1.1 人工智能+医疗健康发展背景

人工智能+医疗健康是医药卫生行业与信息通信技术融合创新的产物，将成为医疗健康行业发展与转型升级的重要方向。人口老龄化、医疗资源配置结构性失衡、人工智能技术的快速发展等宏观环境有力推动人工智能+医疗健康迈向广阔的发展空间，并且正处于发展的关键时期。未来，随着人工智能技术的快速发展、新产品开发的加快和企业经营实力与创新能力的不断增强，人工智能+医疗健康将向纵深方向发展。

1.1.1 行业痛点激发新需求

医疗健康是人民群众最根本的民生需求之一。健康服务行业以维护和促进人民群众身心健康为目标，主要包括医疗服务、健康管理与促进、健康保险以及相关服务，涉及药品、医疗器械、保健用品、保健食品、健身产品等支撑产业，覆盖面广，产业链长。医疗服务行业是指对患者进行诊断、治疗、防疫、接生、计划生育方面的服务，以及与之相关的提供药品、医疗用具、病房住宿和伙食等业务，是健康服务业的重要组成部分。当前，我国医疗健康行业的核心痛点在于医疗健康服务能力无法满足人民群众日益增长的服务需求。

在需求侧方面，医疗健康服务需求持续快速增长。一是人口老龄化加速。国际上通常的看法是，当一个国家或地区60岁及以上老年人口占人口总数的10%，或65岁及以上老年人口占人口总数的7%，就意味着这个国家或地区进入老龄化社会。根据世界银行统计数据显示，我国2002年65岁及以上人口占比7.01%，已进入老龄化社会，2010年进入深度老龄化阶段，即65岁及以上人口超过总人口14%。预计2035年后，我国将和英国等欧洲国家一起进入超级老龄化社会，即65岁及以上人口超过总人口的20%。二是慢性病蔓延，亚健康常态化。心脏病、高血压、糖尿病等慢性病呈每年递增态势，据国家卫生健康委员会最新统计数据显示，我国现有慢性病患者已经超过2.6亿，由慢性病导致的疾病负担占到总疾病负担的近70%，慢性病导致的死亡人数占到了所有人数死亡人数的85%左右。

在供给侧方面，一是医疗资源总量不足。我国医疗资源总量匮乏而人口众多，形成巨大资源缺口。据世界银行最新数据统计，我国每千人口医生和护士数量均为1.9人，低于同等收入水平的国家，与高收入国家差距更大（每千人口医生数量低1人、护士数量低6.7人）。《2016中国卫生和计划生育统计年鉴》显示，全国有超过76亿人次进行门诊寻医，人均就诊5.6次，包括各类医院、基础保健机构等。二是资源不均。优质的医疗资源向大城市倾斜，据《2015中国卫生和计划生育统计年鉴》数据显示，我国46%的三甲医院位于东部地区，西部地区的三甲医院数量仅占23%。《中国医院竞争力报告（2016）》显示，我国优质医院集中于东部沿海，顶级医院集中在北京、上海和广州，其中北京以17家的保有量居首位。大量患者涌入一线城市求医问诊，核心医院人满为患、医生超负荷工作，加大了医患紧张关系。三是供需失衡。医疗资源向综合型医院集中，供需矛盾不断激化。原本定位于“收治急危病症、疑难杂症和人才培养”的大医院却大小疾病皆收，而普通医院及基层医疗机构却有大量资源被闲置浪费。数据显示，只有8%的患者首诊会选择社区医院，53%的患者就医首选知名公立医院，43%的患者首诊时会直接选择特需门诊或专家号。据测算，全国有近6成闲置的基层医疗设备和95万张利用不充分的床位资源有待激活，优质医疗机构和非核心医疗机构供需不均衡的局面还在加剧。

当前形势下，大力推进人工智能+医疗健康，给予医疗健康行业新的机遇和新的方向，人工智能的应用将有效促进医疗健康服务的创新供给和信息资源的开放共享，大幅提升医疗健康服务能力和普惠水平。

1.1.2 技术突破提供新手段

人工智能的概念虽然在20世纪已经出现，但由于彼时软硬件条件不成熟，数据资源短缺，人工智能并未得到广泛的应用。如今，随着计算能力、算法模型、数据资源等基础技术条件的日渐成熟，人工智能开始应用在各个领域。

在计算能力方面，图形处理器（GPU）显著提升了计算性能，拥有远超中央处理器（CPU）的并行计算能力。由于处理器的计算方式不同，CPU擅长处理面向操作系统和应用程序的通用计算任务，而GPU擅长完成与显示相关的数据处理。CPU计算使用基于X86指令集的串行架构，适合快速完成计算任务。GPU拥有多内核处理并行计算，适合处理3D图像中上百万的图像像素。此外，现场可编程的陈列（FPGA Field Programmable Gate Array）也在越来越多地应用在AI领域。FPGA是在PAL、GAL、CPLD等可编程逻辑器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。一方面，FPGA是可编程重构的硬件，相比GPU有更强大的可调控能力；另一方面，与日增长的门电路资源和内存带宽使得它有更大的设计空间。由于深层神经网络包含多个隐藏层，大量神经元之间的联系计算具有高并行性的特点，具备支撑大规模并行计算的FPGA和GPU架构已成为了现阶段深度学习的主流硬件平台。FPGA和GPU架构能够根据应用的特点定制计算和存储的结构，方便算法进行微调和优化，实现硬件与算法的最佳匹配，获得较高的性能功耗比。

在算法模型方面，深度学习是当前研究和应用的热点算法，也是人工智能的重要领域。深度学习通过构建多隐层模型和学习海量训练数据，可以获取到数据有用的特征。通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集。深度学习采用层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。深度学习驱动图像识别精度大幅度提升。2012年，深度学习模型首次被应用在图像识别大赛（ImageNet），将错误率降至16.4%，一举夺冠。2015年，微软公司通过152层的深度网络，将图像识别错误率降至3.57%，而人眼的辨识错误率约在5.1%，深度学习模型的识别能力已经超过了人眼。自Hinton提出DBN（深度置信网络）以来，深度学习的发展经历了一个快速迭代的周期，其中卷积神经网络（CNN,Convolutional Neural Network）目前已成为图像识别领域应用最广泛的算法模型。在利用卷积神经网络（CNN）进行图像理解的过程中，图像以像素矩阵形式作为原始输入，第一层神经网络的学习功能通常是检测特定方向和形状的边缘存在与否，以及这些边缘在图像中的位置；第二层往往会检测多种边缘的特定布局，同时忽略边缘位置的微小变化；第三层可以把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会通过全连接层来把这些部分组合起来，实现物体的识别。目前，CNN已广泛应用于医疗健康行业特别是医疗影像辅助诊断，用以实现病变检测和特定疾病的早期筛查。

在数据资源方面，医疗和健康养老数据产生的场景较多，主要可以分为四大类：一是医疗机构数据。医疗机构每年都会产生海量的数据，一般医疗机构每年会产生1~20TB的相关数据，个别大规模医院的年医疗数据甚至达到了PB级别。从数据种类上来看，医疗机构数据不仅涉及服务结算数据、行政管理数据，还涉及大量复杂的门诊数据，包括门诊记录、住院记录、影像学记录、用药记录、手术记录、医保数据等；二是基因及临床试验数据。大量基因数据、临床试验数据的积累促进人类对疾病与基因之间映射关系的认识加深，针对患者个体的精准医疗和远程医疗成为可能；三是患者数据。患者自身的、在院外的行为和感官产生的数据，主要包括可穿戴设备、各类网上轻医疗平台采集的数据、体征类健康管理数据、网络行为数据（例如挂号问诊、网络购药、健康管理、医患病友交流等）等；四是医保及支付数据。一切与付费方相关的审核/报销记录，主要包括患者的支付记录、报销记录、医药流通记录等。各种医疗健康数据的互通共享形成了个人完整生命周期的医疗健康大数据，为人工智能技术在医疗健康行业的应用提供了有力的支撑。

1.1.3 政策出台营造新环境

近年来，人工智能在全球范围内的关注度日渐升高，发展速度迅猛，已经成为世界各国的战略布局重点。中国、美国、日本、英国等国家和欧盟陆续出台了与人工智能有关的战略、政策和计划，来应对当前白热化的人工智能浪潮。美国于2016年发布了《为人工智能的未来做好准备》《国家人工智能研究与发展策略计划》和《人工智能、自动化与经济报告》3大报告，人工智能在美国国家发展中的战略地位正不断提升。在欧盟，2013年提出了人脑计划，项目为期10年，经费高达12亿欧元。人脑计划某种程度上决定着计算机技术的发展方向，为物联网和人工智能领域带来更多的可能性，对欧盟的经济和社会产生巨大影响。

近年来，中国各相关政府部门陆续颁布了多项政策，从人才培养、技术创新、标准监管、行业融合、产品落地等方面做出了相关指导。2016年，国务院办公厅发布了《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》，明确指出“支持研发健康医疗相关的人工智能技术、生物三维（3D）打印技术、医用机器人、大型医疗设备、健康和康复辅助器械、可穿戴设备以及相关微型传感器件”。2016年，国家发展改革委、科技部、工业和信息化部、中央网信办联合发布《“互联网+”人工智能三年行动实施方案》，明确指出“支持在制造、教育、环境、交通、商业、健康医疗、网络安全、社会治理等重要领域开展人工智能应用试点示范”。2017年，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，指出重点发展“医疗影像辅助诊断系统。推动医学影像数据采集标准化与规范化，支持脑、肺、眼、骨、心脑血管、乳腺等典型疾病领域的医学影像辅助诊断技术研发，加快医疗影像辅助诊断系统的产品化及临床辅助应用。”