《医学影像行业深度研究报告》由会员分享，可在线阅读，更多相关《医学影像行业深度研究报告（19页珍藏版）》请在金锄头文库上搜索。
1、医学影像行业深度研究报告 目 录 一、医学影像识别有望成为AI 较快落地的领域 . 4 1、 “人工智能 +医疗”驶入快车道 . 4 2、智能影像诊断是“人工智能+医疗”较快落地的应用领域 . 5 二、智能影像识别分类多空间大，初期格局分散. 8 1、智能影像识别市场分类多空间大 . 8 2、行业发展初期市场相对分散，未来有望逐步走向集中. 11 三、国内外智能影像诊断参与方分析 . 12 四、从产业链上下游看数据与场景等核心商业要素 . 14 1、数据获取：与医疗机构合作有助于打磨产品 . 14 2、变现模式与场景：与上下游厂商合作有利于业务拓展. 16 五、相关投资标的. 17 风险提示
2、. 18 图表目录 表 1：“人工智能 +医疗影像”科研与商业团队针对不同病种开发的AI 产品识别准确率. 6 表 2：智能图像诊断和辅助诊疗的情况比较. 7 表 3：人工智能读片与人工读片的比较 . 8 表 4：医疗影像的分类情况. 10 表 5：国内外巨头智能影像诊断业务梳理. 12 表 6：创业公司业务与融资情况. 13 表 7：AI+ 医疗影像的商业变现模式汇总与分析 . 16 表 8：相关投资标的汇总. 17 图 1：人工智能 +医疗快速发展. 4 图 2：AI+ 医疗的各类应用场景 . 4 图 3：产业处于第一阶段，数据的整合与共享是推动“人工智能+医疗”发展的核心因素. 5 图
3、4： “AI+ 医疗”大部分应用处于“从0 到 1”阶段，医学影像识别与辅助诊疗相对成熟. 6 图 5：借助图像识别和深度学习，诊断效果提升. 7 图 6：人工智能医学影像诊断准确率提高. 7 图 7：人工智能 +医学影像的应用案例 . 9 图 8：X 光、 CT、核磁共振、超声设备，以及数字化病理系统. 10 图 9：不同类型医疗影像识别领域的参与公司 . 9 图 10：医疗影像创业公司处于发展初期 . 11 图 12：医学影像产业链情况 . 14 图 13：YAPACS远程专家影像诊断系统. 15 图 14：CFDA 认证流程 . 16 图 15：AI+ 医学影像产品在上下游的变现方式.
4、17 一、医学影像识别有望成为AI 较快落地的领域 1、“人工智能 +医疗”驶入快车道 “人工智能 +医疗”快速发展。医学是一门靠归纳逻辑、经验学习、循证运用的学科，人工智能在 这个行业可以发挥重要作用。同时，我国医疗资源短缺，供给严重不足，人工智能在医疗行业的应 用可以提升医生工作效率，变相提升医疗资源的供给。在政策推动和算法红利的促进下，“人工智 能+医疗”快速发展，根据中国数字医疗网统计，2016 年中国 AI+医疗市场规模达到96.61 亿元， 增长率为 37.9 ，中国 AI+ 医疗市场规模在持续增长，2017 年将超 130 亿元，增长 40.7 ，有望 在 2018 年市场规模达
5、到200 亿元。 图 1：人工智能 +医疗快速发展 数据来源： HC3i，东方证券研究所 人工智能在医疗行业的各环节均有应用。1诊前：可用于个体或群体性疾病的预测，并给出健康 建议。 2诊中：人工智能可以辅助诊断、辅助治疗，降低误诊率。3诊后：能通过计算机视觉、 图像识别和视频分析等渠道保证患者服药的真实性，辅助医生实现患者药物依从性的监督。4其 他环节：保险机构费用智能控制；人工智能参与到药物研发过程中，可以缩短时间、提高效率。 图 2：AI+ 医疗的各类应用场景 数据来源：东方证券研究所 产业仍处于发展初期，数据整合与共享是驱动行业发展的核心因素。AI+医疗发展的核心在于“算 法+有效数据
6、”。目前产业发展处于第一阶段。在此阶段，弱人工智能算法相对成熟，数据的整合 和共享构成行业发展的核心因素。目前，国内大多数医疗数据存储在医院，一方面，医院内部的临 床数据中心建立尚不完善，医院内部数据互联互通程度和共享程度尚低；另一方面， 医疗数据涉及 病人隐私，共享机制和规范缺乏，导致很多AI+医疗应用由于缺乏数据而止步不前。我们认为，随 着医疗数据互联互通程度的提升和共享机制的建立，AI+医疗行业发展将加速。 图 3：产业处于第一阶段，数据的整合与共享是推动“人工智能+医疗”发展的核心因素 数据来源：东方证券研究所 2、智能影像诊断是“人工智能+医疗”较快落地的应用领域 我们认为，目前已经
7、形成成型产品、在各应用场景实现小范围推广、具备高附加值的AI+医疗应用 包括两个： 1基于医学影像的智能识别；2 基于电子病历的辅助诊断。后者的典型案例是IBM Watson ，目前已经落地Watson for Oncology的肿瘤辅助诊断治疗的AI 产品，并在国际上各医院 小范围推广。而基于医学影像的智能识别，全球该领域的创业公司达1000 多家，是适合AI 技术 发挥其所长的医学应用领域。 图 4：“ AI+ 医疗”大部分应用处于“从0 到 1”阶段，医学影像识别与辅助诊疗相对成熟 数据来源： HC3i，动脉网，东方证券研究所 智能图像诊断算法相对成熟。自 2012 年深度学习技术被引入
8、图像识别数据集之后，其识别率近年 来屡创新高， 2015 年百度在ImageNet 的比赛识别错误率仅为4.58% ，高于人类水平。在各类医 学图像识别比赛或活动当中，学校和商业研究团队分别在不同病种上取得了不错成果。 表 1：“人工智能 +医疗影像”科研与商业团队针对不同病种开发的AI 产品识别准确率 团队时间内容AI 准确率人工准确率 斯坦福研究团队2017 年 1 月 25日皮肤癌诊断至少 91% 至少 91% 谷歌领导2016 年 12月 糖尿病视网膜病变诊 断 与眼科医生一致 上海交通大学、 浙江大 学联合科研团队 2017 年 8 月 核磁共振影像的直肠 癌识别准确率和速度 23 秒完成300 张影像的病灶 勾画，准确率达95.22% 5分钟完成 149张影像图 勾画，准确率为93% 香港中文大学工程学 院研究团队 2017 年 9 月 6 日 肺癌、乳腺癌影像识 别、诊断 肺癌识别准确率达91% 乳腺 癌识别准确率达99% 科大讯飞2017 年 8 月 17日肺结节智能诊断召回率达到9
