行業(yè)研究報告慧博智能投研行業(yè)研究報告慧博智能投研行業(yè)|深度|研究報告 行業(yè)|深度|研究報告隨著人工智能技術的飛速發(fā)展，AI醫(yī)療行業(yè)正逐漸成為全球醫(yī)療領域的重要變革力量。通過深度學習、自然語言處理、計算機視覺等前沿技術，AI醫(yī)療能夠對海量醫(yī)療數據進行高效分析與處理，為臨床診斷、治療方案制定、藥物研發(fā)、健康管理等醫(yī)療環(huán)節(jié)帶來智能化解決方案。它不僅能顯著提升醫(yī)療效率、降低醫(yī)療成本，還能有效緩解醫(yī)療資源分布不均的問題，為全球醫(yī)療行業(yè)的轉型升級注入強大動力。近年來，AI醫(yī)療在技術突破、政策支持、市場需求等多因素的共同推動下，呈現(xiàn)出蓬勃發(fā)展的態(tài)勢，應用場景不斷拓展，市場規(guī)模持續(xù)擴大。然而，這一新興行業(yè)在快速發(fā)展的同時，也面臨著數據安全與隱私保護、技術標準與監(jiān)管框架等諸多挑戰(zhàn)。如何在保障患者權益和數據安全的前提下，充分發(fā)揮AI技術的優(yōu)勢，推動醫(yī)療行業(yè)的智能化轉型，成為當前亟待解決的問題。本研報將深入剖析AI醫(yī)療行業(yè)的驅動因素、重點發(fā)展方向、產業(yè)鏈布局以及相關企業(yè)的核心競爭力，全面梳理行業(yè)的發(fā)展現(xiàn)狀與未來趨勢。通過對政策環(huán)境、市場規(guī)模、技術創(chuàng)新、商業(yè)模式等多維度的分析，為讀者提供一份全面、深入、前瞻性的行業(yè)洞察。一、行業(yè)概述 1二、驅動因素 7三、AI醫(yī)療行業(yè)現(xiàn)狀及發(fā)展趨勢 10四、產業(yè)鏈概況 13五、重點關注方向 16六、相關公司 36七、行業(yè)發(fā)展建議 41八、參考研報 42AI醫(yī)療是指通過機器學習、自然語言處理（NLP）、計算機視覺等技術，對醫(yī)療數據進行深度分析，輔助臨床決策、優(yōu)化診療流程、提升醫(yī)療效率的智能化應用體系。AI醫(yī)療是利用人工智能技術來幫助醫(yī)生和醫(yī)療機構更快、更好地處理醫(yī)療數據、診斷疾病、管理患者健康等。AI可以通過深度學習和分析大量的醫(yī)學影像、病歷數據、基因信息等資料，在此基礎上提供更精準的診斷和治療方案。1/432/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AI醫(yī)療核心技術包括醫(yī)學影像分析、自然語言處理、機器學習等，例如谷歌旗下的DeepMind公司開發(fā)的AI系統(tǒng)，已經在眼科疾病診斷中表現(xiàn)出色，能夠通過分析眼底掃描圖像，準確診斷出糖尿病視網膜病變等疾病。AI在醫(yī)療中的應用非常廣泛，主要包括輔助診斷、臨床決策、健康管理、藥物研發(fā)以及醫(yī)療機器人等等，通過在這些場景應用AI，可以幫助達到在降低成本提高效率的同時優(yōu)化病人體驗、提高診療質量、減少潛在疾病等的目標，全方位賦能醫(yī)療服務的各個環(huán)節(jié)。AI醫(yī)療提高醫(yī)療質量和效率。AI在學習速度與能力方面的卓越表現(xiàn)已廣為人知。借助AI技術，能夠高效地匯聚過往病例及醫(yī)學知識，并構建相應模型。在此過程中，AI可助力醫(yī)生更為迅速地處理海量醫(yī)療數據，減輕重復性工作負擔，使醫(yī)生得以將更多時間投入到患者治療環(huán)節(jié)，同時輔助制定更為規(guī)范的治療方案，降低人為失誤的概率。通過遠程醫(yī)療及智能診斷系統(tǒng)，AI能夠促使偏遠地區(qū)的患者獲取與大型醫(yī)院相當的醫(yī)療服務，推動醫(yī)療資源實現(xiàn)更為合理的重新分配，進而讓更多人受益于高質量的醫(yī)療服務。3/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告以IBM公司的WatsonforOncology系統(tǒng)為例，該系統(tǒng)能夠通過深度分析海量醫(yī)學文獻以及患者數據，為癌癥患者量身定制個性化治療方案。這一應用不僅顯著節(jié)省了醫(yī)生的時間成本，還有效提升了治療的精準程度。AI醫(yī)療解決“看病難、看病貴”的問題。在傳統(tǒng)醫(yī)療領域，美國耶魯大學教授WilliamKissick曾提出一個廣為人知的理論——“不可能三角”。該理論核心觀點為，醫(yī)療服務的質量、價格以及就診速度這三個關鍵要素，在實際情境中往往難以同時兼顧。然而，人工智能的興起，為突破這一“不可能三角”帶來了曙光。AI技術能夠助力醫(yī)療機構優(yōu)化患者管理流程，大幅縮短患者排隊等候時間。經過充分數據學習訓練的AI系統(tǒng)，其診療能力可達到甚至超越具有10年以上臨床經驗醫(yī)生的水平。與此同時，AI在藥物研發(fā)進程中亦能發(fā)揮關鍵作用，可顯著壓縮研發(fā)周期，這不僅有效降低了研發(fā)成本，還減輕了患者的用藥經濟負擔，有力推動了藥物的廣泛普及。AI憑借對患者個體基因數據、既往病史詳情以及生活習慣特征等多源信息的深度挖掘與整合分析，能夠精準構建契合個體特質的治療策略。這種基于精準醫(yī)學理念的個性化治療模式，不僅顯著提升治療效果，還能有效規(guī)避因傳統(tǒng)經驗性治療導致的不必要藥物不良反應。以美國23andMe公司為例，該公司借助4/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告先進的基因檢測技術，結合AI算法對海量基因數據進行深度剖析，幫助用戶精準評估自身罹患遺傳疾病的潛在風險，并據此提供科學、個性化的健康管理建議，為疾病預防與早期干預提供有力支撐。（1）提高診斷準確性：AI能夠對海量醫(yī)療數據進行學習和分析，發(fā)現(xiàn)人類難以察覺的規(guī)律和模式，減少誤診和漏診的發(fā)生。（2）提升醫(yī)療效率：自動化的流程和決策支持系統(tǒng)可以替代或輔助人工操作，如數據分析、病歷管理、患者監(jiān)護等，使醫(yī)生能夠將更多時間和精力集中在患者的治療上，提高醫(yī)療服務的整體效率。（3）加速藥物研發(fā)：AI技術可以模擬化學反應和分子結構，預測藥物的效果和副作用，大大節(jié)省了藥物研發(fā)過程中的實驗和臨床試驗時間，加快新藥上市的速度。（4）實現(xiàn)個性化醫(yī)療：通過對個體的全面健康數據分析，為患者量身定制個性化的治療方案，提高治療的有效性和安全性。從國內AI醫(yī)療發(fā)展歷程來看，自2018年開始，我國人工智能醫(yī)療行業(yè)監(jiān)管政策逐步完善，個別賽道開始出現(xiàn)可行性強的商業(yè)模式。2021年7月，國家藥監(jiān)局發(fā)布《人工智能醫(yī)用軟件產品分類界定指導原則》，明確人工智能醫(yī)用軟件產品按照第三類醫(yī)療器械管理。我國的AI醫(yī)療進程可以劃分為以下三個階段：1）萌芽階段（1978-2015年）特點：醫(yī)療數據孤島林立、數據治理有待展開，臨床AI應用稀缺。技術：此階段的AI醫(yī)療產品以輔助醫(yī)生診療的程序或系統(tǒng)為主，幾乎沒有應用于臨床，整體產業(yè)僅出現(xiàn)一個初步的形態(tài)。2）起步階段（2015-2021年）特點：數據建設初步展開，部分疾病標準數據庫建立、基于深度學習的感知智能應用興起。技術：醫(yī)療大數據建設展開，信息系統(tǒng)升級改造，眼底與肺部影像的標準數據庫建立；基于深度學習的影像應用走到感知應用發(fā)展的前端NLP、KG等其他應用在慢跑；商業(yè)模式處于混沌的初步嘗試階段，可行模式未確定。3）探索階段（2021年至今）特點：醫(yī)療數據互聯(lián)互通建設進一步展開、感知應用算法迭代、應用橫縱開拓。技術：醫(yī)院內部各科室、醫(yī)院與醫(yī)院、醫(yī)院與當地衛(wèi)健委之間的數據互聯(lián)互通建設由信息系統(tǒng)改造轉向數據治理階段領跑的影像應用往尚未覆蓋的疾病診療領域橫向拓展與深度挖掘，NLP應用追趕至前端，KG、ML蓄力慢跑。5/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告6/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AI正在迅速滲透醫(yī)療行業(yè)的各個環(huán)節(jié)，從具體應用場景分類，可將其劃分為C端自我管理、B2C遠程管理、B2C臨床管理、B端自我管理。細分賽道包括但不限于影像診斷、藥物研發(fā)、臨床決策支持、健康管理等。AI醫(yī)療的價值體現(xiàn)在提升醫(yī)療服務質量、增加醫(yī)療服務可及性以及降低醫(yī)療成本上。AI醫(yī)學影像：醫(yī)學影像是利用光、電、磁、聲等物理現(xiàn)象，以非侵入方式獲得人體或人體某部分內部組織的影像。臨床超過70%的診斷都依賴于醫(yī)學影像。臨床中最常見的影像模態(tài)包括X線攝影、CT、MRI和超聲等。人工智能應用于醫(yī)學影像，主要是通過深度學習實現(xiàn)機器對醫(yī)學影像的分析判斷，幫助醫(yī)生更快獲取影像信息，進行定性定量分析，提升醫(yī)生閱片效率，協(xié)助發(fā)現(xiàn)隱藏病灶，協(xié)助醫(yī)生完成診斷工作。AI醫(yī)學影像是AI醫(yī)療領域目前最為成熟和常見的領域之一。藥物研發(fā)：傳統(tǒng)的藥物研發(fā)模式依賴研發(fā)人員的經驗以及大量的試錯實驗，不僅耗費大量的時間和資金，而且成功率相對較低。據相關研究表明，研發(fā)一種新藥平均需要投入約26億美元，耗時長達12-15年，然而在臨床試驗階段的成功率卻不足10%。AI在藥物研發(fā)領域的應用有助于縮短藥物上市周期，降低研發(fā)成本，提高研發(fā)效率。AI醫(yī)學檢驗：在檢驗流程智能化、輔助診斷與疾病預測、質量控制與數據價值挖掘、病理診斷與影像分析、個性化醫(yī)療與精準治療有廣泛應用。醫(yī)學檢驗是對取自人體的材料進行微生物學、免疫學、生物化學、遺傳學、血液學、生物物理學、細胞學等方面的檢驗，從而為預防、診斷、治療人體疾病和評估人體健康提供信息的一門科學。AI在醫(yī)學檢驗領域，以圖像識別需求最為強烈，從外周血、骨髓細胞形態(tài)到尿液、糞便、陰道分泌物以及各種來源樣本的病原體的準確識別和精確分類，從而實現(xiàn)快速、便捷的臨床樣本檢測。目前AI已逐漸走進臨床與檢驗融合，出現(xiàn)了采血機器人、圖像智能判讀和智能報告審核與復檢等諸多應用場景。AI賦能醫(yī)療信息化：AI+醫(yī)療信息化的應用場景廣泛，具體包括臨床決策支持，電子病歷，醫(yī)療資源調控以及遠程治療及智慧醫(yī)院的建設等。1）臨床決策支持，通過AI整合臨床數據、醫(yī)學知識庫和實時患者信息，為醫(yī)生提供循證醫(yī)學建議，降低誤診風險并提升診療質量。2）在電子病歷方面，人工智能能夠多模態(tài)的梳理并理解醫(yī)患間的對話內容，提升病歷記錄的效率。同時，AI通過對歷史病歷信息的讀取，可以更好的了解患者的基本信息、過往藥史等，使患者圖像更為清晰。3）在醫(yī)療資源調控方面，AI算力的提升加快對醫(yī)院信息、藥物存量、患者情況的收集、處理、交換速度，更方便調配醫(yī)療資源，發(fā)掘醫(yī)療潛能，并提升公共衛(wèi)生事件的應對效率。4）在遠程醫(yī)療方面，虛擬現(xiàn)實技術突破了智能醫(yī)生與患者間的時空限制，并對術后跟蹤、慢病治療環(huán)節(jié)有所效益。健康管理：AI健康管理，是指運用新一代信息、通信、人工智能、生物信息等技術手段，感測、分析、整合健康數據采集、健康檢測與監(jiān)測、健康評估、健康干預等關鍵環(huán)節(jié)的各項信息，從而對個體或群體的健康需求做出智能響應的新模式。AI助力健康管理可以幫助醫(yī)生和患者更好地了解自己的病情，進而提高治療效率和質量。AI技術在健康管理領域的應用，如智能可穿戴設備，能夠實現(xiàn)對用戶健康狀況的實時監(jiān)測和管理。7/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告當前我國醫(yī)療資源地域分布不均，城鄉(xiāng)及區(qū)域差異顯著，農村和偏遠地區(qū)醫(yī)療設施簡陋、人員短缺，難以滿足基本需求，加之人口老齡化加速和公眾健康意識提升，患者數量持續(xù)增加，醫(yī)院超負荷運轉，就醫(yī)體驗下降，同時健康科普促使人們更重視健康管理，追求高效精準個性化服務；AI醫(yī)療憑借強大的學習、數據處理和創(chuàng)新能力，在影像診斷、臨床決策支持和健康管理等領域提供快速準確輔助，提升診斷效率、減少誤診漏診，并實現(xiàn)個性化健康干預，為解決醫(yī)療資源不足提供了新途徑，使公共衛(wèi)生機構能在有限資源下服務更多患者，滿足日益增長的健康需求，因此對AI醫(yī)療的需求必將顯著增加。8/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告近年來，全球大模型技術進入加速進化階段，大模型的推理能力和多模態(tài)能力持續(xù)升級。與此同時，大模型應用成本不斷降低，開源運動興起，大模型在各領域的應用條件愈發(fā)成熟。在醫(yī)療領域，大模型技術正在加速落地，單模數據處理正在向多模態(tài)數據處理轉變，DeepSeek以低成本和開源的優(yōu)勢，成為國內醫(yī)療機構部署的首選。AI技術在醫(yī)療領域的應用歷經了從規(guī)則驅動到數據驅動、從單一任務優(yōu)化到多模態(tài)協(xié)同的演變，大致可分為以下四個關鍵階段：1）規(guī)則驅動與專家系統(tǒng)時代：該階段主要是基于人工提煉的醫(yī)學規(guī)則構建診斷系統(tǒng)，代表性的產品是早期的專家系統(tǒng)（如MYCIN、INTERNIST-1），通過邏輯推理模擬醫(yī)生的臨床決策。2）傳統(tǒng)機器學習與影像識別階段：該階段主要利用統(tǒng)計學與淺層模型處理結構化醫(yī)療數據。代表性技術是SVM、隨機森林等算法應用于醫(yī)學影像分類。3）深度學習與單模態(tài)模型階段：通過深度神經網絡自主提取特征，實現(xiàn)單模態(tài)數據的端到端學習。代表性技術是卷積神經網絡（CNN）、循環(huán)神經網絡（RNN），AI技術主要應用于影像診斷和病理輔助。4）大模型與多模態(tài)融合時代：借助Transformer架構統(tǒng)一處理跨模態(tài)數據，構建“感知-推理-協(xié)作”全鏈條能力，主要應用場景是臨床決策支持、藥物研發(fā)和遠程醫(yī)療。在臨床醫(yī)療中，往往需要綜合多源、多模態(tài)的數據，進行診斷、預后評估和制定治療方案。大模型的多模態(tài)數據處理能力，開啟了AI醫(yī)療的新篇章。早期醫(yī)療AI多局限于單一任務優(yōu)化，主要存在信息割裂、解釋性弱和數據孤島等問題：1）信息割裂：如僅憑影像無法判斷腫瘤病理分型；2）傳統(tǒng)CNN模型無法像醫(yī)生一樣用自然語言解釋診斷依據；3）數據孤島：不同醫(yī)院使用的影像格式、病歷系統(tǒng)互不兼容。大模型通過“預訓練+微調”架構，用統(tǒng)一參數體系處理多模態(tài)醫(yī)療數據：使用Transformer架構對不同模態(tài)數據（文本、圖像、基因序列）進行向量化編碼，在隱空間實現(xiàn)信息對齊。對比學習（如CLIP技術）降低跨模態(tài)對齊成本，避免傳統(tǒng)方法需人工標注海量匹配樣本的負擔。在臨床應用中，借助多模態(tài)技術，AI可以實現(xiàn)跨模態(tài)數據的理解和動態(tài)時序建模。2025年DeepSeek爆火推動國內AI醫(yī)療滲透：高性能、低成本、開源和隱私安全等推動醫(yī)療領域滲1）AI醫(yī)生已達到三甲醫(yī)院醫(yī)生水準，例如與四川華西醫(yī)院主治醫(yī)生評測對比，AI醫(yī)生比分結果一致性達96%；MedQA數據集中DeepSeekR1診斷準確率達93%。2）MoE、MLA等降低推理成本使資金壓力大的醫(yī)療機構能夠接入。3）開源下能夠更好的本地化部署，在院端高數據隱私環(huán)境下更適用。截止2025年2月，全國近90家知名三甲醫(yī)院部署DeepSeek：核心應用場景從輔助診斷輻射全流程優(yōu)化，病理與影像分析智能化、臨床決策與病歷管理、患者服務與流程再造。行業(yè)|深度|研究報告 行業(yè)|深度|研究報告政策端：支持性文件頻發(fā)，推動醫(yī)療智能化升級。近年來，我國為樹立醫(yī)院對前沿技術的正確認知并引導相關產業(yè)快速發(fā)展，開始圍繞AI出臺相關政策，從宏觀層面推動AI技術在醫(yī)療領域的應用，旨在提高醫(yī)療服務效率和質量，最終實現(xiàn)醫(yī)療行業(yè)的智能化升級。這些政策的實施，不僅促進了AI技術在醫(yī)療領域的廣泛應用，還為醫(yī)療行業(yè)的未來發(fā)展指明了方向，推動了醫(yī)療服務質量的提升和醫(yī)療資源的優(yōu)《健康中國行動——慢性呼吸系統(tǒng)疾病防治行動實施方案（2024-2030年）》《中藥標準管理專門規(guī)定》等產業(yè)政策為AI醫(yī)療行業(yè)的發(fā)展提供了明確的指導建議和發(fā)展前景。國家衛(wèi)生健康委等三部委聯(lián)合發(fā)布《衛(wèi)生健康行業(yè)人工智能應用場景參考指引》，給出了84個應用場景，包括醫(yī)學影像智能輔助診斷、智能導診、智能病歷輔助生成、智能中醫(yī)臨床輔助診療、智能醫(yī)療質量管理、智能健康管理、智能公共衛(wèi)生群體數據分析等，推進衛(wèi)生健康行業(yè)“人工智能+”應用創(chuàng)新發(fā)展。9/4310/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告2025年中國AI醫(yī)療行業(yè)規(guī)模將達到1157億元，預計在2028年達到1598億元，2022-2028年CAGR為10.5%。AI醫(yī)療的快速發(fā)展得益于人口老齡化和醫(yī)護人員短缺的大環(huán)境，AI技術能夠緩解醫(yī)療資源供需矛盾，提高醫(yī)療體系的效率，減輕醫(yī)務人員的工作負擔，并加速藥物和疫苗的研發(fā)進度。AI在藥物及疫苗研發(fā)、基因組學、醫(yī)學影像、智能醫(yī)院和醫(yī)療儀器等領域的應用前景廣闊。行業(yè)|深度|研究報告 行業(yè)|深度|研究報告在2023年經歷顯著回暖后，2024年醫(yī)療AI領域的融資熱度回落至與2022年相當的水平。具體來看，在2022年9月1日至2023年8月31日期間，醫(yī)療AI相關融資事件共計發(fā)生160起，與2021年9月1日至2022年8月31日期間的融資事件總數相比，增長率達42.86%。然而，在2023年9月1日至2024年8月9日期間，融資事件總數急劇下降，僅為99起。11/4312/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告英偉達多次投注，做AI制藥發(fā)展重要推手。通過對各細分領域的深入剖析可知，影像、信息化以及機器人賽道在2023年經歷短暫回暖后，2024年資本投入的頻次已回落至2022年的相近水平。反觀制藥賽道，在同期內，投融資事件數量呈持續(xù)下降態(tài)勢。即便在2023年整個醫(yī)療AI賽道呈現(xiàn)“報復式”回暖時，制藥賽道也未展現(xiàn)出同步的增長趨勢。由此可見，由于AI制藥領域至今尚無一款藥物成功推進至上市階段，隨著時間的推移，這一狀況正逐漸加劇對資本信心的負面影響。不過，放眼全球，AI制藥依然充滿生機。英偉達近兩年在該賽道頻繁出手“瘋狂掃貨"成為AI制藥回暖的重要推手。據Pitchbook、Crunchbase及動脈橙產業(yè)智庫數據，英偉達在2023年及2024年(截至2024年9月5日)共參與投資超過70起，所有投資無一例外，均與AI相關，而其中至少投注AI制藥企業(yè)14家，醫(yī)療其他領域企業(yè)在醫(yī)療相關的其他領域，2024年英偉達亦投注了如信息化領域的Artsight、健康管理領域的Abridge以及機器人領域的Neocis等AI企業(yè)。對于生成式AI及其相關技術，握有算力優(yōu)勢的英偉達比任何一家投資機構更加堅信也更有可能實現(xiàn)它的顛覆性，進而破除現(xiàn)有AI面臨的頑疾，左右診療、制藥新時代的格局，英偉達近兩年在醫(yī)療AI，尤其是AI制藥領域的頻繁出手給行業(yè)注入了信心。融資輪次靠后，大模型展現(xiàn)強吸金能力。從融資輪次看，2024年整個醫(yī)療AI領域A輪系列(包括preA輪、A+輪、A++輪及A輪后的戰(zhàn)略融資等)及A輪以前的早期投資總占比均有所下降，而B輪系列及之后的成熟企業(yè)的資本投注占比更多，這也側面印證了資本對醫(yī)療AI領域逐步謹慎的態(tài)度。2024年平均單筆醫(yī)療AI的融資金額也較2023年接近翻了一倍，從6893.63萬增加至10344.53萬元，最大單筆投資來自騰訊、阿里、小米等，投注于專注醫(yī)療大模型的百川智能，是一筆高達3億美金的A輪融資。醫(yī)療行業(yè)作為典型的人才與知識密集型領域，其診療流程橫跨多個科室與部門，環(huán)環(huán)相扣且決策因素繁雜，這為人工智能技術提供了廣闊的應用空間，AI有望通過高效整合海量信息，為醫(yī)護人員提供精準的13/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告決策支持。然而，我國醫(yī)療領域長期存在的“重臨床、輕數據”傾向，導致數據存儲質量參差不齊、標準嚴重缺失，極大地阻礙了數據的有效共享與流通，形成了制約AI賦能醫(yī)療的“數據孤島”瓶頸。隨著醫(yī)療數據的爆炸式增長，這一瓶頸進一步凸顯出兩大核心難題：一是數據安全與隱私保護，這要求在合規(guī)合法的前提下，建立嚴格的數據加密、訪問控制、可追溯與可審計機制；二是數據質量與標準化，亟需構建統(tǒng)一的數據質量管理體系，全面提升數據的可讀性、可理解性、可擴展性與可維護性，從而為AI在醫(yī)療領域的深度應用奠定堅實、可靠的數據基礎。AI醫(yī)療產業(yè)鏈是一個由技術、數據、硬件、軟件、應用場景等多環(huán)節(jié)構成的復雜生態(tài)體系，覆蓋從基礎技術研發(fā)到臨床落地的全流程。數據來源：數據主要源自多個關鍵領域，包括醫(yī)院電子病歷（EMR）系統(tǒng)所記錄的海量患者診療信息；醫(yī)學影像，像CT、MRI、X光等各類成像資料，蘊含豐富的身體結構與病變信息；基因測序數據，揭示人體遺傳密碼；可穿戴設備監(jiān)測數據，能實時追蹤個體日常健康狀況；以及公共衛(wèi)生數據庫，匯聚了群體層面的疾病防控等數據。數據標注：在數據標注環(huán)節(jié)，醫(yī)學影像標注（以精準勾畫腫瘤區(qū)域為例）和病歷文本結構化（如從病歷中準確提取疾病名稱、癥狀等關鍵信息）這類工作，高度依賴專業(yè)醫(yī)生憑借其深厚的醫(yī)學知識和臨床經驗來完成。14/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告數據治理：數據治理涵蓋多個重要方面。首先是數據清洗，去除數據中的噪聲與錯誤；接著進行脫敏操作，保障患者隱私。同時，依據DICOM等行業(yè)標準實現(xiàn)數據標準化，以確保數據的通用性與兼容性；在隱私保護方面，嚴格遵循GDPR、HIPAA等國際通行法規(guī)要求，保障數據安全。核心技術：該領域的核心技術豐富多樣。深度學習發(fā)揮著關鍵作用，其中CNN（卷積神經網絡）擅長處理醫(yī)學影像識別任務，能精準分辨各類影像特征；RNN（循環(huán)神經網絡）則在時序數據處理上表現(xiàn)卓越。遷移學習針對小樣本訓練難題，可有效利用已有知識。聯(lián)邦學習更是打破機構間的數據壁壘，實現(xiàn)跨機構的數據協(xié)作。模型：醫(yī)療健康大模型以企業(yè)研發(fā)為主，高校和科研機構為輔，醫(yī)療機構次之，研發(fā)合作模式多樣化，包括醫(yī)企、校企等多種模式。截至2024年9月，我國共有超100家企業(yè)和機構發(fā)布了醫(yī)療健康產業(yè)大模型。企業(yè)占比達到81.3%，高校和研究機構占比分別為10.3%和5.6%，醫(yī)院占比為2.8%。醫(yī)療大模型在2024至2027年迎來快速發(fā)展期，2025年醫(yī)療大模型市場規(guī)模已達82億元，預計到2027年我國醫(yī)療行業(yè)大模型市場規(guī)模將超過260億元。其中，企業(yè)研發(fā)醫(yī)療健康領域大模型，更加注重用戶體驗和商業(yè)化前景，典型代表如百度的“靈醫(yī)大模型”、醫(yī)渡科技的“醫(yī)渡大模型”、京東健康的“京醫(yī)千詢大模型”、騰訊的“騰訊健康醫(yī)療大模型”等更加注重用戶體驗和易用性，能更好地滿足市場的需求。15/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告硬件：硬件支撐極為關鍵，包括性能強勁的GPU，為深度學習計算提供強大動力；TPU芯片，在特定計算場景下具備高效優(yōu)勢；還有寒武紀、Graphcore等企業(yè)研發(fā)的AI加速芯片，助力提升整體算力水云計算：云計算平臺為醫(yī)療AI訓練提供有力支持，AWS、Azure、阿里云等均搭建了專業(yè)的醫(yī)療AI訓練平臺。而邊緣計算則在實時處理場景中不可或缺，例如手術機器人的精準操控就依賴其低延遲特性。網絡：5G網絡憑借其高速率、低延遲的特性，大力推動遠程醫(yī)療發(fā)展，實現(xiàn)實時數據的快速傳輸。計算機視覺（CV）：在醫(yī)療領域發(fā)揮著關鍵作用，應用于醫(yī)學影像分析，如肺結節(jié)檢測、眼底病變識別等，助力醫(yī)生精準診斷；同時還用于病理切片數字化，提高醫(yī)療數據管理效率。自然語言處理（NLP）：具有廣泛應用。在電子病歷結構化方面，能夠將繁雜的病歷信息整理成規(guī)范格式，便于查詢與分析；臨床決策支持（CDSS）系統(tǒng)借助NLP技術為醫(yī)生提供決策參考；患者問答機器人可自動解答患者常見問題。此外，在化合物研究環(huán)節(jié)，NLP技術能對海量文獻進行大規(guī)模、高效分析，提出新的可測試假說，提高新靶點發(fā)現(xiàn)幾率，顯著縮短研發(fā)周期。在臨床前研究階段，深度學習技術可將已上市或處于研發(fā)管線的藥物與疾病進行智能匹配，拓展藥物治療范圍，提升研發(fā)效率。知識圖譜：通過構建疾病-癥狀-藥品關聯(lián)網絡，如IBMWatsonOncology，為醫(yī)療決策提供全面、關聯(lián)的知識支持，輔助醫(yī)生更準確地診斷和治療疾病。語音技術：實現(xiàn)語音電子病歷錄入，醫(yī)生通過語音即可快速記錄病歷，提高工作效率；智能問診記錄功能則能自動記錄問診過程，確保信息完整。AI框架：TensorFlow、PyTorch等主流AI框架推出了醫(yī)療定制版本，例如MONAI專門用于醫(yī)學影像處理，為醫(yī)療AI開發(fā)提供了更貼合需求的底層支持。低代碼平臺：像英偉達Clara這樣的低代碼平臺，允許醫(yī)院在無需大量編程知識的情況下，快速部署AI模型，降低了技術應用門檻，加速了AI在醫(yī)療場景中的落地。模型管理：借助MLOps工具鏈，實現(xiàn)模型版本控制，確保模型迭代過程的可追溯性；同時支持自動化部署，提高模型部署效率，保障模型在實際應用中的穩(wěn)定性與可靠性。AI的下游應用包括：醫(yī)學影像、AI輔助決策、AI醫(yī)學檢驗、AI健康管理、AI新藥研發(fā)、醫(yī)療機器人16/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AI制藥是指以醫(yī)藥大數據為基礎，將自然語言處理、機器學習及生成模型等人工智能技術應用到制藥領域各環(huán)節(jié)，以提高、優(yōu)化新藥研發(fā)的效率及質量，降低臨床失敗概率及研發(fā)成本。相比傳統(tǒng)制藥，人工智能憑借機器學習、深度學習、自然語言處理、圖像識別等獨特優(yōu)勢可以提供更好的預測模型和更高的命中率，以縮短新藥發(fā)現(xiàn)時間，提高藥物研發(fā)的成功率，節(jié)省成本提高凈收入。目前，AI技術主要用于藥物研發(fā)階段，隨著技術的不斷突破和發(fā)展，AI技術參與制藥的環(huán)節(jié)將增多，新藥研發(fā)效率也將提升。17/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AI制藥行業(yè)自1990年以來，歷經了從理論探索到商業(yè)落地的完整發(fā)展周期：早期（1990-2012年）因技術局限與行業(yè)認知不足，應用僅停留在概念驗證；隨后（2013-2017年）隨著生成對抗網絡等新技術出現(xiàn)，AI在藥物分子生成等環(huán)節(jié)的可行性得到驗證，逐漸積累關注；2018-2019年，IBMWatson和AlphaFold的重大突破引爆投資熱潮，推動技術成熟與效率提升；2020年至今，AI技術已滲透藥物研發(fā)全流程，跨國藥企深度參與，行業(yè)進入快速擴張階段，隨著商業(yè)化應用落地，有望迎來密集收獲期。18/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告科研熱度持續(xù)上升，AI輔助藥物發(fā)現(xiàn)快速成長。根據IntelligentPharmacy刊載的文章顯示，AI輔助藥物發(fā)現(xiàn)領域的出版物數量呈現(xiàn)指數增長趨勢，研究熱度逐年快速上升。具體來看，2009年至2017年為緩慢發(fā)展階段，2018年至2023年為快速發(fā)展階段。AI輔助藥物發(fā)現(xiàn)領域的出版物數量在2020年超過1000篇，僅在兩年后的2022年就超過了2000篇。引用方面，2020年至2023年，該領域每年的引用次數增加到1-2萬次/年。2023年，人工智能輔助藥物發(fā)現(xiàn)領域有2447篇出版物被引用64137次。中美科研機構仍是技術創(chuàng)新主要動力。根據2024年IntelligentPharmacy上的回顧分析，對2009-2023年間9700篇AI輔助藥物發(fā)現(xiàn)領域文獻的全面分析，揭示了該領域在過去15年的發(fā)展脈絡、研究熱點與未來走向。AIDD在近年來展現(xiàn)出蓬勃的發(fā)展態(tài)勢，尤其自2018年起，文獻數量呈現(xiàn)出迅猛增長的趨勢，這不僅反映了學術研究的高度活躍，更暗示著AI技術在藥物發(fā)現(xiàn)領域正逐步從理論探索邁向實際應用的快速轉化階段。從分國別視角審視AI輔助藥物發(fā)現(xiàn)領域，美國以最多的文獻數量占據首位，中國緊緊跟隨其后，兩國在全球范圍構成第一梯隊，相較于其他國家，領先優(yōu)勢極為顯著。就機構層面而言，高校和科研院所在AI輔助藥物發(fā)現(xiàn)領域成為文獻產出的核心力量，商業(yè)機構的貢獻占比較低，其中中國科學院在AI輔助藥物發(fā)現(xiàn)出版物方面貢獻最為突出。而在商業(yè)機構中，自2009年起，阿斯利康憑借107篇研究成果，成為文獻貢獻最多的企業(yè)。從研究熱點來看，虛擬篩選、基因表達、藥物遞送等方向始終是該領域關注的焦點，這些主題貫穿了AI輔助藥物發(fā)現(xiàn)的關鍵流程，從靶點識別到藥物設計與優(yōu)化，體現(xiàn)了AI技術對傳統(tǒng)藥物研發(fā)瓶頸的持續(xù)攻克。同時，隨著時間的推移，如“sarscov行業(yè)|深度|研究報告 行業(yè)|深度|研究報告2”“分子設計”“臨床試驗”等新興熱點的涌現(xiàn)，也反映出該領域對現(xiàn)實需求的敏銳響應，特別是在應對突發(fā)公共衛(wèi)生事件以及加速新藥從實驗室到臨床轉化方面的積極探索。全球市場有望進入加速成長期。AI制藥賽道在技術層面不斷突破之后正經歷爆發(fā)式增長，從需求側看，全球創(chuàng)新藥研發(fā)面臨“雙十定律”困境（10年周期、10億+美元成本），AI技術通過靶點篩選、分子生成、臨床試驗優(yōu)化等環(huán)節(jié)可縮短40%研發(fā)時間，顯著降低藥企試錯成本。政策端，美國FDA積極更新AI用于藥物開發(fā)的指導意見，中國"十四五"醫(yī)藥工業(yè)發(fā)展規(guī)劃亦明確支持AI在新藥研發(fā)中的應用，監(jiān)管破冰為技術商業(yè)化鋪平道路。根據ResearchAndMarkets數據，全球市場規(guī)模從2021年7.92億美元躍升至2024年17.58億美元，年復合增長率達30.45%，預計2026年將突破30億美元大關。19/4320/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告中國市場總體規(guī)模仍較小。中國AI制藥市場在過去幾年中經歷了顯著的增長，從2019年的0.67億元增長至2024年的5.62億元，年復合增長率達到了53.01%。這一快速增長不僅反映了AI技術在藥物研發(fā)領域的應用日益廣泛，也體現(xiàn)了中國醫(yī)藥行業(yè)對創(chuàng)新技術的高度接納和投資熱情。隨著國內政策的支持以及資本市場的積極參與，越來越多的初創(chuàng)企業(yè)和傳統(tǒng)藥企開始探索利用AI優(yōu)化藥物發(fā)現(xiàn)與開發(fā)流程，努力縮短研發(fā)周期、降低成本并提高成功率。根據智藥局統(tǒng)計，中國AI制藥公司主要分布于北京、長三角、大灣區(qū)三地，囊括了超94%的AI制藥公司。其中又以北京、上海和深圳三座城市較為突出，各有約20家公司落戶。商業(yè)模式來看，國內多數AI藥物研發(fā)企業(yè)都會在SaaS服務商、AICRO和AIbiotech的商業(yè)模式中兼容兩種或者三種。在AI驅動的藥物研發(fā)中，數據是核心，涵蓋小分子化合物、蛋白靶點、生物醫(yī)學知識圖譜及臨床真實世界數據四大類，貫穿研發(fā)全流程。小分子結構與性質數據來自ZINC、ChEMBL等數據庫，助力新分子生成與評估；蛋白質序列與結構數據依賴UniProt、PDB等，支撐靶點識別與相互作用預測；生物醫(yī)學知識圖譜整合多維度信息，用于復雜網絡關系建模；臨床數據助力臨床推進與決策。公開數據庫雖廣泛但深度有限，藥企私域數據更具價值但共享少。中小型AI制藥公司因數據不足面臨挑戰(zhàn)，未來AI制藥競爭將聚焦于數據獲取與整合能力，與各方建立數據合作構建差異化數據資產是關鍵。21/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告從模型訓練角度看，不同任務對數據體量依賴程度差異顯著。以分子生成模型為例，如Transformer、Diffusion需10萬量級以上的分子結構數據來學習生成新化合物；QSAR模型對數據規(guī)模要求相對溫和，數千至數萬條結構-性質對應數據即可，但對數據質量和標注均衡性要求高。蛋白-配體結合預測模型（如DeepDTA、EquiBind）需上萬級高質量復合物結構與結合親和力數據，蛋白質結構預測任務（如AlphaFold2）則需百萬級數據結合多序列比對和深度注意力機制，計算資源需求極高。基于圖譜的靶點預測或藥物再定位任務需上百萬級三元組合數據，圖譜嵌入模型依賴大規(guī)模關系型數據挖掘潛在路徑。自然語言處理任務中，預訓練語言模型（如BioBERT、PubMedBERT）預訓練階段需數十萬至百萬級生物醫(yī)學文獻或摘要，微調階段標注樣本量在數千至數萬之間。在生成式AI模型廣泛應用于分子生成、抗體序列設計等任務中時，模型“幻覺”（hallucination）問題已成為不可忽視的風險。生成式AI在分子生成、抗體序列設計等任務中面臨“幻覺”問題，模型雖能學習分子結構的“語法規(guī)律”，但無法自動判別生成分子的合成可行性、生物學功能或ADMET性質。同時，訓練目標單一化及缺乏多維生物學反饋約束，使模型易陷入虛假“高分分子”陷阱，難以指導真實研發(fā)。此外，AI制藥領域存在“從數據到原子”的斷層，模型開發(fā)與實驗驗證之間缺乏閉環(huán)機制，導致“虛擬管線堆積”現(xiàn)象，降低了研發(fā)效率。AI制藥的核心缺陷是多維度結構性挑戰(zhàn)的疊加，模型的“黑箱特性”導致解釋性不足，訓練數據中生物系統(tǒng)復雜性的簡化建模，使得AI生成的分子在實際生物活性與預測值上存在偏差。數據層面的問題并非單純“量”的不足，而是“質”與“分布”的結構性缺陷，高質量標注數據集中在腫瘤領域，而皮膚病、風濕病等領域數據稀缺，跨機構數據標準不統(tǒng)一，多組學數據整合存在技術壁壘。從落地場景看，AI在臨床前階段的應用相對成熟，但在臨床II/III期滲透率低，核心瓶頸在于復雜生物系統(tǒng)的動態(tài)建模能力不足。22/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AI制藥行業(yè)爆發(fā)的關鍵節(jié)點取決于“技術突破-數據基建-監(jiān)管適配”的三重共振。技術上，當解釋性AI（XAI）與多尺度建模（如Physics-informedAI）實現(xiàn)臨床級預測精度，可能解決約60%的轉化偏差；數據層面，需建立跨企業(yè)的聯(lián)盟學習平臺，破解腫瘤外領域數據稀缺問題；監(jiān)管端，F(xiàn)DA等機構需出臺AI模型驗證標準，類似FDA2024年發(fā)布的《AI/ML行動計劃》的細化落地。結合當前技術演進與臨床進展節(jié)奏，預計AI制藥可能存在兩個潛在的行業(yè)里程碑節(jié)點。第一個是AI設計的藥物首次成功通過關鍵II期或III期臨床驗證并上市。目前如Exscientia、Insilico等企業(yè)的AI管線已有多個分子進入臨床階段，預計最早在2026-27年左右有望取得里程碑性進展。第二個則是生成式生物基礎模型（如BioGPT、ProGen2、AlphaFold3）實現(xiàn)跨任務泛化能力，一旦形成類似通用語言模型的生物醫(yī)學大模型底座，將重塑AI在藥物發(fā)現(xiàn)、抗體設計、靶點預測等多個關鍵環(huán)節(jié)的能力結構，推動行業(yè)由“單點突破”轉向“平臺賦能”。在接下來的2-3年內，即有望看到首個AI制藥驅動的分子逐漸進入上市階段，而隨著近年來大模型的快速迭代進步和各MNC的日趨重視，AI制藥有望逐漸進入爆發(fā)國內AI制藥公司管線情況：國內包括英矽智能、希格生科、深勢科技、德睿智藥、費米子科技、未知君等AI制藥公司均有諸多管線進入臨床，不過大多數仍處于早期階段。23/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告全球AI制藥公司管線情況：海外整體相比國內公司管線數量更多，但同樣大多數仍處于早期階段，2025年行業(yè)有望看到更多數據的讀出。2月5日，Recursion在國際卒中會議上以最新口頭報告形式公布了REC-994在CCM（腦海綿狀畸形）中的II期數據，SYCAMORE試驗在II期研究中未觀察到安全信號，治療組和安慰劑組的不良事件發(fā)生率相當。治療12個月后，接受REC-994400毫克治療的患者(N=20)中50%的患者總病變體積(LV)減少，而接受安慰劑治療的患者(N=18)中這一比例為28%。6月2日，Relay在ASCO大會上更新RLY-2608臨床2期數據，PFS整體達10.3個月，數據穩(wěn)定，支持于2025年中啟動ReDiscover-2III期關鍵試驗，并繼續(xù)探索聯(lián)合CDK4抑制劑的新方案。Schr?dinger在2025年上半年持續(xù)推進其三條臨床I期管線，包括CDC7抑制劑SGR-2921（獲FDA孤兒藥資格，用于急性髓性白血病），MALT1抑制劑SGR-1505（用于B細胞惡性腫瘤）和Wee1/Myt1抑制劑SGR-4174（用于實體瘤），預計將在2025年下半年公布SGR-2921的I期數據。在當前AI藥物研發(fā)領域，企業(yè)主要采用三種主流商業(yè)模式，即AISaaS、AICRO與AIbiotech。當下AI制藥市場的主要參與者涵蓋大型藥企、頭部互聯(lián)網企業(yè)以及AI制藥初創(chuàng)企業(yè)。AIDDSaaS：AI軟件輔助藥物發(fā)現(xiàn)全流程。AI驅動的藥物發(fā)現(xiàn)（AIDD）SaaS（軟件即服務）模式是近年來興起的一種商業(yè)模式，旨在通過提供基于云端的AI工具和平臺，幫助制藥公司、研究機構以及生物技術公司加速藥物研發(fā)過程。SaaS平臺將復雜的AI技術和數據分析能力轉化為易于使用的應用程序，用戶通過訂閱服務的方式訪問平臺，獲取用于藥物發(fā)現(xiàn)的各類工具和資源。AIDDSaaS商業(yè)模式通過提供強大計算資源、智能化工具和便捷的云平臺，極大地降低了藥物研發(fā)門檻，推動了新藥的發(fā)現(xiàn)。像Schr?dinger、InsilicoMedicine、Exscientia和Atomwise等公司代表了這一模式的成功應用，它們通過AI技術幫助制藥公司提升研發(fā)效率，降低成本，加速藥物進入市場的時間。24/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AIDDCRO：加速臨床前藥物發(fā)現(xiàn)。在人工智能驅動的藥物發(fā)現(xiàn)（AIDD）領域，CRO商業(yè)模式是另一種重要的發(fā)展路徑，主要集中于為制藥公司、學術機構以及生物技術公司提供外包的研發(fā)服務。AIDDCRO利用AI技術進行藥物研發(fā)的外包服務，涵蓋從藥物篩選、靶點識別到臨床前研究和試驗設計等各個環(huán)節(jié)。AIDDCRO通過AI驅動的定制化技術服務和云平臺，提供高效、靈活的藥物研發(fā)外包解決方案，幫助客戶加速研發(fā)進程并降低成本。AbCellera、InsilicoMedicine、Evotec和Labcorp等企業(yè)是CRO模式的代表，利用AI技術加速藥物研發(fā)，并與全球制藥公司展開廣泛合作。25/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告AIbiotech：自研管線積極推進。AIbiotech類企業(yè)通過AI驅動進行藥物發(fā)現(xiàn)并積極推動管線進程，代表性企業(yè)國內如英矽智能、未知君、劑泰醫(yī)藥等。海外代表性企業(yè)包括RecursionPharmaceuticals、Atomwise、Exscientia、Relay等。由Exscientia和日本住友制藥合作開發(fā)的DSP-1181，是一種用于治療強迫癥(OCD)的長效血清素5-HT1A受體激動劑，于2020年1月30日進入臨床，成為第一個進入臨床試驗的人工智能設計的分子。不過由于I期臨床效果不及預期，目前已經停止開發(fā)。目前AI制藥多數企業(yè)仍處于較為早期的階段，整體盈利能力仍較低。比較三類AIbiotech企業(yè)發(fā)展路徑，其中1）AISaaS類企業(yè)依靠軟件訂閱制收費收入可預測性較強，云架構下新增客戶成本趨近于零，毛利率有望保持較高水平。依托客戶使用產生的數據反哺模型優(yōu)化，可以形成技術護城河。但是單客戶收入通常低于百萬美元級，需持續(xù)擴大客戶基數，同時市場開源軟件的增加可能會擠壓基礎軟件的生存空間，且標準化軟件可能難以滿足客戶的定制化需求；2）AICRO類企業(yè)前期通過服務費覆蓋成本，營收相對有保障，并且深度介入客戶管線設計，有望維持較高客戶黏性。但是需要維持高水平交叉學科團隊（AI+生物+化學），需要考慮傳統(tǒng)CXO加速AI轉型可能帶來的行業(yè)競爭等；3）AI自主開發(fā)類企業(yè)通過自有的AI技術平臺篩選獨特的NMEs，有望通過創(chuàng)新藥管線的持續(xù)上市獲得豐厚回報。但是創(chuàng)新藥研發(fā)屬于高風險高回報，盈利確定性相對較低，且目前AI主要參與臨床前藥物發(fā)現(xiàn)過程，而臨床階段成本占據藥物研發(fā)一半以上。這種模式對企業(yè)的人才和資金獲取能力都有著最高的要求。26/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告近年來AI制藥領域正經歷著快速的迭代和變革，算法的更新迭代和算力的支持為AI在制藥領域的應用打下了良好的基礎。目前AI算法在臨床前藥物發(fā)現(xiàn)階段已經有著深入且深刻的應用，有望驅動AI制藥管線和市場的快速增長。海外頭部臨床CRO公司在臨床試驗中已經布局AI多年，臨床試驗的時間和成本同樣有望得到降低，完全由AI研發(fā)的新藥有望在1-2年內成功上市。能夠認為AI有望重塑藥物發(fā)現(xiàn)的模式，在基于個性化的“精準醫(yī)療”中充分展現(xiàn)潛力，并且為制藥行業(yè)帶來潛移默化且持續(xù)地降本增效，有望從源頭提高創(chuàng)新藥研發(fā)的成功率。醫(yī)療信息化即醫(yī)療服務的數字化、網絡化、信息化，是指通過計算機科學和現(xiàn)代網絡通信技術及數據庫技術，為各醫(yī)院之間以及醫(yī)院所屬各部門之間提供病人信息和管理信息的收集、存儲、處理、提取和數據交換，并滿足所有授權用戶的功能需求。醫(yī)療信息化包括4大主要領域：醫(yī)院信息化、區(qū)域醫(yī)療信息化、醫(yī)保信息化以及藥品信息化。2023年中國醫(yī)療軟件系統(tǒng)解決方案市場規(guī)模為206億元，同比+5%。伴隨云計算、大數據、人工智能等前沿技術的持續(xù)迭代與深度發(fā)展，醫(yī)療信息化行業(yè)的技術壁壘正不斷加高。在此背景下，持續(xù)的創(chuàng)新實踐與技術革新，才能夠契合市場動態(tài)變化所產生的多元需求，推動醫(yī)療信息化行業(yè)邁向更高發(fā)展階當前的醫(yī)療信息化建設，主要參照國家“智慧醫(yī)院”建設標準，包括智慧醫(yī)療、智慧管理和智慧服務3部分。面向醫(yī)院管理的智慧管理包含財務、成本控制、物資、藥事等多方面的內容，來幫助醫(yī)院進行精細化的運營管理。第二個領域則是面向患者的智慧服務，院內的一體機、智能導診、醫(yī)院導航，院外的遠程診療、在線預約、健康管理等，為患者提供更加便捷高效的就醫(yī)體驗。面向醫(yī)務人員的智慧醫(yī)療主要以電子病歷為核心，加之影像、檢驗等其他系統(tǒng)，實現(xiàn)互聯(lián)互通的信息系統(tǒng)建設。27/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告醫(yī)院信息化、智慧化的建設自電子病歷系統(tǒng)開始，并始終以此為核心展開。在中國，智慧醫(yī)院可以看做是醫(yī)療新基建的高級形態(tài)，它發(fā)源于醫(yī)療信息化，并在信息化逐步發(fā)展成熟后進行進一步的升華探索。2011年電子病歷評級開啟了智慧醫(yī)院的啟幕之年，加快院內互聯(lián)互通建設；自2015年始，區(qū)域平臺建設腳步加快，強調醫(yī)院“孤島”上的信息互聯(lián)互通，龐大的院內信息再利用價值將被釋放，同時互聯(lián)網醫(yī)院新業(yè)態(tài)誕生，慢病線上復診、續(xù)方獲得許可，醫(yī)療服務從線下向線上延伸，智慧服務分級評估體系出臺；2019年之后，中國智慧醫(yī)院的需求和落地有了豐富土壤，在信息化的基礎上升級為智慧醫(yī)院，全方位提升醫(yī)療服務的效率和質量。醫(yī)療IT競爭格局：單一領域服務商、中型廠商、綜合型廠商共同構建了智慧醫(yī)院的行業(yè)生態(tài)，各自發(fā)揮著重要作用，為醫(yī)院的智慧化發(fā)展提供多樣化的選擇。其中，綜合型廠商能夠提供涵蓋智慧管理、智28/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告慧服務與智慧醫(yī)療的全方位解決方案，具備強大的系統(tǒng)集成能力和廣泛的市場覆蓋，是醫(yī)院實現(xiàn)智慧化升級的最優(yōu)選擇。早在互聯(lián)網醫(yī)療興起之時，大量診前應用之中引入AI，如今大模型興起，診前環(huán)節(jié)再度成為互聯(lián)網企業(yè)的必爭之地，訊飛醫(yī)療、騰訊健康、百度靈醫(yī)智惠均在此布局。訊飛醫(yī)療的星火大模型直面的是醫(yī)患溝通這一痛點。在星火大模型的支持下，AI能夠模擬醫(yī)生與患者進行自由對話，根據患者的病情描述，智能推薦就診科室和合適的醫(yī)生。同時，該大模型還能基于患者的病情描述、病史等信息，自動生成電子病歷，提高病歷記錄的效率和準確性。騰訊健康與訊飛醫(yī)療的邏輯相似，但它更為精細地捕捉到了“預問診”這一需求?；谶^往智能導診的經驗，騰訊健康用大模型做了一個AI預問診系統(tǒng)，患者預約掛號后便可同系統(tǒng)進行詳細的預問診回答，提前提供主訴、既往病史、用藥禁忌等信息。正式就診時，醫(yī)生對于患者的病情已有一定了解，便能提出更多針對性的問題，診斷的精準度也隨之提升。百度靈醫(yī)智惠針對診前環(huán)節(jié)推出了智能分導診、智慧加號和智能候診三項應用，旨在優(yōu)化醫(yī)療資源配置、提升診療效率與患者體驗。其中，智能分導診通過大模型模擬診前咨詢，引導患者精準描述病癥并推理歸納，為其匹配適配的臨床科室和專家，最大化利用醫(yī)療資源；智慧加號則填補傳統(tǒng)服務“真空地帶”，患者線上與AI交互并上傳檢查結果后，模型提取病史摘要及關鍵陽性信息，輔助醫(yī)生快速判斷是否需要專家診療，將單向申請轉為醫(yī)患“協(xié)議”，有效減少醫(yī)生資料查閱和溝通時間，提升病因判斷準確性與診療質量；智能候診聚焦優(yōu)化醫(yī)生問診效率，AI提前整理病歷，醫(yī)生接診時僅需幾秒即可了解患者情況，既節(jié)省問診與病歷書寫時間，又促進醫(yī)患精準高效交流，助力診療決策更準確。三項應用共同推動診前流程智能化，實現(xiàn)醫(yī)療資源高效利用與醫(yī)療服務質量提升。行業(yè)|深度|研究報告 行業(yè)|深度|研究報告?zhèn)鹘y(tǒng)的診中醫(yī)療信息系統(tǒng)主要包括HIS、EMR、CIS、PACS等，醫(yī)院信息化、智慧化的建設自電子病歷系統(tǒng)（EMR）開始。在電子病歷發(fā)展具有一定基礎的情況下，信息化發(fā)展較為領先的醫(yī)院正逐步建立以電子病歷為核心的臨床醫(yī)療服務體系，囊括患者信息、藥品管理、醫(yī)囑診斷、費用管理等所有臨床活動信息。AI賦能診中流程后將在各方面對傳統(tǒng)醫(yī)療信息系統(tǒng)進行升級。1.AI輔助診斷與治療，分析患者的癥狀、體征、檢查檢驗結果等數據，與疾病知識庫中的信息進行比對，為醫(yī)生提供診斷建議和鑒別診斷列表，還能對醫(yī)學影像進行分析，識別異常情況并提供報告。此外，依據診斷結果，參考大量臨床病例和最新醫(yī)學指南，為醫(yī)生提供個性化的治療方案建議，包括藥物治療、手術治療、物理治療等，并對治療方案的療效和風險進行評估。2.電子病歷分析：AI可以對電子病歷中的文本信息進行挖掘和分析，提取關鍵癥狀、檢查結果、診斷信息等，幫助醫(yī)生快速了解患者的病情歷史，為當前診斷提供參考。同時，通過對大量病歷數據的學習，AI還可以發(fā)現(xiàn)疾病之間的關聯(lián)和潛在規(guī)律，為醫(yī)生提供診斷思路和建議。3.藥物提醒與劑量優(yōu)化：考慮患者的個體差異，如年齡、體重、肝腎功能等，對藥物的選擇、劑量和用藥時間進行提醒和優(yōu)化，避免藥物相互作用和不良反應。4.智能導航與流程優(yōu)化：AI陪診系統(tǒng)能規(guī)劃最優(yōu)就診路徑，實時提示檢查排隊時間；緩解患者“迷宮式就醫(yī)”焦慮，減少無效等待。29/4330/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告由于醫(yī)療資源的缺乏，國內的診后環(huán)節(jié)一直缺乏成體系的醫(yī)療服務，大模型的出現(xiàn)有望化解這一難題。我國每年新增腦卒中出院患者高達300多萬，但出院并不代表病情徹底康復，其中有12%患者在出院后30天內再入院。從這一需求出發(fā)，訊飛醫(yī)療研發(fā)了星火認知大模型+診后康復管理平臺，該平臺可以在家智能生成康復計劃，主動發(fā)起隨訪，變更康復計劃并向專業(yè)醫(yī)生提出問詢，將專業(yè)的康復管理和康復指導由院內延伸到院外，確保患者享受到高品質、連續(xù)性的醫(yī)療服務。同時，平臺自動提醒患者，并在康復過程中，通過AI隨訪電話等方式對患者進行主動式管理，并通過大模型為患者提供7*24小時咨詢服務。新一代診后患者管理平臺在安徽和山東率先開展服務，已覆蓋30多個科室的主要病種，覆蓋85%的出院患者，通過管理，患者的依從性得到大幅提高。CDSS（臨床決策支持系統(tǒng)）的使用場景涵蓋診前決策、診中支持和診后評價全過程，市場規(guī)模超百億，AI賦能為CDSS發(fā)展帶來廣闊空間。隨著AI的成熟和發(fā)展，CDSS為人工智能商業(yè)化落地提供了合適的土壤，機器學習具有學習速度快的優(yōu)勢，抓取和理解臨床信息的速度比醫(yī)生平均快2700倍，臨床決策支持系統(tǒng)可以通過讓機器深度學習大量高質量的既往臨床實踐病歷和各種文獻等資料，使機器具備了一定高水平的專業(yè)能力，可以對醫(yī)護人員的一些行為進行建議和規(guī)范、對患者的一些病情進行預測和提前警示。CDSS是指運用相關的、系統(tǒng)的臨床知識和患者基本信息及病情信息，加強醫(yī)療相關的決策和行動，提高醫(yī)療質量和醫(yī)療服務水平的計算機應用系統(tǒng)。其本質上是一個大的醫(yī)學知識庫，是一個基于人機交互的醫(yī)療信息技術應用系統(tǒng)，旨在為醫(yī)生和其他衛(wèi)生從業(yè)人員提供臨床決策支持，通過數據、模型等輔助完成臨床決策。通俗地說，CDSS就是把醫(yī)生記不住的知識通過計算機界面呈現(xiàn)出來，來幫助醫(yī)生看好CDSS系統(tǒng)是提升醫(yī)療質量的重要手段，因此其根本目的是為了評估和提高醫(yī)療質量，減少醫(yī)療差錯，從而控制醫(yī)療費用的支出。CDSS的使用場景涵蓋診前決策、診中支持和診后評價全過程，臨床醫(yī)生可以通過CDSS的幫助來做出最為恰當的診療決策。過去，CDSS的主要市場是大醫(yī)院，但隨著國內對基礎醫(yī)療的投入支持不斷加大，基層醫(yī)療機構和基層醫(yī)生的數量不斷增多，老百姓對于優(yōu)質基本醫(yī)療服務的需求也在增多，CDSS的市場開始逐漸從大醫(yī)院轉向基層。CDSS的四大基本功能：1、診斷輔助：利用機器模型根據患者主訴現(xiàn)病史檢驗檢查結果等信息推斷患者可能的疾病，并給出可能疾病的概率和判斷依據。2、治療方案輔助：根據患者的個人基本情況和疾病等情況，推送出治療方案供醫(yī)生參考。3、開單項建議和監(jiān)督：根據患者的個人基本情況推送用于鑒別診斷和輔助確診疾病需要做的檢驗檢查項目，此外還可以對已開立的項目做合理性監(jiān)督，重復開單和開單互斥等錯誤情況可以及時提醒糾正。4、知識庫查詢：廣義的知識庫內容除了包含上述的輔助信息，還包括狹義的的知識庫內容，如文獻、操作手冊、專家指南、藥品說明書等資料入庫，方便醫(yī)生及時查醫(yī)院運營管理智能體是指構建一個立體的、多域協(xié)同、精確判斷和持續(xù)智能的系統(tǒng)，它包括智能交互、智能連接、智能中樞和智慧應用四個主要層次。四個層次共同構建了一個能夠實現(xiàn)醫(yī)院人、財、物全要素協(xié)同，醫(yī)療、服務、管理全場景智慧化的系統(tǒng)。31/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告熙軟科技的醫(yī)院運營管理智能體在保有上述基礎特征的情況下，圍繞醫(yī)院運營管理建設進行重點突破，圍繞ODR核心運營數據中心、ODSS運營輔助決策、小熙AI運營助理三個核心功能不斷發(fā)力。對于醫(yī)務工作者，醫(yī)院運營管理智能體主要發(fā)揮“助手”的作用。在申請出差時只要簡單提問，就能清晰了解差旅報銷標準；想要查詢科室的運營數據，只需向AI運營助理發(fā)問，便會直接獲取想要的數據。對于智能化需求更大的醫(yī)院管理者。醫(yī)院運營管理智能體能夠實時獲取所需的各種深度數據分析與服務，并根據管理者的習慣，自動推送其期望掌握的數據。即便初次推送的內容未能完全滿足管理者的管理需求，系統(tǒng)也支持通過多模態(tài)交互方式，進一步定制并推送符合期望的信息。實際運行中，醫(yī)院運營管理智能體已逐漸成為提升醫(yī)療機構效率效益的重要技術實現(xiàn)路徑。采用分析報告、管理路徑、策略輸出、目標導航、AI模擬仿真、AI運營助理機器人等管理方法和手段，對醫(yī)療機構經濟運營狀況進行事后分析、問題根因溯源、過程控制、改善評估、未來預測、輔助決策。實現(xiàn)全面支撐優(yōu)化業(yè)務流程、合理資源配置、計劃合理制定等方面的戰(zhàn)略管控工作。醫(yī)學影像是利用光、電、磁、聲等物理現(xiàn)象，以非侵入方式獲得人體或人體某部分內部組織的影像。臨床超過70%的診斷都依賴于醫(yī)學影像。臨床中最常見的影像模態(tài)包括X線攝影、CT、MRI和超聲等。AI醫(yī)學影像技術，作為醫(yī)學與人工智能深度融合的前沿領域，借助深度學習、機器學習等人工智能技術，對醫(yī)學影像數據展開系統(tǒng)性分析與精準解讀，進而為醫(yī)生在疾病診斷、治療方案規(guī)劃，以及預后評估等環(huán)節(jié)，提供強有力的支持。這一技術的核心機制在于，通過構建并運用特定算法，對醫(yī)學影像中的病變區(qū)域進行自動化識別，同時生成量化分析結果，并給出具有參考價值的診斷建議。相較于傳統(tǒng)影像分析方法，AI醫(yī)學影像技術以數據驅動的模式，極大提升了影像分析的效率與準確性，為醫(yī)學影像診斷帶來了新的變革與機遇。32/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告受益于醫(yī)療新基建和政策的驅動，我國醫(yī)學影像設備的市場規(guī)模穩(wěn)健增長。2024年中國醫(yī)學影像設備市場規(guī)模約1360億元，2025年市場規(guī)模將達到1468億元，同比+7.94%。近年來，AI醫(yī)學影像市場呈現(xiàn)出迅猛的增長態(tài)勢，已成為“AI+醫(yī)療”領域中落地最成熟的細分領域。據相關統(tǒng)計數據顯示，2024年中國AI醫(yī)學影像市場規(guī)模約為74.5億元。2025年中國AI醫(yī)學影像市場規(guī)模有望突破150億元，到2026年則將進一步增長至235.7億元，持續(xù)保持高速增長的趨勢。33/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告得益于人工智能技術的快速發(fā)展，其在醫(yī)學影像領域的應用場景日益豐富，涵蓋疾病篩查、輔助診斷、治療規(guī)劃等多個環(huán)節(jié)，展現(xiàn)出廣闊的市場發(fā)展空間。截至2025年7月，國內已有超過100款AI醫(yī)學影像輔助診斷軟件獲批NMPA三類醫(yī)療器械注冊證，涵蓋超聲、CT、MR、DR等影像設備，涉及肺部、眼底、心腦血管、骨科、產科和兒童發(fā)育評估等產品，其中心腦血管疾病篩查產品數量最多，而肝部、乳腺等部位產品仍稀缺。中國AI醫(yī)學影像領域的競爭格局呈現(xiàn)出顯著的多元化態(tài)勢。在這一格局中，不同類型的市場參與者憑借各自獨特的資源與能力，在技術路徑、商業(yè)模式和資源整合等維度展開差異化競爭。1）設備廠商：聯(lián)影智能、萬東醫(yī)療等，依托其在硬件研發(fā)與制造方面的深厚積累，構建起“設備+AI”一體化生態(tài)體系。聯(lián)影智能憑借先進的醫(yī)學影像設備制造技術，將AI技術深度嵌入設備之中，實現(xiàn)設備性能的智能化升級，為臨床診斷提供更高效、精準的解決方案。萬東醫(yī)療則通過自主研發(fā)的硬件設備，結合AI技術，推出一系列智能化醫(yī)學影像產品，如搭載AI技術的磁共振成像設備，能夠提高影像質量，輔助醫(yī)生更準確地進行疾病診斷。這些設備廠商通過將探測器與AI軟件捆綁銷售的策略，有效搶占市場份額，其商業(yè)模式的核心在于利用硬件優(yōu)勢帶動軟件銷售，實現(xiàn)硬件與軟件的協(xié)同發(fā)展。2）純AI企業(yè)如推想科技、深瞳科技，以高精度病灶識別和跨病種泛化能力作為核心技術壁壘。推想科技專注于通過深度學習算法對醫(yī)學影像數據進行分析，實現(xiàn)對多種疾病病灶的精準識別，其技術在肺結節(jié)、腫瘤等疾病的診斷中展現(xiàn)出較高的準確率。深瞳科技則致力于研發(fā)先進的圖像識別技術，能夠在復雜的醫(yī)學影像中準確檢測出病灶，并具備一定的跨病種診斷能力。這類企業(yè)主要通過向醫(yī)院提供訂閱服務的方式實現(xiàn)商業(yè)化，其商業(yè)模式的優(yōu)勢在于能夠為醫(yī)院提供定制化的AI解決方案，降低醫(yī)院的前期投入成本，同時通過持續(xù)的技術更新和服務優(yōu)化，增強客戶粘性。3）互聯(lián)網巨頭騰訊覓影、平安好醫(yī)生、百度靈醫(yī)，憑借其強大的大數據整合與多場景適配能力，積極布局C端健康管理與B端醫(yī)院合作的雙線模式。騰訊覓影依托騰訊龐大的用戶數據和先進的技術平臺，能夠對用戶的健康數據進行綜合分析，為C端用戶提供個性化的健康管理服務，同時與B端醫(yī)院合作，將AI技術應用于臨床診斷，提高醫(yī)院的診斷效率和準確性。平安好醫(yī)生通過整合線上線下醫(yī)療資源，為用戶提供一站式的健康管理服務，包括在線問診、健康咨詢、體檢預約等，同時利用AI技術輔助醫(yī)生進行疾病診斷。百度靈醫(yī)則借助百度的大數據和人工智能技術，開發(fā)出智能醫(yī)生助手、智能健康管家等產品，滿足“醫(yī)-患-藥”不同環(huán)節(jié)的需求?；ヂ?lián)網巨頭的商業(yè)模式優(yōu)勢在于能夠利用其平臺流量和數據優(yōu)勢，實現(xiàn)醫(yī)療服務的多元化和個性化，同時通過與醫(yī)院的合作，加速AI技術在醫(yī)療領域的落地應用。34/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告4）科研機構如清華大學、中科院自動化所，聚焦于算法底層創(chuàng)新，如小樣本學習等前沿技術領域。清華大學通過深入研究人工智能算法，在醫(yī)學影像分析中取得了一系列創(chuàng)新性成果，為提高醫(yī)學影像診斷的準確性和效率提供了理論支持。中科院自動化所則致力于研發(fā)先進的圖像處理算法，能夠對醫(yī)學影像進行更精準的分析和處理。這些科研機構主要通過技術授權和孵化初創(chuàng)企業(yè)的方式參與產業(yè)生態(tài)建設，將科研成果轉化為實際生產力。其參與產業(yè)生態(tài)建設的模式有助于推動行業(yè)的技術創(chuàng)新，為新興企業(yè)提供技術支撐，促進整個AI醫(yī)學影像產業(yè)的發(fā)展。檢驗醫(yī)學是現(xiàn)代醫(yī)學的重要組成部分，臨床決策所需信息70%來自檢驗，其高度自動化、數據化以及采用關系型數據庫存儲數據的特點為AI的應用和發(fā)展創(chuàng)造了有利條件；而以數據挖掘、機器學習、專家系統(tǒng)為支撐的AI技術也將為檢驗醫(yī)學的跨越式發(fā)展提供契機。隨著國家政策支持人工智能的應用以及對應技術的研發(fā)升級，AI醫(yī)學檢驗滲透率急速提升，2022年AI醫(yī)學檢驗市場規(guī)模達90億元，預計未來到2027年AI醫(yī)學檢驗市場規(guī)模將達170億元，復合增速達13.56%。1）檢驗流程的智能化：通過全流程降本增效，涵蓋了基于機器學習的檢驗項目推薦以優(yōu)化診斷方案、降低醫(yī)療成本；引入“移動平均統(tǒng)計質量控制”技術提升實驗室質量管理與錯誤檢出率；利用圖像識別技術實現(xiàn)檢驗樣本圖像的全自動分析，提高診斷準確性與效率；通過自然語言處理技術構建個性化自動審核系統(tǒng)，結合臨床信息與歷史數據實現(xiàn)檢驗結果的智能判斷與報警；并生成面向醫(yī)患雙方的智能檢驗報告，提供疾病預測、診斷建議、治療方案及患者健康趨勢分析等，全面提升檢驗醫(yī)學的精準性、效率與臨床價值。2）AI輔助診斷：通過基于常規(guī)實驗室數據的模型幫助醫(yī)生進行鑒別診斷，全球市場預計在2023至2028年間以23.2%的年復合增長率從13.12億美元增長至37.38億美元，主要應用于體內診斷和體外診斷兩大領域：體內診斷依托AI算法分析醫(yī)學影像（如X光、CT、MRI等），提升病變識別的準確性和35/43行業(yè)|深度|研究報告 行業(yè)|深度|研究報告效率；體外診斷則通過分析血液、基因等大量數據實現(xiàn)早期疾病檢測與個性化治療，其產業(yè)鏈涵蓋生產（如東方生物、邁克生物等）、服務（如迪安診斷、金域醫(yī)學等）和流通（如潤達醫(yī)療）三大板塊，展現(xiàn)出巨大的應用潛力和市場增長空間。AI在輔助診斷中展現(xiàn)出巨大潛力的方向主要包括：病理診斷，我國潛在市場超400億元，通過構建醫(yī)學知識圖譜實現(xiàn)綜合性診斷并出具報告，行業(yè)分為外資企業(yè)（如羅氏、徠卡、安捷倫、櫻花、賽默飛、雅培、西門子、碧迪）和本土企業(yè)（如邁新生物、艾德生物、安必平）兩大梯隊；精準醫(yī)療，全球市場預計十年內從12億美元增至171億美元，我國自2014年后在國家戰(zhàn)略推動下快速發(fā)展，競爭格局涵蓋基因檢測（華大基因、貝瑞基因）、伴隨診斷（泛生子、燃石醫(yī)學）、第三方檢測（迪安診斷、金域醫(yī)學）、細胞治療（南華生物、冠昊生物）及免疫治療（藥明巨諾、復興凱特）五大派系，AI應用推動基因檢測成本下降，促進腫瘤分型與靶向治療優(yōu)化；癌癥篩查，通過AI提取腫瘤分期、分子特征及微環(huán)境信息，廣泛應用于乳腺癌、肺癌等癌種的早期診斷與研究，為精準治療提供重要依據。AI健康管理主要是指利用新一代信息、通信、人工智能、生物信息等技術手段，感測、分析、整合健康數據采集、健康檢測、健康評估、健康干預四個關鍵環(huán)節(jié)的各項信息，從而對個體或群體的健康需求做出智能響應的新模式。AI賦能健康管理后可以分析個體健康數據和生活習慣，制定個性化的健康管理計劃，提高健康管理的效果和可行性。目前已覆蓋運動健康管理、護膚健康管理、營養(yǎng)健康管理、慢性病