关于AI与医疗，我们之前分享过一篇观察《从迪安诊断看垂直领域大模型的商业模式》，核心观点是

业务特点决定数据特点，从而决定模型的特点。这个很重要。这也是为什么一开始我说，真正值钱的，值得投资的，是下游场景。一般的通用大模型（openai、deepseek这些）是无法做到垂直模型这样细的颗粒度和精确度的。

我们今天继续分享医疗行业的数据特点，并基于此对AI医疗商业模式作进一步思考。核心观点是，不要因为AI+医疗而付出过高的估值。很多场景下的数据离商业化运作非常远。比如，虽然医院掌握的数据链条最完整（个人的所有信息，从拍片、诊断、病历到医保等几乎所有信息），但中国医院的信息化程度很低，不同医院之间的数据基本是孤岛。还比如一些做影像诊断的公司，天然与AI辅助功能很近，但是他们掌握的数据过于碎片化，后期商业化落地存在很大障碍。

国盛证券最近举办了一次很高质量的调研，分享专家给我们普及了医疗相关数据知识。

大体上，根据场景的不同，医疗数据的主要来源有四类：

第一类是专业的医疗机构，医院、诊所、体检中心。这种医疗机构里面它有最全面的临床数据的检验数据，包括影像以及个体完整的，持续的，而且在随着时间演进的数据（基本上就是医院记录了患者详细的过往病史数据）。

第二类是科研机构。医学院或者医学相关科研机构也有很全面的数据。因为他们是针对特定的课题，有合法合规且搜集整理了丰富的数据。

第三类是商业化的医疗器械和医药公司。因为他们本身的设备本身可以采集到数据，而且和医疗机构合作也会获得一些数据的使用权限。

第四类是政府的公共卫生部门。比如疾控中心、卫健委等。他们有患者完整的医保数据（只要走医保支付，详细的数据他们就都会有），以及通过地方病和民生项目拿到很多医疗数据。

专家还提到了一些新兴渠道获得的个人健康数据，但我们觉得和前面四类相比无论完整度还是数量上应该都不是重点。

需要注意的一个风险是，国家对医疗数据的保护非常严格（虽然实际执行层面可能有待完善）。医疗数据不仅受卫生健康数据相关法规的约束，还受到信息安全法、个人隐私数据保护法以及各地方的行政法规保护。说这么多不是要分析政策，而是在商业化过程中，这些法规构成了潜在合规风险。医疗行业的合规首先需要规避和思考的事情。

以前我们在金融行业，领导们经常说“合规就是一切，不合规就没有一切。”在医疗行业更是如此。

在合规的前提下，医疗数据的质量对商业化至关重要。

专家提到了一个很重要的观察。他认为目前医疗数据中，只有医院是最全面的。其他的如检验检测这一类数据，只是针对样本而不是针对于患者。也就是说，他们其实没有一个完整的数据链条。好处是他们需要负的责任也没有医院那么全面。不好的地方是，他们的数据不够全面，未来如果基于AI开发新的产品或服务，可能会遇到很多障碍。毕竟你的训练数据是不全的。

虽然医院的数据很全，但是医院的信息化系统本身不是标准化的.熟悉IT系统的朋友会知道，可能同一种病在不同医院的字段都是不同的。所以每一家都有一些特定的数据沉淀在那里，要想统一调用和共享数据，要付出很多时间和成本。除了技术问题，还涉及不同医院的资源整合。所以不是一蹴而就的事情。总之，如果医院数据不能连通，就没法有效地训练AI提升服务效率，而不同医院数据打通又至少需要很长时间。

体检中心和医院是反过来的。中国的体检中心、健康管理机构数据标准化程度非常高，否则不会被市场公开承认。但是他们没有医院的数据全面，他们只有体检那一时刻的和检验项目有关的数据。这些数据没有延续性，拿这些数据去训练AI很难有好的预测性。一个解决办法是训练完了后和和专业的医疗机构做交叉验证。但是，有一个可以商业价值的点，就是他们在某个领域积累足够多的样本（比综合医院还丰富的案例），是可以拿来和医院等专业机构合作的。比如A股最近被热议的检验眼睛的公司，因为很多病都会反应在视力、瞳孔上，如果他们在这个很细分的点积累了比专业机构更多的数据，是有合作价值的。

专家关于医学影像类的辅助诊断壁垒，谈到了两点：一个壁垒他认为是需要大量的标注数据。我们以前做过金融数据的标注，比如判断某个信息属于利好或者利空。AI诊断也同样需要这样的工作。这个工作一方面需要大量一手的诊断信息，另一方面需要很多好的能够读片的人才，而他认为能够找到关键数据人才是稀缺的。另一个壁垒是时效性。需要很快出诊断结果。

也许这两方面从医学实践角度有难度，但是从投资的角度，这些不太构成壁垒。我们说的商业壁垒是竞争对手花钱请人也做不好的事情，这两点其实竞争对手都能做到。

专家最后提到了四种商业模式的设想，但我们听下来本质上就是两种：

第一种是定位辅助型产品，就是作为现有产品的一个增值功能。这种之前迪安诊断的管理层重点提到了这个模式。他们认为这是目前最能落地的方式。我们也认为是短期最可行的路线。

第二类是定位独立的产品。目前全世界还没有一个独立的AI辅助诊断产品能够商业化成功落地的。这个也是之前在和我们的会员交流时提到要规避的模式。如果未来有这样的产品出现，那就是类似SAAS服务的类型，收订阅费或者按实际使用量付费。

最后，写这篇文章主要是提示潜在的风险。就是一个AI+医疗的概念背后，其实还是有很多风险需要注意的。然而，我们当然是看好这类业务的长期前景，觉得有价值才会跟踪的。