一、全球医疗医疗行业市场规模及发展概述

随着经济增长、老龄化的加剧以及民众健康意识的不断提升，医疗健康产业迎来了较为快速的发展时期。Deloitte预计，2015年全球健康支出总额约7万亿美元，到2020年，全球健康支出总额将达8.7万亿美元，CAGR约为4.3%。根据经济合作与发展组织（OECD）数据，2015年美国医疗健康产业支出占GDP比重为16.8%，而中国医疗健康产业支出占GDP比重为5.4%，中国相对美国还有较大增长空间。

全球医疗行业支出总额及预测（来源：Deloitte）

二、全球500强医疗行业热门人工智能技术

医疗人在医疗行业中，应用比较广泛的人工智能技术包括计算机视觉、自然语言处理、数据挖掘和机器人等，人工智能技术在多个医疗细分场景中均有所应用，涉及医药物流、慢病管理、院内诊疗、医疗保险等诸多场景。其中，计算机视觉、机器人技术是在医疗中最广泛、最成熟的应用技术之一。

计算机视觉：医疗过程离不开图像处理，医学影像图像处理、手术机器人视觉系统、药店及医院面部识别、单据识别等，都能够应用到计算机视觉。

数据挖掘：医疗诊疗过程中会产生大量的数据，如化验数据、支付数据等，数据挖掘在医院管理、医保支付等过程中有较多应用。

自然语言处理：在医疗场景中，电子病历所包含的文本信息最为丰富，自然语言处理技术在此具备较大应用价值。

机器人：可以显著提升医疗环节的自动化程度，药店客户服务、医院导诊、药房自动化、医疗手术等都存在医疗机器人的应用。

深度学习：由于医学影像具备数据标准化、特征高维度等特性，深度学习在医学影像智能诊断产品中的应用尤为广泛。

三、全球500强医疗行业人工智能应用场景概述

院内诊疗：院内诊疗主要包括与患者密切相关的疾病诊断与治疗场景。随着机器学习、人工智能、机器人等技术在院内场景中的应用，医疗过程中产生的海量数据价值被挖掘出来，使得诊疗过程变得更加高效。

药物供应链：药物的研发与销售是人工智能应用的重要环节。在药物研发中，海量化合物及研发数据通过人工智能技术，能够实现化合物的高效筛选。在药品流通中，机器学习等技术能够实现药物物流过程精准预测，提高药物流通效率。

院外场景：除了院内场景，人工智能相关技术在院外也有广泛应用。慢性病及亚健康人群通过佩戴可穿戴设备，对生理指标能够实现实时监测并上传到云端进行数据分析，及时发现异常情况并加以干预。医疗保险中的智能核保也是人工智能的重要应用场景。

其它场景：由于医疗行业的应用领域与场景极为复杂，本报告仅基于所选全球500强案例有局限性的进行了场景划分，故并不包含药物生产、医院管理等热门应用领域。

四、全球500强医疗行业人工智能应用分布图谱

点击图片查看更多

五、全球500强医疗行业人工智能应用案例

HCA Healthcare败血症检测算法SPOT：HCA Healthcare开发了SPOT算法用于败血症检测，通过机器学习技术，医院计算机摄取数百万患者的数据点进行训练。该算法每15分钟监测所有住院患者的化验结果和生理指标，分析住院患者的体温、脉搏、呼吸频率、白细胞计数、乳酸水平、血液、抗生素使用等信息以监测败血症可能性。SPOT以100％的敏感度运作，即包含所有败血症阳性病例，允许护理人员专注于那些需要密集监测和支持的患者。

雅培（Abbott Laboratories）Maya虚拟助手：2018年初，雅培成为印度第一家为其团队部署AI虚拟助手的制药公司。雅培制药事业部启动了一项试点，让约3000名销售员工开始与Maya进行日常咨询。Maya使用语音或聊天界面以简单的自然语言与员工沟通，并为他们提供所需的帮助及管理任务，回答常见问题解答、完成日常操作、接收报告或训练，帮助员工操作企业知识库（如SalesForce或Tableau）。

诺华（Novartis）病理学诊断研究平台：诺华公司的病理学家和数据科学家与科技创业公司PathAI合作，训练由PathAI开发的人工智能系统，以尝试像病理学家一样诊断，并试图发现病理学家难以发现的隐藏信息。PathAI为算法提供由病理学家标记的病理影像用于训练算法以区分细胞类型。PathAI将训练载玻片切成约10000个较小的图像，并且病理学家在每个切片中标记细胞类型。经过训练，不同的细胞类型以不同色彩区别，确定为癌症的区域在绿色周围组织的区域中发出亮红色。

美敦力（Medtronic）Guardian Connect动态血糖监测系统：Guardian Connect系统使用微型传感器测量皮肤下方的液体中的葡萄糖水平，全天候监测读取并通过小型无线发射器将它们发送到手机。使用Guardian Connect移动应用程序，可以查看最新的血糖数据、血糖历史趋势，跟踪可能影响血糖水平的日常事件，在血糖超出或低于目标范围时还能收到警报。

六、人工智能技术在医疗行业中的应用趋势及挑战

趋势：

患者院外实现更智能的慢病管理。医院管理流程变得更加高效。医疗机器人用途更加广泛。人工智能向药物研发全流程渗透。挑战：

医疗数据隐私泄露风险。医疗机构存在信息孤岛。影响数据标注质量不易控制。医疗计算机辅助诊断性有待加强。