竞争壁垒分析：医疗数据规模&数据结构化技术
首先需要纠正一个可能存在的经验误区，HIS系统里面直接有数据，为什么还需要对医疗数据做深度结构化处理？简单的说，HIS出来是大段的WORD文档，而AI系统需要的是EXCEL中的数据。由于结构复杂、专业性强，将医疗行业的数据大规模转化为机器可识别分析的数据，一直是行业的难题。以肿瘤患者的数据为例，即使在数据收集较为规范的美国，据美国临床肿瘤学会（ASCO）统计，美国也仅有不到3%肿瘤患者的数据被结构化用于研究，剩下97%的数据都闲臵在医院的医院信息系统（HIS）里或者病历病案室中。只有攻克医疗数据结构化的问题，医疗海量数据金矿才有望得以开采。
医疗数据深度结构化的三种路径：机器+人工标注将成为主流。获取高质量的医疗数据是目前成为医疗IT公司、医院、医生、药企的共同目标，医疗数据深度结构化大致分为三个路
径：
1、传统路径—纯人工：将HIS系统中的患者数据，人工录入整理到数据库软件的标准化模板里，生成标准数据文件，再用SPSS、SAS等分析软件对数据进行统计分析，这是临床医生做科研的传统套路。Link Doc联合创始人罗立刚表示，在美国，一位肿瘤患者，治疗全过程数据的平均结构化成本是5000美元；在中国，差不多也要5000人民币。过于高昂的录入成本是传统路径面临的最大问题。此外，人工录入显然不能解决医院积压的大量存量病历。
2、纯机器：我国医疗术语缺乏标准化和医疗信息的复杂性，是机器取代人工的障碍。目前产业公认纯机器清洗的方式对于数据录入的一致性和准确率暂时无法做到临床要求，以谷歌1.3亿美金投资的Flatiron Health公司为例，其只能通过匹配算法识别出90%的数据术语，无法匹配的术语仍然需要医生或者护士进行人工复审。
3、机器+人工：尽管机器学习尚不能完全取代人工录入，但是通过引进机器清洗配合人工复制录入，有望快速降低数据处理成本、提升数据处理效率。目前，已有不少前沿企业正在使用自然语言处理技术，批量抓取病历、病
观察Babylon的案例，我们可以得出结论，智能辅助诊断系统直接面向toC领域的实践目前还局限于智能分诊，并不对给出诊断结果。其最大的价值在于，通过人工智能技术大大降低了在线医疗平台的服务成本，可以作为在线问诊平台的医生资源的一个补充。我们相信未来国内的在线医疗平台均将引入AI技术作为补充。事实上，国内目前排名第一的平安好医生在近期正式宣布将投入30亿元，用于AI医生的研发。平安好医生的负责人在公开演讲中表示“平安好医生在医疗方面提供的核心服务是：自雇一千名医生团队提供7×24小时实时在线15分钟问诊服务，包括1小时送药服务。像北京一些区域，24小时药店提供一小时送药。但还是会面临医生资源有限，非常难获取的问题。因此平安好医生选择用AI解决很多问题，未来几年会有超过30亿投入在这个领域。”
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
独立的AI诊断中心是未来to C的方向。正如我们前文给出的判断，随着技术的不断成熟和进化以及政策监管的放开，直接切入医疗服务（基于医疗牌照+科技直接展业），即医疗人工智能公司成立独立的AI诊断中心有望成为C端服务的商业模式。
To B领域，智能辅助诊断商业模式较为成熟。以IBM沃森为例，IBM Watson for Oncology是目前最为成熟、也是最负盛名的医疗智能辅助诊断系统。Watson for On cology可以根据病人的症状和就医记录，对其数据的含义和上下文加以分析，再从全世界的医疗文献和病历中筛选信息，找到与病人所患癌症相关度最大的信息，为医生提供各种医疗方案，并从大量文献中查找支持证据对每种方案进行排序，帮助确定最终个性化诊疗方案。目前，Watson for On cology已经于全球7个国家落地，分别是中国、美国、韩国、泰国、新加坡、印度、荷兰，这7个国家已经正式进入商业化对外服务患者，今年服务国家将持续扩大。截止至2017年3月底，Watson for On cology在7个国家服务的病患数量可能已达到数万名。其商业模式已经较为成熟，即通过合作医院，面向患者收费。在国内，目前沃森看病的定价为4000-5000元/次。
技术和需求更匹配，基层是重要切入口。我们更看好智能辅助诊断在基层医疗市场的发展。
1）从技术角度来看：并非所有智能辅助诊断系统都能达到Watson for On cology的技术能力。
打个比方，如果Watson for On cology代表了肿瘤科顶级医生的水平，那么目前大多数智能辅助诊断系统可以达到的水平可能最多达到中级医生的水平。从辅助医疗的需求来看，显然基层医疗较弱的医疗实力正好可以和目前主流技术能力相匹配；2）从需求来看：“强基层”是分级诊疗建设的刚需所在。从某种意思上来说，目前基层医生的供给和能力的增长速度是被锁定了的（合格医生的培养周期在3-5年），智能辅助诊断的引进将快速提升基层医疗的实力。
医疗数据的规模是“医疗大脑”智力水平的决定性要素。医疗辅助诊断系统的研发本质上就是将数据变成知识的过程，因此医疗规模数据是“医疗大脑”智力水平的决定性要素。现阶段，医院是医疗临床数据最大的集聚地，医院的封闭性造成了数据获取的困难性。获取医疗数据的能力成为重要的竞争壁垒。
数据结构化技术决定“数据产出值”。如果把医疗临床数据比作金矿，那么数据深度结构化技术则代表了挖矿能力。对于构造医疗大脑而言，数据深度结构化水平和医疗数据规模都是重要的竞争壁垒。现阶段国内医疗数据利用率低，因为很原始的医疗临床数据大部分都是所谓的“脏数据”，需要深度结构化进行清洗。首先需要纠正一个可能存在的经验误区，HIS系统里面直接有数据，为什么还需要对医疗数据做深度结构化处理？简单的说，HIS出来是大段的WORD文档，而AI系统需要的是EXCEL中的数据。由于结构复杂、专业性强，将医疗行业的数据大规模转化为机器可识别分析的数据，一直是行业的难题。以肿瘤患者的数据为例，即使在数据收集较为规范的美国，据美国临床肿瘤学会（ASCO）统计，美国也仅有不到3%肿瘤患者的数据被结构化用于研究，剩下97%的数据都闲臵在医院的医院信息系统（HIS）里或者病历病案室中。只有攻克医疗数据结构化的问题，医疗海量数据金矿才有望得以开采。
图：临床数据结构化的流程图
医疗数据深度结构化的三种路径：机器+人工标注将成为主流。获取高质量的医疗数据是目前成为医疗IT公司、医院、医生、药企的共同目标，医疗数据深度结构化大致分为三个路
径：
1、传统路径—纯人工：将HIS系统中的患者数据，人工录入整理到数据库软件的标准化模板里，生成标准数据文件，再用SPSS、SAS等分析软件对数据进行统计分析，这是临床医生做科研的传统套路。Link Doc联合创始人罗立刚表示，在美国，一位肿瘤患者，治疗全过程数据的平均结构化成本是5000美元；在中国，差不多也要5000人民币。过于高昂的录入成本是传统路径面临的最大问题。此外，人工录入显然不能解决医院积压的大量存量病历。
2、纯机器：我国医疗术语缺乏标准化和医疗信息的复杂性，是机器取代人工的障碍。目前产业公认纯机器清洗的方式对于数据录入的一致性和准确率暂时无法做到临床要求，以谷歌1.3亿美金投资的Flatiron Health公司为例，其只能通过匹配算法识别出90%的数据术语，无法匹配的术语仍然需要医生或者护士进行人工复审。
3、机器+人工：尽管机器学习尚不能完全取代人工录入，但是通过引进机器清洗配合人工复制录入，有望快速降低数据处理成本、提升数据处理效率。目前，已有不少前沿企业正在使用自然语言处理技术，批量抓取病历、病
图：医疗数据结构化的三种路径
商业化路径：智能辅助诊断系统面临的三个定位选择
在分析智能辅助诊断系统的商业化路径之前，首先要明确市场定位，究竟是服务于医疗机构还是直接面向消费者；是服务于基层医院、专科医院还是大的三甲医院；是致力于攻克常见病还是垂直病种？不同的定位，会有不同的技术实现难度，也将面临不同的商业化前景。To B or to C？
To C领域，智能辅助诊断与在线医疗服务平台合作将释放巨大商业价值。以Babylon（AI版春雨医生）为例，Babylon Health是英国的医疗AI创业公司，于2013年成立，DeepMind创始人杰米斯-哈萨比斯(Demis Hassabis)和穆斯塔法-苏莱曼(Mustafa Suley man)参与了其A轮融资。Babylon的诊疗APP于2014年推出，目前已覆盖全球80多万的用户，服务范围横跨欧洲和非洲，公司的诊疗APP和春雨医生非常相似，唯一的区别是加入了人工智能技术。其诊疗APP可以通过用户给出的症状来给出相应的建议，包括是否需要预约全科医生。据官方表示，此前的在线诊疗数据准确率达到92%。
图：Babylon的APP界面（对话由患者与机器完成）
观察Babylon的案例，我们可以得出结论，智能辅助诊断系统直接面向toC领域的实践目前还局限于智能分诊，并不对给出诊断结果。其最大的价值在于，通过人工智能技术大大降低了在线医疗平台的服务成本，可以作为在线问诊平台的医生资源的一个补充。我们相信未来国内的在线医疗平台均将引入AI技术作为补充。事实上，国内目前排名第一的平安好医生在近期正式宣布将投入30亿元，用于AI医生的研发。平安好医生的负责人在公开演讲中表示“平安好医生在医疗方面提供的核心服务是：自雇一千名医生团队提供7×24小时实时在线15分钟问诊服务，包括1小时送药服务。像北京一些区域，24小时药店提供一小时送药。但还是会面临医生资源有限，非常难获取的问题。因此平安好医生选择用AI解决很多问题，未来几年会有超过30亿投入在这个领域。”
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
独立的AI诊断中心是未来to C的方向。正如我们前文给出的判断，随着技术的不断成熟和进化以及政策监管的放开，直接切入医疗服务（基于医疗牌照+科技直接展业），即医疗人工智能公司成立独立的AI诊断中心有望成为C端服务的商业模式。
To B领域，智能辅助诊断商业模式较为成熟。以IBM沃森为例，IBM Watson for Oncology是目前最为成熟、也是最负盛名的医疗智能辅助诊断系统。Watson for On cology可以根据病人的症状和就医记录，对其数据的含义和上下文加以分析，再从全世界的医疗文献和病历中筛选信息，找到与病人所患癌症相关度最大的信息，为医生提供各种医疗方案，并从大量文献中查找支持证据对每种方案进行排序，帮助确定最终个性化诊疗方案。目前，Watson for On cology已经于全球7个国家落地，分别是中国、美国、韩国、泰国、新加坡、印度、荷兰，这7个国家已经正式进入商业化对外服务患者，今年服务国家将持续扩大。截止至2017年3月底，Watson for On cology在7个国家服务的病患数量可能已达到数万名。其商业模式已经较为成熟，即通过合作医院，面向患者收费。在国内，目前沃森看病的定价为4000-5000元/次。
图：IBM沃森“看病”流程
To B领域：选择基层、专科还是大三甲？
智能辅助诊断系统的主要应用场景在基层和专科医院。我们认为，三甲医院的知名专家教授，配备着精尖的专科技能、仪器设备，因此对于人工智能辅诊的需求并不强烈。从现阶段，智能辅助诊断系统的实际市场推广情况来看，即使是Watson for On cology这么成熟的产品，其在国内部署的医院还是集中在二级医院或者专科医院。从产品的需求来看，国内分级诊疗如火如荼的开展，人工智能“强基层”的需求日益旺盛。我们判断，未来智能诊疗最大的市场机遇还是在基层，辅助基层医生诊疗。技术和需求更匹配，基层是重要切入口。我们更看好智能辅助诊断在基层医疗市场的发展。
1）从技术角度来看：并非所有智能辅助诊断系统都能达到Watson for On cology的技术能力。
打个比方，如果Watson for On cology代表了肿瘤科顶级医生的水平，那么目前大多数智能辅助诊断系统可以达到的水平可能最多达到中级医生的水平。从辅助医疗的需求来看，显然基层医疗较弱的医疗实力正好可以和目前主流技术能力相匹配；2）从需求来看：“强基层”是分级诊疗建设的刚需所在。从某种意思上来说，目前基层医生的供给和能力的增长速度是被锁定了的（合格医生的培养周期在3-5年），智能辅助诊断的引进将快速提升基层医疗的实力。
图：智能辅助诊断系统的市场定位
常见病or垂直病种？
构造覆盖面较全的常见病知识图谱难度较大，更看好垂直病种的单点切入。就像不同专科的医生，拥有不同的知识结构一样，不同疾病的数据也需要不同的算法模型。这也就是为什么，我们看到的绝大多数在人工智能领域探索的医疗创业公司，包括Watson在内，都只能选择少数几个单病种。对于技术型公司切入医疗人工智能，我们更看好垂直病种的单点切入。根据产业普遍认可的数据，人类大概有4000多种常见病；7000多种罕见病。对于4000多种常见病搭建可动态更新的知识图谱的工程量实在过于庞大，因此尚未发现产业内有较为成熟的基于人工智能的常见病辅助诊断系统。资料来源：中国报告网整理，转载请注明出处（ZQ）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
