增持（维持） [Table_Tag] [Table_Summary] 投资要点 ◼ AI 有望颠覆诊断、药物研发和治疗流程。近期，Tempus.AI、Doximity 等美股 AI 医疗公司涨幅显著，木头姐近期发布的《Big Ideas 2025》中 指出，人工智能将颠覆诊断、药物发现和治疗，到 2030 年，整个行业 的表现将提升几个数量级。世界经济论坛发布报告认为，预计 2024 有望为局端、院端、药企等医疗系统内的参与方赋能，实 现降本增效。 ◼ AI+辅助诊断：2024 年 11 月，国家医保局首次将人工智能辅助诊断列 入立项指南，AI 辅助诊断首次被纳入医保。AI 辅助诊断主要应用于影 像分析、病理诊断、基因检测、早期筛查等，诊断效率逐步提升。OpenAI o1-preview 在鉴别诊断、诊断临床推理和管理推理的质量都有明显提高。 借助 AI，对人类基因组的计算时间已经从 年，这将使得专利价值提高 70-80%。 ◼ AI 正在全面赋能医疗行业，促进提质降本增效。我们预计未来在生物 制药、辅助诊断、医院/医保信息系统等方面，AI 都将有望促进流程再 造，提升研发和业务效率、质量的同时降低成本。 ◼ 建议关注： AI+辅助诊断：阿里健康、贝瑞基因、华大基因、迪安诊断、美年健康、 金域医学、塞力医疗、圣湘生物、迈瑞医疗、鱼跃医疗、海康威视、润 达医疗、鹰瞳科技、乐普医疗、我武生物；

84类应用方向，涵盖医学影像分析、智能药物研发等核心领域，为技术落地提供了顶层 设计支撑。而2025年2月18日即将发布的华为瑞金病理模型，则进一步凸显了AI在病理诊断这一传统高壁垒领域的潜力，有望缓解我国病理 医生短缺困境，提升诊断效率与准确性。从技术融合视角看：DeepSeek的多模型协同能力正成为行业新范式。例如，医渡科技将其整合至 “AI医疗大脑”YiduCore，实现疾病洞察报告的精准生 的全环节。这种“模型即服务”的生态闭环，不仅重构了医疗工作流，更催生了 六大核心应用方向的爆发：  AI 医学影像辅助诊断：进入发展快车道，辅助诊断为主。包括AI超声诊断、病理学AI等影像学辅助诊，涉及到图像处理、勾勒病灶大小、特 征识别、诊断建议。影像学AI辅助诊断商业化落地快，应用场景明确，院端需求较大。数据获取成本较高，行业正在探索AI收费模式。相关 标的：联影医疗、理邦仪器、万东医疗  AI 健康管理：平台依托模型生成个性化防控方案，推动慢病管理从“被动治疗”转向“主动干预”。其中包括可穿戴类产品，定制化干预方 案。AI系统实时监测并预警。在复杂医疗场景中，AI 对疾病风险评估、诊断辅助等的准确性仍有提升空间。医疗机构、保险机构等数据分散 ，出于利益、安全等考虑，数据共享意愿低，限制了 AI 健康管理数据来源和应用范围，难以形成全面的健康管理方案。且目前消费者付费 意愿较低，尚

03 AI 智慧药房及药 店分销 1 01 AI 医疗器械 02 AI 制药 03 AI 智慧药房 及药店分销 2 安必平 AI 医 疗 影 像 迪安诊断 联影医疗 鹰瞳科技-B 美年健康 万东医疗 AI 医 疗 机 器 人 天智航 微创机器人-B CD SS 与 病 种 质 控 金域医学 医渡科技 久远银海 的解决方案，也逐步让我们看到了更多的AIGC在医药医疗端应用的潜在可能。 因此如下我们做了三方面的梳理。  AI 医疗器械：AI促进医疗器械创新，降本增效成果显著。 1) AI 医疗影像：进入发展快车道，辅助诊断为主 2) AI 医疗机器人：手术、辅助、康复机器人皆具备较高临床价值 3) CDSS与病种质控：临床决策支持服务以人机交互为核心 , AIGC拉升效率 4) AI 健康管理：智能设备监测及分析个人数据，医疗科技乘风而起 医疗影像：进入发展快车道，辅助 诊断为主 AI 医疗机器人：手术、辅助、康复机 器人皆具备较高临床价值 CDSS与病种质控：临床决策支持服 务以人机交互为核心 , AIGC拉升效率 AI 健康管理：智能设备监测及分析个 人数据，医疗科技乘风而起 9 AI 医疗器械常见应用及相关公司 1. AI 医疗影像：进入发展快车道，辅助诊断为主 2. AI 医疗机器人：手术、辅助、康复机器人皆具备较

检测等 • 代表性公司：RadNet、 Arterys、PathAI、 Proscia、鹰瞳科技、万 东医疗 B2C临床管理 • 定义：B2C临床管理主 要是AI赋能临床决策支 持，辅助疾病诊断、个 性化用药等 • 商业模式分类：AI精准 用药、基因测序、AI影 像识别、疾病模型判断 • 代表性公司：Tempus AI、Grail、华大基因、 华大智造 B端自我管理 • 定义：B端自我管理主 ➢ 金域医学、迪安诊断等 ➢ 华大基因、贝瑞基因、诺禾致源等 ➢ 美年健康、润达医疗等 主线三：CRO+AI ➢ 平台：药明康德、泰格医药、康龙化成等 ➢ 特色：药石科技、皓元医药、成都先导、泓博医药等 ➢ 其他：晶泰控股等 2 C端自我管理 C端自我管理+AI：患者端健康管理工具 ➢ C端自我管理：患者运用AI工具，无需线下的临床端场景，自己可以进行疾病筛查、诊断、治疗、康复以及日常健康 日常健康 管理等全周期自我管理。 ➢ 筛查：疾病早筛，基于AI算法或大数据模型，根据患者自我监测的健康数据，预测疾病发生可能、给出健康管理办法的应用。 ➢ 诊断：移动医疗、互联网医疗等线上诊端场景，既包含纯AI的初诊，也包含真实医生端的在线处方。 ➢ 治疗：医药电商、心理健康辅导 ➢ 康复：慢病管理，比如血糖管理等。 ➢ 日常健康管理：软硬件依托的日常健康管理，比如睡眠数据监测 13

BoostKit 应用使能 • 鲲鹏亲和分析 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 鲲鹏调试器 • 系统性能分析 • Java 性能分析 • 系统诊断 流 水 线 阶 段 门禁检查 鲲鹏版本编译构建 X86 版本编译构建 鲲鹏平台调优 X86 平台调优 鲲鹏平台测试 X86 平台测试 鲲鹏版本发布 X86 版本发布 • 应用迁移 BoostKit 应用使能 • 鲲鹏亲和分析 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 鲲鹏调试器 • 系统性能分析 • Java 性能分析 • 系统诊断 通过鲲鹏 DevKit/BoostKit 开发代码：充分应用鲲鹏架构优势，性能更优 3.1.1.2 应用开发工具 应用开发工具支持创建鲲鹏应用工程，支持 C/C++ 开发语言，编码时能够自动匹配鲲鹏加速库函数字典、智能提示、 BoostKit 应用使能 • 鲲鹏亲和分析 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 鲲鹏调试器 • 系统性能分析 • Java 性能分析 • 系统诊断 通过鲲鹏 DevKit/BoostKit 开发代码：充分应用鲲鹏架构优势，性能更优 3.1.2 代码优化 快速集成 效率提示 性能倍增 支持 Jenkins、Gitlab 等业界主流 流水线工具，快速集成

融合创新: 技术团队适应医疗行业的敏捷转型之路 梁莉 罗氏诊断 数字化平台技术产品总监 www.top100summit.com 梁莉 （Kylie Liang) 罗氏诊断 数字化平台技术产品总监 “ 产品经理： 传统行业（罗氏）- 负责领导产品经理和UI/UX工程师团队，从0到1构建数 字化平台和医疗健康数字产品。 科技行业（微软）- 从0到1构建全球Azure Spring 医疗健康行业迫切需要数字化转型，来提升 服务效率和质量。然后传统模式与新技术间 存在矛盾，比如原始数据不出域、数据可用 不可见。 • 罗氏诊断中国团队希望通过自研数字化平台 和疾病管理应用，打造可扩展、安全、以患 者为中心的医疗服务生态系统。 • 由此，罗氏诊断组建了多领域人才融合的新 团队，而这只团队本身也是需要去学习医疗 健康行业的场景，才能去推动转型的挑战。 案例背景 流程 团队 技术 梳理：一个理想化的诊疗路径是怎样的？ 案例：从早期的初诊筛查、精准诊断到个体化方案定制、规范化治疗， 再到后期的患者服务和随访追踪，然后进行二次诊断筛查，最终形成 一个良性循环， 从而提升患者诊疗效果。 谁是我的产品最终用户？或谁会最终受益？ Why What How 患者 筛 诊 治 管 www.top100summit.com 核心实践 – 以患者为中心 方式：携手诊断合作伙伴、学协会、患者组织、医生和患者，打造可

大模型在计算机视觉领域也有广泛应用，可以用于图像分类（识别图 像中的物体和场景）、目标检测（能够定位并识别图像中的特定物 体）、图像生成（如风格迁移、图像超分辨率增强）、人脸识别（用 于安全验证和身份识别）、医学影像分析（辅助医生诊断疾病）等 3.1 大模型的行业应用领域 （3）语音识别 大模型在语音识别领域也有应用，如语音识别、语音合成等。通过 学习大量的语音数据，大模型可以实现高质量的跨语言翻译和语音 识别以及生成自然语音 等任务。通过学习大量的驾驶数据，大模 型可以实现对车辆周围环境的感知和识别， 以及进行决策和控制，提高自动驾驶的安 全性和效率 自动驾驶 大模型可以用于医疗影像诊断、疾病预测 等任务。通过学习大量的医学影像数据， 大模型可以辅助医生进行疾病诊断和治疗 方案制定，提高医疗水平和效率 医疗健康 大模型可以用于信用评估、欺诈检测等任 务。通过分析大量的金融数据，大模型可 以评估用户的信用等级和风险水平，以及 以评估用户的信用等级和风险水平，以及 检测欺诈行为，提高金融系统的安全性和 稳定性 金融风控 3.1 大模型的行业应用领域 工业制造 大模型可以用于质量控制、故障诊断等任 务。通过学习大量的工业制造数据，大模 型可以辅助工程师进行产品质量控制和故 障诊断，提高生产效率和产品质量 气候研究 在气候研究领域，大模型可以处理气象数 据，进行天气预测和气候模拟。它们能够 分析复杂的气象现象，提供准确的气象预

2、根据事件等级定义，对发生事件进行分级确认：一般事件进行事件分派操 作，重大事件进行重大事件处理流程处理； 3、根据业务类型进行事件分类，根据事件类型进行事件派单，不同的事件类型 派单至不同的处理人员； 4、事件处理人认领、诊断和处理事件，并形成解决方案;如果不能解决则升级 到厂商支持； 5、云服务厂商远程协助现场进行事件处理，提供帮助:一线无法处理事件时， 及时接收事件并根据事件给出相应的解决方案； 6、确认事件 技术咨询问题，响应时间可设定为2小时内，通过电 话、邮件或在线客服平台为用户提供解答和指导。 故障恢复及时率：明确各类问题从发现到彻底解决 的最长时间限制。如对于常见的服务器硬件故障， 设定解决时间为4小时，包括故障诊断、备件更换、 系统恢复和测试等环节；对于复杂的应用程序漏洞 修复，根据漏洞严重程度和修复难度，解决时间可 在1至5个工作日不等，确保问题得到有效、彻底的 解决，减少对业务的影响。 运维事件统计指标 用对数据进行API封装，提供对外统一查询接口。 3.5.3 统一故障处理 运维管理平台构建统一CMDB对所有的运维对象进 行统一管理，当故障发生时，可以针对应用系统的 异常指标进行全链路观测、故障诊断以及故障恢 复。 全链路观测 全链路观测是现代政企运维中的一项核心能力，它 综合利用多种运维数据，如调用链、日志、指标、 配置、网络等，构建以业务为观测视角的端到端链 路，旨在提升多系统同时告警时的业务影响分析能

据安全保 障，数据库运维的可靠性与效率，直接决定了业务价值的实现能力。 当前，AI等新技术的发展为数据库可靠运维带来新的机遇与挑战。机遇方面，自然语言交互让非 技术人员也能便捷操作数据库，智能诊断与预测式运维将被动故障处置转化为主动风险防控，自 动化部署与调优大幅降低人工成本。挑战方面，AI幻觉导致的准确性风险、多技术栈（尤其是国产 数据库与云架构）带来的管理复杂度、数据爆炸式增长对灾备能力的更高要求，以及数据安全合 提升召回准确率和 稳定性，此外，也可以通过数据预处理矫正出问题的数据。 智能化部署：AI基于用户需求，自动生成配置文件并完成数据库部署，简化传统部署流程。 �.� AI对传统运维的影响 故障诊断与智能运维：根据不同数据库特性，利用AI生成巡检、监控、处置脚本和工具，协助完成 日常运维的巡检、监控、告警等操作，生成巡检报告以及事件总结报告。也可以构建AI Agent，将 运维排查和维护任 维。 管理服务：负责集群管理、多种语法兼容模式的数据库内核实例部署及实例生命周期管理、扩缩 容、监控告警、备份恢复、灾备管理、资源管理和任务管理等运维功能。 DBbrain 智能管家：提供异常诊断、故障分析、SQL优化、日常巡检、事件跟踪和风险预测等功能， 帮助用户智能监控和管理数据库。 OBS 监控告警服务：实时采集数据库性能指标（如QPS、延迟、资源利用率），支持阈值告警与可视 化报表。

等多种设备的海量数据流，并实现实时的行为分析、异常事件的快速 检测与精准目标追踪。这无疑要求系统具备强大的并行计算能力以及 极低延迟的数据传输能力，以此保障安防应用的高效、稳定运行。在 医疗影像领域，为实现医学影像的快速处理与精准诊断，需要分布式 算力感知与调度系统能够有力支持大规模数据的快速传输与高效运 算，同时严格满足医疗数据的隐私安全要求。例如，通过巧妙运用边 缘计算与云计算的协同技术，将部分数据处理任务前置至边缘节点， 务执行效率。此外，系统需支持任务的跨节点、跨区域调度，实现“东 数西算”“东数西渲“等跨域协同，通过算力路由协议将任务精准匹 配至最优算力节点。 资源管理功能：对分布式算力资源进行统一管理，涵盖资源注册、 注销、状态监控、故障诊断等全生命周期管理。通过资源虚拟化与池 化技术，将分散的物理资源整合为逻辑资源池，实现资源的灵活分配 与弹性扩展。例如，利用 GPU 虚拟化技术（MIG、vGPU）将单块 GPU 18 切分为 供了坚实的底层支撑。尤为关键的是，该技术内在地蕴含了使能网络 基础设施实现高级别自治运行与持续演进的潜力。通过内嵌的自感知、 自决策、自执行与自优化能力，网络系统能够模拟生物体的适应性， 实现对自身状态的实时监控、异常行为的智能诊断与高效修复，并依 据应用需求与运行经验进行自适应的架构调整与功能演进，从而形成 一种可持续发展的、高度智能化的算网融合新生态。 39 图 3-5 自智算力网络参考架构示意图 分布式系统本身