ตลาดหุ้นฮ่องกงกลับมาคึกคักอีกครั้งกับกระแส AI! Deshi Biotech ขึ้นแท่นตลาดหลักทรัพย์ฮ่องกง เส้นทาง AI โมเดลใหญ่สำหรับภาพถ่ายทางการแพทย์ต้อนรับยักษ์ใหญ่รายใหม่
เมื่อไม่นานมานี้ อารมณ์ของตลาดหุ้นฮ่องกงถูกจุดติดอีกครั้งด้วยโมเดล AI ขนาดใหญ่
หลังจากที่ยักษ์ใหญ่ AI ระดับสากลสองรายอย่าง Zhipu และ MiniMax เปิดตัวในตลาดช่วงต้นปี เมื่อวันที่ 30 มีนาคม บริษัท Hangzhou Deshi Biotechnology Co., Ltd. ก็ได้เข้าสู่ตลาดหลักทรัพย์ฮ่องกงอย่างเป็นทางการ
ในฐานะบริษัท โมเดล AI ขนาดใหญ่สำหรับภาพถ่ายทางการแพทย์รายแรกในตลาดหุ้นฮ่องกง การเข้าสู่ตลาดของ Deshi เป็นสัญลักษณ์ว่าสามเสาหลักแห่งวงการโมเดลขนาดใหญ่ของจีน “De-Zhi-Mi” (Deshi, Zhipu, MiniMax) ได้มาบรรจบกันที่ตลาดหุ้นฮ่องกงสำเร็จแล้ว
วันก่อนเข้าสู่ตลาด หุ้น Deshi ในตลาดมืดพุ่งสูงขึ้นประมาณ 101%; ในวันเปิดตัว ราคาเปิดสูงขึ้น 121.21% ในช่วงเช้า ปิดที่ 209.6 ดอลลาร์ฮ่องกงต่อหุ้น เพิ่มขึ้นสูงถึง 111.72% ซึ่งสะท้อนถึงความกระตือรือร้นของตลาดได้เป็นอย่างดี ณ วันที่ 1 เมษายน ราคาปิดอยู่ที่ 246.2 ดอลลาร์ฮ่องกงต่อหุ้น เพิ่มขึ้น 24.34% มูลค่าตลาดเกือบ 200,000 ล้านดอลลาร์ฮ่องกง
เมื่อเทียบกับ Zhipu และ MiniMax ที่มีมูลค่าตลาดเกินล้านล้านแล้ว ผลการดำเนินงานที่แข็งแกร่งของ Deshi ในช่วงเริ่มต้นเข้าสู่ตลาด ได้ทิ้งพื้นที่ให้ตลาดทุนได้จินตนาการถึงมูลค่าการประเมินอย่างเหลือเฟือ
หากดูเพียงอัตราส่วนราคาต่อรายได้ (P/S) มูลค่าตลาดปัจจุบันของ Zhipu เกิน 4 ล้านล้านดอลลาร์ฮ่องกง สอดคล้องกับ P/S มากกว่า 510 เท่า ส่วน MiniMax ก็รักษาระดับ P/S ที่สูงหลายร้อยเท่าเช่นกัน ในทางกลับกัน Deshi ที่เพิ่งเข้าสู่ตลาดหุ้นฮ่องกง มีมูลค่าตลาดเพิ่ง突破 200,000 ล้านดอลลาร์ฮ่องกง คำนวณจากรายได้ประมาณการทั้งปี 2025 ที่ 1,500 ล้านหยวน P/S ของบริษัทต่ำกว่า 1/4 ของ Zhipu และมูลค่าตลาดอยู่ที่ประมาณ 1/20 ของ ZhipU เท่านั้น ซึ่งหมายความว่าในตรรกะของเส้นทาง AI เดียวกัน มูลค่าปัจจุบันของ Deshi มีความคุ้มค่าอย่างชัดเจนและมีพื้นที่สำหรับการเติบโตมากขึ้น เมื่อพิจารณาจากแนวโน้มอุตสาหกรรมและพื้นฐานของบริษัทแล้ว Deshi ยังมีศักยภาพในการพุ่งสูงขึ้นต่อไป
ก้าวเข้าสู่สนามแข่งขัน
Deshi ก่อตั้งขึ้นในปี 2016 เป็นบริษัทอุปกรณ์การแพทย์ที่เติบโตขึ้นในท้องถิ่นของหางโจว โดยมุ่งเน้นการพัฒนาผลิตภัณฑ์และบริการด้านภาพถ่ายทางการแพทย์
แตกต่างจากบริษัทอุปกรณ์การแพทย์แบบดั้งเดิมและบริษัทโมเดลขนาดใหญ่บริสุทธิ์ สาขาที่ Deshi อยู่คือ “AI+การแพทย์” ซึ่งเป็นเส้นทางที่มีกำแพงสูง ความต้องการแข็งแกร่ง และอุปทานที่มีประสิทธิภาพหายากมาก ในเส้นทางนี้ Deshi เลือกเส้นทางที่ยากแต่ถูกต้อง นั่นคือ AI ภาพถ่ายทางการแพทย์
ทำไมถึงว่ายาก? เพราะก่อนหน้า Deshi มีบริษัทจำนวนมากทั้งในและต่างประเทศที่ผสาน AI กับภาพถ่ายทางการแพทย์ พยายามใช้เทคโนโลยีเพื่อเพิ่มประสิทธิภาพการวินิจฉัย ตลอดทศวรรษที่ผ่านมา บริษัทต่างๆ ได้ทำการปรับปรุง AI จำนวนมากสำหรับโรคเดี่ยวๆ เช่น ดวงตา ปอด เต้านม กระดูก และอื่นๆ และก็ประสบความสำเร็จในการ突破ด้านการระบุตำแหน่งโรคและการช่วยแปลผลในบางสถานที่
แต่เมื่ออุตสาหกรรมก้าวมาถึงวันนี้ อุปสรรคทั่วไปที่ปรากฏชัดเจนขึ้นคือ: ผู้เล่นส่วนใหญ่ยังคงเดินตามเส้นทางโมเดลเฉพาะสำหรับโรคเดียว ดูเหมือนจะกระจายจุด แต่จริงๆ แล้วมีต้นทุนการวิจัยและพัฒนาสูง วงจรการนำไปใช้ยาวนาน และขยายขนาดได้ยาก แอปพลิเคชัน AI ภาพถ่ายเหล่านี้ ในที่สุดก็สามารถอยู่ได้เพียงในระดับการปรับปรุงจุดเดียว ซึ่งไม่เพียงพอที่จะสนับสนุนการอัปเกรดอัจฉริยะของอุตสาหกรรมภาพถ่ายทางการแพทย์ทั้งหมด
และที่ว่าถูกต้อง ก็เพราะในอุตสาหกรรมมีความเห็นพ้องกันโดยทั่วไปว่า ภาพถ่ายทางการแพทย์เป็นสาขาย่อยที่มีความแน่นอนสูงที่สุดใน AI การแพทย์ เมื่อเร็วๆ นี้ NVIDIA กล่าวในรายงานล่าสุด “State of AI in Healthcare and Life Sciences: 2026 Trends” ว่า: ภาพถ่ายทางการแพทย์เป็นหนึ่งในสาขาที่ AI ถูกนำไปใช้และสร้างผลประโยชน์ทางเศรษฐกิจที่จับต้องได้มากที่สุดในปัจจุบัน
57% of respondents from the medical technology segment reported seeing ROI from deploying AI for medical imaging. (57% ของผู้ตอบแบบสอบถามจากกลุ่มเทคโนโลยีการแพทย์รายงานว่าเห็นผลตอบแทนจากการลงทุนหลังจากนำ AI ไปใช้ในด้านภาพถ่ายทางการแพทย์)
รายงานฉบับนี้ยังมองว่าภาพถ่ายทางการแพทย์เป็นสถานการณ์การใช้งานหลักที่ทำให้ AI การแพทย์เปลี่ยนจาก “การทดลอง” เป็น “การปฏิบัติ”
…reaping return on investment (ROI) on core applications like medical imaging and drug discovery. (ได้รับผลตอบแทนจากการลงทุนในแอปพลิเคชันหลัก เช่น ภาพถ่ายทางการแพทย์และการค้นพบยา)
ในบริบทเช่นนี้ การปรากฏตัวของ Deshi ได้ให้ตัวอย่างที่เป็นรูปธรรมแก่อุตสาหกรรมในการแก้ไขจุดบกพร่องเหล่านี้ และยังทำให้ตลาดได้เห็นเส้นทางที่เป็นไปได้ของเทคโนโลยีโมเดลขนาดใหญ่จากการวิจัยและพัฒนาสู่การเป็นอุตสาหกรรม
ภาวะติดขัดของ AI ภาพถ่ายทางการแพทย์
เป็นเวลานานที่ตลาดภาพถ่ายทางการแพทย์เผชิญกับจุดบกพร่องหลัก 4 ประการ:
ประการแรก วงจรการวินิจฉัยยาวนาน ตัวอย่างเช่น การวิเคราะห์โครโมโซมคาริโอไทป์ วงจรการวินิจฉัยเฉลี่ยของภาพถ่ายทางการแพทย์แบบดั้งเดิมค่อนข้างยาว
ประการที่สอง อัตราการวินิจฉัยผิดสูง เช่น อัตราการวินิจฉัยผิดทางคลินิกของเนื้องอกไขกระดูก (MN) ตามคาริโอไทป์ อยู่ที่ 18.5%; อัตราการวินิจฉัยผิดทางคลินิกของกลุ่มอาการไมอิลอดิสพลาสติก (MDS) ตามภาพถ่ายสัณฐานวิทยาสูงถึง 21%
ประการที่สาม อุปทานบุคลากรผู้เชี่ยวชาญขาดแคลนอย่างรุนแรง แพทย์แผนกอัลตราซาวนด์ในประเทศมีประมาณ 150,000 คนเท่านั้น ซึ่งยากที่จะตอบสนองความต้องการในการตรวจรักษาที่มากมาย
ประการที่สี่ วงจรการฝึกอบรมบุคลากรยาวนาน โดยปกติต้องใช้เวลา 5-10 ปีในการฝึกอบรมผู้เชี่ยวชาญด้านพันธุศาสตร์เซลล์ที่สามารถเชี่ยวชาญเทคนิคการวิเคราะห์คาริโอไทป์ได้หนึ่งคน
AI ภาพถ่ายทางการแพทย์แบบดั้งเดิมพยายามแก้ไขมาตลอด แต่ติดขัดที่ไม่สามารถทำให้โครงการวินิจฉัยมีความอัจฉริยะด้วย AI ได้อย่างรวดเร็วและต้นทุนต่ำ
เพราะบริษัทเหล่านี้ในระดับเทคนิค เกือบทั้งหมดเดินตามเส้นทาง “โมเดลเฉพาะโรค” พูดง่ายๆ ก็คือ โมเดลหนึ่งตัวจับจ้องอยู่ที่โรคหนึ่งชนิด ภาพถ่ายหนึ่งชนิด สิ่งนี้นำไปสู่ช่องว่างที่ใหญ่มากในกระบวนการทำให้ AI การแพทย์เป็นอุตสาหกรรม โดยโมเดลเฉพาะโรคแต่ละตัวต้องการข้อมูลที่ติดป้ายกำกับจำนวนมาก การมีส่วนร่วมของแพทย์ และการปรับปรุงอัลกอริทึม ซึ่งเทียบเท่ากับ ต้อง “สร้างล้อใหม่” ทุกครั้งที่ทำโรคหนึ่งชนิด
ที่ร้ายแรงกว่านั้นคือ โมเดลเฉพาะโรคเดี่ยวต้องเผชิญกับวงจรชีวิตที่ยืดเยื้ออย่างยิ่ง ตั้งแต่การวิจัยและพัฒนาอัลกอริทึมพื้นฐาน การตรวจสอบทางคลินิกหลายศูนย์ การรับรองความสอดคล้องจากสำนักงานคณะกรรมการอาหารและยา จนถึงการเชื่อมโยงห่วงโซ่การจัดซื้อของโรงพยาบาลของรัฐในที่สุด มักใช้เวลาหลายปี โรงพยาบาลก็ไม่สามารถติดตั้งโมเดลและอุปกรณ์ตรวจสอบอัจฉริยะที่แตกต่างกันหลายสิบหรือหลายร้อยตัวเพื่อการตรวจเหล่านี้ได้ ความยากในการขยายตัวจึงมีมาก
ในเดือนตุลาคม 2025 หน่วยงานห้าหน่วยงานของรัฐได้ออกแถลงการณ์ร่วมกัน โดยระบุชัดเจนว่าภายในปี 2030 โรงพยาบาลระดับสองขึ้นไปจะดำเนินการวินิจฉัยเสริมด้วย AI ภาพถ่ายอย่างแพร่หลาย ทั่วประเทศมีโรงพยาบาลระดับสองขึ้นไปมากกว่า 16,000 แห่ง และมีหลายพันประเภทของการตรวจภาพถ่ายทั่วประเทศ การใช้วิธี “หนึ่งโรคหนึ่งโมเดล” ไม่สามารถทำให้ “ดำเนินการอย่างแพร่หลาย” ได้เลย
แน่นอนว่า นอกจากปัญหาทางเทคนิคแล้ว ในระดับการค้า ความขัดแย้งหลักก็เด่นชัดเช่นกัน ปัจจุบันอุตสาหกรรมยังขาดผู้จ่ายและเส้นทางการเรียกเก็บเงินที่ชัดเจน ในขณะเดียวกัน มูลค่าเพิ่มที่ AI สร้างให้กับโรงพยาบาลและประกันสุขภาพนั้นวัดผลได้ยาก ห่วงโซ่เชิงพาณิชย์ยังไม่สามารถดำเนินการได้อย่างราบรื่น ปัจจัยต่างๆ เหล่านี้ล้วนส่งผลกระทบต่อการนำ AI ไปใช้ในวงกว้างในด้านภาพถ่ายทางการแพทย์
หนึ่งโมเดลพิชิตทั่วโลก
ในช่วงหลายปีที่ผ่านมา Deshi กำลังค้นหาคำตอบเช่นกัน
ซ่ง หนิง ผู้ก่อตั้ง Deshi และประธานเจ้าหน้าที่บริหาร ซึ่งเป็นผู้รับผิดชอบทีมวิจัยและพัฒนาของบริษัทด้วย มีประสบการณ์มากกว่า 20 ปีในสาขาข้ามระหว่างพันธุศาสตร์การแพทย์ วิทยาศาสตร์คอมพิวเตอร์ และ AI ในช่วง 5 ปีที่ผ่านมา ซ่ง หนิง เป็นหัวหน้าโครงการวิจัยและพัฒนาที่สำคัญของกระทรวงวิทยาศาสตร์และเทคโนโลยีแห่งชาติ และโครงการวิจัยระดับจังหวัดและกระทรวง 8 โครงการ ตีพิมพ์บทความวารสาร SCI มากกว่า 20 เรื่อง
เขาตระหนักถึงข้อจำกัดของ AI ภาพถ่ายทางการแพทย์แบบดั้งเดิมตั้งแต่เนิ่นๆ และเชื่อว่าเพื่อแก้ปัญหาจากรากฐาน โมเดลขนาดใหญ่ต้องสามารถมอบ “สมอง” ที่น่าเชื่อถือให้กับโลกภายนอกได้ เพื่อให้โครงการทั้งหมดสามารถบรรลุความอัจฉริยะด้วยต้นทุนที่ต่ำลง
โมเดลฐานภาพถ่ายทางการแพทย์ iMedImage คือ “สมอง” นี้ โมเดลขนาดใหญ่ที่พัฒนาด้วยตนเองนี้ มุ่งเน้นที่ ต้นทุนต่ำ การบรรลุการตรวจที่หลากหลายอย่างรวดเร็ว สามารถรองรับโหมดภาพถ่าย 19 ชนิด คลุม CT อัลตราซาวนด์ MRI ภาพถ่ายจุลทรรศน์ และอื่นๆ มากกว่า 90% ของสถานการณ์การใช้งานภาพถ่ายทางการแพทย์ ที่สำคัญกว่านั้นคือ โมเดลฐาน iMedImage สามารถ เสริมพลังให้แพทย์ ลดเกณฑ์การดำเนินการวินิจฉัยภาพถ่าย
ความยากหลักของการวินิจฉัยภาพถ่ายทางการแพทย์อยู่ที่การระบุความผิดปกติของตำแหน่งโรคได้อย่างแม่นยำและให้ข้อสรุปการวินิจฉัย ซึ่งความสามารถนี้พึ่งพาความรู้ทางการแพทย์ทางคลินิกที่แข็งแกร่งและประสบการณ์ทางคลินิกของแพทย์เป็นอย่างสูง ในปัจจุบัน แม้ว่ายักษ์ใหญ่ด้านอินเทอร์เน็ตจะวางแผนการวิจัยและพัฒนาโมเดล AI กันอย่างกว้างขวาง แต่ในสถานการณ์ทางการแพทย์ การระบุความผิดปกติของภาพถ่ายได้อย่างแม่นยำและการให้การวิเคราะห์วินิจฉัยที่เชี่ยวชาญนั้น อาศัยมากกว่าแค่พลังการคำนวณและอัลกอริทึม ในเวลานี้ ทีมงานของ Deshi ที่มีความรู้ทางการแพทย์จึงแสดงให้เห็นถึงข้อได้เปรียบ
สมมติสถานการณ์ทางคลินิงง่ายๆ ในโรงพยาบาลกระดูกและข้อที่มีชื่อเสียงบางแห่ง แพทย์สามารถตัดสินตำแหน่งกระดูกหักและระดับความเสียหายได้อย่างแม่นยำผ่านภาพถ่าย CT ด้วยประสบการณ์ที่อุดมสมบูรณ์ แต่ในโรงพยาบาลระดับอำเภอหรือตำบลบางแห่ง แพทย์มักขาดประสบการณ์การวินิจฉัยที่เพียงพอเมื่อเผชิญกับภาพถ่ายประเภทเดียวกัน และยากที่จะให้การตัดสินที่ถูกต้อง ในโหมดดั้งเดิม โรงพยาบาลใหญ่สามารถช่วยเหลือผู้ป่วยได้โดยอาศัยการปรึกษาทางไกล การออกตรวจของผู้เชี่ยวชาญ ฯลฯ เท่านั้น ซึ่งไม่เพียงแต่ยากในการนำไปปฏิบัติ แต่ขอบเขตการครอบคลุมก็มีจำกัด
Deshi ผ่านแพลตฟอร์มการให้สิทธิ์ทางเทคโนโลยี แพลตฟอร์ม iMed MaaS สามารถมอบโซลูชัน AI ระดับสากลที่ไม่มีโค้ด เกณฑ์ต่ำ และมีความทั่วไปสูงให้กับแพทย์และนักวิจัย ตัวอย่างเช่น ในสถานการณ์การวินิจฉัยกระดูกหักที่กล่าวข้างต้น ด้วยการพึ่งพาแพลตฟอร์มการให้สิทธิ์ทางเทคโนโลยีที่ Deshi สร้างขึ้น ผู้เชี่ยวชาญด้านกระดูกและข้อจากโรงพยาบาลระดับสาม甲ชั้นนำสามารถฝึก “โมเดลขนาดใหญ่เฉพาะสำหรับการวินิจฉัยเสริมกระดูกหัก” ที่มีมาตรฐานการแปลผลระดับผู้เชี่ยวชาญได้โดยไม่มีโค้ด โดยใช้โมเดลฐาน iMedImage หลังจากโมเดลดังกล่าวถูกนำไปใช้ในโรงพยาบาลระดับพื้นฐาน คอมพิวเตอร์หนึ่งเครื่องสามารถช่วยแพทย์ระดับพื้นฐานให้ได้รับความคิดเห็นการวินิจฉัยเบื้องต้นของภาพถ่ายกระดูกหักได้อย่างรวดเร็ว ความสามารถในการวินิจฉัยเพิ่มขึ้นอย่างเห็นได้ชัด
แน่นอนว่าโมเดลฐานนี้ยังสามารถ “ปรับแต่ง” โมเดลการวินิจฉัยเฉพาะทางต่างๆ ให้กับแผนกที่มีความเชี่ยวชาญของโรงพยาบาลที่แตกต่างกันได้ โดยใช้เพียง “สมอง” เดียวคือ iMedImage ประสบการณ์การตรวจรักษาของแผนกเฉพาะทางชั้นนำของโรงพยาบาลระดับแนวหน้าของประเทศก็สามารถตกตะกอนได้ จึงทำให้การกระจาย ทรัพยากรทางการแพทย์คุณภาพสูงสู่ระดับล่าง เป็นไปด้วยต้นทุนที่ต่ำลงและประสิทธิภาพที่สูงขึ้น
ในเดือนกันยายน 2024 Deshi เริ่มได้รับรายได้จากบริการให้สิทธิ์เทคโนโลยีโมเดลขนาดใหญ่ผ่านแพลตฟอร์ม iMed MaaS ปัจจุบัน Deshi คลุม โรงพยาบาลปักกิ่งเซี่ยเหอ โรงพยาบาลจงซาน สังกัดมหาวิทยาลัยฟู่ตั้น และโรงพยาบาลระดับสาม甲ชั้นนำอื่นๆ โดย <
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
☕ สนับสนุนค่ากาแฟทีมงาน
หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/28390