【智能医疗】一张图看AI医疗：241起国内融资，帮你发现AI医疗的下一个热点

人工智能一直很火，但在全世界范围内的引爆，发生在2016年的3月，谷歌的AlphaGo以4：1的成绩战胜了世界围棋冠军李世石。一个月后，中国的BAT巨头不再潜水，开始了动作，他们在人工智能领域的一个非常重要的角力场便是“AI医疗“。

2016年4月，腾讯等机构以10亿人民币投资碳云智能；2016年10月，百度对外发布了“百度医疗大脑”，宣布正式进军AI医疗；2017年3月，阿里云发布“ET医疗大脑”宣布正式进入医疗AI领域。

作为压垮中国人民的三座大山之一——医疗，是目前人工智能各应用领域中最热门的赛道。人工智能在医疗领域的应用门槛最高，最难突破，但也最具想象力，所以资本和BAT们对这座大山发起了一轮又一轮的攻势。针对以医疗为重点的AI创业公司从五年前的不足20家上升至现在的120多家，但大多停留在“to VC”阶段，整个资本圈都在等待，AI医疗能够真正讲出“To B To C”的商业模式。

鲸准数据中心清洗了整个AI医疗从2013到2017年的241起国内融资事件，本文用资本布局时间线去描述AI医疗行业现状，最后通过鲸准上的投资人行为，去发现AI医疗的下一个行业热点。

01 什么是AI医疗？

AI医疗是以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量，更好的解决医疗资源短缺、人口老龄化的问题。

AI医疗定义金字塔

基础层：通过软硬件的基础设施，收集用户、药物及病理数据，并使数据互通互联，为人工智能的应用提供支持与可能。
技术层：通过语音/语义识别、计算机视觉技术，对非结构化数据进行分析提炼。“学习”大量病理学数据文本，使其掌握问答、判断、预警、实施的能力。
应用层：是指人工智能与不同细分领域的结合，以解决医疗行业中的某种业务需求，如智能诊断、药物研发、智能健康管理、智能语音等医疗场景。

02 AI医疗国内融资概况

5年内，AI医疗各领域共发生融资事件241起

AI医疗应用层持续热潮，基础层热度下滑

回顾13年-17年数据，从2015年开始，基础层热度明显下滑，而资本开始纷纷进入应用层。2017上半年AI医疗发生融资数量46起，下面是应用层各维度融资情况。

国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理这四个领域

经统计，从13年到17年上半年，应用层8个细分领域共发生融资事件86起。国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理四个领域，其中医疗影像成为资本密集的阵地，占比最高达到31%，位居第一。

为什么医疗影像赛道玩家较多？

从细分领域融资数量图看出，医疗影像占比较多，为什么会发生这样的状况？影像具有4V性（volume数量、variety多样性、velocity速度、veracity真实性），4V的属性更适合其AI的发展。

应用层融资轮次分布：大部分公司停留在天使轮及A轮

国内AI医疗应用公司起步较晚，由细分领域融资数量分布看出智能诊断领域占比60%。整体上智能诊断还处于初期，目前没有大规模商用。对于优质数据的提取、数据的结构化及建模、患者语言的训练都是目前需要跨越的障碍。

进入到B轮及B轮后的的公司分布在虚拟助手、医用机器人两个领域

医用机器人的实际应用主要集中在外科手术领域。机器人在手术上的准确性、可靠性和精确性上大大超过了外科医生，机器人技术已经在医疗领域得到了长足的发展，并取得很好的临床效果。

03 AI医疗行业发展解析

AI医疗标签关注度

根据鲸准中心标签热度算法统计，有关于AI医疗的标签：深度学习、计算机视觉、AI医疗、智能诊断、医疗影像、自然语言处理、AI芯片、医疗大数据关注度有较大提升。

AI医疗为什么会成为资本新宠？

1、政策推动

AI政策持续利好。2017年7月国务院刚印发《新一代人工智能发展规划的通知》，明确提出“到2020年人工智能总体技术和应用与世界先进水平同步”。

医疗政策持续利好。2016年国务院发布《关于促进医药产业健康发展的指导意见》，明确提出开展智能医疗服务。

2、国情推动

社会进步和人们健康意识的渐渐觉醒，人口老龄化问题的加剧；病患多、医生少；医务人员培养成本过高；药物研发周期长、费用高；医生诊断不容犯错。3、技术推动

语音和图像识别技术目前已达到商业化高度。从2012年的ImageNet大赛一直到现在，深度学习在图像的分类与识别上已经取得了非常大的进展。在医疗影像领域目前对某些病理图片的识别准确率已超过90%，用于辅助医生诊断已不成问题。区别于机器学习，需要给出特定规则后才能进行。而深度学习则可自由生成多层“网络”（深度神经网络）。在深度学习之前，大约在90年代，就已有很多人做计算机辅助诊断（CAD）。之前神经网络做不深，现在有了新型计算机和深度学习之后，可以实现很深的网络。举例“乳腺钼靶肿块判读”。

三大AI技术基石：深度学习算法+计算能力+大数据，为AI融入医疗奠定基础。

4、设备驱动

电子胶片的普及；POCT及智能可穿戴设备公司初具规模，大量设备及胶片投入使用，形成庞大的用户病理数据，为构建医疗大脑奠定基础。

5、基础设施驱动

根据CHIMA的数据统计，显示早在2015年9月，超过60%的医院都已完成医院管理信息系统（hmis）的全面搭建。以“EMR”为核心的CIS成为建设重点。