前言
十 余 年 求 索 ， AI 已 经 逐 渐 长 成 了 那 时 IBM Waston 期 望 的 样 子 。 它 甚 至 跨 出 了
诊断和治疗的范畴， 生根于医疗场景中的每一个角落。
不过，医疗 AI 领 域 中 的 落 地 与 商 业 化 是 两 个 截 然 不 同 的 概 念 ， 通过合作、共研形
成的 AI 落 地 并 不 意 味 着 这 一 算 法 能 够 规 模 应 用 于 医 院 ， 规 模 应 用 于 医 院 也 不 意
味 着 这 一 算 法 能 够 成 功 回 收 过 往 投 入 的 海 量 资 金 。
因 为 这 些 模 糊 概 念 的 存 在 ， 医疗 AI 的 商 业 化 形 势 始 终 透 着 一 种 朦 胧 感 ， 亦 难 区
分 其 中 企 业 的 实 际 进 展 。
从 这 一 现 状 出 发 ， 蛋 壳 研 究 院 对 医 疗 AI 的 整 体 情 况 进 行 了 调 研 分 析 ， 希 望 借 助
数据这一工具，还原 2023 年最真实的医疗 AI 发展。
目录
第一章 人工智能，已是医疗领域必不可少的一部分...................................................................1
超百个AI 获批三类医疗器械，AI 跃出辅助诊断 ...........................................................1
近百项AI 赋能的管线进入临床试验，但无一行至上市阶段 ........................................4
信息学重构进行时，基础设施建设成为最大壁垒 ........................................................6
第二章 资金流速回暖，医疗人工智能进入稳步发育期...............................................................9
二级市场考察：AI 盈利尚有距离，疫情影响增速普遍放缓 .........................................9
看重研发投入，数字医疗尚未实现规模化盈利 .................................................9
持续亏损，AI Biotech 还需稳定营收来源 .........................................................12
多家企业交表，国内AI 制药崛起 ......................................................................14
一级市场考察：宏观遇冷，影像放缓 ..........................................................................16
深入治疗，手术相关的影像学AI 撑起融资规模 ..............................................16
稳步向前，多家AI 企业收获亿级大单 ..............................................................19
第三章 在逆势之下存活，医疗人工智能仍需高频创新.............................................................22
标准制定，影像AI 进入医保的可能前提 .....................................................................22
模式创新，再寻AI 盈利源动力 .....................................................................................23
临床再创新 ...........................................................................................................23
医院影像数据治理 ...............................................................................................25
深入治疗领域 .......................................................................................................26
合作政府覆盖基层医疗 .......................................................................................27
成立医院 ...............................................................................................................27
以数据为核心，新技术改变AI 格局 .............................................................................28
影像学的生成式AI ..............................................................................................29
重构医学科研 .......................................................................................................31
第四章 大模型入局，医疗人工智能再遇新变量.........................................................................34
九大应用场景，大模型已潜入医疗 ..............................................................................34
部署与应用局限发展，大模型暂时难以规模落地 ......................................................36
机遇与挑战并存，大模型有望成为颠覆医疗的下一项技术 ......................................37
大模型的发展趋势 ...............................................................................................37
大模型的发展面临的挑战 ...................................................................................38
第五章 三大赛道，汇聚医疗人工智能核心竞争力.....................................................................41
数坤科技：数字人体平台，扩大医疗 AI 赋能半径 ........................................................41
鹰瞳科技：诊疗一体化布局更进一步，保险创新业务进展迅速......................................43
深睿医疗：手持9 张AI 影像三类证，迈向全场景AI ..........................................................45
深智透医：差异化布局影像增强，有望突破医疗AI 盈利难题 .........................................47
MANTEIA：提供高效精准的放射治疗全流程解决方案 .............................................49
深至科技：持续投入软硬件一体化，加速小型医学影像基层应用..................................51
医准智能：算法技术与应用场景再获突破，超声新品研发迅速......................................53
悦唯医疗：AI 赋能血管介入场景，产品覆盖冠心病外科诊疗全流程 .............................55
图表目录
图表 1 历年AI 产品三类证获批数量 ..................................................................................2
图表 2 医疗AI 产品不同病种三类证获批情况 ..................................................................3
图表 3 全球AI 参与研发的进入临床阶段且处于活跃状态的管线临床阶段分布 ...........4
图表 4 全球AI 参与研发的进入临床阶段且处于活跃状态的管线分类 ...........................5
图表 5 医院管理系统传统架构与AI 加持的架构的对比 ...................................................6
图表 6 医疗AI 企业营收数据对比（单位：万人民币） ..................................................9
图表 7 医疗AI 企业净利润对比（单位：万人民币） ....................................................10
图表 8 医疗AI 企业研发支出（单位：万人民币） ........................................................11
图表 9 医疗AI 企业资产负债率情况 ................................................................................12
图表 10 各医疗AI 营收利润分布（单位：亿美元） ......................................................12
图表 11 Schrödinger 管线（合作部分） ..........................................................................14
图表 12 英矽智能 2022 年及 2021 年营收情况（单位：千美元） ..................................15
图表 13 晶泰科技 2022 年及 2021 年营收情况（单位：千人民币） ..............................16
图表 14 医疗 AI 不同赛道融资情况 ..................................................................................17
图表 15 AI 影像各个轮次融资事件数和金额（单位：亿人民币） ..............................17
图表 16 2023统计年AI 制药融资用途 .............................................................................18
图表 17 2023年部分药企与 AI 企业间的合作 .................................................................20
图表 18 SYNTAX 评分难点 ........................................................................................24
图表 19 SYNTAX 评分标准的冠脉血管分段示意图 ................................................25
图表 20 生成式AI 应用于影像增强 ..................................................................................29
图表 21 不同类型企业参与医疗大模型开发的特点 .......................................................37
图表 22 医疗 AI 应用层产业图谱 ......................................................................................40
图表 23 数坤科技产品布局 ...............................................................................................41
图表 24 鹰瞳科技 AI 版图 ..................................................................................................43
图表 25 Deepwise MetAI 实现一站式影像数智化 .......................................................45
图表 26 深智透医影像增强与重建解决方案 ...................................................................47
图表 27 MANTEIA 放疗全流程解决方案 ..................................................................49
图表 28 深至科技小型化AI 超声 ......................................................................................51
图表 29 “所见即诊断”超声动态实时智能分析平台 内涵 ............................................54
图表 30 悦唯医疗重症冠心病全流程创新解决方案 .......................................................56
今天，大量数智化应用已能无缝嵌入医生工作流程。此形势下，医疗AI 发生技术突变的概率
陡然下降，成熟产业对于成本的控制更为有力。
这一状态对于医疗 AI 产业而言有利有弊。利在当绝大部分企业开始重视产品销售与成本控制
时，缺乏成果的细分赛道开发暂时中止，医疗 AI 企业的亏损规模不断收窄，整个行业的前
景日渐明晰。弊在各项支出的紧缩及宏观环境监管的趋严，医疗 AI 整体创新能力有所下滑，
迫使不少投资方调低对于该产业的未来预期。
多种形式下，医疗 AI 的三大应用场景——影像学、信息学、生命科学——均展现出截然不同
的发展路径。2023 年间，国内影像学 AI 的研发、销售平稳向前推进，生命科学 AI 行至二级
市场边缘，信息学方面的 AI 低调融入各类系统，并借助大语言模型尝试技术内核的跨时代
升级。
本章中，我们将借助数据这一要素，展现当下医疗 AI 各重点赛道的技术发展形势，为后续
章节融资潜力、商业模式及技术范式创新奠定基础。
超百个AI获批三类医疗器械，影像学AI成批涌入治疗环节
在 FDA、MDR、NMPA 等主流监管执法机制下，绝大部分产品影像学 AI 因其数据性质
满足医疗器械数据要求，均被视作医疗器械进行审批。此背景下，作为影像学AI 的商业化充
分不必要条件的第三类医疗器械注册证，其数量一直是衡量赛道发展形势的重要指标。
近 6 年来，第三类医疗器械注册证年通过量一直保持高速增长，尚未出现增速放缓的迹象。
截至 2023 年 10 月 31 日，国内已有 118 款智能软件获得市场准入，仅 2023 年前 10 个月，
国家药监局公布的审评审批数量已至 44 个，超越了 2022 年的 32 个。至此，影像学 AI 审评审
批体系趋于成熟，相关 AI 的注册准入步入常态化，智慧化的应用或将在数年后覆盖整个临
床体系。
图表 1 历年 AI 产品三类证获批数量
数据来源：公开信息整理
具体分析历年 AI 注册证分布情况。2020—2021 年获批的影像学 AI 以辅助诊断类 AI 为主，内
含基于深度学习的分析模块，作用于特定影像设备下的特定病种。2022 年辅助诊断类 AI仍是
主流，但多了一定数量的放疗规划、心电分析、病理分析应用，AI 应用场景进一步拓宽。
2023 年延续了过往的趋势，不同之处在于各类智能手术机器人规划导航类应用相继获批（总计10
款），极大提升了 AI 获批产品的总量，医疗 AI 的主要场景也由“辅助诊断”变为“辅助诊断辅
助治疗并行”。
从公司角度看，辅助诊断类 AI 企业持有的三类证数量较多。拥有 11 张三类证的联影集团目前
位列数量榜的第一（联影智能 7 张、联影医疗 3 张、联影智融 1 张），深睿医疗、数坤
科技均有 9 张并列第二，推想科技、博动医学、医准智能紧随其后。相较之下，辅助治疗类AI 企
业持有的三类证数量普遍在1—3张左右，市场准入相对滞后。
图表 2 医疗 AI 产品不同病种三类证获批情况
数据来源：公开信息整理
从病种方面看，肺结节、肺炎、眼底等拥有公开数据集支撑的病种对应的AI 最易获批，是各
企业实现 AI 商业化的重要抓手。此外，企业们也通过海外引入或与三级医院合作，将心脏、
血液、脑、骨等器官/系统纳入AI 落地的新途径。
超声被认为是医疗 AI 下一个增长点，已在注册准入上迎来突破。2023 年 8 月，德尚韵兴甲状
腺结节超声影像辅助诊断软件率先获得 NMPA 批准，医准智能、深至科技的 AI 超声解决方
案也有望在后续逐步获批。
此外，国内的小型化超声软硬件也在不断发展，比如深至科技着力推动基层医疗超声筛查， 在
小型化超声智能化方面已经有完整布局。目前，深至科技已经搭建起超过十余类、30 多个
病种的算法模型影像数据库，以及超声影像云中心，实现AI 超声辅助诊断病种覆盖二十余病
种。随着超声 AI 三类证破冰，超声 AI 的应用会进一步扩大。
智能手术机器人规划导航类应用的发展与手术机器人的发展深度绑定。近两年来，骨科、腔 镜、
泛血管、经皮穿刺、口腔等细分领域手术机器人的获批加速了相关智能化应用的推陈出 新。但鉴于
2023 年下半年手术机器人市场暂时降温，2024 年的智能规划导航类应用的注
册数量可能会有所下移。
转向治疗赋能的过程中，初创公司在AI 的多样性方面发挥了重要作用。以AI 在放疗领域中的
应用为例，过去研发相关智能技术的企业多为东软智睿、联影医疗、大医集团、医科达、 瓦里
安、安科锐等国内头部影像企业及世界放疗巨头，但在近两年时间内，柏视医疗、
MANTEIA、连心医疗、医诺智能等初创公司也陆续获得市场准入。外科手术方面也存在
同样的趋势，联影智能、键嘉机器人、纳通医疗、长木谷医疗等初创公司在口腔、骨科等领域
获批第三类医疗器械，深睿医疗、数坤科技、推想科技等老牌 AI 辅助诊断类企业也在探索开
拓新产线的可能。
近百项AI赋能的管线进入临床试验，但无一行至上市阶段
AI 在制药中的应用纷繁复杂，贯穿整个制药流程，很难对比评估各 AI 之间的价值差异。不
过，通过计量 AI 参与研发的药物在临床试验中的推进情况，我们能够粗略衡量 AI 对于生命科
学行业的影响。
据蛋壳研究院不完全统计，截至 2023 年 11 月，进入临床的生命科学 AI 管线已有 16 款停止研
发或从官网撤下，1 款药物被降低了临床试验优先级。不过，管线总量仍在以较快速度持续增
加，全球处于临床阶段且保持活跃状态的 AI 参与研发的管线总计 97 项，超过一半的管线处于
临床Ⅰ期，超过 1/3 的管线处于临床Ⅰ期。
图表 3 全球AI 参与研发的进入临床阶段且处于活跃状态的管线临床阶段分布
（不完全统计，截止时间 2023 年 10 月）
数据来源：公开信息整理
这些管线有67 项来自国外，占比 %，30 项来自国内，占比 %。英矽智能、冰洲石
科技、未知君、埃格林医药、药物牧场、锐格医药等企业均有多条管线同时进行临床试验， 推动中国进
入 AI 制药全球领先队列。
自研新药是目前生命科学类 AI 企业研制新药的主要模式。上述管线中，%的管线为企
业自研管线，%的管线为合作研发管线，多为生命科学类 AI 企业协助大型药企进行研
发。
合作研发的管线数量虽少，却多为老牌生命科学类 AI 企业所持有。Exscientia 现有的两条进入
临床的管线分别来自于百时美施贵宝、湃隆生物；英矽智能负责推进 Aulos Bioscience的 单 克
隆 抗 体 AU-007；Lantern Pharma 手持 TTC Oncology、Harmonic、Actuate
Therapeutics三家公司的管线；Schrödinger则握手Structure Therapeutics的 ANPA-0073、
GSBR-1290与 Morphic therapeutic 的MORF-057。
图表 4 全球AI 参与研发的进入临床阶段且处于活跃状态的管线分类
（不完全统计，截止时间 2023 年 10 月）
数据来源：公开信息整理
需要注意的是，Schrödinger、BioXcel Therapeutic 等 AI 企业经手的已经上市的药物均来自收
购，进入临床Ⅰ期的管线也多为老药新用。换句话说，生命科学类 AI 公司自研且进入临床
阶段的管线均处于临床Ⅰ期或临床Ⅰ期，尚无药物完整跑通临床试验。
对于生命科学类 AI 而言，若想获得可观的营收、创造有力的价值，唯一的方式就是自研或
协助 MNC取得获批上市药物。2023 年间尚无满足上述条件的药物突破临床Ⅰ期，一定程度
降低了市场对于生命科学类 AI 的估值，进而导致年内合作及投资收紧。
不过，AI 技术对于制药行业的价值仍需时间验证。虽无法抵达许多人预期的 80%—90%
的研发成功率，但若能将 %（BIO、Informa Pharma Intelligence、QLS 报告数据，研究
周期为 2011 至 2020 年）的平均成功率提升至 10%，已能有效加速新药的产出，释放足以匹
配如今投资规模的价值。
信息学重构进行时，基础设施建设成为最大壁垒
相较于影像学和生命科学开拓的创新市场，信息学 AI 面临的是一个相对传统的市场，缺乏
创新的弹性，因而形成了差异化的研发思路。
影像学和生命科学将 AI 作为核心技术底座，形成独立产品或解决方案。而在信息学中，除
专科 CDSS 以独立产品形态进行销售，绝大多数 AI 以支撑技术存在，置于成熟产品或解决
方案中，通过优化性能、提供额外服务提高竞争力。
不过，这一属性并未干涉医疗 IT 企业对于信息学 AI 的开发热情。一方面，卫宁健康、东软集
团、东华医为等头部医疗 IT 厂商已对医院信息管理系统的架构进行调整，使其能够更好适
应智能化应用的运行，更便捷地实施智慧化的医院管理，不断降低医院日常运营中出错的可能；
另一方面，数字疗法的崛起强化了 AI 在人机交互、量表分析、智能预警、质量控制等场景
下的能力，帮助信息学AI 跃入治疗领域，进一步发挥数智价值。
图表 5 医院管理系统传统架构与AI 加持的架构的对比
数据来源：卫宁健康
此外，大语言模型的出现为医疗 IT 的重构提供了新的抓手。新的自然语义处理能力支撑下，过
去的智能问诊、智能电子病历生成、智能随访等涉及文本信息的环节将迎来划时代的产品体验提
升，进而颠覆医生的工作流程。
需要注意的是，基于 LLM 的应用研发仍处于探索阶段。该技术严重依赖环境，需要医院同
时满足基础设施的构造与智能算法的部署。如今开源节流大环境下，愿意为其付费的医院尚未形
成规模。因此，信息学 AI 的迭代仍需大量时间验证价值。
第 8 页 共 57 页
历经十年发展，多个医疗 AI 赛道已从蓝海转为红海。当前阶段下的 AI 企业要寻求外部资本
支持，仅仅依靠未来价值已难以让人信服。因此，无论一级市场还是二级市场，AI 企业必
须凭借可靠的经营能力进行支撑。
因此，本章着重考察现阶段各医疗 AI 企业商业化能力，找出影响医疗 AI 未来发展的各类因素，
进而判断众多经营方式中，哪些行之有效，哪些仍有待打磨。
二级市场考察：AI盈利尚有距离，疫情影响增速普遍放缓
经历了 2021 年的递交招股说明书热潮后，医疗 AI 迎来了漫长的上市平淡期。2022 年 9 月至
2023 年 12 月，国内仅 AI 制药企业英矽智能和晶泰科技递交了招股说明书，成功上市的医疗
AI 企业寥寥无几，具体分布与 2021 年并无差异。
看重研发投入，数字医疗尚未实现规模化盈利
为分析影像学及信息学的AI企业经营现状，蛋壳研究院在全球范围内选取了鹰瞳科技、Lunit、
Nanox AI 三家海内外具有代表性的医疗 AI 企业。其中，鹰瞳科技的糖尿病视网膜病变辅助 诊
断软件曾率先获得NMPA 颁发的第三类医疗器械注册证；Lunit布局 AI 影像和AI 病理， 曾在
单年内实现30 倍营收增长；Nanox AI 则是Nano-X Imaging 在2021年收购了全球 AI 影像头部
企业 Zebra Medical Vision 后更名而来，是美国影像学 AI 中的典型代表。
从营收来看，鹰瞳科技基本持平，Lunit和 Nano-X Imaging 的营收实现了大幅增长。图
表 6 医疗 AI 企业营收数据对比（单位：万人民币）
数据来源：公开信息整理
鹰瞳科技 2022 年营收为 亿元，小幅下滑 %。鹰瞳科技受限于疫情期间线下活动限
制，例如其重要布局城市上海曾在 2022 年上半年期间因疫情原因闭门三个月，一定程度影
响了全年营收。年报数据显示，公司客户数量从 2021 年的 244 个增至 397 个，同比增长
%，共完成检测量 万次，虽说检测量较 2021 年下降了 12%，但检测平均收费较
2021年提升了 %，发展势头良好。
医疗 AI 从院内走向院外是重要趋势，鹰瞳科技在院外已经布局了保险、眼视光中心、药店、政
府视力筛查项目场景。2022 年公司针对眼健康管理场景的鹰瞳眼健康收入增加至 4360 万，
同比增长 %，AI 解决方案覆盖国内超过 1200家视光中心，表明医疗AI 在眼科健康管理
场景中的发展前景广阔。
Lunit 营收 2022 年营收为 139 亿韩元（约 7564 万人民币），同比增长 %，主要原因在
于 Lunit INSIGHT 以及 Lunit SCOPE 两大业务线营收均增加，胸部 X 成像 AI 解决方案 CXR
实现了 6918 百万韩元的营收。Nano-X Imaging 2022 年总收入为 860 万美元，AI 解决方案
的销售额为 30万美元，可以看出 AI 产品贡献的营收较低。
从净利润情况看，医疗 AI 的规模化盈利能力还不理想，3家企业均处于净利润为负的状态。鹰
瞳科技归母净亏损 亿元；Lunit 净亏损 391 亿韩元（约 亿人民币），同比减少 %；
Nano-X Imaging归母净亏损 亿美元。
图表 7 医疗 AI 企业净利润对比（单位：万人民币）
数据来源：公开信息整理
一个显著的变化是，鹰瞳科技的毛利率在 2022 年有明显的下降，从 61%减少至 %，原
因是公司业务线中增加了对于 B 端、C 端硬件设备的投入。
不过，鹰瞳科技 2023 年的中期业绩给了行业一个积极的信号。公司 2023 年上半年营收 8250 万元，
同比增长 %；鹰瞳医疗、鹰瞳健康、鹰瞳眼健康分别同比增长 %、26%、
307%；毛利润 5136 万元，同比增长 %，净亏损 4102 万元，同比收窄 %，毛利
率 %，增长 %。在医院、患者越发刚性的眼健康管理、治疗需求下，眼科 AI 影像的
商业价值正在成熟，加速获得医院、体检机构、健康管理中心的认可。
研发支出方面，各家企业的认知开始分化。鹰瞳科技研发支出为 亿元，同比增长 %，超
出公司全年营收 %；Nano-X Imaging 研发支出为 2651 万美元，超出营收 300%。鹰瞳科
技、Nano-X Imaging对标影像学 AI 创业公司，鹰瞳科技偏低，Nano-X Imaging 偏高。
图表 8 医疗AI 企业研发支出（单位：万人民币）
数据来源：公开信息整理
回顾鹰瞳科技的近年，保证销售成本与研发支出的同规模变化是其快速商业化，趋近扭亏为盈的
重要手段。行至上市阶段，医疗 AI 企业必须重点考虑盈利问题，将资金一味投入研发抢占
生态高地的发展模式，已经不再适用于这个时代的 AI 领域。
资产负债率方面，鹰瞳科技和 Nano-X Imaging 均处于较低的水平。伴随行业日趋稳定，单
个 AI 产品的研发支出测算日益精准，企业无需承担过多财务风险进行大规模债权融资，因
此资产负债率低。
图表 9 医疗 AI 企业资产负债率情况
数据来源：公开信息整理
持续亏损，AI Biotech 还需稳定营收来源
目前全球范围内登陆二级市场的生命科学 AI 企业已经达到两位数，但除加拿大生命科学 AI
公司 AbCellera Biologics 外无一盈利。AbCellera Biologics 是一家抗体研发公司，使用其自研的
AI 驱动抗体发现平台通过分析天然免疫系统数据库来寻找可以开发为药物的抗体。 2022
年间，AbCellera Biologics 实现营业收入 亿美元，同比增长 29%；净利润 亿美元，
同比增长 %。
图表 10 各医疗AI 营收利润分布（单位：亿美元）
数据来源：智药局、蛋壳研究院
支撑该公司 2022 年 营 收 利 润 双 增 长 的 主 要 因 素 为 “版 税 ” ，即与合作伙伴礼来销售的
Bebtelovimab 分成，贡献收入 亿美元，同比增长 35%。Bebtelovimab 是 AbCellera
为礼来开发的第二款新冠中和抗体，曾于 2022 年 2 月获得 FDA 的紧急使用授权（EUA），
同月礼来与美国政府签订了总金额达 亿美元的Bebtelovimab 订单。
不过，AbCellera Biologics 的优异表现未能助其止住市值的骤降，失去 Bebtelovimab 这一重
要的吸金法宝，AbCelera 四季度的收入仅仅为 2150 万美元，占 2022 年总收入的 4%。如今，
除了 Schrödinger，其余上市企业的当前市值已远低于上市市值，不少企业已经从“独角兽”的队
列中离去。
Schrödinger 稳定的市值与其同大药企的高效合作有一定关系。2020 年 11 月，Schrödinger与
BMS 达成合作协议，筛选 5 个候选药物，协议金额最高可达 27 亿美金；2021 年 8 月， 再鼎医
药 license in Schrödinger 技术平台，合作金额为 亿美金；2022 年 10 月，礼来与 Schrödinger
达成协议，筛选一款候选药物，协议金额最高可达 亿美金。
2022 年 12 月，武田以首付款 40 亿美元，总金额 60 亿美元的价格从 Nimbus Therapeutics手中
买下了活动性银屑病关节炎治疗药物 NDI-034858（现更名为 TAK-279）进一步肯定了
Schrödinger 的 价 值 。 NDI-034858 是 一 款 TYK2 抑 制 剂 ， 由 Nimbus Therapeutics 与
Schrödinger 合作开发，目前武田已将其推至临床Ⅰ期，距离上市只有一步之遥。
此外，Schrödinger 丰富的管线布局及多元的商业模式亦为其有效分担了风险，使其能够在行
业估值整体下行之际维持市值的稳定。
图表 11 Schrödinger 管线（合作部分）
数据来源：Schrödinger 官方网站
不过，自研药物的 AI Biotech 在追逐高回报的同时亦需要承担较大的失败风险。当投资方开始
日渐谨慎，不少企业已经开始 AI CRO 业务，尽可能地规避下行时期的高风险。
多家企业交表，国内 AI 制药崛起
初创企业方面，数坤科技、科亚医疗、推想科技曾于 2021 年递交了招股书说明书，英矽智能、
晶泰科技则于 2023 递交招股说明书。从他们的招股数据中，我们能够一窥 AI 行业最前沿的
势态。
2023年，数坤科技再度启动 IPO，其上市辅导备案登记已经获北京证监局受理。
数坤科技选择了平台化发展的策略，致力于构建数字人体，是全球唯一一家在心、脑、胸、
腹、肌骨关键领域同时拥有NMPA 三类证的医疗 AI 高科技企业，无论是产品数量还是获证
数量都领先于行业。公司数字人体平台 已覆盖了 40 余种AI 产品，涵盖了CT、MR、DR、
US、DSA、钼靶等多个模态，同时也全面覆盖了疾病筛查诊疗的各个环节，实现了疾病
全流程的高精度导航协同和精准诊疗。旗下数字医生产品已经在全国超 3000 家医疗健康机构
高粘性日常使用，包括超 90%的百强医院及 80%的目标公立三甲医院，市场覆盖率行业第
一。
在覆盖了大量赛道，形成平台级的完整解决方案之后，数坤科技将迎来营收与市场占有率的双重提
升，这是数坤科技重启IPO 的底气所在。
AI 制药板块，英矽智能在 2023 年 6月，晶泰科技在2023 年11 月递交招股说明书。
商业模式是当前影响 AI 制药企业营收表现的关键要素。AI 制药行业的主流商业模式包括以
提供软件平台服务为主的 SaaS 供应商，以 Schrödinger 为代表；主要开发内部研发管线的 AI
Biotech，以 Relay 为代表；提供外包服务的AI CRO 公司，以 Exscientia为代表。
英矽智能选择了“复合型”商业模式。英矽智能不仅开发自研管线，还对外提供软件平台服务， 同时为
Big Pharma、CRO、Biotech 等在内的多类药物研发公司提供项目合作开发业务。
目前，英矽智能开发出覆盖特发性肺纤维化、肿瘤、免疫学的超 30 个在研管线，为全球 TOP 20
制药企业中的 10 家提供AI 药研服务，并与复星、赛诺菲等大型制药企业建立战略合作。
基于此，英矽智能营收表现亮眼，2021年至2022年间，公司营收从万美元增至
亿美元，增幅达 %。但公司年内亏损也从2021年的 亿美元，增加至 亿美元，
研发支出从 万元美元增加到 万美元。
管线进展上，英矽智能核心产品 ISM001-055 已经启动Ⅰa 期临床试验，主要用于通过抑制
TNIK 治疗特发性肺纤维化相关适应症。
图表 12 英矽智能 2022 年及 2021 年营收情况（单位：千美元）
数据来源：公开信息整理
与英矽智能的商业模式不同，晶泰科技在定位上更符合 AI CRO 模式。
晶泰科技开创了结合量子物理、AI 和机器人技术的创新研发平台，融合医药企业与医械企
业的服务模式建起三大业务，分别为药物发现解决方案、固态研发服务、自动化研发实验室， 自研
药物或为客户提供多元 CRO服务。
招股说明书显示，晶泰科技服务过的客户超过 200 家，2020 年、2021 年、2022 年和 2023 年
1—6 月的营收分别为 万元、 万元、 万元、 万元，呈逐年上升趋
势，同期经营亏损分别为 万元、 万元、 万元、 万元，与营收
同向增长。
图表 13 晶泰科技 2022 年及 2021 年营收情况（单位：千人民币）
数据来源：公开信息整理
目前，晶泰科技已借自研或合作研发的方式建起 10 条管线，XBD-101、XBB-202、XBD-
207 已通过 IND，即将步入临床试验环节。在 AI CRO 角色之外，晶泰科技也在布局对初创
企业的孵化投资，包括希格生科、剂泰医药、默达生物等，加强业务互补。
一级市场考察：宏观遇冷，影像放缓
回顾过去几年，AI 影像是医疗 AI 板块率先获得资本瞩目的板块，在几年间迅速累积了数百
亿资金，驱动多个 AI 影像产品进入商业化落地阶段，多家 AI 影像企业迈入二级市场。到
2023 年，流向 AI 影像板块的资金仍然充沛，但偏好辅助治疗而非辅助诊断。AI 制药作为
2022 年的热门板块，在 2023 年正面临商业前景不明朗的瓶颈问题，融资热度有显著下降。
另一方面，作为底层技术，AI 在完成技术验证后，其医疗应用场景正不断多元化。2023 年间，
不少投资人落足于眼科、口腔、中医问诊、健康管理等领域内，寻找 AI 新的价值点。
深入治疗，手术相关的影像学 AI 撑起融资规模
根据蛋壳研究院统计，2022年 8月 31日—2023年10 月31日期间（后称为“2023统计年），医疗 AI
板块一共完成了170 笔融资，融资总额 亿元人民币。
2023 统计年的融资事件数较 2022 年同期的 127 件和 2021 年同期的 112 件发生了较大规模的
增长，分析其原因，辅助诊断 AI 向辅助治疗 AI 的转型及基于影像的手术导航、手术规划类
AI 的崛起，共同拉高了AI 影像与 AI 信息化企业融资规模。
图表 14 医疗 AI 不同赛道融资情况
数据来源：公开信息整理
AI 影像融资当前更偏向商业落地。即便是在早期 A 轮融资阶段，产品申报注册和商业化情
况也已经是资本投资的重要考量因素。譬如，医智影完成了 A 轮融资，产品“放射治疗轮廓
勾画软件 RT-Mind”已获得 NMPA 三类医疗器械注册认证及 FDA 入市许可；慧维智能处于
A轮融资阶段，公司的二类证产品已经在多家医院应用。
图表 15 AI 影像各个轮次融资事件数和金额（单位：亿人民币）
数据来源：公开信息整理
AI 制药板块融资首次降温。2023 统计年的融资事件数仅有 32 笔，与 2021 年同期的 43 笔和
2022 年同期的 47 笔，有了一定下降。且 2023 统计年 AI 制药板块的融资以 A 轮以下的项目为
主。
核心原因在于 AI 制药距离商业化还有一段距离，行业缺乏典型的成功案例，再加上 2022
年明星产品 DSP-1181 的失败让行业遇冷。根据统计，融资用途中，仅有完成 C 轮融资的药
物牧场和完成 B+轮融资的红云生物将资金用于推进药物临床试验，其余融资均是处于较早
期阶段，用于搭建技术平台和推进药物临床前研究。
图表 16 2023统计年 AI 制药融资用途
数据来源：公开信息整理
另一边，海外 Genesis Therapeutics 却完成了 2 亿美元的超额认购 B 轮融资，这是 2023 年 AI 制
药领域最大一笔融资；2023 年 7 月，英伟达也宣布向 Recursion 投资 5000 万美元。这说明 AI
始终是生物医药研发效率取得变革的关键因素，随着算法模型、数据分析方法得到针对性的
优化，以及随着大模型发展日新月异，AI 在制药板块将保持向上发展。
信息化板块的融资事件在 2023 统计年出现了小幅度的增加，共有 42 笔融资事件。大多数传统
的信息化企业已经发展到后期阶段，行业整体变化不大，较大的亮点在于数字疗法企业， 2023统计年
中，数字疗法占据了 AI 信息化融资事件 25%的比例。
生成式 AI 在信息化板块也有了初步的探索性应用，Glowe 阁楼完成 A+轮融资，用 AIGC 赋
能心理咨询，万木健康完成战略融资，将加速构建单病种及医生个人知识数据库，通过 AIGC重
构医患交互场景下的内容创作流并实践探索垂直领域大语言模型应用。
稳步向前，多家 AI 企业收获亿级大单
尽管一级市场的 AI 企业没有公布营收规模，但据蛋壳研究院统计，深睿医疗、医准智能、数
坤科技、推想医疗、深智透医等 AI 企业均已实现亿级营收，部分企业有望在 2024 年实现扭
亏为盈。
以深智透医为例，该企业 AI 产品已在中国、美国、欧洲等各个市场加速推进战略，全球超过
500 家医疗机构及影像中心完成部署，全球订单总量近亿元。最近，这家 AI 医学影像增强领
域的头部企业宣布中国区域启动新品牌“深智透医”，并在 CCR 中国放射学大会及 RSNA北美
放射学大会上，展示了基于其AI 平台的医疗影像产业智能化升级。
医准智能则强调三级医院与基层医疗多场景并行。通过与多省市政府之间的合作，医准智能已借
助智在全能影像智能化全面解决方案、粉红关 AI 乳腺癌智能筛诊疗一体化解决方案、所见
即诊断超声动态实时智能分析平台的三大解决方案规模化落地，实现可观营收。
生命科学类AI 的表现情况与影像 AI 类似，也在营收方面节节攀升。
2021 年与 2022 年间，MNC 开始陆续认可生命科学类 AI 的未来价值，大规模网罗具备 AI
潜力的生物科技初创公司。许多大药企手持多家 AI 企业的合作，将自有的管线分而治之，
多角度引入 AI 赋能。这两年内，每一年都有近 50 项合作达成，近 100 亿美元的总价值合同
规模完成签署。引入 AI，成为当时制药界的风向标。
相较前两年，2023 年合作数量相较前两年略微减少，预付款与合同总价值也有所降低。10
个月间，全球范围内已发生艾伯维与 Anima Biotech 总价值 亿美元的合作；赛诺菲与百
图生科超 10 亿美元的合作；德国默克集团宣布与 BenevolentAI 和 Exscientia 亿美元的
合作；诺和诺德与 Valo Health27 亿美元的合作，证实 MNC 仍然看重生命科学 AI的未来
发现前景。
图表 17 2023 年部分药企与 AI 企业间的合作
数据来源：公开信息整理
造成这一原因的因素可能并非有关 AI 技术本身，头部企业完成布局加之全球经济的波动，
MNC 们需要花费一些时间去验证AI 价值，才能精准计划下一轮的投入。
第 21 页 共 57 页
尽管医疗 AI 的价值已在临床、制药之中得到初步确认，很多医疗AI 产品已成为医生日常工作流
程中必不可少的一部分，也确确实实为药物靶点、先导化合物等筛选提高了不错的效率， 但各家医疗
AI 的经营情况，却仍岌岌可危。
造成这一结果的原因是多元的。其一，对于影像学 AI 而言，该技术核心需要解决的问题是
AI 能够提升多少效率，为医院创造多少价值；对于生命学科 AI 而言，其核心需要解决的问
题是 AI 能否制造一款成功上市的新药。如今没有医保支付模型的支撑，亦无成功通过临床
的新药作为案例支撑，AI 的购入多个成本项，价值的验证仍然处于悬而未决的状态，没有
被精准计算出来。
其二，许多 AI 产品/解决方案的内容、形式过于单一，医院/企业很难为了单一产品付出大
量成本，制药企业也没能直观感受到 AI 对于制药成本的节省作用。换句话说，产品没有达
到改善整个产业的地步，进而不足以让客户买单。
其三，医疗 AI 技术本身存在一些问题。譬如，封装 AI，扼杀了AI 在实践中不断进化的优势。不
封装AI，如果在收到AI 的建议之后对患者进行干涉，那么AI 捕捉不到给定数据下应该发生的
结果。这种情况下，运行过程中的AI 会在短期高准确率预测后逐渐偏离，预测能力变得越来
越差。
要解决上述问题，医疗AI 企业们首先应该在过往深耕的领域中确立简单可行的价值计算路
线，其次需要舍去部分实在无法盈利的技术，及时止损或比死磕商业化带来更多收益。
标准制定，影像AI进入医保的可能前提
过去数年，全球范围内的影像学企业及相关机构都在尝试用一种公平、标准、易操作的方法横
向比较各AI 产品的价值。一种典型的手段是在比赛中给定数据集，要求各家企业、高校、研究
院使用自制的模型进行自动勾画、分割或是辅助诊断。如今部分医疗AI 产品应用落地进入成
熟期，产品的性能评价方法应趋于标准化、去随机化，以制定医保支付模型等方式， 更为
精准地计量AI 的卫生经济学价值。
在实际之中，无论是医院物价还是支付模型均有企业、政府、监管机构在协力推动，但不够积
极。一方面，规模化的物价准入和医保准入中的支付模型验证均需企业耗费大量人力物力执行，
取得的成果却无法保证产品取得可观的商业化成绩，使得推进速度受限；另一方面， 物价准入与医
保准入类似于公共物品，都存在前者投资，后者搭便车的可能，因而率先投入相关研究的企业趋向
于隐藏阶段性研究成果，导致行业整体推进速度受限，且易导致单一产品的研究重复进行。
要解决这一问题，医疗AI 产业需要引入第三方进行牵头，建立产业联盟，统一确立物价准
入、市场准入的目标省市、目标病种，合力推动相关研究的进行。理想情况下，联盟不仅能消除
物价准入与医保准入的搭便车问题，还能集中资源加速准入进度，避免无谓的重复研究。
仍处于研发中的项目同样需要尽快引入规范化、标准化流程助力。具体而言，企业与医院、监管
机构等机构共同制定研发中产品的价值计量方案，其具体目标应包括：1. 明确真实临床需求：
根据需求制定研发路径，防止产品与需求偏离。2. 有效控制成本：目前各类 AI 软件收费偏贵，
医院负担多个 AI 组成的解决方案存在一定压力，3. 扩大临床数据集：当前单病种 AI 使用量不
足，导致算法的有效性及鲁棒性难以保障。
参考面对类似问题的手术机器人行业，在优化医生流程的过程中，企业应积极同医生探讨临 床过
程中碰到的问题，比如骨科中某些类型的骨折复位困难，有些螺钉不容易植入到理想的 位置，有些
内固定不牢固，有些人工关节容易出现磨损，某些手术步骤时间长风险性高有待 改进等等。而企业
应深入理解相关医学理论，协助医生区分、明确临床中的问题是“科学问题”还是“工程问题”，根据
“工程问题”设计手术机器人产品。同理，医疗 AI 企业也应深入临床中，进而设计出全方面优于
医生传统流程的工具，真正解决临床痛点。这个过程中，传统指标或许已经不再适用，需要重新
设计一套有利于 AI 辅助诊断的指标。
总的来说，尽早牵头建立联盟，确立规范共识，将有利于 AI 设备落地，缩短 AI 项目扭亏为盈
的时间。由于每一项规范共识的建立都意味着大量资金人力的投入，企业与专家需详细设 计规则
并拟定推广计划，避免无谓损失。
模式创新，再寻AI盈利源动力
数年经营，单纯以向医院销售单病种辅助诊断软件的商业模式进行经营，AI 可能无力收回
过去投资的海量成本；只提供算法筛选的分子而不对其后期研发进行保障的生命科学 AI 也
未能体现技术的说服力。
因此，近年来的医疗 AI 企业们都在加速模式创新及产品创新，尝试打破单一商业模式困局，
尽可能提升其在疾病诊疗链路/新药研发流程中的环节覆盖能力，谋求抓住任何扭亏为盈的机
遇。
临床再创新
尽管AI 三类医疗器械的数量已逾百个，但在浩瀚医疗体系之下，能被赋能的场景不过九牛一
毛。因此，挖掘临床真实需求仍是医疗 AI 企业扩张的关键所在。
SYNTAX 评分标准及评分系统是贯穿于冠心病诊疗的核心评分标准，该标准于 2005 年被
首次提出，该评分标准由其他冠脉病变程度评分标准及分级标准发展而来，以患者的冠脉解剖
与冠脉病变位置、病变程度与病变特点为基础，实现了对患者冠脉病变情况的量化评价。较 其他
评分标准，SYNTAX 评分标准全面地考虑了冠状动脉病变的数目、部位、病变特征等因素，
是一种基于冠脉造影（DSA）图像的精确量化评价指标，因此 SYNTAX 评分在国际诊疗
指南中的地位，也高于其他评分系统。
不过，SYNTAX 评分标准也有其弊端。一方面，DSA 是冠心病诊疗中的核心影像学数据，
但 DSA 图像具有难以解读与分析的特点；另一方面，SYNTAX 评分过程要求评分者将
DSA 中的血管分支与 SYNTAX 评分标准的冠脉血管分段（图 1） 一一对应，并对各个血管
段病变的类型、程度做出准确判断，且要求评分结果应由三位经验丰富的医师分别评分后取平均
值，整个过程具有评分难、经验依赖强、耗时、主观性强、准确性难以保证等问题。
图表 18 SYNTAX 评分难点
数据来源：公开信息整理
为提高 SYNTAX 评分速度和准确性，广泛化 SYNTAX 评分在临床的应用，创新医疗器械
研发公司悦唯医疗开发了一种利用AI方式自动SYNTAX评分工具。为实现 SYNTAX自动
评分，亟需实现的关键技术包括多视角冠脉血管全提取、分段和结构与非结构病变检测与
SYNTAX 评分，具体如下：
1） 基于血流流向分析 DSA 影像多视角冠脉血管分割与血管分段算法研发：DSA 可实现高
分辨率小分支血管二维成像，基于多帧连续图像分析血液流向判断重叠血管分割，将多帧连 续帧
图像信息与多视角 DSA 信息融合，可获得更准确的血管分段结果。
2） 狭窄病变检测与结构相关病变不良征分析：针对三叉病变、分叉病变、开口病变、长病变
这些与结构密切相关的病变不良征，构建多尺度 U-net 网络模型精确量化血管半径值，根据
病变的位置结构信息判断病变不良征类型，自动实现 SYNTAX 结构部分的分数计算。
3） 冠脉非结构病变分析：针对完全闭塞、严重扭曲、严重钙化、血栓和弥漫病变这些无法
直接根据血管结构信息直接评分的病变不良征，构建引入融合注意力机制的目标检测模型， 得
到病变位置和类别的精确估计，自动实现 SYNTAX 非结构部分的分数计算，从而实现完整
的 SYNTAX 自动评分。
4） 模型可解释性实现：针对传统方法可解释性不足，临床表现不稳定的问题，构建可解释 的
深度学习模型，提高结果可靠程度；模型构建方面，根据血管段、结构和非结构类病变的 联系构
建评分模型，使之符合 SYNTAX 人为评分的过程。模型解释方面，通过分步交互可
视化功能展示图像中影响评分结果的区域，从而令 SYNTAX 自动评分结果可被解释和分析。
图表 19 SYNTAX 评分标准的冠脉血管分段示意图
数据来源：悦唯医疗
利用 SYNTAX 评分系统可以实现将 DSA 图像简化为一个可以分析的数值，基于该数值便可
衍生出多种风险预测与诊疗决策模型。因此 SYNTAX 评分结果应用范围覆盖冠心病诊疗全
流程，在术前 SYNTAX 评分结果可作为血运重建方式选择的核心标准，在术中由评分结
果衍生出的 STS 评分等可作为预测手术风险的重要依据，在术后 SYNTAX II 评分可以有效
预测患者远期预后。
悦唯医疗的创新并非孤例，数坤科技、医准智能等企业也在尝试开发新的 AI 算法重构传统
评分系统，进而在不改变临床路径的前提下提升临床效率。
医院影像数据治理
自深度学习广泛应用于计算机视觉后，围绕医学影像展开的AI 开发催生了独立建设影像大数
据中心的需求。因此，不少 AI 企业在辅助诊断的基础上向上游延伸，尝试在PACS、RIS、
PIS 等涉及医学影像的业务系统之上，以中台形式搭建一个能够综合管理应用全院所有影像的
大数据平台，更标准、更便捷、更经济的方式对影像类数据进行汇总，进而推动相关科学研究的
进行。
作为医疗数据大国，我国的影像数据占据了 80%—90%的份额，维持 30%的增速持续增长，
但大量数据停留在纸质化的阶段，超过 80%的数据为非结构化数据。因此，围绕影像展开的
医疗大数据中心建设能够有效触及此类需求，传统医疗 IT 企业及深睿医疗、汇医慧影等
AI 企业均围绕此业务深化信息化布局，一方面为医院搭载治理影像数据的平台，另一方面
借助平台协同医院推出新的 AI 解决方案。
现有的医学影像大数据中心通常具备两类智能。其一为集成智能化影像应用。伴随 AI 技术
的规模落地，一家医院常常会安装多个 AI 辅助诊断应用。为了方便医生在不同应用之间无
感切换，医学影像大数据中心可以起到业务中台的作用，将众多 AI 软件集成，便于医生使
用。同时，大数据中心还可以通过互联网实时上线新的 AI 应用，医生需要时可直接联网下
载。
其二为助力影像数据资产化。由于影像数据库本身体量较大，医院很难精准评估影像数据库的
真实价值，亦无心对其进行定期维护，可能在数年之后需要调阅时才发现文件发生损坏。 在这一
场景下，影像大数据可以助力影像数据治理，在数据生成后便及时打上标签并归类， 并注明其可
能存在的价值。
核心能力外，还有一些企业的大平台会打造一些特色功能。以深睿医疗新发布的 Deepwise
MetAI 智慧影像&数据新平台为例，该平台以计算机视觉、NLP、深度学习等 AI 技术为基础，
实现影像扫描后重建、打印、诊断、会诊、教学、科研的一站式影像科全周期智能管理。这个
过程中，深睿医疗能够帮助医院生产高效精准的结构化数据，逐步积成影像科的优质数据资产。
同时，深睿医疗也在借助大数据平台打造以科研创新及应用为导向，实现数据到成果再到应 用的创
新闭环模式，加速科研成果转化，助力学科高水平发展。目前，深睿医疗已与四川大 学华西医院、
南京市中医院、浙江大学医学院附属儿童医院等国内多家医疗机构合作，依托 全院级科研数据中心，
探索疾病智能化诊疗的新模式、产出高质量的成果、全面促进成果转 化。
深入治疗领域
医疗 AI 通常偏好横向拓宽，通过不断赋能新的病种，实现单个科室的多应用覆盖。但要从
一个科室跃至全部科室，医疗 AI 则需采取纵向延伸，打通单个病种的筛、诊、治全流程赋
能。
最初一批切入治疗环节的 AI 以放疗靶区勾画、放疗手术计划为主，国内初创公司中已有连心
医疗、MANTEIA 等 多 款 AI 获批。其中，MANTEIA 基 于 AI 的 放 疗 影 像 工 作 站
AccuContour®于 2020 年 3 月获得美国 FDA 的批准，成为中国第一个获得 FDA 认证的基于
AI 的放疗影像工作站及自动勾画软件。
神经介入手术方面，强联智创率先突围，其颅内动脉瘤手术计划软件可用于脑血管病患者 X
射线血管造影三维体层图像的显示、分割、测量和处理，辅助医生在神经介入手术时进行动 脉瘤
弹簧圈栓塞用的微导管路径和塑形规划。
2022 年较多骨科手术机器人进入商业化阶段。尤其是腰椎、髋关节、膝关节三个部位的手术，
均有多个 AI 企业完成布局。肿瘤外科这一领域今年也有不少 AI 企业完成突破，或在 2024
年初公布新的审评审批成果。
合作政府覆盖基层医疗
相较于医疗资源丰富的三级医院，基层医疗显然更需要也更值得 AI 落地。因此，基层医疗一
度被视为医疗AI 最快实现商业化的医疗场景。
不过，该场景也有其局限性。近 100 万元定价的辅助决策软件对于三级医院而言不算昂贵， 却
早已超过了基层医疗的承受范畴。此形势下，要拿下基层医疗这一场景，必须为其找到合理的支
付方。
基层医疗当下的潜在支付方包含三个来源，一是区域卫健委、二是政府、三是医联体、医共体中
的上级医院。尤其是政府与医联体，能够因为辅助诊断 AI 的引入获取额外收益，更有可能
为辅助诊断AI 进行支付。
影像 AI 企业医准智能便借助“粉红关 AI”乳腺癌智能筛诊疗一体化解决方案与北京、上海、广
东、浙江、贵州、新疆、云南等地区的政府取得合作，助力基层妇幼保健院及基层医院进行乳腺癌
筛查能力建设。协助地区完成《健康中国行动（2019-2030 年）》提出的“2022年农村适龄
妇女两癌筛查覆盖率要达到 80%，到 2030 年达到 90%”防治目标，并将 AI 技术带到基层老
百姓身边，同时完成自身的商业化落地。
此外，也有企业为了匹配 AI 的能力进行硬件的研发。譬如，深至科技便研发了便携式超声
及便携式磁共振，并建立了覆盖模式、技术、履约体系、落地服务体系等多维度要素的产品体系，
提供集“小型医疗设备、AI 辅诊、远程诊断、医疗服务”于一体的数字化健康服务，满足多种医
疗需求，赋能基层医疗机构。
成立医院
人工智能医院在形式上类似于互联网医院，但又之稍有不同。
互联网医院诞生之初面临的是一个医患缺乏沟通渠道的环境，要解决的是“就医难”的问题。 因此，
互联网医院主要做的是连接这一职能，将患者与医院连接起来，解决其中的信息不对称，其本
身不提供医疗服务。相较之下，人工智能医院它实现的是由间接医疗向直接医疗的
转变，它以互联网为基础，建立实体医院将功能延展至治疗环节，并全方位引入数智化技术 进行
赋能，解决区域医疗难题。
乌镇智能医院是国内首家人工智能医院，意在提高基层医疗的影像诊断水平、基层医疗的诊
疗效率、慢病管理的便捷性和达标率以及医疗服务质量。目前，乌镇智能医院已经上线的诊疗
工具包括“人工智能+医学影像”“人工智能+疾病诊断及预测”“人工智能+慢病管理”“人工智能+个性化康
复”四大模块，可以有效提高基层医疗的影像诊断水平、基层医疗的诊疗效率、 慢病管理的便捷性
和达标率以及医疗服务质量。
此外，乌镇智能医院也将 AI 深度嵌入医院管理系统。实际运营过程中产生的所有临床、管
理、健康等数据均能以标准化格式归档。此形式下，院内医生能够以更为便捷的方式实践数 据挖掘，
加速科研产出；医院管理者亦可实时获取医院运营现状，及时作出决策。
医疗 AI 数年来的商业化经验已经验证，汇集全国最优质医疗资源的三级医院并非 AI 服务最为
优质的买方。因此，乌镇智能医院没有将核心业务放在诊中环节，而是聚焦于非一线城市 最为薄
弱的诊前环节与诊后环节。
诊前环节，乌镇智能医院的承建方健培科技为其引入以大语言模型为基底的诊前助手，该应 用可通
过微信小程序、线下终端等多个入口为患者提供媲美真实医生的导诊服务，还能根据 患者主诉提供
个性化建议，成为与患者贴身相伴的健康助手。
诊后环节，乌镇智能医院借助大模型为每一位患者建立其独有的“数字孪生体”，用以洞察患者
不同时间下的身体变化。一方面，这项技术能够直观展示患者各脏器的形态及病灶变化情 况，便于
患者随时了解身体状态，理解病情，甚至共同规划后续的治疗、康复方案。另一方 面，大模型下的
数字孪生能基于一定时间段的信息对患者的未来疾病发展状况进行预测，进 而及早干预。
从成本角度考虑，乌镇智能医院这一类区域型人工智能医院的造价与单个辅助诊断 AI 的研
发落地成本相差不大，实际耗资可控制在三千万内，服务半径可覆盖 10 万级的居民。伴随
医院覆盖区域的扩大，其建设成本及人口覆盖规模可能进一步上升。
以数据为核心，新技术重构AI格局
由于 AI 的能力严重依赖训练数据的体量与质量，因而长期以来，“数据”要素的缺失极大程度
限制了 AI 的发展。
实际之中，对给定数据集的清洗过程既耗费人力，又耗费精力，以至于不少人戏称 AI 为“人工”
下的智能。特别是面对罕见病病例、特定状态下肿瘤影像等天然状态下稀少的病种/影像， 即便有人
力支撑也难以建立满足 AI 规模的数据集。
那么，是否存在一种新的路径，以 AI 创造安全有效的数据？不少企业正在这一领域进行发
力。
影像学的生成式 AI
深度学习刚在医疗领域萌芽时，影像学 AI 研发人员训练时常常会受困于数据问题。因此，
不少研究人员尝试采用小样本学习、生成对抗网络（GAN）等方式生成式数据，弥补训练
样本量不足的问题。
近年来，生成式 AI 的定义更明确，强调在深度学习之上搭建 Transformer Model；应用也
更为丰富，影像增强与辅助诊断均是其重要应用场景。
影像增强
伴随医学影像软硬件技术迭代速度的不断加快，部分影像设备可能在正常生命周期尚未结束 前不
能满足持续精细的医院需求，因此部分企业尝试以算法的方式增强这些设备的性能，一 方面使得落
后的设备能够紧跟时代的进步，另一方面帮助医院节省成本，使其中低端的设备 也能获取高端设备
的成像效果。
目前从事这类 AI 研发的企业多为影像设备公司。创业公司中，深智透医是少有能够提供优于
影像设备公司自身软件服务的企业。该公司的核心业务为利用 AI 加速 MRI、PET 等设备的
成像速度，并提升成像质量，这个过程本身就是利用生成式 AI 处理原始数据获取合成数据，
再根据合成数据重构MRI、PET 等影像。
深智透医也在尝试将生成式 AI 应用于影像增强。MR 临床扫描中的部分序列常常出现信噪
比偏低、伪影明显等情况，影响最终影像的呈现质量。发布于 IEEE 的研究“One Model to
Synthesize Them All: Multi-contrast Multi-scale Transformer for Missing Data Imputation”结果显
示：在 AI 的支持下，利用 Transformer 等模型通过 T1、T2 等现有图像间接生成新的图像
（例如更高分辨率图像、其他对比度、模拟打造影剂的图像等），其效果甚至可以优于直接
磁共振成像。
目前，该企业自研的 SubtlePET™（国产化本地部署产品为 SupPET™）和 SubtleMR™
（国产化本地部署产品为 SupMR™）利用 AI 加速 MRI、PET 成像速度、提升成像质量，
该过程本身就是利用生成式 AI 处理原始数据获取合成数据，再根据合成数据重构 MRI、PET
影像。
图表 20 生成式AI 应用于影像增强
数据来源：深智透医
在着手 CT 等影像增强时，深智透医还对生成式 AI 进行了进一步优化，做一些影像降级的工
作。具体而言，深智透医利用大量的真实临床数据，也结合仿真把一些金标准高质量的图 像变至更
接近实际扫描获取的低剂量、低分辨率、低造影剂图像，进而训练出更稳定高效的 模型。这种融合
了多重数据的扩散模型，它的效果要明显优于通过传统手段训练的模型。
模型训练
训练辅助诊断类 AI 的过程中，患者影像数据的不均匀分布常常会影响最终模型在实际应用中
的效果。
以皮肤病AI 的研发为例，相关模型训练时需要同时计算多种皮肤病的概率，但人的皮肤肤质
及患病类型并非均匀分布，仅考虑患病种类一个维度，湿疹、毛囊炎的数据频率偏高，银屑病的
数据频率则会相对偏低，使得最终生成的 AI 在实际诊断中表现出“病种偏好”，进而引发误诊
漏诊。因此，不少研发人员尝试通过可靠路径合成有效的数据，使得模型在应用时 更为平滑。
过去数年，已有多种算法成功实现了影像数据的合成，但合成数据质量与真实数据质量仍存在差异，
不能完全替代真实数据的价值。相较之下，GPT 时代迅速发展的生成式AI 则能补全生成逻辑
方面的缺陷，让生成数据不仅保有质量，还能加快生成过程，扩大生成数据的量 级。
2022 年，英伟达与伦敦国王学院使用 Cambridge-1 超级计算机创建一套包含 10 万份大脑合成
图像的数据集，借此训练 AI 应用以加快对于痴呆症、帕金森病及其他脑部疾病的理解。
其生成逻辑与文本有相似之处，即将真实数据拆分为素材，再通过特定逻辑的 AI 进行组合，进
而解决数据量稀缺的问题。
合成数据的另一个潜在应用场景在于多病种判别式 AI 的审评审批。多病种 AI 的临床试验设计
是一个复杂的过程。譬如，多病种 AI（以 N=2 为例）在进行数据集构建与算法验证时，不
仅需要构建病种 A 数据库与病种 B 数据库，还需要构建 A∩B 数据库，并需在模型之中添加
医学知识，使其能基于医学原理解释交集数据的概率得出过程。
当病种数量较少时，构建融合数据库的难度尚且可控。而在当前审评审批逻辑下，病种数量 一旦
增多，各病种组合的样式及需要的数据集丰富程度则会呈指数趋势上升，数据不均匀分 布导致的障
碍也会进一步凸显。
譬如，糖网病变的 VI 期患者数据天然较少，企业很难在真实世界中找到足量满足验证数据
集要求的数据量。若将病种的组合考虑在内，相关数据收集复杂程度将急速扩增，最终变成一个现
实之中无法解决的难题。此情况下应用生成式 AI 对部分稀缺维度进行数据扩增，或能解决
此类问题。
重构医学科研
美国圣路易斯华盛顿大学医学院信息学研究所去年开启了一项基于生成式 AI 生成患者合成
数据集的研究，意在为广大科技医疗研究人员提供更为丰富的数据。
这是一项将 AI 技术应用于临床试验的典型研究。该研究使用了以色列公司 MDClone 研发的
生成式 AI 模型，先从医院 EDC 中抽取患者数据进行脱敏，把数据按照特定维度打散，再利
用其自研的生成式 AI 模型进行重新组合。此番操作下，MDClone 可以基于少量电子健康
记录中真实的患者数据准确地生成大量合成数据，重建真实患者的特征。
在后续的研究中，相关人员将合成数据集与真实数据集置于三个特定任务下进行对比，分别 为分
析儿科创伤患者的死亡风险；预测哪些住院患者最有可能发生败血症；制作圣路易斯地 区一年内按
邮政编码划分的衣原体感染率地图。
对比研究结果显示，合成数据分析的结果在统计上与真实数据的分析相似，各项数据集都得 出了
相同的结论。在绝大多数情况下，统计结果是相同的，只有在极少数情况下，真实数据 集和合成数
据集之间存在差异。
此案例中，AI 的价值主要来自效率提升。过去准备训练数据往往需要耗去研究人员数个月
的时间，而在生成式 AI 模型的赋能下，研究人员可以在数小时至数日内建立、查询并下载
自己的合成数据集。
为了保障数据的安全，相关研究人员还创造了一种严格的患者隐私保密方式，使得合成数据 无法
与真实的人和身份联系起来。借助这一技术，医院或能将数据变为一种特定的资产，在 不侵害患者
隐私的前提下，最大化相关临床研究。
同样的技术还被应用于优化临床试验，如在保证临床试验有效性的情况下利用 AI 建立合成
对照组，提高试验组患者的比例。
简单来说，合成对照组一般用于无法建立常规对照组（是指相对于实验组的一组受试者，他们
常常接受安慰剂或传统疗法治疗）的临床试验中，比如在罕见病、严重疾病的临床研究上， 通过检
索已有医学文献设立对照组。
患者参与试验的初衷往往是加入试验组而非对照组，身患重疾的患者更是如此。因此，2020 年，
美国食品和药品管理局（FDA）批准将达索系统旗下生命科学 AI 公司 Medidata 研发的
Medidata AI Synthetic Control Arm®合成对照解决方案应用于美国临床阶段免疫治疗公司
Medicenna Therapeutics 公司 MDNA55 治疗复发性胶质母细胞瘤（rGBM）Ⅰ期注册试验中。
在此试验中，Medidata 成功帮助 Medicenna 在该试验中减少招募了 100 个对照患者，成为
罕见病试验采用混合外部对照组的首创之举。合成对照组的应用提升了入组患者接受试验 药物
治疗的概率，也改善了入组率，在不影响试验科学可解释性的同时，加快试验进程。
伴随 AI 的进一步发展，算法或将进一步补全生成逻辑方面的缺陷，让生成数据不仅保有质
量，还能加快生成过程，扩大生成数据的量级，进而让更多罕见病外的患者受益，在更多的 试验
帮助更有效地改善试验数据管理和试验设计，优化试验洞察，提升试验效率。
第 33 页 共 57 页
尽管智慧医院的建设进行得如火如荼，但落在具体场景中，譬如自动书写病案、智能问诊、 智
能随访等应用，仍然没有脱离关键词映射数据库的逻辑，真正做到智慧智能。
大语言模型（LLM）带来的 NLP 技术更迭能够一定程度解决当前智能程度不够问题。在
分析文本类信息时，大模型不仅能够从大量给定信息中找到任务需要的关键项，还能对未知信 息
进行预设，综合上下文做出推理。
此外，亦有企业将大模型置入新药研发中，以更高效的算法分析、处理、构建化合物、匹配 临床
患者等，提升各阶段药物研发效率。
九大应用场景，大模型已潜入医疗
就目前而言，大模型在医疗领域的应用还停留在对已有场景的重构上，尚未展现出新场景的 创新。
部分专家认为，以下九个场景最有可能最快接入大模型。
辅助诊断、辅助决策
相对于传统 CDSS 而言，大模型的训练数据来源更为广泛，自我净化能力更为高效，因而能为
CDSS 带来较大幅度的提升。
辅助诊断方面，医生在诊断中需要调动大量医学知识，记忆大量的患者信息，常会出现疲惫 的问
题。此类大模型的引入可以帮助医生记录信息，缓解疲劳。同时，大模型还能通过学习 电子病历、
医学文献等数据同医生进行一些语言互动，提升诊断的准确性及效率。两条作用 路径均能提升医生
诊断质量、诊断效率。
目前，百度灵医智惠、卫宁健康、惠每科技等企业已在尝试将大模型融入自身的 CDSS，提
升决策的完整性与准确性。
治疗方案生成
理论上可在急救药学服务、骨科、细菌感染等领域接收患者后迅速生成治疗方案。尤其是在 急救
场景中，大模型在急救过程中迅速根据患者信息生成治疗方案，可以辅助医生更快做出 诊断，为患
者谋取更多救治时间。目前尚无企业发布相关产品。
质控
可对结构化的医疗文书进行自动录入、形式质控、内涵质控。各个医生书写习惯不同，精力 有限，
大模型可快速地生成规范医疗文书模板，该模板具备质控逻辑清晰、内容表达丰富等 特征，能够
按照标准准确录入文书，减轻医生在书写、检查等环节的负担。主流 LLM 都可提供多样化质
控功能。
患者服务
可通过通俗的语言为患者进行导诊、答疑；用智能支持的药品说明书替代传统说明书。传统 的患
者教育需要医生投入大量精力进行编写，并在专业性、易读性方面取得平衡，还会常常 在后续沟通
中为患者释疑。大模型可以针对患者母语背景生成相关的患教资料；与患者对话 提供患者需要的信
息。
这是一项较为成熟的应用，健培科技的啄医生；百度灵医智惠的 AI 药品说明书均属这一场
景中的成熟应用。
医院管理
可生成医院管理所需的各类表单，为医院管理者提供辅助管理决策支持，统计包含医生基础 信息、
临床能力、医院后勤、医院财务等各个方面的数据，然后生成匹配医院现状的动态管 理计划，对医
疗资源进行一个智能高效的配置。以医疗设备管理为例，大模型可以规划各项 医疗设备采购、维
护计划，生成维修相关表单，有效提高管理效率。
教学科研
研究方面，可在选题立项、研究方案设计、结果分析、成果编写方面发挥很大作用。需要注 意的是，
大模型也会出现伪造参考文献引文、无法甄别科研贡献，无法对于生成内容负责等 等问题，有待后
续逐一解决。
教育方面，可协助医生编写教案，替代医生解答部分问题。医生在履行教学职能时需耗费大 量时间
编写教案，回答学生提出的各类高重复度问题，导致有临床、科研任务的医生其精力 被重复性劳动
占用。大模型的引入可以分担医生压力，如辅导第一年资学生的学习，将医生 从医学教学的任务中
解放出来，帮助其专注临床科研工作。
中医
中医常面临其医疗知识难以显性化、结构化的问题，导致知识传承相对困难。引入大模型可 对中
医相关知识进行数据挖掘，推动相关知识体系的构建，以标准化的形式为患者生成诊疗 方案。
目前发布中医大模型的企业较少，以大经中医为例，其“岐黄问道·大模型”包含基于已确诊 疾病
的临床诊疗大模型、基于症状和体征的临床诊疗大模型、中医养生调理大模型，分别可 作用于根
据用户提供的疾病、症状、体征信息，给出辨证（诊断）结果和治疗方案（中药处 方）；根据用
户提供的主诉症状和伴随症状、体征信息，给出辨证（诊断）结果和治疗方案
（中药处方）；根据用户提供的症状、体征信息，给出个性化中医健康状态辨识结果，以及 食
疗、茶饮、推拿、艾灸等多维度养生方案，推动中医知识标准化、诊疗标准化。
药物研发、销售
研发方面，大模型可在药物发现、临床前研究等环节提高靶点发现效率，构建复杂分子；亦 可在临
床试验环节对临床试验的设计思路、统计方法的推荐等等方面提供支撑，极大提升药 物研发效率。
如晶泰科技噬菌体展示平台 XpeedPlay 能够利用大模型超高速生成苗头抗体。在研究VHH抗
体（一种存在于骆驼血清中的天然轻链缺失抗体，用于治疗癌症，自然界不存在）结构时， 该平
台通过同时优化多种药物特性，帮助晶泰科技一举获得了 1000 亿个最有前景的新 VHH 抗体
序列。
销售方面，大模型可在药物市场推广时以自动化、智能化的方式连接目标用户，打造更为精 准的
用户画像，进而降低营销成本，提升营销效率。
公共卫生
用于辅助流行病学的大数据分析及趋势判断。由于传播方式和传播路径具备复杂性、偶然性， 疾病
发展的不确信性和变化性非常大，超出常规算法的能力范畴。相比之下，大模型可以对流行病学
的大数据分析和这个预测进行有效支撑，给出较为精确的判断。目前国内外拥有大量研究机构和医
院进行相关探索，并已取得了不错的成绩。
部署与应用局限发展，大模型暂时难以规模落地
相较于千亿级参数的通用大模型，医疗中文本类大模型的参数可控制于 100 万以内，包含
文本与多模态影像的大模型参数可控制于 500 万内，因而非头部互联网公司也能参与医疗大
模型的建设。不过在实际之中，从概念到落地，现阶段的医疗大模型仍需解决两个问题。
一是部署。企业将大模型部署至医院时，需要医院购置相应 GPU 驱动模型运行。通常而言，
服务一个科室的应用需要的 GPU 成本在数千元左右，但要负担全院需求，医院可能划分百万元
级的成本购置芯片，因此，要推动大模型应用大规模落地，一方面需要推动医院主动部署大模型
运行环境，另一方面需要企业方优化模型，尽可能降低医院在基础设施方面付出的成本。
二是应用。目前基于大模型构建的智能应用仍然没有脱离传统医疗 IT 应用的范畴，如病案
质控、智能问诊、临床试验赋能等。企业需要围绕医院需求构造“杀手级”应用，唤起医院购 置的
大模型的需求，进而实现大模型的规模落地。
此外，医疗大模型的落地还面临头部医疗 IT 企业与大型互联网企业间的激烈竞争。
大型互联网企业的优势在于通用大模型的自研能力。构建大模型需要的成本不菲，且需大量
数据进行训练，因而非大型互联网企业很难自行构建通用模型，只能借助开源同源模型开发 自有
的垂直模型。
但由于垂直大模型应用需置于医疗信息系统中，非医疗 IT 企业只能使用外挂的方式进入IT环境，
操作流畅性受限，相较之下，拥有医疗信息管理系统的医疗IT 企业占有优势。此外，大模型对
于医院的架构要求严苛，能够支持 AI 应用的智能架构将比传统 EA 企业架构更好展现大模型
的能力界限，进一步提升了医疗IT 企业在大模型领域的竞争力。
图表 21 不同类型企业参与医疗大模型开发的特点
数据来源：公开信息整理
机遇与挑战并存，大模型有望成为颠覆医疗的下一项技术
时至今日，大模型虽在医疗场景中已经取得了许多重要成果，但从规模看仍处于起步阶段。 下
一阶段中，大模型将在模型规模、自适应和个性化、多模态数据融合、解释性和可解释性有望
等方面得到进一步发展。
同时，大模型的发展也面临着一些挑战，如数据量和计算资源的需求、模型的隐私和安全问题、
模型的稳定性和可扩展性等。只有通过不断地研究和探索，才能更好地应对这些挑战， 推动大模型
技术的进一步发展和应用。
大模型的发展趋势
模型规模的进一步扩大
随着计算资源的和技术水平的不断提升，医疗大模型的结构和参数规模还将继续扩大，从而 在
更高层次上实现更加精细和复杂的数据分析任务。
模型的自适应和个性化未来
医疗大模型将更加注重自适应和个性化的需求。通过患者行为数据的分析，以及个性化的模 型
设计和优化，大模型将能够更好地满足患者的需求，实现医疗服务的“千人千面”。
多模态数据的融合
医疗大模型将更加注重多模态数据的融合和处理。如将影像数据与电子病历数据融合，进而 更
好地应对各种实际诊疗场景。
大模型的发展面临的挑战
数据量和计算资源的需求
大模型的训练和推理需要大量的数据和计算资源，一定程度压缩了创业公司们的试错空间， 进
而导致只有少数企业参与大模型的开发与落地，不利于大模型的技术的普及和应用。
模型的部署成本
大模型参数规模的不断扩大将对医院的硬件配置提出新的要求，推高医院大模型的部署成本。 在
缺乏“杀手级”应用前，这一趋势将在一定程度上抑制医院需求。
模型的隐私和安全问题
医疗数据的隐私与安全极为重要，而大模型的训练和处理必然涉及大量敏感数据的处理。因 此，
模型构建方必须建立一个安全可靠、可监督的环境，消除大模型研发过程中可能面临的 政策风险
与信任危机。
模型的稳定性和可扩展性
医疗大模型的复杂性和规模使得模型的稳定性和可扩展性成了一个难题。在实际应用中，企 业
需要不断优化和改进模型，提高其稳定性和可扩展性。
模型的解释性和可解释性
由于 LLM 的复杂性和黑盒性质，大模型结果的可解释性仍然存疑。循证医学前提下，大
模型的可解释性可能制约相关应用的审评审批，进而抑制相关应用的落地。
第 39 页 共 57 页
纵观整个 AI 医疗领域，该技术在医疗领域已实现多环节的全面渗透。医疗 AI 产业上游主要
是为行业提供基础技术支持的行业，如基础数据平台、算法等。中游主要为医疗 AI 的应用
层。下游为技术的应用场景，如医院、体检机构、居家、药房等。
本报告中主要关注于中游场景，进而将入局的企业分类为影像AI、信息化 AI、新药AI 三个板
块。随着 AI 在医疗的快速应用与升级迭代，行业细分赛道已趋明晰，国内外涌现出一大批优
秀的企业，在各自的领域中探索出更多可能。
图表 22 医疗 AI 应用层产业图谱
数据来源：公开信息整理
数坤科技：数字人体平台，扩大医疗 AI赋能半径
数坤科技是全球唯一在心、脑、胸、腹、肌骨关键领域同时获得 NMPA 三类证的医疗 AI
高科技企业，累计获得了 12 项 NMPA三类证、2 项美国 FDA认证以及 4 项欧盟 MDR CE
认证，无论是产品数量还是获证数量都领先于行业。公司致力于构建全球领先医疗健康大脑“数 字人
体”平台，自主研发了覆盖疾病筛查、辅助诊断、治疗决策全流程的“数字医生”产品组合，成功
应用于智慧影像、智慧手术、智慧健康三大领域。
目前，数坤科技已经从早期的数字心产品发展到了覆盖全身和重大疾病的数字人体平台，且数字人
体平台已经迈入了 时代，打破了设备之间的壁垒、影像数据之间的壁垒，科室间的壁垒，
形成了以疾病为中心，以患者为中心的全新的智能解决方案。
广泛覆盖疾病领域和影像模态是数字人体平台 的重要特征。数字人体平台 积累了 40余种
AI 产品，覆盖了 CT、MR、DR、US、DSA、钼靶等多个模态，同时也全面覆盖了多种
重大疾病、慢性病筛查诊疗的各个环节，实现了疾病全流程的高精度导航协同和精准诊疗。
图表 23 数坤科技产品布局
数据来源：公开信息整理
此外，数字人体平台 还集成了数坤科技 AI 核心算法技术和传统影像组学研究功能，为医
生提供“科研大脑”。近年公司已经和超过 200 家国内外头部医院和科研机构合作，产出了300 多
篇 SCI科研论文，围绕心、脑、胸、腹等人体全部位，重大常见病和慢病等多病种，
以及各个模态开展了丰富的技术研究和临床验证，部分科研成果登录 Nature 子刊《Nature
Communications》、国际影像学顶级期刊《Radiology》、国际磁共振顶会 ISMRM 等
学术高地。
总的看，数字人体平台 拥有更大规模的基础架构、更多的影像模态、更多的人体部位和适
应症数据、更快的交互速度和更好的交互体验，不仅全面覆盖了疾病筛查诊疗的各个环节， 而且打破了
单一科室、单一模态的限制，从患者的人体机能出发，以整体化的视角带来更精准便捷的智慧医疗
健康服务，可以作为新型基础性设施赋能医、教、研、产全链路，为临床和科研等场景提供更多助
力与支持。
目前，数坤科技以数字人体平台为基础的解决方案已经在超过 3000 家医疗健康机构日常高粘
性使用，在国内 Top100 医院的渗透率超过 90%，目标公立三甲医院的渗透率近 80%。
鹰瞳科技：诊疗一体化布局更进一步，保险创新业务进展迅速
医疗AI 不一定只留在医院，只要是有硬需求、医疗资源供需矛盾突出、能够创造增值价值的
场景，都有机会。基于这个认知，鹰瞳科技跃迁至大健康场景。对于“医疗 AI 在院外的空间有
多大？”这个问题，经过几年的深耕，鹰瞳科技给出了答案。
鹰瞳科技是中国首家上市的医疗 AI 公司，也是中国首批通过 AI 视网膜影像识别技术提供早期
检测、诊断及健康风险评估解决方案的公司之一。在产品布局上，鹰瞳科技依托软硬件一体化解决
方案，提高医疗 AI 普惠度。在商业化探索上，公司已经斩获了眼底影像领域首张 NMPA 三
类证，同时覆盖医院临床科室、大健康管理、眼健康管理等渠道，商业渠道策略差异化明显。
图表 24 鹰瞳科技 AI 版图
数据来源：鹰瞳科技
眼健康业务场景，AI 诊疗一体化布局更进一步
我国近视防控形势严峻，鹰瞳科技在近视防控领域进行创新和探索，并持续推进诊疗一体化 战略，
按照检出率顺序，推出与外部治疗计划相结合的内部开发治疗及控制解决方案。
2023 年，鹰瞳科技在近视治疗板块，新推出儿童青少年近视防控产品——近视光照治疗仪， 该仪
器运用 AI 光学技术，通过模拟太阳光，采用重复低强度红光反复照射眼底，增加脉络膜厚度，
抑制眼轴的过快增长，控制近视加深。在斜视、弱视治疗板块，公司新推出了用于视觉训练的
软硬件产品。
保险业务场景，推动视网膜 AI产品与健康险深度融合
视网膜 AI 产品在保险场景大有可为。在获客环节，视网膜 AI 产品作为增值服务，可以增加投
保人的获得感，促成客户下单；理赔环节，可基于产品服务数据，准确高效且持续地评估 投保人及
受保人的健康状况，进行智能核保和风险控制。
可以说，视网膜 AI 产品可以与保险产品深度融合，优化保险产品设计、定价、获客、服务、理
赔全流程，甚至重塑保险产品价值链。
目前，鹰瞳科技已经助力国寿财创新推出了国内首款患有阿尔茨海默病也可以投保的阿尔茨海默
病专病保险，首次把医疗 AI 服务融入专病保险产品中；与轻松筹、众惠相互保险共同首发了
“心脑血管筛查保险”智能核保创新产品；与北京医保局和“北京普惠健康保”共保体达成合作，作
为参保人专属特定的药械权益纳入了北京普惠健康保，这是医疗 AI 产品首次进入普惠健康保，
公司的这一模式还在加速复制，已相继进入无锡“医惠锡城”、济南“齐鲁保”、重庆“渝快保”等多地惠
民保项目。此外，公司与政府合作，对居民进行大规模慢病筛查，实 现疾病早筛早诊，降低医
保支出。
通用AI 在医疗领域的应用可以加速疾病诊断和治疗过程，有望给全球卫生系统带来革命性改
变，对于通用 AI 布局，鹰瞳科技已有相应规划。未来，鹰瞳科技将按照分析式 AI-生成式 AI-通
用 AI 三个阶段依次推进。在分析式AI 板块，公司将持续将人类医生有非常明确的诊断指南
和标准，以及相应严谨医学逻辑的病种去做研发注册，申请新的适应症；生成式 AI板块，公
司基于医学影像，生成未来疾病和病灶的演进变化，起到预测和早期预防的作用； 通用 AI 板块，
公司已开发相应的大模型，计划在 2024 年上线应用。
深睿医疗：手持9张 AI影像三类证，迈向全场景AI
作为医疗数据大国，我国的影像数据占据了 80%—90%的份额，但大量数据停留在纸质化层面，
为非结构数据，催生了数据治理需求，搭建一个能够综合管理应用全院影像数据的中台， 能够有效助
力医院临床和科研工作。
深睿医疗致力于通过突破性的 AI“深度学习”技术及自主研发的核心算法，为国内外各类医疗服
务机构提供基于 AI 和互联网医疗的解决方案。公司产品遍布全国 30 多个省市，为数千家医疗
机构提供从 AI 辅助诊断、智能筛查、临床决策、患者服务到医疗大数据治理、科学研究、医
生培训、能力建设等全链路的 AI 服务。
产品矩阵丰富，实现全流程全场景AI 数智化
2023年10 月，随着“头颈 CT 血管造影图像辅助评估软件”获得 NMPA 三类证审批，深睿医疗累
计持有了 9 张 NMPA 三类证，针对 DR、CT、乳腺 X 线等医学影像，覆盖了胸部疾病、心脑
血管疾病、女性关爱、儿童生长发育等多个领域。
不论是从单一产品，还是从平台化能力看，深睿医疗都已经是医疗 AI 佼佼者。依托独有的“影像+
文本的双 AI 引擎，深睿医疗所有的AI 及信息化解决方案都被集成在了Deepwise MetAI智慧
影像&大数据通用平台上。Deepwise MetAI 将医院影像科日常工作流程产生的数据结构化、
形成数据资产，可以在技师、医生、科室的管理者之间自由流通、实现重建、打印、 诊断、会
诊、教学、科研的一站式影像数智化，助力医院全能智慧影像科建设，实现全流程全场景AI 数
智化。
图表 25 Deepwise MetAI 实现一站式影像数智化
数据来源：深睿医疗
注重医工结合，大模型深入产学研合作
深睿医疗将大模型技术引入医疗的垂直领域，对现有的影像 AI 和医疗大数据中台产品进行
全线赋能，通过研发医疗数据的通用大模型，打造文本、影像等多模态数据的一站式 AI 平
台，更好地支撑临床智能化的建设。
1） 深睿正在打造面向专业医疗的语言大模型 DeepWise-LMLM（Large Medical
Language Model），构建十亿级中文医疗语料库，覆盖多学科的医疗文献、教材、指南、报
告、病历等数据，可以胜任结构化、标准化、医疗知识问答、报告内涵质控等多种临床文本解析任务，
可做诊断预测等前瞻性探索；
2） 深睿医疗创新性地提出医疗图像通用分割模型 SAMI（Segment Any Medical Images），
适配 X-Ray、CT、MRI、PET、超声、病理切片、内镜、皮肤镜、牙片、血涂片等多模态
医疗数据，实现从器官、到病灶甚至病理细胞、病变组织、细胞元素等级别的亚秒级分割，为
医疗实践中的一切图像分割任务提供了AI 一键式解决方案；
3） 此外，深睿医疗基于 Transformer 架构的多模态大模型可以深度的处理多模态的临床数据，
在临床中发挥积极的作用，也具备更广泛的应用场景。
目前，全国范围内已有近两千家医疗机构在日常科研中使用深睿医疗多模态智能科研平台， 累
计产出近 200 篇高质量论文，其中超过 10%的论文位居 Q1 区，近半数为 Q2 区，文章刊登在
多个国际知名期刊。
深智透医：差异化布局影像增强，有望突破医疗AI盈利难题
对于快速发展的医学影像领域来说，聚焦临床重度需求已经变得愈发重要，企业对于需求的 挖
掘必须更细致更全面。深智透医聚焦三个痛点需求，进行差异化布局，一是大量影像设备 满负荷
运行，患者接受影像检查时需要长时间等待且检测过程中因造影剂沉积受到辐射伤害； 二是医院影像
设备成本高，以及因服务能力受限造成患等待者流失；三是下游服务商，当影像图像质量较低时，
会影响后期基于此影像的定量诊断效果，进而影响最终的治疗效果。
深智透医通过创新的深度学习解决方案提升医学成像效率和患者体验，是 AI 医学影像加速
增强领域唯一获得美国 FDA、欧洲 CE 及中国 NMPA 认证的第三方解决方案提供商。
2020 年，公司开启全面商业化，此后订单规模持续攀升，2023年，公司营收呈倍数增长。
布局AI影像增强，有效提升MRI和PET 成像质量及效率
在业务布局上，深智透医避开了竞争激烈的 AI 辅助诊断赛道，而是通过切入产业链前端的
AI 影像增强领域。提升影像质量和效率是全球的刚需，深智透医的主力产品 SubtlePET™，
能对 PET 的成像加速 4-10 倍，且能提供同等质量的医学图像，SubtleMR™可以将 MR 成
像时间缩短至过去的一半不到，减少 10 倍造影剂使用。
图表 26 深智透医影像增强与重建解决方案
数据来源：公开信息整理
因地制宜，在全球构建起多元化商业模式
在商业模式上，深智透医采取“因地制宜”策略。凭借着公司产品极强的兼容性和普适性，深 智透
医搭建了多元化的商业渠道，开展了广泛的合作。
临床端，国内，深智透医为医院提供纯本地部署的产品部署模式，以 license 授权销售模式为
主，在海外，公司对医院采取 SaaS 模式按例收费。
影像集团方面，深智透医和多家 AI 影像服务商建立上下游合作关系。同时公司探索 OEM 解
决方案，和多家影像设备厂商进行AI产品合作，公司已成为西门子图像重建管道OpenRecon
唯一的AI 影像处理合作伙伴。
药企合作上，深智透医已经和多家头部药企、CRO 达成合作，包括拜耳、博莱科。依托
在MRI 和 PET 等模态的 AI 影像增强和智能分析等技术，提升肿瘤、阿尔茨海默病等疾病药
研发的试验效率与数据质量。
生成式 AI布局快人一步
在生成式 AI 领域，深智透医已经有实际性进展。在 CB Insight 发布的首批 Generative AI 50榜单
中，深智透医作为唯一一家中国企业、唯一一家医学影像企业名列其中，代表了全球健康领域的最
有价值的生成式 AI 解决方案。
深智透医的 SubtlePET™和 SubtleMR™就是利用生成式 AI 处理原始数据获取合成数据，
再根据合成数据重构 MRI、PET 影像，达到加速 MRI、PET 成像速度、提升成像质量的目
的。同时，深智透医也通过生成式 AI 从已扫描的序列图像生成一些未扫描的序列图像，进一
步提高检查效率。
MANTEIA：提供高效精准的放射治疗全流程解决方案
传统模式下，精准放射治疗很多环节需要医生手动操作，是一门受制于经验的学科，面临精准放疗
的诸多挑战，AI 是解决问题的最佳选择之一。基于 AI 的多模态图像处理、靶区和危及器官
的自动勾画、放射治疗计划自动设计、放射治疗自动质控，最大限度地提高了效率和 放射治疗水
平。
MANTEIA 数据科技渊源于威斯康星医学院的自适应放疗研究组，2011 年设立研究组，
2017年进行商业化落地。承担国内联合课题 30+项，国际联合课题 10+项，申请国内专利 34 项，
拥有 ART 国际专利 2 项，在放射治疗领域产学研水平全球领先。
建设放疗软件全流程产品矩阵
在靶区勾画、放疗方案制定和质量控制等阶段进行多重优化，才能全面提高医院的放疗水平 和质量，
达到更好的放疗效果。因此，对放疗全流程进行智能化升级的一体化解决方案显然 含金量更高。
MANTEIA 围绕 AI、数据科技及传统算法展开研究。目前，公司已推出覆盖放疗诊断、勾画、
计划、治疗各方面全流程的放疗产品系统，包括智能放疗图像工作站 AccuContour®、放疗AI 模
型自主训练平台 AccuLearning®、自适应放疗治疗计划系统 MOZI TPS、放疗信息化系统
Radius数据管理和 MRIA 流程管理、一站式放疗计划验证系统 AccuCheck 等。
图表 27 MANTEIA 放疗全流程解决方案
数据来源：MANTEIA
密切关注行业需求，精准解决放疗痛点
针对医院放疗科勾画标准不统一、患者体量与专业人员数量不匹配等痛点，MANTEIA 推
出智能放疗图像工作站 AccuContour®。AccuContour®根据 RTOG 标准，实现 100+个危及
器官及常见肿瘤靶区的勾画，配备自动勾画、多模态影像融合配准等五大功能模块，不仅能够 有
效补充现有的放疗计划系统，其自动化无人值守及针对勾画质量的自动 QA 功能，更能有效协
助医疗人员配置，将医生从电脑边解放出来。
而针对放疗算法模型个性化培训门槛高的痛点，MANTEIA 推出放疗 AI 模型自主训练平
台 AccuLearning®，支持便捷的数据清洗、小样本训练、无代码操作及可视化评估，辅助完
成算法模型拟合，高效配合临床及科研工作。传统放射治疗计划系统计划优化时间长，精确度也
受到限制，MANTEIA 自主研发的 MOZI 放射治疗计划系统采用现有最准确的剂量金标
准蒙特卡洛算法，能够在 2-5 分钟内完成计划优化，支持多种自动计划功能，在计划设计的效
率和质量上都有大幅提升；AccuCheck 则着眼目前放疗计划验证上的流程缺陷，覆盖放疗全
流程检查项，满足 TG-142 标准，推动验证过程自动化，自动执行检验并生成检查报告。
洞悉行业需求，MANTEIA 持续追踪放疗临床科研痛点，研发与完善具有针对性的产品，
为放疗全流程提供精准化方案。
接连获得多国上市许可，产品质量市场佐证
目前，MANTEIA 产品已服务海内外 1000+家医院，与放疗科其他软硬件产品兼容顺畅，
团队技术与服务体系成熟，获得诸多医生与物理师的认可。自 2018 年以来，MANTEIA 推
出的智能放疗图像工作站AccuContour®接连获得中国NMPA、美国FDA、荷兰CIBG 三
国上市许可证明，2023 年，自适应放疗治疗计划系统 MOZI TPS 也顺利取得NMPA、
FDA 证明。产品完整与完善并举，服务效率与安全兼具，未来，MANTEIA 将继续致力于
建设与完善放疗软件全产品矩阵，助力医院放疗科信息化建设，实现放疗过程精度提升、效率
提高、资源整合、流程优化，持续提高整体服务质量。
深至科技：持续投入软硬件一体化，加速小型医学影像基层应用
超声、CT 等影像设备在基层医疗机构中的数量不断增加，但基层面临影像科医师数量不足， 学
历整体水平偏低，临床诊断不足等问题，AI 可助力解决基层医疗机构在医学影像领域面临的
专业医生数量和经验不足、误诊漏诊率高、诊断速度慢等痛点。
AI 医学影像如何更顺利落地基层医疗机构？深至科技认为应该使用 AI 技术，着力解决医学
影像设备使用过程中关于设备成本、尺寸以及分辨率之间的平衡问题。对此，公司已经有了 相
应的解决方案。
深至科技是最早从 AI、大数据和使用场景方面入手，将 AI+远程辅助诊断引入超声筛查诊断
的企业之一。公司聚焦“小型化医学影像+AI 辅助的远程诊断”赛道，用时仅两年便搭建起超过
十余类、30多个病种的算法模型影像数据库，以及超声影像云中心，实现 AI 超声辅助诊断病
种覆盖二十余病种，并在超声硬件、AI 系统、芯片、云计算方面获批和申请超过 150个国
内外专利。
软硬件一体化模式，已覆盖近万家基层医疗机构
“强基层”是实现分级诊疗的关键，随着分级诊疗政策持续推进，基层医疗机构的战略地位进一步
明确。AI 医学影像在基层能够发挥重要作用，特别是小型化 AI 超声“小巧、精准、易操作、
高效率、低成本、使用场景灵活”的特点天然契合基层需求，其在基层的应用将迎来快 速增长。
图表 28 深至科技小型化AI 超声
数据来源：深至科技
着眼于广阔的基层医疗市场，深至科技在产品生态圈方面已经有了成熟的规划，打造了软硬件
一体的生态模式，包含AI 医学影像设备、AI 远程辅助诊断系统、AI 筛查诊断工作流，以及后
端的远程诊断服务，深度改造影像设备、改造整个成像工作流，改造医生的检查工作流， 实现了设备
的移动式、高性能、智能化，让产品更好落地，也真正实现了合理有效的向上转诊。
如今，深至科技已围绕基层医疗机构搭建了整套履约和商业服务体系，为基层医疗机构提供更
为完整的智能医学影像综合性解决方案，在小型化超声应用场景中完成了乳腺、甲状腺等二十余
病种的智能医学影像综合性解决方案搭建，提升了基层市场利润空间及基层利用率。 产品和服务已
经覆盖近万家基层医疗机构。
向更多基层亟需的小型化医学影像设备延伸
目前，深至科技正在抢滩小型化磁共振蓝海。深至科技科学家、香港大学博士领衔研发的低成本、
可移动 超低场脑部核磁共振扫描系统的研究论文在 Nature Communications上发表，
并初步证明了该系统在临床中诊断脑肿瘤和脑卒中的可行性，具有用于临床对患者 进行床旁脑成
像的潜力。
医准智能：算法技术与应用场景再获突破，超声新品研发迅速
扩充产品管线是医疗 AI 企业的当务之急，但开辟新赛道的前提一定是要满足真实存在的医
疗需求。医准智能深谙此道，围绕临床应用场景需求及痛点，医准智能在影像设备智能化升 级及
多场景应用上已有深入布局。
医准智能将二维图片检测技术与三维动态视频实时检测技术应用于医疗影像中，推出了“智在全
能”“粉红关 AI”“所见即诊断”三大智能化解决方案，为影像设备全面智能化升级、乳腺癌筛诊
疗一体化、实时动态超声影像智能分析提供有“针对性”且“全流程”的解决方案。2023 年，医准智
能在心血管、甲状腺、乳腺等多部位拓展以及超声设备智能化领域均取得了长足 进步。
算法获突破，MICCAI 2023发表多篇重磅论文
在心血管影像智能分析板块，医准智能冠脉 CTA、头颈领域的算法能力获认可，发表了重
要论文。其中，公司的冠脉 CTA 技术成果被 MICCAI2023 提前接收，其在论文中提出了
一种自动化的保持拓扑结构关系的血管命名算法 TopoLab，为冠脉 CTA 诊断带来了进步，
其高准确度使得自动化算法能输出更精准的诊断，减轻临床医生的阅片工作负担。
占领技术高地，首张适用于 18岁以上人群的乳腺X 线AI 产品注册证获批
医准智能在乳腺癌筛诊疗AI 产品线中形成了丰富完整的布局，为医院提供辅助影像质控、辅
助诊断、临床治疗、教培科研等解决方案。2023 年公司的“乳腺 X 射线图像辅助检测软件” 获得
NMPA 三类证，是国内首张且唯一一张适用范围在 18 岁以上人群的注册证。特别的是， 乳腺三
维断层摄影系统是全球前沿技术，代表着乳腺影像诊断未来的发展方向，基于此，医准智能研发
了乳腺三维断层成像智能分析系统，在全球都属于稀缺产品。
AI应用场景拓展，实现腹部超声的动态实时检测，超声 AI场景再拓展
在超声 AI 领域，医准智能此前布局了乳腺与甲状腺部位。2023 年，公司进一步延伸超声
AI 产品布局，在腹部市场实现了动态实时智能分析布局，实现超声 AI 场景的“再”拓展。
医准智能自CMEF2023 发布“所见即诊断”超声动态实时智能分析平台 以来持续创新，突破
原有空间限制，将超声动态实时智能分析平台内嵌至超声机内，助力超声设备智能化升级， 更贴近超声
医生使用习惯；同时与便携式超声融合，一体式行李箱设计即拉即走，适应多种诊疗应用场景与
筛查需求。
图表 29 “所见即诊断”超声动态实时智能分析平台 内涵
数据来源：医准智能
总结来看，医准智能之所以在多个病种领域及影像多模态中迅速取得成就，背后的支撑在于 其“算
法技术的创新”。医准智能将超声动态图像实时检测算法体系开发为通用模型，依托此 模型，超
声系列新品的研发效率将提升 60%。
悦唯医疗：AI赋能血管介入场景，产品覆盖冠心病外科诊疗全流程
在 AI 影像市场中，DSA 是一个较为小众板块，相关的 AI 产品不如 CT 那样百花齐放。但 AI
在血管介入场景的需求并不比其他场景小。DSA 数据的 SYNTAX 评分在冠心病诊疗全流
程起到关键作用，因此，对于从事冠心病诊疗高端器械的企业来说，利用 AI 技术赋能 DSA 是
重中之重。
悦唯医疗由安贞医院的心外科团队联合国内外心血管器械产业资深技术高管共同创立。公司 针
对冠心病的诊疗全流程进行相关创新器械的研发，覆盖从心外手术的质控系统、手术器械 到解决
急性期心衰治疗问题的心内介入左心室辅助系统。
突破性将AI技术应用于冠脉造影图像分析
DSA 是血管介入诊疗“金标准”。SYNTAX 评分采用 DSA 检查结果评估冠脉病变程度。作为
冠心病诊疗的核心影像学数据，DSA 存在难以解读与分析的特点，导致 SYNTAX 人工评
分过程具有评分难、经验依赖强、耗时、主观性强、准确性难以保证等问题。
悦唯医疗利用 AI 技术，突破了多视角冠脉血管全提取、分段和结构与非结构病变检测与
SYNTAX 评分等关键技术难点，开发了自动 SYNTAX 评分工具，进行冠心病评分，可大
幅提升冠心病患者的精准化病情评价能力，为术前风险评估、术中手术规划、术后预后估计提 供了
有力支持。
相比手动评分，自动 SYNTAX 评分工具评分耗时短，做到“未脱铅衣，先出评分”；精准度高，
依据评分结果及国际指南，给出血运重建措施建议；可预测手术风险、减少医患纠纷。
原创国产器械，即将取得多张注册证
一方面我国冠心病外科诊疗过程的精准化、标准化程度不足；另一方面我国冠心病外科医疗 器械
大部分复制欧美，缺乏符合我国患者特点的、能够帮助医生有效降低手术难度的国产创 新器械，影
响了冠心病患者整体疗效的进一步改善。
针对冠心病诊疗临床痛点，悦唯医疗研发了多款创新医疗器械，包括新一代固定器、脉动式 左
心室辅助系统、血管吻合质控系统等。
图表 30 悦唯医疗重症冠心病全流程创新解决方案
数据来源：悦唯医疗
公司新一代固定器产品，模块化设计可满足多种手术场景，有效降低手术难度，特别是针对冠
脉外科微创化趋势，颠覆了传统微创固定器设计思路，从根本上帮助医师完成直视微创下完全血
运重建。脉动式左心室辅助系统通过股动脉单一入路植入，且耗材部分采用无源设计， 有效降低终端价，
提高安全性、可靠性。血管吻合质控系统将有效解决我国冠脉外科质控率不足的问题。
目前，悦唯医疗研发的新一代心脏固定器、股动静脉体外循环插管、冠心病评分系统已完成 研发工
作，步入型检阶段，冠脉搭桥质控系统已进入实验性生产阶段，脉动式左心室辅助系 统等产品即将
完成设计定型。预计 2023 年—2024 年公司将取得多张产品注册证。
免责申明: 本报告的信息来源于已公开的资料和访谈，蛋壳研究院对信息的准确性、完整性或
可靠性不作保证。本报告所载的资料、意见及推测仅反映蛋壳研究院于发布本报告当日的判断，
过往表现不应作为日后的表现依据。在不同时期，蛋壳研究院可能发布与本报告所载资料、意见
及推测不一致的报告。蛋壳研究院不保证本报告所含信息保持在最新状态。同时， 蛋壳研究 院对本报
告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。
版权申明: 本文档版权属于蛋壳研究院/北京蛋黄科技有限公司，未经许可擅用，蛋黄科技
保留追究法律责任的权利。
蛋壳研究院(VBR): 蛋壳研究院关注全球医疗健康产业与信息技术相关的新兴趋势与创新科
技。蛋壳研究院是医健产业创投界的战略伙伴，为创业者、投资人及战略规划者提供有前瞻 性的趋
势判断，洞察隐藏的商业逻辑，集合产业专家、资深观察者，尽可能给出我们客观理 性的分析与建
议。
研究人员:
赵泓维 高级研究员 焦艳丽 高级研究员
