我国医疗行业存在资源相对稀缺且分布不均的痛点，AI技术有望改善医疗服务体系。2019年中国千人医生数为2.2，低于美国等发达国家，医生超负荷工作仍难以提高患者的诊疗效率。同时，我国医疗资源分布不均，优质医疗机构及专业人员向城市及东部倾斜。我们看到AI能够学习真实世界的反馈并分析大量数据，提高医疗效率及普惠性、前置健康管理时点等。
风险
AI落地不及预期；医疗数据互联互通的建立不及预期。
正文
医疗资源相对稀缺，人工智能助力提效降本
我国医疗资源分布不均，向城市及东部地区倾斜
我国城乡医疗资源分布不均，优质医疗机构及专业人员向城市倾斜。根据2020年中国卫生健康统计年鉴，基层医疗卫生机构占中国医疗机构总数的95%，其中村卫生室占比最大，达到64%。我们看到，农村虽然医疗机构数量多，但人均可获得医疗资源较城市仍有差距，农村千人卫生人员数为5.0，低于城市11.1的水平；同时，农村医疗机构的医护人员在学历、专业技术资格等方面不及城市从业人员，医疗机构的检查能力、手术能力以及药品供应能力都较城市有很大差距。
图表1：2019年我国不同等级医疗机构能力对比
注：根据中国卫健委，I级手术指技术难度较低、手术过程简单、风险度较小的各种手术；II级手术指技术难度一般、手术过程不复杂、风险度中等的各种手术；III级手术指技术难度较大、手术过程较复杂、风险度较大的各种手术，；IV级手术指技术难度大、手术过程复杂、风险度大的各种手术
图表2：2019年中国各医疗机构卫生技术人员学历构成
图表3：2019年中国各医疗机构卫生技术人员专业技术资格构成
图表4：2019年中国城市及农村卫生人员结构
图表5：2019年中国城市及农村每千人口卫生技术人员
我国城市医疗资源分布不均，东部/一二线城市强于西部/三四线城市。我国城市间的医疗资源分布存在倾斜，东部重点城市特别是直辖市、部分省会城市及一线城市表现出较强的医疗硬件环境竞争力。根据中国社科院《中国城市医疗硬件环境竞争力专题报告》，从医生和医院数量来看，北京、上海、广州、重庆、成都等大城市资源总量大；从三甲医院数量来看，优质医疗资源前十城市均为一、二线城市，东部地区居多。
图表6：2019年中国城市的医疗硬件环境竞争力情况
图表7：2019年中国城市的医疗硬件环境竞争力情况
图表8：2019年拥有医生数TOP10（标准化指标）
图表9：2019年三甲医院数TOP10（标准化指标）
医生超负荷难提诊疗效率，人口老龄化加剧基层医疗短缺
图表10：2020年每千人医生数
人口老龄化加剧，基层医疗面临挑战。根据国家统计局，2019年我国65岁及以上人口占总人口的13%，已高于联合国披露的世界平均水平9%，远超国际老龄化7%的标准。农村地区由于青年劳动力流失等原因老龄化问题突显，医疗支出压力较大，2019年中国乡村、镇、城市65岁以上人口占比分别为14.5%、11.6%、11.0%，2020年农村居民人均医疗支出占消费比重为10.3%，远高于城镇8%的水平，农村的高需求给相对匮乏的供给提出更加严峻的挑战。
图表12：2011-2020年我国65岁以上人口占比
图表13：2016-2020年城乡居民人均医疗支出及占比
可预防死亡占比达四分之一，预防性医疗保健有望节约医疗资源。根据Learningdisabilitytoday，2020年20至74岁成年人可预防死亡占比为24%；根据OECD，2017年经合组织有近300万人过早死亡于本来可以预防和保健干预的原因，占总死亡人数的1/4。我们认为，预防保健可以前置健康管理时点，可以在一定程度上减少疾病发生风险，缓解医疗资源供需问题，最终节约全社会的医疗成本。
AI赋能医疗提效降本，提升医疗行业的普惠性
人工智能是利用计算机或计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的技术。随着深度学习等人工智能技术的进步，以及我国医疗卫生数据壁垒的逐步降低，AI技术越来越多地赋能医疗健康领域，包括健康管理、公共卫生、医学影像、药物研发、医疗机器人、精准医疗、医院管理等。凭借从真实世界的反馈中学习进而分析大量复杂数据的能力，AI技术能够提高医疗机构和人员工作效率及诊断准确度，提升医疗保健普惠性，前置健康管理时点，最终打通医疗数据壁垒，完善医疗服务生态。
图表14：AI医疗能够带来的好处
数据、算法、算力推动行业发展，AI多场景赋能医疗
中外早期聚焦知识库，国内近五年快速发展。20世纪前，临床知识库是中外AI医疗的研究焦点，受限于设备未得到广泛应用。2000年至2015年间，国外转向手术机器人、电子病历等；而中国仍以临床知识库为主，发展相对缓慢。2015年以来中国的人工智能医疗行业加速发展，2015至2017年，AI影像受益于AI在图像识别方面的准确率提升，得以快速发展，CDSS产品得益于在临床知识库的长期研究，逐渐走向成熟；2018年后基因检测、智慧病案等新产品相继面世；2020年中国AI医学影像多赛道产品获NMPA审评审批，标志产品从应用落地走向商业化。
图表15：中国及国外AI医疗发展历史
图表16：2010-2020年中国AI+医疗融资额与融资数
图表17：2021年1-8月融资金额行业分布
三大基础设施持续完善，破解“数据孤岛”是重中之重
AI深度学习需要建立在海量的优质数据上。一方面优质的数据决定了模型的准确性、通用性，而另一方面模型的日益复杂也推动着数据量需求的提升。
医疗数据具有隐私性较高的特点，记录不完整、格式不统一等问题导致“数据孤岛”的存在。医疗数据的泄露会侵犯公民隐私权，且涉及伦理道德问题，导致医疗数据在储存和使用方面都有更加严格的限制。同时，在医疗全过程中，病历数据在不同人员中流转，导致数据记录碎片化，诊断逻辑不完整。根据亿欧智库，每家医院都拥有自己的信息管理系统和患者病程记录管理规范，格式多达几百种。医疗数据的不完整和不标准催生了“数据孤岛”问题。我们认为优质数据作为AI模型的必要数据，医疗数据的互联互通是人工智能深度赋能医疗的关键。
图表18：医疗大数据特点
基础设施2：数据及应用场景提出算法差异化需求
图表19：人工智能算法在医疗领域的应用
基础设施3：算力爆发支持人工智能落地
GPU以并行计算满足AI高算力需求，DPU提升数据中心的数据处理能力。传统CPU由于运算单元占芯片面积比例较小、峰值运算性能有限等原因，难以满足人工智能对算力的需求，而GPU的内部处理由众多并行计算单元支持，适合处理大量类型统一的数据，并行计算速度远高于CPU，在头部厂商英伟达的推动下，GPU单芯片运算性能8年提升了317倍，缓解了深度学习算法的训练瓶颈。而DPU则主要承担网络、存储、安全等加速处理任务，根据英伟达的数据，运行数据中心基础设施需要消耗20%~30%的算力，英伟达的BlueField-2DPU能提供相当于125个CPU核所能支持的数据中心服务，进一步释放数据中心的算力。
图表20：NVIDIAGPU运算性能
图表21：NVIDIADPU性能提升规划
人工智能加速渗透，多场景赋能医疗行业
医学影像：AI医学影像产品陆续获三类证，部分应用领域同质化
人工智能技术效果显著，为应用最为广泛、成熟的领域。根据数坤科技招股说明书，医学影像数据占全部临床数据的80%以上，且以30%的速度增长，而医生的增长速度只有6%，叠加医学影像分析的复杂性和耗时性，误诊率高、医生严重缺乏等问题亟需解决。AI+医疗影像的应用主要包括两个方面：1）将计算机视觉能力应用于感知环节，识别非结构化影像数据以获取结构化数据；2）基于深度学习技术，利用临床影像数据、诊断经验训练神经网络模型，并基于不断验证与优化的模型，辅助临床诊断，降低漏诊误诊概率。
政策的推动：新冠疫情催化肺炎人工智能产品规模出现，政策先行吸引海量企业入局。如在2020年3月5日，NMPA、CFDA印发《肺炎CT影像辅助分诊与评估软件审评要点（试行）》，对软件功能和训练数据提出要求。
技术难度相对较低：肺结节、糖网仅需对平面病灶检测和分类，技术壁垒最低，故布局企业最多。而以技术难度较高的心血管检测为例，人体心脏持续搏动，且冠脉血管管径差异从厘米至毫米不等，呈数量级差异，需要对心脏结构及心脏血管的三维影像重建，导致数据和算法要求会更为严格；头部和腹部技术壁垒较高，主要原因系头部复杂的解剖结构及影像辨认存在更多干扰因素，腹部器官影像受检查时体位及运动影响。
图表22：截至2021年8月人工智能医疗影像获得医疗器械三类证情况
医院管理：AI赋能医院管理提升医院运行效率，仍存在优化的空间
医院处于数字化转型窗口期，运行效率有望显著改善。医院作为我国医疗服务体系的核心，亟待数字化转型。人工智能能够替代医护人员进行繁杂重复的行政管理工作，提高医院整体效率，缓解医疗资源不足的问题；同时，利用深度学习等技术能够为医护人员、医院管理者提供决策支持。以约翰霍普金斯医院为例，在采用GE的人工智能技术优化患者就医优先级规则后，医院的收治能力提高了60%[2]。目前人工智能在我国医院管理领域的主要应用方向包括电子病历管理、智能导诊与分诊、质量管理和精细化运营等。
图表23：人工智能赋能医院管理的应用场景
电子病历是目前AI在医院管理领域应用最为广泛的领域。传统病历的数据类型多样、数据结构庞杂，基于AI的计算机视觉、自然语言处理、语音识别等技术，可以将大量文本及语音输入进行识别和分析，实现病历的标准化和结构化，并在深度学习的基础上实现辅助诊疗等功能。中国重视医院信息化的政策引导，将电子病历评级纳入医院评级标准。卫健委于2018年12月提出要求，到2020年，所有三级医院达到分级评价4级以上（全院数据互换，初级医疗决策支持），二级医院要达到3级以上（部门间数据互换）。根据中国医院协会数据，截至2021年3月，86.1%的医院将电子病历系统作为最重要的信息系统建设领域。随着国家医药体制改革的深化，健康信息全面整合需求不断增长，电子病历前景广阔。
互联互通是充分发挥电子病历数据价值的关键。互联互通包括两个方面：1）医院内部电子病历与其他信息化系统的结合；2）医院之间的数据及信息共享。对于医院内部，HIS、HRP、HIP、CIS、EMR、PACS、LIS等多种信息系统并存，致使各医疗数据处于孤岛状态，无法得到有效利用；同时，不同医院间的电子病历数据难以共享使用，而电子病历数据作为模型训练的数据输入，其数据质量及规模会影响其应用价值，我们认为院内及医院间数据的互联互通是充分发挥电子病历数据价值的重中之重。
图表24：电子病历系统应用水平分级评价标准
医疗机器人：助力诊疗效果提升，潜在应用空间大
手术机器人壁垒高且潜力大，根据国际机器人联合会（IFR）分类，医疗机器人分为手术机器人、康复机器人、辅助机器人、医疗服务机器人四大应用领域。
智能康复机器人：智能康复机器人针对患者损伤程度和康复程度，可以自适应提供个性化训练，同时，传感器实现患者数据及时反馈，帮助医生改进治疗方案，提高治疗质量和效率。目前我国康复机器人企业多活跃于中低端领域，高端市场仍以进口产品为主，康复机器人领域有望在未来迎来国产替代新机遇。
手术机器人：手术机器人主要分为两类，一是操作手术机器人，用于辅助医生进行手术；另一类是定位和导航机器人，主要应用于骨科和神经外科，实现比普通人工手术更高的精准度和运动的稳定性。但由于政策限制、价格昂贵、公众接受度不高、技术壁垒高、研发难度大等多方面原因，手术机器人在我国渗透率仍然较低。
辅助机器人：辅助机器人用于辅助或扩展人类的运动或认知能力，基于机器人、机器视觉等技术进行辅助诊疗，包括胶囊机器人、制药机器人、诊断机器人和远程医疗机器人等。目前胶囊机器人市场增速较快，包括胃镜和肠镜两大类，胶囊机器人+自动诊疗系统可以通过采集导的图像自动判断患者可能出现的问题。
医疗服务机器人：医疗服务机器人主要用于分担人类的繁重工作，落地方向包括看护、医药物流、消毒杀菌、病人看护等。在疫情中使用的智能消毒机器人，可以在指定地点消毒，有效节约人力资源，阻碍疫情蔓延。
图表25：2019年中国医疗机器人市场结构
图表26：胶囊机器人
精准医疗：人工智能助力医疗精准化，在诊断和治疗多环节发挥作用
精准医疗强调个体差异，强调医疗诊断的精准化、微观化。精准医疗将个体在遗传、环境和生活习惯等方面的差异列入考虑范围，而人工智能对处理海量基因数据具备明显优势，可以提高精准医疗的效率和准确度，并针对结果给出相应预测。精准医疗主要包括基因测序、细胞免疫治疗和基因编辑三个层次。
基因测序：基因测序是精准医疗的基础，是指从血液或唾液中分析测定基因全序列，AI技术可以提升基因测序的准确度并降低成本。2017年谷歌发布基因测序DeepVariant，采用深度学习方法进行基因变异识别，与传统高通量测序相比错误率减少超过50%[3]。
细胞免疫治疗：免疫疗法是利用人体自身免疫系统的癌症疗法，然而仅有15%-30%的患者能够对此类疗法产生反应。AI可以预测免疫疗法的治疗效果，增加治疗成功的几率，如法国学者利用AI技术分析患者的CT影像，准确预测了PD-1抑制剂的治疗效果[4]。
基因编辑：指对生物体基因组特定目标基因进行修饰的一种基因工程技术，为精准医疗的应用阶段，利用AI技术可以对基因编辑结果进行预测。苏黎世大学的研究人员建立的深度学习算法BE-DICT能够高精度地预测碱基编辑结果[5]。
精准医疗仍处于起步阶段，癌症领域较为成熟。精准医疗分为诊断和治疗两类，根据信通院，精准诊断及精准治疗的市场占比分别为29.3%和70.7%。精准诊断应用较为成熟，包括遗传性疾病的筛查与诊断、癌症的分子分型及分子病理诊断等场景；精准治疗主要包括药物基因组学、伴随诊断、分子靶向治疗和免疫疗法等方法。我们认为，在人工智能技术的赋能下，精准医疗有望取代传统“一刀切”、“以身试药”式的诊疗方案，使个性化、低成本、高成功率的癌症治疗成为可能。
健康管理：健康数据分散割裂，健康管理平台公司打造数据闭环
人工智能助力健康生活，将健康管理前置到预防阶段。人工智能赋能健康管理，包括身体健康管理与精神健康管理两个方面。对于身体健康管理，利用可穿戴设备获取的生理动态数据、计算机视觉技术获取的食物信息、电子病历等数据，分析用户健康水平，实现风险识别、AI在线问诊、慢病管理、生活方式建议等功能；对于精神健康管理，主要利用人脸识别、语音识别等AI技术，进行情绪及情感状态识别，实现对精神疾病的预测和治疗。目前该领域仍处于初步探索阶段，具有进一步发展潜力。
可穿戴设备：根据卫健委，2019年我国因慢性病导致的死亡占比达到88.5%[6]，而可穿戴设备的广泛使用为及时收集多维度健康数据带来可能，人工智能可以利用庞大的数据集加以分析，给出专业化建议，前置健康管理时点。
移动医疗：AI问诊基于医生的常用问题、病人的检查数据等即可确定大部分病症，并能按照医典和药理学数据库提供精准的医学建议。
精神健康：患者端，AI可以主要帮助用户进行情绪调节，如通过自然语言处理、语音识别等人工智能技术与处于情绪低落状态的人进行及时的沟通交流，提供情绪疏解的途径；医生端，人工智能技术能够帮助医生对精神疾病进行诊断、治疗和持续监控，并预测神经内科疾病，如阿尔兹海默症等。
图表27：2020年中国成年人慢性病类型及比例
健康管理智能化程度低，健康管理平台或可破局。由于可穿戴设备等硬件水平和健康数据积累不足，目前我国健康管理的智能化水平较低，大部分应用停留在单一身体部位的数据提取、采集和分析上，难以满足用户全面感知、改善健康状况的需求。我们认为，通过健康管理平台构建数据网络并形成用户全面的身体健康画像是未来人工智能深度赋能健康管理的发展方向。
图表28：可穿戴设备在健康管理中的应用
图表29：智云健康个人慢病管理系统
药物研发：人工智能技术特性匹配，仍处于发展初期
图表30：人工智能技术在药物研发中的应用
企业积极布局AI药物研发赛道，我国仍处于发展初期。目前布局AI药物研发的企业包括IT巨头、AI药物研发企业、传统药企，而由于AI药物研发公司与传统药企在AI技术、数据、研发管线、医药专家等方面优势互补，传统药企与AI技术公司联合是目前主要的业务模式。我国AI药物研发起步较晚，目前尚处在初期阶段，根据火石数据库，截至2020年10月，中国AI+药物研发初创企业不足20家，主要分布在北京（7家）、上海（3家）、杭州（3家）和深圳（2家）等地。我国创新药研发起步较晚，原始数据积累有限，且国内药品数据存储分散，病历等数据未实现标准化、数字化，我们认为医药数据的数量和质量是制约我国制药行业AI发展的主要因素。
公共卫生：公共卫生具有普惠性，疫情防控催化人工智能落地
公共卫生是我国医疗健康卫生事业的建设重点，疫情防控将人工智能落地推入快车道。痛点及人工智能可以在传染病防控、健康宣教、卫生监督、疫苗接种等场景等方面发挥作用。
图表31：人工智能赋能公共卫生
AI应用尚处初期，疫情催化预警及排查领域发展。从行业参与者及市场现状来看，目前公共卫生领域尚处于人工智能应用的初期阶段。在公共卫生领域中，我国庞大的人口在疾病的诊疗、健康教育、社区卫生服务等环节创造了丰富的数据，叠加疫情催化，人工智能正在该领域加速发展，如公共卫生传染病大数据分析预警系统、疫情排查系统、智能测温机器人、消毒机器人、语音服务机器人等被广泛应用于战“疫”一线，我们认为，未来传染病大数据分析预警系统和疫情排查系统这两个领域将进一步释放潜力。
政研产医合力突破瓶颈，助力共同富裕
数据及商业模式成为制约AI+医疗发展的瓶颈
数据标注的专业性较强，人才缺乏。医疗影像等医疗数据标注对医学专业知识的要求较高，需要专家参与，但医生同时承担临床、科研等任务，投入数据标注的精力有限。人才的缺乏使得训练的可用数据较少，对模型的准确性和适用性都提出了挑战。
图表32：AI医疗产品数据处理流程
在医疗领域应用人工智能技术成本较高，目前支付动力不足
人工智能医疗产品兼具科技行业和医疗行业高成本的特点，一方面，企业需支付高昂数据成本，保持高研发投入以跟进技术变革；另一方面，企业要广泛布局临床试验，与关键意见领袖、知名医生以及领先医院建立紧密的合作关系。该行业成本主要由以下三方面构成：
数据获取和标注成本：1）数据获取成本高昂：医疗数据规模庞大，高质量数据渠道掌握在三甲医院等医疗机构手中；2）人工标注成本高昂：医疗数据需由专业医师标注，企业需要支付大额劳务费。
研发成本：人工智能行业需要保持技术创新，而产品研发本身具有随机性，需要投入大量研发费用，以鹰瞳科技为例，公司2019年和2020年的研发费率分别为135%和89%。此外，研发成功的新技术能否落地，也需要大量投资验证和推广。
试验、销售和运营成本：为取得中国第三类医疗器械产品证书，企业需自费与医院合作进行大量昂贵且耗时的临床试验。即使企业经历漫长的监管审批取得证书后，企业仍需打造营销及分销网络，最终培训医生使用候选产品。
产品仍未规模化应用，商业模式不清晰。目前AI+医疗的商业模式仍处于探索阶段，包括销售硬件、软件与服务、数据、整体解决方案以及开放自建数据库等商业模式，面向医疗机构、个人、政府、医疗器械商、保险等客户群体，由于医疗机构掌握了核心数据及应用场景，目前人工智能技术企业主要面向B端（医疗机构）客户。我们看到下游客户尚无明确的付费意愿，大多数AI+医疗产品还处于免费使用阶段，对于医疗机构而言，传统线下诊疗模式成熟，人工智能主要作为工具起到辅助医生诊断的作用，且AI为医院带来的收益难以量化，叠加新技术的学习成本，目前医院端付费意愿不强；对于C端客户而言，健康管理的观念、健康生活的习惯仍需培养。
图表33：医疗人工智能的主要商业模式
政府及产学医联动是推动人工智能深度赋能医疗的关键
政策推动数据互联互通，强化隐私保护
由于医疗数据的分散性、不完整性等特点，其数据价值无法被充分利用，自2013年，国家政策持续推动医疗信息化建设，构建互联互通的标准化数据库。
医疗信息化建设：截至2020年9月，中国三甲医院已实现全院信息共享，二级医院已实现部门间数据交换，但与构建了可互操作医疗信息化生态系统的美国相比仍有较大差距。我们认为，政府应沿《电子病历系统应用水平分级标准》及时推进医疗信息化的建设，最终实现全国级别的医疗数据全面整合。
图表34：2013年-2021年中国重点医疗大数据政策
图表35：健康医疗数据的全生命周期管理蓝图
产学医联动，推动数据标准化
以人工智能技术深度赋能医疗，需要在深刻理解临床需求的基础上，以优质数据及算法解决行业痛点。我们认为，产学医的合作有助于建立标准化数据库、制定监管标准并深化各方对临床需求的理解。
医院、业界与学界联合，提升人工智能技术与应用需求的契合度。人工智能技术的发展及产品开发依托于对特定场景痛点及需求的理解，在产品研发阶段与医疗机构合作能够提升产品与医疗需求的契合度，为后续医疗机构的支付意愿提供支撑。同时，企业与学界合作一方面能够受益于学校前沿技术优势，也能够在一定程度上实现成本分担，降低医疗人工智能企业的研发成本。我们认为，产学医的联动也是医疗人工智能产品实现盈利的重要助力。
政府鼓励公立医院进行研发投入，补贴基层医疗机构
从乡村振兴到共同富裕，基层AI医疗和健康管理有望落地
要判断AI+医疗的发展方向，需求和供给的匹配关系是重点。针对未来率先落地之方向，我们的思考如下：
AI将在基层医疗/农村率先落地。促进共同富裕，要着力推进基本公共服务均等化，更加注重向农村、基层、欠发达地区倾斜。我们认为，短期内AI医疗产品仅能辅助医生提升工作效率，在发达地区边际贡献有限，带来的问题是没有人愿意为额外高昂的AI成本买单；但在缺乏医疗资源的欠发达地区，AI可以降低获取优质医疗知识资源的成本，提升偏远地区诊疗水平，促进“健康公平”，让科技成果更多更公平惠及全体人民。
医学影像之后的下一个落地方向是健康管理。在《健康中国2030规划纲要》中明确指出，要坚持预防为主，前移疾病关口。随着生活水平的提高，健康成为广大人民群众愈发重视的共同追求，全方位全周期的慢性病健康管理市场需求广阔。我们认为，随着机器视觉技术的成熟、可穿戴设备的推广，健康管理服务发展趋于完善，其具有的预防属性不仅可以提升全民生活水平，更可以节约全社会医疗资源，有望率先商业化落地。
AI+医疗的终局在于赋能完整医疗场景。目前我们处于单任务优化阶段，且企业集中于肺结节和眼底疾病影像检查。然而各医疗领域不可能孤立存在，如药物治疗的变化催生伴随诊断，伴随诊断的发展进一步促进药物研发。我们认为，AI医疗的未来在于医院、区域信息平台、智能硬件商、软件商、运营商、物流服务、云服务等企业的协同发展，从赋能单病种进化至赋能完整场景，形成“预防——治疗——康复——健康促进”多位一体的良性循环生态圈。
市场空间
产业链及市场空间
AI+核心医疗产业链可以分为基础层、技术层与应用层。1）基础层：作为底层为AI训练提供强大的算力及医疗数据，核心是AI芯片、设备提供商、服务器，除数据服务外，芯片与通信等基础核心领域已形成牢固的技术壁垒；2）技术层：作为中层为产业链提供多种AI算法技术能力，由技术提供商、解决方案提供商、系统集成商构成，需要长期保持高投入与高研发，目前各大科技企业与互联网巨头企业已基本完成布局；3）应用层：作为最外层可触达各医疗目标市场，包括医疗行业解决方案和应用平台等形式，目前已有大量的互联网医疗公司和传统医疗公司涌入。
图表36：中国人工智能医疗产业图谱
药物研发、精确医疗、医疗影像保持高速增长，推动中国人工智能医疗市场规模达到百亿元人民币量级。根据沙利文，2020年中国人工智能医疗市场规模达到66.25亿元，随着AI技术在精准医疗、医疗影像等领域的落地，AI+肿瘤治疗与诊断2020-2025年CAGR达到126%；同时随着人工智能在药物研发领域的应用推广，AI+药物研发2020-2025年CAGR达到62%；预计AI+医疗2020-2025年复合增长率将达39%，2025年中国AI+医疗的市场空间达到345亿元。
图表37：中国医疗AI主要应用领域市场规模
风险分析
AI落地不及预期。人工智能技术赋能医疗行业要求数据、算力、算法三大基础设施完善，目前我们看到，在算力发展、算法优化、大数据建设的背景下，人工智能持续赋能各行各业。未来如果人工智能算法发展不能与下游需求契合，算力及大数据发展不及预期，可能会影响人工智能技术赋能医疗行业。