AI医疗，正处于一个即将爆发的拐点。

在最近的一项调查中，医疗行业70%的参与者正在考虑落地AI，其中四分之三在过去一年增加了IT投资，并预计这一趋势将继续下去。2024年，在筹集资金的医疗技术初创公司中，有近40%将人工智能技术应用到业务中。

不久前，国外SaaS领域最专业的投资机构Bessemer发布了一个AI医疗领域的研究报告。在这个研究报告中，Bessemer会分享其对以下问题的思考：

AI医疗行业爆发背后究竟有哪些因素的推动？面对这一新兴机遇，创业者和投资人又应该去如何寻找商业机会？

01 AI医疗发展的三个机遇

第一，医疗保健产生了全球30%的数据，而且这些数据已经被数字化。

据估计，医疗保健行业产生的数据占全球数据的30%，增速比金融、媒体领域还快。但医院产生的数据中高达97%未被利用。这些数据可用于帮助改善甚至重塑医疗保健运营和患者护理。

也就是说，医院拥有大量尚未开发的数据，经营效率仍然有很大的增长空间。

到了2010年代，经过数十年的过程和强有力的监管推动，医疗保健领域的大部分临床数据终于通过HER（电子化人力资源管理）的采用实现了数字化。其中，临床记录（包括文本、图像、实验室值）形式的大量数据变得可供人工智能机器读取。

这为AI在金融领域的落地创造了条件。比如，Lenful是一个专注于药房的工作流自动化平台，它通过将AI技术应用于340B审计、文档处理和库存计划以及事先授权任务中的客户数据来释放价值。

第二，AI正在提升医疗服务的效率。

经过多年的发展，AI可以对患者的健康状况进行建模，从蛋白质的功能一直到患者所属的人群以及其此前就医医疗服务的情况。

随着供应商采用新的分子检测方法（例如单细胞测序）和能够测量新健康信号的医疗设备，每天都有更多数据和新型数据可用。监管正在将这些新的数据上传到网络。 

如果能够更有效利用这些数据，它们就能描绘出医疗保健的多维视图，并用于开发AI产品和服务，以解决更广泛的复杂生物医学和医疗保健问题。新发现的结合和运行多个数据集模型的能力为更多可能性打开了大门，而这些可能性的数量和范围尚未完全了解。这是我们将医疗保健视为多模式AI开发和应用“圣杯”的最大原因之一。

第三，AI医疗研究正在转化为产品和服务。

自21世纪初开始，AI在医疗研究领域的应用开始增加，从深度学习到现在的生成式AI。

在这个过程中，虽然取得了一些积极成果，但医疗机构仍然没有找到一种办法将这些成果大规模落地。但现在变了，大模型出现让AI应用有了更多落地的可能性。

看看自2000年以来FDA批准的AI/ML（人工智能和机器学习）设备数量的指数增长，2024年批准的设备数量将是2014年的30倍。

种种迹象显示，现在已经到了AI医疗领域发展的关键拐点。

02 三个关键假设

第一，落地形式-商业模式-市场契合度决定价值创造

AI解决方案的形式和公司的商业模式，会对可用的TAM（总目标市场）和毛利率产生重大影响。我们所说的形式是指AI产品的落地方式（例如软件、副驾驶、代理、服务、诊断、治疗）。通过不同的商业模式处理相同工作流程的公司，可能会拥有高达25倍的TAM差异。

1）落地形式

从目前看，AI在医疗领域的落地方式主要有两种：垂直人工智能模式和医疗保健AI特定模式。

其中，垂直人工智能模式包括：

• 人工智能软件：一个具有丰富人工智能功能的平台，可提高功能和用户体验

• 副驾驶：支持人工智能的助手，与用户一起工作，通过自动执行现有工作流程中的任务来提高工作效率

• 代理：以最少的人工干预执行特定任务的自主或半自主系统

• 人工智能服务：传统服务通过人工智能增强其效率、准确性或用户体验

而医疗保健AI特定模式又分为诊断和治疗，这是医疗行业独有的模式。

AI诊断通过现有或新模式支持或自动识别疾病（例如，视网膜成像 AI已应用于心血管、代谢和神经系统疾病的诊断），并且可以通过现金支付、保险或企业合同报销。

即使在要求更为严格的临床诊断环节，也出现了一些AI诊断公司，包括心脏病学领域的Cleerly、神经病学和心血管领域的Viz.ai 、眼科学领域的Digital Diagnostics和肿瘤学领域的Tempus。

另一种特定于医疗保健的方式是治疗，即旨在缓解症状或治愈疾病的医疗方法。

AI在治疗学中更常见的用例是协助药物发现和开发。例如，Besseme投资的Seismic Therapeutic正在将机器学习和AI用于自身免疫性疾病的药物发现和开发，以应对减轻免疫原性等关键挑战。

实际上，公司会将多种模式整合到一个综合解决方案中。例如，Qventus通过软件和基于代理的服务提供围手术期优化解决方案。

2）商业模式

AI产品的形态有助于确定最佳商业模式。虽然可以同时部署多种商业模式，但为了简单起见，我们分享两种主要的商业模式架构：基于使用情况和基于性能。

3）对TAM和毛利率的影响

为了说明方式和商业模式对公司TAM和毛利率的影响，我们使用了一个在眼科领域进行创新的假设初创企业的例子。

举个例子，美国大约有20,000名眼科医生和50,000名验光师，每年拍摄1800万张视网膜图像，每年进行700万次眼部注射。2010年代，研究人员开发了一种使用视网膜图像识别眼睛以外区域病变（例如糖尿病前兆）的方法。

我们假设的初创公司已经创建了一种由这些方法进化而来的AI解决方案。

根据方式和商业模式的不同，上面列出的TAM范围从8400万美元（对于采用按座位付费SaaS 模式的副驾驶产品）到21亿美元（对于采用基于使用量或“按服务收费”定价模式的辅助眼部注射的AI服务）。

正如这个例子所强调的，如果单独部署AI模型，通常无法充分发挥其潜在价值，并且可能给客户应用带来困难。为了最大限度地获取价值并推动产品落地，公司应该考虑垂直整合的业务模式，即利用AI来增强或重新构想现有的工作流程，有效地满足客户的需求。这些垂直整合的方法不仅可以解决更全面的问题，还可以挖掘整个价值链中更大的收入来源，从而扩大潜在的市场规模。

考虑以下有针对性的软件解决方案及其垂直集成解决方案的示例：

放射学：AI优先的放射学软件产品与AI支持的放射学服务提供商优化整个图像采集和解释工作流程

收入周期管理：AI优先的编码和计费软件与具有AI特性和功能的综合收入周期管理服务

临床试验：用于临床试验招募和选址的AI优先软件与使用AI管理端到端试验招募和选址的全方位服务机构

值得注意的是，模式和商业模式也会影响毛利率，更高的TAM和更健康的毛利率之间往往存在权衡。比如，虽然人工智能眼部注射服务的TAM几乎是人工智能软件产品的两倍，但从历史上看，SaaS的毛利率远高于医疗保健服务。但这一惯例正受到人工智能公司的挑战，其中许多公司正在使用人工智能来提高基于服务的交付模式的效率。

第二，多模态是AI医疗的“圣杯”。

由于医疗保健数据是多维的——涵盖临床记录、医学影像、音频、视频、患者报告的结果、可穿戴设备数据、时间序列信息、暴露数据、基因测序结果等，多模态技术将在AI医疗领域有更大的发挥空间。

现在已经有AI公司推出多模态的AI产品。比如，Theator提供用于手术视频分析和关键见解注释的多模态AI产品，以及为放射科医生提供AI诊断和文档解决方案的RadAI。

当丰富的生物医学数据与人口层面的信息、运营洞察和财务指标相结合时，人工智能不仅可以更早、更准确地诊断疾病，还可以识别阻碍患者康复的因素以及增强医疗保健系统功能和效率的机会。 

第三，需要垂直行业专用的基础设施——而且要快。

1）网络安全和数据隐私

医疗数据是暗网上最受追捧的数据之一，而医疗机构支持庞大且不断扩大的攻击面，这使它们容易受到勒索软件攻击。尽管医疗行业迫切需要一流的网络安全解决方案，但由于资源限制、技术过时和极其复杂，它在基础设施的采用和强度方面已经落后于其他行业。

人工智能解决方案的实施也可能带来新的风险。人工智能可以扩大现有的攻击面并引入新类型的攻击，例如注入攻击，其中模型训练所用的数据会被识别。虽然我们看到一些初创公司正在努力填补这些空白，但基础设施仍处于起步阶段。

2）数据生成和管理

训练医疗保健AI模型需要大量高质量数据，这些数据代表预期用例和人口特征。医疗保健系统内现有活动的“废弃”数据本身可能不够用。

近年来，一些有前景的医疗保健数据市场已经出现，包括Protege、Gradient和Omny Health，但仅靠这些市场无法为每个AI模型提供数据。高质量数据的数量也不是唯一的差距，还需要可扩展的方法来对敏感患者数据进行去识别化，并在征得患者同意的情况下大规模重新识别数据。

3）模型性能基准测试

一个高性能的AI模型，对研究成果转化为医疗保健产品至关重要。但现在医疗行业缺乏对模型能力的性能测试，尽管现在行业试图让ChatGPT参加美国医师执照考试，来评估其在医疗保健用例中的能力，但这并不能准确衡量其落地的可行性。所以，医疗行业缺少一个对模型能力在行业应用的评估体系。

4）模型监控

由于数据或模型运行环境的变化，AI模型的效果可能会不稳定。这在实际应用中很致命。例如，如果人工智能诊断出现错误，影响的规模可能是数千名患者。模型需要一个模型监测的风控体系，来实时评估模型的表现，进而大大降低模型所带来的风险。

5）治理

为了更有效和安全地使用AI医疗技术，组织内需要有明确的负责人。这个人的职责是，了解AI在所有业务环节的应用，并监督和维护。

03 AI医疗投资的六大标准

在AI医疗领域，我们的投资标准主要涵盖六个核心技术主题，分别是：

交互系统：人工智能平台或服务，支持用户与人工智能算法之间进行实时动态交互，完成从临床决策支持到患者参与和资源管理等各种医疗任务。

多模式技术：集成和分析多种数据类型（如文本、图像、音频和传感器数据）的人工智能系统，以提供见解并识别新模式。

模拟：人工智能虚拟环境和预测模型，可复制复杂的医疗和操作场景，实现无风险培训、策略测试和结果预测。

评估基础设施：标准化框架、工具和方法，旨在评估人工智能算法在各种医疗应用中的性能、安全性和伦理影响，以确保可靠性和有效性。

传感器或机器眼：先进的成像、传感和数据捕获技术，可以检测、分析和解释医疗数据、操作数据或设备性能中的微小细节，通常超越人类的能力。

专业基础模型：专为医疗保健特定应用而设计的人工智能系统，利用大型预先训练的模型来增强或自动化临床和行政环境中的专门任务，提高诊断、个性化治疗、工作流程优化和其他领域的准确性、效率和可扩展性。

虽然医疗保健市场可能比看上去要小，但仍然有有很多细分领域拥有10亿美元以上的市场空间。我们将这些细分领域分为低风险和高风险：

正如预期的那样，医疗保健领域AI解决方案的应用曲线正从“低风险”转向“高风险”，即从后台转向前台和工作台子垂直领域。抓住后一类机会的公司将不得不清除更多障碍才能进入市场，并面临买家更严格的审查。考虑到漫长的商业化周期，创始人应该意识到资金消耗率和资本需求。

平台潜力

Pitchbook 数据显示，已有4,000多家美国医疗保健人工智能公司投入运营。然而，仔细观察就会发现，形势与我们之前看到的截然不同。

最值得注意的是，医疗行业的公司老板是经验丰富的买单者，他们从过去的经验中吸取了教训，不喜欢单点解决方案，更喜欢与现有流程无缝衔接的集成方法。我们预测，最成功的AI医疗公司将专注于基本工作流程上游产生大量有价值数据的关键节点。

通过掌握数据创建和工作流程启动的关键点，医疗保健AI平台可以对一系列下游流程产生重大影响，并最终实现可观的回报。这种方法有三方面的好处：

1.工作流程控制：平台可以简化和优化多个产业链玩家相的核心流程，并将人工智能驱动的洞察力融入日常运营，以促进整个医疗生态系统的标准化和最佳实践的创建。这些变化可以大大减少跨利益相关者互动和信息交换中的摩擦，从而实现更高效、更有效的医疗服务。

2.数据优势：通过与一个产业玩家建立数据密度，平台可以与生态系统中上下游各方产生新的合作机会。通过捕获独特且难以复制的多样化互补数据集，他们既能够开发新颖的多模式解决方案来解决复杂的医疗保健问题，又能够提高平台的防御能力。

3.分销：平台可以利用现有的利益相关者关系来快速扩大采用范围。随着越来越多的用户为平台做出贡献并从中受益，强大的网络效应就会出现。这些平台的中心地位还促进了生态系统内其他人工智能解决方案的交叉销售，同时通过综合的多利益相关者方法降低了客户获取成本。

例如，临床文档平台Abridge将自己定位于患者与医疗服务提供者沟通的记录系统。通过构建对话数据，Abridge不仅简化了临床工作流程，还创建了一个丰富的数据集，可以为从计费到护理协调再到临床试验等各种下游流程提供信息，从而为医疗生态系统内的其他利益相关者提供价值奠定了基础。

除了医患对话之外，人工智能在医疗保健领域的其他战略启动点还包括处方点、耐用医疗设备 (DME) 订购、医生教育、证据生成、临床试验方案设计以及生物样本采集和储存等。每个关键节点都有可能成为人工智能驱动的创新和价值创造的场所，不仅对一家医疗保健人工智能公司如此，对许多公司也是如此。

本文来自微信公众号“乌鸦智能说”，作者：智能乌鸦