Python培训之一张图看AI医疗：241起国内融资，帮你发现AI医疗的下一个热点

       人工智能一直很火，但在全世界范围内的引爆，发生在2016年的3月，谷歌的AlphaGo以4：1的成绩战胜了世界围棋冠军李世石。一个月后，中国的BAT巨头不再潜水，开始了动作，他们在人工智能领域的一个非常重要的角力场便是“AI医疗“。

　　2016年4月，腾讯等机构以10亿人民币投资碳云智能;2016年10月，百度对外发布了“百度医疗大脑”，宣布正式进军AI医疗;2017年3月，阿里云发布“ET医疗大脑”宣布正式进入医疗AI领域。

　　作为压垮中国人民的三座大山之一——医疗，是目前人工智能各应用领域中最热门的赛道。人工智能在医疗领域的应用门槛最高，最难突破，但也最具想象力，所以资本和BAT们对这座大山发起了一轮又一轮的攻势。针对以医疗为重点的AI创业公司从五年前的不足20家上升至现在的120多家，但大多停留在“to VC”阶段，整个资本圈都在等待，AI医疗能够真正讲出“To B To C”的商业模式。

　　鲸准数据中心清洗了整个AI医疗从2013到2017年的241起国内融资事件，本文用资本布局时间线去描述AI医疗行业现状，最后通过鲸准上的投资人行为，去发现AI医疗的下一个行业热点。

　　01 什么是AI医疗?

　　AI医疗是以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量，更好的解决医疗资源短缺、人口老龄化的问题。　　

　　基础层：通过软硬件的基础设施，收集用户、药物及病理数据，并使数据互通互联，为人工智能的应用提供支持与可能。

　　技术层：通过语音/语义识别、计算机视觉技术，对非结构化数据进行分析提炼。“学习”大量病理学数据文本，使其掌握问答、判断、预警、实施的能力。

　　应用层：是指人工智能与不同细分领域的结合，以解决医疗行业中的某种业务需求，如智能诊断、药物研发、智能健康管理、智能语音等医疗场景。

　　02 AI医疗国内融资概况5年内， AI医疗各领域共发生融资事件241起

　　AI医疗应用层持续热潮，基础层热度下滑

　　回顾13年-17年数据，从2015年开始，基础层热度明显下滑，而资本开始纷纷进入应用层。2017上半年AI医疗发生融资数量46起，下面是应用层各维度融资情况。

　　国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理这四个领域

　　经统计，从13年到17年上半年，应用层8个细分领域共发生融资事件86起。国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理四个领域，其中医疗影像成为资本密集的阵地，占比最高达到31%，位居第一。

　　为什么医疗影像赛道玩家较多?

　　从细分领域融资数量图看出，医疗影像占比较多，为什么会发生这样的状况?影像具有4V性(volume数量、variety多样性、velocity速度、veracity真实性)，4V的属性更适合其AI的发展。

　　国内AI医疗应用公司起步较晚，由细分领域融资数量分布看出智能诊断领域占比60%。整体上智能诊断还处于初期，目前没有大规模商用。对于优质数据的提取、数据的结构化及建模、患者语言的训练都是目前需要跨越的障碍。

　　进入到B轮及B轮后的的公司分布在虚拟助手、医用机器人两个领域

　　医用机器人的实际应用主要集中在外科手术领域。机器人在手术上的准确性、可靠性和精确性上大大超过了外科医生，机器人技术已经在医疗领域得到了长足的发展，并取得很好的临床效果。

　　03 AI医疗行业发展解析AI医疗标签关注度

　　根据鲸准中心标签热度算法统计，有关于AI医疗的标签：深度学习、计算机视觉、AI医疗、智能诊断、医疗影像、自然语言处理、AI芯片、医疗大数据关注度有较大提升。

　　AI医疗为什么会成为资本新宠?

　　1、政策推动

　　AI政策持续利好。2017年7月国务院刚印发《新一代人工智能发展规划的通知》，明确提出“到2020年人工智能总体技术和应用与世界先进水平同步 ”。

　　医疗政策持续利好。2016年国务院发布《关于促进医药产业健康发展的指导意见》，明确提出开展智能医疗服务。

　　2、国情推动

　　社会进步和人们健康意识的渐渐觉醒，人口老龄化问题的加剧;病患多、医生少;医务人员培养成本过高;药物研发周期长、费用高;医生诊断不容犯错。

　　3、技术推动

　　语音和图像识别技术目前已达到商业化高度。 从2012年的ImageNet大赛一直到现在，深度学习在图像的分类与识别上已经取得了非常大的进展。在医疗影像领域目前对某些病理 图片的识别准确率已超过90%，用于辅助医生诊断已不成问题。区别于机器学习，需要给出特定规则后才能进行。而深度学习则可自由生成多层“网络”(深度神经网络)。 在深度学习之前，大约在90年代，就已有很多人做计算机辅助诊断(CAD)。之前神经网络做不深，现在有了新型计算机和深度学习之后，可以实现很深的网络。举例“乳腺钼靶肿块判读”。

　　三大AI技术基石：深度学习算法+计算能力+大数据，为AI融入医疗奠定基础。

　　4、设备驱动

　　电子胶片的普及;POCT及智能可穿戴设备公司初具规模，大量设备及胶片投入使用，形成庞大的用户病理数据，为构建医疗大脑奠定基础。

　　5、基础设施驱动

　　根据CHIMA的数据统计，显示早在2015年9月，超过60%的医院都已完成医院管理信息系统(hmis)的全面搭建。以“EMR”为核心的CIS成为建设重点。

　　国内AI医疗未来发展建议

　　1、加快基层医疗机构的信息化建设，加速区域信息化集成布局。

　　2、数据获取能力的提升、算法的改进、人工智能技术的创新。

　　3、逐步完善底层核心知识图谱。

本文版权归黑马程序员Python培训学院所有，欢迎转载，转载请注明作者出处。谢谢！

作者：黑马程序员Python培训学院

首发：http://www.itheima.com/news/python.html