国金医药甘坛焕丨AI+临床决策支持

摘要：作为AI医疗系列深度报告的首篇，本文聚焦于AI-CDSS（Artificial Intelligence Clinical Decision Support System，人工智能临床决策支持系统）领域，重点围绕以下问题展开：

作者：甘坛焕

摘要

■ 投资逻辑

作为AI医疗系列深度报告的首篇，本文聚焦于AI-CDSS（Artificial Intelligence Clinical Decision Support System，人工智能临床决策支持系统）领域，重点围绕以下问题展开：

1）AI医疗的发展进程及各细分领域的应用潜力；2）AI医疗发展的底层驱动因素分析；3）从海外案例看AI医疗的临床价值验证。

投资逻辑

AI-CDSS在医疗健康领域的应用成熟度较高，市场潜力显著。中国AI医疗行业正经历从信息化（2014年前）到互联网化（2014-2020年），再到智慧化（2021年至今）的三阶段跃迁，技术迭代驱动AI与医疗深度融合。AI医疗行业规模加速扩张，2019-2023年市场规模自27亿元增至107亿元，占AI行业比重由6.4%提升至8.6%；预计2028年将达976亿元，占比升至15.4%，渗透率持续提升。AI医疗应用需经历需求验证、模型研发、性能测试、商业化探索四重递进环节。因医疗场景的强专业性，不同领域成熟度差异明显。行业数据显示，医学影像诊断、临床决策支持系统（CDSS）因数据整合能力强、技术适配性高，其目前在医疗健康领域的应用成熟度较高，且市场潜力较大。

行业痛点与技术革新，双重驱动AI医疗行业发展。医疗行业现有痛点推动技术革新，在需求端，人口老龄化持续加剧，根据联合国标准，我国已经进入“中度老龄化社会”，医疗服务需求持续攀升。在供给端，优质医疗资源集中于头部医院，基层服务能力薄弱，导致资源错配与浪费现象突出。在支付端，医保基金支出增速高于收入，叠加慢性病负担日益加重，控费压力不断增大，优化资源配置成为核心诉求。此外，疾病复杂性高、误诊漏诊风险大，以及医院内部流程繁琐、运营效率低下，进一步制约了医疗服务质量的提升。在此背景下，以AI医疗技术革新展现出显著价值。特别是大模型技术的突破，提升了市场对医疗AI的接受度，CDSS等系统在辅助诊断、治疗方案规划与医嘱生成等环节的应用不断深化，有望系统性缓解资源不均、提升诊疗准确性与效率，为行业转型升级提供核心动力。

IBM Watson早期探索验证临床对AI医疗工具需求。IBM Watson作为AI医疗领域的早期应用案例，其发展历程为行业提供了验证临床价值的重要借鉴。初期，IBM通过自然语言处理与机器学习技术构建了丰富的产品矩阵，并与全球顶尖医疗机构合作，快速积累了高质量的医疗数据与市场信任。然而，其发展最终受限于多重困境：技术层面，系统封闭、数据训练不足及临床适配复杂度过高，导致输出结果不一致且应用条件苛刻；商业化层面，则因成本高昂与临床价值难以清晰量化，未能建立可持续的商业模式。尽管IBM Watson的商业化未能达到预期，其困境凸显了医生、医院及患者端对AI医疗工具的需求。展望国内AI医疗行业发展，我们持续看好兼具技术壁垒、落地应用能力以及明确商业化路径的公司。

投资建议

我们认为，尽管AI辅助诊断的底层需求广阔且明确，但纯粹的技术赋能故事已难以维系企业的长期发展。未来的投资价值将集中于那些能够将前沿技术（大模型能力、数据资产）与具体临床场景深度融合，并能清晰量化其产品价值（提升诊疗效率、优化患者预后、降低医疗成本）的企业。AI医疗已进入商业化加速期，我们持续看好兼具技术壁垒、落地应用能力以及明确商业化路径的公司，其有望在跨越技术与市场成熟的临界点后，实现规模的快速扩张和盈利能力的本质提升。

风险提示

技术迭代与产品落后风险、数据隐私与政策合规风险、商业化落地与盈利不及预期风险、核心人才流失与技术泄露风险、医疗事故与责任认定风险等。

+目录

一、前言：AI技术革新引领医疗领域向智能化、精准化转型

二、行业痛点与技术革新，双重驱动AI医疗行业发展

2.1医疗行业现有痛点推动技术革新

2.2技术迭代升级，提升市场接受度与使用积极性

三、海外：从IBM Watson早期发展看AI医疗临床价值验证

3.1 初期产品矩阵丰富，高举高打策略下快速扩张

3.2 技术与商业化困境限制成长

四、投资建议

风险提示

正文

一、前言：AI技术革新引领医疗领域向智能化、精准化转型

AI医疗行业规模及其占人工智能行业的比重有望进一步提升。2019-2023年，中国AI医疗市场规模由27.0亿元增加至107亿元，占AI行业的比重由6.4%增加至8.6%，预计到2028年，市场规模将进一步976亿元，占AI行业的比重增加至15.4%，AI医疗渗透率有望进一步提升。

随着各项技术迭代加快，AI在生命科学与医疗行业的渗透率与融合均有提高。

在2014年之前，国内医疗行业处于医疗信息化阶段，可以通过医院信息系统、电子病历系统、企业资源计划系统等将生产和医疗服务行为信息化。

在2014-2020年，逐步进入互联网医疗阶段，在信息化的基础上推动数字化共享和线上服务的推广，应用包括智能药柜、远程医疗等。

2021年至今，国内医疗行业正式进入智慧医疗创新阶段。可以通过整合大量的医疗数据，结合先进数智技术来推动创新升级，提高医疗服务质量的可及性。随着行业升级，AI（Artificial Intelligence）的应用在近几年全面铺开，在医疗健康领域的重要性显著提升，不论是在医学影像诊断、病理分析、临床决策支持，或是药物研发等领域都展现了AI特有的优势。

AI医疗从兴起到成熟落地大致需要走过需求分析与验证、模型研发、模型性能测试或应用市场对模型性能的验证、商业模式探索到最后在行业实现大规模的商业化落地，由于医疗健康应用场景繁多，目前AI在医疗健康行业不同应用场景的成熟度也存在显著差异。据阿里云数据，目前AI在医疗健康领域的应用成熟度较高，且市场潜力较大的场景包括智慧医疗（影像智能分析、智能化临床决策支持（CDSS）），以及部分医药创新与健康管理场景。基于上述背景，本报告将重点关注智能化临床决策支持的应用与发展。

二、行业痛点与技术革新，双重驱动AI医疗行业发展

2.1医疗行业现有痛点推动技术革新

医疗资源供需错配

需求：人口老龄化趋势下，国内医疗服务需求持续提升。2024年底，我国60周岁及以上老年人口31031万人，占总人口的22.0%，其中65周岁及以上老年人口22023万人，占总人口的15.6%。根据联合国标准，60岁及以上人口比例超过20%或65岁及以上人口比例超过14%时，则进入“中度老龄化”社会。

供给：医疗资源错配，AI有望填补基层医生缺口。国内医疗资源背景上，优质医疗资源集中于三甲医院，基层医疗机构能力薄弱导致患者向上聚集，加剧资源浪费。

支付：据《2024年全国医疗保障事业发展统计公报》（以下简称《2024公报》），2024年全国基本医疗保险（含生育保险）基金总收入34913.37亿元（同比+4%），基金总支出29764.03亿元（同比+6%）。结余方面，据《2024公报》统筹基金当期结存4639.17亿元，累计结存38628.52亿元（同比+14%）。随着老龄化进程加速，慢性病负担持续攀升，高血压、糖尿病等慢性病患者患者规模突破3.5亿，推高医保基金支出增速，医保结余压力加大。

自2012年开始，医保局发布《关于开展基本医疗保险付费总额控制的意见》，明确提出要加强基金收支预算管理的总额控制。至此，医保控费成为医药行业主旋律，而医疗资源配置优化则是最优解。

疾病表现复杂多变，存在漏诊误诊风险

部分疾病早期病灶特征较为细微，医生识别能力的差异及视觉疲劳等因素都可能导致疾病被漏诊。据《柳叶刀》数据，以食管癌为例，从既往研究来看，内镜检查对食管癌等上消化道癌症的漏检率在4-17%的水平。此外，来自美国医师保险公司协会（PIAA）的数据显示，与诊断错误相关的问题是已赔付索赔的首要原因。美国退伍军人事务部、凯撒永久医疗系统以及风险管理基金会（CRICO RMF）也报告了基本相同的数据。一项对美国从业者数据库中 25 年间医疗事故案例的分析发现，有 10万例诊断错误案例，其中诊断错误是最常见的索赔原因（占 29%），且代价最高，平均每起索赔达 38.7万美元。因此，如何提高医生的重大疾病诊疗水平和工作效率，减少基层医疗机构的误诊、漏诊等现象，成为医疗行业亟待解决的问题。

医院行政与运营效率有待提高

医疗服务流程错综复杂，跨越多个科室和部门，涉及诊断、治疗、检查、用药、支付等多个环节，各环节相互影响，决策因素繁多，导致一个简单的流程往往需要跨越多个部门，耗时较长。人工智能技术可高效系统地收集和整合影响医疗决策的各类信息，为医护人员提供决策支持，辅助做出更准确的诊疗决策并高效实施。

2.2技术迭代升级，提升市场接受度与使用积极性

以DeepSeek为代表的大模型技术自2024年发布，对医疗行业的影响已经超越了单纯的技术突破范畴，迅速提升了市场对医疗大模型的接受度以及使用积极性。截至2025年5月1日已有133个医疗大模型的密集发布，远超2023年（61个）与2024年（94个）的模型数量。在市面上已公开的主要医疗大模型中，其中约有九成以上医疗大模型应用场景均涵盖于《卫生健康行业人工智能应用场景参考指引》之中。大模型涉及应用场景12类，所有应用场景总提及频次814次。其中医疗服务场景涉及的大模型最多，总提及频次达430次，占比近53%。

CDSS是将诊疗建议计算机化的系统，通过利用医疗知识库和患者个人信息，向临床医生提供支持，帮助医生进行诊断、制定治疗方案，并对病情发展进行预测。

应用层面，CDSS在医学诊疗流程的各个环节均得到应用，AI大模型的赋能下，系统则可以实现更加智能的分析及判断。据《生物医学工程学进展》，CDSS主要的应用包括：1）辅助诊断；2）治疗方案规划和评估；3）医嘱输入和电子处方等。

辅助诊断：辅助临床医师对患者的疾病种类、病情程度等进行评估与诊断，其高准确度和科室宽广度有望有效缓解医疗资源分布不均的问题。同时，可以辅助临床工作经验不足的医师进行诊断，有效地减少误诊、漏诊。AI大模型的赋能下，系统可以自动根据患者病情信息给出合理建议，极大提高各项辅助诊疗功能的使用便利性。

治疗方案规划和评估：AI-CDSS 不仅仅分析诊断中的数据支持，还可以基于相关疾病知识经验或者病例数据库给出当前患者可能的治疗方案，能实现诊疗方案的规范化和权威化。此外，AI临床医生（AI clinician）也是一种AI-CDSS的强化学习算法，可以用于更加个性化的诊疗。

医嘱输入和电子处方：由系统根据存储的知识规则检查并生成电子医嘱处方，提高了医生病历书写的效率和病历的完整性。基于AI的CDSS可与中心的电子病历系统高度集成读取患者的完整诊疗数据，基于循证医学证据和完整数据分析，实时为临床提供疑似诊断、治疗方案等智能推荐及用药、检验检查等预警提示，从而实现诊疗质量的过程质控。

三、海外：从IBM Watson早期发展看AI医疗临床价值验证

2011年2月，IBM 宣布Watson将专注于医疗健康领域，同时IBM也是全球最早推出AI医疗商业化产品的公司。IBM Watson作为早期投入最大、声量最高、期望也最高的全球性项目，其发展历程中不乏创新技术的探索，与大规模的战略布局，但在推广过程中也同样遇到瓶颈，对于IBM Watson的复盘有望为行业新进入者提供经路径参考与经验教训。

3.1 初期产品矩阵丰富，高举高打策略下快速扩张

IBM Watson 通过自然语言处理（NLP）、机器学习（ML）和数据分析等技术，能够快速分析大量医学文献、患者记录以及其他相关数据，从而为相关人员提供决策支持。IBM先后开发了三个独特的癌症治疗解决方案，辅助全球各地的医生对患者进行诊治，分别是Watson for Oncology（肿瘤解决方案）、Watson for Clinical Trial Matching（临床实验匹配解决方案）以及Watson for Genomics（基因解决方案）。

在策略上，IBM与知名医院以及健康机构合作，建立市场信任；同时获得高质量的医疗数据用于训练AI模型。

在全球范围内，270家医院以及健康机构使用过Watson的肿瘤学和基因组解决方案，惠及14万名患者。代表性机构包括：纪念斯隆・凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）、梅奥诊所（Mayo Clinic）、克利夫兰诊所（Cleveland Clinic）、CVS 健康、强生公司等。此外2016年，21家中国医院首批采用IBM Watson，包括复旦大学附属肿瘤医院、宣武医院、中山大学附属肿瘤防治中心、中国医科大学附属第四医院等。

2012 年 3 月，IBM与纪念斯隆・凯特琳癌症中心合作，向Watson输入了数万个患者记录和病史。到 2013 年，Watson已经分析了 60.5万条医学证据、200 万页文本、2.5万个训练案例，并通过1.47万个临床医生小时来调整其决策准确性。基于当时的进展，2013 年 10 月，IBM 首席执行官弗吉尼亚・罗梅蒂（Virginia Rometty）设定了一个目标，即Watson在十年内实现 100 亿美元的收入，并预计到 2018 年年收入达到 10 亿美元。同月，IBM 宣布德克萨斯大学 MD 安德森癌症中心 “正在使用 IBM Watson认知计算系统来完成其根除癌症的使命”。

3.2 技术与商业化困境限制成长

2012-2016年，IBM Watson在医疗健康市场占据了明显的领先地位，并投入巨资以巩固其优势，IBM Watson的发展在2016年出现转折，2016 年 9 月德克萨斯大学 MD 安德森癌症中心决定终止与 IBM 沃森的合作。后续几年，IBM Watson大规模裁员、项目停止、CEO离职，最终IBM 于 2022 年将其出售。复盘IBM Watson过往的发展，我们认为IBM Watson遇到的主要困境在技术和商业化两个层面。

技术方面，包括应用条件苛刻、数据投喂不足、系统封闭等弊端。

应用条件苛刻，需要复杂训练与数据输入。2014年，有报道称与MD安德森癌症中心合作开发能够辅助诊疗白血病治疗方案的Watson项目出现延迟。从产品落地的角度，由于当时的医案通常包含私人缩写、句子片段以及模糊含义的语法错误，因此要么需要工程师开发算法来正确分析医案，要么需要医生重新整理医案，导致前期筹备时间长，且内容杂。三年后，MD安德森癌症中心退出了与IBM的合作。进展上，IBM Watson产品已进行测试，但尚未商业化，MD 安德森癌症中心为项目投资了超6200万美元。

数据训练不足，诊疗结果出现偏差。Watson for Oncology（肿瘤解决方案）计划借助其大的计算能力进行分析，并对癌症的庞大医学文献和真实癌症患者的健康记录进行学习，以达到在真实场景中给出辅助决策的能力。但最终产出上，由于模型训练数据量不足，导致模型输出结果不一致。根据2017临床肿瘤学杂志数据，Watson与专家治疗方案的匹配度在85%以下。

系统封闭，IBM与被收购公司协作适配困难。技术方面，IBM通过大量收购的方式快速扩张，因此被收购公司的首要任务之一是将其技术和产品转换为符合IBM的技术标准。后续的流程，可能涉及修改被收购公司的所有产品，使其在IBM云上运行，被收购公司的工程师不再专注于创新，而是忙于繁琐的迁移和适配工作。此外，闭源模型的发展依赖母公司内部的研发节奏、资源投入和战略方向。一旦内部创新速度放缓，整个生态系统都会随之僵化，无法跟上外部的发展，因此IBM与被收购公司的后续协同没有产生1+1>2的效果。

可持续商业模式缺失，合作项目无产品化输出。商业化路径上，Watson for Oncology的独家经销商 Wellpoint将其作为一种工具出售，向世界各地的医生推荐最佳癌症治疗方案。据华尔街时报，根据医院购买的产品数量，IBM 通常对每位患者收取 200 至 1000 美元的费用，外加咨询费用。Watson的挫折很大程度上源于在当时的时间节点下，高昂的成本与难以清晰量化的价值之间未能找到平衡点，导致可持续的商业模式缺失。

尽管Watson Health的商业化未能达到预期，但这并不代表AI医疗是一个伪命题。相反，我们从Watson的发展过程中发现，其困境恰恰凸显了医生、医院及患者端对智能化工具的需求。展望国内AI医疗行业发展，我们持续看好兼具技术壁垒、落地应用能力以及明确商业化路径的公司。

市场需求上，从其早期能快速与全球顶尖医疗机构建立合作便可看出，临床端对于能提升诊疗效率与准确性的AI工具存在真实且迫切的需求，这充分证明了AI医疗的市场潜力。然而，当时的市场教育尚处早期，国民乃至部分医疗从业者对AI的认知与信任度不足，成为了推广过程中无形的壁垒。

技术上，IBM Watson的历程印证了产品的开发需要长期投入与迭代的“慢周期”过程。其早期的准确性争议，根源在于技术、数据与临床场景结合的复杂度超乎预期。25年1月20日，DeepSeekR1发布，随着算力提升、算法革新以及高质量临床数据的持续积累，AI诊疗模型的准确性与可靠性有望实现阶跃式的提升。

四、投资建议

参考海外案例我们认为，尽管AI辅助诊断的底层需求广阔且明确，但纯粹的技术赋能故事已难以维系企业的长期发展。未来的投资价值将集中于那些能够将前沿技术（大模型能力、数据资产）与具体临床场景深度融合，并能清晰量化其产品价值（提升诊疗效率、优化患者预后、降低医疗成本）的企业。AI医疗已进入商业化加速期，我们持续看好兼具技术壁垒、落地应用能力以及明确商业化路径的公司，其有望在跨越技术与市场成熟的临界点后，实现规模的快速扩张和盈利能力的本质提升。