核心矛盾: 医疗 AI 的社会价值最大，但监管最严、周期最长、失败成本最高。
TAM 细分 (2025):
• 药物发现: $6.8B (30.4%) — 最大子市场，AlphaFold 引爆
• 医学影像: $4.2B (18.8%) — 最成熟，580+ FDA 批准
• 临床决策支持: $3.1B (13.8%) — 快速增长
• 电子健康记录 AI: $2.5B (11.2%) — 嵌入式 AI
• 虚拟助手/聊天机器人: $2.0B (8.9%) — 疫情后爆发
• 精准医学/基因组: $1.8B (8.0%) — 长期高价值
• 医疗管理自动化: $1.2B (5.4%) — 低壁垒入口
• 其他: $0.8B (3.6%)
| 公司 | 融资额/估值 | 阶段 | 核心产品 | 投资方 | 最新轮次 |
|---|---|---|---|---|---|
| Tempus AI | $1.3B+ (IPO) | 上市 | 精准医学 + AI 诊断 | SoftBank, NEA, Revolution | 2024 上市 |
| Recursion Pharma | $800M+ (IPO) | 上市 | AI 药物发现 | Lux, Felicis, NVentures | 2021 上市 |
| Insitro | $643M | D轮 | AI 药物发现 | a16z, CPP Investments | 2023 D轮 |
| Exscientia | $700M+ (IPO) | 上市 | AI 药物设计 | Novo Holdings, Evotec | 2021 上市 |
| Viz.ai | $295M | D轮 | AI 影像诊断 | Insight Partners, Tiger | 2022 D轮 |
| Abridge | $212M | C轮 | AI 医疗文档 | Redpoint, IVP, Spark | 2024 C轮 |
| Hippocratic AI | $278M | B轮 | 医疗 LLM | General Catalyst, a16z | 2024 B轮 |
| Aidoc | $275M | D轮 | AI 影像分析 | TCV, Alpha Square | 2023 D轮 |
| PathAI | $255M | D轮 | AI 病理诊断 | General Atlantic, D1 | 2022 D轮 |
| Nabla | $42M | B轮 | AI 临床助手 | Firstmark, Cherry | 2024 B轮 |
| 维度 | Viz.ai | Aidoc | PathAI | Tempus | Insitro | Recursion | Abridge |
|---|---|---|---|---|---|---|---|
| 子领域 | 影像分诊 | 影像分析 | 病理诊断 | 精准医学 | 药物发现 | 药物发现 | 临床文档 |
| 核心AI | CNN+规则 | CNN+LLM | 深度学习 | ML+NGS | ML+干细 | 高内涵 | LLM |
| FDA/CE | ✅ 多项 | ✅ 多项 | ✅ 部分 | ✅ LDT | ❌ 不需 | ❌ 不需 | ⏳ 申请中 |
| 客户 | 1000+ 医院 | 800+ 医院 | 50+ 药企 | 700+ 医院 | 10+ 药企 | 20+ 药企 | 50+ 医院 |
| 商业模式 | 按医院/年 | 按医院/年 | 按项目 | 按检测+数据 | 里程碑 | 里程碑+授权 | SaaS |
| 收入规模 | $100M+ | $80M+ | $60M+ | $500M+ | $20M+ | $40M+ | $10M+ |
| 竞争壁垒 | 工作流集成 | 广度+集成 | 数据+算法 | 数据规模 | 干细平台 | 数据量 | EMR集成 |
| 国际扩张 | 欧洲/中东 | 欧洲 | 有限 | 有限 | 全球药企 | 全球药企 | 有限 |
痛点: 医生花 50%+ 时间写文档，而非看病人。美国医生平均每天 16 分钟/病人写 EHR。
轻资产路径: LLM 环境语音 → 自动生成临床笔记 → EHR 写入
MVP: 2 个月。先做门诊场景，语音转文字 + LLM 生成 SOAP 笔记。
启动成本: <$5K
1人可行: ✅ 核心是 LLM + 语音 + 医学术语
关键技能: 医学术语、LLM、语音处理
定价参考: $200-500/月/医生
痛点: 医生和研究者每天面对海量新文献，PubMed 年增 100万+ 篇。人工检索效率低。
轻资产路径: 文献 RAG — 自动检索/总结/对比最新研究
MVP: 2 个月。先做肿瘤领域 (最活跃)。
启动成本: <$3K
1人可行: ✅ 核心是 RAG + PubMed API
关键技能: 医学知识、RAG、搜索优化
定价参考: $50-200/月/用户
痛点: 慢性病 (糖尿病/高血压/心脏病) 管理需要持续监测和干预，但医疗资源有限。
轻资产路径: 可穿戴数据 + AI → 个性化管理方案 + 预警
MVP: 3 个月。先做糖尿病管理 (最大市场)。
启动成本: <$10K
1人可行: ⚠️ 需要医学顾问
关键技能: 慢性病管理、IoT 数据、行为科学
定价参考: $30-100/月/患者
痛点: 训练 AI 影像模型需要大量标注数据，但医学标注需要专业医生，成本 $50-200/例。
轻资产路径: AI 辅助标注平台 — 预标注 + 医生审核，效率提升 5-10x
MVP: 2 个月。先做 CT/MRI 常见病变预标注。
启动成本: <$5K
1人可行: ✅ 核心是标注模型 + 审核界面
关键技能: 医学影像、标注工具、UI
定价参考: $5-20/例 (比纯人工便宜 70%)
痛点: 医疗保险预授权流程平均 2 天，$30/次行政成本。全美每年 $20B+ 浪费在行政流程上。
轻资产路径: 自动预授权 — 临床文档 → AI 判断 → 自动提交
MVP: 3 个月。先做影像检查预授权 (最常见)。
启动成本: <$5K
1人可行: ✅ 核心是规则引擎 + LLM
关键技能: 保险知识、规则引擎、NLP
定价参考: $5-15/次授权
痛点: 中医诊断依赖经验，年轻中医师缺乏训练。AI 辅助可标准化部分诊断。
轻资产路径: 舌象/脉象/问诊 AI → 辅助诊断建议
MVP: 3 个月。先做舌象识别 (最易标准化)。
启动成本: <$5K
1人可行: ✅ 核心是 CV + 中医知识
关键技能: 中医、计算机视觉、数据标注
定价参考: ¥100-500/次/机构
| 公司 | 核心产品 | 定位 | 出海策略 | 海外挑战 |
|---|---|---|---|---|
| 推想医疗 | AI 影像诊断 | 国内 AI 影像 #1 | 日本/欧洲 CE 认证 | FDA 认证、本地化 |
| 联影智能 | AI 影像+设备 | 影像设备+AI | 跟随联影设备出海 | 品牌认知 |
| 晶泰科技 | AI 药物发现 | 药物研发 AI | 全球药企 CRO | 与 Insitro/Recursion 竞争 |
| 冰洲石 | AI 药物发现 | 小分子药物 AI | 美国为主 | 管线验证 |
| 深睿医疗 | AI 影像 | 多病种影像 AI | 研究阶段 | FDA 认证 |
| 森亿智能 | 临床 NLP | 医院数据 AI | 研究阶段 | 本地化 |
| 数坤科技 | 心血管 AI | 心血管影像 AI | 研究阶段 | 认证壁垒 |
3 条出海路径:
1. 跟随设备出海 — 联影/迈瑞的 AI 功能随设备出海，最自然
2. CRO 全球化 — 晶泰等 AI 药物发现公司服务全球药企，不受地域限制
3. 新兴市场 — 东南亚/非洲/中东缺医生，AI 诊断需求更迫切
出海最大挑战:
• FDA/CE 认证 — 周期长 (2-5年)、成本高 ($1-5M)
• 数据本地化 — 医疗数据不能跨境，需要在当地训练模型
• 医疗体系差异 — 每国医疗体系/保险/法规不同
• 临床验证 — 需要当地临床数据验证
| 风险类别 | 严重度 | 描述 | 应对策略 |
|---|---|---|---|
| 监管审批 | 🔴 极高 | FDA/CE 审批周期 2-5 年，可能拒绝或要求更多数据 | 先做 SaMD (Software as Medical Device) 低风险类别 |
| 误诊责任 | 🔴 极高 | AI 误诊可能导致人命，法律和道德责任重大 | 定位 "辅助决策"，不做最终诊断 |
| 数据隐私 | 🟠 高 | HIPAA/GDPR 违规罚款可达 $1.9M/次 | 联邦学习/差分隐私 + 严格合规流程 |
| 偏见和公平 | 🟠 高 | 训练数据可能偏重某族裔/性别，导致诊断不公 | 多样化数据 + 公平性审计 |
| 医院采购慢 | 🟡 中 | 医院采购周期 6-18 个月，现金流失血 | 先做付费研究合作，再转正式采购 |
| 技术过时 | 🟡 中 | AI 技术迭代快，2-3 年前的方法可能过时 | 模块化架构，定期升级核心模型 |
发生了什么: IBM 投入 $10B+ 在 Watson Health，试图用 AI 做癌症诊断推荐。
但 Watson 的建议经常不准确，且医生不信任 AI 推荐。最终 IBM 以 ~$1B 将 Watson Health 卖给 Francisco Partners (2022)。
教训: 1) 医疗 AI 不能只靠技术，必须理解临床工作流 2) 医生信任需要逐个建立 3) "AI 替代医生" 的叙事在医疗中行不通
现状: Google 的眼科 AI 和乳腺癌检测在研究论文中表现超越医生，但实际部署极少。
主要因为临床工作流集成困难、监管审批慢、医院 IT 基础设施落后。
启示: 算法性能 ≠ 临床价值。部署和集成比算法本身更难。