下一条“黄金赛道”用于医疗、AI。

AI医疗，正处于一个即将爆发的转折点。

在最近的一项调查中，70%的医疗行业参与者正在考虑落地AI，其中三分之三在过去一年中加强了IT投资，预计这一趋势将继续。2024年，近40%的人工智能技术被应用于筹集资金的医疗技术创业公司的业务。

不久前，海外SaaS领域最专业的投资机构Bessemer在AI医疗领域发布了一份调查报告。Bessemer将在本研究报告中分享他对以下问题的思考：

在AI医疗行业爆发的背后，究竟有哪些因素推动？企业家和投资者面临着这个新的机遇，又该如何寻找商机？

01 AI医疗发展的三大机遇

首先，全球30%的医疗健康数据已经产生，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%，增长速度快于金融和媒体领域。然而，97%的医院生成的数据没有被使用。这些信息可以用来帮助改善甚至重塑医疗健康运营和患者护理。

换言之，医院拥有大量尚未开发的数据，运营效率仍有很大的提升空间。

2010年代，经过几十年的过程和强有力的控制，医疗卫生领域的大部分临床数据最终都是通过HER(电子人力资源管理)的选择来数字化的。其中，人工智能机器可以读取大量临床记录(包括文本、图像和实验室价值)形式的数据。

这为AI在金融领域的落地创造了条件。举例来说，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其价值。

AI正在提高医疗服务的效率。

经过多年的发展，AI可以从蛋白质的功能到患者所属的群体及其之前的医疗服务状况，对患者的健康状况进行建模。

随着供应商采用新的分子检测方法(如单细胞测序)和可以测量新健康信号的医疗器械，每天都有更多的数据和新数据可用。控制正在向网络上传这些新数据。

如果我们能更有效地利用这些信息，我们就能画出医疗健康的多维视图，并用它们来开发AI产品和服务，以缓解更广泛的复杂生物医学和医疗健康问题。新发现的结合和运行多个数据模型的能力为更多的可能性打开了大门，但这些概率的数量和范围还没有完全理解。这也是我们把医疗健康视为AI开发和应用多模式“圣杯”的最大原因之一。

三是AI医学研究正转化为产品和服务。

自21世纪初以来，从深度学习到现在的生成式AI，AI在医学研究应用领域开始增加。

在这个过程中，虽然取得了一些积极的成果，但医疗机构仍然没有找到大规模落地这些成果的方法。但是现在变了，大模型的出现让AI应用有了更大的落地概率。

看看自2000年以来FDA批准的AI//ML(人工智能与机器学习)设备数量指数增加，2024年批准的设备数量将是2014年的30倍。

各种迹象表明，目前已成为AI医疗领域发展的重要转折点。

02 三个关键假设

首先，落地方式-商业模式-市场匹配决定价值创造。

AI解决方案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。我们所说的方式是指AI产品的着陆方式(如软件、副驾驶、代理、服务、诊断和治疗)。通过不同的商业模式处理相同工作流程的公司，TAM差异可能高达25倍。

1）落地方式

当前，AI在医疗领域的落地方式主要有两种：垂直人工智能和医疗健康AI特定方式。

垂直人工智能方法包括：

• AI软件：具有丰富人工智能功能的平台，可以改善功能和客户体验

• 副驾驶：通过自动执行当前工作流程中的任务，支持人工智能助手，与用户共同工作，提高工作效率

• 代理：自主或半自主系统以最少的人工控制执行特定任务。

• 人工智能服务：通过人工智能提高传统服务的效率、准确性或客户体验

而且医疗健康AI的具体方法又分为诊断和治疗，这是医疗行业特有的方法。

通过当前或新模式的支持或自动识别AI诊断疾病(例如，视网膜成像 在心血管、代谢和神经系统疾病的诊断中，AI已经得到了应用，并且可以通过现金结算、保险或企业合同进行报销。

即使在更严格的疾病诊断阶段，包括心脏病学领域的Cleerlyy在内的一些AI诊断公司也出现了。、Viz领域的神经病学和心血管系统.ai 、Digital眼科领域 Tempus在Diagnostics和肿瘤学领域。

另外一种特定于医疗健康的方法是治疗，即以缓解症状或治愈疾病为目的的医疗方法。

更常见的治疗方法是AI帮助药物发现和开发。例如，Besseme投入的Seismic 为了应对抗原性等关键挑战，Therapeutic正在发现和开发机器学习和AI用于自身免疫疾病的药物。

实际上，公司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提升解决方案。

2）商业模式

AI商品的形式有利于确定最佳商业模式。尽管多种商业模式可以同时部署，但为了简单考虑，我们分享了基于应用和性能的两种主要商业模式结构。

三是对TAM和毛利率的影响？

我们使用了一个假设初创企业在眼科领域进行创新的例子，以表明方法和商业模式对公司TAM和毛利率的影响。

例如，美国大约有2万名眼科专家和5万名验光师，他们每年拍摄1800万张视网膜图像，每年注射700万次眼睛。2010年代，研究人员开发了一种方法，使用视网膜图像识别眼睛以外的区域病变(如糖尿病前兆)。

我们假设创业公司已经创建了一个由这些方法演变而来的AI解决方案。

根据方式和商业模式的不同，上面列出的TAM范围为8400万美元(对于选择按座位付费的SaaSaaS 副驾驶产品模式)达到21亿美元(对于基于使用量或“按服务收费”定价模式的辅助眼部注射AI服务)。

正如这一例子所强调的，如果AI模型独立部署，一般不能更好地发挥其潜在价值，而且可能给客户的应用带来困难。为了最大限度地获得价值，促进产品着陆，公司需要考虑垂直整合的商业模式，即利用AI提高或重新设想当前的工作流程，有效满足客户的需求。这一垂直整合方法不仅能解决更全面的问题，而且能在整个价值链中挖掘出更多的收入来源，从而扩大潜在的市场规模。

考虑下列有目的的软件解决方案及其垂直集成解决方案示例：

放射学：AI优先放射软件产品和AI支持的放射服务提供商可以提升整个图像采集和解释工作流程

收益周期管理：AI优先编码和计费软件以及综合收入周期管理服务，具有AI特征和功能。

临床试验：AI优先软件用于临床试验招聘和选址，全方位服务机构采用AI管理端到端实验招聘和选址。

值得注意的是，方法和商业模式也会影响毛利率，而更高的TAM和更健康的毛利率之间往往会有衡量。举例来说，虽然人工智能眼部注入服务的TAM几乎是人工智能软件产品的两倍，但是从历史上看，SaaS的毛利率远远高于医疗保健服务。但是这种做法正受到人工智能公司的考验，很多公司都在使用人工智能来提高基于服务的交付模式的效率。

其次，多模态是AI医疗的“圣杯”。

由于医疗健康信息是多维的——多模态技术将在AI医疗领域有更大的发挥空间，包括临床记录、医学影像、音频、视频、患者报告结果、可穿戴设备数据、时间序列信息、暴露数据、基因测序结果等。

目前，AI公司已经推出了多模态AI产品。例如，Theator提供多模态AI产品，用于手术视频分析和关键观点注释，同时为放射科医生提供RadAI的AI诊断文档解决方案。

当丰富的生物医学数据与人口信息、运营洞察力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，增强医疗健康系统的功能和质量。

三是需要专门用于垂直领域的基础设施——而且要快。

第一)网络安全和数据隐私

医疗数据是暗网上最受欢迎的数据之一，医疗机构支持巨大而不断扩大的攻击面，使其容易受到勒索病毒的攻击。虽然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，其基础设施的选择和强度已经落后于其他行业。

人工智能处理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范围，引入注入攻击等新类型的攻击，模型训练中使用的数据将被识别。虽然我们看到一些创业公司正在努力填补这些空白，但基础设施仍处于起步阶段。

二是数据生成和管理

医疗健康AI模型的培训需要大量的优质数据，代表着预期的用例和人口特征。目前医疗健康系统中的活动“废弃”数据本身可能不够。

近几年来，包括Protegege在内的一些有前途的医疗健康数据市场已经出现。、Gradient和Omny Health，然而，仅仅依靠这些市场并不能为每个AI模型提供数据。优质数据的数量并不是唯一的差距。有必要通过扩展方法识别敏感患者的信息，并在征得患者同意后再次大规模识别数据。

模型性能基准测试

一个高性能的AI模型对于将研究成果转化为医疗卫生产品尤为重要。然而，医疗行业缺乏模型能力的功能测试。虽然行业试图让ChatGPT参加美国医生执照考试来评估其在医疗卫生用例中的能力，但这并不能准确衡量其落地的可行性。因此，医疗行业缺乏应用领域模型能力的评价体系。

4）模型监控

AI模型的效果可能会因为数据或模型运行环境的变化而不稳定。这在实际应用中是致命的。例如，如果人工智能诊断出错，可能会影响1000多名患者。模型需要一个模型监控的风险控制系统来实时评估模型的性能，从而大大降低模型带来的风险。

5）治理

为了更高效、更安全地使用AI医疗技术，组织内需要明确的负责人。这个人的职责是了解AI在所有业务环节的应用，并对其进行监督和维护。

03 六项AI医疗投资标准

我们的投资标准主要涵盖AI医疗领域的六个核心技术主题，即：

交互系统：人工智能平台或服务支持用户与人工智能算法实时动态互动，完成从临床决策支持到患者参与和资源管理的各种医疗任务。

多模式技术：人工智能系统集成和分析各种数据类型(如文本、图像、音频和传感器数据)，以提供观点和识别新模式。

模拟：人工智能虚拟环境和预测模型，可以复制复杂的医疗和使用场景，实现零风险培训，战略测试和结果预测。

对基础设施进行评估：规范框架、工具和方法，旨在评价人工智能算法在各种医疗应用中的性能、可靠性和伦理影响，确保可靠性和有效性。

传感器或机器眼：先进的视频、传感和数据捕捉技术可以检测、分析和解释医疗数据、操作数据或设备性能中的细节，一般超出人类的能力。

专业化基础模型：人工智能系统专门为医疗健康的特定应用而设计，利用大型预训练模型，提高诊断、个性化治疗、工作流程优化等领域的准确性、效率和可扩展性，以提高临床和行政环境下的特殊任务。

虽然医疗卫生市场可能比看起来小，但仍有很多细分市场空间超过10亿美元。我们将这些细分分为低风险和高风险:

正如预期的那样，AI解决方案在医疗卫生领域的应用曲线正在从“低风险”转变为“高风险”，即从后台转变为前台和工作台的垂直领域。抓住后一类机会的公司，在进入市场之前，必须清除更多的障碍，面对客户更严格的审查。考虑到商业周期长，创始人应该意识到资本消耗和资本需求。

平台潜力

Pitchbook 数据显示，美国4000多家医疗健康人工智能公司已经投入使用。然而，如果你仔细观察，你会发现情况与我们以前看到的有很大不同。

最值得注意的是，医疗行业的公司老板是经验丰富的买家。他们从过去的经验中吸取了教训，不喜欢单一的解决方案，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医疗公司将专注于上游产生大量有意义数据的基本工作流程的关键节点。

医疗健康AI平台通过掌握数据建立和工作流程启动的关键点，可以对一系列下游流程产生重大影响，从而实现可观的收益。这种方法有三个优点:

1.工作流程控制:平台可以简化和优化多个产业链玩家的核心流程，将人工智能驱动的洞察力融入到日常运营中，从而促进整个医疗生态系统的标准化和良好实践的创建。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、更高效的医疗服务。

2.数据优势:通过与一个行业玩家建立数据密度，平台可以与生态系统中的上下游形成新的合作机会。通过捕捉独特且难以复制的多元化互补数据，他们不仅可以开发新颖的多模式解决方案来解决复杂的医疗健康问题，还可以提高平台的防御能力。

3.配送:平台可以利用现有的利益相关者关系快速扩大选择范围。随着越来越多的用户为平台做出贡献并从中受益，会出现强大的网络效应。这些平台的中心地位也促进了生态系统中其他人工智能解决方案的交叉销售，通过综合多利益相关者的方式降低了客户的获取成本。

例如，临床文档平台Abridge将自己定位为患者与医疗服务提供商沟通的记录系统。Abridge不仅简化了临床工作流程，而且创建了丰富的数据集，为医疗生态系统中的其他利益相关者提供价值奠定了基础，从收费到护理协调再到临床试验等各种下游流程提供数据。

人工智能在医疗卫生领域的其他战略启动点除了医患对话外，还包括处方点和耐用医疗器械 (DME) 购买、医生教育、证据生成、临床试验方案设计、生物样本采集和储存等。每一个重要节点都有可能成为人工智能驱动创新和价值创造的地方，不仅对于一家医疗健康的人工智能公司，对于很多公司来说也是如此。

本文来自微信微信官方账号“秃鹫智能说”，作者：智能秃鹫，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com