【报告】医疗人工智能的应用领域与颠覆创新


摘要

近来人工智能(Artificial Intelligence,AI)在医疗领域的应用成为健康产业的一个技术发展和商业热点,其背后蕴含着巨大的想象空间和产业价值。AI作为一个全新的技术如何在医疗这个具高度复杂性的领域落地,仍面临许多挑战。本篇将在总结医疗人工智能现状的基础上,介绍国内外在医疗人工智能领域的应用探索和商业实践创新,供关心这一领域的专家和从业人员参考。

一、医疗人工智能的发展历程与构成要素

人工智能(Artificial Intelligence,AI)是计算机科学的一个分支,是通过对人的意识和思维过程进行模拟并系统应用的一门新兴科学。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1956年夏季在美国达特茅斯(Dartmouth)大学举行的首次人工智能研讨会,McCarthy第一次提出“人工智能”的概念,标志着人工智能学科的诞生。

医疗人工智能即人工智能在医疗领域的应用,涉及医疗行业各个环节,其终极目标是人工智能代替人来为患者诊断、治疗,目前主要发展方向包括辅助诊断、医学影像识别、药品研发、健康管理、基因测序等。

1.1 医疗人工智能的发展历程

早期的医疗人工智能探索

最早在医疗领域进行人工智能探索的尝试出现在上世纪70年代。1972年,由利兹大学研发的AAPHelp是资料记载当中医疗领域最早出现的人工智能系统。这个系统主要是用于腹部剧痛的辅助诊断以及手术的相关需求。

在随后的整个七十年代,又产生了不少新的成果。INTERNISTI于1974年由匹兹堡大学研发问世,主要用于内科复杂疾病的辅助诊断。MYCIN于1976年由斯坦福大学研发,能对感染性疾病患者进行诊断,开出抗生素处方。在其内部共有500条规则,只要按顺序依次回答其提问,系统就能自动判断出患者所感染细菌的类别,为其开出相应处方。此外,还有罗格斯大学开发的CASNET/Glaucoma,MIT开发的PIP、ABEL,斯坦福大学开发的ONCOCIN等。到上世纪80年代,已经有一些商业化应用系统的出现,比如QMR(Quick Medical Reference),还有哈佛医学院开发的DXplain,主要是依据临床表现提供诊断方案。

总的来说,医疗人工智能方面过早期的大多数探索都并不成功。不过,这样的现状只能说明医疗的高度复杂性,并没有阻止人类在医疗领域探索人工智能的尝试。

近期国外在医疗人工智能领域的发展

目前,医疗人工智能领域最知名的就是IBM Watson,并且Watson已经取得了不俗的成绩。例如在肿瘤治疗方面, Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录,并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson,并且Watson已经正式进入中国。

除了IBM之外,谷歌、微软等科技巨头也在医疗人工智能领域取得了积极进展。2016年2月,谷歌DeepMind公布成立DeepMind Health部门,将与英国国家健康体系(NHS)合作,帮助他们辅助决策,提高效率缩短时间。DeepMind还参与NHS一项利用深度学习开展头颈癌患者放疗疗法设计的研究。DeepMind还与Moorfields眼科医院的合作将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病。

微软于2016年宣布将AI用于医疗健康的计划Hanover,帮助寻找最有效的药物和治疗方案,并且与俄勒冈卫生科学大学Knight癌症研究所合作,共同进行药物研发和个性化治疗。

苹果公司一方面计划自主开发人工智能芯片,另一方面则屡次收购人工智能公司。在2010年收购Siri之后,苹果公司近年来还在语音技术方面进行了几笔收购,其中包括VocalIQ和Novauris Technologies。

我国的医疗人工智能发展历史与现状

我国人工智能领域的开发研究始于20世纪80年代初,起步虽然较发达国家晚,但是发展速度迅猛。1978年北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”,第1次将医学专家系统应用到我国传统中医领域。此后我国有代表性的人工智能产品有“林如高骨伤计算机诊疗系统”、“中国中医治疗专家系统”、具有咨询和辅助诊断性质的“中医计算机辅助诊疗系统”等。进入21世纪以来,我国的医疗人工智能则在更多领域取得长足发展。

2016年10月,百度以“开启智能医疗新时代”为主题,正式对外发布百度人工智能在医疗领域内的最新成果——百度医疗大脑,对标谷歌和IBM的同类产品。作为百度大脑在医疗领域的具体应用,百度医疗大脑是通过海量医疗数据、专业文献的采集与分析,模拟医生问诊流程,依据用户的症状,给出诊疗最终建议。

腾讯则依托微信丰富的数据量和数据维度,探索发展医疗人工智能。如腾讯与中山肿瘤南山医院的合作,在广东汕头地区开展食道癌早期筛查系统的试点。腾讯通过人工智能图片处理,帮助开展食道癌前期筛查,在提升医疗机构医疗能力的同时,显著降低了人工投入。此外,腾讯的人工智能实验室还将和卓建、医联两家公司合作,开发面向未来的复诊系统。

阿里则在医疗智能诊断领域重点布局。2017年7月,阿里健康发布医疗AI“Doctor You”,“Doctor You”AI系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。此外阿里健康还与多地政府、医院、科研院校等外部机构合作,开发打造包括糖尿病、肺癌预测、心理智能、眼底筛查在内的20种常见、多发疾病的智能诊断引擎。

1.2 医疗人工智能的三个阶段

从技术发展的历程看,人工智能分为计算智能、感知智能、认知智能三个阶段。第一阶段机器开始像人类一样会计算,传递信息。第二阶段机器开始看懂和听懂,做出判断,采取一些行动。第三阶段机器能够像人一样思考,主动采取行动。


图表1 医疗人工智能发展的三个阶段

图表来源:奇璞研究

从数据有效性和商业模式的发展来看,医疗人工智能应用也可以分为三个阶段:第一阶段为数据整合阶段。目前已存在深度学习等先进算法,但由于医疗数据标准化低,共享机制弱,导致人工智能在医疗行业的应用领域和效果受限。在共享机制尚未成熟前,拥有医疗大数据的公司具备竞争优势与议价能力。第二阶段是“数据共享+感知智能”阶段。当医疗数据融合到一定程度后,将会在辅助诊疗、图像识别等各领域出现辅助性的商用产品。在这个阶段,数据和算法优势都成为重要壁垒,有效数据将促进算法的实施得到进一步优化。第三阶段是“认知智能+健康大数据”阶段。在此阶段,人工智能整体上从感知智能向认知智能发展,健康大数据的获取成本也将降低,人类将步入个性化医疗时代。该阶段将出现替代人类医生的人工智能应用。


图表2 按照数据和算法角度,医疗人工智能的发展阶段

图表来源:奇璞研究

1.3 医疗人工智能构成的三个要素

人工智能的核心是算法,基础条件是数据及计算能力,因此,可以认为医疗与人工智能结合的关键要素是“算法+有效数据+计算能力”。

先进算法是实现医疗人工智能的核心,能够提升数据使用效率。随着先进算法的不断开发,人工智能从计算智能迈向感知智能,未来将会向认知智能迈进。先进算法能够提升从信息到“知识”的转化效率,提升智能化程度。

有效的医疗大数据是人工智能应用的基础。医疗数据的有效性包括三个方面:电子化程度、标准化程度以及共享机制。电子化程度强调数据和病历的供给量;标准化程度强调数据之间的可比性和通用型;共享机制强调数据获取渠道的便利性和合法性。只有满足上述三个方面的条件,医疗大数据才能得到有效搜集和应用,进而为人工智能打下基础。

计算能力是医疗人工智能的另一基础条件。未来随着量子计算以及速度更快的芯片的产生,将进一步推动人工智能应用的发展。


图表3 医疗人工智能的三大要素

图表来源:奇璞研究

二、医疗人工智能的商业应用与模式创新

由于医疗人工智能的发展必须以有效的医疗大数据为基础,所以在医疗领域,凡是具备获取有效数据的领域,人工智能均有用武之地,比如在基因测序、辅助诊断、药品研发的方面,医疗人工智能均有不错的发展。

这里首先介绍医疗人工智能领域的代表公司——IBM的Watson,它主要的商业模式是通过在某一类疾病的数据和算法优势,扩展相关领域人工智能的商业模式。

2.1 IBM Watson:深度聚焦肿瘤领域人工智能技术

IBM Watson是自2007年开始,由IBM公司的首席研究员DavidFerrucci所领导的DeepQA小组开发的人工智能系统,目前是医疗人工智能领域的龙头。Watson在医疗领域的商业战略分为三个方面:一是深度聚焦肿瘤领域,并向其他领域扩展;二是通过收购获取数据资源;三是通过合作扩展使用场景,输出生态能力。

Watson在2011年便开始了肿瘤领域的机器学习,充分训练后,形成Watson for Oncology产品。该产品可以辅助肿瘤医生快速了解相似病历,完成初步诊断,缩短诊断时间。接下来,Watson开始提供识别基于证据的辅助治疗方案。通过将患者文件中的属性数据与临床知识、外部数据相结合,Watson提供肿瘤解决治疗方案供医生参考。目前Watson对不同癌症种类的诊断准确率能达到70%-90%之间。

在合作模式上,一方面,Watson会给提供医疗数据的机构基于训练案例数的经济补偿。另一方面,Watson也会直接和医院签订销售合同,由医院支付系统采购费用。目前Watson已经广泛应用于多家癌症治疗机构。2016年8月,Watson进入中国,在国内有21家医院计划使用Watson肿瘤解决方案。


表格1 Watson与医疗机构之间的合作

数据来源:公开资料整理,奇璞研究

除了肿瘤领域,Watson也在其他医疗领域推进相关产品,如临床试验匹配项目。


表格2 Watson的功能扩展

数据来源:公开资料整理,奇璞研究

IBM通过资本收购,进一步积累“医疗大数据”。2015年4月IBM成立WatsonHealth部门,旨在向医疗行业提供数据分析服务,越来越大的收购金额也反映了IBM对于医疗数据的坚定投入的决心,逐步构筑其数据竞争壁垒。


表格3 IBM Health的收购

数据来源:公开资料整理,奇璞研究

Watson还通过业务合作,不断丰富应用场景。Watson一方面与各领域重要参与者合作,实现Watson人工智能分析能力的场景化输出,探索商用的方式。

例如,Watson与美国第二大零售药店CVS合作,预测用户患有疾病的风险,为用户制定健康问题解决方案。另一方面通过与各合作方的对接,搜集医疗健康领域的各类数据,完善自身的分析学习能力。例如,与苹果合作,将Watson应用软件整合至HealthKit 和ResearchKit工具系统,允许应用开发者收集个人健康医疗数据,和在临床试验中使用这类数据;与美敦力合作,处理来自美敦力可穿戴医疗设备及其他情景化来源的数据,并提供个性化的糖尿病管理服务。


图表4 Watson的商业模式图表 来源:奇璞研究

2.2  医疗人工智能用于辅助诊断

与人工智能相比,医生的大脑记忆容量和记忆时间均有局限性。人工智能通过不间断的深学习,可以从大量的医书、医学案例、新增案例中获取最新的医学知识,并参考患者病征和偏好,为医生的诊断和治疗提供参考意见,降低误诊率。

辅助诊断的一种典型应用场景是虚拟助理。虚拟助理可以通过与患者交谈,智能地通过病情描述对疾病进行初步的诊断。目前已经出现了专注于医疗健康的虚拟助理,国外用户所熟知的是Babylon Health,而国内在虚拟助手上,也有大数医达和康夫子崭露头角。

Babylon Health是一家位于伦敦的初创公司,公司创立于2013年,2016年完成2500万美元的A轮融资,2017年完成6000万美元的B轮融资。BabylonHealth平台整合Deepmind公司的人工智能技术,帮助患者在同医生进行文字、电话或视频交谈前,就提前预知自身健康状况。

Babylon在过去两年里建立了一个庞大的医学症状数据库,拥有总共36500个案例数据,在看医生前利用语音识别来询问用户一系列问题。相比人工全科医生的诊疗,这种快速的症状诊断帮助降低医疗系统的价格与成本。目前,BabylonHealth平台上约有100名医生,25万用户可通过月付或医疗保健的方式获取服务。


图表5 Babylon Health Online Doctor Consultations

图表来源:公司资料、奇璞研究

在国内智能辅助诊断领域,也有与Babylon类似的公司。如半个医生是杭州蕙泉公司开发的,一款基于大数据逻辑的医疗垂直搜索引擎。半个医生APP”于2015年11月正式上线,其核心功能是专业搜索,病人只要输入症状/疾病即可得到专业和准确的搜索结果。


图表6 半个医生APP示意

图表来源:公司资料、奇璞研究

其设计逻辑是:把疾病进行拆解成包括症状在内的各种各样的标签,找到标签之间的关联性,之后根据用户的症状模拟医生进行逻辑推理,为用户分析出可能的疾病结果。在诊断出结果之后,还会有就医服务、医药电商、保健方案等解决方案,全面完成了从疾病诊断、就医、后期康复的全部流程,形成了医疗的整个闭环。

目前半个医生对可能涉及的18万种症状及关联的9千种疾病,进行理解和分析,能满足100万用户同时查询。从标签组合到疾病结果的全部查询过程不到1秒,准确率大约在70%左右。其背后有70多人的医学团队在对机器学习进行训练,基于机器学习,半个医生的查询准确率还在不断提升。

2.3  医疗人工智能用于医疗影像识别

基于影像的医学诊断也是目前人工智能关注较多的领域。医学影像包含了海量的数据,传统上医学影像的解读需要较长时间的学习和专业经验的积累。人工智能在对图像的检测效率和精度两个方面,都可以做得比专业医生更快,还可以减少人为操作的误判率。目前基于深度学习的医学影像识别准确率能达到90%及以上,辅助诊断效果显著。


表格4 人工读片与人工智能读片的对比

数据来源:奇璞研究

Enlitic是一家人工智能医学影像企业,于2014年在美国旧金山创立。Enlitic采用时下最先进的深度学习算法对医学图像、诊断书、临床试验等大量医疗数据进行挖掘,实现了快速、准确、可行的健康诊断。

Enlitic开发了从X光照片及CT扫描图像中,找出恶性肿瘤的图像识别软件。对放射科大量医疗图像数据进行机器学习,自动总结出代表恶性肿瘤形状等特征的恶性肿瘤模式。Enlitic肺癌相关图像数据库系统的肺癌检出精度,比一名放射技师检查肺癌的精度高5成以上;在乳腺癌前哨淋巴结转移诊断中,基于AI计算系统的误诊率为7.5%。通过该AI系统辅助病理学家,误诊率可进一步降至0.5%。


图表7 Enlitic的实时临床支持系统

在国内,已经有一些公司在医疗影像智能化方面进行探索。如全域医疗公司是一家立足于肿瘤诊疗项目的医疗影像人工智能公司。公司总部位于北京市东城区,于2012年成立。目前全域已与以中国医学科学院肿瘤医院为首的我国多家知名肿瘤医院形成战略合作,签约超过500家医院,范围遍及全国27个省市自治区,覆盖全国放疗单位的35%以上,已经具备一定规模效应。

mdaccAutoPlan系统是依托美国MD安德森肿瘤中心多年积累的肿瘤治疗计划智能系统,已经具备一定的临床应用价值。公司应用这一系统,通过互通互联、大数据、云计算等先进技术手段,研发精准云质控、精准云协作等一系列网络信息平台。

依托mdaccAutoPlan系统,全域医疗主要发展三个方面的产品体系:一是全域放射治疗的质量控制平台,二是远程协作平台,另外是培训交流平台。其中,远程协作平台主要就是依托mdaccAutoPlan系统,包括放疗靶区勾画、放疗计划制定两个模块,已经部分实现了人工智能相关的功能。


图表8 汇医慧影的数字智能胶片平台


另外又如汇医慧影公司。该公司于2015年4月在北京市成立,是一家智能医学影像平台公司。近年来打造了智能化的医学影像平台和肿瘤放疗平台,构建了影像智能筛查系统、防漏诊系统,在肿瘤、心血管等单病种领域开发人工智能辅助诊疗系统。

目前,汇医慧影公司收集了数百万级别的医学影像,通过建立人体器官模型以及深度神经网络技术,实现了病灶的高识别度。根据公司介绍,目前对于胸部X光的气胸、肺结核、肿块的自动诊断准确率已经达到90%。脑核磁肿瘤的自动识别率超过85%。胸部CT中肺结节的识别率超过85%。乳腺钼靶中钙化斑点以及肿块的识别率均超过90%。

汇医慧影平台中签约医生约1000人,可以细分为头颈、神经、胸部、腹部、四肢以及心脏六大分支,目前累计服务患者超过10万例。其区域云PACS系统目前已经接入400多家医院,覆盖范围包括河南、山西、内蒙、辽宁等地,并且与医疗器械厂商合作,将系统融入其影像设备中。

2.4  医疗人工智能用于药品研发

传统的药物研发周期长、费用高。平均来看,一种新药的开发平均需要10年时间,耗资15亿美元。随着药物开发难度的增大,目前一种新药可能会耗资40亿-120亿美元,而且成功的概率也不高。

将人工智能技术应用到药品研发,就可以大幅降低成本,并提高药物研发成功的概率。首先,在新药筛选时,可以获得安全性较高的几种备选物。当很多种甚至成千上万个化合物都对某个疾病显示出某种疗效,但又对它们的安全性难以判断时,便可以利用人功智能来挑选最具有安全性的化合物,作为新药的最佳备选者。

其次,对于尚未进入动物实验和人体试验阶段的新药,也可以利用人工智能来检测其安全性。选择那些产生副作用几率最小,实际产生副作用危害最小的药物进入动物实验和人体试验,从而大大增加成功的几率,节约时间和成本。

此外,利用人工智能还可模拟和检测药物进入体内后的吸收、分布、代谢和排泄情况,模拟给药量、浓度和效应之间的关系,加快药物研发的速度。目前人工智能药物研发主要在三大领域:抗肿瘤药、心血管药和孤儿药及经济欠发达地区常见传染病药。

Atomwise公司成立于2012年,总部位于旧金山。公司利用超级计算机分析已有数据库,并用AI和复杂的算法来模拟药品研发的过程,在研发的早期评估新药研发风险,让药物研究的成本降至数千美元,并且该评估可以在几天内完成。2015年,公司宣布在寻找埃博拉病毒治疗方案方面有一些进展,即在 Atomwise 预测的药物中,有两种或许能用来抗击埃博拉病毒,他们用时一个星期就找到了这种药物,并且成本不超过 1000 美元。

Atomwise还为制药公司、创业公司和研究机构提供候选药物预测服务。Atomwise的服务可以预测哪些新药品真的有效,哪些无效。在合作伙伴方面,Atomwise除了与Merck公司和Autodesk进行一些保密项目外,公司也持续与学术界和企业客户开展研究工作,通过辅助制药企业、生物科技公司和其他相关研究机构开展药物挖掘工作获取收入。


图表9 Atomwise公司介绍

图表来源:公司资料、奇璞研究

生物科技公司也正在把人工智能和大数据结合到一起,来识别新的药物化合物,比如位于美国波士顿的生物制药公司Berg。他通过开发的Interrogative Biology人工智能平台,来研究人体健康组织,探究人体分子和细胞自身防御组织以及发病原理机制,利用人工智能和大数据来推算潜在的药物化合物。这种方法不但使得靶向治疗成为今天医学治疗的趋势,而且利用人体自身的分子,来医治类似于糖尿病和癌症等疑难杂症,要比研究新药的时间成本与资金少一半。

我国在这一方面的探索还不多,其中太美医疗的电子数据采集系统(EDC)和临床实验项目管理系统(CTMS)有一定的发展为医疗人工智能的可能性。太美医疗于2013年成立于嘉兴。公司基于云计算和移动技术,为药物和医疗器械临床试验提供实验数据采集解决方案,并提供后续的数据管理和统计分析服务。公司在人工智能方面有待进一步开发,更好的利用其积攒的医疗大数据。

2.5  医疗人工智能用于健康管理

健康管理首先需要大量的个体健康检测数据,并根据人工智能和大数据分析,为个人提供有针对性的健康管理解决方案。由于其商业逻辑和模式较为清晰,结合目前快速普及的智能硬件,一种基于“智能硬件—智能平台—解决方案”的商业模式被很多公司采用。

其中人工智能的作用十分重要,结合海量数据和分析结果,可以为个体设计个性化的健康管理计划,通过个人健康档案数据分析建立个性化健康管理方案,用于识别和降低疾病风险,帮助人们对健康的前瞻性管理。

Welltoks是一家健康管理公司,于2009年成立于美国丹佛市。公司主要关注个人健康管理,它本身不仅提供健康数据分析和专业健康管理建议,还将此作为平台切入点,接入其他服务商,比如硬件、保险公司、内容、应用等,同时为一些健康管理公司提供管理办法。

Welltoks开发了CaféWell健康管理优化平台,提供习惯干预和预防性健康管理计划。平台合作方有专门记录数据的可穿戴硬件提供商,将数据精确到个人。当用户按照Welltoks提供的方案培养生活习惯时,它还会给予相应奖励,比如积分、礼品卡或者现金,激励用户改善健康。IBM投资Welltoks,将Watson融入CafeWell,借助Watson的认知能力,从海量数据中找到科学答案,给予用户健康管理、慢病恢复、健康食谱等指导。


图表10 CaféWell对消费者生活习惯的改善

图表来源:公司资料、奇璞研究

人工智能也可应用于精神健康管理。苹果收购的人工智能公司Emotient就是一家擅长通过人脸识别分析情绪的公司。Emotient成立于2012年美国加州,公司开发的系统已经能够分辨出类似于喜悦、愤怒、悲伤、惊讶等等这种的基础表情,还能够分析出一些更细微和复杂的表情,比如焦虑以及沮丧。

Emotient起源于加利福尼亚大学的机器感知实验室(Machine Perception Lab),他们最终的目的是打造一套“无所不在”的人类情感分析系统。Emotient利用摄像头来捕捉、记录面部肌肉运动,并根据其计算模型来分析出面部表情,最终得出关于表情的动态结果。Emotient同时还提供API接口,能够将其技术轻松地与任何硬件或者软件进行整合。


图表11 一个用Emotient的人脸情绪识别系统进行情绪识别的场景

图表来源:公司资料、奇璞研究

国内在健康管理人工智能方面也有优秀的创新型公司。例如时云医疗科技,就是一家结合了个性化医疗大数据分析系统,和可穿戴式设备的移动健康管理技术公司。公司成立于2012年的上海,在美国明尼苏达大学时间生物学中心支持和帮助下创立。目前公司的主要产品有RyFit云悦智能体质分析仪、RyMove云动智能健康监测腕表,以及RyZen云律血压节律仪器等。


图表12 时云医疗的人工智能模式

2.6  医疗人工智能用于基因测序

基因检测能准确检测出人体的基因信息,还能在此基础上,依靠生物信息技术计算出人体罹患癌症、心脑血管疾病、糖尿病等多种疾病的风险,从而进行早期预防与精准治疗。

随着基因检测的成本逐步降低,基因检测将更加普及和得到大规模应用。但每一个人的全基因组数据会达到100G的容量,如何对其进行科学的分析和计算,即成为了基因检测的核心问题。

现有的生物信息方法基于统计学模型,在这一领域的研究日新月异。如谷歌子公司Deep mind的DeepVariant检测工具、生物信息学软件GATK、康奈尔大学的检测基因变异的软件等。这些研究都表明了医疗人工智能在基因检测方面的巨大潜力。

Deep Genomics是于2015年在多伦多成立的创业公司,公司立足于人工智能和基因检测的结合。该公司能够通过深度学习技术,筛选海量以前未知的基因突变,找出致病的基因突变。Deep Genomics引入了深入学习的人工智能技术,推出了他们的第一款产品SPIDEX。只需将测序结果和细胞类型导入,SPIDEX便可分析出某一变异的影响,并计算出该变异与疾病之间的关系。

在国内,天方创新、基因说、艾吉泰康等基因检测公司也逐步涉及到了基因测序人工智能技术。如在2014年成立于北京的艾吉泰康公司,公司提供多重靶向捕获测序解决方案,即在保证扩增均一性的前提下,对几千甚至上万个位点进行快速测序,使用主流的测序平台进行大批量样本平行检测与深度分析,并提出整体解决方案。


图表13 艾吉泰康MultipSeq?多重PCR靶向捕获测序产品示意

图表来源:公司资料、奇璞研究

总体上看,我国医疗人工智能方面的整体智能化水平普遍比较低,2B业务多于2C业务,在核心技术、核心算法方面与国外相比还有一定差距。

医谷,分享创业的艰辛与喜悦,如果您是创业者,期望被更多的人关注和了解,请猛点这里  寻求报道

意见反馈

相关阅读

热门推荐