遠不夠。 如果靠人工對數據進行標記，又需耗費量人力 。
同時，如何獲取高質量的教材是大部分人工智慧醫療企業共同面臨的問題。
2、病人的隱私問題
部分患者表示並不願意將自己的病症被公開或者用於醫療研究，因而醫療數據的分享也受到了阻礙。
數據分享雖促進了科學研究的進程，但是涉及隱私的問題也尤為重要。
在訓練模型和數據預處理之前，患者隱私保護需要引起高度重視，患者隱私保護不容有失。
3、觀念問題
隨著社會的發展，醫療越來越成為備受關注的領域，但人工智慧帶我們走向的又是一個既讓人神往又畏懼的未來。
基於人文倫理的傳統觀念影響，許多人很難相信人工智慧可以比人類做得更好，接受人工智慧醫療這一事實的過程可能比想像的要長。
4、監管問題
訓練人工智慧的數據從哪裡來？
最龐大的醫療數據儲存地必然是醫療機構，但這種涉及到患者隱私的高度敏感問題，也必然是政策高度監管的地帶。
醫療技術監督管理是衛生監督體系的主要組成部門，而人工智慧剛剛應用到醫療領域，很多監管政策還沒有制定。
目前對於人工智慧健康醫療大數據和算法的使用監管，相較英美和澳大利亞等國家而言，我國的法規還有一些差距需要補足。
從投融資的角度來看，目前AI醫療整體依舊處於非常早期的階段。無論是風口還是泡沫，在未來，AI+醫療還仍有很長的路要走。