4月15日，第89屆中國國際醫療器械博覽會（CMEF）在上海落幕，來自全球30餘個國家和地區的近5000家品牌企業攜數萬款產品集中亮相。

21 世紀經濟報導記者現場觀察到，在CMFF上，多家海內外醫療器械品牌圍繞“AI”發佈了一系列產品。這似乎昭示著，今年3月英偉達創始人CEO黃仁勳作出的“數字生物學將成為下一場驚人的顛覆性技術”的判斷，正在加速成為現實。

其中，以AI輔助診斷、精准醫療、智慧病房等領域為代表的尖端技術產品以及血管介入式手術機器人、單孔腔鏡機器人、機器人導航CT等醫療機器人成為場館內最大的兩個亮點。

“從需求端看，我國醫療資源分佈不均，優質醫療資源過度集中，高級醫師人才存在缺口。而AI技術能幫助快速識別病灶，提升診療效率及準確率，彌補醫生數量缺口。同時，通過輔助診療等方式，可以賦能基層醫療機構，推動優質醫療資源下沉。其中，細分應用場景相關標的值得重點關注。”中國科學院院士、中國醫學科學院學部委員張旭接受21世紀經濟報導記者採訪時說道。

從市場空間看，招商證券認為，全球“AI+醫療”市場規模超50億美元，將繼續保持快速增長。根據Global Market Insights報告，預計“AI+醫療”市場規模年均複合增速將超過29%，2032年將達到700億美元。從市場結構看，藥物發現和醫學影像是AI應用最重要的兩個領域，合計占比超過50%。隨著制藥工業發展和AI技術迭代，預計2032年AI藥物研發市場規模將超過205億美元。

AI落地醫療行業

近年來，AI技術在醫療領域的應用逐漸深入，通過大數據分析、深度學習等技術，在疾病診斷、個性化治療、醫療影像分析等方面展現出巨大潛力，在藥物研發、患者監護、醫院管理等多個環節也開始發揮作用，有效提升了醫療服務品質和運營效率。

在展會上，美的生物醫療就AI背景下醫療診斷設備和醫療影像、手術機器人與康復機器人等機器人產品、醫療冷鏈冷藏的產品和解決方案、醫院物流和藥房自動化的解決方案以及智慧醫院與智慧運維的解決方案等方面進行了展示與介紹。

專家預計，未來10年中國“AI+醫療”市場規模年均複合增速將超過30%，AI醫學影像和AI制藥兩個細分市場增長最快。以AI醫學影像為例，中泰證券認為，人工智慧在醫學影像領域應用廣泛，場景豐富，市場空間廣闊。2025年國內人工智慧醫學影像市場規模有望增至442億元，年均複合增長率高達135%。

美的生物醫療的技術總監任偉在接受21世紀經濟報導記者採訪時則表示，在智能存儲場景中，AI技術主要通過生物樣本庫管理、樣本處理優化、藥品和試劑耗材管理和數字化管理駕駛艙等方式實現其在醫療領域的落地。此外，AI在能源管理和醫療服務平臺的應用，也助力醫院實現了節能降耗和數字化轉型。實驗室自動化的推進也顯著提高了科研效率。這些創新應用不僅增強了醫療服務品質，也推動著醫療行業的可持續發展和智能化升級。

談及市場情況，任偉表示，在醫療影像領域內，存在著很多很小的細分市場。“很多實驗室設備都是一個很小的細分領域，所以目前在醫療器械以及生命科學領域都以進口或者合資品牌為主，因此，中國在醫療器械、在國產替代方面要有自己的高精尖的設備，需要一些大品牌參與。與此同時，國內市場已經是以國產品牌為主，但海外市場仍由歐美品牌壟斷，因此下一步要加速出海。”

規模化落地面臨挑戰

今年3月，國務院印發了推動大規模設備更新和消費品以舊換新行動方案中提出，要加強優質、高效醫療衛生服務體系建設。

在這一背景下，AI具有的預測和推理功能將進一步賦能醫療內部暖通系統的智能化升級。

“從 smart control 來說，它可以在不改變整個醫院原有的暖通以及控制結構的背景下，通過提取監控的數據建立起一家醫院負荷的模型。通過這種學習以後，它通過大模型的尋優，能夠實現大概 15%- 20% 的節能。”美的樓宇科技美控總經理孫靖博士在接受21 世紀經濟報導記者採訪時表示目前，該引擎已經應用於多座醫院建築，通過對既有暖通空調自控系統的智慧升級，為系統帶來了約15%～30%的能耗節省。

孫靖告訴21世紀經濟報導記者，之所以選擇將AI智慧樓宇落地在醫院場景，正是由於醫院自身建築的複雜性，多場景特點，通過將醫院作為試點，以期在未來能夠下沉到基層。

從美的自身業務架構來看，AI醫療業務的重要性也在逐年提升。美的2023年年報顯示，美的集團營業總收入為3737億元，同比增長8.1%。在細分業務方面，ToB業務成為業績增長的重要貢獻力量，占總營收約四分之一，美的醫療旗下則涵蓋了五大ToB業務板塊。ToB業務中，新能源及工業技術收入為279億元，同比增長29%；機器人與自動化收入為311億元，同比增長12%；智能建築科技收入259億元，同比增長14%。

但張旭也對記者指出，當前醫療人工智慧的發展，仍面臨規模化落地上的挑戰。

“人工智慧開發需要大量高質量數據，而國內大部分醫療數據存儲於各級醫療機構，業務系統相對獨立，數據較難實現共用，存在明顯的數據孤島現象，可供訓練的真實場景數據集有限。即便得到了大量的醫療數據，如何對離散的海量醫學專業數據進行處理、統計和分析，通過模型進行有效的整合，成為另一個挑戰。醫療行業的嚴謹性對模型的精確度要求更高，從而對演算法和算力提出了更高的要求。最後，開發出來的醫學人工智慧成果存在規模化落地的困境，數據與演算法模型的產、供、銷缺乏產業鏈資源支撐，這些成為制約人工智慧在醫療行業落地的重要因素。”張旭說道。

來源：21經濟網