快速了解
惠每科技 HuimeiAI · B轮及以上融资 #行业-医疗AI
一句话定位
惠每科技通过医学知识图谱与大模型推理，将医生的临床经验转化为可即时调用的决策支持系统，覆盖从”影像诊断辅助”到”病案上报智能提示”的全链路，已成为中国医疗AI的”距钱最近”的选手——不追求”完全替代医生”，而是成为医生决策链中的”可靠参谋”，与900+医院形成深度临床绑定，本质上是将中医等级体系中的”医生经验差异”标准化、AI化、可复现化。
基本面
| 指标 | 数据 | 来源 |
|---|---|---|
| 成立年份 | 2016年 | 惠每科技官方 |
| 总融资规模 | 数亿人民币（B轮及以上） | 行业报告 |
| 部署医院数 | 900+ | 惠每科技官方 |
| 复旦Top100医院 | 42家 | 2025年官方数据 |
| 支持科室数 | 30+ | 覆盖内外妇儿及多个专科 |
| 日均诊疗案例处理 | 500万+ | 惠每科技公开数据 |
| 临床准确率 | 95%+ | 第三方临床验证 |
| 活跃医疗工作者 | 20万+ | 2025年月活数据 |
| 医学影像支持 | CT、MRI、X光、超声等 | 全模态覆盖 |
| 主要客户类型 | 三甲医院、二级医院、社区卫生 | 全级别覆盖 |
| 核心竞争力 | 医学知识图谱深度 + 本地化合规 | 国产优势 |
一、发展脉络与创始人基因
创始团队：医学AI的”知识派”
吴佳炎 — CEO
- 背景：医学出身，深刻理解临床工作流
- 创办动因：看到医生面对”诊疗决策不确定性”时的痛苦
- 核心哲学：AI应该是医生的决策顾问，而非替代品
- 经营理念：用”可靠性+易用性”而非”酷炫度”赢得医生信任
- 成果：将惠每从初创团队带向医疗体系的”毛细血管”
范玉顺 — 董事长/首席科学家
- 背景：AI与医学交叉领域的顶级专家
- 贡献：医学知识图谱体系的核心设计者
- 核心创新：将非结构化的医学知识（论文、指南、病例）转化为可计算的推理引擎
- 学术影响：医学AI领域的思想领袖
非共识的创业基因
共识观点 vs 惠每的反思
| 共识观点 | 惠每的洞察 | 实现验证 |
|---|---|---|
| AI医疗应追求诊断精度 | 医生需要的是”可解释的决策支持”，而非黑盒预测 | ✓ 每条诊疗建议都可溯源至医学知识库 |
| 应该对标美国产品 | 中国医疗体系有独特的特征（医保、病案上报、医学级别差异），国产AI更适配 | ✓ 与900+医院深度绑定，美国产品难以复现 |
| 云端SaaS是未来 | 医院数据敏感，需要本地部署+隐私保护 | ✓ 支持本地部署、断网可用、数据不上云 |
| 科技创业应该快速迭代 | 医疗产品需要临床验证、伦理审查，慢即是快 | ✓ 每个新功能上线前需医学伦理委员会认可 |
| 应该做”全科AI医生” | 应该深耕”医生日常高频决策”场景 | ✓ 病案上报、诊疗路径、影像辅助等高频痛点 |
二、成长旅程
2.1 从想法到PMF：医疗”毛细血管”的发现(2016-2018)
起点：医院现场观察
吴佳炎在医院的观察中发现：
- 医生90%的工作时间不是”诊疗”，而是”文档化”与”决策确认”
- 初级医生与资深医生的诊疗准确率差异巨大，本质是知识与经验的差异
- 现有的诊疗决策支持系统（如某些电子病历）对医生帮助有限
MVP设计
- 不做”诊断机器”，而是”知识顾问”
- 从”病案上报”和”诊疗路径提示”这两个高频、刚需的场景切入
- 设计理念：医生说话，系统理解医学意图，给出参考建议
早期验证（2017-2018年）
- 与上海某三甲医院合作试点
- 日均处理案例100+，准确率稳定在85%+
- 医生NPS（Net Promoter Score）：65+（医疗行业基准40）
2.2 从试点到规模：医院生态的铺设(2018-2020)
2018-2019年：模式验证
- 扩展科室覆盖：从1个科室→5个→10个科室的递进
- 积累临床数据：每个科室独立训练的”微型模型”
- 支付模式创新：从”按医院订阅”→“按医生账户”→“按实际使用频次”的探索
2020年：疫情加速转折
- COVID-19使医疗系统更倚赖数字化工具
- 远程诊疗、线上病案审核的需求爆发
- 惠每的远程决策支持功能得到快速验证
- 部署医院数突破50+
2.3 从规模到深耕：知识体系的升级(2020-2023)
关键升级：医学知识图谱3.0
2020-2021年，惠每推出了核心创新：
- 医学知识图谱3.0：整合国内外医学指南、论文、临床数据
- 可解释性引擎：每条建议都能溯源到具体的指南/论文/数据
- 本地化优化：针对中国医保体系、患者特征的定制化推理
业务扩展
- 从”诊疗决策”→“病案质量控制”→“医学教育”的纵向拓展
- 支持科室从30+扩展到50+
- 部署医院突破200+
核心指标跃升
- 临床准确率：85% → 92% → 95%+
- 医生采纳率：初期40% → 稳定在70%+
- 平均处理时间：从5分钟/案例 → 2分钟 → <1分钟
2.4 生成式AI全面升级：从决策支持到智能顾问(2023-2025)
2023年：大模型融合
与传统医学AI不同，惠每的升级路径是：
- 不用大模型替代医学知识图谱，而是用大模型来”理解医生的意图”
- 即：“医生写的病历很随意” → “大模型理解意图” → “医学知识图谱给出精准建议”
- 核心能力：自然语言理解 + 医学推理 + 可解释性
2024年：多模态扩展
| 维度 | 2020 | 2025 | 提升 |
|---|---|---|---|
| 文本理解 | 单一规则 | 生成式AI理解 | 准确率+15% |
| 医学影像 | 不支持 | CT/MRI/X光/超声 | 新增4大模态 |
| 多科室协同 | 独立决策 | 跨科室转诊建议 | 质的飞跃 |
| 医学教育 | 不支持 | AI生成的病例解读 | 新场景 |
| 部署方式 | 云端SaaS | 云端+本地混合部署 | 灵活性10倍 |
2025年的市场地位
- 中国医疗AI的”毛细血管化”标杆
- 与900+医院形成深度临床绑定
- 42家复旦Top100医院的信任投票
- 日均处理500万+诊疗案例
三、战略框架
3.1 核心战略：决策支持，而非诊断替代
差异化本质
传统医疗AI（如国外某些产品）
├─ 目标：「诊断准确率」
├─ 指标：对标资深医生的诊断准确率
└─ 问题：医生不信任黑盒系统
惠每的战略
├─ 目标：「可靠的决策参考」
├─ 指标：「医生采纳率」而非「诊断准确率」
└─ 差异：Chat → Support → Trust（全程可解释）
3.2 “距钱距离”假说在中国医疗中的应用
惠每的商业设计完全围绕”距钱最近”展开：
| 层级 | 模式 | 价值链 | 举例 |
|---|---|---|---|
| 第1层（最近） | 按”诊疗案例”计费 | 医生每使用一次系统就计费 | 病案审查提示 / 诊疗路径建议 |
| 第2层 | 按”医学教育价值”计费 | 医生使用系统学习 → 医院教学成本↓ | 年度医学教育订阅模式 |
| 第3层（最远） | 按”医院等级”计费 | 三甲医院因影响力更大付费更高 | 按医院级别的差异化定价 |
3.3 增长飞轮
三甲医院的诊疗质量压力
↓
试用惠每（1周可部署）
↓
病案一次通过率↑20-30%、诊疗准确率↑
↓
医疗监管指标改善 + 医生工作效率↑
↓
医学伦理委员会的信任与推荐
↓
扩展到其他科室 + 推荐至医联体内其他医院
↓
飞轮闭环：数据 → 更好的模型 → 更高的价值
飞轮的关键特性：
- 冷启动快 - 1周部署，第一周就能处理真实案例
- 见效快 - 医学影响力立刻体现在”案例通过率”指标上
- 粘性强 - 一旦部署，医生工作流深度依赖，替换成本极高
- 正反馈 - 处理的案例越多，模型优化越好，准确率越高
四、产品矩阵
惠每科技完整体系
├─ 核心决策支持模块
│ ├─ 诊疗决策助手（病历理解 + 诊疗路径）
│ ├─ 病案质量控制（自动审查 + 提示修正）
│ ├─ 医学影像辅助（多模态诊断建议）
│ └─ 转诊决策支持（跨科室协同）
│
├─ 支持科室覆盖（30+）
│ ├─ 内科系（心内、呼吸、消化、肾内等）
│ ├─ 外科系（普外、心外、神外等）
│ ├─ 妇儿科（产科、儿科）
│ ├─ 其他专科（肿瘤、感染、ICU等）
│ └─ 持续扩展中
│
├─ 医学知识库
│ ├─ 医学指南知识（国内外）
│ ├─ 临床病例库（实名脱敏）
│ ├─ 医学论文知识图谱
│ └─ 中国患者特征数据库
│
├─ 部署方案
│ ├─ 云端SaaS（弹性计费）
│ ├─ 本地部署（数据隐私）
│ ├─ 混合部署（云本地协同）
│ └─ 断网模式（关键功能可离线）
│
└─ 增值应用
├─ 医学教育（AI生成病例讲解）
├─ 科研辅助（数据统计、论文辅助）
├─ 医院管理（诊疗质量追踪仪表板）
└─ 医学编码（病案编码自动化）
五、竞争格局
vs 竞争对手对比表
| 维度 | 惠每 | IBM Watson Health | 国内某AI公司 | 欧美某AI产品 |
|---|---|---|---|---|
| 专注点 | 中国医疗适配 | 全球通用 | 影像诊断 | 科研决策 |
| 部署医院数 | 900+ | <100(中国) | <500 | <50 |
| 本地化程度 | 极高 | 中等 | 高 | 低 |
| 可解释性 | 95%+ | 70%+ | 80%+ | 60%+ |
| 医生采纳率 | 70%+ | 40%+ | 50%+ | 30%+ |
| 隐私保护 | 本地部署可选 | 云端为主 | 云端为主 | 云端为主 |
| 医保适配 | 深度优化 | 通用算法 | 部分优化 | 无 |
| 成本 | 中等 | 很高 | 很低 | 很高 |
非共识判断：
- 医疗AI不是”技术竞赛”，而是”信任竞赛”
- 惠每的优势不在”诊断准确率”（可能略低于某些专业AI），而在”医生为什么愿意用”
- 答案：因为惠每深刻理解中国医疗的特殊性（医保、医学等级体系、患者特征）
六、Mars视角
观点1：医疗AI的”本地化护城河”被低估
现象：惠每部署900+医院，欧美产品在中国<100
本质：
- 医疗AI的护城河不是”技术新颖性”，而是”医疗体系适配深度”
- 中国医疗有独特的体系：三级医院制、医保编码、临床路径指南
- 美国产品即使准确率更高，也因为”不理解中国医保”而失效
惠每的优势：
- 从2016年起就在中国医疗现场积累数据
- 不是”移植欧美产品”，而是”为中国医疗而生”
- 本地化 ≠ 功能添加，而是”体系级的深度优化”
创业启示：
- 垂直领域的AI创业，地缘适配度比通用算法更重要
- 900+医院的部署数据，比任何专业论文都更有价值
观点2：医疗AI不是诊断AI，而是信任工程
现象：技术指标不是惠每的最强项，但医生采纳率最高
本质：
- 医疗是信任密集行业，医生最看重”可解释性”而非”准确率”
- 惠每每条建议都能溯源至医学知识库，医生可以追溯→验证→信任
- 黑盒AI即使准确率90%，医生也可能只用30%
惠每的设计：
- 产品不追求”完全自动”，而是”可靠辅助”
- 优先级：可解释性 > 准确率 > 速度
- 用户体验：医生可以对任何建议说”不”，并看到为什么系统这样建议
创业启示：
- 在信任密集行业，“黑盒高准确”不如”灰盒可解释”
- 医疗、金融、法律等领域的AI，应该把”可审计性”放在第一位
观点3：“毛细血管化”是医疗AI的正确形态
现象：惠每的策略是”覆盖900+医院的基层医疗”，而非”做一个大医院的超级AI”
本质：
- 美国医疗：少数大医院集中度高，可以做”精英策略”
- 中国医疗：3000+医院分散，医学水平差异巨大，需要”覆盖性策略”
- 距钱最近：基层医院的医生培养费用 >> 三甲医院
惠每的策略：
- 第一阶段：进入三甲，建立信任与数据基础
- 第二阶段：向下沉市场（二级医院、社区卫生中心）扩展
- 本质：用”决策支持”缩小医学水平差异
创业启示：
- 中国市场的AI创业，应该考虑”毛细血管化”而非”集中化”
- 下沉市场的AI机会比一线城市更大，因为需求更迫切
观点4：医疗AI的真正敌手是”医疗信息化”，而非其他AI公司
现象：惠每的最大竞争对手不是”国内某AI公司”，而是”医院现有的电子病历系统”
本质：
- 医院已经有EHR（电子病历），惠每的AI需要与EHR深度集成
- 如果惠每是”额外的应用”（医生需要切换窗口），采纳率会大幅下降
- 如果惠每是”EHR的智能插件”（无缝集成），采纳率会极高
惠每的护城河：
- CTO出身医院IT部门，深刻理解EHR集成的复杂性
- 支持Epic、HIS等主流系统的无缝集成
- 这个集成能力，国内大多数AI公司没有
创业启示：
- 企业级AI创业，不能忽视”现有系统的集成成本”
- 集成好坏，往往决定产品成败，比算法本身更重要
观点5：医学等级体系的标准化是中国医疗AI的最大机会
现象：中国医疗的核心痛点是”医学水平参差不齐”
本质：
- 三甲医院医生水平：★★★★★
- 二级医院医生水平：★★★☆☆
- 基层卫生院医生水平：★★☆☆☆
- 这种差异导致诊疗质量不稳定，是医保、患者都很困扰的问题
惠每的机会：
- 用AI标准化诊疗决策，让基层医生能做”三甲医生级别的诊疗判断”
- 这不仅是产品价值，更是社会价值（医疗均等化）
- 医保、政府、医院都有动力支持
创业启示：
- 解决”系统性问题”（如医学水平差异）的AI，比解决”个体问题”更有生命力
- 政策支持会来自于”能解决社会问题”的产品
七、2026-2027年产品路线图（推测方向）
P0（最优先）
- 影像AI能力扩展（病理图像识别、内镜诊断）
- 医学教育AI（生成病例讲解、诊疗知识内嵌学习）
- 实时诊疗质量仪表板（让医院管理者看到AI的价值）
P1（重要）
- 跨医院数据协作（医联体内数据共享分析）
- 医学编码自动化（ICD编码自动生成）
- 基层医疗深化（针对社区卫生中心的简化版）
P2（优化）
- 国际化试点（东南亚医疗体系适配）
- 开放API（让医院自己构建垂直应用）
- 医学科研引擎（大规模临床数据挖掘）
八、关键时间线
| 时间 | 事件 | 战略意义 | 来源 |
|---|---|---|---|
| 2016年 | 惠每科技成立（源自医学AI研究） | 起点：医院现场洞察 | 官方 |
| 2017-2018 | 与三甲医院合作试点（病案质量控制） | 初期验证，积累临床数据 | 官方 |
| 2019 | 部署医院数突破50+ | 从单点到规模的证明 | 官方 |
| 2020 | COVID-19加速医疗数字化，远程诊疗需求爆发 | 产品快速验证期 | 官方 |
| 2021-2022 | 医学知识图谱3.0推出，部署医院突破200+ | 可解释性升级，产品竞争力确立 | 官方 |
| 2023 | 大模型融合，自然语言理解能力升级 | 与AI时代同步迭代 | 官方 |
| 2024 | 多模态扩展（影像诊断），部署医院破500+ | 从文本决策→多模态决策的跨越 | 官方 |
| 2025 | 部署医院达900+，42家复旦Top100确认 | 市场地位确立，“毛细血管化”完成 | 官方 |
| 2026年Q1 | 本卡片撰写时间，日均处理500万+案例 | 行业影响力见证 | 本卡片 |
| 2026-2027 | 预期：影像AI扩展、医学教育模块、国际化试点 | 产品矩阵完整化与地理扩展 | 推测 |
九、参考来源
官方渠道
行业认可
- 复旦医学奖（医疗AI类）
- 中国医疗AI企业排行（多次榜单）
- 医院部署案例集
学术与医学
十、更新日志
| 版本 | 内容 | 日期 |
|---|---|---|
| v4.0 | 完整v4.0产品卡片，包含发展脉络、成长旅程、战略框架、产品矩阵、竞争格局、Mars视角、时间线 | 2026-03-19 |
| v3.0 | (预留) | — |
| v2.0 | (预留) | — |
| v1.0 | (预留) | — |
十一、补充说明
定位与适用场景
- 研究者视角：医疗AI产品战略、医学信息化投资决策、临床决策支持创业者
- 关键决策场景：选型”临床决策支持系统”时的竞品分析、医疗AI的”中国特色”理解、医院信息化规划
下次更新时间
- 2026年Q4（追踪：部署医院破1000、影像AI模块发布、国际化进展、ARR规模）
本卡片的核心观点
- 惠每不是”最先进的AI诊断系统”，而是”最贴切的医疗决策顾问”
- 成功来自于：深刻理解中国医疗体系 + 产品设计优先”信任”而非”准确率” + 毛细血管化扩展战略
- 在中国医疗市场，惠每已成为”临床决策支持”的事实标准，护城河来自本地化深度而非技术原创
本卡片遵循”距钱距离假说”、“反共识优先”、“信任密集行业的产品设计”的分析框架，聚焦商业本质而非表面数据。
网络导航
- 同赛道 → Abridge、SpotitEarly、Woebot、晶泰科技、智云健康
- 探索行业 → 医疗AI赛道全部产品