科技

醫療，AI應用的下一條「黃金賽道」

11月22日 19:05 新浪網 tech-auto-hilite

AI醫療，正處於一個即將爆發的拐點。

在最近的一項調查中，醫療行業70%的參與者正在考慮落地AI，其中四分之三在過去一年增加了IT投資，並預計這一趨勢將繼續下去。2024年，在籌集資金的醫療技術初創公司中，有近40%將人工智能技術應用到業務中。

不久前，國外SaaS領域最專業的投資機構Bessemer發佈了一個AI醫療領域的研究報告。在這個研究報告中，Bessemer會分享其對以下問題的思考：

AI醫療行業爆發背後究竟有哪些因素的推動？面對這一新興機遇，創業者和投資人又應該去如何尋找商業機會？

/ 01 /

AI醫療發展的三個機遇

第一，醫療保健產生了全球30%的數據，而且這些數據已經被數字化。

據估計，醫療保健行業產生的數據佔全球數據的30%，增速比金融、媒體領域還快。但醫院產生的數據中高達97%未被利用。這些數據可用於幫助改善甚至重塑醫療保健運營和患者護理。

也就是說，醫院擁有大量尚未開發的數據，經營效率仍然有很大的增長空間。

到了2010年代，經過數十年的過程和強有力的監管推動，醫療保健領域的大部分臨床數據終於通過HER（電子化人力資源管理）的採用實現了數字化。其中，臨床記錄（包括文本、圖像、實驗室值）形式的大量數據變得可供人工智能機器讀取。

這為AI在金融領域的落地創造了條件。比如，Lenful是一個專注於藥房的工作流自動化平台，它通過將AI技術應用於340B審計、文檔處理和庫存計劃以及事先授權任務中的客戶數據來釋放價值。

第二，AI正在提升醫療服務的效率。

經過多年的發展，AI可以對患者的健康狀況進行建模，從蛋白質的功能一直到患者所屬的人群以及其此前就醫醫療服務的情況。

隨著供應商採用新的分子檢測方法（例如單細胞測序）和能夠測量新健康信號的醫療設備，每天都有更多數據和新型數據可用。監管正在將這些新的數據上傳到網絡。

如果能夠更有效利用這些數據，它們就能描繪出醫療保健的多維視圖，並用於開發AI產品和服務，以解決更廣泛的複雜生物醫學和醫療保健問題。新發現的結合和運行多個數據集模型的能力為更多可能性打開了大門，而這些可能性的數量和範圍尚未完全瞭解。這是我們將醫療保健視為多模式AI開發和應用「聖盃」的最大原因之一。

第三，AI醫療研究正在轉化為產品和服務。

自21世紀初開始，AI在醫療研究領域的應用開始增加，從深度學習到現在的生成式AI。

在這個過程中，雖然取得了一些積極成果，但醫療機構仍然沒有找到一種辦法將這些成果大規模落地。但現在變了，大模型出現讓AI應用有了更多落地的可能性。

看看自2000年以來FDA批準的AI/ML（人工智能和機器學習）設備數量的指數增長，2024年批準的設備數量將是2014年的30倍。

種種跡象顯示，現在已經到了AI醫療領域發展的關鍵拐點。

/ 02 /

三個關鍵假設

第一，落地形式-商業模式-市場契合度決定價值創造

AI解決方案的形式和公司的商業模式，會對可用的TAM（總目標市場）和毛利率產生重大影響。我們所說的形式是指AI產品的落地方式（例如軟件、副駕駛、代理、服務、診斷、治療）。通過不同的商業模式處理相同工作流程的公司，可能會擁有高達25倍的TAM差異。

1）落地形式

從目前看，AI在醫療領域的落地方式主要有兩種：垂直人工智能模式和醫療保健AI特定模式。

其中，垂直人工智能模式包括：

•人工智能軟件：一個具有豐富人工智能功能的平台，可提高功能和用戶體驗

•副駕駛：支持人工智能的助手，與用戶一起工作，通過自動執行現有工作流程中的任務來提高工作效率

•代理：以最少的人工干預執行特定任務的自主或半自主系統

•人工智能服務：傳統服務通過人工智能增強其效率、準確性或用戶體驗

而醫療保健AI特定模式又分為診斷和治療，這是醫療行業獨有的模式。

AI診斷通過現有或新模式支持或自動識別疾病（例如，視網膜成像 AI已應用於心血管、代謝和神經系統疾病的診斷），並且可以通過現金支付、保險或企業合約報銷。

即使在要求更為嚴格的臨床診斷環節，也出現了一些AI診斷公司，包括心臟病學領域的Cleerly、神經病學和心血管領域的Viz.ai 、眼科學領域的Digital Diagnostics和腫瘤學領域的Tempus。

另一種特定於醫療保健的方式是治療，即旨在緩解症狀或治癒疾病的醫療方法。

AI在治療學中更常見的用例是協助藥物發現和開發。例如，Besseme投資的Seismic Therapeutic正在將機器學習和AI用於自身免疫性疾病的藥物發現和開發，以應對減輕免疫原性等關鍵挑戰。

實際上，公司會將多種模式整合到一個綜合解決方案中。例如，Qventus通過軟件和基於代理的服務提供圍手術期優化解決方案。

2）商業模式

AI產品的形態有助於確定最佳商業模式。雖然可以同時部署多種商業模式，但為了簡單起見，我們分享兩種主要的商業模式架構：基於使用情況和基於性能。

3）對TAM和毛利率的影響

為了說明方式和商業模式對公司TAM和毛利率的影響，我們使用了一個在眼科領域進行創新的假設初創企業的例子。

舉個例子，美國大約有20,000名眼科醫生和50,000名驗光師，每年拍攝1800萬張視網膜圖像，每年進行700萬次眼部注射。2010年代，研究人員開發了一種使用視網膜圖像識別眼睛以外區域病變（例如糖尿病前兆）的方法。

我們假設的初創公司已經創建了一種由這些方法進化而來的AI解決方案。

根據方式和商業模式的不同，上面列出的TAM範圍從8400萬美元（對於採用按座位付費SaaS 模式的副駕駛產品）到21億美元（對於採用基於使用量或「按服務收費」定價模式的輔助眼部注射的AI服務）。

正如這個例子所強調的，如果單獨部署AI模型，通常無法充分發揮其潛在價值，並且可能給客戶應用帶來困難。為了最大限度地獲取價值並推動產品落地，公司應該考慮垂直整合的業務模式，即利用AI來增強或重新構想現有的工作流程，有效地滿足客戶的需求。這些垂直整合的方法不僅可以解決更全面的問題，還可以挖掘整個價值鏈中更大的收入來源，從而擴大潛在的市場規模。

考慮以下有針對性的軟件解決方案及其垂直集成解決方案的示例：

放射學：AI優先的放射學軟件產品與AI支持的放射學服務提供商優化整個圖像採集和解釋工作流程
收入週期管理：AI優先的編碼和計費軟件與具有AI特性和功能的綜合收入週期管理服務
臨床試驗：用於臨床試驗招募和選址的AI優先軟件與使用AI管理端到端試驗招募和選址的全方位服務機構

值得注意的是，模式和商業模式也會影響毛利率，更高的TAM和更健康的毛利率之間往往存在權衡。比如，雖然人工智能眼部注射服務的TAM幾乎是人工智能軟件產品的兩倍，但從歷史上看，SaaS的毛利率遠高於醫療保健服務。但這一慣例正受到人工智能公司的挑戰，其中許多公司正在使用人工智能來提高基於服務的交付模式的效率。

第二，多模態是AI醫療的「聖盃」。

由於醫療保健數據是多維的——涵蓋臨床記錄、醫學影像、音頻、影片、患者報告的結果、可穿戴設備數據、時間序列信息、暴露數據、基因測序結果等，多模態技術將在AI醫療領域有更大的發揮空間。

現在已經有AI公司推出多模態的AI產品。比如，Theator提供用於手術影片分析和關鍵見解註釋的多模態AI產品，以及為放射科醫生提供AI診斷和文檔解決方案的RadAI。

當豐富的生物醫學數據與人口層面的信息、運營洞察和財務指標相結合時，人工智能不僅可以更早、更準確地診斷疾病，還可以識別阻礙患者康復的因素以及增強醫療保健系統功能和效率的機會。

第三，需要垂直行業專用的基礎設施——而且要快。

1）網絡安全和數據隱私

醫療數據是暗網上最受追捧的數據之一，而醫療機構支持龐大且不斷擴大的攻擊面，這使它們容易受到勒索軟件攻擊。儘管醫療行業迫切需要一流的網絡安全解決方案，但由於資源限制、技術過時和極其複雜，它在基礎設施的採用和強度方面已經落後於其他行業。

人工智能解決方案的實施也可能帶來新的風險。人工智能可以擴大現有的攻擊面並引入新類型的攻擊，例如注入攻擊，其中模型訓練所用的數據會被識別。雖然我們看到一些初創公司正在努力填補這些空白，但基礎設施仍處於起步階段。

2）數據生成和管理

訓練醫療保健AI模型需要大量高質量數據，這些數據代表預期用例和人口特徵。醫療保健系統內現有活動的「廢棄」數據本身可能不夠用。

近年來，一些有前景的醫療保健數據市場已經出現，包括Protege、Gradient和Omny Health，但僅靠這些市場無法為每個AI模型提供數據。高質量數據的數量也不是唯一的差距，還需要可擴展的方法來對敏感患者數據進行去識別化，並在徵得患者同意的情況下大規模重新識別數據。

3）模型性能基準測試

一個高性能的AI模型，對研究成果轉化為醫療保健產品至關重要。但現在醫療行業缺乏對模型能力的性能測試，儘管現在行業試圖讓ChatGPT參加美國醫師執照考試，來評估其在醫療保健用例中的能力，但這並不能準確衡量其落地的可行性。所以，醫療行業缺少一個對模型能力在行業應用的評估體系。

4）模型監控

由於數據或模型運行環境的變化，AI模型的效果可能會不穩定。這在實際應用中很致命。例如，如果人工智能診斷出現錯誤，影響的規模可能是數千名患者。模型需要一個模型監測的風控體系，來實時評估模型的表現，進而大大降低模型所帶來的風險。

5）治理

為了更有效和安全地使用AI醫療技術，組織內需要有明確的負責人。這個人的職責是，瞭解AI在所有業務環節的應用，並監督和維護。

/ 03 /

AI醫療投資的六大標準

在AI醫療領域，我們的投資標準主要涵蓋六個核心技術主題，分別是：

交互系統：人工智能平台或服務，支持用戶與人工智能算法之間進行實時動態交互，完成從臨床決策支持到患者參與和資源管理等各種醫療任務。

多模式技術：集成和分析多種數據類型（如文本、圖像、音頻和傳感器數據）的人工智能系統，以提供見解並識別新模式。
模擬：人工智能虛擬環境和預測模型，可複製複雜的醫療和操作場景，實現無風險培訓、策略測試和結果預測。
評估基礎設施：標準化框架、工具和方法，旨在評估人工智能算法在各種醫療應用中的性能、安全性和倫理影響，以確保可靠性和有效性。
傳感器或機器眼：先進的成像、傳感和數據捕獲技術，可以檢測、分析和解釋醫療數據、操作數據或設備性能中的微小細節，通常超越人類的能力。
專業基礎模型：專為醫療保健特定應用而設計的人工智能系統，利用大型預先訓練的模型來增強或自動化臨床和行政環境中的專門任務，提高診斷、個性化治療、工作流程優化和其他領域的準確性、效率和可擴展性。