一個視頻看懂AI醫療的一切

這是你全面瞭解AI醫療賽道的第一期視頻 最近刷屏的螞蟻阿福是一個信號 那就是AI醫療已經完成積累 即將爆發 根據投報研究院測算 三年之後 AI醫療的市場規模 將佔到整個人工智能行業的15% 爆炸式的增長意味着一波堪比 移動互聯網的機會正在到來 如果你也想抓住紅利分一杯羹 那麼這期視頻絕對不能錯過 過去幾個月 我和多位行業專家 乃至諾獎級大佬深度交流 系統閱讀了上百份研究報告 接下來 我將用最通俗易懂的方式 給大家介紹 每個AI醫療賽道的技術路徑 有哪些企業 核心產品是什麼 商業模式是怎樣的 放心不賣課 只需要你一個小小的關注 因爲內容實在太多 所以2026年 閒魚寶將在原有更新計劃之外 每個月發佈AI醫療專題系列內容 同時也會邀請一線大佬們 來聊聊他們最真實的經驗與觀察 那麼今天這期視頻就是第一課 我們從AI醫療的底層邏輯說起 什麼是人工智能 相信大家都不陌生 簡單來說 它就是一個由人類創造的數字大腦 雖然是機器 卻能像人一樣進行感知 思考 推理 並做出決策與行動 爲了實現這一目標 科學家們在過去幾十年中 不斷探索 提出了多種路徑與方法 最終演化出兩大流派 符號主義與連接主義 我們不需要深入理解定義 用一個經典的例子 就能快速理解它們的差別 當讓AI識別貓時 符號主義的方法是 由人類事先制定一套規則 比如有尖耳朵 鬍鬚 長尾巴 會找米老鼠的生物 就是貓 而連接主義則完全不同 它會讓機器看一萬張貓的圖片 在不斷學習和訓練中 自動總結規律 目前 在整個AI領域 連接主義已經成爲主流 我們日常接觸到的 ChapGPD DeepSeek 以及各種文生圖 文生視頻 等生成式AI應用 都是建立在 連接主義基礎之上的 但值得注意的是 在醫療領域 符號主義依然扮演着 不可替代的角色 所以我們也有必要一併瞭解 符號主義的代表技術 是知識圖譜 簡單來說 它就是人爲把知識 以網絡和符號的形式連接起來 比如這是一個 關於高血壓的知識圖譜 它會規定 高血壓可能表現出的 18種症狀 涉及6580種藥品 關聯47項檢查檢驗項目 當你輸入一個病例後 系統就能基於這些規則 進行判斷 這個人有沒有可能是高血壓 該做哪些檢查 怎麼確診 如何用藥 所以知識圖譜本質上 就是將碎片化的 醫學教學 臨牀指南和藥物說明書 整合成了一個 可以運轉的臨牀思維導圖 它最大的特點就是 決策過程透明 醫生可以清晰地看到 每一個判斷背後的知識來源 與推理路徑 因此它也被稱爲白盒子 有了白盒子 自然也有與之對應的黑盒子 它就是連接主義的代表技術 深度學習 與知識圖譜不同 深度學習不需要人爲制定規則 而是通過海量的臨牀數據 輸入一個黑盒子 例如一千萬份 高血壓患者的電子病例 盒子會進行自我學習 在這個過程中 它不會像知識圖譜那樣 基於固定規則進行推理 如果血壓高於某個數值 則診斷爲高血壓 相反 它會在海量數據中 比如它可能會識別出 當某些血生化指標 基因點位和生活方式的 特定組合出現時 就預示着患者 被診斷爲高血壓的概率 大幅增加 這種複雜的關聯 甚至連人類專家 都不一定會意識到 於是當你輸入一個病例後 黑盒子不會給出 因爲A 所以B的推理鏈 而是會說 該患者的整體數據模式 與數據庫中 預後最好的8萬例患者 相似度爲87% 建議使用某某治療方案 它的優勢在於 能夠基於海量的歷史數據 做出超越單一規則的 綜合判斷和精準預測 由於這個決策過程 是不透明的 所以我們稱它爲黑盒子 或者叫它深度學習模型 它本質上 其實就是一個超複雜的函數 你也可以把它想象成一臺 擁有上億個 可調節旋鈕的機器 在機器的一端 我們輸入原始數據 比如一張CT影像 它包含幾千萬個像素點 在機器的另一端 模型會直接輸出 我們想要的結果 比如這張CT影像顯示 惡性節節的概率爲92% 它的特殊之處在於 我們無需手動 爲每個旋鈕設置規則 比如DX像素是暗的 就向惡性加一分 DY個像素是亮的 就向良性加一分 相反 它依靠一種 名爲反向傳播的算法 通過海量帶標籤的數據 進行訓練 比如訓練者會爲模型提供 成千上萬張 已經被醫生標註爲 當輸入一張訓練的CT圖像時 機器會根據當前旋鈕的設置 給出一個初步猜測 這時猜測可能是錯的 但機器會將結果 與正確答案進行比對 計算出誤差 然後這個誤差會沿着網絡 反向傳播 自動調整每個旋鈕 決定該如何轉動 才能使下次的猜測更加準確 通過海量數據的反覆訓練 機器不斷優化 直到它做出的判斷 越來越精準 最終這個複雜的數學函數 形成了一個人類無法直接解讀 但極其有效的 從數據到答案的映射關係 它學到的不是 因爲毛刺針 所以是惡行這條文字規則 而是一套對像素 紋理 形狀等底層特徵之間 超複雜非線性關係的 綜合判斷體系 這也是爲什麼 我們人類難以理解它的原因 總之不管你聽沒聽得懂 現在只需要知道 它的名字叫做模型 是AI之所以聰明 之所以可以賦能 各行各業的根本所在 也就是說 任何AI應用的背後 最終都會是一個模型 在發揮作用 因此對醫藥企業 或者醫院來說 無論你想將AI應用於哪個環節 研發 生產 銷售 還是採購與行政 都必須要有一個模型 來執行任務 是不是有點感覺了 我們趁熱打鐵繼續聊 不同的模型之間 也分門派 就像廚師 雖然都是練習顛勺 但有的擅長做滷菜 有的擅長做川菜 那麼常見的模型 都有哪些呢 比如最經典的CNN類模型 它使用的是卷積神經網絡算法 在計算機視覺領域 取得了巨大成功 尤其在圖像識別 目標檢測等方面 應用非常廣泛 比如人臉識別 自動駕駛中的行人和車輛檢測 以及咱們醫學領域 最重要的影像識別 還有大家常用的Transformer類模型 也就是GPT中的T 這種算法非常擅長處理序列數據 比如像自然語言 我愛你 你打我 這種依賴順序關係的數據類型 所以任何需要處理 大量語言文字的AI應用 比如電子兵力數據提取 醫學問答 患者諮詢等等 幾乎都採用了Transformer架構 其次除了文字是序列數據 DNA RNA數據 也屬於典型的序列數據 所以大名鼎鼎的AlphaFold 也使用了這種架構 說到AlphaFold 不得不多講兩句 因爲它取得了可以說是 AI醫療甚至是AI迄今爲止 最具實用價值的成果 正好上個月 中歐國際商學院的校友返校日上 我非常榮幸的和諾獎得主 Michael Levitt教授 請教了相關知識 他是現代計算生物學的 奠基人之一 開創了計算機模擬生物大分子 動態過程的方法 在蛋白質摺疊領域 取得了多項進展 而這也是AlphaFold的專業領域 我們知道蛋白質是由氨基酸組成的 一個氨基酸的氨基 可以和另一個氨基酸的縮基結合 從而像手拉手一樣 依次連接 形成一條長長的氨基酸鏈 在物理生物和化學等 多種因素的共同作用下 這條鏈會不斷的摺疊扭曲盤繞 最終形成具有複雜三維結構的 蛋白質結構 而蛋白質的三維形狀 恰恰很大程度上決定了它的功能 這也意味着 不同的結構 造就了不同的蛋白質的作用機制 進而決定了細胞之間 乃至器官之間的功能差異 因此破解蛋白質的三維結構 是推動現代醫學藥物研發 乃至生命科學前沿發展的關鍵一步 過去幾十年 人類通過基因測序 已經獲取了 成千上萬種生物的基因組信息 我們知道了上帝用了哪些原料 但這還遠遠不夠 光知道哪些氨基酸出現了幾次 就像我們知道 一隻樂高貓咪 有多少塊正方形積木 三角形積木拼出來的 卻完全不知道 這些積木應該怎麼拼 正因如此 即使我們掌握了 完整的人類基因組信息 至今仍有超過1%的人類蛋白質 其結構完全處於未知狀態 而傳統的結構解析方法 比如X射線晶體學 或者冷凍電競 不僅成本高昂 往往還需要數月 甚至數年的試驗週期 才能解析出一個蛋白質的結構 全流程可能耗資 高達數十萬美元 就在大家以爲 這將是一個長期而緩慢的難題時 AlphaFold2橫空出世 僅憑不到30人的團隊 在短短几年內 就預測了全球 超過兩億個蛋白質的三維結構 幾乎覆蓋了地球上 這項突破性的成果 震驚了整個科學界 並在去年獲得了諾貝爾獎 那麼它究竟是如何做到的呢 谷歌DeepMind的團隊 基於深度學習的Transformer架構 開發出了一種新的變體模型 Evolformer 這個模型分爲兩個核心模塊 生物學模塊和幾何學模塊 分別負責猜和驗 首先在生物學模塊中 模型被輸入了 來自不同物種的 大量基因序列與進化信息 通過對比這些序列 模型可以找出 在億萬年演化過程中 始終保持不變的保守序列 就像我們在拼圖時 會先找到帶有文字 或者邊角的拼塊 用來作爲參考定位 此外它還會識別出 一些協同變異的位置 也就是說 如果某兩個氨基酸 在不同物種中 總是同時發生變異 那麼這很有可能意味着 它們在三維空間中 彼此靠得很近 這些分析結果 會不斷從生物模塊 傳送給幾何模塊 作爲空間結構預測的依據 接下來 幾何模塊開始驗算這些假設 但它如何判斷一個結構預測 是否靠譜呢 原理我們竟然小學四年級 就學過了 三角形兩邊之和大於第三邊 比如說生物模塊預測 A與B的距離是10 A與C的距離也是10 但B與C的距離卻是30 這顯然違背了 現實生活中的幾何原理 於是幾何模塊 就會將這一方案打回 提示生物模塊進行修正 通過這樣你猜我驗的不斷循環 信息迭代 模型會逐漸收斂出一個 越來越接近真實結構的理解 最終 當evoformer得出了一個 高知性度的預測結果後 它會把這個拼圖方案 交給另一個模型 structural模型 這個模型會根據 evoformer提供的參數 比如氨基酸之間的相對距離 空間關係等 開始嘗試拼接 整個蛋白質的三維結構 有趣的是 deepmind沒有事先告訴 structural模型 這些氨基酸原本是 用一條鏈條串聯起來的 所以最開始 它們只是像一堆積木一樣 被隨機擺放 但隨着模型不斷嘗試組合 最終 當它將所有氨基酸 拼到最合適的位置時 會意外的發現 這些氨基酸 自然的連成了一條空間鏈條 這正是我們熟知的 蛋白質三維結構 也就是說 模型完全通過理解和演繹 在沒有被事先告知規則的前提下 自行拼出了 自然界真實存在的蛋白質形態 這就是evoformer2的奇蹟所在 Levit教授還分享了許多 時間關係 咱們後面再給大家介紹 說到這兒 真的要感謝中歐商學院 給到我這次寶貴的機會 我知道我的很多觀衆 都是行業內的中高層管理者 所以在這裏推薦一下 不是恰飯 中歐國際工商學院 是一所亞洲頂尖 全球一流的商學院 由中國政府和歐盟 在1994年共同成立 致力於培養兼具中國深度 和全球廣度的商業領袖 已經連續9年 蟬聯全球NBA榜單亞洲第一 感興趣的小夥伴可以去了解一下 OK 讓我們說回不同的AI模型架構 除了剛剛提到的CNN Transformer架構 還有許多其他類型的模型 比如GNN VAE RNN等等 每種模型都有其獨特的優勢 不過當下的醫療AI趨勢 正逐步從單一模型 向多模態混合架構演進 這是什麼意思呢 因爲醫療領域的數據形態非常豐富 不僅有大量的文本信息 比如病例文獻 還有圖像數據 比如CT MRI 以及結構化數據 像分子結構 基因序列等等 在這種複雜背景下 單一類型的模型 往往無法充分理解 所有模態的信息 因此想要提升模型的表現效果 就需要將多種算法框架 進行融合使用 比如剛剛提到的AlphaFold 就使用了兩種模型架構 從而大幅提升了 蛋白質結構預測的準確性 這種你擅長語言 我擅長結構 我們聯手搞定蛋白質的混合策略 正是當前醫療AI領域 重要的發展方向 那麼現在我們知道了 AI的核心在於模型 而模型的種類各有不同 但爲什麼有些模型 前面會加個大字呢 顧名思義 大模型相較於普通AI模型 具備更龐大的參數規模 和訓練數據量 一個普通模型的訓練成本 可能只需要幾十萬元 而大模型的訓練 往往動輒上億乃至幾十億 不過如果只是規模大 它還只能被稱爲大號模型 真正讓大模型與衆不同的 是當它的規模突破某個臨界點之後 突然展現出一種 在小模型中從未出現的能力 我們稱之爲湧現 這纔是大模型的核心特徵 湧現能力主要有這些 看起來是不是很抽象 不好理解 那我們還是回到大家最熟悉的例子 醫學影像診斷 來具體說明它的不同之處 比如說當你把一個60歲 長期吸菸男性的胸部CT掃描 分別交給普通AI診斷模型 和大模型進行分析 普通AI模型會告訴你 發現一個肺部節節 位於XYZ座標 直徑8毫米 惡性概率爲72% 並準確構劃出該節節的三維輪廓 聽起來已經很厲害了 對不對 但大模型的表現更進一步 除了上述這些基礎信息 它還會補充到 在同側肺門和縱閣區域 發現了多個輕度增大的淋巴結 經過關聯分析 提示可能存在淋巴結轉移風險 那麼爲什麼這種能力被稱爲湧現 因爲大模型並沒有專門接受過 節節與淋巴結關聯分析的任務訓練 它之所以能做出這樣的判斷 是因爲它通過對海量醫學數據的 自我學習 掌握了人體解剖結構 疾病進展路徑 和空間時間的醫學規律 並能夠自動將多個看似孤立的發現 整合進一個連貫合理的臨牀敘事中 給出更加全面而深入的診斷建議 這正是大模型理解力 和泛化力的真實體現 當然這只是湧現能力中的一個例子 而所有湧現能力中 最值得我們期待的 通過學習大量正常與異常影像數據後 大模型可能會自發的發現一些 人類尚未明確總結出的影像規律 比如它可能發現某些特定的 極其細微的血管扭曲模式 會與腫瘤的快速復發高度相關 這時大模型的角色 就不是輔助診斷這麼簡單了 而是你的科研夥伴 提出新的醫學假設 推動醫學領域的新發現 OK我們快速總結一下 AI本質上是一個由人類創造的數字大腦 目前主要有兩大技術流派 符號主義和連接主義 當下的主流發展是由連接主義主導 但在醫療健康領域中 更傾向讓兩者協同工作 因爲這個領域對安全性和可解釋性 有極高的要求 你可以想象這樣一個場景 手術中AI對醫生說 剪掉這根血管 至於爲什麼你別管 這是我的直覺 這種黑盒式建議是沒人敢盲從的 但如果結合了知識圖譜 AI就能夠提供依據 比如這根血管在某條手術路徑中 確實需要切除 同時還會給出文獻支持 臨牀指南 甚至過往案例 從而讓醫生放心決策 在藥物研發中也是一樣 知識圖譜可以爲深度學習模型 補充生物通路 靶點功能 專利限制等鮮豔知識 幫助規避風險 提升效率 總之讓符號主義與連接主義融合 能讓AI既具備人類思維的靈活性 也具備機器的精準與嚴謹 這纔是醫療AI最理想的狀態 OK 瞭解了AI的基礎原理之後 我們正式開始介紹 AI加醫療健康的生態架構 首先來看基礎層 我們知道 AI的三大要素是 算力 算法 數據 還是一個經典的比喻 算力是廚房的燃氣爐竈 算法則是廚師和菜譜 而數據則是各種食材 三者差了哪一樣 燒出來的菜都不行 在算力模塊中 基礎設施主要包括芯片 服務器和雲計算平臺等等 這裏的核心玩家 一方面是提供硬件 和加速能力的芯片廠商 比如英偉達 AMD 英特爾 天數之星 另一方面則是提供分佈式 算力資源的雲服務平臺 比如谷歌GCP 微軟SU 亞馬遜AWS 以及國內的華爲雲 騰訊雲 阿里雲等等 優秀的基礎設施 不僅能夠大幅縮短 從想法到驗證的週期 還能幫助AI更高效的完成實驗 優化和迭代 尤其是在涉及隱私和數據安全 醫療健康可是一塊肥肉 幾乎所有你叫得上名字的科技巨頭 如今都在全力佈局 御三家利用自己的硬件優勢 軟硬結合 嘗試構建一個 端到端全站AI醫療生態系統 而各大雲平臺也卯足了勁 爲醫療健康行業的客戶 定製專屬解決方案 因爲這個賽道用戶的特點就是 付費能力強 粘性大 利潤也比做通用計算高得多 接着來看算法模塊 主要分爲大模型與智能體平臺 以及開發工具與框架 大模型這邊大家熟悉的玩家有 OpenAI Google DeepSeek 智普 華爲盤古 螞蟻醫療等等 注意 這裏說的可不是你每天聊天的 ChatGPT Gemini這些聊天工具 而是更底層的模型能力 底座模型就像發動機 單獨放在那 你是沒有辦法直接對話的 你在手機裏問一個問題 其實是在跟產品層交互 開發人員把裸模型封裝成 可用的服務 有對話界面 有安全策略 有知識檢索 有工具調用 最後才把結果端到你面前 OpenAI的模型被封裝成 ChatGPT這樣的聊天工具 螞蟻醫療的模型 則被封裝成螞蟻阿福 這樣的醫療顧問 同時這些底層模型 不僅可以給自家的APP用 也可以被其他企業接入 封裝成他們自己的垂直應用 比如微軟今年上半年 在北美髮布的AI醫生助手 Dragon Copilot 它可以利用語音識別 幫助醫生寫病歷 開一組 用的就是OpenAI的模型 搭載在自己的雲平臺Azure上 當然如果有企業 希望自行訓練或者構建模型 那麼在具備專業AI團隊的基礎上 也必然會使用一系列開發工具與框架 相關內容較爲技術化 這裏就不多展開了 最後來看數據模塊 想必大家都聽過這句話 garbage in garbage out 哪怕你有最強的算法 和最貴的算力 輸入的數據質量不行 出來的模型也只會是一坨 好 這正是撤走當下AI醫療發展 最關鍵的因素 GPT Gemini DeepSeek的成功 是因爲在優秀算法的加持下 他們訓練了幾乎整個互聯網的數據 但醫療行業的數據 根本就不在互聯網上 這些通用大模型學到的醫學知識 大部分基於網上的教學資料 文獻以及少部分 公開在互聯網上的教學病例 而真正高質量 可用於臨牀輔助決策的數據 比如帶標籤的電子病例 醫學景象 牢牢掌握在各大醫院和藥企手中 屬於高度敏感的資產 所以你會發現在AI醫療賽道 你看到的大部分模型的新聞 都是某某科技公司和某某醫院 某某研究所聯合開發 本質上這個行業的競爭 最終會回到一點 誰能獲得的數據越多 質量越高 誰就越有可能領先 也正因如此 近兩年 參與醫療大模型開發的醫院數量 激增 根據動漫網的統計 截止今年上半年 中國排名前100的醫院 已經全部完成了大模型的部署 這些項目幾乎都採用 院企聯合開發的合作模式 醫院提供真實高質量的 臨牀數據和一線需求 科技公司則提供算法 算力和工程能力 共同推進模型研發與臨牀驗證 說到這兒 就不得不提 咱們個人數據的隱私問題了 醫院和企業 在用我們數據訓練時 都會進行去標識化處理 也就是刪除或替換姓名 同時也會與公共互聯網進行隔離 但問題也隨之而來 這樣豈不是每個模型 只能學到一家醫院的數據 也就是我們常說的 數據孤島問題 要想解決這個問題 就要用到AI醫療的 重要三大技術之一 聯邦學習 它的核心思想是 數據不動 模型跑着去學習 各個醫院的服務器 在本地用自有數據 進行模型訓練 訓練完成後 只上傳加密的模型參數 比如權重更新 到中央服務器進行聚合 形成一個統一的全局模型 整個過程中 原始患者數據 始終沒有離開醫院內網 從而實現了共享智能 而非共享數據 咱們也順道把另外兩個 醫療AI的關鍵技術說了 二可解釋性AI 大家最怕AI幹什麼 瞎說 而且未來AI配合醫生 進行診療時 出了醫療事故 到底是AI的鍋 還是醫生的鍋 得明確清楚 所以除了用前面說到的 知識圖譜進行約束 可解釋性AI技術 可以對模型的每一次判斷 提供依據和可視化提示 比如對於醫學影像模型 技術可以生成熱力圖 高亮顯示模型關注的區域 讓醫生知道 他爲什麼判斷這裏是腫瘤 對於自然語言處理模型 技術可以標註出病理文本中 對診斷結論 貢獻最大的關鍵詞或句子 輔助醫生判斷其合理性 第三個關鍵技術 持續學習與監控 醫學知識不是一成不變的 疾病譜 用藥指南 流行病學趨勢 都在動態變化 如果模型部署後 長期不更新 可能會逐漸過時 甚至出現一些性能下降的現象 也就是所謂的數據飄移 爲此醫療AI系統 還需要具備 持續學習與監控的能力 定期採集新數據 進行微調更新 並對模型輸出 持續做性能檢測 確保它始終跟上 醫學發展的節奏 不會越用越離譜 OK 讓我們說回數據 那當下我們的醫療數據 來源都有哪些呢 除了前面說到的 各家醫院 一些由學術領頭人 牽頭的專病數據庫 或者由各地衛健委 牽頭的醫療大數據中心 比如天津健康醫療大數據平臺 南京江北醫療數據中心 寧波盈州健康醫療大數據平臺 重慶大數據中心等等 都是優秀的數據來源 不過說到這兒 閒魚寶也想插一嘴 分享一下 這兩年在工作中的一些切身感受 儘管監管部門 已經多次出臺政策 但現實操作中 在公立醫院推進相關項目 依然面臨兩座大山 第一座山是派系林立 無論是醫院與醫院之間 還是同一個醫院科室與科室之間 大家都有自己的小算盤 資源分散 數據割裂 缺乏統一的規劃與利益協同 政治項目推進中 互相掣肘 內耗嚴重 比如門診數據對接了 住院數據對接不了 這個科室接了 那個科室給斷了 第二座山是行政成本太高 想要與醫院談新項目合作 科室專家同意了還不行 還要從信息科 醫務科 倫理委員會 法務一路到院辦 當然這裏不是在質疑 涉及數據隱私 和合規性的審覈流程 這些是理所應當 必須嚴守的底線 真正拖慢節奏的 是那些讓你無語的瞬間 比如大家猜猜 我們和醫院合作時 最怕遇到什麼樣的領導 快退休的領導 因爲在他看來 任何外部新合作 都是在給他找麻煩 只要能少籤一個字 他就能少一分風險 其實相較於 國外碎片化的市場格局 中國的公立醫院體系 本身是具備規模化 和標準化優勢的 理論上最適合推動 AI技術的發展 因此真心希望監管部門 能在已有政策支持的基礎上 進一步打通 從實驗室到臨牀的最後一公里 比如數據二十條的發佈 以及近兩年 關於數據流通相關管理辦法的實行 醫療數據交易 得到了官方認可 各大公立醫院檢驗公司等等 都可以在完成數據清洗 數據治理以及資產確詢後 將有價值的數據 在各大數據交易所上架 比如上海市第一人民醫院 就在上海市數據局的支持下 推出了20多類專病數據包上架銷售 這種模式就能有效的 爲AI醫療的落地進行加速 OK 那說完技術層的內容 讓我們快速瞭解一下 AI在醫療健康應用層的情況 前面我們提到過 不管是一家企業自己訓練的模型 還是調用別人的模型 本質上它只是一個複雜的數學邏輯文件 並不能直接用在臨牀或科研中 想讓它真正派上用場 就必須經過應用封裝 同一個底層模型 可以被打包成放射科醫生工作站 PAX上的輔助診斷插件 也可以嵌入到 藥物研發人員的日常科研平臺中 來看這張圖 這是國家衛健委去年底發佈的 AI模型應用場景指引 分爲四大領域 13個模塊 足足84個場景 感興趣的小夥伴 可以根據關鍵詞下載觀看 我們則主要關注那些 具有代表性 市場潛力大的模塊 就好比你說 互聯網對哪個行業沒有影響 但它深刻顛覆的是社交 零售 這些連接效率最高的領域 同樣的道理 AI技術看似無處不在 但真正率先釋放紅利的 往往是那些數據密度高 流程標準化程度高 且痛點集中的場景 根據用戶類型 可以大致分爲四個方向 一企業 比如藥企 器械廠商 二醫院 比如三甲醫院基層診所 三個人 也就是屏幕前的你我 四監管 比如醫保局疾控中心 企業端的應用場景 主要有蛋白質結構預測 DNA RNA生命組學 靶點發現 高通量化合物篩選 ADMET預測 藥物分子設計 醫療器械設計與仿真 臨牀試驗設計 臨牀試驗患者招募 醫院端的應用場景 主要有醫學影像輔助診斷 臨牀決策知識 手術輔助系統 手術機器人 基因組學與精準治療 智能預問診 智能導診 智慧病案與治控 醫療教育與臨牀培訓 個人端的應用場景 主要有健康問題諮詢 健康監測 健康風險評估 智能體檢 個性化健康計劃 智能保險理賠 個性化保險設計 監管端的應用場景 主要有傳染病智能監測 DRG DIP審覈 集採價格預測及監測 醫保基金監管等等 那麼至於這四大方向 上百個戲份賽道 都有哪些公司 拳頭產品長什麼樣 落地在哪個場景 業務進展如何 就等到下一期給大家一一展開 咱們今天就先說到這 大家消化一下 感興趣的小夥伴 別忘了三連關注一下 我是帶你瞭解醫藥行業的險雲寶 我們下期再見 拜拜