人工智能技术已经存在于我们生活中的方方面面，在医疗领域也在不断创新与发展。爱吧机器人网了解到，近日，斯坦福出台了一份报告，为我们详细盘点分析了人工智能技术在医疗领域的八大应用，让我们一起走进这份报告，看看有哪些引人注意的观点：
十几年来，人工智能临床助手的观点已经成为了陈词滥调。尽管在医疗领域已经有了成功的人工智能相关技术的试点，目前医疗输送系统仍非常不幸的因结构病态难以吸收、应用新进展。由平价医疗法案(Affordable CareAct)提供的激励机制已经加快了EHR在临床实践中的渗透，但执行力度缺乏，破坏了临床医师对EHR作用的信心。
一小撮公司控制着EHR市场，用户界面普遍认为不合格，包括医师通常不理会恼人的弹出窗口。使用来自EHR数据的新型分析技术的潜力，包括人工智能，就由于这些原因和其他的条例与架构障碍而难以被意识到。
展望下一个15年，人工智能在进步，如果配合足够的数据与有的放矢的系统，这极有可能改变分配给临床医师的认知任务。医师如今还是老一套的从病人那里听取病症描述，在脑海中关联与已知疾病的临床表征的模式。
有了自动化助手，医师反而能够监督这一流程，应用自己的经验和直觉指导输入流程，并评估机器智能的输出。医师文字版本的实地经验仍然很重要。一个主要挑战是将人类方面的医疗与自动化推理流程最佳结合。
为了在未来取得进步，临床医师必须从开始就参与其中，从而保证系统能很好建立且值得信任。新一代的熟悉技术的医师已经在手机设备上经常使用专门化的App了。同时，初级保健医师的工作量已经增加到了寻求帮助的点。
因此，开发新机器学习方法的机会，通过自动挖掘科学文献创造推断架构模式的机会，以及通过支持自由形式对话的认知助手的机会，都是无比巨大的。鉴于这些进展并未受到条例、法律、社会障碍的阻碍，对医疗价值的巨大改进在我们的掌握之中。
医疗分析
在人口层次上，人工智能从数百万病人临床记录挖掘结果的能力能使得精细的、更私人化的诊断和治疗成为可能。随着完全的、一生仅一次的基因序列成为病人常规，基因型-表型连接的自动发现也将成为可能。一个相关的(可能较早)能力将会是发现“像我的病人一样的病人”，从而基于分析类似群体做治疗决策。
爱吧机器人网了解到，报告认为，传统的与非传统的医疗数据，因社交平台得以加强，可能导致自定义亚人口的出现，每个人受到周围有自动建议和监控系统的医疗提供商生态系统的管理。随着医疗流程和数百万个体的终身医疗记录变得可用，这些发展有潜力从根本上转变医疗输送系统。
类似地，可穿戴设备对个人环境数据的自动获取将扩展个人医疗。随着供应商发现吸引大量人口(例如，共享医疗)的发现，然后创造出能挖掘产生个人分析与建议的大规模人工数据，这些活动将具有更大的商业化可行性。
不幸的是，FDA在认可创造性诊断软件上进展缓慢，在加速创新上也有遗留障碍。HIPAA(Health Insurance Portabilityand AccountabilityAct)法案要求保护病人隐私，这导致了病人数据流应用人工智能技术的法律障碍。已批准药物的意外副作用可能要比今天出现的更快、更严厉，但分析药物相互作用的手机APP可能受阻于应用病人病例信息。
更普遍的是，医疗领域的人工智能研究与创新因缺乏被普遍接受的隐私保护方法与标准而受阻。FDA认可创新软件的速度缓慢，部分是因为不能清楚理解这些系统的成本/收益权衡。如果监管者(主要是FDA)认识到有效的上市后报告是一个可靠的对安全风险的对冲，对新的治疗与干预措施的最初认可可能成为可能。
自动图像解析也是研究了数十年的课程。对大型弱标记图像的解析进展是爆发性，比如来自网页的大型图片档案。乍一看，你会很惊讶几乎没有变革类似于医疗图像解析的。大部分生成医疗图像的方式(CT、MR、超声波)都是电子化的，图像都是存档的，而且也有大型的公司有专注于图像的内部研发机构(比如，西门子、飞利浦、GE)。
但目前为止，还有数个障碍限制了进展。在过去十年中，大部分医院的图像档案都电子化了。更重要的问题是不知道图片中的内容(图片中是肝脏还是肾脏?)，更不要说做出精细判断了(肝脏中的小黑点表明潜在的肿瘤?)。
严厉的条例管理着这些高风险判断。即使有前沿的技术，放射科医师仍然倾向于查看图像，所以价值定位还并不引人注目。同样，医疗条例阻碍了机构间的数据联合。因此，只有大型的整合医疗公司才能够解决这些问题，比如Kaiser Permanente。
自动/增强图像解析的发展开始加快。接下来的15年内可能不会带来全自动的放射学，但最初的图像分类或者下一层的图像检查可能提高医疗图像生成的速度的成本高效益。当与电子病人记录系统结合的时候，大规模的机器学习技术可能应用于医疗图像数据。
例如，多专业医疗系统有百万病人扫描档案，每个都有相关的放射报告，而且大部分有相关的病人记录。已经有论文表明通过在这些数据上训练深度神经网络，能产生基础的放射性发现，有很高的可靠性。
医疗机器人
15年前，医疗机器人大多是科幻小说内的形象。一家从IBM衍生出的名为Robodoc的公司为矫形外科手术开发机器人系统。技术是可用的，但公司难以商业化最终关闭，技术也被收购。尽管，近期外科机器人的研究与实际使用也开始爆发。
在2000年，Intuitive Surgical介绍了达芬奇系统，这是一个最初市场化的新技术，支持最低程度的心脏搭桥手术，然后在前列腺癌的治疗上也获得大量的市场吸引力，并在2003年与其主要的竞争对手Computer Motion合并。
医院运行中的智能自动化方面的成果较少，它不像外科机器人。20年前，一家名为HelpMate的公司为医院输送(比如食物和医疗记录的输送)创造了一个机器人，但最终破产。
最近，Aethon为基础输送引入了TUG机器人，但目前为止少有医院投资该技术。然而，其他服务产业的机器人，比如酒店与仓库，包括Amazon Robotics(前身为Kiva)的机器人都证明这些技术至少在大规模环境中是可用且具有成本效益的。此外，这些技术最终可能在医疗领域产生额外的创新。
往前看，医疗领域出现的很多任务将增强而非完全的自动化。例如，机器人可能向正确的屋子输送物品，但然后就需要人进行选择，并放到最终位置。一旦一位病人站到步行器上，陪伴病人在走廊走动可能就相对简单了(尽管面对术后或者老年病人，这个任务更琐碎，特别是在走廊有大量器械和其他人的情况下)。
在手术针准确放置的情况下，进行缝合对机器人而言也很简单。这表明很多未来的系统将在人与机器之间亲密交互，而且需要在两者间建立协作的技术。
自动化的成长将产生对医疗流程的新洞见。爱吧机器人网得知，报告分析，历史上，机器人机器人不是非常受数据驱动或是面向数据的科学。随着(半)自动渗透到医疗领域，这正在发生改变。随着新型外科、输送、以及病人看护平台变成线上，量化以及预测分析开始建立到来自这些平台的数据之上。
这些数据将被用于评估性能质量、识别缺陷、错误或者潜在的最优方式，而且将被作为反馈改进新能。简言之，这些平台将促进在做什么与结果档案间建立连接，使得真正的“闭环”医疗成为可能。
移动健康
目前为止，医疗上的循证分析依靠传统的医疗数据，主要是上面讨论过的电子医疗记录。在临床环境，有希望带入新数据。例如，在人工智能代理的帮助下，Tele-Language使得医师能够同时与数个病人进行语言治疗。而且从病人手机被动收集的数据中提取行为模式并发出警报的Lifegraph已被以色列的精神病医师采纳，用于检测病人苦恼行为的早期迹象。
向前看，受到移动计算革命的驱动，自然环境下生物统计学的惊人成长以及平台的爆发和应用是一个有希望且未曾意料到的趋势。大量的手机App如今在提供信息、引入行为修改，或识别“像我一样”的群体。这些结合更专门化的运动追踪设备(比如Fitbit)趋势的兴起，加上家庭环境与健康追踪设备之间的(内部)连通性的兴起，已经创造出了一个惊人的新的创新领域。
通过结合社交和医疗数据，一些医疗App能进行数据挖掘、学习与预测，尽管他们的预测相对基础。数据的聚合与功能性的跨应用可能将刺激出新的甚至更显著的产品，比如不仅建议锻炼日程甚至建议最佳锻炼时间的App，并且还能为这些锻炼日程提供辅导。
老年看护
在接下来的15年中，美国的老年人数量的增长将超过50%。美国国家统计局表示在接下来10年内，家庭健康助手将增长38%。尽管该领域有广泛的机会(基础的深灰指出、交互以及通信设备，家庭健康监控，各种简单的户内身体助手，比如步行器、备餐助手)，在过去的15年中发生过很少。
但即将到来的时代转变将伴随着老年人对技术接受度上的改变。爱吧机器人网了解到，报告认为，目前出生于1946年的70岁的老人可能在中年或者更晚的年纪才体验到一些形式的个性化IT，然而如今50岁的老人对科技更亲近也更熟悉。最终，对支持身体、情感、社交以及心理健康的可用的或者成熟的技术，老人将有更大的兴趣，也将有更大的市场。以下是一些可能存在的例子：
生活质量与独立性：
自动化交通将为老人提供持续的独立性以及更宽的社交界限。
共享信息将帮助家庭与出门在外的家庭保持联系，预测分析可能被用于推动家庭向积极行为发展，比如提醒往家打电话。
家庭中的智能设备将在日常生活活动上提供帮助，比如做饭。如果机器人操作能力有足够的改进，也能帮助老人穿衣服、如厕。
健康保健
监控运动与活动的手机应用配合社交平台将能够推荐保持心理与身体健康的建议。
室内健康健康和健康信息的接入将能够检测心态与行为的变化，并做出护理提醒。
个性化健康管理将帮助消除与多合并病症和/或治疗作用之间关联的复杂性。
治疗与设备
更好的听从助手与视觉辅助设备的建议将消除听觉与视觉障碍上的影响，提高安全性以及与社会的沟通。
个性化康复与家庭内治疗将减少去医院以及护理中心的需要。
身体辅助设备(智能步行器、轮椅、外骨骼)将拓展身体有限制的人的活动范围。
研究小组期望低成本传感技术的爆发能为家庭内的老人提供大量的能力。原则上，社会中实际存在(指人)以及有简单身体能力(例如，有基础交流能力的移动机器人)应该为新的创新提供一个平台。然而，如此做需要融合人工智能的多个领域(自然语言处理、推理、学习、感知、机器人)，从而创造一个老年人可用的、合用的系统。
这些创新将引发关乎多个圈子的隐私问题，包括朋友、家庭以及护理员。
教育
在过去的十五年间，教育界见证了为数众多的人工智能科技的进步。诸如K-12线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与，但人工智能在所有层面上都带来了强化教育的希望，尤其是大规模定制化教育。如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战，这一点医疗行业也是如此。
机器人早已经成为了广为欢迎的教育设备，最早可以追溯到1980年MIT MediaLab所研制出的Lego Mindstorms。智能辅导系统(ITS)也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。
自然语言处理，尤其是在与机器学习和众包结合以后，有力推进了线上学习，并让教师可以在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。
但是，学院与大学采用人工智能技术的步伐依然很缓慢，主要是由于资金的缺乏，以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年，智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大，因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。
教育机器人
今天，K-12线上教育学校能够利用更加复杂和多样化的设备，这些都来自于许多创造了可在多种语言中编程的新型传感技术的公司。Ozobot是一个机器人，教孩子们编代码以及逻辑分析去让它跳舞或根据颜色代码模型玩游戏。Cubelets帮助教孩子们通过组装有着不同功能的机器人模块以进行思考、行动或感知来学习逻辑思维。WonderWorkshop的Dash和Dot则有着广泛的编程能力。
八岁以及以上的孩子们可以利用一个虚拟编程语言Blockly创造简单的动作，或者通过C语言或Java制造一些IOS或安卓的应用。PLEO机器人是一个机器人宠物，帮助孩子们通过让机器人根据环境的不同方面做出反应反应学习生物学。然而，尽管有些机器人的确参与其中并带来乐趣，但是为了让它们更加普遍被利用，我们还需要一些有着足够说服性的证据以证明它们可以提高学生们的学术表现。
智能辅导系统(ITS)与线上学习
ITS由一些诸如Why-2Atlas的研究实验室项目发展而来，后者帮助人-机对话在这个时代的早期解决物理问题。ITS从实验室的试验阶段到实际应用的迅速转变十分惊人，但同时也是我们乐于见到的。可下载的软件与线上系统，例如Carnegie Speech或Duolingo提供了利用自动语音识别和神经语言程序学技术来识别语言中的错误并帮助用户修改的外语训练。
爱吧机器人网得知，斯坦福报告里表示，辅导系统，例如Carnegie Cognitive Tutor已经在一些美国高校中有所应用，帮助学生们学习数学。其他ITS也针对在图像、电路、医疗诊断、计算机知识和编程、遗传学、化学方面的训练进行了发展。认知辅导师软件可以模仿一个优秀的人类辅导师，例如在学生遇到某些数学问题时提供暗示等。基于所要求的暗示与提供的答案，辅导师可以提供详细具体的反馈。
这种应用也在向更高的教育扩展。一个叫做SHERLOCK的ITS正在开始用来教空军技师诊断飞行器中的电路系统障碍。南加州大学的信息科学学院已经研发了更多先进的，基于avatar的训练模块帮助训练被送往国际岗位的军队人员与有着不同文化背景的人们进行交流。对于个性化辅导的新算法，例如Bayesian Knowledge Tracing，让个体掌握学习和解决问题的次序。
大部分的惊喜来自于MOOCs的爆炸式发展与其他各种线上教育的模型——包括像维基百科和KhanAcademy以及复杂的学习管理系统，建立于同步或异步教育和适应性学习工具。自从上世纪九十年代后期，例如像Educational Testing Service和Pearson已经在研发自动化的自然语言程序学估测工具，在标准测试中联合评估论文。许多MOOCs课程非常受欢迎，还有EdX、Cousera以及Udacity都在利用自然语言处理、机器学习与众包技术来评估较短的答案与论文中的错误以及编程作业。支撑专业生级别的教育和终生学习的线上教育系统也在迅速扩张。这些系统都具有很大的潜力因为面对面的交流需要对于专家和跳槽者并不是非常重要。尽管他们不是人工智能系统和应用界的领导，但是他们会成为这些技术在经历测试和强化过程中的早期采用者。
可以认为人工智能是教师的秘密武器，特别是在高等教育中，可使用人工智能大幅度扩展他们的课堂级别。为了不断测试不同年级的学生，自动生成问题也是有可能，比如评估单词量的问题、多项选择问题，使用到了WordNet、Wikipedia、和线上知识本体这样的资源。随着线上课程的爆发，这些技术无疑将被线上教育采纳。尽管这些系统在教育系统中的长期影响还不明显，人工智能社区在很短时间内学习到了很多东西。
学习分析
从MOOC到Khan Academy这些大规模线上学习系统以及较小的线上项目收集到的数据集，以及促进了学习分析领域的快速发展。线上资源不仅对普遍传播有里，也是进行数据收集以及设备实验的天然工具，它有助于科学发现并规模化的改进学习质量。SocietyforLearning Analytics Research(SOLAR)这样的公司、Learning Analyticsand Knowledge Conference和Learningat Scale Conference这样的大会的出现无一不表明这一趋势。该社区也使用机器学习、自然语言处理以及其他技术分析学生的参与度、行为和结果。
目前的计划想要建模学生共同的错误概念，预测那个学生有失败的风险，并提供与学习结果紧密关联的实时反馈。近期的的工作也主要专注于了解关于阅读理解、书写、知识掌握、记忆和应用到教育实践(通过开发并测试这些教育技术)中的认知流程。
挑战和机遇
可以预见，人工智能技术将在学校、学院和大学有越来越先进的应用。其不可用的大部分原因是这些机构中金融资源以及数据的缺乏，从而无法有效地利用这项技术。这些问题正在得到解决，尽管很缓慢——通过私人基金和众多项目在暑期项目中培训(主要是)中学教师。就像在人工智能的其它领域中一样，过于MOOC的能力的过度炒作和承诺意味着预期往往会超出实际。圣何塞州立大学等特定机构的与Udacity的实验经历能让我们对新型教育技术的可能性有更清醒的认识。
在未来十五年，人类教师很可能会在人工智能技术的协助下实现更好的人类交互——不管是在教室里还是在家里。本研究小组预计会出现更一般化的而且更先进的虚拟现实场景，让学习可以沉浸式地学习他们将要学习的科目。这个方向已经有人工智能研究者和人文与社会科学研究者增加协作所得到的一些进展，例如斯坦福大学的Galileo Correspondence Project和哥伦比亚大学的Makingand KnowingProject。这些跨学科项目将历史文献和虚拟现实应用结合起来探索交互式考古。虚拟现实技术已经在生物学、解剖学、地质学和天文学等自然科学领域得到了应用，从而让学生可以与在真实环境很难触及的环境和物体进行交互。这种对过去世界和幻想世界的再创造将会在艺术和一些科学的学习中变得越来越流行。
人工智能技术将逐渐模糊正式的课堂教育与自学的个人学习之间的界限。比如，自适应学习系统(Adaptivelearningsystems)将会变成高等教育的核心，因为这可以在控制成本的同时教授大量学生，同时还可以让学生更快速地更换学校。尽管正式教育不会消失，但本研究小组相信MOOC和其它形式的在线教育将会以一种混合的教室体验成为所有阶段的学习的一部分——从幼儿园到大学。这一发展将促进越来越定制化的学习方法，其中学生可以使用教育技术按照对他们最好的节奏进行学习。在线教育系统将会和学生一起学习，从而帮助改进我们对学习流程的理解。而对学习的分析又会反过来加速个性化教育工具的发展。
目前从硬皮书到数字的音频媒体和文本的转变很可能将遍及整个教育领域。数字阅读设备也将变得更加聪明，让学生可以轻松获取他们所学科目的额外信息。机器翻译技术也将使不同教学材料之间的翻译更见简单，同时还能保证相当程度的准确性，就像现在翻译技术手册一样。目前仅依赖于人类译者的教科书翻译服务将会逐渐整合自动方法以提升速度和降低学校系统的服务成本。
在线学习系统也将给成年人和专业人士带来机会，让他们可以强化自己的知识和技能(或重新涉足新的领域)，更好地适应这个快速演进的世界。这将会包括完全在线专业学位以及基于在线课程的专业认证的扩张。
更广大的社会成果
爱吧机器人网获悉，斯坦福报告总结到，自广大人民难以获得教育的国家，如果这些群体有可以获取在线教育的工具，那么在线资源将会产生重要的积极影响。在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。比如说，针对iPad开发出了大量的、且大部分免费的教育应用。
在消极的一面，现在学生已有把自己的社会接触限制在电子设备上的趋势了，他们在网络程序的互动上花费了大量时间，却没有进行社会接触。如果教育也越来越多地通过网络进行，那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢?特定的技术已经表明这会产生在神经方面的影响。另一方面，自闭症儿童已经开始从与人工智能系统的互动中受益了。
