uutiset

IBM Watsonin perustamisesta vuonna 2007 lähtien ihmiset ovat jatkuvasti kehittäneet lääketieteellistä tekoälyä (AI). Käyttökelpoisella ja tehokkaalla lääketieteellisellä tekoälyjärjestelmällä on valtava potentiaali muokata kaikkia modernin lääketieteen osa-alueita, mahdollistaen älykkäämmän, tarkemman, tehokkaamman ja osallistavamman hoidon, tuoden hyvinvointia lääketieteen työntekijöille ja potilaille ja parantaen siten merkittävästi ihmisten terveyttä. Viimeisten 16 vuoden aikana, vaikka lääketieteellisen tekoälyn tutkijoita on kertynyt useille pienille aloille, tässä vaiheessa he eivät ole vielä kyenneet tuomaan tieteisfiktiota todellisuudeksi.

Tänä vuonna tekoälyteknologian, kuten ChatGPT:n, mullistavan kehityksen myötä lääketieteellinen tekoäly on edistynyt merkittävästi monella osa-alueella. Ennennäkemätön läpimurto lääketieteellisen tekoälyn kyvyissä: Nature-lehti on jatkuvasti käynnistänyt lääketieteellisen laajan kielimallin ja lääketieteellisen kuvan perusmallin tutkimusta; Google julkaisee Med-PaLM:n ja sen seuraajan, saavuttaen asiantuntijatason Yhdysvaltain lääkärikoekysymyksissä. Suuret akateemiset lehdet keskittyvät lääketieteelliseen tekoälyyn: Nature julkaisee katsauksen yleislääketieteellisen tekoälyn perusmalliin; Aiemmin tänä vuonna julkaistujen tekoälyä lääketieteessä koskevien katsausten jälkeen New England Journal of Medicine (NEJM) julkaisi ensimmäisen digitaalisen terveyskatsauksensa 30. marraskuuta ja julkaisi NEJM:n alalehden NEJM AI:n ensimmäisen numeron 12. joulukuuta. Lääketieteellisen tekoälyn laskeutumisalusta on kypsynyt entisestään: JAMA-alalehti julkaisi maailmanlaajuisen lääketieteellisen kuvadatan jakamisaloitteen; Yhdysvaltain elintarvike- ja lääkevirasto (FDA) kehittää luonnoksia lääketieteellisen tekoälyn sääntelyä koskevista ohjeista.

Alla tarkastelemme merkittävää edistystä, jota tutkijat ympäri maailmaa ovat tehneet käyttökelpoisen lääketieteellisen tekoälyn suuntaan vuonna 2023.

Lääketieteellisen tekoälyn perusmalli

Lääketieteellisen tekoälyn perusmallin rakentaminen on epäilemättä tämän vuoden kuumin tutkimuskohde. Nature-lehdet ovat vuoden aikana julkaisseet katsausartikkeleita terveydenhuollon Universal Basic -mallista ja terveydenhuollon laajoista kielimalleista. Alan johtava lehti Medical Image Analysis tarkasteli ja ennakoi lääketieteellisen kuvantamisen perusmallitutkimuksen haasteita ja mahdollisuuksia ja ehdotti "perusmallin sukupuun" käsitettä lääketieteellisen tekoälyn perusmallitutkimuksen kehittämisen yhteenvetoon ja ohjaamiseen. Terveydenhuollon perustekoälymallien tulevaisuus on selkeytymässä. Lääketieteellisen tekoälyn tutkijat pyrkivät rakentamaan 1) tautikohtaisia ​​perusmalleja, 2) yleisiä perusmalleja ja 3) multimodaalisia laajoja malleja, jotka integroivat laajan valikoiman tiloja massiivisilla parametreilla ja ylivoimaisilla ominaisuuksilla.

Lääketieteellisen tiedonkeruun tekoälymalli

Suurten tekoälymallien lisäksi, joilla on suuri rooli kliinisen datan analysointitehtävissä, myös generatiivisten tekoälymallien edustama teknologia on noussut esiin kliinisen datan hankinnassa. Tekoälyalgoritmit voivat parantaa merkittävästi datan hankinnan prosessia, nopeutta ja laatua.

Aiemmin tänä vuonna Nature Biomedical Engineering julkaisi Turkin Straits Universityn tutkimuksen, joka keskittyi generatiivisen tekoälyn käyttöön patologisen kuvantamisavusteisen diagnostiikan ongelman ratkaisemiseksi kliinisissä sovelluksissa. Pakastetun kudosleikkeen artefaktit leikkauksen aikana ovat este nopealle diagnostiselle arvioinnille. Vaikka formaliiniin ja parafiiniin upotettu (FFPE) kudos tarjoaa korkealaatuisempaa näytettä, sen tuotantoprosessi on aikaa vievä ja kestää usein 12–48 tuntia, mikä tekee siitä sopimattoman kirurgiseen käyttöön. Tutkimusryhmä ehdotti siksi algoritmia nimeltä AI-FFPE, joka voi tehdä pakastetun kudoksen ulkonäöstä samankaltaisen kuin FFPE. Algoritmi korjasi onnistuneesti pakastettujen leikkeiden artefaktit, paransi kuvanlaatua ja säilytti samalla kliinisesti merkitykselliset piirteet. Kliinisessä validoinnissa AI-FFPE-algoritmi parantaa merkittävästi patologien diagnostista tarkkuutta kasvainten alatyyppien osalta ja lyhentää samalla huomattavasti kliinisen diagnoosin tekemiseen kuluvaa aikaa.

Cell Reports Medicine raportoi Jilinin yliopiston kolmannen kliinisen tiedekunnan, Fudanin yliopistoon kuuluvan Zhongshanin sairaalan radiologian laitoksen ja Shanghain tiede- ja teknologiayliopiston tutkimusryhmän tekemästä tutkimuksesta [25]. Tässä tutkimuksessa esitetään yleiskäyttöinen syväoppimiseen ja iteratiiviseen rekonstruktioon perustuva fuusiokehys (Hybrid DL-IR), jolla on erittäin monipuolinen ja joustava rakenne ja joka osoittaa erinomaista kuvan rekonstruointisuorituskykyä nopeassa magneettikuvauksessa, matalan annoksen tietokonetomografiassa ja nopeassa PET-kuvauksessa. Algoritmi pystyy suorittamaan magneettikuvauksen yksittäisten elinten monisekvenssikuvauksen 100 sekunnissa, vähentämään säteilyannoksen vain 10 prosenttiin tietokonetomografiakuvasta ja poistamaan kohinan. Se voi rekonstruoida pieniä leesioita PET-kuvauksesta 2–4-kertaisella kiihtyvyydellä samalla vähentäen liikeartefaktien vaikutusta.

Lääketieteellinen tekoäly yhteistyössä lääketieteen työntekijöiden kanssa

Lääketieteellisen tekoälyn nopea kehitys on myös saanut lääketieteen ammattilaiset vakavasti harkitsemaan ja tutkimaan, miten tekoälyn kanssa voidaan tehdä yhteistyötä kliinisten prosessien parantamiseksi. Tämän vuoden heinäkuussa DeepMind ja monilaitostutkimusryhmä ehdottivat yhdessä tekoälyjärjestelmää nimeltä Complementary Driven Clinical Workflow Delay (CoDoC). Diagnostiikkaprosessi diagnosoidaan ensin ennustavan tekoälyjärjestelmän avulla, minkä jälkeen toinen tekoälyjärjestelmä arvioi sen edellisen tuloksen perusteella. Jos on epäilyksiä, diagnoosin tekee lopulta kliinikko diagnostisen tarkkuuden parantamiseksi ja tehokkuuden tasapainottamiseksi. Rintasyövän seulonnassa CoDoC vähensi väärien positiivisten tulosten määrää 25 % samalla väärien negatiivisten tulosten määrällä ja vähensi lääkäreiden työmäärää 66 % verrattuna Ison-Britannian nykyiseen "kaksoislukeman välimiesmenettelyyn". Tuberkuloosin luokittelun osalta väärien positiivisten tulosten määrä väheni 5–15 prosenttia samalla väärien negatiivisten tulosten määrällä verrattuna riippumattomiin tekoälyihin ja kliinisiin työnkulkuihin.

Samoin Annie Y. Ng ym. Kheiron Companysta Lontoossa, Isossa-Britanniassa, ottivat käyttöön lisää tekoälylukijoita (yhteistyössä ihmistutkijoiden kanssa) tulosten uudelleentarkasteluun, kun kaksoisluennassa ei ollut uudelleentarkastelutuloksia. Tämä paransi havaitsematta jääneiden tulosten ongelmaa rintasyövän varhaisessa seulonnassa, eikä prosessissa ollut juurikaan vääriä positiivisia tuloksia. Toisessa Texasin yliopiston McGovernin lääketieteellisen tiedekunnan tiimin johtamassa ja neljässä aivohalvauskeskuksessa tehdyssä tutkimuksessa käytettiin tietokonetomografiaan (CTA) perustuvaa tekoälyteknologiaa suurten verisuonten tukkeutumien aiheuttamien iskeemisten aivohalvausten (LVO) havaitsemisen automatisoimiseksi. Lääkärit ja radiologit saavat reaaliaikaisia ​​hälytyksiä matkapuhelimiinsa muutaman minuutin kuluessa TT-kuvauksen valmistumisesta, ja ne ilmoittavat heille mahdollisesta LVO:n esiintymisestä. Tämä tekoälyprosessi parantaa sairaalan työnkulkuja akuutin iskeemisen aivohalvauksen hoidossa, lyhentää ovelta nivusiin kuluvaa aikaa hoitoon pääsystä ja tarjoaa mahdollisuuksia onnistuneeseen pelastukseen. Tulokset on julkaistu JAMA Neurology -lehdessä.

Tekoälypohjainen terveydenhuoltomalli yleishyödyksi

Vuonna 2023 nähdään myös paljon hyvää työtä, jossa lääketieteellistä tekoälyä hyödynnetään ihmissilmälle näkymättömien piirteiden löytämiseksi helpommin saatavilla olevasta datasta, mikä mahdollistaa yleisen diagnoosin ja varhaisen seulonnan laajamittaisesti. Vuoden alussa Nature Medicine julkaisi Sun Yat-sen -yliopiston Zhongshan Eye Centerin ja Fujian Medical Universityn toisen sairaalan tekemiä tutkimuksia. He käyttivät älypuhelimia sovelluspäätteinä ja sarjakuvamaisia ​​videokuvia lasten katseen herättämiseen ja lasten katseen käyttäytymisen ja kasvonpiirteiden tallentamiseen. Lisäksi he analysoivat epänormaaleja malleja syväoppimismallien avulla tunnistaakseen onnistuneesti 16 silmäsairautta, mukaan lukien synnynnäisen kaihin, synnynnäisen ptoosi ja synnynnäisen glaukooman, yli 85 %:n keskimääräisellä seulontatarkkuudella. Tämä tarjoaa tehokkaan ja helposti popularisoitavan teknisen keinon imeväisten näköhäiriöiden ja niihin liittyvien silmäsairauksien laajamittaiseen varhaiseen seulontaan.

Vuoden lopussa Nature Medicine raportoi yli 10 lääketieteellisen ja tutkimuslaitoksen eri puolilla maailmaa tekemästä työstä, mukaan lukien Shanghain haimasairauksien instituutti ja Zhejiangin yliopiston ensimmäinen sairaala. Kirjoittaja sovelsi tekoälyä oireettomien ihmisten haimasyövän seulontaan fyysisissä tutkimuskeskuksissa, sairaaloissa jne. havaitakseen tavallisissa tietokonetomografiakuvissa leesioiden piirteitä, joita on vaikea havaita paljaalla silmällä, jotta haimasyövä voidaan havaita tehokkaasti ja ei-invasiivisesti varhaisessa vaiheessa. Tarkasteltaessa yli 20 000 potilaan tietoja malli tunnisti myös 31 kliinisesti havaitsematonta leesiota, mikä paransi merkittävästi kliinisiä tuloksia.

Lääketieteellisten tietojen jakaminen

Vuonna 2023 ympäri maailmaa on syntynyt monia muita täydellisiä tiedonjakomekanismeja ja onnistuneita tapauksia, jotka varmistavat monikeskusyhteistyön ja tiedon avoimuuden tietosuojan ja -turvallisuuden suojaamisen lähtökohtana.

Ensinnäkin tekoälyteknologian avulla tekoälytutkijat ovat edistäneet lääketieteellisen datan jakamista. Qi Chang ja muut Rutgersin yliopistosta Yhdysvalloista julkaisivat Nature Communications -lehdessä artikkelin, jossa he ehdottivat hajautettuihin synteettisiin kilpaileviin verkkoihin perustuvaa liittovaltion oppimiskehystä (DSL), joka käyttää generatiivista tekoälyä kouluttaakseen monikeskustutkimusten tuottamaa dataa ja korvaa sitten monikeskustutkimusten todelliset tiedot luodulla datalla. Varmistaa tekoälyn kouluttamisen monikeskustutkimusten big datan perusteella samalla kun tietosuoja suojataan. Sama tiimi myös julkaisee avoimen lähdekoodin tietojoukon, joka sisältää luotuja patologisia kuvia ja niitä vastaavia merkintöjä. Luodulla datajoukolla koulutettu segmentointimalli voi saavuttaa samanlaisia ​​tuloksia kuin todellinen data.

Tsinghuan yliopiston Dai Qionghain tiimi julkaisi npj Digital Health -tutkimusta käsittelevän artikkelin, jossa hän ehdotti relay learning -menetelmää, joka käyttää usean sijainnin big dataa tekoälymallien kouluttamiseen paikallisen datasuvereniteettiperiaatteen ja sijainninvälisen verkkoyhteyden puuttumisen edellytyksenä. Se tasapainottaa tietoturva- ja yksityisyyshuolet tekoälyn suorituskyvyn tavoittelun kanssa. Sama tiimi kehitti ja validoi myöhemmin yhteistyössä Guangzhoun lääketieteellisen yliopiston ensimmäisen sairaalan ja 24 maanlaajuisen sairaalan kanssa CAIMENin, rintakehän tietokonetomografiaan perustuvan koko välikarsinan kasvainten diagnostiikkajärjestelmän, joka perustuu liittovaltion oppimiseen. Järjestelmää voidaan soveltaa 12 yleiseen välikarsinan kasvaimeen, ja se saavutti 44,9 prosenttia paremman tarkkuuden yksinään käytettynä kuin pelkästään ihmisasiantuntijoiden käyttäessä sitä, ja 19 prosenttia paremman diagnoositarkkuuden, kun ihmisasiantuntijoita avusti se.

Toisaalta useita aloitteita on käynnissä turvallisten, globaalien ja laaja-alaisten lääketieteellisten tietoaineistojen rakentamiseksi. Marraskuussa 2023 Agustina Saenz ja muut Harvard Medical Schoolin biolääketieteellisen informatiikan laitokselta julkaisivat Lancet Digital Health -lehdessä verkossa globaalin kehyksen lääketieteellisten kuvatietojen jakamiseen nimeltä Artificial Intelligence Data for All Healthcare (MAIDA). He työskentelevät terveydenhuolto-organisaatioiden kanssa ympäri maailmaa tarjotakseen kattavia ohjeita tiedonkeruuseen ja tunnistamattomaksi tekemiseen käyttäen Yhdysvaltain liittovaltion demonstraatiokumppanin (FDP) mallia tiedon jakamisen standardoimiseksi. He aikovat julkaista vähitellen eri alueilla ja kliinisissä ympäristöissä ympäri maailmaa kerättyjä tietoaineistoja. Ensimmäisen tietoaineiston odotetaan julkaistavan vuoden 2024 alussa, ja lisää on tulossa kumppanuuden laajentuessa. Projekti on tärkeä yritys rakentaa globaali, laaja-alainen ja monipuolinen joukko julkisesti saatavilla olevaa tekoälytietoa.

Ehdotuksen myötä UK Biobank on näyttänyt esimerkkiä. UK Biobank julkaisi 30. marraskuuta uutta dataa 500 000 osallistujansa koko genomin sekvensoinnista. Tietokanta, joka julkaisee jokaisen 500 000 brittiläisen vapaaehtoisen koko genomin sekvenssin, on maailman suurin täydellinen ihmisen genomitietokanta. Tutkijat ympäri maailmaa voivat pyytää pääsyä tähän anonymisoituun dataan ja käyttää sitä terveyden ja sairauksien geneettisen perustan selvittämiseen. Geneettinen data on aina ollut erittäin arkaluontoista varmentamisen kannalta, ja tämä UK Biobankin historiallinen saavutus osoittaa, että on mahdollista rakentaa avoin, yksityisyydestä vapaa maailmanlaajuinen laajamittainen tietokanta. Tämän teknologian ja tietokannan avulla lääketieteellinen tekoäly on varmasti seuraavan askeleen alussa.

Lääketieteellisen tekoälyn todentaminen ja arviointi

Verrattuna lääketieteellisen tekoälyteknologian nopeaan kehitykseen, lääketieteellisen tekoälyn todentamisen ja arvioinnin kehitys on hieman hidasta. Yleisen tekoälykentän validointi ja arviointi jättävät usein huomiotta lääkäreiden ja potilaiden todelliset tekoälytarpeet. Perinteiset satunnaistetut kontrolloidut kliiniset tutkimukset ovat liian työläitä vastaamaan tekoälytyökalujen nopeaan iteraatioon. Lääketieteellisille tekoälytyökaluille sopivan todentamis- ja arviointijärjestelmän parantaminen mahdollisimman pian on tärkeintä, jotta lääketieteellinen tekoäly todella hyppää tutkimuksen ja kehityksen ohi kliiniseen tasoon.

Googlen Nature-lehdessä julkaistussa Med-PaLM-tutkimusartikkelissa tiimi julkaisi myös MultiMedQA-arviointivertailuanalyysin, jota käytetään arvioimaan suurten kielimallien kykyä hankkia kliinistä tietoa. Vertailuanalyysi yhdistää kuusi olemassa olevaa ammatillista lääketieteellistä kysymys- ja vastaustietoaineistoa, jotka kattavat ammatillisen lääketieteellisen tiedon, tutkimuksen ja muita näkökohtia, sekä verkkopohjaisen lääketieteellisten kysymysten hakutietokannan, jossa otetaan huomioon lääkäri-potilas-verkkopohjainen kysymys- ja vastausosio ja pyritään kouluttamaan tekoälyä päteväksi lääkäriksi monista näkökohdista. Lisäksi tiimi ehdottaa ihmisen arviointiin perustuvaa viitekehystä, joka ottaa huomioon useita faktojen, ymmärryksen, päättelyn ja mahdollisen vinouman ulottuvuuksia. Tämä on yksi edustavimmista tänä vuonna julkaistuista tutkimuksista tekoälyn arvioimiseksi terveydenhuollossa.

Mutta tarkoittaako se, että suuret kielimallit osoittavat kliinisen koodauksen korkeaa tasoa, että suuret kielimallit ovat päteviä tosielämän kliinisiin tehtäviin? Aivan kuten lääketieteen opiskelija, joka läpäisee ammattilääkärin kokeen täydellä pistemäärällä, on vielä kaukana yksin toimivasta ylilääkäristä, Googlen ehdottamat arviointikriteerit eivät välttämättä ole täydellinen vastaus lääketieteellisen tekoälyn arviointiin tekoälymalleissa. Jo vuosina 2021 ja 2022 tutkijat ovat ehdottaneet raportointiohjeita, kuten Decid-AI, SPIRIT-AI ja INTRPRT, toivoen ohjaavansa lääketieteellisen tekoälyn varhaista kehittämistä ja validointia ottaen huomioon sellaiset tekijät kuin kliininen käytännöllisyys, turvallisuus, inhimilliset tekijät ja läpinäkyvyys/tulkittavuus. Äskettäin Nature Medicine -lehti julkaisi Oxfordin yliopiston ja Stanfordin yliopiston tutkijoiden tutkimuksen siitä, pitäisikö tekoälytyökalujen validoinnissa käyttää "ulkoista validointia" vai "toistuvaa paikallista validointia".

Tekoälytyökalujen puolueettomuus on myös tärkeä arviointisuunta, joka on saanut tänä vuonna huomiota sekä Science- että NEJM-artikkeleissa. Tekoäly osoittaa usein puolueellisuutta, koska se rajoittuu koulutusdataan. Tämä puolueellisuus voi heijastaa sosiaalista eriarvoisuutta, joka kehittyy edelleen algoritmiseksi syrjinnäksi. Yhdysvaltain kansalliset terveysinstituutit (NIH) käynnistivät äskettäin Bridge2AI-aloitteen, jonka arvioidaan maksavan 130 miljoonaa dollaria, monimuotoisten tietojoukkojen rakentamiseksi (edellä mainitun MAIDA-aloitteen tavoitteiden mukaisesti), joita voidaan käyttää lääketieteellisten tekoälytyökalujen puolueettomuuden validointiin. MultiMedQA ei ota näitä näkökohtia huomioon. Kysymys lääketieteellisten tekoälymallien mittaamisesta ja validoinnista vaatii vielä laajaa ja perusteellista keskustelua.

Tammikuussa Nature Medicine -lehti julkaisi mielipidekirjoituksen nimeltä ”The Next Generation of Evidence-Based Medicine”, jonka kirjoitti Vivek Subbiah Texasin yliopiston MD Anderson Cancer Centeristä. Artikkelissa tarkasteltiin COVID-19-pandemian yhteydessä paljastuneita kliinisten tutkimusten rajoituksia ja tuotiin esiin ristiriita innovaatioiden ja kliinisen tutkimusprosessin noudattamisen välillä. Lopuksi artikkelissa tuodaan esiin kliinisten tutkimusten uudelleenjärjestelyn tulevaisuus – tekoälyä hyödyntävien kliinisten tutkimusten seuraava sukupolvi, eli tekoälyn käyttö suuren määrän historiallisen tutkimustiedon, reaalimaailman datan, multimodaalisen kliinisen datan ja puettavien laitteiden datan pohjalta keskeisen näytön löytämiseksi. Tarkoittaako tämä, että tekoälyteknologia ja tekoälyn kliiniset validointiprosessit saattavat vahvistaa toisiaan ja kehittyä yhdessä tulevaisuudessa? Tämä on vuoden 2023 avoin ja ajatuksia herättävä kysymys.

Lääketieteellisen tekoälyn sääntely

Tekoälyteknologian kehitys asettaa haasteita myös tekoälyn sääntelylle, ja päättäjät ympäri maailmaa reagoivat niihin huolellisesti ja varovasti. Vuonna 2019 FDA julkaisi ensimmäisen kerran ehdotuksen tekoälyyn perustuvien lääkinnällisten laitteiden ohjelmistomuutoksille (keskusteluluonnos), jossa se esitteli yksityiskohtaisesti mahdollisen lähestymistavansa tekoälyn ja koneoppimiseen perustuvien ohjelmistomuutosten markkinoilletuloa edeltävään arviointiin. Vuonna 2021 FDA ehdotti tekoälyyn/koneoppimiseen perustuvaa ohjelmistoa lääkinnällisenä laitteena koskevaa toimintasuunnitelmaa, jossa selvennettiin viittä erityistä tekoälyn lääketieteellistä sääntelytoimenpidettä. Tänä vuonna FDA julkaisi uudelleen laiteohjelmistojen ominaisuuksien markkinoilletuloa edeltävän toimituksen asiakirjan antaakseen tietoa markkinoilletuloa edeltävistä toimituksista FDA:n arviointia varten laiteohjelmistojen ominaisuuksien turvallisuudesta ja tehokkuudesta, mukaan lukien jotkut koneoppimismenetelmillä koulutettuja koneoppimismalleja käyttävät ohjelmistolaitteiden ominaisuudet. FDA:n sääntelypolitiikka on kehittynyt alkuperäisestä ehdotuksesta käytännön ohjeistukseksi.

Viime vuoden heinäkuussa julkaistun eurooppalaisen terveystietoavaruuden jälkeen EU on jälleen kerran säätänyt tekoälylain. Ensimmäisen tavoitteena on hyödyntää terveysdataa parhaalla mahdollisella tavalla korkealaatuisen terveydenhuollon tarjoamiseksi, eriarvoisuuden vähentämiseksi ja ennaltaehkäisyn, diagnoosin, hoidon, tieteellisen innovoinnin, päätöksenteon ja lainsäädännön tukemiseksi samalla varmistaen, että EU:n kansalaisilla on parempi määräysvalta omiin terveystietoihinsa. Jälkimmäinen tekee selväksi, että lääketieteellinen diagnostiikkajärjestelmä on korkean riskin tekoälyjärjestelmä, ja sen on otettava käyttöön kohdennettua vahvaa valvontaa, koko elinkaaren valvontaa ja arviointia edeltävää valvontaa. Euroopan lääkevirasto (EMA) on julkaissut luonnoksen pohdinta-asiakirjasta tekoälyn käytöstä lääkekehityksen, sääntelyn ja käytön tukena, painottaen tekoälyn uskottavuuden parantamista potilasturvallisuuden ja kliinisten tutkimustulosten eheyden varmistamiseksi. Kaiken kaikkiaan EU:n sääntelytapa on vähitellen muotoutumassa, ja lopulliset täytäntöönpanon yksityiskohdat voivat olla yksityiskohtaisempia ja tiukempia. Jyrkässä ristiriidassa EU:n tiukan sääntelyn kanssa Ison-Britannian tekoälysääntelysuunnitelma tekee selväksi, että hallitus aikoo omaksua pehmeän lähestymistavan eikä säätää uusia lakeja tai perustaa uusia sääntelyviranomaisia ​​toistaiseksi.

Kiinassa kansallisen lääkintälaitehallinnon lääkinnällisten laitteiden tekninen tarkastuskeskus (NMPA) on aiemmin julkaissut asiakirjoja, kuten ”Syväoppimiseen perustuvien avustettujen päätöksenteko-ohjelmistojen tarkastuskohdat”, ”Tekoälyyn perustuvien lääkinnällisten laitteiden rekisteröintitarkastuksen ohjaavat periaatteet (luonnos lausuntoa varten)” ja ”Kiertokirje tekoälyyn perustuvien lääkinnällisten ohjelmistotuotteiden luokittelun ja määrittelyn ohjaavista periaatteista (nro 47 vuonna 2021)”. Tänä vuonna julkaistiin jälleen ”Yhteenveto ensimmäisistä lääkinnällisten laitteiden tuoteluokituksen tuloksista vuonna 2023”. Tämä asiakirjasarja selkeyttää ja helpottaa tekoälyyn perustuvien lääketieteellisten ohjelmistotuotteiden määritelmää, luokittelua ja sääntelyä sekä tarjoaa selkeät ohjeet alan eri yritysten tuotteiden asemointi- ja rekisteröintistrategioille. Nämä asiakirjat tarjoavat kehyksen ja johtamispäätökset tekoälyyn perustuvien lääkinnällisten laitteiden tieteelliselle sääntelylle. On syytä odottaa, että Hangzhoussa 21.–23. joulukuuta järjestetyn Kiinan lääketieteellisen tekoälyn konferenssin asialistalla on erityisfoorumi digitaalisen lääketieteen hallinnon ja julkisten sairaaloiden korkealaatuisen kehittämisen sekä tekoälyyn perustuvien lääkinnällisten laitteiden testaus- ja arviointiteknologian standardointialan kehitysfoorumin aiheena. Tuolloin kokoukseen osallistuvat kansallisen kehitys- ja uudistuskomission ja NMPA:n virkamiehet, jotka saattavat julkaista uutta tietoa.

Johtopäätös

Vuonna 2023 lääketieteellinen tekoäly alkoi integroitua koko lääketieteelliseen prosessiin, joka kattaa sairaalatietojen keräämisen, yhdistämisen, analysoinnin, diagnoosin ja hoidon sekä yhteisön seulonnan. Se teki orgaanisesti yhteistyötä lääketieteen/tautien torjunnan työntekijöiden kanssa, mikä osoitti potentiaalin tuoda hyvinvointia ihmisten terveyteen. Käyttökelpoista lääketieteellistä tekoälytutkimusta alkaa olla tulossa. Tulevaisuudessa lääketieteellisen tekoälyn edistyminen ei riipu pelkästään itse teknologisesta kehityksestä, vaan se edellyttää myös teollisuuden, yliopistojen ja lääketieteellisen tutkimuksen täyttä yhteistyötä sekä poliittisten päättäjien ja sääntelyviranomaisten tukea. Tämä monialainen yhteistyö on avain tekoälyyn integroitujen lääketieteellisten palvelujen saavuttamiseen ja edistää varmasti ihmisten terveyden kehitystä.