人工智能在医疗领域的准入、管理与前景
图表来源：李开复.《人工智能》
《人工智能》一书中，把Gartner技术成熟度曲线与人工智能波折起伏发展历程相对应，是不是现在人工智能到了一个最成熟的阶段，接下去将走向一个应用的繁荣时代呢？这也值得大家再深思。
关于人工智能的未来，去年7月，国务院发布了新一代人工智能的发展规划，其中比较详细地制订了人工智能三步发展的战略目标。第一步，到2020年人工智能总体技术和应用与世界先进水平同步；第二步，到2025年人工智能基础理论实现重大突破部分技术与应用达到世界领先水平；第二步，到2030年人工智能理论、技术与应用总体达到世界领先水平。五年一个目标的一个三步目标。
去年12月，工信部印发了《促进新一代人工智能产业发展三年行动计划》（2018-2020年），明确提出重点培育和发展医疗影像辅助诊断系统等智能化产品，推动智能产品在经济社会的集成应用。在国家政策引导下，有望实现规模化的发展，形成由点到面的突破。
图表来源：李开复.《人工智能》
◆◆◆
人工智能在医疗领域应用的沿革、现状及存在的问题
人工智能在医疗领域的应用范围比较广，在疾病的预防、诊断、治疗等全方位都可以得到应用，实际上，国际最早在医疗领域应用是英国的利兹大学，将人工智能应用于腹部诊断。
1976年到2010年间，人工智能虽然得到一些应用，但并不是很成功。2011年开始，人工智能在IBM的肿瘤循证诊断方案里得到了比较大的应用，肿瘤诊断准确率达到了70-80%，特别在2015年得到了比较好的应用。2016年苹果、谷歌等公司也在辅助诊断方面开展了较好的人工智能应用。2018年，我国国家神经系统疾病临床医学研究中心，神经影像人机大战也得到了应用。
我国医疗人工智能领域的研究较发达国家晚，但发展速度迅猛。1978年北京中医医院关幼波教授与计算机科学领域的专家合作开发了关幼波肝病诊疗程序，第一次将医学专家系统应用到我国传统中医领域。近些年，百度的医疗大脑正式对外发布；腾讯与中山大学的南山医院合作，在广东开展了食道癌早期的筛查系统的试点；阿里公司也在很多疾病开展了一些智能诊断。
图表来源：奇璞研究
整个人工智能在医疗领域应用的三个时期，第一个时期是数据整合阶段，就是医疗数据标准化低，拥有医疗大数据的公司具备竞争优势与议价的能力。第二阶段是“数据共享+感知智能”阶段，医疗数据融合到一定程度，出现辅助诊断、图像识别等商用产品。第三阶段是“认知+健康大数据”阶段。
人工智能发展的核心有三个元素，第一是算法，第二是数据，有效的医疗大数据，第三是计算能力。算法、有效数据以及计算能力是医疗人工智能发展中十分关键的三要素。
先进的算法是实现人工智能的核心，能够提升我们数据使用的效率，提升从信息到知识，从数据到知识这样一个转化过程，把数据转化为决策的依据、应用的依据。
同时有效的大数据是人工智能应用的基础，数据的有效性要满足三方面的条件：数据的电子化，就是病历病案的电子化；数据标准化的程度要可比；共享机制，关于数据的获取，国外很多公立医院数据每年都公开，而我国缺乏很多数据的共享机制，获取数据的便利性、合法性缺失。最后是计算能力，就是前面讲的人才，要有计算能力，人才是很重要的另一个基础条件。
图表来源：动脉网
到现在为止，人工智能一共在九大新领域得到了比较好的应用。比如，虚拟助手，虚拟医生、虚拟助手在随访方面发挥了很大的作用；疾病的诊断与观察，现今老年痴呆症诊断方面，也有很大的人工智能应用的机会；应用最多的是医疗影像和病理方面；药物的研发，利用大数据和虚拟技术，可以提高药物研发的效率；还有医院管理等方面。这九大方面都是很宏观的人工智能应用领域。
虽然人工智能在医疗领域的应用取得了一定的成效，但是在实际解决问题上还有很多路要走，还存在很多问题。
首先是医疗数据的问题，医疗数据的问题包括四个方面：一是医疗大数据的有效性，数据未实现电子化，各个医院的数据很多还没进入数据化、电子化。没有电子化，大数据就没法应用；
二是数据的标准化，书写的格式、方法、标准，是不是有标准，没有标准则没有办法使用；
三是数据的共享机制，不同医疗机构之间对社会应该开放到什么程度，否则没有数据共享的话很难应用；
四是隐私保护，在伦理方面很重要。其次，医疗本身的问题，主要包括：诊断环节：疾病的症状与结果之间没有确定的对应关系，不同疾病之间也没有清晰的边界；治疗环节：医院、医生、药店建立怎样的商业生态等。第三是医保支付，我们所有的人工智能产品如果没有医保的支付，没有形成商业模式，经济得不到支撑，怎么去投入？没有回报的产业的寿命不会很长。人工智能和医生服务不一样，人工智能中医保支付到底该怎么实行？
医保是医疗人工智能发展的催化剂，如果没有这一块，长期靠烧钱投入而没有回报的话很难，医保支付是所有问题中重要的关键点。
最后，还有责任风险问题；法律监管问题，标准不完善则法律监管比较难，医疗人工智能行业统一的标准还不完善；人才培养问题，医学人才中既有医疗技术知识，又有人工智能技术的复合型人才非常缺乏；行业布局的问题。这些问题都需要逐步解决。
◆◆◆
人工智能在医疗领域应用的准入管理
关于人工智能，特斯拉的马斯克说人工智能有可能是人类的终结者，必须严格监管。而Facebook的扎克伯格说，人工智能远没有这么可怕，应大力发展，人工智能可被人类驾驭利用，应放宽监管。当然还有第三个观点认为目前不用监管，有三个理由：人工智能还是一项基础性的技术、现在谈监管为时过早以及应在什么层面进行监管仍不明确。
监管的问题在今后是一个比较大的问题。分国家来看，美国食药监局FDA的放射健康部门1998年已经开始监管计算机辅助识别系统。2015年开始，欧盟议会法律事务委员会（JURI）决定成立一个工作小组，专门研究与机器人和人工智能发展相关的法律问题，并在2016年12月发布了《机器人民事法律规则》。
2017年10月8号，中共中央办公厅、国务院办公厅印发了《关于深化审评审批制度改革鼓励药品医疗器械创新的意见》，提出要完善和落实药品实验数据的保护制度。2017年2月14日，国家卫生计生委办公厅发布《人工智能辅助诊断技术管理规范（2017年版）》。
人工智能辅助诊断的准入至少有一定的依据，但是目前整个标准还没有形成，现在很多药监局批的医疗器械、人工智能产品还没有正式的注册审批，这对应用是一个很大的挑战。合法不合法的问题，没有准入、没有批准的产品，人工智能技术怎么发展，这都是很大的问题。
我国国家药监局2015-2017年连续发了关于人工智能方面的四个文件。
2015年7月14日，CFDA为了规范医疗器械分类，颁布了《医疗器械分类规则》，规定涉及到决策支持、辅助诊断的医用软件为Ⅲ类医疗器械，将软件作为第三类医疗器械，但到现在为止还没有一个正式的三类医疗器械通过审批。
2015年8月5日，CFDA组织制定了《医疗器械软件注册技术审查指导原则》。要求软件描述文档包括基本信息、实现过程和核心算法。
2017年8月25日，CFDA发布《药品数据管理规范》意见稿规范产品生命周期中全部活动的数据管理，要求高层管理人员对药品数据可靠性负最终责任。
2017年9月21日，CFDA规定申请人应当通过总局医疗器械标准管理中心（以下简称标管中心）分类界定信息系统提出分类界定申请。
◆◆◆
人工智能在医疗领域应用前景的展望
人工智能可以扩充我们的脑容量、延伸脑功能、增强脑负荷。
人工智能最适宜在成熟技术和基础领域展开。中国人多，基数大，市场大。整个医生队伍水平，全国医生50%是本科以下的。在医疗领域应用最有前景的十大领域，医学影像识别和病理诊断是我国目前应用比较多的，还有一些辅助、随访病人方面，在辅助手术方面，在辅助护理方面，也有广阔的前景。健康中国要求从预防开始加强，所以在健康管理方面、健康提升方面，可穿戴设备也有很大应用范围。
人工智能可以弥补人力资源的不足。目前整个卫生界医生数量严重不足，今后老龄化导致看病需求进一步增长，按照现在的医生培养速度，很可能满足不了需求，初诊可能需要由机器人完成，所以把人工智能发展好，可以解决人力不足的问题。
人工智能可以降低成本。有报道说人工智能做的好的话可以降低50%的成本，提高效率，降低医疗支出，也可以实现更准确的医疗、更好的管理，减少后续医疗费用支出。通过人工智能手段能够提高医生的工作效率，降低医疗成本，也可以通过人工智能制定科学合理的健康医疗方案，减少不必要的医疗支出，特别是医保局通过人工智能监测不正常的医疗处方和治疗方案，控制医疗成本。
人工智能可以提高医疗的准确率。人工智能的记忆力和计算能力肯定优于一个人的人脑，通过分级诊疗提升基层医生的能力，也可以赋能我们基层医疗的智慧。
来源｜三思派
「智能皮肤」发展历程回顾
湘西引入「医疗人工智能」金凤凰创新模式推动国家政策落地
人工智能需突破哪些阻碍，才能充分绽放潜能？
五大因素决胜医疗AI，丁香园人工智能实践分享返回搜狐，查看更多
人工智能在教育中的应用场景
AI+教育”正从功能组件的1.0时代，进入整体解决方案的2.0时代。
在教育的三大角色（老师，学生，家长）之外，人工智能的崛起将成为教育的第四极。
过去乃至现在，我们所了解的AI技术在教育行业的应用，多以功能组件形式存在，体现的是AI能力和组件层输出的单维能力，例如拍照判题、语音评测、人脸签到等。
国务院发布《新一代人工智能发展规划》，将人工智能写入国策，后续发布的《中国教育现代化2035》，进一步强化了人工智能在教育现代化中的重要意义。且中国计算机和AI人才正处于爆发期。这样的时代背景，都有助于AI+教育的快速发展。
人工智能和教育的融合，其本质还是要回归到教学质量
好未来某CTO曾说过：我们所有的技术探索，根本目标还是要回归到教育本身，在人工智能领域的探索实践中，好未来始终谨记两个教育理念：宏观而言，坚持助力“更加公平而有质量的教育”，微观考虑，坚守教育立德树人根本，为每个孩子提供最适合的教育。
我觉得说的很好，也是我一直推崇的理念。
宏观来说，融入科技的教学能够将更多的优质的课程通过线上的方式传播给更多人，消除贫富差距，地点限制，让孩子们能接受到同等同质的教育机会。微观的说，每个孩子都有自己的个性化问题，传统的题海战术让孩子负担过重，通过AI实现个性化教学，真正为教育减负！
基于以上的时代背景和理念，我大胆地在教学全流程种应用AI教育，具体如图所示：
具体的场景应用：
1.教研场景-助力教师
传统的教研场景存在的痛点有：
无系统教研资料，教研过多依赖教学经验，给新人的成长带来过高门槛
教材难以人为的达到真正的分层教学，教师备课消耗精力过大
现实中的磨课能难做到磨一整节课，因为听课教师精力有限，但磨十分钟或者磨译者知识点又难以得到真正的成长。
针对以上存在的痛点，提出的解决方案有：
利用基于班级或个体的学情，通过计算机视觉，自然语言处理，数据挖掘等人工智能技术，为教师生成个性化的教案，包括教学计划，对应课件，并且能根据学生学习过程中产生的新的学情，再次做出调整。
通过语音识别，计算机视觉，自然语言处理等技术为教师提供虚拟化的课堂场景，根据老师试讲的过程提出建议，如肢体动作和谐，语言逻辑性等等。
2.教学场景-助力教师、学生、家长
传统的教学场景存在的痛点有：
课程人数众多，无法兼顾到所有学生的学习状态，如是否开小差，是否听不懂等。
学生想记笔记，但是有的时候不知道重点在哪里，最后什么都没记。
老师想检查学生笔记，无奈没有太多的时间去认真检查和纠正。
家长很想了解学生上课的状态，是否专心，是否听懂了等等细节，但是依赖教师下课做反馈，导致教师可能有反馈不及时的情况发生，或者反馈千篇一律的情况。
针对以上存在的痛点，提出的解决方案有：
利用人脸检测，表情识别，姿态识别等分析学生上课的专注度，动态调整学习内容。
利用图像识别，文字识别等技术根据授课内容自动生成笔记，将学生所做笔记与智能生成的笔记进行对比，帮学生笔记查漏补缺。
利用图像识别，姿态识别来动态抓取学生上课的情况，并进行分析自动发送给家长。
3.作业场景-助力教师、学生
传统的作业场景存在的痛点有：
学生作业本来就多，压力本来就大，学生不愿意再去写培训机构布置的作业了。
老师布置了作业很难有时间一个个的仔细检查，一对一的讲解错题，讲解完了以后也不能及时找到同类型的题进行验证，而老师布置了作业不及时检查，不及时讲解，学生久而久之就不会再做这个作业。
针对以上存在的痛点，提出的解决方案有：
根据学生之前产生的学习数据，利用知识图谱，深度学习的算法，精准定位每一位学生知识点的掌握程度、认知等级与薄弱点，构建学生“学情数据画像”档案，用数据指导学生“定向学习，精准作业（作业减负）”，帮助学生“减负增效”，告别“题海战术”。“学生不是不愿意做题，而是不愿做无效习题！”
利用图像识别技术自动识别学生上传的题目并检索答案，及时反馈学生的错题，为学生高效答题。同时基于学生错题分析，智能生成同类型的习题进行验证，有效节约老师为学生定制个性化习题所花费的时间。
4.考试场景-助力教师、学生
传统的考试场景存在的痛点有：
每一次考试，任课老师需要精确定位学生薄弱知识点并一一分析，学员众多，工作量非常大，导致偷工减料，没有非常细致的分析，很难做到真正的因材施教。
学员众多，每一次考试阅卷问题也耽误老师很多的时间。
每一次考试都要到处去找合适的题，不仅要针对学生的薄弱知识点，还要邹忌大量的本土化试卷进行分析，才能出一份比较专业的事情，耗时耗力。
针对以上存在的痛点，提出的解决方案有：
个性化组卷，针对以往学生学习知识点以及本土化的考纲考点，智能化出题。
基于图像识别、自然语言处理、数据挖掘等人工智能技术，采集汇总学生考试结果，分析不同知识点弱项，进而形成学生学情报告，为老师个性化辅导提供了建议，且也为营销新生或做续班提供了有效的教学可视化数据。
基于手写识别，自然语言处理等技术，实现客观题及主观题的自动批改及赋分，大幅提升阅卷速度。
5.管理场景-助力校长或教学主管
传统的校区教学管理场景存在的痛点有：
对校区整体的教学质量没有很好的把控，可视化的校区整体教学水平的数据较少。
学员众多，很难关注每个学生，没有学生成绩预警数据，总是等到学生流失，家长投诉，才知道学生在我们这里的情况。
评判教师的数据过于单一，不可量化，而建立班级对比数据，学科对比数据，可以很好的横向对比教师的综合能力。
针对以上存在的痛点，提出的解决方案有：
形成学校大数据：班级成绩对比分析，学生个体大数据分析
学生成绩预警：根据对学生个体成绩数据的沉淀和分析，对于成绩不好的学生提前进行预警，如根据该学生的表现，预测该学生可能会期末考试考不好，那么对于这类学生进行预警，同时对任课老师，家长采取行动，降低家长满意度，尽可能的提高分数！
在上述我所想到的应用场景，其实某些大公司已经在实施或者有部分已经成型，但随着人工智能技术的深入发展，覆盖“教研”–“教学”–“作业”–“考试”–“成绩管理”一整套的解决方案也终究会呈现出来。而其技术的实现的背后，需要依靠大量数据的积累以及AI人才的付出，单凭几个人是完全不够的。
而我之前研究的是：学生成长轨迹预测，主要是通过找到与学生成绩表现关联最大的几个因素，如考勤；作业完成情况；知识点遗漏情况，各类考试情况，设置最小支持度和最小置信度，判断哪几个因素和学期成绩表现是强关联，提取这些因子，也就是提取大量影响成绩的因素，然后获取大量学生的这些数据进行训练生成训练模型，然后对未知学生的成绩进行分类预测。
通俗的说，就是通过已知学生的成绩变化曲线去预测一个跟他成长轨迹很相似的学生的未来发展情况。
再通俗点说，就是你妈妈经常跟你说的一句话“你再这样下去，以后就只能和谁谁谁一样最后只能读大专啦！！！”，那妈妈其实是凭借着妈妈的经验来说的，妈妈对比了你过往的表现，然后和她脑袋里面所知晓的街坊邻居的孩子进行了对比，发现了一个和你成长情况最像的孩子，于是她告诉你，你以后也会成为这样的人。
那么利用人工智能的算法去做这件事。首先，我们评判的维度是量化的，而非感性的；其次，我们系统里，拥有大量的学生的各维数据，数据越多，能够找到的和你成长轨迹最接近的概率越大，那么对你以后的成长的预测也就越准确！
另外，个性化测评以及自适应学习，目前有很重要的一环是：对系统预设的知识点进行多维度的打标签，并形成知识图谱，以及她们之间的相互关系，这个图谱能让系统更好的决定哪个内容才是更适合学生的。
要做好这个数据沉淀，还是需要在教研界摸爬滚打纪念才能有这样打标签和形成数据沉淀的能力，或者跟大公司合作。
说白了，个性化测评的重要一环是对知识点进行尽可能小的力度的拆解，再利用计算机视觉和自然羽然处理等技术确定孩子的学习情况，而自适应学习是基于一定规则的学习路径动态规划，是否真正能做到自适应学习，取决于规则制定的简单还是复杂。目前在这条路上，所有的公司，所有的AI技术从业员都有很长的路要走。
整体来说，我认为AI+教育是一个极具前景也富有情怀的发展方向。通过AI技术，不仅能够实现“千班千面”甚至“千人千面”的教学方法，真正做到“因材施教，教育减负”，同时也能高效的帮助老师完成一部分的教学管理工作，让老师更多的精力放在辅导和育人上面。同时也能够一发部分程度的实现教育平等，让人人都有资格享受更好更优质的教育！
目前，参与AI+教育事业的有四类公司：
首当其冲的教育类公司，由于教学痛点的长期存在，所以未来也会进一步参与到AI+教育中来。
资源整合能力超强的互联网巨头，拥有技术，资源，入口，应该会比较容易通过2B的场景进入AI+教育场景。
人工智能技术提供商，教育痛点天然存在，而解决方案大同小异，所以突出重围的重点在于教育的根基加上AI技术的纵向深耕。
计算平台，AI技术的相关应用，需要大量数据作为支撑，必然需要技术平台为其计算，训练模型提供坚实的基础。
作者：Jolin来源：人人都是产品经理，本文有所删减、
互联互通社区互联互通社区专注于IT互联网交流与学习，旨在打造最具价值的IT互联网智库中心，关注公众号：互联互通社区，每日获取最新报告并附带专题内容辅助学习。
方案打造与宣讲、架构设计与落地、人员招聘与培训、数据中台建设等技术咨询与服务合作请+微信：hulianhutongshequ