从目前国内就医现状来看，供小于求的市场结构是形成看病难、看病贵的直接因素，而医疗需求相对而言是刚性需求，加之以政府对医疗经济体系的调控和监管，市场需求不会因为资源的紧缺和价格的改变而有太大的变动，在慢性病减龄化的趋势下，刚性需求规模和结构也逐渐膨胀，医疗需求只增不减，医疗需求的持续增长也是衍生在线医疗行业的动力。然而医疗行业资源导向性的特点为初创企业和跨界企业建立高壁垒，安全性和真实性是医疗行业消费者关注的重要因素，而这两个特征恰恰也是互联网行业的短板。在线医疗起步于免费的诊疗咨询，在免费咨询阶段，消费者出于好奇或获利心态接触在线医疗 APP，但消费者对线上问诊平台并未给予足够的信任，在线医疗 APP 并未成为实体医院的替代品，因此转为收费模式的在线医疗企业很难在诊疗服务业务方面开拓更大市场，重点收费项目只能依靠挂号业务和医院信息系统服务等方面，很多互联网医疗企业仍然没有找到合理的盈利模式。（2）数据共享障碍一定程度上限制了在线医疗行业发展深度。中国医疗体系每个个体的数据呈现分散化特点，数据之间难以形成有效的共享流通机制。迫于医疗数据长期以来非开放性、难标准化特点，一方面医生无法获得患者以往就诊的全面数据进行深度诊断，另一方面在线医疗企业获得的数据碎片化现象严重导致所谓的大数据分析只能停留在表面。因此就诊的基础则需要首诊资料和以往病史的研究分析，如何在业务范围内与医院信息系统打通共享部分数据、统一疾病标准是在线医疗面临的重要课题。（3）线上就医报销困难，医保支付问题直接影响消费行为在线医疗行业热度大于消费、就医患者屈指可数的原因一方面在于消费信任问题，另一方面报销问题也让众多消费者望而却步。银川能吸引大量的在线医疗企业在当地开展互联网医院业务与当地政府政策息息相关未来展望：在线医疗行业将重新洗牌、回归医疗本质，应尽快推动行业标准规范和健康档案数据库的建立，出台在线医疗领域的医保报销政策。现阶段医疗行业最主要的矛盾即是供求失衡问题，在线医疗行业未来需就市场需求落地模式，停留在概念热炒、资本驱动的模式终究无法长久。以市场需求为导向的业务模式会给企业注入源源不断的活力，也是医疗机构对外合作的基础。目前在线医疗行业业务模式大多类似且多注重挂号、咨询类业务，未来企业应该找准市场定位，寻找不同类型人群的需求差异，融合在线医疗产业上下游优势提供精准服务，解决客户在医疗方面的真正需求。而这一模式的改进离不开行业标准规范的支持。基于统一的行业规范，设定机构及其业务最低标准和等级水平，厘清不同机构责任制度，保障患者安全和隐私权益，企业开展业务将有规则可循，是行业健康发展的基础，也是客户认可企业的依据。实现个人健康数据的可查询和数据结构标准化，实现医疗机构之间信息共享进而推动社会资本在在线诊疗的投资。5.2 AI 医学影像行业痛点：（1）数据基础薄弱，应用范围和效果有限。AI 在医疗领域的应用离不开数据的支持，目前国内在医疗数据方面存在一系列问题：第一，医院数字化水平发展程度不一，偏远地区或基层医院 IT 系统建设落后，数据存储量较少，很多基层医院网络不通，或是只有传统的 ADSL 非对称式网络，基础设备也比较落后，导致数据存储出现障碍，同时医生手写或其他线下记录的方式录入患者数据难以被计算机识别和分析，由此数据缺乏共享和再利用渠道。（2）AI 与医学跨界人才匮乏，行业发展进程缓慢。人工智能正在从实验室走向医学临床应用，处于产业大突破前的技术冲刺和应用摸索时期。在这个阶段，能够推动技术突破和创造性应用的高端人才对产业发展起着至关重要的作用。理想的人才应该同时在医学、计算机和数学三个方面都有深厚的知识积累，并有足够的研发能力。医疗 AI 的发展，与人才数量和质量息息相关。具体来看，医疗 AI 需要两个方面的人才，分别是医学人才和 AI 人才，最需要的是既懂医学又懂 AI 的跨界人才。应用及平台开发者不仅要研究人工智能算法，更要对医疗专业知识有深入了解，人工智能+医疗的复合背景人才是企业的核心竞争力。但是，高质量的医学人才和 AI 人才都非常稀缺，具备两方面能力的综合型人才更是凤毛菱角。一方面，医生往往知识结构比较单一，极少具有跨学科学习背景，在数据处理、工科经验、系统开发等方面很不足，具有 AI 研发能力的医生非常少。另一方面，AI 算法人才本身就很少，并且他们普遍缺乏 IT 系统的工程开发和实施经验，医学知识也很匮乏。目前整个医疗 AI 行业都面临严重的人才短缺问题，尤其是同时具备医学、计算机、数学研发能力的交叉型人才非常稀缺，这严重阻碍了医疗 AI 行业的发展，拖慢了行业发展速度。（3）行业缺乏政策和法律标准，相关群体责任划分不明确。根据国家食品药品监督管理总局（CFDA）发布的新版《医疗器械分类目录》，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。第二类器械有临床试验豁免目录，诊断软件申报是否能够享受豁免，CFDA 还没有做出具体的规范。各个医疗 AI 公司要打通医院采购这条路，就必须获得 CFDA 认证。而要走通 CFDA 的认证的流程，不仅有诸多的审批环节，还有漫长的临床试验，这需要持续的资源投入，对于初创的医疗 AI 企业而言是显而易见的负担，影响其商业化进程。另一方面，医疗 AI 企业也面临潜在的法律风险。关于 AI 还没有明确的法律界定，更没有形成完备的法律体系。当医疗 AI 产品进行大面积普及后，一旦发生医疗事故，责任认定将是一个棘手的问题。对于 AI 系统，人们抱有很高的期望，比如诊断准确率要达到 100%，不能出现任何的失误。即使是资深的医疗专家，也不可能达到零失误的水平，对于 AI 系统如此严苛的要求并不合理。因此，AI 医疗影像的发展需要从政策和法律层面给予严格的标准，在限定范围规范市场的同时也为企业的发展指明方向。未来展望：云+AI 成为主要模式，应重点发挥并深化人工智能在影像领域的辅助作用。云计算、大数据与 AI 是一脉相承的，存在着密切的关系。医院信息系统与云系统的对接可以实现医院内部不同科室之间、不同医院之间甚至是跨省医疗机构之间的数据共享，大量实时的医疗数据在“云端”汇聚，为 AI 系统的训练提供数据基础。云端数据中心，承担起 AI 模型训练的任务。医疗数据将从各个医院实时传输到云端，大大加快新病种 AI 模型开发和原有模型优化的进度。当研发出新病种 AI 模型，或者原有病种模型有重大更新时，只需要在云端进行系统更新，最新的医疗 AI 服务可以同时触达所有部署应用端的医院。分级诊疗政策的推进促进医联体和区域影像中心等第三方医疗机构的普及。借助于医疗云平台，上下级医院之间能实现数据互通，进而为转诊奠定基础。一般的疾病可以在基层医疗机构治疗，患严重疾病的患者转诊到大医院，并能及时将患者信息同步到该医院。基础医疗机构的医学影像可以上传到上级医疗机构或者区域影像中心，让影像中心医生在 AI 系统的辅助下进行高效阅片。5.3 数字人行业痛点：信息的非标准化和传统医学的模糊诊疗理念使得数字人进程迟缓。无论是采集病人体征信息，症状信息，还是病人主诉信息，都是模拟信息（analog）,这就使得数字化这些信息的难度增大。因此，人们以各自定义模拟信息与数字之间的关系来解决这个问题。行业没有标准化的方法来数字化临床病历信息，这同样是人工智能面对模拟临床信息的困境。病人对于数字化信息期待较多，这是因为数字化浪潮在过去十几年中，已经在各行各业普及开来。人们的生活已经越来越被数字包围。但是，医疗机构对于数字化进程推进较慢，再加上诊疗规范的约定，医疗行业监管的严谨性也制约了数字化技术在医疗行业的应用。了解人体本来就是很模糊的，特别是针对疾病状态，所以以模拟信息作为模糊状态的展现形式自医学起始就一直为世人接受。西方医学由于将数学，物理，化学，生物学等基础学科融合起来解决问题，有较好的数字化基础。中国的传统医学就大不一样了。中医的模糊感念远胜于西医，这就使得中医数字化更加困难。甚至人们已经熟悉了中医的模糊诊疗方法，一旦数字化地进行解释，反倒让人们难以接受。诸如寒热概念就无法用温度高低来解释，表里概念也无法用物理丈量法来说明。尽管如此，数字化的采集人体数据，将人的全部信息整理分析形成完整的数字人，依然是被期待的。在线医疗、人工智能医疗服务、药物研发、机器人的应用无不对数字人有巨大的依赖。可以这样认为，数字人的发展将推动整个大健康产业的进步。所以解决数字人发展所面临的瓶颈迫在眉睫。未来展望：建设系统化的数字人备份信息是智慧医疗的发展基础。数字化浪潮正在推动各个行业的发展，医疗行业的数字化将以数字人为基础得以快速发展。可以预料，数字人备份将会伴随每一个人。有了数字人的备份，通过云端的存储和计算，一个人在寻求治疗疾病的时候，数字人对于这个诊疗将是必备的基础。有了数字人备份，互联网医疗将成为巨大的应用场所，人人都可以通过云端的数字交流将人体健康信息和诊疗建议结合起来，便捷地获取诊断和治疗结果。数字人将使精准医学和个性化诊疗成为普遍的应用领域。数字的精准度将远远超过模拟信息，让诊断更精准，治疗更加个性化。数字人是人工智能在医学中应用的基础架构。人工智能在机器学习甚至语言标注过程中都要依赖数字的信息。人工智能化的医学实践将造就智能医生。智能医生需要数字人的进入作为诊疗对象或者辅助。智能医生将为大健康产业的解决一系列的问题：医生短缺、医术参差不齐、医疗信息非标准化、诊疗精准度等。智能机器人需要数字人作为对话的对象。智能决策体系需要大数据分析，因此数字人将是大数据的基础单元。因此打造数字人，建设系统化的数字人备份是智慧医疗的必要元素。5.4 虚拟助手行业痛点：语义关联和标准化术语影响虚拟助手判断的准确性。语句标准化问题不论是对于患者还是医生都是显著存在的。每个医生都有自己的病历书写习惯，各自在疾病的表述方式方面有略微差别，有的简写，有的写英文，有的写疾病大类，有的写具体症状；而患者对自己的身体状况和所患疾病只认识哪里不舒服或疼痛，对于病症的表述有时候并不准确甚至会出现错误，且难以自主想到关联的生活习惯以及一些看似无关的病症以至于会忽略关键信息，而事实上同一种病症往往会产生不同部位的并发症状。来自医生非标准化表达影响电子病历录入的准确性和病历库的结构化，来自患者的非标准化表述和信息缺失情况直接影响疾病判断结果。为减少这类情况的发生，很多公司开发的虚拟助手采用选择的方式与应用对象进行沟通，但从另一个角度来讲这种沟通方式需要大量的题库储备，应用范围有限。数据获取难度大，缺乏合理化使用标准。近年来市场上的互联网医疗企业层出不穷，与医院之间的合作也越来越多。总体来看，医院对外合作较为保守，这与其本身业务性质和单位属性有关，医疗数据事关生命安全和病人隐私，医院在数据的合作需要确保患者的数据安全和隐私。目前来说 AI 医学影像企业与医院合作较多，其对应疾病较为单一，而虚拟助手涉及到大量的疾病类型和知识存储，其发展和应用需要一定的时间和数据积累，市场应用度相对来说较弱，直观效应不明显，企业在获取数据方面遇到一定的阻力。此外，数据使用的伦理问题等待标准的出台。目前有关部门对于医疗数据的可使用范围、合理用途、使用对象、使用期限等方面均未出台细致的规定，这也使医院与企业之间的合作成果收效甚微。未来展望：虚拟助手的发展需注重建立完整的知识图谱，发挥预判和咨询作用。未来虚拟助手在医疗领域的应用不应当只是充当聊天机器人的角色，而需要基于医学本身为用户解决真正的需求。医疗行业专业属性较强，要想实现与用户的深度交流和协助，就需要建立全面的医疗数据知识库，这也是虚拟助手发展的基础。对于虚拟助手的定位不能太高，否则容易引发医患矛盾；也不能太低，否则作用不大失去了存在的意义。虚拟助手应该成为辅助医生和患者的工具，在医生诊断之前对患者的基本情况进行一定的评估，提前预知可能出现的疑难杂症并准备，合理规划看病时间，避免出现一个出诊时间段内前期单个患者看病时间过长、后期时间过短的状况。对于患者而言，虚拟助手需要发挥其健康管理、医学知识咨询、症状初诊的作用，为患者进行健康知识普及、指导就诊科室、提醒就诊前准备和注意事项。5.5 AI健康管理行业痛点：健康管理支付尚未形成清晰体系，企业盈利模式待完善。目前保险公司对客户的健康管理服务、企业对员工的健康管理服务大多停留在体检方面，且并不常见，除此之外的健康管理服务大多是个人付费。人工智能在健康管理领域的介入不可避免地要涉及到付费问题，如果只是单纯地个人付费，那对于企业来说其盈利前景并不乐观。至少在目前国内消费水平日渐上升的形势和公众健康意识薄弱的情况下，toC 端付费模式下消费者对于健康管理难以快速明显地看到成效，市场接受度有限。AI 健康管理企业盈利模式目前还有待完善：toC 或是 toB 模式更为成熟?toB 模式下重点面向对象是政府还是保险公司或是一般企业？合作对象是否超脱于政府、患者、医院和保险机构之外？这些都是AI 健康管理企业市场化发展需要考虑的重要问题。未来展望：未来 AI 健康管理应该根据个体情况制定个性化标准，联动相关产业实现业务升级。传统意义上的身体指标健康水平是在大数据的基础上根据一定的概率得出，但事实上每个人的生活习惯、环境条件、基因组成、遗传病史等都不一样，以普遍统一的标准去衡量所有人的健康水平是不完全准确的。未来 AI 健康管理的应该是基于人体的基因、遗传、生活方式等因素制定个性化的健康管理方案并实时监测和预警。一方面可以与医疗机构对接，及时应对一些临时突发状况，对于需要急救的患者以最快的速度将其送至附近的医院；同时，以 AI 技术为核心的健康管理企业可以此开展跨行业合作实现不同智能化应用场景的合理化数据积累和联动支持，比如在智能家居、智能终端设备等领域的战略合作打通个人基础数据和生活习惯数据，智能穿戴设备的合作融合健康数据制定更合理化的健康方案。5.6 AI药物研发行业痛点：人工智能“黑匣子”特征影响研发者对于 AI 药物研发的认可，性能监控问题是焦点。传统意义上的药物研发需要理清靶点发现、化合物筛选等过程的产生机理，保证研发过程的逻辑严密性。人工智能参与下的药物研发是难以解释的，且需要大量的数据积累，这也是目前人工智能在药物研发暂无成熟产品落地的关键因素。未来对于 AI 药物研发的监管和进入准则是否会与传统的人工药物研发有很大区别还是未知数，药物发现的基础在于对疾病的准确认识和理解，人工智能是否能准确理解疾病并得出合理的研发方案需要大数据的支持和算法的成熟。新技术下的药物研发以怎样的形式和背书进入市场、如何保证药物的安全性和有效性都是值得深思的问题，也是真正落地前需要确认的问题。未来展望：人工智能在药物研发方面的应用目前还处于导入期，未来小型药企和国内药企有望获得削弱外企长期垄断的程度，生态系统各角色协同发展是关键渠道。如果说人工智能在其他领域的应用是为了减少医生负担、提高患者满意度，AI 药物研发的最终目的则是提高生产力。药物研发的复杂性和长期性也使得目前人工智能公司在该领域的涉足较少、进展较慢。相对于大型外企来说，小型企业灵活性更强，受到的内部牵制力和市场关注度较弱，更有利于其开展个性化创新。外企规模大、审批机制繁琐，同时受到市场严格的监督，在新技术下的转型升级进程较为缓慢。以人工智能技术为核心的新兴药物研发方式也给了国内药企弯道超车的机会。但要想实现 AI 药物研发的快速发展还需要医疗生态系统内部和新兴信息技术公司各个成员角色的协同互助，例如共享数据建立科学的知识图谱和病历数据库，数据类型如基因组学数据、生物组学数据、蛋白质组学数据等；或是技术公司与药企联合开发药物研发模型等，新技术下未知性和挑战很多，形成合作联盟才能更快地实现共赢。
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)