Frühphase-Projekte im Bereich medizinischer KI, die in der Lage sind, Kapital zu beschaffen, sind fast ausgestorben.

Wenn die revolutionären Durchbrüche in der künstlichen Intelligenz zur jährlichen Routine geworden sind, nimmt die Anzahl der frühen Projekte in der medizinischen Branche deutlich ab.

Die Daten von Arterial Think Tank zeigen, dass im Jahr 2025 große Unternehmen wie Ant Aifu und Xiaohe Health mit allgemeinen Intelligenzagenten massiv in die C-End-Gesundheits-Szenarien eindrangen, und sowohl der Traffic als auch die Bekanntheit stiegen.

Aber auf der anderen Seite des Sektors ist die Anzahl der frühen Projekte nicht gestiegen, sondern gesunken. Die Finanzierungen und die Gründungsaktivitäten schrumpfen kontinuierlich. Nur die Projekte in der mittleren und späten Phase ab der Serie B erhalten weiterhin Finanzierungen, und die Konzentration steigt stetig. Bei den einst heißesten klinischen AI-Projekten sind in den letzten zwei Jahren nur wenige Start-up-Unternehmen in der Lage, Finanzierungen zu erhalten.

Warum ist die medizinische AI auf dem Primärmarkt in nur zehn Jahren von heiß begehrt zu unbeachtet geworden?

Verteilung der Finanzierungen von AI-Projekten in verschiedenen Runden von 2023 bis 2025 (Datenquelle: Arterial Think Tank)

Die verborgenen Hindernisse der medizinischen AI

Während der Pandemie suchte der Direktor der Pathologieabteilung eines drittklassigen Krankenhauses in Chengdu Cheng An (Pseudonym) auf und wollte seine Erfahrungen in der Pathologie bei kolorektalem Krebs in ein digitales System umsetzen. Der Direktor hatte klinische und Krankenhausdaten, fehlte ihm aber nur an einem Technikteam, das die medizinische Logik in ein Engineering-Projekt umsetzen konnte.

Für Cheng An war der Vorschlag des Direktors sehr attraktiv. Er hatte keine Erfahrung in der medizinischen Branche, aber er wusste, dass medizinische Daten und ÄrztesRessourcen die Kernbarrieren der medizinischen AI sind. Da sein Unternehmen neue Wachstumspunkte suchen musste, überzeugte er schließlich das Mutterunternehmen, mehrere Millionen Yuan zu investieren und ein Technikteam von etwa 10 Personen zusammenzustellen, um die Entwicklung eines AI-Modells für kolorektalen Krebs unter der Leitung des Pathologiedirektors zu starten.

Mit seiner Erfahrung in der Internet-AI brachte das Team in weniger als einem halben Jahr die erste Version des Modells auf den Markt, mit einer Genauigkeit von etwa 85%. Aber als er versuchte, es weiter zu optimieren, stellte Cheng An fest: Außer diesem kooperierenden Krankenhaus konnte er fast keine anderen externen klinischen Daten erhalten.

„Die Haltung der Ärzte gegenüber AI ist deutlich geteilt: Die engagierten haben bereits mit etablierten Anbietern zusammengearbeitet und halten die Start-up-Teams für nicht wert; die vorsichtigen setzen die Datengesetzlichkeit und -sicherheit an erster Stelle und sind nicht bereit, ihre Daten freizugeben.“

Glücklicherweise war das Problem der fehlenden Daten nicht unüberwindbar. Nachdem sie die Realität akzeptiert hatten, begann das Team von Cheng An, die Algorithmen selbst anzupassen und führte das Few-Shot-Learning ein, um ein neues Modell zu entwickeln. Mit nur etwa 200 Fallbeispielen konnte der neue Algorithmus die Detektionsrate auf 97% erhöhen und konnte gleichzeitig verschiedene Krankheiten wie kolorektalen Krebs und Hämorrhoiden behandeln, was ihm erstmals klinischen Wert verlieh.

In der Internetbranche hätte man mit solchen Daten bereits eine vorläufige technische Validierung abgeschlossen und könnte problemlos mit der Umsetzung beginnen und einige weitere Finanzierungen erhalten. Aber nachdem er in die Welt der Krankenhäuser eingedrungen war, erkannte Cheng An, dass er die Schwierigkeiten der medizinischen Branche weit unterschätzt hatte.

Da es keine Zahlungspflichtigen für medizinische AI gibt, kann man selbst mit einem ersten Produkt nicht schnell Geld verdienen. Ohne Cashflow brauchte Cheng An dringend externe Finanzierungen, um den täglichen Betrieb des Teams aufrechtzuerhalten.

Im Jahr 2023 erhielt Cheng An die Möglichkeit, seine AI-Fähigkeiten im Chongqing Jinfeng Laboratory zu demonstrieren, und zeigte sie vor Akademiker Bian Xiuwu und seinen Schülern. Unter idealen Umständen hätte das Team, wenn es sich an das Chongqing Jinfeng Laboratory angeschlossen hätte, einen Zuschuss von 2 bis 5 Millionen Yuan von der Regierung von Chongqing erhalten können, um seinen Betriebsdruck zu lindern.

Wie erwartet lobte Akademiker Bian Xiuwu die Fähigkeiten des Modells bei der Demonstration, aber sie konnten sich schließlich nicht an das Labor anschließen.

Die Hindernisse waren die größte Barriere für das Team, um Finanzierungen zu erhalten.

„Hier gibt es sowohl harte als auch weiche Hindernisse. Beispielsweise hängt die Anbindung an ein Labor zunächst von der Teamstruktur ab. Unabhängig von den derzeitigen technologischen Ergebnissen muss das Team von erfahrenen Experten aus der medizinischen Branche unterstützt werden. Nur wenn bekannte Experten im Hintergrund stehen, hat man die Möglichkeit, über die nächste Stufe der Zusammenarbeit zu sprechen.“ Cheng An sagte gegenüber Arterial Network. „Wir hatten damals nicht genug Kapital.“

Nachdem er in Chongqing keine Möglichkeit fand, sich an ein Labor anzuschließen, suchte Cheng An den Direktor des Pathologielaboratoriums des Xiangya-Krankenhauses auf. „Der Direktor von Xiangya war sehr interessiert, stellte aber eine Reihe von Anforderungen. Wir sollten die Architektur des Algorithmus von Python auf OpenCV oder CUDA umstellen und die Erkennung von 3 bis 5 Krankheiten hinzufügen. Wenn wir diese Anforderungen erfüllen, können wir in das Pathologielaboratorium von Xiangya eintreten. Eine grobe Schätzung ergab, dass es mindestens 2 Millionen Yuan kosten würde, um diese Ziele zu erreichen.“

Während der Suche nach einer Anbindung an ein Labor suchte das Team von Cheng An auch ständig nach Investoren. Die Investitionsgesellschaften waren allgemein mit ihrer Technologie einverstanden, aber sie waren nicht bereit, in zu frühe medizinische AI-Unternehmen zu investieren. Sie hatten auch einige Privatpersonen angesprochen, aber diese Unternehmer verstanden normalerweise die AI-Technologie nicht und konnten die Technologie nicht validieren, sodass eine Investition nicht möglich war.

„Wenn ich jetzt zurückdenke, bin ich immer noch ein wenig frustriert. Wir haben die technische Validierung erfolgreich abgeschlossen, aber es hat uns dann ein halbes Jahr gedauert, den nächsten Schritt zu gehen. In diesem halbgeschlossenen Markt hatten wir einige ungültige Regeln in der Hand.“

Der Eintritt der Top-Unternehmen drängt die Mittel- und Kleinunternehmen in die Enge

Die Schwierigkeiten von Gründern wie Cheng An, die aus anderen Branchen kommen, spiegeln genau die aktuelle Situation der frühen medizinischen AI wider. Heutzutage gibt es deutlich weniger Gründer ohne medizinischen Hintergrund, und sogar Projekte von medizinischen Fachleuten verlassen den Markt. Die Top-Plattformen und großen Unternehmen drängen die Start-up-Unternehmen in die Enge.

Der Sektor der Bildgebungs-AI ist besonders typisch. In der Früh- und Mittelphase war der gesamte Markt verteilt und bestand aus verschiedenen Start-up-Unternehmen. Gründer mit unterschiedlichem Hintergrund entwickelten ihre eigenen Bildgebungs-AI-Anwendungen, was zu einem verteilten und spezifischen Markt führte.

Aber als die Akzeptanz der Bildgebungs-AI allmählich zunahm, begannen die Top-Hardwarehersteller, in den Sektor einzusteigen. Zunächst integrierten sie die Ökosysteme durch Kooperationen, und jetzt entwickeln sie eigene AI-Anwendungen, die die einzelnen Punkte zu einer Fläche verbinden und umfassendere und besser auf die Bedürfnisse der Ärzte zugeschnittene Bildgebungs-AI-Lösungen bieten. Die Start-up-Unternehmen verlieren allmählich ihre Machtposition.

Für die Radiologieabteilung bietet eine AI-Anwendung, die besser mit der Hardware und der Informationssysteme kompatibel ist und die Krankheitsherde genauer und umfassender erkennt, natürlich ein besseres Erlebnis. Aber für unabhängige Bildgebungs-AI-Unternehmen drängt die enge Bindung von Hardware und Software ihren Existenzraum immer weiter ein und verwandelt sie von einem unabhängigen Produkt in eine Zusatzsoftware für Geräte.

Bevor sie eine stabile Kommerzialisierung erreicht haben, verlieren sie bereits den unabhängigen Zahlungswert.

Deshalb ist es schwierig, wenn die älteren Unternehmen bereits in andere Sektoren umsteigen, dass neue Unternehmen entstehen können.

Der Sektor der medizinischen Informations-AI sieht anders aus. In diesem Sektor sind die meisten Krankenhäuser bereit, für AI zu zahlen, die aus bereits existierenden Systemen (wie HIS, PACS, EMR usw.) stammt.

Im Vergleich zur Bildgebungs-AI liegt der Vorteil dieses Sektors darin, dass die Krankenhäuser bereits an das Zahlen gewohnt sind und es bereits etablierte Geschäftsmodelle gibt, die man einfach übernehmen kann, ohne zusätzliche Anstrengungen zu unternehmen.

Aber genau deshalb gibt es hier auch viele Wettbewerber, darunter sowohl Top-Medizin-IT-Unternehmen, späte Start-up-Unternehmen als auch die drei großen Telekommunikationsunternehmen, die in den Sektor eintreten, und medizinische Gerätehersteller, die die Informationsflüsse integrieren.

Wenn neue Trends wie DeepSeek und OpenClaw auftauchen, können die Giganten sofort Lösungen veröffentlichen und schnell in die Systeme integrieren. Wenn die Start-up-Unternehmen ihr Produkt entwickelt und eine Beziehung zu den Krankenhäusern aufgebaut haben, hat sich die Branche bereits verändert.

Welche Art von AI investieren die Investoren heute?

Obwohl die stabile Ökosystemumgebung den Nährboden für die Entstehung von Start-up-Unternehmen schmälert, suchen immer noch viele Investoren nach neuen AI-Projekten. Im Vergleich zur Vergangenheit hat sich jedoch ihre Investitionslogik geändert. Sie stellen höhere Anforderungen und investieren eher in späte Phasen.

„Nach der Entstehung von großen Modellen wie GPT und Claude haben wir erkannt, dass die AI-Agent-Technologie einen qualitativen Sprung gemacht hat, sodass Start-up-Unternehmen und große Unternehmen wieder auf gleicher Stufe bei der Technologieentwicklung stehen. Theoretisch sind AI-Start-up-Unternehmen sehr investitionswürdig.“ sagte Li Yingjie, stellvertretender Direktor des Inno Angel Fund.

„Aber aus diesem Grund achten wir jetzt nicht so sehr auf die Qualität der AI-Technologie, sondern darauf, wer die Investoren sind, welches klinische Problem sie lösen und ob dieses Problem wirklich eine dringende Notwendigkeit der Ärzte ist.“

Die verstärkte Beachtung der Zahlungspflichtigen stellt im Wesentlichen zusätzliche Anforderungen an das Geschäftsmodell der medizinischen AI.

In der Welle der medizinischen AI, die auf CV und NLP basiert, sind die Unternehmen, die es auf den Sekundärmarkt schaffen, sehr begrenzt. Ihre Geschäftsmodelle basieren oft auf dem Verkauf von Servern oder auf einer Gebühren pro Nutzung. Oftmals helfen sie den Krankenhäusern nicht wirklich, ihre Bedürfnisse zu erfüllen.

Wenn die Krankenhäuser ihre Einstellung gegenüber AI ernst nehmen, achten sie nicht mehr so sehr auf die Form des Geschäftsmodells, sondern auf die AI, die tatsächlich zusätzliche Einnahmen generieren kann. Sie sind auch bereit, „nach den Ergebnissen zu zahlen“.

Deshalb investieren die Investitionsgesellschaften heute nur in AI-Unternehmen, die in der Lage sind, in kurzer Zeit eine Einnahmekapazität aufzubauen.

Nach dem gegenwärtigen Entwicklungsstand der medizinischen AI-Branche gibt es nicht viele Unternehmen, die das Geschäftsmodell „Nach den Ergebnissen zahlen“ anwenden. In den bestehenden Beispielen ist die automatisierte EMR-Schreibung mit der Unterstützung von großen Modellen das am ehesten erfolgversprechende Szenario für eine skalierbare Bezahlung nach Ergebnissen.

Dank ihrer Stärken in der automatisierten EMR-Schreibung gingen 2025 Fuxin Digital Science, Quanzhen Medicine und SenseTime Medical gegen die Markttrends voran. SenseTime Medical ist speziell, da es sich auf SenseTime Group stützt. Fuxin Digital Science und Quanzhen Medicine haben tatsächlich eine kommerzielle Skalierung erreicht, und letzteres hat innerhalb eines Jahres zwei aufeinanderfolgende Finanzierungsrunden erhalten.

Beim Werdegang eines Arztes ist die EMR-Schreibung eine grundlegende Aufgabe, die aber auch eine repetitive Arbeit ist, die viel Energie verbraucht und die klinische Fähigkeit nicht direkt verbessert. Laut Daten verbringen Ärzte fast die Hälfte ihrer Arbeitszeit mit der Schreibung von verschiedenen Dokumenten, was im Laufe der Zeit zu Berufsermüdung führen kann.

Zusätzlich führt der Überdruck bei der Schreibung auch zu einer Verschlechterung der EMR-Qualität. Phänomene wie Kopieren und Einfügen sowie unregelmäßige Inhalte treten häufig auf, was zu Abzügen bei der Krankenversicherung, medizinischen Streitigkeiten und Rechtsstreitigkeiten führt. Dies plagt sowohl die Frontarztes als auch die Krankenhausleitung. Die Unterstützung der Ärzte bei der Schreibung durch AI kann nicht nur die Arbeitsbelastung der Ärzte reduzieren, sondern auch die Qualität der EMR verbessern und die Betriebskosten des Krankenhauses senken.

Natürlich gibt es viele ähnliche Szenarien wie die automatisierte EMR-Schreibung. Unabhängig davon, ob es sich um traditionelle AI oder gegenwärtige Agenten handelt, liegt der Schlüssel darin, dass die Unternehmen einen geeigneten Einstiegspunkt finden, um den Kosten und Effizienz der Krankenhäuser zu verbessern und den Wert, den das Unternehmen für das Krankenhaus schafft, in eigene Einnahmen umzuwandeln.

Wohin geht es weiter?

Insgesamt bringt die Ära der Intelligenzagenten die Gleichstellung in der Technologie, aber die Innovation in der medizinischen AI wird immer noch durch die „Daten“ behindert. Die Datensicherheit ist nicht zu kompromittieren. Die Frage, wie man den Wert der Daten unter Einhaltung der Gesetze freisetzen kann, ist der Schlüssel, um die Branche aus der Sackgasse zu führen.

Zwar ist es von entscheidender Bedeutung, die Sicherheit der Gesundheitsdaten zu gewährleisten, aber wir müssen vielleicht auch einen Mittelweg finden, um den Wert der Daten unter Berücksichtigung der Datensicherheit voll auszuschöpfen.

Unter der Förderung der Nationalen Datenbehörde werden Mechanismen wie der Datenmarkt und der vertrauenswürdige Datenraum allmählich umgesetzt. Einige Krankenhäuser und Start-up-Unternehmen haben bereits Datenverträge abgeschlossen, um die Gesundheitsdaten unter Einhaltung der Gesetze wiederzuverwenden.

Wenn die Start-up-Unternehmen auch über legale Kanäle auf Gesundheitsdaten zugreifen können, sind wir überzeugt, dass die Unternehmer, die echte medizinische Bedürfnisse entdecken, wieder in den medizinischen AI-Sektor zurückkehren und die Zeit des echten digitalen und intelligenten Gesundheitswesens beschleunigen werden.

Dieser Artikel stammt aus dem WeChat-Account „Arterial Network“ (ID: vcbeat), Autor: Zhao Hongwei. Veröffentlicht von 36Kr mit Genehm