AI+ 医疗的星辰大海

新闻

作者：微信文章
随着AI基础大模型能力的不断提升，全球的AI医疗市场正迎来快速增长的黄金时期，预计在接下来的几年里，这一增长势头将保持强劲。根据多份市场报告的预测，AI医疗市场的规模将从2024年的约149.2亿美元，飙升到2030年的1641.6亿美元，年均增长率高达49.1%。2024年，国家卫生健康委、国家中医药局和国家疾控局联合出台了《卫生健康行业人工智能应用场景参考指引》，这一政策也为未来AI医疗的发展铺平了道路。

由于我本身并不从事医疗行业，因此对人工智能在具体医疗场景中的应用进展了解不多，但由于近期看到各种医疗领域投资信息（例如木头姐重仓Teladoc Health，洛佩希押注Tempus AI），最近我利用周末的空闲时间，查阅了大量资料，并进行了梳理。总的来说，AI与医疗的结合，目前已经在医学影像诊断与分析、药物发现与研发、机器人辅助手术、以及医疗数据管理和效率提升等领域，取得了显著的应用成果。接下来，我们一一深入探讨这些应用及其成效。
AI在医疗领域的具体应用场景

医学影像诊断与分析


医学影像诊断与分析是AI在医疗领域最成熟、应用最广泛的领域之一。AI技术能够自动识别和分析医学图像，比如X光片、CT扫描、MRI和病理切片等。目前，很多AI驱动的医学影像设备已经获得了美国FDA和欧洲CE认证，特别是在放射学领域，这意味着AI在医学影像中的应用已经得到了监管机构的认可，且非常可靠。

在具体应用方面，AI在很多细分领域取得了显著进展：

脑部扫描解读：Viz.ai公司开发的技术在分析中风患者的脑部扫描图像时表现非常出色，它的准确率是专业医生的两倍。更厉害的是，它不仅能识别中风，还能判断中风发生的时间，这对制定治疗方案非常关键。特别是在急诊场景中，AI的这种能力能够大大提升时间敏感性，帮助医生快速做出决策。骨折检测：急诊科医生有时会漏诊一些骨折，误差率甚至能达到10%。AI技术的引入，能够在X光片的初步筛查中发现潜在骨折，减少不必要的X光检查和漏诊现象。英国国家健康与临床卓越研究院（NICE）也认为，这项技术既安全又可靠，能有效减少复诊的需求，减轻医生的工作压力。糖尿病视网膜病变筛查：很多研究表明，AI在糖尿病视网膜病变的筛查上，表现出了高效且低成本的优势。美国医疗保险和医疗补助服务中心（CMS）已经批准对一种通过FDA认证的AI算法（IDx-DR）进行医疗保险报销，证明其在检测糖尿病视网膜病变方面非常有效。通过AI，我们能够早期发现病变并及时治疗，降低糖尿病患者失明的风险。放疗计划制定：AI技术（如InnerEye）可以帮助医生更加高效地准备和制定肿瘤放疗计划。过去，肿瘤图像分割的工作是由医生手动完成，非常费时。而AI技术可以将这一过程的时间缩短90%，让患者能够更快地开始治疗，极大提高了治疗效率。一般医学诊断：AI能比人类更彻底地分析医学数据，而且不受疲劳影响，保证诊断的质量。像Nuance Communications的Precision Imaging Network系统，就能够分析MRI和X光片等影像，帮助放射科医生作出更精确的诊断，并提前发现疾病。AI的优势在于速度和准确性，这有助于提高治疗效果，减少误诊。

未来，医学影像诊断与分析将更加注重提高诊断的精准度和早期发现更多疾病。AI还将与更先进的成像技术结合，例如高分辨率3D成像和增强现实/虚拟现实技术，这将为医生提供更多细节，帮助他们做出更加精准的手术计划。此外，AI还将能分析不同类型的数据，比如图像、文本和基因数据，进一步完善诊断。随着医学影像数据量的不断增长，AI有着广阔的发展空间，监管机构也对这一领域持开放态度，推动了技术的快速发展和商业化。
药物发现与研发


AI正在彻底改变药物发现和研发的方式，应用范围广泛，从蛋白质结构的预测到分子设计都有涉及。AI能够帮助我们更高效地设计药物、预测潜在副作用，甚至找出最合适的临床试验候选者，极大地加速了药物研发的速度。

目前，AI在药物研发领域已经取得了不少重要进展：

蛋白质结构预测：DeepMind公司开发的AlphaFold模型解决了长期困扰生物学的难题，能够准确预测蛋白质的复杂结构，这对于理解蛋白质的功能至关重要。AlphaFold的突破性进展已经让它荣获2024年诺贝尔奖。这项技术不仅提升了我们设计新蛋白质的能力，还加速了药物发现过程，因为它提供了关于蛋白质行为和相互作用的详细信息。提高研发成功率：与传统方法相比，AI开发的药物在I期临床试验中的成功率显著更高（80%-90% vs. 40%-65%）。越来越多AI发现的候选药物进入了临床试验阶段，这表明AI能大大提高药物研发的效率和成功率。靶点识别与验证：AI被用来分析复杂的生物数据，帮助我们发现与疾病相关的靶点（如蛋白质或基因）。比如，DeepMind的AlphaFold蛋白质结构数据库彻底改变了蛋白质结构预测的方式，为治疗研究提供了宝贵的洞察。预测毒理学与临床试验设计：AI可以通过分析临床前数据，预测候选药物的安全性，降低临床试验中的不良事件风险。机器学习算法能够识别肝毒性或心脏毒性等毒理学问题，提前筛除安全性不足的候选药物。此外，AI还能够优化临床试验设计，预测试验结果，帮助研究者选择最有可能从治疗中受益的患者。监管机构的认可：FDA已经注意到，越来越多药物申请中使用了AI技术，并开始积极参与制定AI在药物开发中的应用指导方针，2025年将发布相关的指导草案，这也反映了监管机构对AI在药物研发中作用的认可和重视。加速临床前研究：像AlphaFold这样的AI平台，展示了加速药物开发的巨大潜力。AI可以快速筛选出适合临床前测试的化合物，从而把这一过程的时间缩短至30个月，相比传统的3-6年大大提高了效率。

小科普：为什么预测蛋白质结构很重要？
“AlphaFold预测蛋白质结构” 就像是在玩一个非常复杂的折纸游戏，但这次折叠的是构成我们身体的微小机器——蛋白质。

想象一下，你手里有一根很长的珠子项链。这条项链上的每一颗珠子都代表蛋白质中的一个“小零件”（氨基酸）。蛋白质的功能，比如帮助我们消化食物或者抵抗疾病，很大程度上取决于这条“珠子项链”是如何弯曲、折叠和缠绕成一个特定的三维形状的。

在AlphaFold出现之前，科学家们需要花费大量的时间和精力，通过复杂的实验来确定一个蛋白质的具体形状。这就像试图在不知道最终图案的情况下，一点点地摸索着把那根珠子项链折叠成正确的样子。

AlphaFold就像一个超级聪明的折纸大师。 它通过学习大量的已知蛋白质的“折叠方法”，能够预测一个新的蛋白质会如何弯曲和折叠，从而形成它的三维结构 。简单来说，AlphaFold就是能告诉你一个蛋白质会是什么形状的工具。为什么这很重要呢？

理解生命： 蛋白质是生命的基础。知道它们的形状，就能更好地理解它们是如何工作的，以及在生病的时候哪里出了问题 。药物研发：很多药物都是通过与特定的蛋白质结合来发挥作用的。如果知道了蛋白质的形状，科学家就能设计出更精准的药物，就像设计一把钥匙去打开特定的锁 . AlphaFold可以帮助科学家更快地找到有潜力的药物。

未来，药物研发将继续深化AI模型的应用，帮助我们更深入地理解药物和靶点的相互作用。生成式AI将在新药物设计中发挥越来越重要的作用，甚至可能实现整个临床前流程的计算机模拟。AI的应用将贯穿药物的整个生命周期，从发现药物到开发，再到监管评估。随着量子计算的发展，AI在药物发现领域的计算能力也将进一步提升。未来的药物研发将更加注重结合临床基因组学和多模态方法，推动更个性化的药物开发。AI还可以帮助预测候选药物的最佳剂量、安全性和有效性，甚至为Phase 0+试验方案提供支持。
机器人辅助手术


机器人辅助手术是AI在医疗领域快速发展的又一个重要应用。AI驱动的设备正在帮助外科医生以更高的精度进行微创手术。机器人技术通过提供更清晰的视野和更广的运动范围，降低了手术中出现错误和并发症的风险。比如，达芬奇手术系统（由美国直觉外科公司开发：代码ISRG）就是全球广泛使用的AI驱动设备之一，目前已经有超过8600套系统在71个国家投入使用。

在机器人辅助手术方面，AI目前已经取得了以下进展：

增强手术能力：AI程序能够进行图像分类和目标检测等医疗任务。例如，在诊断前列腺癌时，AI的准确率高达99.38%。在肿瘤放射治疗中，卷积神经网络（CNN）在区分肿瘤时的准确率为91.9%，灵敏度为89.1%。AI已经被证明在评估手术技能、早期癌症检测和选择治疗方案上非常有效。通过AI建模，医生可以在识别阳性手术切缘和实现某些手术步骤的自动化方面获得帮助。手术教育：AI还彻底改变了外科教育，它能够生成并提供高度专业化的术中反馈，帮助年轻外科医生提高技术水平。组织识别与切缘控制：AI在手术中可以提供有关原生组织的详细信息，最大限度地减少阳性手术切缘，从而防止癌症复发。增强手术视野：在机器人手术中，通常会使用摄像头和器械在腹部的解剖空间进行操作。通过实时AI图像合成，手术过程中可以更清晰地识别解剖结构。为了解决手术中电刀产生的烟雾问题，AI技术已经提出了一种CNN方法，能够去除手术视频中的烟雾，从而确保视野更加清晰。自主手术的进展：步研究表明，在有效性和一致性方面，带有监督的自主手术甚至可能超越专家外科医生和传统机器人辅助方法。智能组织自主机器人（STAR）在肠吻合术中的表现甚至与人类外科医生相当，甚至更好。自动化程度分级：目前的手术机器人大多处于“主-从”模式，即需要人类操作员来控制，手术机器人还没有完全自主。目前，手术自主性分为五个级别，大多数机器人仍处于1级（完全由人类控制），2级（影子模式）和3级（AI辅助）正取得进展，5级（完全自主）则是未来的目标。

未来，机器人辅助手术将向更高的自主性发展。随着AI和机器人技术的不断进步，我们将看到更高级别的自动化。AI和机器学习可以帮助机器人从大量数据中学习，并随着时间推移不断提升性能。例如，AI能够分析患者数据，预测潜在的并发症，从而帮助外科医生做出更好的术前决策。在手术过程中，机器学习算法能提供实时指导，帮助外科医生做出明智的决策，更精确地识别解剖结构并执行手术干预。未来，机器人将变得更加微型化，更小、更灵活的机器人系统将能够进入那些难以触及的区域，特别是神经外科或心血管介入等精细手术领域。

远程手术和远程操作的潜力，尤其在疫情期间得到了广泛关注，AI的进步将使得远程手术变得更加可行。同时，触觉技术的最新发展正在解决机器人手术缺乏触觉反馈的问题，改进的触觉反馈系统可以模拟真实的触感，为外科医生提供更加直观和沉浸式的操作体验。未来，我们可能会看到外科医生、AI和机器人共同协作的手术模式，而非完全由机器主导的手术。
医疗数据管理与运营效率提升


AI在医疗数据管理和提升运营效率方面展现了巨大的潜力。它能够打破数据孤岛，快速连接各种信息，从而缩短医疗管理流程的时间，降低运营成本。这不仅能提高日常运营效率，还能改善患者体验。

目前，AI在医疗数据管理和运营效率提升方面的进展主要体现在以下几个方面：

信息检索：AI增强的搜索功能可以帮助医疗服务提供者更快找到临床所需的信息，节省大量时间。数据分析：AI可以将以前非结构化的数据转化为可操作的仪表板，帮助医疗领导团队从全新的角度看待系统性能。这些工具能够揭示护理差距、地区差异和使用趋势，进而推动基于数据的运营决策。工作流程优化：AI驱动的工具能够简化护理流程，减少低效环节，帮助临床医生更快地做出决策。AI还能自动化处理一些日常任务，比如临床文档、记录和患者沟通等，显著减轻医疗服务提供者的工作负担。资源管理：AI可以帮助优化资源分配、供应链管理、数据质量控制和索赔处理。比如，凯撒医疗（Kaiser Permanente）开发的Advance Alert Monitoring（AAM）系统，通过预测分析，能够提前识别出有严重并发症风险的住院患者，从而每年挽救数百条生命。电子病历系统：一些基于AI的电子病历（EMR）/电子健康记录（EHR）公司（如Praxis），通过神经网络技术，允许医生用自己更自然的语言记录病历，减少了记录病历所需的时间。临床决策支持：像IBM Watson这样的AI系统能够分析各种数据来源（包括治疗指南、电子病历和患者信息），为临床决策提供强有力的支持，帮助医生做出更精准的决策。

未来，医疗数据管理和运营效率的提升将更侧重于自动化行政任务，进一步降低成本和工作量。AI驱动的更复杂分析将用于提供预测性洞察，并优化资源管理。AI系统与现有医疗基础设施的互操作性也将得到增强。此外，AI将在人口健康管理中发挥更重要的作用，比如通过AI算法预测患者出院后再入院的风险，帮助医院更好地进行资源规划和患者管理。
AI+ 医疗相关的领先企业与关键初创公司

AI在医疗领域的应用不仅吸引了大型科技公司的加入，也激发了许多充满活力的初创企业。除了像IBM Watson Health、Google Health、Microsoft、NVIDIA和GE Healthcare这样的大型科技巨头外，其他关键参与者还包括Koninklijke Philips、西门子医疗（Siemens Healthineers）、Epic Systems、Medtronic、Oracle和亚马逊云服务（AWS）。

在初创企业方面，涌现出许多在特定领域拥有创新技术的公司：

医学影像：Arterys、Butterfly Network、Caption Health、Cleerly、Enlitic、Aidoc、iCAD、QuantX、Qure.ai、AIRS Medical和Viz.ai等公司在AI驱动的医学影像诊断领域取得了显著进展，提升了图像分析的准确性和效率。药物发现：Owkin、insitro、Generate:Biomedicines、Treeline Biosciences、Recursion和Atomwise等初创公司正利用AI加速药物的研发过程，从分子设计到临床试验阶段，都能大大提高效率。医疗管理与分析：CloudMedX、Komodo Health、Oncora Medical、Innovaccer、AKASA、Arrow、Athelas、Augmedix、Biofourmis、Cohere Health、LeanTaaS、Lunit、Memora Health、PayZen、Pieces、Waystar和Weave等公司，专注于利用AI改善医疗管理、提升运营效率和加强患者的参与度。AI驱动的电子病历（EMR）：Praxis EMR则通过AI技术优化了传统的电子病历系统，提升了医生的工作效率和数据处理能力。其他创新应用：Freenome致力于癌症筛查，Neuralink正在开发AI脑芯片，Noom提供AI驱动的减肥服务，而Formation Bio则专注于AI驱动的药物开发和患者招募工具。

AI+ 医疗领域相关ETF：

iShares美国医疗设备ETF：该ETF主要持有医疗器械公司，如直觉外科（ISRG）、雅培（ABT）和波士顿科学等，专注于医疗设备领域的创新和发展。健康护理股ETF：它投资于大公司（如辉瑞、默沙东）以及一些创新型小型公司，提供了更广泛的医疗行业投资选择。基因进化ETF-ARK：该ETF专注于基因革命和生物技术创新领域，投资那些致力于推动基因研究和生物技术突破的公司。Global X基因组学与生物技术ETF-GNOM：它关注基因组学、合成生物学、基因编辑和生物制药等前沿领域，投资于那些致力于突破医疗技术的公司。医疗保健精选行业指数ETF-SPDR：这个ETF投资于美国市场上的领先医疗保健公司，涵盖了制药、医疗设备、医疗保险、医院管理等多个领域。

这个多元化的生态系统表明，AI医疗不仅有成熟企业在积极布局，也有大量创新型初创公司在不断涌现，为我们投资者提供了丰富的选择。我们需持续关注。