人工智能助攻，医药研发加速

祝嘉琦

ChatGPT的技术突破，不仅带热了AIGC（人工智能生成内容）赛道，也再次引燃市场关于“AI+医药”前景的讨论。

所谓AI，主要指利用计算机通过大量训练学习并模仿人类行为的技术，包括物理发现和识别、自然语言处理、自动推理、语音识别、知识管理等。近年来，随着医疗数据集的快速扩张、硬件设备的迭代升级、算法模型的优化改进，AI在医药领域的技术积累越发成熟，应用场景日益丰富。我们可以从技术应用、政策变化等角度，分析展望AI在药品开发、病理诊断、医学影像等细分领域的应用（附表）。

人工智能的概念在1954年首次被提出，此后，每一次推动这一行业高速变革的底层逻辑，主要是快速迭代的算法、海量的实验数据及持续提升的算力。回顾历史，60多年的迭代主要分为四个阶段。

第一阶段是1943-1968年，也是人工智能的发展初期。由人工智能概念的提出，发展出了符号主义、联结主义（神经网络），且相继取得了瞩目的早期研究成果，如机器定理证明、跳棋程序等。

第二阶段是1968-1995年，这也是AI制药的发展初期。1968年，爱德华提出首个专家系统DENDRAL，该系统具有丰富的化学知识，可根据质谱数据，帮助化学家推断分子结构，为计算机辅助药物设计（CADD）中的化合物转化为计算机语言确立了雏形。此后，上世纪80年代，制药厂商默沙东开始运用CADD进行药物发现，开创了计算化学在药物研发领域的应用，即早期的AI制药。

数据来源：中国医学影像AI白皮书，中泰证券研究所

第三阶段是1995-2010年的人工智能快速发展期，互联网技术迅速发展所带来的大量数据，推动AI进一步走向实用化。2000年初，由于专家系统的项目都需要多编码的显式规则，降低了效率并增加了成本，人工智能研究的重心从基于知识系统转向了机器学习方向。2006年，杰弗里及他的学生正式提出深度学习的概念，开启了深度学习在学术界和工业界的浪潮。

第四阶段是2010年至今，即AI+高速发展期。伴随大数据、云计算、互联网等信息技术及算力的持续突破，以深度神经网络为代表的人工智能技术高速发展，涌现了AlphaGo、GPT、AlphaFold及ChatGPT等创新产品。其中，2021年AlphaFold2在蛋白质结构预测大赛（CASP14）中，对大部分蛋白质结构的预测与真实结构只差一个原子的宽度，达到了人类利用冷冻电子显微镜等复杂仪器观察预测的水平，开启了蛋白解析新纪元，为AI制药在药物研发领域的应用带来了巨大的推动。

人工智能在医学影像的科室应用更广泛，场景更丰富，下游更广阔。

对于传统药物的研发，AI制药有望助力其降本增效。据TechEmergence的数据，相较于传统药物成功率低、研发周期长、研发投入大，有AI加持的AI制药有望从三个角度帮助制药行业：一是提高药物设计的命中率及成功概率，将新药研发的成功率从12%提高到了14%；二是降低研发成本，有望每年节约数十亿美元的研发费用；三是缩短研发周期，在研发主要环节节约40%-60%的时间成本。

AI制药领域的商业模式可分为三种。一是AI软件即服务（SaaS），主要为客户提供AI辅助药物开发平台，通过平台为客户赋能，帮助客户加速研发流程，节省成本与时间；二是AI合同研究组织（CRO）服务，通过人工智能的辅助，为客户更好地交付先导化合物或者氯铬酸吡啶（PCC），再由药企进行后续的开发，或者合作推进药物管线；三是AI生物科技（Biotech），这一赛道的玩家是以推进自研管线为主、较少进行外部合作的公司。目前，国内外多数AI制药公司都会在这三种商业模式中兼容两种或者三种。据药智局及蛋壳研究院统计，2022年，国内31%的制药公司兼容其中两种商业模式，市场占比最高；其次为选择AI生物科技模式的公司，市场占比约25%；第三为AI合同研究组织模式，占比约23%；仅选择SaaS服务商模式的占比最低，约为8%。

AI制藥在算法、算力及数据方面需要较大的投入，且单一路径发展或有一定局限，我们预计，多种商业模式协同发展未来有望逐步成为趋势。

依赖人工阅片的传统病理诊断，具有诸多行业痛点。

病理诊断是通过对活体组织、细胞病理学标本等进行病理学检查，根据临床表现、肉眼变化和镜下特征等综合分析，最后对疾病做出诊断，是大部分疾病诊断的金标准。

传统病理诊断方法主要依靠人工阅片提供依据，自动化程度低，耗时长、效率低，诊断正确与否依赖医生阅片经验以及主观判断。另一方面，病理医生培养周期长、从业门槛高、地域资源分布不均匀，影响了行业整体的发展节奏。

在此背景下，AI辅助有望提升阅片速度、提高诊断精准度，加速市场扩容。人工智能辅助诊断基于计算机视觉、深度学习等技术，对病理切片自动勾画、识别，以结构化的语言输出辅助判读结果，可以节省读片时间、提高诊疗效率，缓解病理医生工作负担，解放医师资源，同时有效降低由于主观差异性以及疲劳阅片带来的漏诊、误诊率。随着每日阅片数量的快速提升，病理诊断市场有望迎来加速扩容，带动行业天花板不断抬升。

政策方面，注册审查标准初稿文件2022年底落地，行业监管规范已然成熟。国内AI辅助病理诊断行业起步较晚，大约2016年前后初具雏形。刚起步时，由于缺乏权威规范的行业标准，早期注册申报的产品大部分取得的是二类医疗器械注册证，对安全性、有效性的技术审核较为匮乏，质量良莠不齐，医生认可度不高，入院推广难度大。2022年11月，《人工智能医疗器械等6项注册审查指导原则和技术审评要点》、《宫颈细胞病理图像标准数据库数据标准体系》等文件陆续出台，自此构建了一套科学完善、专家认可的病理图像数字化和智能化的行业标准和规范，填补了监管条例的空白，自此AI病理辅助诊断产业进入加速发展阶段。

目前，首个AI病理诊断三类证已经获批，细胞病理市场有望率先发力。从技术层面看，四大病理诊断方向中，细胞病理的检验技术成熟，容易形成行业公认的规范化规则，且市场规模大，未来有望率先实现AI病理产品落地。2023年3月，国内首个人工智能病理辅助诊断三类证“宫颈细胞学数字病理图像计算机辅助分析软件”已经获批，AI病理产品在国家层面获得正式认可，行业发展有望进一步提速。

目前，AI病理辅助诊断已在国内初步应用，并开始纳入部分省份收费目录。相关产品的商业化变现主要有两种模式，一是一次性入院销售产品；二是病理科将完成样本取材后，冷链外送至相关企业，由企业完成后续流程并按次收费。我们可以根据公开资料，进行如下的测算。

首先，样本外送模式下，参照常规病理项目收费标准，三甲医院AI病理诊断空间有望达到147亿元。我们仅对三甲医院应用市场进行测算，截至2021年底，国内三甲医院数量为1651家，根据公开资料查询，平均每家三甲医院病理科每日样本量约450例，年检验量大约2.7亿例。我们参照深圳、云南等地病理科检验收费标准，假设院内平均收费160元，入院扣率为30%，仅三甲医院AI病理阅片市场，按入院口径就有望达到约147亿元。

其次，三甲医院设备及软件系统入院销售的市场规模有望达到约25亿元，数字切片存储管理有望带动市场扩容。AI病理辅助诊断通常需要配套数字化扫描仪，单台设备依据不同通量、品牌，平均售价在50万-300万元不等，我们假设软件及硬件设备均价150万元，对应市场规模约为25亿元。国内病理样本大多采用物理玻片保存，需占用大量机房空间，且容易褪色损坏、丢片掉片。数字化病理库可以有效解决这些物理存储的固有弊端，还能提供图像调节、标注共享等功能，未来有望成为病理科新的发展趋势。考虑相关数字存储需每年更新，预计相关年投入金额40万-200万元不等，如果考虑其他层级医院渗透率提升、医生阅片量提高、AI病理项目收费调整，远期AI病理市场规模有望实现数倍扩容。

当前，底层数据、算法模型是核心技术壁垒，入院能力强的头部玩家优势明显。国内AI病理诊断正处于商业化早期，病理数据的积累、算法开发与模型训练是技术层面的核心工作内容，其中精准标注的大量图像数据是算法改进和训练的基础，需要有足够多且病变类型足够丰富的细胞图像，但国内病理科数据多数均未公开，并且，国内病理切片还没有建立起行业公认的标准化、规范化的操作流程，因此，如何获取足够多的标准化数据，将是AI病理辅助诊断产品的关键壁垒。

人工智能在医学影像的科室应用更广泛，场景更丰富，下游更广阔。

医学影像是指针对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。人工智能技术能够显著缩短影像阅片速度、提高诊断效率、减少错诊误诊率，可以广泛用于多个科室，应用场景涵盖早期的筛查、诊断到中后期的治疗、随访，具有可观的市场空间。

根据灼识报告，国内人工智能医学影像市场规模有望从2020年的不到10亿元，增长至2025年的442亿元，年复合增长率高达135%。按全球范围测算，这一市场预计有望从2020年的不到10亿美元增长至2025年的646亿美元，年复合增速达到147%（图1、图2）。

资料来源：Wind，招商证券

数据来源：灼识报告、中泰证券研究所

AI医学影像起步早、渗透率低，开始进入商业化初期。医学影像数据丰富，占所有临床数据的80%以上，是最早实现全球标准化的医疗数据之一，并且容易获取、处理难度小，和人工智能技术契合度较高，是AI医疗领域率先突破的应用场景。2020年，国内首张AI影像辅助诊断领域三类证获批，截至2023年4月，获批的注册证已超过30张。相比病理诊断，AI影像已经开始进入商业化阶段，但整体渗透率较低，还有很大提升空间。预计随着更多科室产品的注册获批，AI影像产品有望加速普及。

软硬件协同推广也有望加速AI影像产品入院。人工智能医学影像产品主要用于放射、超声等科室，配套CT、MR等大型影像设备来使用，目前，影像科设备整体仍然依赖进口，从科室角度出发，硬件设备自主化的需求更加显著，我们预计软件和硬件的协同推广有望加速AI产品入院。

商业化方面，AI影像的盈利模式有望从一次性付费向按次付费升级，打开市场空间。对于影像科而言，人工智能系统相关的机器折旧费、影像诊断费等缺乏统一标准，科室和患者习惯原有的付费模式，大部分AI医疗器械企业通常一次性或者分批次收取软件售卖收入，按次付费较少。我们预计，随着AI影像渗透率的不断提升，按次付费的应用占比将逐渐增加，带来商业模式的优化与盈利水平的提升。

展望未来，AI+医药空间广阔，研发能力突出、产品布局丰富、入院能力强的头部企业，有望率先抢占广阔蓝海市场，值得重点关注。