截止至2017年10月9日， 國內醫療人工智慧公司累積融資額已超過260億元， 融資公司共114家。 國內在醫療人工智慧佈局的企業主要有阿裡巴巴、騰訊、百度、科大訊飛、華大基因；海外主要有IBM、Google、蘋果、微軟等。
一、人工智慧正在顛覆性的改造傳統醫療
2017年初， 世界癌症日（2月4日）， IBM Watson醫生第一次在中國“出診”， 僅用10秒就開出了癌症處方。 這不僅引發輿論熱潮， 更振奮的是這讓我們看到了人工智慧正在顛覆性的改造傳統醫療。
IBM Watson可以在17秒內閱讀3469本醫學專著、24.8萬篇論文， 69種治療方案、61540次試驗資料、10.6萬份臨床報告。 通過海量汲取醫學知識， 包括300多份醫學期刊、200多種教科書及近1000萬頁文字， IBM Watson在短時間內可以迅速成為腫瘤專家， 擁有更強大腦的癌症專家。 在印度， Watson醫生為一名已經無藥可救的癌症晚期患者找到了診斷方案；在日本， Watson醫生只花了10分鐘就確診了一例罕見白血病。
二、“人工智慧（AI）+醫療”市場蛋糕巨大；阿裡、騰訊、百度、科大訊飛、華大基因等都紛紛下賭入局
有關資料顯示， 預計到2025年， 人工智慧應用市場總值將達到1270億美元。 其中， 醫療行業將占市場規模的五分之一， 即254億美元， 千億級人民幣市場規模。 2013-2017年， AI（人工智慧）+醫療”各領域共發生融資事件241起。 國外“AI（人工智慧）+醫療”投資分佈最大的在健康管理， 其次是新醫藥和新技術發現， 第三是病歷分析， 最後是醫療影像；在國內， 醫療影像投資占比47%， 硬體占近30%， 健康管理占6%。
中國企業2010年後， 已開始迅速佈局醫療人工智慧領域；2010年也是我國醫療人工智慧領域創業分水嶺， 此前每年出現的這類新創公司數量極少。 2014和2015年出現創業高峰， 兩年內共有52家公司成立；截止2017年7月31日，
資料表示， 截止至2017年10月9日， 國內醫療人工智慧公司累積融資額已超過260億人民幣， 融資公司共114家。 國內在醫療人工智慧佈局的企業主要有阿裡巴巴、騰訊、百度、科大訊飛、華大基因；海外主要有IBM、Google、蘋果、微軟、亞馬遜等。
三、人工智慧為何在中國醫療領域勢不可擋？
人工智慧在醫療方面的需求主要基於幾個客觀現實：一方面是優質醫療資源供給不足， 成本高， 醫生培養週期長， 誤診率高， 疾病譜變化快， 技術日新月異；另一方面， 隨著人口老齡化加劇、慢性疾病增長、對健康重視程度提高， 醫療服務需求持續增加。
以醫生資源為例， 我國目前培養醫生的模式是“5+3”， 5年醫學專業本科教育， 再加3年住院醫師規範化培訓， 結業考試合格者才具備醫生從業資格……8年的大浪淘沙， 真正堅持下來的優秀醫生人數有限。
人工智慧的核心能力實際上是人類自身已擁有的能力，
第一， 提高醫療機構和醫生的工作效率， 減少不必要的人力成本；第二， 提早預測疾病風險， 發現重大疾病， 提前預防， 以減少後續不必要的更大醫療支出；第三， 方便醫生管理看護患者， 也方便患者自我健康和疾病的管理， 讓自查自診等成為可能， 將醫療延伸到院外， 前置到院前， 同樣緩解醫療資源的緊張， 降低醫療成本。
四、人工智慧（AI）+醫療， 四種主流模式應用
從全球創業公司實踐的情況來看， AI+醫療的具體應用包括洞察與風險管理、醫學研究、醫學影像與診斷、生活方式管理與監督、精神健康、護理、急救室與醫院管理、藥物挖掘、虛擬助理、可穿戴設備以及其他， 其中以四種模式為主流。
第一、AI+輔助診療，即將人工智慧技術用於輔助診療中，讓電腦“學習”專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。在AI+輔助診療的應用中，IBM Watson是目前最成熟的案例。目前IBM Watson已部署在美國多家醫院提供輔助診療的服務，服務的病種包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌、子宮癌等多種癌症。
第二、AI+醫學影像，是將人工智慧技術具體應用在醫學影像的診斷上，主要分為兩部分：一是圖像識別，應用於感知環節，其主要目的是將影像這類非機構化資料進行分析，獲取一些有意義的資訊；二是深度學習，應用於學習和分析環節，是AI應用的最核心環節，通過大量的影像資料和診斷資料，不斷對神經元網路進行深度學習訓練，促使其掌握“診斷”的能力。
貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到92%，與病理學家的分析結合在一起時，它的診斷準確率可以高達99.5%。國內的DeepCare對於乳腺癌細胞識別的準確率也達到了92%。
第三、AI+藥物挖掘，是指將深度學習技術應用於藥物臨床前研究，達到快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新藥研發週期、降低新藥研發成本、提高新藥研發成功率的目的。通過電腦類比，AI可以對藥物活性、安全性和副作用進行預測。借助深度學習，在心血管藥、抗腫瘤藥、孤兒藥和常見傳染病治療藥等多領域取得了新突破。目前，已經湧現出多家AI技術主導的藥物研發企業。
第四、是AI+健康管理。目前從全球AI+醫療創業公司來看，主要集中在風險識別、虛擬護士、精神健康、線上問診、健康干預以及基於精准醫學的健康管理。
五、醫療AI創業、投資關卡重重，門檻難邁
雖然醫療人工智慧是不可逆轉的發展潮流，但我們也要清醒地看到，中國人工智慧整體發展水準與發達國家相比仍存在不小差距，在前沿基礎理論、關鍵性技術、產業基礎平臺、人才隊伍和監管體系等方方面面都亟待創立和完善。
對所有行業企業投資者而言，醫療人工智慧目前遇到不少發展阻力和確定性因素：
首先，資料根基不牢成軟肋。人工智慧的發展研究是基於海量的大資料，醫學影像、醫療病例、基因突變、診斷病例、術後跟蹤、健康行為等廣泛的資料內容是醫療AI行業應用的前提。以Watson健康為例，它並不僅是一個技術，也包括泛資料的積累，從資料準備、模型建立、優化到最終應用於業務場景，再收集更多資料，周而復始、循環往復，完成深度學習的複雜任務。
中國醫院體系，以公立醫院為主，已建立了規範的業務流程，如果將人工智慧新添到現今的醫院流程中，勢必會打破原有規則、體系，這將需要極強整合力與智慧。不僅如此，資料擁有者不共用、不互通資料，或者貢獻資料後恐不能獲得公平回報，都是目前亟待探討的現實難題，雖不關乎技術，但直抵核心。資料品質問題也令人堪憂，目前，儘管協力廠商電子病歷資料企業手握大量資料，但因資料品質不高，資料分散而很難挖掘出有價值的資訊。
其次，如何與醫院深入交融。只有軟體打動醫院管理層，在院長眼中能實現標準化和控費目標，才有望認可其價值，拍板引進。管理層在宏觀層面，更關心醫院效率、控費、醫療品質等能為醫院創造價值的項目，而醫生在乎地是效率和節省時間，讓科研產出、臨床產出更高效。對於投資人，如果投資的軟體、服務、藥品等叫好不叫座，損失自然是真金白銀、時間成本。
六、尾語：
我們期待“看病難、看病貴”成為過去式，至少尋常百姓可以看得起病，相對完善的醫療服務。馬雲說的“醫院不改變，我們就改變醫院”，很是激蕩人心，但真正的改變也非旦夕之功。
在資本與政府的共同驅動下，人工智慧帶領著醫療創業者不斷嘗試連接技術、資料、設備、人等等，不斷試錯，不斷拓荒、不斷反覆運算，重整架構。讓大資料、人工智慧，通過醫療生態重構真正造福尋常百姓。當然，AI醫療的基礎終歸是商業服務，最終還要回歸商業本質的思考，在物競天擇中，沒有成功的企業，只有時代的企業。
其中以四種模式為主流。第一、AI+輔助診療，即將人工智慧技術用於輔助診療中，讓電腦“學習”專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。在AI+輔助診療的應用中，IBM Watson是目前最成熟的案例。目前IBM Watson已部署在美國多家醫院提供輔助診療的服務，服務的病種包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌、子宮癌等多種癌症。
第二、AI+醫學影像，是將人工智慧技術具體應用在醫學影像的診斷上，主要分為兩部分：一是圖像識別，應用於感知環節，其主要目的是將影像這類非機構化資料進行分析，獲取一些有意義的資訊；二是深度學習，應用於學習和分析環節，是AI應用的最核心環節，通過大量的影像資料和診斷資料，不斷對神經元網路進行深度學習訓練，促使其掌握“診斷”的能力。
貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到92%，與病理學家的分析結合在一起時，它的診斷準確率可以高達99.5%。國內的DeepCare對於乳腺癌細胞識別的準確率也達到了92%。
第三、AI+藥物挖掘，是指將深度學習技術應用於藥物臨床前研究，達到快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新藥研發週期、降低新藥研發成本、提高新藥研發成功率的目的。通過電腦類比，AI可以對藥物活性、安全性和副作用進行預測。借助深度學習，在心血管藥、抗腫瘤藥、孤兒藥和常見傳染病治療藥等多領域取得了新突破。目前，已經湧現出多家AI技術主導的藥物研發企業。
第四、是AI+健康管理。目前從全球AI+醫療創業公司來看，主要集中在風險識別、虛擬護士、精神健康、線上問診、健康干預以及基於精准醫學的健康管理。
五、醫療AI創業、投資關卡重重，門檻難邁
雖然醫療人工智慧是不可逆轉的發展潮流，但我們也要清醒地看到，中國人工智慧整體發展水準與發達國家相比仍存在不小差距，在前沿基礎理論、關鍵性技術、產業基礎平臺、人才隊伍和監管體系等方方面面都亟待創立和完善。
對所有行業企業投資者而言，醫療人工智慧目前遇到不少發展阻力和確定性因素：
首先，資料根基不牢成軟肋。人工智慧的發展研究是基於海量的大資料，醫學影像、醫療病例、基因突變、診斷病例、術後跟蹤、健康行為等廣泛的資料內容是醫療AI行業應用的前提。以Watson健康為例，它並不僅是一個技術，也包括泛資料的積累，從資料準備、模型建立、優化到最終應用於業務場景，再收集更多資料，周而復始、循環往復，完成深度學習的複雜任務。
中國醫院體系，以公立醫院為主，已建立了規範的業務流程，如果將人工智慧新添到現今的醫院流程中，勢必會打破原有規則、體系，這將需要極強整合力與智慧。不僅如此，資料擁有者不共用、不互通資料，或者貢獻資料後恐不能獲得公平回報，都是目前亟待探討的現實難題，雖不關乎技術，但直抵核心。資料品質問題也令人堪憂，目前，儘管協力廠商電子病歷資料企業手握大量資料，但因資料品質不高，資料分散而很難挖掘出有價值的資訊。
其次，如何與醫院深入交融。只有軟體打動醫院管理層，在院長眼中能實現標準化和控費目標，才有望認可其價值，拍板引進。管理層在宏觀層面，更關心醫院效率、控費、醫療品質等能為醫院創造價值的項目，而醫生在乎地是效率和節省時間，讓科研產出、臨床產出更高效。對於投資人，如果投資的軟體、服務、藥品等叫好不叫座，損失自然是真金白銀、時間成本。
六、尾語：
我們期待“看病難、看病貴”成為過去式，至少尋常百姓可以看得起病，相對完善的醫療服務。馬雲說的“醫院不改變，我們就改變醫院”，很是激蕩人心，但真正的改變也非旦夕之功。
在資本與政府的共同驅動下，人工智慧帶領著醫療創業者不斷嘗試連接技術、資料、設備、人等等，不斷試錯，不斷拓荒、不斷反覆運算，重整架構。讓大資料、人工智慧，通過醫療生態重構真正造福尋常百姓。當然，AI醫療的基礎終歸是商業服務，最終還要回歸商業本質的思考，在物競天擇中，沒有成功的企業，只有時代的企業。