最新 AI医疗行业投融资情况

11月份AI医疗行业投融资情况

国内融资事件一览

1、2018年11月国内AI医疗领域融资事件

据药明康德不完全统计，2018年11月1日-30日，国内AI医疗领域发生投融资事件6起，融资总金额约2亿元人民币。

交易金额方面，医疗大数据领域出现最高单笔融资，金额超过亿元人民币。进行融资的森亿智能以自然语言处理、机器学习、深度学习等技术为核心。它利用自然语言处理技术对医学相关文本进行结构化和标准化，从而解决传统自然语言处理技术在医疗领域效果不佳的问题。其技术具体应用方向包括词汇分析、句法分析、语义分析、结构表达和标准化映射等。同时，森亿智能推出的人工智能模型可以直接使用预处理后的海量原始数据进行训练，而不需要依赖于设计精良的大型队列研究。从而发现数据背后的奥秘与价值。

通过对杂乱无章的医疗健康大数据进行深度治理，森亿智能的核心技术可以将海量却无序的临床数据自动转换成为高质量的数据，从而实现高质量数据资产的累积，助力医疗科研成果产出，赋能智慧医疗系统的建设。

2、、国外融资事件一览

据药明康德不完全统计，2018年11月1日-30日，国外AI医疗领域发生投融资事件9起，融资总金额超过8640万美元。

交易金额方面，健康管理领域出现最高单笔融资，金额为3000万美元。进行融资的GOQii公司总部位于美国加利福尼亚州，并在印度孟买和中国深圳设有办事处。它致力于通过将先进的智能可穿戴设备与世界领先的专家和教练相结合，帮助用户向更健康的生活方式进行永久性转变。

3、全球融资概况及分析

据药明康德不完全统计，11月1日-30日全球AI医疗领域发生投融资事件15起，融资总金额约8亿元人民币。

单次融资事件项目类型分布情况

国内外资本重心分别向医学影像和健康管理领域倾斜，医疗大数据则获全球关注

按融资事件统计，TOP3的领域是：医学影像、健康管理和医疗大数据。

国内11月份的资金走向与10月虽然略有区别，主要阵地从新药研发转移到了医学影像领域，但仍紧紧把握住了近年来AI医疗行业中的热门项目。而国外整个11月份在AI医疗领域的资金走向则继承了10月的风格，在利用AI技术向一般人群提供服务的健康管理领域，仍投入了较多关注。同时值得注意的是，本月无论是在国内还是国外，医疗大数据相关的公司都颇得资本的青睐。

早期项目占绝大多数

按融资阶段统计，2018年11月份的AI医疗融资事件中早期项目(种子轮融资，占比40%;A轮融资，占比33%)占有压倒性的数目优势。这表明11月份AI医疗领域是新鲜血液的主场，这些AI医疗新秀正在为市场注入活力。

二、11月份AI医疗行业大事记TOP10

1、

乐普医疗公司全资子公司深圳市凯沃尔电子有限公司自主研发的心电图人工智能自动分析诊断系统“AI-ECG Platform”于 2018 年 11 月 19 日获得美国FDA的注册批准，成为国内首项获得美国 FDA批准的人工智能心电产品。心电图是各种心血管疾病(包括心律失常、心室心房肥大、心肌缺血损伤、心肌梗死等)最简单、快捷、经济的临床检查方法，是心血管疾病检验的基石。“AI-ECG Platform”诊断项目覆盖主要的心血管疾病，在心律失常(冲动形成异常、冲动传导异常)、房室肥大、心肌缺血、心肌梗死方面较传统方法拥有绝对优势，其准确性达到 95%以上;尤其是诊断心房扑动、心房颤动、完全性左束支阻滞、完全性右束支阻滞、预激综合征等心血管疾病，堪比心电图医学专家水平。

2、

李飞飞博士和她的团队最近专注于AI诊断抑郁症这个方向。在目前的抑郁症诊断过程中，医生需要和患者面对面聊天，来判断对方是否患病。同时还要结合另外患者健康问卷(PHQ, Patient Health Questionnaire)来调查来了解更详细的信息。李飞飞团队采用的方案是向模型中输入3D面部关键点视频、患者说话的音频和转成文字的访谈录音三种数据，之后，输出PHQ评分或抑郁症分类标签，就能得出此人是否患了抑郁症。目前，这项研究初见成效，诊断抑郁症的机器学习模型目前precision达到83.3%，recall达到82.6%。并且，这个模型可以部署到手机上，让更多人能方便的诊断抑郁症。这项研究成果入选了NeurIPS 2018医疗健康机器学习(ML4H)Workshop。

3、

11月6日，腾讯公司与罗氏制药中国宣布达成战略合作，结合各自在互联网和医药创新领域的技术专长及资源优势，共同打造以患者价值为导向的数字化医疗健康服务模式。双方将合力探索互联网与医疗健康行业的深度融合，在药品溯源、用药服务、疾病管理、医学科普等方面展开试点，通过为患者提供数字化创新服务，逐步建立全方位、一体化的患者医疗健康管理平台。结合腾讯和罗氏制药的资源优势，合作将率先聚焦肿瘤疾病领域。双方还将共同探索大数据和人工智能技术在医疗行业的应用，实现大数据价值转化，推动医疗健康产业数字化升级。

4、

近日，DeepMind宣布其健康业务部门DeepMind Health将调整合并至Google 旗下Google Health部门中，不再作为一个独立品牌继续运营，DeepMind其他部门仍将保持独立。新成立的Google Health将由前美国顶级医疗保健机构Geisinger首席执行官David Feinberg出任CEO，负责重组Google在健康领域的所有工作。DeepMind成立于2010年，2014年被Google以4亿英镑收购，2016年DeepMind涉足医疗健康领域，宣布成立DeepMind Health部门，并将与英国NHS合作，辅助临床护士、医生以及专家教授决策，提高工作效率。近3年，DeepMind在医疗人工智能领域进行了一系列研究，包括AI眼部疾病检测，AI识别乳腺癌、扫描头颈癌以及预测肾脏损伤，在数秒之内规划肿瘤放射治疗方案，根据电子记录检测病情恶化等等。

5、

近日，深圳市宝安区中心医院与腾讯正式启动社区糖尿病视网膜病变AI筛查。在人工智能、远程诊断等新技术的帮助下，宝安区中心医院将糖网筛查的覆盖范围大幅增加，签约家庭医生服务的社康居民只需在就近社区医疗单位就可享受到筛查服务，实现早期筛查早期干预。本次合作将以宝安区中心医院流塘社康将作为首期试点，面向社区居民提供免费糖网筛查服务，未来将逐步覆盖宝安区中心医院管理的36家社康。人工智能辅助诊疗系统为基层社康全科医生提供了支撑。本次AI筛查合作使用的“腾讯觅影”糖尿病视网膜病变筛查系统，对糖网病识别准确率达到97%，糖网分期准确率达到85%。通过分期，能够有效将慢病患者“分流”，将一部分症状较轻的患者留在基层，缓解上级医院、医生的诊疗负担。

6、

近日，知名的咨询公司弗若斯特沙利文(Frost&Sullivan)发布了他们对医疗健康产业趋势的预判。弗若斯特沙利文估计，到2019年底，人工智能在医疗保健IT应用市场上的价值将超过17亿美元。他们进一步预计，通过在选定的医疗保健工作流程中运营人工智能平台，生产率将在未来的2~3年内提升10-15%。但是，人工智能解决方案的定价仍然至关重要，因为用户往往不愿意为此类IT功能投入额外预算。采用具有成本效益的方法，明确证明双方的潜在投资回报率有助于维持市场增长，才是有效措施。在整个2019年，人工智能和机器学习的发展重点将在于人与机器的互动。更具体地说，人工智能将开始看到成果和回报，特别是在成像诊断、药物发现和风险分析应用方面。

7、

近日，来自中山大学中山眼科中心的刘奕志教授团队利用机器学习技术及验光数据，创建了一个机器学习模型，来预测中国青少年10年内的近视度数变化与高度近视风险。该研究成果的原创论文已经在国际医学杂志《PLoS Medicine》官网首页进行了发表。从2005年到2015年，中山眼科中心研究团队共集合八家医疗机构的数据，收集了自于12.9万名6岁至20岁的青少年的125万次随访验光结果数据，地域分布以南方省份为主，辐射全国。在这些数据的基础上，刘奕志教授团队利用年龄、验光球镜数值(SE)和过去的年进展率(APR)来训练了一个随机森林算法，从而预测未来十年内高度近视的发病情况。对算法模型的测试结果显示，该模型可对近视进展趋势进行个体化预测，3年内准确率达90%，10年内准确率80%以上，也可提前8年有效预测高度近视，为近视眼的精准干预提供了科学依据。

8、

近几年出现的基因编辑工具CRISPR-Cas9为研究者提供了定点编辑基因组的能力，但仍存在一些弊端。由于CRISPR-Cas9编辑基因时仍无法避免同源末端链接修复(NHEJ)修复过程，要严格控制碱基插入或缺失依然存在挑战。近日，美国麻省理工和哈佛大学的研究者开发了一种用机器学习来预测基因组修复结果的方法，是一个由Streptococcus pyogenes Cas9 (SpCas9)介导的高通量修复系统。研究者训练了一个名为“inDelphi”的机器学习模型，可以用来识别以前未被充分认识的一类疾病相关突变，这些突变可以被CRISPR修复成常见的健康DNA序列。经该模型识别，5%-11% 靶向人体基因组的Cas9 gRNA能在超过50%的情况下(被称为“精准-50”)产生单一且可预测的修复结果。inDelphi还能利用无模板Cas9编辑识别并预测出合适的致病基因变异靶标，包括一些曾被认为无法用该方法找到的靶标。这项成果为遗传疾病的研究和潜在疗法提供了新的可能性。相关论文发表在《Nature》上。

9、

近日，纽约长岛的芬斯坦医学研究所(Feinstein Institute for Medical Research)的脑外科医生Ashesh Mehta博士进行了一项实验。他使用微电极矩阵贴在癫痫患者大脑倾听和产生言语相关的脑区。通过纪录这一脑区的电生理活动，并且将这些信号通过无线信号传递给计算机进行解码，构成了一个处理语言信息的“大脑计算机界面”(BCI)。实验利用了神经科学、工程学和机器学习领域的技术。微电极会收集在识别语言相关的脑区处理语言的音量、腔调、音频、音素等重要信息产生的电生理活动，传输到人工智能系统。人工智能系统则基于机器学习的原理，分析这些神经信号，找到大脑信号与特定语言之间的关系，最终实现重建语言。如果该技术最终能成功，人类就可开发一种大脑计算机界面，让脊髓损伤、锁定综合症、肌萎缩侧索硬化症(ALS)等瘫痪患者再度发出自己声音。

10、

近日，来自瑞士洛桑联邦理工学院(EPFL)的科学家们建立了一个名为ShiftML的机器学习程序，用来预测分子中的原子在磁场中的移动状况。这项研究发表在了《Nature Communications》上，表明AI可以帮助化学家们用比传统建模方法更快的方式，来破解晶体的分子结构。一般情况下，科学家要想充分了解药物的确切原子结构，通常会采用核磁共振和密度泛函理论(DFT)相结合的技术，整个过程中需要进行非常大量的计算。为了优化这个过程，研究人员开发出了一个名为ShiftML的机器学习工具，可以用更快的速度来完成计算工作。研究人员表明，即使对于相对简单的分子，ShiftML的计算速度也比现有的方法快了将近1万倍。对于更加复杂的化合物，这一优势将会更加明显。研究小组希望未来的ShiftML可以用来辅助药物设计工作。