在亿欧智库发布的《2024年AI大模型在医疗领域的商业化路径研究报告》中，为我们详细分析了AI大模型在医疗领域的应用现状、商业化进程、市场前景以及未来趋势。目前AI大模型在医疗领域的应用产品百花齐放，覆盖了药物研发、专病专科、患者问诊、中医药、医学影像、病历文本分析及质控、辅助决策等多个关键场景，产品数量已超过百种。专病/专科大模型涉及眼科、重症、泌尿、脑血管病以及妇产学科等，多以医疗机构联合科研机构开发为主。
AI+医疗企业调整产品策略，选择申请二类证以加速商业化进程。截至2024年12月初，共有100个人工智能医学软件产品获得二类证及三类证，这些产品主要集中在医学影像领域，尤其是心脑血管疾病和肝脏部位的软件产品。AI技术不断渗透到医疗服务的各个环节，从基础的数据处理到复杂的诊断决策支持。
2024年，随着资本对于AI大模型在医疗领域商业化落地能力评估回归理性，医疗科技企业开始积极寻求商业化路径，尽快解决企业内资金问题。企业积极将AI大模型在医疗领域应用的产品和服务推向国际市场，以获取更大的产业空间。未来，AI大模型在医疗领域的应用将继续朝着集成化、精准化和智能化的方向发展。
01 AI大模型在医疗细分领域的落地应用
AI大模型在医疗领域的广泛应用主要是由于其强大的数据处理和分析能力。通过深度学习和机器学习算法，AI大模型能够处理大量的医疗数据，包括医学影像、基因组数据、病历记录等，从而提高诊断的准确性和效率。此外，AI大模型还能辅助医生进行个性化治疗方案的制定，提升医疗服务的质量和效率。
在医疗信息化中，AI大模型被用于多个方面。例如，通过智能导诊系统，AI可以帮助患者快速找到合适的医生和科室；在病历管理方面，AI可以自动生成结构化的病历，提高医生的工作效率；此外，AI还可以用于智能分诊，根据患者的症状和历史数据提供初步诊断建议。这些应用不仅提高了医疗服务的效率，还改善了患者体验。
- 医学影像：AI技术在医学影像中的应用已成为“标配”，广泛应用于医学影像诊断，提升了诊断的准确性和效率。AI大模型技术降低了企业对于相关软件研发的准入门槛，通过微调或定制化的模式快速构建出满足特定行业需求的行业大模型。Transformer框架在医学影像中的应用能够捕捉全局上下文信息，提高诊断准确性，理解和处理医学影像中的复杂结构，捕捉更细微的特征。
- 药物研发：AI大模型通过深度学习和先进的算法，能够处理和分析大量生物数据，加速新药的发现和优化过程。AI大模型在制药领域应用过程中，面临商业化难题，如AI技术在研发流程中的效果有限、难以获取核心研发数据以及收益难以覆盖研发成本。企业应积极拓展业务线或出海寻求突破，通过阶段性付款和成果导向策略确保软件价值。
- 医疗信息化：AI大模型应用与医院信息化建设能够提高诊疗效率和准确性，减轻医生的工作负担，改善患者管理，优化医院资源配置，提升患者服务体验。清华AI医院首批42位AI医生亮相，覆盖21个科室，能够诊断超过300种疾病。
02 AI大模型在医疗领域的开发模式
AI大模型在医疗领域的开发模式主要包括医疗机构+科研团队联合开发、医疗机构+企业联合开发、企业间联合开发和科研机构+企业联合开发四种模式。例如：
- 医疗机构+科研团队联合开发：清华大学自动化系教授师丽团队与郑州大学第三附属医院联合开发的妊娠滋养细胞疾病病理大模型GTDoctor。这种模式利用医疗机构的临床数据和科研团队的AI技术，共同开发出适用于特定疾病的大模型。
- 医疗机构+企业联合开发：清华大学、北京清华长庚医院联合新华三发布灵犀医学脑血管病专病大模型。这种模式结合了医疗机构的临床需求和企业的AI技术，开发出能够满足临床需求的产品。
- 企业间联合开发：华为云和天士力联合开发的“数智本草”大模型。这种模式通过企业间的合作，利用各自的优势资源，开发出适用于特定领域的产品。
- 科研机构+企业联合开发：上海人工智能实验室与多家机构联合推出医疗多模态基础模型群“浦医2.0”。这种模式通过科研机构的研究成果与企业的技术相结合，开发出多模态的医疗大模型。
03 AI大模型在医疗领域发展的未来趋势
中国企业积极将AI大模型在医疗领域应用的产品和服务推向国际市场，以获取更大的产业空间。国内AI医疗企业通过与国际医疗机构合作，输出先进技术和服务模式。
AI大模型在医疗领域的产品发展正朝着集成化、精准化和智能化的方向演进，多模态与跨学科融合、个性化精准医疗的专病大模型、逐步建立成医疗智能体(AI Agent)将成为未来发展的重要方向。
- 一多模态与跨学科融合，AI医疗大模型的发展将促进医学、计算机科学、数据科学等多个学科的交叉融合。
- 二个性化精准医疗，专病种大模型能够根据特定疾病或病种提供更精准的诊断和治疗建议。
- 三逐步建立成医疗智能体，能够通过自动化日常任务，使医疗机构更有效地分配人力资源，专注于患者护理和关键医疗决策。
04 热点关注问题
1. AI大模型在医学影像领域的应用有哪些具体的技术优势？
AI大模型在医学影像领域的应用具有多项技术优势，主要包括以下几个方面：
- 全局上下文信息捕捉：Transformer框架能够捕捉全局上下文信息，这对于理解医学影像中的复杂结构和模式至关重要。例如，在肿瘤识别中，Transformer能够考虑到肿瘤与周围组织的整体关系，而不仅仅是局部特征，从而提高识别的准确性。
- 自注意力机制：Transformer的自注意力机制可以建模像素间的长程依赖关系，帮助模型识别出影像中不同区域之间的关联。这对于心脏影像分析尤为重要，能够识别出心脏不同部位之间的联系，提高心脏病的诊断准确性。
- 特征表示能力：Transformer具有更强的特征表示能力，能够更有效地提取和利用特征。在处理高分辨率医学影像时，Transformer能够捕捉到更细微的组织特征，这对于脑部疾病的诊断和治疗规划具有重要作用。
- 长文本序列处理：Transformer可以处理长文本序列，适合生成详细的临床报告。它能够整合图像和文本特征，提高报告的准确性和一致性，帮助医生更好地理解患者的病情。
2. AI大模型在药物研发中的应用有哪些具体案例？
在药物研发中，AI大模型被用于加速新药的发现和优化过程。例如，AI被用于优化药物设计，提高药物分子的特异性和疗效，这大大缩短了药物研发的时间和成本。
AI大模型在药物研发中的应用案例包括：
- 蛋白质设计：AI大模型通过深度学习技术，能够预测蛋白质结构，帮助科学家设计新的药物分子。
- 药物筛选：AI大模型可以通过分析大量的化合物数据，预测其生物活性和副作用，从而筛选出潜在的药物候选分子。
- 临床试验优化：AI大模型可以分析历史临床试验数据，优化试验设计和患者分组，提高试验的成功率。
3. AI大模型在药物研发领域的商业化难题有哪些，企业如何应对？
在药物研发领域，AI大模型的商业化面临一些挑战，主要包括：
- 商业化效果有限：AI技术在研发流程中的效果有限，尽管AI能够处理和分析大量生物数据，但在整体药物研发过程中，其影响力仍然有限。药品的成功上市涉及多个因素，包括临床前和临床三期试验结果。
- 数据获取困难：药企对数据的保密性要求极高，导致AI企业在获取关键研发数据方面面临障碍。药企在与AI企业合作时会非常谨慎，以确保数据安全和合规性。
- 收益难以覆盖成本：AI企业服务头部药企的项目单价可达百万元级别，而小型药企的项目单价通常在20万元左右，这使得AI企业在服务小型药企时面临更大的经济压力。研发成本高昂，项目收益很难覆盖研发成本。
- 市场接受度：药品上市是一个多因素决定的过程，涉及临床前和临床三期试验结果等，AI技术的影响力仍然有限，市场对其接受度有待提高。
为了应对这些难题，企业采取了以下策略：
- 拓展业务线：AI制药企业通过开拓硬件产品，推出AI辅助决策的自动化实验室，以提升收入。
- 软件产品出海：通过将软件产品推向国际市场来拓展业务和收入来源，获取更大的产业空间。
- 阶段性付款和成果导向：AI制药软件的销售模式逐渐与药企研发里程碑紧密结合，通过阶段性付款和成果导向策略，确保软件在提高研发效率和成功率方面的价值得到体现。
4. AI大模型在医疗领域的商业化过程中面临哪些主要挑战？
AI大模型在医疗领域的商业化过程中面临的主要挑战包括：
- 数据隐私和安全：医疗数据涉及患者隐私，如何在保护患者隐私的同时进行数据共享和利用是一个重要挑战。
- 监管合规：医疗领域的监管较为严格，AI产品的审批和监管框架尚未完全成熟，企业需要花费大量时间和资源进行合规性审查。
- 市场竞争：随着越来越多的企业进入该领域，市场竞争激烈，部分产品价格陷入内卷，企业需要不断创新以保持竞争力。
5. AI大模型在医疗领域的商业化进程中，企业如何应对市场竞争和产品价格内卷的问题？
在AI大模型医疗领域的商业化进程中，企业面临着激烈的市场竞争和产品价格内卷的问题。为了应对这些问题，企业采取了多种策略：
- 调整产品策略：许多企业选择申请二类证而不是三类证，以缩短审批时间，快速进入市场。二类证的审批时间通常为3-7个月，而三类证则需要3年，这样可以更快地占领市场。
- 拓展销售渠道：获得二类证后，企业可以将产品销售到更多的场景，如基层医疗机构、体检中心和独立影像诊断中心，这些机构对医学影像诊断的需求不断增长，但可能无法承担高昂的三类证产品费用。
- 国际化拓展：企业积极将AI大模型产品推向国际市场，以获取更大的产业空间。通过与国际医疗机构合作，输出先进技术和服务模式，加速AI医疗技术的全球应用。
- 多元化发展：企业通过跨界融合创新，与其他领域的机构合作，加速技术的研发和应用。例如，医疗机构、科研团队和企业之间的联合开发模式，可以互补资源，加速技术的快速迭代和创新。
来源：《2024年AI大模型在医疗领域的商业化路径研究报告》，亿欧智库。本篇针对全文由生成式 AI 做出的核心摘要和解答，仅作为参考，请以原文为准。图片：Louis Reed，Unsplash
