AI医疗行业专题报告——AI重构医疗，从场景落地到变现讨论

——AI医疗行业专题报告 2026年1月22日 目录 第一章：复盘 第四章：AI+诊疗 •环境智能与自动病历生成•大模型驱动的AI医生助手 •本轮行情与上轮行情的异同 第五章：AI手术机器人&健康管理 第二章：AI+药物研发 •AI在手术机器人领域的应用可穿戴设备与数字疗法• •靶点发现与验证•变现模式探讨：看好CRO+Biotech 第三章：AI+医学影像 第六章：投资建议 •从辅助诊断迈向全流程赋能•变现模式探讨 第七章：风险分析 26年初国内AI医疗概念股普涨，行情发酵侧重点与25年初上轮不同 2025年初国内外AI医疗概念股普涨，美股AI医疗行情更侧重于健康管理、AI数字化临床实验领域，国内有相关概念映射标的涨幅较大 1）健康管理服务：商业模式以订阅制为主，提供AI智能问诊、AI私人医生等服务，制定针对患者的个性化健康管理方案。2）AI数字化临床实验：提供药物研发和医疗信息服务，在临床试验中运用AI技术进行数据管理、患者招募和疗效评估等。 26年初国内AI医疗概念股普涨，行情发酵侧重点与25年初上轮不同 2026年初，本轮行情美股AI制药与AI测序领域涨幅分化明显，A股和港股相关领域个股投资情绪高涨 1）AI+制药：结合机器学习、计算化学和自动化实验进行药物设计，优化新药研发流程，缩短药物研发周期。2）AI+测序：基于AI技术进行测序分析，提高测序的准确性和效率，实现疾病的早期筛查和诊断，辅助医生进行癌症、遗传病的诊断和治疗。3）AI+医学影像：利用AI、计算机视觉等技术提升影像诊断的效率和准确性，辅助医生更精准地发现病变。 谁来买单？AI医疗的支付方博弈 医疗AI虽然能为整个卫生系统创造巨大的社会价值（如提高生存率、减少误诊），但谁受益与谁买单往往是分离的。例如，AI帮医院减少了误诊，直接受益者是患者（健康）和医保（少赔付并发症），但买单的却往往是医院（采购成本）。因此，目前的商业化博弈在于如何设计一种利益共担机制（如按效果付费），打破“医院出钱、医保省钱”的死循环，将技术红利转化为可 流动的现金流。 美国市场：成熟的商保体系，创新医疗发源地 美国市场拥有成熟的Biotech融资环境和商业保险支付体系，政策允许创新医疗快速商业化。 商业闭环与支付体系美国AI医疗已率先跑通商业闭环，核心在于建立了完善的支付体系。FDA已经批准了超过1000种医疗AI产品，联邦医保（CMS）通过设立独立 的CPT编码（如IDx-DR软件是美国FDA批准的第一个AI医疗影像软件，被批准用于糖尿病引起的眼底疾病检测），使AI服务可作为独立临床项目申请报销，确立了“医保买单”的造血机制。 美股重点医疗公司AI相关布局整理 第二章：AI+药物研发靶点发现与验证变现模式探讨：看好CRO+Biotech 新药的研发面临很多挑战 请务必参阅正文之后的重要声明 AI显著缩短研发周期 AI制药公司主要业务是和大型制药公司合作开展药物发现，其收入主要来自前期预付款+达到某约定条件后的里程碑付款+特许权使用费（以晶泰科技2025年11月全资子公司Ailux与礼来达成的合作看，协议总价值最高可达3.45亿美元，其中包括数千万美元的预付款及近期里程碑付款）。 综合AI制药公司的发展历程，较多为从AI-Saas发展到AI-CRO，部分再发展为AI-Biotech，涉及管线越靠后对专业要求越高，涉及物理、化学、生物交叉领域，且对临床开发能力有要求，但管线价值明显增加。 AI制药应用场景主要包括药物研发、用药安全、供应链管理、商业拓展、个性化诊疗及监管审批六个方面，其中药物研发及用药安全是AI技术在制药环节的主要内容。应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息搭建精准模型，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标。 传统新药研发周期长、资金投入高、研发失败率高。将AI技术应用于药物研发各环节，较传统新药研发可显著缩短研发周期、降低研发成本、同时提升研发成功率和投资回报率。 变现模式探讨 1.软件授权(SaaS) 逻辑：向药企出售AI软件账号或计算平台使用权。优点：收入稳定，毛利高。缺点：天花板低，大药企倾向自研，难以做大营收规模。 逻辑：首付款+里程碑销售分成。优点：现金流好，风险与药企共担。趋势：目前最主流的稳健模式(如晶泰科技)。 逻辑：自己做药，推进至临床阶段后上市销售或License-out。优点：爆发力极强，一旦成药估值百倍。缺点：烧钱快，临床失败风险高。 第三章：AI+医学影像从辅助诊断迈向全流程赋能变现模式探讨 成熟度最高的AI医疗应用，从1.0时代迈向2.0时代 医学影像是指利用各种成像技术，如X射线、CT（计算机断层扫描）、MRI（磁共振成像）、超声、PET（正电子发射断层扫描）等，对人体内部结构和功能进行成像，以帮助医生进行疾病诊断、治疗规划和疗效评估的医学技术。人工智能（AI）影像诊断技术是指利用深度学习等AI技术，通过训练大量标注过的医学影像数据，使AI模型能够自动识别图像中的异常结构，如肿瘤、骨折或血管病变。人工智能通过图像预处理、特征提取和分类等技术，能够迅速解析医学影像数据，包括肿瘤大小、形状、纹理特征等测量，给医生提供详尽的诊断报告，为个性化治疗方案的制定提供科学依据。 1.0时代：AI在肺结节、乳腺疾病、脑疾病、骨伤鉴定、超声辅助诊断、病理切片分析、骨龄分析等多个病种的诊断中已取得突破。AI技术在CT、MR、超声领域的渗透率迅速提升。 2.0时代：Meta推出的分割大模型，在医学影像上展现出惊人的零样本分割能力（如自动分割肿瘤区域、自动识别和分割器官、病灶检测）。GoogleMed-Gemini，能结合患者的CT影像、大规模电子病理、病例描述等，对基础模型进行二次训练，增强对医学语言的理解能力。 资料来源：医准智能，光大证券研究所 AI医疗+影像企业收入来源分析 变现模式探讨 模式一：卖软件(SaaS) 模式三：卖服务(按次收费) 模式二：卖设备(捆绑) 困境：医院付费意愿低，入院流程长，难以获得独立收费编码。 逻辑：将AI作为高端设备的功能，提升硬件溢价。 逻辑：获得医疗服务收费编码，按例收费。 现状：美国IDx-DR软件模式。人工智能辅助诊断首次被国家医保局列入价格构成。 现状：联影、迈瑞等设备厂商的主流模式。AI成为招投标的加分项。 现状：在中国市场较难走通，多为科研合作或免费试用。 推演：AI将成为医疗设备的“操作系统”。未来的影像设备将不再是冷冰冰的机器,而是自带诊断能力的智能终端。 渠道与生态。算法壁垒正在降低，能够低成本触达医院、并嵌入医生工作流的企业(而非改变工作流)将获得市场份额。核心关注具备全栈软硬一体化能力的龙头(如联影医疗)；关注在高价值细分赛道(如心脑血管、眼底)建立商业闭环的独角兽。 第四章：AI+诊疗环境智能与自动病历生成大模型驱动的AI医生助手 AI+诊疗的核心职能 我们认为，当前的诊疗流程中，医生的“AI分身”主要体现在以下三个核心职能上： 诊前：智能分诊与信息收集，这是目前AI渗透率最高的场景。“AI分身”承担了前台角色，接管了用户侧智能分诊和病例初筛工作。它能够通过多轮对话，精准识别患者诉求，完成基础病史采集，并将其结构化地传递给医生。这不仅过滤了无效问诊，更让医生在接诊瞬间就能掌握患者全貌。 诊中：辅助决策与病历书写，在诊疗过程中，“AI分身”充当了医生的智能助理。一方面，它自动完成电子病历的书写，释放医生精力；另一方面，AI基于海量医学知识库提供辅助诊疗建议，帮助医生规避误诊漏诊，提升决策质量。 诊后：全周期健康管理，这是AI提效最显著的领域。依靠真人医生很难实现对海量患者的7×24小时照护，而“AI分身”可以不知疲倦地进行诊后随访、用药跟踪和康复指导。相比纯人工方式，AI介入后可以提高患者管理效率和依从性。 图4：当前AI赋能诊疗的难点 图5：当前AI赋能诊疗的优势 降本增效(ToB) 医保支付难覆盖 利用“AI分身”替代部分医生人力，显著降低运营成本，这是当前最直接的商业价值。 医保核心逻辑是“控费”。对于线上B2C模式，因监管难度大且可能增加成本，医保准入持谨慎态度。 用户留存与精细化运营 历史病历数据获得难度 通过“AI分身”的优质服务提升用户粘性，挖掘存量用户价值，促进药品与健康服务的二次转化。 医院数据“孤岛”问题存在 第五章：AI手术机器人&健康管理AI在手术机器人领域的应用可穿戴设备与数字疗法 AI+手术机器人&健康管理 AI在手术机器人领域的应用： AI在慢病管理领域的应用： 生态联动与变现：以蚂蚁阿福为代表的平台型AI，正在打通监测-干预-支付的闭环。 手术机器人（如达芬奇、国产微创机器人等）正处于从“半自动化/智能化”迈进的关键阶段。虽然AI尚未能完全替代医生进行自主手术，但在术前规划和术中导航方面已展现出显著价值。例如，利用AI进行三维重建，医生可以在术前更清晰地规划手术路径，预判血管变异；术中结合AR（增强现实）技术，大幅降低了手术风险。 监测端：接入华为、苹果、鱼跃、三诺等设备数据，实时回传至健康档案。 干预端：通过“健康小目标”功能（如打卡任务），利用AI的陪伴属性提升用户粘性。 支付端：商业化的关键。例如蚂蚁依托支付生态（医保电子凭证）、保险（好医保）与阿福的AI能力结合，实现了从“产生症状”到“AI咨询”再到“在线购药/挂号”的无缝对接。显著降低了跨环节的交易摩擦成本。实现了“医+药+险”的一站式体验。 国产替代与商业化：国内头部企业（如微创机器人）在腔镜领域正通过“AI+5G远程手术”实现弯道超车。 AI将手术机器人从机械手臂升级为智能大脑，有望通过数据积累（学习顶级医生手法）实现手术标准化，最终解决医疗资源分布不均的痛点。 核心逻辑：AI将慢病管理从“千人一面”的被动医疗，转变为“千人千面”的主动健康服务。通过与保险和药企的深度绑定，AI慢病管理正在跑通一条可持续的商业路径。 AI+可穿戴设备，C端推广潜力大 3.生态位分工 2.商业闭环：保险控费 1.交互革命：AIAgent 现状：患者需要自己看数据、自己查百度。未来：蚂蚁阿福等AI智能体成为7x24h个人健康助理。场景：当三诺/鱼跃CGM监测到血糖、心律等异常，蚂蚁阿福等AI智能体可以给出健康建议。 逻辑：慢病管理买单方包括保险(财政/公卫/商保/医保/个 人)。 硬件厂(如鱼跃/三诺)：专注于数据采集的准确性。 平台方(如蚂蚁)：支付宝的流量入口与下沉市场触达能力。 模式：蚂蚁保（好医保平台）正在推进“带病体保险”。 三诺生物：AI+糖尿病管理（CGM） 鱼跃医疗：血氧、心率、睡眠等医疗级监测设备中积累的传感器技术与自研AI算法融合 CGM（连续血糖监测）：能够产生连续的血糖波动数据，数据量级远超指尖血。 鱼跃医疗已对AIAgent应用程序与“鱼跃健康管家”平台进行整合，并仍在持续推动该应用的升级迭代。 AI应用 “糖尿病专科智能体”：集成BGM、CGM、持续皮下胰岛素输注(CSII)、患者教育平台(PEP)及慢病综合管理等多功能，融合AI技术成为医生的智能助手，精准分析数据、优化治疗方案，助力医生高效管理患者 AI应用 “安耐糖”：可以快速把微电流生物酶反应的值转化为血糖数值，并实现每3分钟一次、连续16天的持续数值输出，不仅能为用户提供单一指标的分析解读，还可以对未来血糖指标的发展趋势进行预测，是通过AI赋能实现产品性能显著提升的最好案例。 生态联动：三诺的数据已接入蚂蚁健康档案，用户可基于血糖数据在支付宝获得定制化的保险或饮食建议。 国内重点医疗公司AI相关布局整理 请务必参阅正文之后的重要声明 国内重点医疗公司AI相关布局整理 国内外重点医疗公司AI相关布局整理