计算机行业报告：“AI医学影像”风口将至，平台分成与技术授权各具潜力-20171122-华创证券-42页-3mb

“AI+医学影像”行业分析总结

核心内容

“AI+医学影像”作为人工智能与医疗影像的融合领域，正迎来快速发展机遇。随着医学影像数据的快速增长与放射科医生数量增长缓慢，AI技术在医学影像诊断中的应用潜力巨大。政策支持与技术进步共同推动该行业进入商业化阶段，科技巨头和创业公司纷纷布局，形成多元竞争格局。

主要观点

1. 医学影像诊断需求迫切，“AI+医学影像”有望破解行业痛点

• 医学影像数据年增长率约为30%，而放射科医生年增长率仅为4.1%，医生缺口大，任务繁重，误诊漏诊率高。
• AI技术在医学影像领域的应用可显著提升诊断效率与准确性，降低医生工作负担，提高诊疗质量。
• 随着AI技术渗透率的提升，预计“AI+医学影像”诊断市场将快速增长。

2. 政策与技术双重驱动，“AI+医学影像”蓄势待发

• 国家政策持续支持医学影像行业及“AI+医疗”发展，如《新一代人工智能发展规划》等，推动行业规范化与产业化。
• 技术层面，深度学习平台和框架的开源降低了算法开发门槛，算力的提升（如GPU、FPGA、TPU）为AI应用提供了坚实支撑。
• 高质量数据获取和标注能力成为AI医学影像公司核心竞争力，随着医疗大数据时代的到来，数据规模与质量将显著提升。

3. 科技巨头加速跑马圈地，创业公司受资本热捧

• IBM、谷歌、腾讯、阿里、科大讯飞等科技巨头在“AI+医学影像”领域快速布局，技术与资源整合能力强。
• 创业公司成为资本投资热点，融资数量和金额增长迅速，推动AI技术在医学影像领域的落地。

4. 商业模式逐渐明晰，平台分成与技术授权各具潜力

• 平台分成模式适合对接基层医院，具备边际成本递减的优势，覆盖B2B及B2B2C领域。
• 技术授权模式适合大型医院和影像设备厂商，具备技术优势的公司可通过授权实现变现。

关键信息

• 医学影像数据增长：中国年增长率30%，美国年增长率63.1%。
• 医生缺口：中国放射科医生与影像数据增长不匹配，美国病理科医生平均2000人/位，中国则为7万人/位。
• AI诊断准确率：部分AI系统已达到90%以上准确率，如DeepCare、阿里健康Doctor You、腾讯觅影、科大讯飞LUNA评测第一。
• 市场空间：预计到2020年，中国医学影像市场规模可达6000亿至8000亿，其中诊断环节占比约20%，对应潜在市场空间为280亿元。
• 技术突破：深度学习算法的成熟、GPU与FPGA算力的提升、TPU专用芯片的开发，为AI医学影像应用提供了技术保障。
• 政策支持：国家出台多项政策支持医学影像行业及AI医疗发展，推动行业标准化与产业化。

推荐公司

• 推荐公司：万东医疗、科大讯飞、东软集团
• 一级市场关注：推想科技、依图科技、雅森科技、健培科技、汇医慧影

风险提示

• 技术进步不达预期
• 资源整合速度不达预期
• 市场竞争程度超出预期

行业趋势

• 医学影像诊断市场将保持快速增长，AI技术逐步落地，推动行业效率和质量提升。
• 云平台与大数据技术将加速AI在医学影像中的应用，提升数据共享与分析能力。
• 未来AI在医学影像领域的应用将更加广泛，涵盖病灶识别、靶区勾画、三维重建等多场景。

未来展望

• 随着技术成熟和政策支持，AI在医学影像诊断中的应用将逐步扩大，推动精准医疗发展。
• 医疗大数据的积累和共享将为AI提供更丰富的训练数据，进一步提升诊断准确率和效率。
• AI与医学影像的结合将为患者、医生和医院带来多重益处，包括更快速的检查、更精准的诊断和更高效的资源利用。

图表目录（摘要）

• 图表1：医学影像行业产业链
• 图表2：各地政府基层医疗相关政策颁布数量
• 图表3：国内分级诊疗体系
• 图表4：国内主要第三方医学影像中心
• 图表5：放射科医生数量增长远不及医学影像数据增长
• 图表6：与美国比较，病理科医生存在较大的缺口
• 图表7：医学影像领域的患者痛点与医生痛点
• 图表8：我国医学影像建设水平仍落后于美国
• 图表9：中国影像误诊人数远高于美国
• 图表10：借助图像识别和深度学习，影像诊断效果显著提升
• 图表11：人工智能参与医学影像诊断的方式
• 图表12：人工智能在医学影像三大应用场景下的参与企业
• 图表13：人工智能与医学影像结合能大幅降低误诊、漏诊率
• 图表14：人工阅片与AI阅片对比
• 图表15：患者、医师和医院均将受益于“AI+医学影像”
• 图表16：“AI+医学影像”不断实现突破
• 图表17：2009-2018年美国医疗影像诊断市场规模
• 图表18：国家政策助力医学影像行业发展
• 图表19：国家对医疗领域提出人工智能发展要求
• 图表20：人工智能+医疗技术成熟度分布
• 图表21：深度学习是人工智能技术的历史性突破
• 图表22：2010-2015年ImageNet ILSVRC大赛冠军团队识别分类的错误率
• 图表23：大量深度学习平台和框架开源降低技术门槛
• 图表24：FPGA硬件架构
• 图表25：CPU和GPU呈现出非常不同的架构
• 图表26：TPU, GPU, CPU 和改进的TPU 的性能对比
• 图表27：FPGA与GPU性能与功耗对比分析
• 图表28：全球医疗数据量2013年以来年增长率达48%
• 图表29：2020年人类医疗数据总量预测（万亿GB）
• 图表30：我国医疗数据特征
• 图表31：科技巨头在医疗人工智能领域的布局
• 图表32：IBM Watson辅助诊疗过程
• 图表33：IBM Watson在“AI+医学影像”领域的优势
• 图表34：谷歌利用人工智能更准确地识别肿瘤
• 图表35：科大讯飞医学影像辅助诊断系统
• 图表36：科大讯飞在LUNA评测中获得第一并刷新世界纪录
• 图表37：国内医疗人工智能历年融资情况（百万元人民币）
• 图表38：国内医疗人工智能企业图谱
• 图表39：部分医学影像人工智能公司融资情况
• 图表40：部分“AI+医疗影像”创业公司业务情况
• 图表41：AI+医学影像行业商业模式分析
• 图表42：代表公司的商业模式分析
• 图表43：我国各类医疗机构数量（万家）
• 图表44：公司影像设备产品业务线
• 图表45：万里云平台——打造一站式影像检查和诊断服务
• 图表46：万里云股权结构
• 图表47：万里云签约医生数量和日阅片量高速增长
• 图表48：万里云平台架构