随着人工智能技术的飞速发展，AI医疗行业正逐渐成为全球医疗领域的重要变革力量。通过深度学习、自然语言处理、计算机视觉等前沿技术，AI医疗能够对海量医疗数据进行高效分析与处理，为临床诊断、治疗方案制定、药物研发、健康管理等医疗环节带来智能化解决方案。它不仅能显著提升医疗效率、降低医疗成本，还能有效缓解医疗资源分布不均的问题，为全球医疗行业的转型升级注入强大动力。近年来，AI医疗在技术突破、政策支持、市场需求等多因素的共同推动下，呈现出蓬勃发展的态势，应用场景不断拓展，市场规模持续扩大。然而，这一新兴行业在快速发展的同时，也面临着数据安全与隐私保护、技术标准与监管框架等诸多挑战。如何在保障患者权益和数据安全的前提下，充分发挥AI技术的优势，推动医疗行业的智能化转型，成为当前亟待解决的问题。

本研报将深入剖析AI医疗行业的驱动因素、重点发展方向、产业链布局以及相关企业的核心竞争力，全面梳理行业的发展现状与未来趋势。通过对政策环境、市场规模、技术创新、商业模式等多维度的分析，为读者提供一份全面、深入、前瞻性的行业洞察。

01

行业概述

1、AI医疗概念

AI医疗是指通过机器学习、自然语言处理（NLP）、计算机视觉等技术，对医疗数据进行深度分析，辅助临床决策、优化诊疗流程、提升医疗效率的智能化应用体系。AI医疗是利用人工智能技术来帮助医生和医疗机构更快、更好地处理医疗数据、诊断疾病、管理患者健康等。AI可以通过深度学习和分析大量的医学影像、病历数据、基因信息等资料，在此基础上提供更精准的诊断和治疗方案。

AI医疗核心技术包括医学影像分析、自然语言处理、机器学习等，例如谷歌旗下的DeepMind公司开发的AI系统，已经在眼科疾病诊断中表现出色，能够通过分析眼底扫描图像，准确诊断出糖尿病视网膜病变等疾病。

AI在医疗中的应用非常广泛，主要包括辅助诊断、临床决策、健康管理、药物研发以及医疗机器人等等，通过在这些场景应用AI，可以帮助达到在降低成本提高效率的同时优化病人体验、提高诊疗质量、减少潜在疾病等的目标，全方位赋能医疗服务的各个环节。

2、AI赋能的核心价值

AI医疗提高医疗质量和效率。AI在学习速度与能力方面的卓越表现已广为人知。借助AI技术，能够高效地汇聚过往病例及医学知识，并构建相应模型。在此过程中，AI可助力医生更为迅速地处理海量医疗数据，减轻重复性工作负担，使医生得以将更多时间投入到患者治疗环节，同时辅助制定更为规范的治疗方案，降低人为失误的概率。通过远程医疗及智能诊断系统，AI能够促使偏远地区的患者获取与大型医院相当的医疗服务，推动医疗资源实现更为合理的重新分配，进而让更多人受益于高质量的医疗服务。

以IBM公司的Watson for Oncology系统为例，该系统能够通过深度分析海量医学文献以及患者数据，为癌症患者量身定制个性化治疗方案。这一应用不仅显著节省了医生的时间成本，还有效提升了治疗的精准程度。

AI医疗解决“看病难、看病贵”的问题。在传统医疗领域，美国耶鲁大学教授William Kissick曾提出一个广为人知的理论——“不可能三角”。该理论核心观点为，医疗服务的质量、价格以及就诊速度这三个关键要素，在实际情境中往往难以同时兼顾。

然而，人工智能的兴起，为突破这一“不可能三角”带来了曙光。AI技术能够助力医疗机构优化患者管理流程，大幅缩短患者排队等候时间。经过充分数据学习训练的AI系统，其诊疗能力可达到甚至超越具有10年以上临床经验医生的水平。与此同时，AI在药物研发进程中亦能发挥关键作用，可显著压缩研发周期，这不仅有效降低了研发成本，还减轻了患者的用药经济负担，有力推动了药物的广泛普及。

AI凭借对患者个体基因数据、既往病史详情以及生活习惯特征等多源信息的深度挖掘与整合分析，能够精准构建契合个体特质的治疗策略。这种基于精准医学理念的个性化治疗模式，不仅显著提升治疗效果，还能有效规避因传统经验性治疗导致的不必要药物不良反应。以美国23andMe公司为例，该公司借助先进的基因检测技术，结合AI算法对海量基因数据进行深度剖析，帮助用户精准评估自身罹患遗传疾病的潜在风险，并据此提供科学、个性化的健康管理建议，为疾病预防与早期干预提供有力支撑。

3、AI医疗的优势

（1）提高诊断准确性：AI能够对海量医疗数据进行学习和分析，发现人类难以察觉的规律和模式，减少误诊和漏诊的发生。

（2）提升医疗效率：自动化的流程和决策支持系统可以替代或辅助人工操作，如数据分析、病历管理、患者监护等，使医生能够将更多时间和精力集中在患者的治疗上，提高医疗服务的整体效率。

（3）加速药物研发：AI技术可以模拟化学反应和分子结构，预测药物的效果和副作用，大大节省了药物研发过程中的实验和临床试验时间，加快新药上市的速度。

（4）实现个性化医疗：通过对个体的全面健康数据分析，为患者量身定制个性化的治疗方案，提高治疗的有效性和安全性。

4、AI医疗发展历程

从国内AI医疗发展历程来看，自2018年开始，我国人工智能医疗行业监管政策逐步完善，个别赛道开始出现可行性强的商业模式。2021年7月，国家药监局发布《人工智能医用软件产品分类界定指导原则》，明确人工智能医用软件产品按照第三类医疗器械管理。

我国的AI医疗进程可以划分为以下三个阶段：

1）萌芽阶段（1978-2015年）

特点：医疗数据孤岛林立、数据治理有待展开，临床AI应用稀缺。

技术：此阶段的AI医疗产品以辅助医生诊疗的程序或系统为主，几乎没有应用于临床，整体产业仅出现一个初步的形态。

2）起步阶段（2015-2021年）

特点：数据建设初步展开，部分疾病标准数据库建立、基于深度学习的感知智能应用兴起。

技术：医疗大数据建设展开，信息系统升级改造，眼底与肺部影像的标准数据库建立；基于深度学习的影像应用走到感知应用发展的前端NLP、KG等其他应用在慢跑；商业模式处于混沌的初步尝试阶段，可行模式未确定。

3）探索阶段（2021年至今）

特点：医疗数据互联互通建设进一步展开、感知应用算法迭代、应用横纵开拓。

技术：医院内部各科室、医院与医院、医院与当地卫健委之间的数据互联互通建设由信息系统改造转向数据治理阶段领跑的影像应用往尚未覆盖的疾病诊疗领域横向拓展与深度挖掘，NLP应用追赶至前端，KG、ML蓄力慢跑。

5、AI医疗细分赛道

AI正在迅速渗透医疗行业的各个环节，从具体应用场景分类，可将其划分为C端自我管理、B2C远程管理、B2C临床管理、B端自我管理。细分赛道包括但不限于影像诊断、药物研发、临床决策支持、健康管理等。AI医疗的价值体现在提升医疗服务质量、增加医疗服务可及性以及降低医疗成本上。

AI医学影像：医学影像是利用光、电、磁、声等物理现象，以非侵入方式获得人体或人体某部分内部组织的影像。临床超过70%的诊断都依赖于医学影像。临床中最常见的影像模态包括X线摄影、CT、MRI和超声等。人工智能应用于医学影像，主要是通过深度学习实现机器对医学影像的分析判断，帮助医生更快获取影像信息，进行定性定量分析，提升医生阅片效率，协助发现隐藏病灶，协助医生完成诊断工作。AI医学影像是AI医疗领域目前最为成熟和常见的领域之一。

药物研发：传统的药物研发模式依赖研发人员的经验以及大量的试错实验，不仅耗费大量的时间和资金，而且成功率相对较低。据相关研究表明，研发一种新药平均需要投入约26亿美元，耗时长达12-15年，然而在临床试验阶段的成功率却不足10%。AI在药物研发领域的应用有助于缩短药物上市周期，降低研发成本，提高研发效率。

AI医学检验：在检验流程智能化、辅助诊断与疾病预测、质量控制与数据价值挖掘、病理诊断与影像分析、个性化医疗与精准治疗有广泛应用。医学检验是对取自人体的材料进行微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学等方面的检验，从而为预防、诊断、治疗人体疾病和评估人体健康提供信息的一门科学。AI在医学检验领域，以图像识别需求最为强烈，从外周血、骨髓细胞形态到尿液、粪便、阴道分泌物以及各种来源样本的病原体的准确识别和精确分类，从而实现快速、便捷的临床样本检测。目前AI已逐渐走进临床与检验融合，出现了采血机器人、图像智能判读和智能报告审核与复检等诸多应用场景。

AI赋能医疗信息化：AI 医疗信息化的应用场景广泛，具体包括临床决策支持，电子病历，医疗资源调控以及远程治疗及智慧医院的建设等。1）临床决策支持，通过AI整合临床数据、医学知识库和实时患者信息，为医生提供循证医学建议，降低误诊风险并提升诊疗质量。2）在电子病历方面，人工智能能够多模态的梳理并理解医患间的对话内容，提升病历记录的效率。同时，AI通过对历史病历信息的读取，可以更好的了解患者的基本信息、过往药史等，使患者图像更为清晰。3）在医疗资源调控方面，AI算力的提升加快对医院信息、药物存量、患者情况的收集、处理、交换速度，更方便调配医疗资源，发掘医疗潜能，并提升公共卫生事件的应对效率。4）在远程医疗方面，虚拟现实技术突破了智能医生与患者间的时空限制，并对术后跟踪、慢病治疗环节有所效益。

健康管理：AI健康管理，是指运用新一代信息、通信、人工智能、生物信息等技术手段，感测、分析、整合健康数据采集、健康检测与监测、健康评估、健康干预等关键环节的各项信息，从而对个体或群体的健康需求做出智能响应的新模式。AI助力健康管理可以帮助医生和患者更好地了解自己的病情，进而提高治疗效率和质量。AI技术在健康管理领域的应用，如智能可穿戴设备，能够实现对用户健康状况的实时监测和管理。

02

驱动因素

1、人口老龄化和慢性病患者数量的增加，导致对医疗服务的需求日益增长

当前我国医疗资源地域分布不均，城乡及区域差异显著，农村和偏远地区医疗设施简陋、人员短缺，难以满足基本需求，加之人口老龄化加速和公众健康意识提升，患者数量持续增加，医院超负荷运转，就医体验下降，同时健康科普促使人们更重视健康管理，追求高效精准个性化服务；AI医疗凭借强大的学习、数据处理和创新能力，在影像诊断、临床决策支持和健康管理等领域提供快速准确辅助，提升诊断效率、减少误诊漏诊，并实现个性化健康干预，为解决医疗资源不足提供了新途径，使公共卫生机构能在有限资源下服务更多患者，满足日益增长的健康需求，因此对AI医疗的需求必将显著增加。

2、大模型技术升级，驱动AI在医疗场景落地

近年来，全球大模型技术进入加速进化阶段，大模型的推理能力和多模态能力持续升级。与此同时，大模型应用成本不断降低，开源运动兴起，大模型在各领域的应用条件愈发成熟。在医疗领域，大模型技术正在加速落地，单模数据处理正在向多模态数据处理转变，DeepSeek以低成本和开源的优势，成为国内医疗机构部署的首选。

（1）技术驱动AI医疗发展，当前进入多模态融合阶段

AI技术在医疗领域的应用历经了从规则驱动到数据驱动、从单一任务优化到多模态协同的演变，大致可分为以下四个关键阶段：

1）规则驱动与专家系统时代：该阶段主要是基于人工提炼的医学规则构建诊断系统，代表性的产品是早期的专家系统（如MYCIN、INTERNIST-1），通过逻辑推理模拟医生的临床决策。

2）传统机器学习与影像识别阶段：该阶段主要利用统计学与浅层模型处理结构化医疗数据。代表性技术是SVM、随机森林等算法应用于医学影像分类。

3）深度学习与单模态模型阶段：通过深度神经网络自主提取特征，实现单模态数据的端到端学习。代表性技术是卷积神经网络（CNN）、循环神经网络（RNN），AI技术主要应用于影像诊断和病理辅助。

4）大模型与多模态融合时代：借助Transformer架构统一处理跨模态数据，构建“感知-推理-协作”全链条能力，主要应用场景是临床决策支持、药物研发和远程医疗。

在临床医疗中，往往需要综合多源、多模态的数据，进行诊断、预后评估和制定治疗方案。大模型的多模态数据处理能力，开启了AI医疗的新篇章。

早期医疗AI多局限于单一任务优化，主要存在信息割裂、解释性弱和数据孤岛等问题：1）信息割裂：如仅凭影像无法判断肿瘤病理分型；2）传统CNN模型无法像医生一样用自然语言解释诊断依据；3）数据孤岛：不同医院使用的影像格式、病历系统互不兼容。

大模型通过“预训练微调”架构，用统一参数体系处理多模态医疗数据：使用Transformer架构对不同模态数据（文本、图像、基因序列）进行向量化编码，在隐空间实现信息对齐。对比学习（如CLIP技术）降低跨模态对齐成本，避免传统方法需人工标注海量匹配样本的负担。在临床应用中，借助多模态技术，AI可以实现跨模态数据的理解和动态时序建模。

（2）DeepSeek推动国内AI医疗渗透

2025年DeepSeek爆火推动国内AI医疗渗透：高性能、低成本、开源和隐私安全等推动医疗领域渗透。

1）AI医生已达到三甲医院医生水准，例如与四川华西医院主治医生评测对比，AI医生比分结果一致性达96%；MedQA数据集中DeepSeekR1诊断准确率达93%。

2）MoE、MLA等降低推理成本使资金压力大的医疗机构能够接入。

3）开源下能够更好的本地化部署，在院端高数据隐私环境下更适用。

截止2025年2月，全国近90家知名三甲医院部署DeepSeek：核心应用场景从辅助诊断辐射全流程优化，病理与影像分析智能化、临床决策与病历管理、患者服务与流程再造。

3、政策助力，AI医疗市场规模快速增长

政策端：支持性文件频发，推动医疗智能化升级。近年来，我国为树立医院对前沿技术的正确认知并引导相关产业快速发展，开始围绕AI出台相关政策，从宏观层面推动AI技术在医疗领域的应用，旨在提高医疗服务效率和质量，最终实现医疗行业的智能化升级。这些政策的实施，不仅促进了AI技术在医疗领域的广泛应用，还为医疗行业的未来发展指明了方向，推动了医疗服务质量的提升和医疗资源的优化配置。

《健康中国行动——慢性呼吸系统疾病防治行动实施方案（2024-2030年）》《中药标准管理专门规定》等产业政策为AI医疗行业的发展提供了明确的指导建议和发展前景。国家卫生健康委等三部委联合发布《卫生健康行业人工智能应用场景参考指引》，给出了84个应用场景，包括医学影像智能辅助诊断、智能导诊、智能病历辅助生成、智能中医临床辅助诊疗、智能医疗质量管理、智能健康管理、智能公共卫生群体数据分析等，推进卫生健康行业“人工智能 ”应用创新发展。

03

AI医疗行业现状及发展趋势

1、AI医疗行业规模

2025 年中国 AI 医疗行业规模将达到 1157 亿元，预计在 2028 年达到 1598 亿元， 2022-2028 年 CAGR 为 10.5%。AI 医疗的快速发展得益于人口老龄化和医护人员短缺的大环境，AI 技术能够缓解医疗资源供需矛盾，提高医疗体系的效率，减轻医务人员的工作负担，并加速药物和疫苗的研发进度。AI 在药物及疫苗研发、基因组学、医学影像、智能医院和医疗仪器等领域的应用前景广阔。

2、AI医疗一级融资情况

在2023年经历显著回暖后，2024年医疗AI领域的融资热度回落至与2022年相当的水平。具体来看，在2022年9月1日至2023年8月31日期间，医疗AI相关融资事件共计发生160起，与2021年9月1日至2022年8月31日期间的融资事件总数相比，增长率达42.86%。然而，在2023年9月1日至2024年8月9日期间，融资事件总数急剧下降，仅为99起。

英伟达多次投注，做AI制药发展重要推手。通过对各细分领域的深入剖析可知，影像、信息化以及机器人赛道在2023年经历短暂回暖后，2024年资本投入的频次已回落至2022年的相近水平。反观制药赛道，在同期内，投融资事件数量呈持续下降态势。即便在2023年整个医疗AI赛道呈现“报复式”回暖时，制药赛道也未展现出同步的增长趋势。由此可见，由于AI制药领域至今尚无一款药物成功推进至上市阶段，随着时间的推移，这一状况正逐渐加剧对资本信心的负面影响。不过，放眼全球，AI制药依然充满生机。英伟达近两年在该赛道频繁出手“疯狂扫货"成为AI制药回暖的重要推手。据Pitchbook、Crunchbase及动脉橙产业智库数据，英伟达在2023年及2024年(截至2024年9月5日)共参与投资超过70起，所有投资无一例外，均与AI相关，而其中至少投注AI制药企业14家，医疗其他领域企业8家。

在医疗相关的其他领域，2024年英伟达亦投注了如信息化领域的Artsight、健康管理领域的Abridge以及机器人领域的Neocis等AI企业。对于生成式AI及其相关技术，握有算力优势的英伟达比任何一家投资机构更加坚信也更有可能实现它的颠覆性，进而破除现有AI面临的顽疾，左右诊疗、制药新时代的格局，英伟达近两年在医疗AI，尤其是AI制药领域的频繁出手给行业注入了信心。

融资轮次靠后，大模型展现强吸金能力。从融资轮次看，2024年整个医疗AI领域A轮系列(包括preA轮、A 轮、A 轮及A轮后的战略融资等)及A轮以前的早期投资总占比均有所下降，而B轮系列及之后的成熟企业的资本投注占比更多，这也侧面印证了资本对医疗AI领域逐步谨慎的态度。2024年平均单笔医疗AI的融资金额也较2023年接近翻了一倍，从6893.63万增加至10344.53万元，最大单笔投资来自腾讯、阿里、小米等，投注于专注医疗大模型的百川智能，是一笔高达3亿美金的A轮融资。

3、AI医疗发展面临的挑战

医疗行业作为典型的人才与知识密集型领域，其诊疗流程横跨多个科室与部门，环环相扣且决策因素繁杂，这为人工智能技术提供了广阔的应用空间，AI有望通过高效整合海量信息，为医护人员提供精准的决策支持。然而，我国医疗领域长期存在的“重临床、轻数据”倾向，导致数据存储质量参差不齐、标准严重缺失，极大地阻碍了数据的有效共享与流通，形成了制约AI赋能医疗的“数据孤岛”瓶颈。随着医疗数据的爆炸式增长，这一瓶颈进一步凸显出两大核心难题：一是数据安全与隐私保护，这要求在合规合法的前提下，建立严格的数据加密、访问控制、可追溯与可审计机制；二是数据质量与标准化，亟需构建统一的数据质量管理体系，全面提升数据的可读性、可理解性、可扩展性与可维护性，从而为AI在医疗领域的深度应用奠定坚实、可靠的数据基础。

04

产业链概况

AI医疗产业链是一个由技术、数据、硬件、软件、应用场景等多环节构成的复杂生态体系，覆盖从基础技术研发到临床落地的全流程。

1、上游：基础层

（1）数据资源

数据来源：数据主要源自多个关键领域，包括医院电子病历（EMR）系统所记录的海量患者诊疗信息；医学影像，像CT、MRI、X光等各类成像资料，蕴含丰富的身体结构与病变信息；基因测序数据，揭示人体遗传密码；可穿戴设备监测数据，能实时追踪个体日常健康状况；以及公共卫生数据库，汇聚了群体层面的疾病防控等数据。

数据标注：在数据标注环节，医学影像标注（以精准勾画肿瘤区域为例）和病历文本结构化（如从病历中准确提取疾病名称、症状等关键信息）这类工作，高度依赖专业医生凭借其深厚的医学知识和临床经验来完成。

数据治理：数据治理涵盖多个重要方面。首先是数据清洗，去除数据中的噪声与错误；接着进行脱敏操作，保障患者隐私。同时，依据DICOM等行业标准实现数据标准化，以确保数据的通用性与兼容性；在隐私保护方面，严格遵循GDPR、HIPAA等国际通行法规要求，保障数据安全。

（2）算法与模型

核心技术：该领域的核心技术丰富多样。深度学习发挥着关键作用，其中CNN（卷积神经网络）擅长处理医学影像识别任务，能精准分辨各类影像特征；RNN（循环神经网络）则在时序数据处理上表现卓越。迁移学习针对小样本训练难题，可有效利用已有知识。联邦学习更是打破机构间的数据壁垒，实现跨机构的数据协作。

模型：医疗健康大模型以企业研发为主，高校和科研机构为辅，医疗机构次之，研发合作模式多样化，包括医企、校企等多种模式。截至2024年9月，我国共有超100家企业和机构发布了医疗健康产业大模型。企业占比达到81.3%，高校和研究机构占比分别为10.3%和5.6%，医院占比为2.8%。医疗大模型在2024至2027年迎来快速发展期，2025年医疗大模型市场规模已达82亿元，预计到2027年我国医疗行业大模型市场规模将超过260亿元。

其中，企业研发医疗健康领域大模型，更加注重用户体验和商业化前景，典型代表如百度的“灵医大模型”、医渡科技的“医渡大模型”、京东健康的“京医千询大模型”、腾讯的“腾讯健康医疗大模型”等更加注重用户体验和易用性，能更好地满足市场的需求。

（3）算力基础设施

硬件：硬件支撑极为关键，包括性能强劲的GPU，为深度学习计算提供强大动力；TPU芯片，在特定计算场景下具备高效优势；还有寒武纪、Graphcore等企业研发的AI加速芯片，助力提升整体算力水平。

云计算：云计算平台为医疗AI训练提供有力支持，AWS、Azure、阿里云等均搭建了专业的医疗AI训练平台。而边缘计算则在实时处理场景中不可或缺，例如手术机器人的精准操控就依赖其低延迟特性。

网络：5G网络凭借其高速率、低延迟的特性，大力推动远程医疗发展，实现实时数据的快速传输。

2、中游：技术层

（1）核心技术模块

计算机视觉（CV）：在医疗领域发挥着关键作用，应用于医学影像分析，如肺结节检测、眼底病变识别等，助力医生精准诊断；同时还用于病理切片数字化，提高医疗数据管理效率。

自然语言处理（NLP）：具有广泛应用。在电子病历结构化方面，能够将繁杂的病历信息整理成规范格式，便于查询与分析；临床决策支持（CDSS）系统借助NLP技术为医生提供决策参考；患者问答机器人可自动解答患者常见问题。此外，在化合物研究环节，NLP技术能对海量文献进行大规模、高效分析，提出新的可测试假说，提高新靶点发现几率，显著缩短研发周期。在临床前研究阶段，深度学习技术可将已上市或处于研发管线的药物与疾病进行智能匹配，拓展药物治疗范围，提升研发效率。

知识图谱：通过构建疾病-症状-药品关联网络，如IBM Watson Oncology，为医疗决策提供全面、关联的知识支持，辅助医生更准确地诊断和治疗疾病。

语音技术：实现语音电子病历录入，医生通过语音即可快速记录病历，提高工作效率；智能问诊记录功能则能自动记录问诊过程，确保信息完整。

（2）开发工具与平台

AI框架：TensorFlow、PyTorch等主流AI框架推出了医疗定制版本，例如MONAI专门用于医学影像处理，为医疗AI开发提供了更贴合需求的底层支持。

低代码平台：像英伟达Clara这样的低代码平台，允许医院在无需大量编程知识的情况下，快速部署AI模型，降低了技术应用门槛，加速了AI在医疗场景中的落地。

模型管理：借助MLOps工具链，实现模型版本控制，确保模型迭代过程的可追溯性；同时支持自动化部署，提高模型部署效率，保障模型在实际应用中的稳定性与可靠性。

3、下游：应用层

AI的下游应用包括：医学影像、AI辅助决策、AI医学检验、AI健康管理、AI新药研发、医疗机器人等。

05

重点关注方向

1、AI制药

AI制药是指以医药大数据为基础，将自然语言处理、机器学习及生成模型等人工智能技术应用到制药领域各环节，以提高、优化新药研发的效率及质量，降低临床失败概率及研发成本。

相比传统制药，人工智能凭借机器学习、深度学习、自然语言处理、图像识别等独特优势可以提供更好的预测模型和更高的命中率，以缩短新药发现时间，提高药物研发的成功率，节省成本提高净收入。目前，AI技术主要用于药物研发阶段，随着技术的不断突破和发展，AI技术参与制药的环节将增多，新药研发效率也将提升。

（1）AI制药的发展历史回顾周期判断

AI制药行业自1990年以来，历经了从理论探索到商业落地的完整发展周期：

早期（1990-2012年）因技术局限与行业认知不足，应用仅停留在概念验证；

随后（2013-2017年）随着生成对抗网络等新技术出现，AI在药物分子生成等环节的可行性得到验证，逐渐积累关注；

2018-2019年，IBM Watson和AlphaFold的重大突破引爆投资热潮，推动技术成熟与效率提升；

2020年至今，AI技术已渗透药物研发全流程，跨国药企深度参与，行业进入快速扩张阶段，随着商业化应用落地，有望迎来密集收获期。

科研热度持续上升，AI辅助药物发现快速成长。根据Intelligent Pharmacy刊载的文章显示，AI辅助药物发现领域的出版物数量呈现指数增长趋势，研究热度逐年快速上升。具体来看，2009年至2017年为缓慢发展阶段，2018年至2023年为快速发展阶段。AI辅助药物发现领域的出版物数量在2020年超过1000篇，仅在两年后的2022年就超过了2000篇。引用方面，2020年至2023年，该领域每年的引用次数增加到1-2万次/年。2023年，人工智能辅助药物发现领域有2447篇出版物被引用64137次。

中美科研机构仍是技术创新主要动力。根据2024年Intelligent Pharmacy上的回顾分析，对2009-2023年间9700篇AI辅助药物发现领域文献的全面分析，揭示了该领域在过去15年的发展脉络、研究热点与未来走向。AIDD在近年来展现出蓬勃的发展态势，尤其自2018年起，文献数量呈现出迅猛增长的趋势，这不仅反映了学术研究的高度活跃，更暗示着AI技术在药物发现领域正逐步从理论探索迈向实际应用的快速转化阶段。从分国别视角审视AI辅助药物发现领域，美国以最多的文献数量占据首位，中国紧紧跟随其后，两国在全球范围构成第一梯队，相较于其他国家，领先优势极为显著。就机构层面而言，高校和科研院所在AI辅助药物发现领域成为文献产出的核心力量，商业机构的贡献占比较低，其中中国科学院在AI辅助药物发现出版物方面贡献最为突出。而在商业机构中，自2009年起，阿斯利康凭借107篇研究成果，成为文献贡献最多的企业。从研究热点来看，虚拟筛选、基因表达、药物递送等方向始终是该领域关注的焦点，这些主题贯穿了AI辅助药物发现的关键流程，从靶点识别到药物设计与优化，体现了AI技术对传统药物研发瓶颈的持续攻克。同时，随着时间的推移，如“sars cov 2”“分子设计”“临床试验”等新兴热点的涌现，也反映出该领域对现实需求的敏锐响应，特别是在应对突发公共卫生事件以及加速新药从实验室到临床转化方面的积极探索。

全球市场有望进入加速成长期。AI制药赛道在技术层面不断突破之后正经历爆发式增长，从需求侧看，全球创新药研发面临“双十定律”困境（10年周期、10亿美元成本），AI技术通过靶点筛选、分子生成、临床试验优化等环节可缩短40%研发时间，显著降低药企试错成本。政策端，美国FDA积极更新AI用于药物开发的指导意见，中国"十四五"医药工业发展规划亦明确支持AI在新药研发中的应用，监管破冰为技术商业化铺平道路。根据Research And Markets数据，全球市场规模从2021年7.92亿美元跃升至2024年17.58亿美元，年复合增长率达30.45%，预计2026年将突破30亿美元大关。

中国市场总体规模仍较小。中国AI制药市场在过去几年中经历了显著的增长，从2019年的0.67亿元增长至2024年的5.62亿元，年复合增长率达到了53.01%。这一快速增长不仅反映了AI技术在药物研发领域的应用日益广泛，也体现了中国医药行业对创新技术的高度接纳和投资热情。随着国内政策的支持以及资本市场的积极参与，越来越多的初创企业和传统药企开始探索利用AI优化药物发现与开发流程，努力缩短研发周期、降低成本并提高成功率。

根据智药局统计，中国AI制药公司主要分布于北京、长三角、大湾区三地，囊括了超94%的AI制药公司。其中又以北京、上海和深圳三座城市较为突出，各有约20家公司落户。商业模式来看，国内多数AI药物研发企业都会在SaaS服务商、AI CRO和AI biotech的商业模式中兼容两种或者三种。

在AI驱动的药物研发中，数据是核心，涵盖小分子化合物、蛋白靶点、生物医学知识图谱及临床真实世界数据四大类，贯穿研发全流程。小分子结构与性质数据来自ZINC、ChEMBL等数据库，助力新分子生成与评估；蛋白质序列与结构数据依赖UniProt、PDB等，支撑靶点识别与相互作用预测；生物医学知识图谱整合多维度信息，用于复杂网络关系建模；临床数据助力临床推进与决策。公开数据库虽广泛但深度有限，药企私域数据更具价值但共享少。中小型AI制药公司因数据不足面临挑战，未来AI制药竞争将聚焦于数据获取与整合能力，与各方建立数据合作构建差异化数据资产是关键。

从模型训练角度看，不同任务对数据体量依赖程度差异显著。以分子生成模型为例，如Transformer、Diffusion需10万量级以上的分子结构数据来学习生成新化合物；QSAR模型对数据规模要求相对温和，数千至数万条结构-性质对应数据即可，但对数据质量和标注均衡性要求高。蛋白-配体结合预测模型（如DeepDTA、EquiBind）需上万级高质量复合物结构与结合亲和力数据，蛋白质结构预测任务（如AlphaFold2）则需百万级数据结合多序列比对和深度注意力机制，计算资源需求极高。基于图谱的靶点预测或药物再定位任务需上百万级三元组合数据，图谱嵌入模型依赖大规模关系型数据挖掘潜在路径。自然语言处理任务中，预训练语言模型（如BioBERT、PubMedBERT）预训练阶段需数十万至百万级生物医学文献或摘要，微调阶段标注样本量在数千至数万之间。

在生成式AI模型广泛应用于分子生成、抗体序列设计等任务中时，模型“幻觉”（hallucination）问题已成为不可忽视的风险。生成式AI在分子生成、抗体序列设计等任务中面临“幻觉”问题，模型虽能学习分子结构的“语法规律”，但无法自动判别生成分子的合成可行性、生物学功能或ADMET性质。同时，训练目标单一化及缺乏多维生物学反馈约束，使模型易陷入虚假“高分分子”陷阱，难以指导真实研发。此外，AI制药领域存在“从数据到原子”的断层，模型开发与实验验证之间缺乏闭环机制，导致“虚拟管线堆积”现象，降低了研发效率。AI制药的核心缺陷是多维度结构性挑战的叠加，模型的“黑箱特性”导致解释性不足，训练数据中生物系统复杂性的简化建模，使得AI生成的分子在实际生物活性与预测值上存在偏差。数据层面的问题并非单纯“量”的不足，而是“质”与“分布”的结构性缺陷，高质量标注数据集中在肿瘤领域，而皮肤病、风湿病等领域数据稀缺，跨机构数据标准不统一，多组学数据整合存在技术壁垒。从落地场景看，AI在临床前阶段的应用相对成熟，但在临床II/III期渗透率低，核心瓶颈在于复杂生物系统的动态建模能力不足。

AI制药行业爆发的关键节点取决于“技术突破-数据基建-监管适配”的三重共振。技术上，当解释性AI（XAI）与多尺度建模（如Physics-informedAI）实现临床级预测精度，可能解决约60%的转化偏差；数据层面，需建立跨企业的联盟学习平台，破解肿瘤外领域数据稀缺问题；监管端，FDA等机构需出台AI模型验证标准，类似FDA2024年发布的《AI/ML行动计划》的细化落地。

结合当前技术演进与临床进展节奏，预计AI制药可能存在两个潜在的行业里程碑节点。第一个是AI设计的药物首次成功通过关键II期或III期临床验证并上市。目前如Exscientia、Insilico等企业的AI管线已有多个分子进入临床阶段，预计最早在2026-27年左右有望取得里程碑性进展。第二个则是生成式生物基础模型（如BioGPT、ProGen2、AlphaFold3）实现跨任务泛化能力，一旦形成类似通用语言模型的生物医学大模型底座，将重塑AI在药物发现、抗体设计、靶点预测等多个关键环节的能力结构，推动行业由“单点突破”转向“平台赋能”。在接下来的2-3年内，即有望看到首个AI制药驱动的分子逐渐进入上市阶段，而随着近年来大模型的快速迭代进步和各MNC的日趋重视，AI制药有望逐渐进入爆发期。

（2）中国与海外AI制药发展比较

国内AI制药公司管线情况：国内包括英矽智能、希格生科、深势科技、德睿智药、费米子科技、未知君等AI制药公司均有诸多管线进入临床，不过大多数仍处于早期阶段。

全球AI制药公司管线情况：海外整体相比国内公司管线数量更多，但同样大多数仍处于早期阶段，2025年行业有望看到更多数据的读出。2月5日，Recursion在国际卒中会议上以最新口头报告形式公布了REC-994在CCM（脑海绵状畸形）中的II期数据，SYCAMORE试验在II期研究中未观察到安全信号，治疗组和安慰剂组的不良事件发生率相当。治疗12个月后，接受REC-994400毫克治疗的患者(N=20)中50%的患者总病变体积(LV)减少，而接受安慰剂治疗的患者(N=18)中这一比例为28%。6月2日，Relay在ASCO大会上更新RLY‑2608临床2期数据，PFS整体达10.3个月，数据稳定，支持于2025年中启动ReDiscover‑2III期关键试验，并继续探索联合CDK4抑制剂的新方案。Schrödinger在2025年上半年持续推进其三条临床I期管线，包括CDC7抑制剂SGR-2921（获FDA孤儿药资格，用于急性髓性白血病），MALT1抑制剂SGR-1505（用于B细胞恶性肿瘤）和Wee1/Myt1抑制剂SGR-4174（用于实体瘤），预计将在2025年下半年公布SGR-2921的I期数据。

（3）AI制药企业业务模式以及前景分析

在当前AI药物研发领域，企业主要采用三种主流商业模式，即AI SaaS、AI CRO与AI biotech。当下AI制药市场的主要参与者涵盖大型药企、头部互联网企业以及AI制药初创企业。

AIDD SaaS：AI软件辅助药物发现全流程。AI驱动的药物发现（AIDD）SaaS（软件即服务）模式是近年来兴起的一种商业模式，旨在通过提供基于云端的AI工具和平台，帮助制药公司、研究机构以及生物技术公司加速药物研发过程。SaaS平台将复杂的AI技术和数据分析能力转化为易于使用的应用程序，用户通过订阅服务的方式访问平台，获取用于药物发现的各类工具和资源。

AIDD SaaS商业模式通过提供强大计算资源、智能化工具和便捷的云平台，极大地降低了药物研发门槛，推动了新药的发现。像Schrödinger、Insilico Medicine、Exscientia和Atomwise等公司代表了这一模式的成功应用，它们通过AI技术帮助制药公司提升研发效率，降低成本，加速药物进入市场的时间。

AIDD CRO：加速临床前药物发现。在人工智能驱动的药物发现（AIDD）领域，CRO商业模式是另一种重要的发展路径，主要集中于为制药公司、学术机构以及生物技术公司提供外包的研发服务。

AIDD CRO利用AI技术进行药物研发的外包服务，涵盖从药物筛选、靶点识别到临床前研究和试验设计等各个环节。AIDD CRO通过AI驱动的定制化技术服务和云平台，提供高效、灵活的药物研发外包解决方案，帮助客户加速研发进程并降低成本。AbCellera、Insilico Medicine、Evotec和Labcorp等企业是CRO模式的代表，利用AI技术加速药物研发，并与全球制药公司展开广泛合作。

AI biotech：自研管线积极推进。AI biotech类企业通过AI驱动进行药物发现并积极推动管线进程，代表性企业国内如英矽智能、未知君、剂泰医药等。海外代表性企业包括Recursion Pharmaceuticals、Atomwise、Exscientia、Relay等。由Exscientia和日本住友制药合作开发的DSP-1181，是一种用于治疗强迫症(OCD)的长效血清素5-HT1A受体激动剂，于2020年1月30日进入临床，成为第一个进入临床试验的人工智能设计的分子。不过由于I期临床效果不及预期，目前已经停止开发。

目前AI制药多数企业仍处于较为早期的阶段，整体盈利能力仍较低。比较三类AI biotech企业发展路径，其中1）AI SaaS类企业依靠软件订阅制收费收入可预测性较强，云架构下新增客户成本趋近于零，毛利率有望保持较高水平。依托客户使用产生的数据反哺模型优化，可以形成技术护城河。但是单客户收入通常低于百万美元级，需持续扩大客户基数，同时市场开源软件的增加可能会挤压基础软件的生存空间，且标准化软件可能难以满足客户的定制化需求；2）AI CRO类企业前期通过服务费覆盖成本，营收相对有保障，并且深度介入客户管线设计，有望维持较高客户黏性。但是需要维持高水平交叉学科团队（AI 生物化学），需要考虑传统CXO加速AI转型可能带来的行业竞争等；3）AI自主开发类企业通过自有的AI技术平台筛选独特的NMEs，有望通过创新药管线的持续上市获得丰厚回报。但是创新药研发属于高风险高回报，盈利确定性相对较低，且目前AI主要参与临床前药物发现过程，而临床阶段成本占据药物研发一半以上。这种模式对企业的人才和资金获取能力都有着最高的要求。

近年来AI制药领域正经历着快速的迭代和变革，算法的更新迭代和算力的支持为AI在制药领域的应用打下了良好的基础。目前AI算法在临床前药物发现阶段已经有着深入且深刻的应用，有望驱动AI制药管线和市场的快速增长。海外头部临床CRO公司在临床试验中已经布局AI多年，临床试验的时间和成本同样有望得到降低，完全由AI研发的新药有望在1-2年内成功上市。能够认为AI有望重塑药物发现的模式，在基于个性化的“精准医疗”中充分展现潜力，并且为制药行业带来潜移默化且持续地降本增效，有望从源头提高创新药研发的成功率。

2、AI助力医疗信息化向智能化升级

医疗信息化即医疗服务的数字化、网络化、信息化，是指通过计算机科学和现代网络通信技术及数据库技术，为各医院之间以及医院所属各部门之间提供病人信息和管理信息的收集、存储、处理、提取和数据交换，并满足所有授权用户的功能需求。医疗信息化包括4大主要领域：医院信息化、区域医疗信息化、医保信息化以及药品信息化。

2023年中国医疗软件系统解决方案市场规模为206亿元，同比 5%。伴随云计算、大数据、人工智能等前沿技术的持续迭代与深度发展，医疗信息化行业的技术壁垒正不断加高。在此背景下，持续的创新实践与技术革新，才能够契合市场动态变化所产生的多元需求，推动医疗信息化行业迈向更高发展阶段。

当前的医疗信息化建设，主要参照国家“智慧医院”建设标准，包括智慧医疗、智慧管理和智慧服务3部分。面向医院管理的智慧管理包含财务、成本控制、物资、药事等多方面的内容，来帮助医院进行精细化的运营管理。第二个领域则是面向患者的智慧服务，院内的一体机、智能导诊、医院导航，院外的远程诊疗、在线预约、健康管理等，为患者提供更加便捷高效的就医体验。面向医务人员的智慧医疗主要以电子病历为核心，加之影像、检验等其他系统，实现互联互通的信息系统建设。

医院信息化、智慧化的建设自电子病历系统开始，并始终以此为核心展开。在中国，智慧医院可以看做是医疗新基建的高级形态，它发源于医疗信息化，并在信息化逐步发展成熟后进行进一步的升华探索。2011年电子病历评级开启了智慧医院的启幕之年，加快院内互联互通建设；自2015年始，区域平台建设脚步加快，强调医院“孤岛”上的信息互联互通，庞大的院内信息再利用价值将被释放，同时互联网医院新业态诞生，慢病线上复诊、续方获得许可，医疗服务从线下向线上延伸，智慧服务分级评估体系出台；2019年之后，中国智慧医院的需求和落地有了丰富土壤，在信息化的基础上升级为智慧医院，全方位提升医疗服务的效率和质量。

医疗IT竞争格局：单一领域服务商、中型厂商、综合型厂商共同构建了智慧医院的行业生态，各自发挥着重要作用，为医院的智慧化发展提供多样化的选择。其中，综合型厂商能够提供涵盖智慧管理、智慧服务与智慧医疗的全方位解决方案，具备强大的系统集成能力和广泛的市场覆盖，是医院实现智慧化升级的最优选择。

（1）AI 医疗信息化主要应用场景

1）诊前（自动生成电子病历/智能推荐就诊科室/预问诊/智能分导诊等）

早在互联网医疗兴起之时，大量诊前应用之中引入AI，如今大模型兴起，诊前环节再度成为互联网企业的必争之地，讯飞医疗、腾讯健康、百度灵医智惠均在此布局。

讯飞医疗的星火大模型直面的是医患沟通这一痛点。在星火大模型的支持下，AI能够模拟医生与患者进行自由对话，根据患者的病情描述，智能推荐就诊科室和合适的医生。同时，该大模型还能基于患者的病情描述、病史等信息，自动生成电子病历，提高病历记录的效率和准确性。

腾讯健康与讯飞医疗的逻辑相似，但它更为精细地捕捉到了“预问诊”这一需求。基于过往智能导诊的经验，腾讯健康用大模型做了一个AI预问诊系统，患者预约挂号后便可同系统进行详细的预问诊回答，提前提供主诉、既往病史、用药禁忌等信息。正式就诊时，医生对于患者的病情已有一定了解，便能提出更多针对性的问题，诊断的精准度也随之提升。

百度灵医智惠针对诊前环节推出了智能分导诊、智慧加号和智能候诊三项应用，旨在优化医疗资源配置、提升诊疗效率与患者体验。其中，智能分导诊通过大模型模拟诊前咨询，引导患者精准描述病症并推理归纳，为其匹配适配的临床科室和专家，最大化利用医疗资源；智慧加号则填补传统服务“真空地带”，患者线上与AI交互并上传检查结果后，模型提取病史摘要及关键阳性信息，辅助医生快速判断是否需要专家诊疗，将单向申请转为医患“协议”，有效减少医生资料查阅和沟通时间，提升病因判断准确性与诊疗质量；智能候诊聚焦优化医生问诊效率，AI提前整理病历，医生接诊时仅需几秒即可了解患者情况，既节省问诊与病历书写时间，又促进医患精准高效交流，助力诊疗决策更准确。三项应用共同推动诊前流程智能化，实现医疗资源高效利用与医疗服务质量提升。

2）诊中（电子病例分析/药物提醒与剂量优化/辅助诊断等）

传统的诊中医疗信息系统主要包括HIS、EMR、CIS、PACS等，医院信息化、智慧化的建设自电子病历系统（EMR）开始。在电子病历发展具有一定基础的情况下，信息化发展较为领先的医院正逐步建立以电子病历为核心的临床医疗服务体系，囊括患者信息、药品管理、医嘱诊断、费用管理等所有临床活动信息。AI赋能诊中流程后将在各方面对传统医疗信息系统进行升级。

1.AI辅助诊断与治疗，分析患者的症状、体征、检查检验结果等数据，与疾病知识库中的信息进行比对，为医生提供诊断建议和鉴别诊断列表，还能对医学影像进行分析，识别异常情况并提供报告。此外，依据诊断结果，参考大量临床病例和最新医学指南，为医生提供个性化的治疗方案建议，包括药物治疗、手术治疗、物理治疗等，并对治疗方案的疗效和风险进行评估。

2.电子病历分析：AI可以对电子病历中的文本信息进行挖掘和分析，提取关键症状、检查结果、诊断信息等，帮助医生快速了解患者的病情历史，为当前诊断提供参考。同时，通过对大量病历数据的学习，AI还可以发现疾病之间的关联和潜在规律，为医生提供诊断思路和建议。

3.药物提醒与剂量优化：考虑患者的个体差异，如年龄、体重、肝肾功能等，对药物的选择、剂量和用药时间进行提醒和优化，避免药物相互作用和不良反应。

4.智能导航与流程优化：AI陪诊系统能规划最优就诊路径，实时提示检查排队时间；缓解患者“迷宫式就医”焦虑，减少无效等待。

3）诊后（AI随访电话/诊后智能咨询等）

由于医疗资源的缺乏，国内的诊后环节一直缺乏成体系的医疗服务，大模型的出现有望化解这一难题。

我国每年新增脑卒中出院患者高达300多万，但出院并不代表病情彻底康复，其中有12%患者在出院后30天内再入院。从这一需求出发，讯飞医疗研发了星火认知大模型诊后康复管理平台，该平台可以在家智能生成康复计划，主动发起随访，变更康复计划并向专业医生提出问询，将专业的康复管理和康复指导由院内延伸到院外，确保患者享受到高品质、连续性的医疗服务。

同时，平台自动提醒患者，并在康复过程中，通过AI随访电话等方式对患者进行主动式管理，并通过大模型为患者提供7*24小时咨询服务。新一代诊后患者管理平台在安徽和山东率先开展服务，已覆盖30多个科室的主要病种，覆盖85%的出院患者，通过管理，患者的依从性得到大幅提高。

CDSS（临床决策支持系统）的使用场景涵盖诊前决策、诊中支持和诊后评价全过程，市场规模超百亿，AI赋能为CDSS发展带来广阔空间。随着AI的成熟和发展，CDSS为人工智能商业化落地提供了合适的土壤，机器学习具有学习速度快的优势，抓取和理解临床信息的速度比医生平均快2700倍，临床决策支持系统可以通过让机器深度学习大量高质量的既往临床实践病历和各种文献等资料，使机器具备了一定高水平的专业能力，可以对医护人员的一些行为进行建议和规范、对患者的一些病情进行预测和提前警示。

CDSS是指运用相关的、系统的临床知识和患者基本信息及病情信息，加强医疗相关的决策和行动，提高医疗质量和医疗服务水平的计算机应用系统。其本质上是一个大的医学知识库，是一个基于人机交互的医疗信息技术应用系统，旨在为医生和其他卫生从业人员提供临床决策支持，通过数据、模型等辅助完成临床决策。通俗地说，CDSS就是把医生记不住的知识通过计算机界面呈现出来，来帮助医生看好病。

CDSS系统是提升医疗质量的重要手段，因此其根本目的是为了评估和提高医疗质量，减少医疗差错，从而控制医疗费用的支出。CDSS的使用场景涵盖诊前决策、诊中支持和诊后评价全过程，临床医生可以通过CDSS的帮助来做出最为恰当的诊疗决策。过去，CDSS的主要市场是大医院，但随着国内对基础医疗的投入支持不断加大，基层医疗机构和基层医生的数量不断增多，老百姓对于优质基本医疗服务的需求也在增多，CDSS的市场开始逐渐从大医院转向基层。

CDSS的四大基本功能：1、诊断辅助：利用机器模型根据患者主诉现病史检验检查结果等信息推断患者可能的疾病，并给出可能疾病的概率和判断依据。2、治疗方案辅助：根据患者的个人基本情况和疾病等情况，推送出治疗方案供医生参考。3、开单项建议和监督：根据患者的个人基本情况推送用于鉴别诊断和辅助确诊疾病需要做的检验检查项目，此外还可以对已开立的项目做合理性监督，重复开单和开单互斥等错误情况可以及时提醒纠正。4、知识库查询：广义的知识库内容除了包含上述的辅助信息，还包括狭义的的知识库内容，如文献、操作手册、专家指南、药品说明书等资料入库，方便医生及时查阅。

（2）医院运营管理智能体

医院运营管理智能体是指构建一个立体的、多域协同、精确判断和持续智能的系统，它包括智能交互、智能连接、智能中枢和智慧应用四个主要层次。四个层次共同构建了一个能够实现医院人、财、物全要素协同，医疗、服务、管理全场景智慧化的系统。

熙软科技的医院运营管理智能体在保有上述基础特征的情况下，围绕医院运营管理建设进行重点突破，围绕ODR核心运营数据中心、ODSS运营辅助决策、小熙AI运营助理三个核心功能不断发力。

对于医务工作者，医院运营管理智能体主要发挥“助手”的作用。在申请出差时只要简单提问，就能清晰了解差旅报销标准；想要查询科室的运营数据，只需向AI运营助理发问，便会直接获取想要的数据。

对于智能化需求更大的医院管理者。医院运营管理智能体能够实时获取所需的各种深度数据分析与服务，并根据管理者的习惯，自动推送其期望掌握的数据。即便初次推送的内容未能完全满足管理者的管理需求，系统也支持通过多模态交互方式，进一步定制并推送符合期望的信息。

实际运行中，医院运营管理智能体已逐渐成为提升医疗机构效率效益的重要技术实现路径。采用分析报告、管理路径、策略输出、目标导航、AI模拟仿真、AI运营助理机器人等管理方法和手段，对医疗机构经济运营状况进行事后分析、问题根因溯源、过程控制、改善评估、未来预测、辅助决策。实现全面支撑优化业务流程、合理资源配置、计划合理制定等方面的战略管控工作。

3、AI医学影像

医学影像是利用光、电、磁、声等物理现象，以非侵入方式获得人体或人体某部分内部组织的影像。临床超过70%的诊断都依赖于医学影像。临床中最常见的影像模态包括X线摄影、CT、MRI和超声等。

AI医学影像技术，作为医学与人工智能深度融合的前沿领域，借助深度学习、机器学习等人工智能技术，对医学影像数据展开系统性分析与精准解读，进而为医生在疾病诊断、治疗方案规划，以及预后评估等环节，提供强有力的支持。这一技术的核心机制在于，通过构建并运用特定算法，对医学影像中的病变区域进行自动化识别，同时生成量化分析结果，并给出具有参考价值的诊断建议。相较于传统影像分析方法，AI医学影像技术以数据驱动的模式，极大提升了影像分析的效率与准确性，为医学影像诊断带来了新的变革与机遇。

受益于医疗新基建和政策的驱动，我国医学影像设备的市场规模稳健增长。2024年中国医学影像设备市场规模约1360亿元，2025年市场规模将达到1468亿元，同比 7.94%。

近年来，AI医学影像市场呈现出迅猛的增长态势，已成为“AI 医疗”领域中落地最成熟的细分领域。据相关统计数据显示，2024年中国AI医学影像市场规模约为74.5亿元。2025年中国AI医学影像市场规模有望突破150亿元，到2026年则将进一步增长至235.7亿元，持续保持高速增长的趋势。得益于人工智能技术的快速发展，其在医学影像领域的应用场景日益丰富，涵盖疾病筛查、辅助诊断、治疗规划等多个环节，展现出广阔的市场发展空间。

截至2025年7月，国内已有超过100款AI医学影像辅助诊断软件获批NMPA三类医疗器械注册证，涵盖超声、CT、MR、DR等影像设备，涉及肺部、眼底、心脑血管、骨科、产科和儿童发育评估等产品，其中心脑血管疾病筛查产品数量最多，而肝部、乳腺等部位产品仍稀缺。

中国AI医学影像领域的竞争格局呈现出显著的多元化态势。在这一格局中，不同类型的市场参与者凭借各自独特的资源与能力，在技术路径、商业模式和资源整合等维度展开差异化竞争。

1）设备厂商：联影智能、万东医疗等，依托其在硬件研发与制造方面的深厚积累，构建起“设备 AI”一体化生态体系。联影智能凭借先进的医学影像设备制造技术，将AI技术深度嵌入设备之中，实现设备性能的智能化升级，为临床诊断提供更高效、精准的解决方案。万东医疗则通过自主研发的硬件设备，结合AI技术，推出一系列智能化医学影像产品，如搭载AI技术的磁共振成像设备，能够提高影像质量，辅助医生更准确地进行疾病诊断。这些设备厂商通过将探测器与AI软件捆绑销售的策略，有效抢占市场份额，其商业模式的核心在于利用硬件优势带动软件销售，实现硬件与软件的协同发展。

2）纯AI企业如推想科技、深瞳科技，以高精度病灶识别和跨病种泛化能力作为核心技术壁垒。推想科技专注于通过深度学习算法对医学影像数据进行分析，实现对多种疾病病灶的精准识别，其技术在肺结节、肿瘤等疾病的诊断中展现出较高的准确率。深瞳科技则致力于研发先进的图像识别技术，能够在复杂的医学影像中准确检测出病灶，并具备一定的跨病种诊断能力。这类企业主要通过向医院提供订阅服务的方式实现商业化，其商业模式的优势在于能够为医院提供定制化的AI解决方案，降低医院的前期投入成本，同时通过持续的技术更新和服务优化，增强客户粘性。

3）互联网巨头腾讯觅影、平安好医生、百度灵医，凭借其强大的大数据整合与多场景适配能力，积极布局C端健康管理与B端医院合作的双线模式。腾讯觅影依托腾讯庞大的用户数据和先进的技术平台，能够对用户的健康数据进行综合分析，为C端用户提供个性化的健康管理服务，同时与B端医院合作，将AI技术应用于临床诊断，提高医院的诊断效率和准确性。平安好医生通过整合线上线下医疗资源，为用户提供一站式的健康管理服务，包括在线问诊、健康咨询、体检预约等，同时利用AI技术辅助医生进行疾病诊断。百度灵医则借助百度的大数据和人工智能技术，开发出智能医生助手、智能健康管家等产品，满足“医-患-药”不同环节的需求。互联网巨头的商业模式优势在于能够利用其平台流量和数据优势，实现医疗服务的多元化和个性化，同时通过与医院的合作，加速AI技术在医疗领域的落地应用。

4）科研机构如清华大学、中科院自动化所，聚焦于算法底层创新，如小样本学习等前沿技术领域。清华大学通过深入研究人工智能算法，在医学影像分析中取得了一系列创新性成果，为提高医学影像诊断的准确性和效率提供了理论支持。中科院自动化所则致力于研发先进的图像处理算法，能够对医学影像进行更精准的分析和处理。这些科研机构主要通过技术授权和孵化初创企业的方式参与产业生态建设，将科研成果转化为实际生产力。其参与产业生态建设的模式有助于推动行业的技术创新，为新兴企业提供技术支撑，促进整个AI医学影像产业的发展。

4、AI医学检验

检验医学是现代医学的重要组成部分，临床决策所需信息70%来自检验，其高度自动化、数据化以及采用关系型数据库存储数据的特点为AI的应用和发展创造了有利条件；而以数据挖掘、机器学习、专家系统为支撑的AI技术也将为检验医学的跨越式发展提供契机。

随着国家政策支持人工智能的应用以及对应技术的研发升级，AI医学检验渗透率急速提升，2022年AI医学检验市场规模达90亿元，预计未来到2027年AI医学检验市场规模将达170亿元，复合增速达13.56%。

1）检验流程的智能化：通过全流程降本增效，涵盖了基于机器学习的检验项目推荐以优化诊断方案、降低医疗成本；引入“移动平均统计质量控制”技术提升实验室质量管理与错误检出率；利用图像识别技术实现检验样本图像的全自动分析，提高诊断准确性与效率；通过自然语言处理技术构建个性化自动审核系统，结合临床信息与历史数据实现检验结果的智能判断与报警；并生成面向医患双方的智能检验报告，提供疾病预测、诊断建议、治疗方案及患者健康趋势分析等，全面提升检验医学的精准性、效率与临床价值。

2）AI辅助诊断：通过基于常规实验室数据的模型帮助医生进行鉴别诊断，全球市场预计在2023至2028年间以23.2%的年复合增长率从13.12亿美元增长至37.38亿美元，主要应用于体内诊断和体外诊断两大领域：体内诊断依托AI算法分析医学影像（如X光、CT、MRI等），提升病变识别的准确性和效率；体外诊断则通过分析血液、基因等大量数据实现早期疾病检测与个性化治疗，其产业链涵盖生产（如东方生物、迈克生物等）、服务（如迪安诊断、金域医学等）和流通（如润达医疗）三大板块，展现出巨大的应用潜力和市场增长空间。

AI在辅助诊断中展现出巨大潜力的方向主要包括：病理诊断，我国潜在市场超400亿元，通过构建医学知识图谱实现综合性诊断并出具报告，行业分为外资企业（如罗氏、徕卡、安捷伦、樱花、赛默飞、雅培、西门子、碧迪）和本土企业（如迈新生物、艾德生物、安必平）两大梯队；精准医疗，全球市场预计十年内从12亿美元增至171亿美元，我国自2014年后在国家战略推动下快速发展，竞争格局涵盖基因检测（华大基因、贝瑞基因）、伴随诊断（泛生子、燃石医学）、第三方检测（迪安诊断、金域医学）、细胞治疗（南华生物、冠昊生物）及免疫治疗（药明巨诺、复兴凯特）五大派系，AI应用推动基因检测成本下降，促进肿瘤分型与靶向治疗优化；癌症筛查，通过AI提取肿瘤分期、分子特征及微环境信息，广泛应用于乳腺癌、肺癌等癌种的早期诊断与研究，为精准治疗提供重要依据。

5、AI健康管理

AI健康管理主要是指利用新一代信息、通信、人工智能、生物信息等技术手段，感测、分析、整合健康数据采集、健康检测、健康评估、健康干预四个关键环节的各项信息，从而对个体或群体的健康需求做出智能响应的新模式。

AI赋能健康管理后可以分析个体健康数据和生活习惯，制定个性化的健康管理计划，提高健康管理的效果和可行性。目前已覆盖运动健康管理、护肤健康管理、营养健康管理、慢性病健康管理、睡眠健康管理及生命体征检测管理等。

AI健康管理通过整合多源异构数据与智能算法，构建起覆盖全生命周期的精准化健康服务体系。在个性化健康管理层面，系统融合基因图谱、行为特征及生命体征数据，生成动态干预方案，结合可穿戴设备实时监测与风险预警，实现从营养运动规划到疾病预防康复的全周期照护。在疾病预测预防领域，AI基于临床数据与多模态生物信息构建预测模型，通过深度学习解析疾病分子机制与个体易感性，不仅为慢性病防控提供时空动态传播模拟与公共卫生决策支持，更在遗传病早筛中实现基因型到表型的精准映射，推动医疗向预测性、预防性转型。药物管理方面，依托多维度医疗数据构建药效动力学模型，精准评估药物敏感性并优化给药方案，显著降低治疗风险。同时，AI赋能远程问诊通过症状识别、语音分析及流程优化，提升医患沟通效率与服务质量，最终形成集个性化干预、疾病早筛、精准用药及远程医疗于一体的智能化健康管理生态，全面赋能个体健康与公共卫生服务升级。

在慢性病患者、亚健康群体增大及老龄化驱动下，AI健康管理需求市场快速扩张，预计2024年市场规模近1.4万亿。中国AI健康管理行业处于发展初期，细分领域众多，市场广阔。2018至2022年，市场规模由2937亿元增加至8913亿元，预计2023至2027年，市场规模将由11239亿元增加至25909亿元，复合增速为23.22%。

按需求人群来看，目前AI健康管理可分为三大细分市场，分别是慢病管理、老年康养、亚健康群体。

慢病管理：已成为全球重大公共卫生挑战，尤其在中国，随着人口老龄化加剧，心脑血管疾病、糖尿病、癌症及慢性呼吸系统疾病等慢性病的发病率与死亡率持续攀升，对医疗资源构成巨大压力。AI慢病管理依托互联网、物联网、大数据及智能算法，构建覆盖前期监测、跟踪管理及个性化服务的全流程数字化体系，通过整合医疗机构、药械企业等资源形成价值共创生态，为患者提供健康档案管理、电子就诊记录、远程咨询、用药指导等一站式服务，有效缓解医疗资源短缺与医护人员不足问题。在医护端，AI提升管理效率、减少人为错误并促进信息互联互通，助力临床研究；在患者端，则通过减少就医时间、保障用药连续性、降低医疗成本等提升服务体验。中国慢病管理行业已从传统线下模式演进至AI驱动的数字化阶段，早期以C端在线问诊为主但因支付意愿低面临盈利困境，现逐步转向医院、药店等B端市场，并探索引入商业保险作为付费主体，但相较于美国以企业为B端客户的成熟模式（如Livongo），中国商业保险覆盖率仍有差距。当前，在处方外流、药店转型及互联网医院发展推动下，院外市场快速扩张，但院内市场仍占主导地位，行业商业模式尚在持续探索中。

AI老年康养：在中国人口老龄化加速、预计2035年进入重度老龄化阶段的背景下，AI老年康养凭借政策支持与市场需求双重驱动，正快速发展成为应对养老挑战的重要技术路径。该领域依托物联网、大数据及人工智能技术，构建以智能产品和信息系统平台为核心的康养服务体系，涵盖可穿戴健康管理设备、便携式健康监测工具、自助健康检测设备等硬件产品，以及居家健康养老、个性化健康管理、互联网健康管理等服务形态，满足老年群体自我健康评估、疾病预防、医疗指导及居家/社区远程监护等多元化需求。2020年工信部等部委对智慧康养产品与服务的分类进一步明晰了行业发展方向，推动医疗器械类上市公司聚焦智能健康监测与检测产品研发，同时吸引科技、通信等非医疗行业企业加速布局，如中兴通讯与地方政府合作推进养老服务智能化，万达信息参与养老信息化平台建设等。未来，随着更多大型企业凭借技术与资金优势入局，AI老年康养行业将持续深化技术创新与服务整合，为应对中国老龄化社会提供智能化、规模化解决方案。

亚健康是一种介于健康与疾病之间的状态，全球约75%人口受其影响，尤其在中国呈现年轻化趋势，35岁以下人群占比近三成。改善亚健康主要通过锻炼、睡眠和饮食调整，而AI技术正深度渗透至运动监测、睡眠管理及饮食规划等环节，通过智能设备实时追踪身体状态并提供个性化干预方案，助力亚健康群体科学提升健康水平。当前中国AI亚健康行业尚处发展初期，但市场增长迅速，2018-2022年市场规模从1.5亿元扩大至6.7亿元，预计2027年将达37.6亿元，其扩张动力主要源于亚健康人群基数扩大与AI技术驱动的数字化转型。行业创新不断涌现，如美丽田园的IRATHERM®技术通过模拟阳光提升核心体温以加速新陈代谢，exemplifying技术融合对亚健康管理的赋能作用。未来，随着技术迭代与需求升级，AI亚健康市场有望进一步释放潜力，成为健康管理领域的重要增长极。

06

07

行业发展建议

1、院内外协同推进数据标准化与信息化建设

对院内，应绘制医院信息化发展蓝图，通过顶层设计、统一标准和专项小组来引领建设。对外，则需由政府主导，协同行业协会及各医疗机构，共同破解数据共享难题，通过制定统一的接口、格式与传输协议，实现跨机构数据的标准化与一致性。

2、实施双向赋能策略

部分患者和医生对AI在医疗领域的应用存在疑虑。对此，面向患者需运用数字化工具普及智慧医疗知识，并优化产品体验，推出满足不同群体（如老年人、慢性病患者）特定需求的定制化服务，从而提升公众的接受与使用率。面向医护团队，则应构建常态化的培训机制与合作网络，增强其对智慧医疗技术的掌握与应用能力。

3、制定灵活的监管框架

在AI医疗领域，数据的收集与管理至关重要，必须通过技术手段保障数据安全与患者隐私。同时，完善AI医疗相关法律法规，建立分级的AI医疗责任制度体系是保障患者权益的关键。技术方面，需要有针对性地设置技术标准并搭建完整的AI医疗评估体系。

而生成式与自适应AI的持续进化与学习能力，也对传统静态监管模式构成了前所未有的挑战，要求监管机构为这种“明日即变”的技术制定全新的、能够灵活适应其动态发展的监管框架，以在鼓励创新与保障患者安全之间取得精妙平衡。在这一过程中，医疗专业人员的深度参与至关重要，他们需理解AI带来的独特挑战，并积极投身于伦理考量与新监管标准的制定。唯有通过技术服务提供者、医疗机构与监管机构的紧密协作，才能确保未来的AI创新在蓬勃发展的同时，始终将患者福祉作为不可动摇的指导原则。

4、创新支付与定价模式

目前，AI医疗服务的收费标准不明确，医保覆盖范围有限。这使得患者在使用AI医疗服务时需要承担较高的费用，限制了其普及和应用。未来需推行精细化、差异化的定价策略，同时打造一个多元化的支付生态，整合各方支付资源，并积极开发如订阅制、按效果付费等创新支付项目，以提升服务的可及性与商业可持续性。

08

参考研报

1. 东北证券-计算机行业：医疗是AI的重点落地场景，“AI 医疗”将重塑行业生态

2. 中信建投-人工智能行业：AI新纪元，砥砺开疆•智火燎原

3. 国联民生证券-医药生物行业AI医疗海外跟踪：癌症早筛、脑机接口、AI制药取得突破性进展

4. 东吴证券-计算机行业深度报告：落实“人工智能 ”，赋能千行百业

5. 浙商证券-计算机行业深度报告：AI 医疗，大模型重塑医疗生态

6. 申万宏源-AI医疗行业系列二暨GenAI系列深度之62：AI医药，智愈未来，技术变革下的生态重塑

AI医疗行业深度：驱动因素、重点方向、产业链及相关公司深度梳理

01