年增长率60%、市场规模已超百亿的AIGC，正一头扎进医疗

AIGC（生成式AI）究竟有多火？如果你亲历了5月初在上海张江科学会堂举办的“第七届未来医疗100强”中的“生成式AI与医疗健康论坛”，大抵会有一些实际的感受。原本容乃近200人左右的会议室硬塞进了接近300人，且会议室门口仍不断有人试图进入会场，但面临如此盛况不得不放弃进入。甚至主办方安排的官方摄影师在论坛开始时也差点未能进入会场。

第七届未来医疗100强生成式AI与医疗健康论坛现场盛况

如果查看一下嘉宾名单不难发现端倪，来自中国医院协会信息专委会、启明创投、智谱华章、英矽智能、深势科技、左手医生、复动肌骨、正岸科技、蛋壳研究院、透彻未来等单位的专家齐聚一堂，涵盖AIGC+医疗的政策、研究、投资和应用等方方面面。

AIGC究竟可以在哪些方面为医疗健康赋能？目前国内已经有了什么样的进展？动脉网了解行业状况后形成本文，希望为行业提供参考。

火热的AIGC究竟可以在哪些方面赋能临床？

自Chat-GPT为代表的AIGC在年初的走红开始，其巨大的应用潜力就被医疗行业所关注。目前，AIGC已贯穿从诊前到诊后的整个临床流程。

在诊前阶段，AIGC可以利用其强大的资料检索和推理能力增强对患者疾病的预测，从而提升分诊导诊的准确性。AIGC的拟人化程度比以往的人机对话要强得多，有助于改善患者体验。这被认为是AIGC+医疗一个重要的应用突破。

在诊中阶段，AIGC被认为可在辅助诊断、AI影像及手术机器人等多个细分场景发挥作用。辅助诊断则是AIGC应用在医疗领域的焦点所在。基于患者的病历、症状和疾病历史等多模态数据，AIGC通过数据分析和智能算法可为医生提供辅助诊断、指导治疗方案和预后方案。

AIGC还能帮助实现临床路径优化，通过对大量临床数据进行分析，发现最佳实践和治疗模式。这有助于在提高患者治疗效果的同时降低医疗成本，并根据患者的个人特征、疾病类型和治疗方案等信息预测治疗结果。医生可以借此选择最合适的临床路径，提高患者满意度。

对于医生而言，AIGC也是一个方便的医学指南库，能帮助他们及时了解最新的医学研究进展、循证医学证据和临床指南，从而提升专业水平并促进医疗质量提升。

AIGC在自然语言处理上的强大能力使其尤其适合加速临床文档工作流程实现自动化和增强并优化交互场景。比如，辅助医生通过口述或手写记录生成结构化的电子病历，大幅减少医生花在文书工作上的时间。同时，模型还可以从病历中抽取有价值的信息，发现患者群体的特征和趋势。目前，不光是国际巨头已经加以实施，国内也已有相应的产品问世。

医学影像本就是AI应用最深入的领域之一，AIGC则可起到三方面的加强。其一是基于原始数据生成合成数据，将其应用于最终结果的生成，实现影像增强。这将打破影像设备成像原理和技术限制，降低不当操作导致的影响质量降低。

其二是在模型训练阶段，AIGC则可生成大量合成影像数据进行数据扩充以用于模型训练。这将有利于研发人员开拓某些数据缺失的场景，如罕见病或数据分布不均的领域。

其三是利用AIGC基于现有数据对未来进行预估。不同于传统分析式AI通过数据训练得到较为确定的结果，AIGC更多是对健康状况和疾病风险的预估。比如，行业已实现通过观察人群视网膜血管和神经的发展变化，让AIGC自学并判断受检者接下来的发展变化，评估未来心脑血管病的风险。此外，AIGC在包括老年痴呆风险预测、近视进展预测等领域也在进行探索。

AIGC在手术机器人的应用实际上仍是AI影像的延伸应用。由于智能手术导航等基于AI影像的技术目前已经被手术机器人广泛应用，AIGC可以在术前规划及引导阶段生成全新手术方案，减少手术风险和难度；同时，AIGC也可通过对现有数据的分析，支持更加精细可靠的质量控制和风险管理。

同样基于AI影像的延伸则是AIGC在病理领域的探索。据统计，我国病理执业医师及助理执业医师约为1万人，远低于美国、欧洲等发达国家水平；我国每百万人中病理医生的数量指标约为0.08，远低于美国、欧洲的0.9、0.81。这导致国内病理医生的工作量是国外的5-10倍之多。

AIGC则可以加速做到评估的标准化，辅助医生减少误诊漏诊。更为重要的是，AIGC还可以辅助医生完成繁重的报告文书工作，并生成更为精准定量的报告。

在诊后阶段，AIGC可以作为复诊的辅助工具，在线7×24小时回答患者关于病情、药物副作用、预防措施等方面的问题；也可以作为宣教工具，向患者传授正确的健康知识和预防措施。所有这些都将有助于提高患者满意度，减轻医务人员的负担。

慢病管理、康复及心理等长程疾病又该如何应用AIGC？

AIGC也可以在院外健康管理或康复训练中进一步扩展AI的应用边界。AIGC可以基于患者的多模态数据，提供多元化、个性化的健康管理及康复服务，极大地延伸慢病管理服务“上下游”。目前，国内慢病行业和康复行业都已推出相应的大模型，探索AIGC在这一领域的应用。

以康复领域为例，国内康复医疗资源匮乏，AIGC与远程治疗的结合可以极大提升国内康复治疗的可及性，患者足不出户即可快速接受远程评估，并获得有针对性的康复方案。同时，AIGC可以在康复中起到标准化治疗的作用，其所输出的方案也可为初级治疗师所参考。此外，AIGC的自动化操作也可以极大帮助康复机构运营的降本增效。

在康复治疗中，AIGC通过对患者的多模态评估数据（包括用户基本信息、评估结果、问诊结果、病历信息、机器视觉采集的体态评估及可穿戴传感器收集的数据）进行分析。为患者生成一个接近最优的康复方案。

AIGC可预估康复患者的恢复状况，将康复方案按时间节点进行拆解，生成渐进式的康复方案。它可以输出相应的康复训练动作，并根据这个动作输出进一步的动作，环环相扣，从而提升患者康复治疗的效果。

可喜的是，AIGC在心理健康领域也展现出了巨大潜力。与康复训练类似，心理健康医疗资源在国内严重不足且可及性差。因此，数字化赋能的数字疗法在心理健康领域颇受关注。

在基于CBT内核的数字疗法中，其在表现形式上主要呈现为人机对话的方式。但业界公认人机对话最大的挑战在于当前的技术对模拟真人咨询师和患者交流对话的拟人度较差——恰恰在心理问题的治疗中，患者和治疗师建立的信任关系对于治疗效果至关重要。这导致患者对疗法难以信任，依从性不佳，从而影响治疗效果。

相比以往，AIGC的人机对话能力非常显著，可以提高对话的流畅度、自然度以及逻辑性，从而提升治疗效果。

不过，业界认为AIGC目前在心理治疗中也并非尽善尽美。主讲嘉宾表示，心理治疗需要实现基于对话的长程治疗。理想的模式下AIGC可以记住用户的历史，并能根据以往的反馈与患者交流。不过，目前即使是最先进的AIGC在模型结构设计上就决定了长程记忆能力的缺失，还需要在未来加以改进。

AIGC在国内新药研发中的颠覆

除了临床，新药研发被认为是AIGC可以颠覆现有模式的领域。传统的药物研发面临研发费用高、成功率低、研发周期长的问题，原因主要来自于三方面：其一是难以发现好的靶点，属于生物学问题；其二是难以合成好的分子，属于化学问题；其三则是如何更好地设计临床实验方案。

新药研发领域的主讲嘉宾认为，在以往的药物研发中，First-in-Class产品有着很高的价值，但领先往往意味着没有可供参考的既有数据。不过，药物作用在微观层面可以被抽象成药物分子和蛋白质之间的相互作用问题，本质上可以由原子和原子之间相互作用物理模型来精准求解。AIGC可以学习这些复杂的物理规律，进而求解这些物理规律所对应的工业研发问题，从而使得这一传统上非常缓慢的求解过程得以大幅加速。

此外，AIGC还可以处理数据量特别大或者很难处理的数据，比如蛋白质结构预测问题。任何给定的蛋白质可以做什么取决于其独特的3D结构。例如，构成我们免疫系统的抗体蛋白质是“Y形”的，类似于独特的钩子。通过锁定病毒和细菌，抗体蛋白能够检测和标记引起疾病的微生物以进行消灭。

DNA信息仅包含有关蛋白质构建块序列的信息并形成长链。这些长链在折叠成蛋白质的复杂3D结构时则具有无数种可能性，想要对其结构进行预测曾被认为几乎是不可能的。AIGC可以学习从蛋白质的序列到蛋白质的结构之间的映射关系，并基于其强大的算力解决复杂的高维数据映射处理问题，从而实现蛋白质结构预测。

不光是预测蛋白质结构，目前，AIGC甚至可以根据预先设定的性能和结构，来生成全新的、自然界完全不存在的蛋白质。

无论是用AIGC学习事物底层运作的一系列科学原理加以应用，还是通过复杂的科学数据重新提取，帮助人们发现底层规律，AIGC已经被证明其在新药研发的价值。据动脉网了解，国内在这一领域的探索颇为值得一提，行业不仅早在2016年就开始应用AIGC，且已打造出针对生物问题和化学问题的完整AIGC平台。

据了解，国内新药研发行业已利用AIGC寻找到针对特发性肺纤维化这一罕见病的新靶点，并基于此生成新的待选化合物，未来或可替代具有强烈副作用的现行药物。此外，针对新冠肺炎，乃至针对广谱冠状病毒的新化合物也有了明显进展。

即将井喷的AIGC正面临哪些挑战？

不过，AIGC的发展也面临相应的挑战。其中，由于AIGC高度依赖数据，来自数据的挑战与日俱增。2022年，我国发布《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》（简称“数据二十条”），给数据价值的释放提供了基础。

根据IDC的研究，医疗健康数据的增长是各个行业中增长最快的，年复合数据增长率高达36%。但受制于诸多因素，这些数据如同页岩油一样分散在各个环节，难以发挥数据应用的价值。

这其中，导致数据应用阻碍的最重要的原因在于医疗健康数据的权属不明。“数据二十条”则通过制度创新的方式避开数据所有权的陷阱，将使用权、控制权，加工及受益权“三权分制”，以使数据资源流动起来发挥价值。

主讲嘉宾认为，AIGC对数据的应用需要尤其注意两方面的问题。其一是数据的可访问性，数据和数据所包含的含义是包含场景和对象的，若访问性不佳则无法具体理解数据在场景中的含义，这对大模型为基础的AIGC而言，是必须要解决的问题。其二则是数据伦理问题，尤其是需要重视数据偏见，要保证AIGC训练数据的公平性，否则可能会导致意想不到的后果。

第七届未来医疗100强生成式AI与医疗健康论坛现场盛况

除了数据上的挑战，业界认为在即将到来的AIGC基础设施高速发展过程中还会遇到不少挑战。首先是跨学科人才的缺乏。在此之前，AIGC模型并没有如此大规模的工程化体系和能力，对于跨学科人才提出了新的要求。

其次，是对于AIGC发展所需的硬件基础设施的一系列挑战，比如芯片、网络及存储等各方面的需求，尤其在当下我国倡导自主创新的背景下，这一问题显得较为突出。

最后则是对于应用端的挑战。对于应用端而言，在AIGC时代最关键的是如何把这些问题转化成一系列的适合用AI求解的问题。这将导致研发流程的改变，如何提出关键性的问题，让AIGC予以解答。

目前，国内正加紧改善AIGC基础设施建设，高性能基座模型是其中的重中之重。自2023年ChatGPT走红以来，国内多家企业及科研院所陆续跟进，发布各自的大模型。据不完全统计，目前国内已有超过20个AIGC大模型，主要分为大型科技公司、科研院校和初创科技团队三类。

相比国际先进水平，国内的大模型水平略有差距，但并非遥不可及。事实上，早在2022年，国内的高精度双语稠密千亿大模型在国外权威机构的评测中就与其所对标的GPT3基本持平甚至略有超过。

相比之下，基于潜在的国内算力受限的问题，国内的大模型发展的一个方向或许更需要强调优化。目前，国内已实现只需要通常大模型十分之一甚至十五分之一的成本就可以运行的大模型，且参数规模突破千亿。更为难得的是，该模型还未雨绸缪地对国产芯片也提供了支持。

此外，AIGC的输出结果仍然存在真假难辨的问题。正因为此，ChatGPT可以一本正经地胡说八道。这在严肃的医疗健康领域是绝对不能允许的，需要在未来加强优化和监督。

以康复领域的大模型应用为例，AIGC在模型训练初期也会给出一些“啼笑皆非”的结果，比如，模型会在患者刚做完手术，脚上还打着石膏的阶段给出游泳的方案。当然，随着模型的迭代，这些问题都将得到极大的改善。

据介绍，AIGC目前已经可以给出治疗师相对认可的结果。通过专业治疗师和医生对结果进行调整和优化，最终又会成为模型训练数据的补充，并使模型得到迭代。

正因为此，行业认为AIGC有望成为医疗行业的底座。一方面，AIGC可以帮助医生提升效率，避免漏诊和误诊；另一方面，AIGC也具有强大的学习能力，通过长期跟随专家学习获得更多的专家经验，实现专家经验的传承，让每个人都能有一个智能医生。

此外，AIGC并非万能。在AIGC赋能医疗的过程中应该尤其明确它是赋能而非取代。因此，最为重要的是业务认知，并思考如何利用AIGC能力重新进行产品设计。这个过程中要搞清楚AIGC的优势和劣势，并根据业务场景需要设计相应的模块弥补AIGC的不足。

以前述心理健康AI应用的长程记忆问题为例，主讲嘉宾认为更为合适的思路便是在对话过程中加入小模型，抽取对话数据关键信息，作为用户画像留存。后续治疗的时候，AIGC可以检索关键信息，从而变相实现长程记忆能力。

不难看出，AIGC在未来的流行也并不意味着小模型的消亡，两者应该是互为辅助的关系。以心理治疗为例，大模型代表了未来，但在心理分析任务中，小模型仍然可以发挥重要的作用。

根据调研，全球AIGC市场规模增长迅猛，2022年其市场规模约为9亿美元，2023年预计将达18亿美元，2027年或将达到121亿美元，年复合增长率高达60%。正因为此，越来越多的创业者正试图在AIGC赛道掘金。

但AIGC的创业之道注定艰辛，选择最适合自己的路径无疑是首先要解决的问题。

根据专业投资人的总结，AIGC创业目前有两种模式，一种方式适合资本、技术、数据资产俱佳的大厂，可以自己搭建强大的AIGC模型。一种方式则适合则更适合广大的创新企业，即利用大厂已有的大模型能力，再结合自身特色打造特色能力。

但无论哪种都需要解决巨大的投资问题。据动脉网了解，专业投资人更关注AIGC企业在三方面的能力，第一是想象力，即如何把医疗的问题抽象化、数字化，将非常考验团队想象力。第二是数据获取能力。第三则是产品力和商品力，代表团队需要有非常敏锐的嗅觉，了解客户最核心的需求。

写在最后

即使最乐观的人，在即将到来的AIGC时代也不得不担心AIGC可能对人类现有体系的巨大冲击。目前，AIGC在代码工程、实验自动化等诸多领域已可取代人类完多种工程问题，但主讲嘉宾向动脉网表示，人们只要具备三项核心能力，就不用担心被AIGC取代。

首先是工程思维，这代表发现和定义问题的方式——只要能定义出一个好问题，就能找到AI自动化的工具来解决。

其次是创造力。创造力是能够突破人类现有认知边界或生产力边界的想法，其底层来自于人类对科学的好奇或对人文的关怀。无论是创造新的文学，还是发现新的科学规律，其本质仍然是创造力。

最后，AIGC永远无法替代人的能力是领导力。只有人才能团结人，把团队捏合在一起，带领团队去解决个人无法完成的困难问题。

本文来自微信公众号“动脉网”（ID：vcbeat），作者：陈鹏，36氪经授权发布。