7月5日,CAN+赛博坦机器人学院名誉院长、北航机器人研究所名誉所长、中关村智友研究院院长王田苗,以《AI赋能医工交叉,加速医疗创新及成果转化》为主题,在2024未来医疗科技大会上发表演讲。
王田苗认为,AI正在成为医工交叉最重要的新动力引擎,有望借助于这种新的动力引擎机会进一步加速我国高端医疗器械行业发展;未来3-5年,AI有望在新药研发、疾病预防与检测、医疗机器人手术规划等五大细分方向产生突破与落地;但现阶段,AI+医工交叉的创新创业仍面临层层挑战,三大破局思路进入“验证期”。
在演讲内容基础上,王博士又围绕相关重要议题进行了更深入的思考,内容由中关村智友研究院整理,以供读者参考。
文章来源:中关村智友研究院(ID:zgc-ir)
AI是医工交叉的新动力引擎:
根据财政部、沙利文等公布的相关数据显示,当前,全球医疗器械市场正经历显著扩张,2023年市场规模已跃升至约6160亿美元,同比增长7.09%。中国医疗器械行业在近年来发展迅速,尤其是疫情期间年均增长率超60%,远高于医药市场的增速(约11.28%)。同时,中国医疗市场同样展现出强劲潜力,卫生总费用从2017年至2022年增长近65%,年均增速超10%,预计“十四五”末将达12万亿元,2030年或超16万亿元。
然而,中国医疗费用占GDP比例低于发达国家水平,中国药械比仍低于国际水平。
在全球市场中,中国医疗器械企业的销售与市值显著落后于国际巨头,大约有十倍差距,行业集中度也较低,前20强仅占国内市场的10.76%,远低于全球57.09%的集中度。
面对现状,中国医疗器械产业需加快技术创新,提升市场竞争力,并促进产业链整合,以缩小与国际同行的差距,把握市场潜力巨大的发展机遇。
在近期的孵化投资市场中,智友&雅瑞围绕AI+医工交叉创新方面的新产品新技术,分别从孵化生态与投资项目方面大胆开展了有效尝试,包括神经外科与骨科机器人、眼科精准治疗、生物样本冻存保护剂、量子精密传感心脑磁图仪等等医疗细分领域AI助力创新;同时,我们也看到在CMEF2023--2024世界最大医疗器械博览会上,医疗机器人与微纳手术执行器、AI与医疗影像、IVD体外诊断与高端生物材料等等,无不在向行业内外人士展示,医工交叉+AI已经成为新动力引擎。
王田苗预测,中国医疗器械产业2024年将超过1万亿,增长率高达12-15%,占全球市场25-28%;AI与机器人、医用材料3D打印、生物检测等医工交叉将在2025年出现拐点。
AI、新材料、生化实验正在成为医工交叉创新新动力,为医疗机构与患者提供重要的技术支撑手段与工具,创造医患友好的高效服务,刺激新医疗器械开发,解决疑难病与慢性病,降低了不必要的医疗费用,优化了医疗资源配置等,推动我国医疗器械和服务等方面的新质生产力发展。
未来3-5年,
新药研发、疾病预防诊疗等方向
1.AI大模型赋能的临床辅助新药研发
医药领域有三个10,10年、10亿美元、成功率10%。在新冠肺炎、肿瘤、眼科糖网、肺小结节、骨质疏松、阿尔兹海默症等多种疾病的新药研发方面,往往需要大量的资金投入。利用AI深度学习、特征提取强化学习、AI大模型与数据驱动训练等,可以大幅提升相关疾病诊断速度,推进新药研发,改变固有的“三个10”。2.AI大模型+感知数据驱动个性化慢性病管理
大模型通过广泛的数据驱动学习,能够实现个性化的慢性病管理。在未来的慢性病管理中,可穿戴设备如手表、马桶、床单、枕头甚至鞋子,可能都会集成物联网传感器,通过长期监测和记录患者的生理习惯,利用多模态信息来指导和影响患者的日常生活,包括饮食、睡眠、休息、锻炼以及心理状态等,甚至临终关怀阶段。基于这种发展,大模型所带来的个性化私人AI医生助理的构想极有机会成为可能,以协助管理如糖尿病、高血压、高血脂等慢性疾病,甚至包括忧郁症和自闭症等心理疾病。结合大数据分析处理技术、多模态信息智能监护系统设备与移动终端,实现远程监控、咨询、分级诊疗与精准预防。3.微流控、生物芯片、视觉检测与机器人自动化仪器
传统疾病检测,尤其是癌症、新冠及心脑血管疾病,过程复杂且缺乏高效自动化支持。随着技术的进步,医疗领域能够利用微流控生物芯片,结合血液等生物样本,通过机器视觉技术获取丰富的数据,昼夜不间断地计算分析,对空间基因组学、空间转录组学、空间蛋白质组学和空间代谢组学等多层次信息实现快速、准确、高通量分析与诊断,研究其生物特征、行为、规律及机制。其中,机器人技术,特别是复合机器人,能够自主完成样本处理,显著提升检测效率与准确性。谷歌及各大药厂正积极研发此类技术,以大数据模型为核心,系统性解决疾病检测难题。4.多功能模块化的智能微创手术机器人与AI手术规划导航
人们一直在探索能不能利用多模块、多功能,来解决相对通用的手术技巧,包括但不限于腹腔、骨科、神经外科以及牙科手术等领域。医生可以根据手术需求更换不同的模块。但前提一定是底层大数据相对通用,因为它依托于患者身上依附组织的共性以及病源肌理的一致性。此外,针对不同国家、不同病种以及不同医生的操作习惯,手术机器人还能够形成一系列最佳手术方案。以辅助医生在医疗实践中进行选择和汇总,以达到最佳的治疗效果,提升手术的精准性、微创性和安全性。5.中医机理+AI大模型的现代化诊疗仪器
中医,是我国祖先经久沉淀出的一套医疗理念,其在慢性病和心理健康领域发挥着重要作用。但也持续存在着两个挑战性问题。首先,中医特有的诊断方法如“望、闻、问、切”、脉象诊察、针灸等,在数据采集和标准化方面一直面临困难。同时,中医医生的治疗策略多基于其个人经验和患者的具体情况,难以定量表达,导致缺乏可教育性、可重复性和可验证性。加之中医医疗设备的标准化问题,导致在中医治疗方面,我国的仪器发展水平相较于西方存在滞后。为此,王田苗提出一个观点:是否可以通过引入新的传感器技术、人工智能检测和模型,结合现代机电一体化技术,推动中医医疗设备的进步?他认为,这是一个具有挑战性的机会。除上述观点外,王田苗还相信,再生、创生组织修复及仿生生物医用材料的AI实验与发现,柔性可穿戴辅助康复设备,脑机接口的微纳器械与医学诊疗应用,生物活性、生物纳米材料及生物3D打印,智慧城市的医疗多模态大数据云管理系统等方面,也将会是AI赋能医工结合的新机会。王田苗认为,医工交叉现存问题主要集中在三个方面:第一,在现有的科技创新体系中,医工交叉的融合尚不充分。该体系广泛涉及创新、创业及创投等多个环节,融合度的欠缺直接限制了原创性重大医疗成果的产出。第二,传统研发路径缺乏迭代性和灵活性,难以紧跟探索步伐,亟需加强临床医学与工程技术的直接对话与合作。过去在创业过程中,医生多与大型企业进行交流探讨。然而,大型企业往往在接收需求后,未能即时与医生共创新,而是采取先创新后验证的合作模式。这种模式不仅延缓了国产化进程(尤其是涉及跨国企业时),与此同时还使得医生和医院在科技成果转化中的收益分配处于较低地位。第三,医工结合在机制创新上仍显不足,尚未形成以企业为主导的创新模式。在医工交叉领域,科学家和医生往往以兼职身份参与创新和创业活动,这在一定程度上拖慢了技术转化的进程。此外,医生、医院及学校在参与创新时,面临各个单位在政策法规的赋权、利益与责任不明确等问题,创新机制缺乏灵活性,亟需进一步赋予其更多自主权。但好在,目前,无论是政府,还是医院和高校,都增强了对医工结合领域的关注。首先,通过加强医学院与工科之间的合作,以及依托国家项目,能够更高效地获取并加速发展具有挑战性和原创性的重要成果。其次,为了进一步刺激创新,有些学校和医院都在大胆尝试一种“先赋权、后转化”的模式。在这种模式下,一旦成果成功转化,权益分配通常为成果持有者占70%,而学校和医院则占30%。这一变革极大地激发了创新者的积极性,相较于过去成果归属模糊的情况,此种模式更为明确和激励。所谓的“先赋权、后转化”,即在成果转化为有价值的产品或服务之前,先赋予相关方权益,待其价值明确后再进行具体的权益分配。通过这种方式,能够和资本市场进行了有效沟通,确保在确定的时间点,资金能够迅速返还给医院或创新者。同时,这也促使了医院或学校的资产公司入驻创业项目,进一步加强了双方的合作关系。在改革的思路中,还考虑到了兼职模式。当前,有两种主要的实施方式。一是鼓励具有企业家精神或冒险商业思维的学生,包括医院专家和高校工程师的教授学生,代替老师走向创业之路,形成创业责任的主体。二是当无此类学生时,可委托给专业的孵化器或技术经理人,他们在孵化过程中,通过战略规划、逐步融资,主动寻找有经验、有资源的代理CEO来推进项目。代理CEO的作用在于,当其达到一定程度时,可直接将公司出售给大公司,也可选择自己创业,成为真正的企业家。王田苗认为,“AI+医工交叉的深度融合时代正悄然到来。”报告基础上,王博士围绕以下议题进行分析:
Q:您在报告中指出,AI在医疗领域的应用或将长远推动诊疗价格向更为低廉的趋势发展。然而,在新技术刚投入市场的初期阶段,其研发、推广等成本必然处于较高水平,甚至可能显著超过传统医疗手段的成本。基于这一现实情况,您认为该如何有效推动新技术在医疗领域的落地,并使其得到消费者或患者的广泛接受?A:首先,必须实事求是地指出,当前手术、机器人及AI大模型所涉及的投资,其成本已高于传统医疗治疗手段。针对这一现象,我认为应着重考虑以下两点。首先,鉴于高昂的成本,政府应发挥引导作用,促使社会资本推动安全、可靠、实用的产品形成。这一过程中,而非完全由用户承担费用,因为医疗领域的特殊性需要政府的参与。其次,对于创新产品与服务,包括生物材料、机器人及AI模型,它们并非一经研发便可直接应用,而是需要在使用过程中不断迭代与优化,这一过程可能长达数年。因此,建议采用分类收费模式,部分费用通过商业保险覆盖,以促进产品的迭代与发展。这既有利于产品的改进,也避免了过早将其纳入集采范围,导致研发动力减弱。此外,通过政府的制度设计、保险政策以及各类引导措施,应逐步将部分创新产品与服务纳入基本医疗保险体系。以药物研发为例,新药初期价格可能较高,但随着技术的进步与产量的提升,价格逐渐降低,最终惠及广大患者。因此,不应因初期投入大就放弃创新研究,而应通过合理的政策设计与引导,实现医疗技术的不断进步与普及。Q:AI赋能医工交叉的新机会将在 3 到 5 年内实现,您认为这个实现是只在一线城市,还是说二三线城市、更低线城市也有机会?A:我们通常遵循三个逻辑步骤来推进我们的技术。首先,从初步样机或实验系统逐步过渡至部分临床应用,这一比例相对较小,具体范围大致在3%-5%,尚未达到10%。此外,有一部分技术直接进入了10%至20%的临床应用阶段,主要涵盖了在三甲医院内的应用。另一部分技术则进一步扩展至30%至50%的临床应用范围,能够在基层医疗机构实现。3-5年的新机会,是指在个别三甲医院中的初步尝试,如同手术机器人达芬奇,并非在所有医院都有应用。因此,我想强调的是,3-5年内我们的技术仅仅是开始逐步走进临床应用。Q:市面上目前已经出现大量的检测心情、状态、心率等情况的APP或穿戴设备,您认为这属于AI赋能已经实现广泛应用了吗?A:在探讨AI的逻辑时,我们需要明确其广义与狭义之分。从广义角度看,AI算法涵盖了从小模型到通过专家系统推断的广泛领域,这些数据驱动的方法均被视为AI的范畴。然而,当面临模型简化、数据量不足或模型参数有限时,这些系统可能无法长期或准确地评估特定状态。在此情境下,我们可能需要转向更复杂、更精准的传感器或更大型的AI模型以满足需求。尽管广义上AI被广泛认同,但并非所有AI系统都能满足特定需求。例如,虽然市面上存在众多ChatGPT类似产品,但用户最终可能更倾向于使用如谷歌或Open AI推出的表现卓越的模型。这表明,尽管广义上我们理解AI的广泛应用,但真正能够解决实际问题并为用户所接受的医疗AI系统,目前尚未完全成熟。然而,一旦这样的系统出现,其卓越的性能将使得其他不够准确的方法相形见绌,因为用户总是倾向于选择更好的解决方案。以财务报告或综述报告的写作为例,当我们在多个大型模型中进行选择时,往往会基于实际效果进行比较,选择表现最佳的模型。Q:国内外已经有科技企业开始尝试AI+医疗方面的应用发展,例如科大讯飞近期推出了讯飞晓医,您对此怎么看待?A:是的,当前企业都在进行一系列大胆的尝试,但这其中涉及到两个重要方面,这些方面与法律紧密相关。首先,是关于隐私保护的问题。为什么我必须每日向你透露我的饮食习惯?为什么你对我夜间的睡眠模式、甚至是我中途醒来的次数都了如指掌?为什么我的心率数据也成为你掌握的信息?这背后涉及到了法律层面的考量。我担心的是,尽管我愿意分享某些信息,但若未经我同意,企业擅自使用我的数据,这将引发严重的法律问题。其次,我们还需关注准确率和安全性问题。任何信息或数据的提供,都必须准确无误,且不能对用户造成误导。在这方面,法律也仍在探索和完善之中。当前,我们所问世的系统主要定位为咨询系统,而非诊断或治疗系统。这意味着其给出的建议和信息可能存在一定的模糊性。我个人认为,上述问题都在深入研究和推动相关标准的制定当中,这是一个必经的过程。Q:AI +医工交叉,最后落地需要多方面一起合作。您认为不管是政府、投资或者医院,落地难点在哪一部分?A:最难的部分我认为还是在政府,第一政府要在政策上鼓励,第二政府要在资金上支持,第三政府要在机制上让两者融合,提供相应的平台。因为只有这样,人们才可能会释放他个人的创新动力,同时也会引导社会资本的加持,也能够形成我们刚刚说的创新创业和创投的生态。Q:在医工交叉合作过程中,您认为应该以科技创业者为主导,还是以临床医生为主导,才能支持企业或者项目更顺畅更长久得发展?A:这要从辩证的角度来看。在生化、设计等领域,特别是在与临床紧密相关的领域中,医生的角色至关重要。医生不仅是痛点的发现者,也是检验的验证者。然而,从宏观概率来看,我们认为可以将其归纳为三七比例,即约70%的推动力量来源于以工科发展带动或牵引驱动医院临床方面研究,因为大部分的创新和突破首先由工科的创业者引领,他们通过将在工业、社会等领域成功的技术与医生进行交流,共同推动医疗领域的新工具、生物材料和设备的产生。例如,医疗机器人的发展便是典型的例证。先有机器人技术的成熟,再将其与医疗需求相结合,形成医疗器械。同样,CT技术也是基于物理学和计算机科学的发展,进而应用于医学检测。此外,激光、超声等医疗技术的应用也遵循了从物理到医学的转化过程。因此,尽管医生在医疗领域具有不可或缺的地位,但大部分的创新和进步仍然是由工科创业者首先将其前沿技术与医学领域相结合所推动的。这种结合的比例可能更接近于三七或者二八,强调工科创业者在医疗技术发展中的重要作用。Q:AI在医疗领域的赋能与应用,在所有领域或场景中,属于较快发展还是缓慢进程呢?A:是缓慢的。AI在赋能发展方面进展缓慢的原因主要归结于两大方面。首先,由于AI技术的应用涉及生命领域,其监管难度显著增加。以工业领域为例,应用过程中某个物件损坏,其影响仅限于经济成本。然而,在医疗领域,若AI技术的应用对生命体造成伤害,则后果极为严重。因此,监管和研制的难度成为阻碍其发展的首要原因。其次,AI在医疗领域的应用是医学与工程学的深度融合。这一结合不仅需要大量的资源投入,还需要丰富的经验和资金支持。相较于其他领域(如ToC、ToB等),医疗领域对AI技术的要求更为严格和复杂。如果将医疗领域的AI应用以“m”表示,那么其发展速度确实较为缓慢。