мэдээ

IBM Watson 2007 онд байгуулагдсанаас хойш хүмүүс эмнэлгийн хиймэл оюун ухааныг (AI) хөгжүүлэхийг тасралтгүй эрэлхийлсээр ирсэн. Ашиглах боломжтой, хүчирхэг эмнэлгийн хиймэл оюун ухааны систем нь орчин үеийн анагаах ухааны бүх талыг өөрчлөх, илүү ухаалаг, илүү нарийвчлалтай, үр ашигтай, хүртээмжтэй тусламж үйлчилгээ үзүүлэх, эмнэлгийн ажилчид болон өвчтөнүүдийн сайн сайхан байдлыг хангах, улмаар хүний ​​эрүүл мэндийг ихээхэн сайжруулах асар их нөөцтэй. Сүүлийн 16 жилийн хугацаанд анагаах ухааны хиймэл оюун ухааны судлаачид янз бүрийн жижиг салбарт хуримтлагдсан ч энэ үе шатанд шинжлэх ухааны уран зөгнөлийг бодит байдалд оруулж чадаагүй байна.

Энэ жил ChatGPT гэх мэт хиймэл оюун ухааны технологийн хувьсгалт хөгжлийн ачаар эмнэлгийн хиймэл оюун ухаан олон талаар асар их ахиц дэвшил гаргасан. Анагаах ухааны хиймэл оюун ухааны чадварт урьд өмнө хэзээ ч байгаагүй нээлт: Nature сэтгүүл нь анагаах ухааны том хэлний загвар, эмнэлгийн дүрсний үндсэн загварын судалгааг тасралтгүй эхлүүлсэн; Google нь Med-PaLM болон түүний залгамжлагчийг гаргаж, АНУ-ын эмчийн шалгалтын асуултуудад шинжээчийн түвшинд хүрсэн. Томоохон эрдэм шинжилгээний сэтгүүлүүд эмнэлгийн хиймэл оюун ухаанд анхаарлаа хандуулах болно: Байгаль нь ерөнхий эмнэлгийн хиймэл оюун ухааны үндсэн загварын талаархи хэтийн төлөвийг гаргадаг; Энэ оны эхээр Анагаах ухаан дахь хиймэл оюун ухааны талаар хэд хэдэн тойм хийсний дараа New England Journal of Medicine (NEJM) эрүүл мэндийн анхны дижитал тоймоо 11-р сарын 30-нд нийтэлж, NEJM дэд сэтгүүлийн NEJM AI сэтгүүлийн анхны дугаарыг 12-р сарын 12-нд гаргалаа. Анагаах ухааны хиймэл оюун ухааны газардах хөрс нь улам боловсорч гүйцсэн: JAMA дэд сэтгүүл эрүүл мэндийн талаархи санаачилгыг нийтэлсэн; АНУ-ын Хүнс, Эмийн Захиргаа (FDA) эмнэлгийн хиймэл оюун ухааныг зохицуулах удирдамжийн төслийг боловсруулж байна.

Доор бид 2023 онд ашиглах боломжтой эмнэлгийн хиймэл оюун ухааны чиглэлээр дэлхийн судлаачдын хийсэн томоохон ахиц дэвшлийг тоймлон харуулав.

Анагаах ухааны хиймэл оюун ухааны үндсэн загвар

Анагаах ухааны хиймэл оюун ухааны үндсэн загварыг бүтээх нь энэ жилийн судалгааны хамгийн халуун сэдэв болсон нь дамжиггүй. Nature сэтгүүлүүд эрүүл мэндийн тусламж үйлчилгээний Universal Basic загвар болон эрүүл мэндийн тусламж үйлчилгээний том хэлний загварын талаар тойм өгүүлэл нийтэлжээ. Салбарын шилдэг сэтгүүл болох "Medical Image Analysis" сэтгүүл нь эмнэлгийн дүрсний шинжилгээний үндсэн загварын судалгааны сорилт, боломжуудыг судалж, үзэж, эмнэлгийн хиймэл оюун ухааны үндсэн загварын судалгааг нэгтгэн дүгнэх, хөгжүүлэхэд чиглүүлэх зорилгоор "үндсэн загварын удмын бичиг" гэсэн ойлголтыг санал болгов. Эрүүл мэндийн үйлчилгээнд зориулсан хиймэл оюун ухааны үндсэн загваруудын ирээдүй улам тодорхой болж байна. ChatGPT гэх мэт том хэлний загваруудын амжилттай жишээн дээр тулгуурлан, илүү дэвшилтэт бие даасан сургалтын өмнөх аргууд, сургалтын мэдээллийн асар их хуримтлалыг ашиглан анагаах ухааны хиймэл оюун ухааны салбарын судлаачид 1) өвчний онцлогт тохирсон үндсэн загварууд, 2) ерөнхий суурь загварууд, 3) өргөн хүрээний чадавхи болон супер чадавхитай хослуулсан олон загварт том загваруудыг бүтээхийг оролдож байна.

Эмнэлгийн мэдээлэл цуглуулах AI загвар

Доод урсгалын эмнэлзүйн өгөгдөлд дүн шинжилгээ хийх даалгавруудад чухал үүрэг гүйцэтгэдэг AI-ийн томоохон загваруудаас гадна дээд талын эмнэлзүйн мэдээлэл цуглуулахад хиймэл оюун ухааны загваруудаар төлөөлүүлсэн технологи бий болсон. Мэдээлэл олж авах үйл явц, хурд, чанарыг хиймэл оюун ухааны алгоритмын тусламжтайгаар мэдэгдэхүйц сайжруулах боломжтой.

Энэ оны эхээр Nature Biomedical Engineering нь Туркийн Стрейтсийн их сургуулиас эмнэлзүйн хэрэглээнд эмгэг судлалын дүрс оношлогооны асуудлыг шийдвэрлэхийн тулд хиймэл хиймэл оюун ухааныг ашиглахад чиглэсэн судалгааг нийтэлжээ. Хагалгааны үед хөлдөөсөн эдэд байгаа олдворууд нь хурдан оношлоход саад болдог. Хэдийгээр формалин ба парафинтай (FFPE) эд нь илүү чанартай дээж авдаг боловч үйлдвэрлэх процесс нь цаг хугацаа их шаарддаг бөгөөд ихэвчлэн 12-48 цаг зарцуулдаг тул мэс засалд хэрэглэхэд тохиромжгүй байдаг. Тиймээс судалгааны баг хөлдөөсөн хэсгийн эдийг FFPE-тэй төстэй болгож чадах AI-FFPE хэмээх алгоритмыг санал болгосон. Алгоритм нь хөлдөөсөн хэсгүүдийн олдворуудыг амжилттай засч, зургийн чанарыг сайжруулж, эмнэлзүйн хувьд хамааралтай шинж чанаруудыг нэгэн зэрэг хадгалсан. Эмнэлзүйн баталгаажуулалтад AI-FFPE алгоритм нь хавдрын дэд төрлүүдийн эмгэг судлаачдын оношлогооны нарийвчлалыг эрс сайжруулж, эмнэлзүйн оношлогооны хугацааг ихээхэн богиносгодог.

Cell Reports Medicine нь Жилиний их сургуулийн гуравдугаар клиник коллеж, Фудан их сургуулийн харьяа Жуншань эмнэлэг, Рентген судлалын тэнхим, Шанхайн Шинжлэх ухаан, технологийн их сургуулийн багийн хийсэн судалгааны ажлын талаар мэдээлсэн байна [25]. Энэхүү судалгаа нь хурдан MRI, бага тунтай CT, хурдан PET-д дүрсийг сэргээх маш сайн гүйцэтгэлийг харуулсан, өндөр уян хатан байдал, уян хатан чанар бүхий ерөнхий зориулалтын гүнзгий суралцах, давталттай сэргээн босгох нэгтгэх тогтолцоог (Hybrid DL-IR) санал болгож байна. Энэхүү алгоритм нь MR Нэг эрхтэнтэй олон дараалсан сканнерыг 100 секундын дотор хийж, цацрагийн тунг CT зургийн 10% хүртэл бууруулж, чимээ шуугианыг арилгахаас гадна PET авснаас үүссэн жижиг гэмтлийг 2-4 дахин хурдасгах замаар сэргээж, хөдөлгөөний үр нөлөөг бууруулдаг.

Эмнэлгийн хиймэл оюун ухаан нь эмнэлгийн ажилчидтай хамтран

Анагаах ухааны хиймэл оюун ухааны хурдацтай хөгжил нь эмнэлгийн мэргэжилтнүүдийг эмнэлзүйн үйл явцыг сайжруулахын тулд хиймэл оюун ухаантай хэрхэн хамтран ажиллах талаар нухацтай бодож, судлахад хүргэсэн. Энэ оны 7-р сард DeepMind болон олон институтын судалгааны баг хамтран Нэмэлт тулгуурласан клиник ажлын урсгалын саатал (CoDoC) нэртэй хиймэл оюун ухааны системийг санал болгосон. Оношилгооны үйл явцыг эхлээд урьдчилан таамаглах хиймэл оюун ухааны системээр оношилж, дараа нь өмнөх үр дүнгийн дагуу өөр хиймэл оюун ухааны системээр дүгнэж, эргэлзээтэй байвал оношийг оношилгооны нарийвчлал, үр ашгийг тэнцвэржүүлэхийн тулд эмч эцсийн эцэст хийдэг. Хөхний хорт хавдрын скринингийн тухай ярихад, CoDoC нь Их Британид одоогийн "давхар уншдаг арбитрын" процесстой харьцуулахад хуурамч эерэг үзүүлэлтийг 25%-иар, хуурамч сөрөг үзүүлэлтээр бууруулж, эмч нарын ажлын ачааллыг 66%-иар бууруулсан байна. Сүрьеэгийн ангиллын хувьд бие даасан хиймэл оюун ухаан болон эмнэлзүйн ажлын урсгалтай харьцуулахад хуурамч эерэг хувь нь ижил хуурамч сөрөг хувьтай 5-15 хувиар буурсан байна.

Үүний нэгэн адил, Их Британийн Лондон дахь Kheiron компанийн Энни Ю.Нг нар хоёр дахин уншсан арбитрын процессын үр дүнг дахин шалгах зорилгоор хиймэл оюун ухааны нэмэлт уншигчдыг (хүний ​​шалгагч нартай хамтран) нэвтрүүлсэн нь хөхний хорт хавдрыг эрт илрүүлэх шинжилгээнд орхигдсон илрүүлэлтийн асуудлыг сайжруулж, үр дүнд нь хуурамч эерэг үр дүн гараагүй байна. Техасын их сургуулийн МакГоверн Анагаах Ухааны Сургуулийн баг удирдаж, дөрвөн харвалтын төвд хийж гүйцэтгэсэн өөр нэг судалгаанд том судасны бөглөрөлт ишемийн харвалт (LVO) илрүүлэх автоматжуулалтын компьютерт томографийн ангиографид (CTA) суурилсан AI технологийг ашигласан. Эмнэлгийн эмч, рентгенологичид CT-ийн зураг авалт дууссанаас хойш хэдэн минутын дотор гар утсан дээрээ бодит цагийн дохиог хүлээн авч, LVO байж болзошгүй талаар мэдэгддэг. Энэхүү хиймэл оюун ухааны үйл явц нь цочмог ишемийн харвалтын үед эмнэлэг доторх ажлын урсгалыг сайжруулж, эмнэлэгт хэвтэхээс эмчилгээнд орох хүртэлх хугацааг багасгаж, амжилттай аврах боломжийг олгодог. Судалгааны үр дүнг JAMA Neurology сэтгүүлд нийтлэв.

Бүх нийтийн ашиг тусын тулд хиймэл оюун ухааны эрүүл мэндийн тусламж үйлчилгээний загвар

Мөн 2023 онд эмнэлгийн хиймэл оюун ухааныг ашиглан хүний ​​нүдэнд үл үзэгдэх шинж чанаруудыг илүү хялбар өгөгдлөөс олж илрүүлэх, бүх нийтийг хамарсан оношилгоо, эрт илрүүлэг хийх боломжтой олон сайн ажил гарах болно. Оны эхэнд Nature Medicine сэтгүүлд Сун Ятсений их сургуулийн Жуншань нүдний төв болон Фүжяний Анагаах ухааны их сургуулийн хоёрдугаар харьяа эмнэлгийн хийсэн судалгааг нийтэлжээ. Ухаалаг гар утсыг хэрэглээний терминал болгон ашиглаж, хүүхэлдэйн кино шиг видео дүрсийг ашиглан хүүхдийн харцыг өдөөж, хүүхдийн харц, нүүрний онцлогийг бүртгэж, гүнзгий сургалтын загвар ашиглан хэвийн бус загварт дүн шинжилгээ хийж, төрөлхийн катаракт, төрөлхийн птоз, төрөлхийн глауком зэрэг нүдний 16 өвчнийг оношилгооны дундаж нарийвчлалаас илүү нарийвчлалтай85 амжилттай илрүүлжээ. Энэ нь нялхсын харааны сулрал, түүнтэй холбоотой нүдний өвчнийг эрт илрүүлэх өргөн цар хүрээтэй, үр дүнтэй, сурталчлахад хялбар техникийн арга хэрэгсэл болж өгдөг.

Оны эцсээр Nature Medicine компани Шанхайн нойр булчирхайн өвчин судлалын хүрээлэн, Жэжян их сургуулийн нэгдүгээр харьяа эмнэлэг зэрэг дэлхийн 10 гаруй анагаах ухаан, судалгааны байгууллагын хийсэн ажлын талаар мэдээлэв. Зохиогч хиймэл оюун ухааныг бие махбодийн үзлэгийн төв, эмнэлэг гэх мэт шинж тэмдэггүй хүмүүст нойр булчирхайн хорт хавдрын скрининг хийхдээ дан нүцгэн нүдээр илрүүлэхэд хэцүү энгийн CT зураг дээрх гэмтлийн шинж чанарыг илрүүлж, нойр булчирхайн хорт хавдрыг үр дүнтэй, инвазив бус эрт илрүүлэх зорилгоор ашигласан. 20,000 гаруй өвчтөний мэдээллийг судлахдаа уг загвар нь эмнэлзүйн хувьд орхигдсон гэмтлийн 31 тохиолдлыг илрүүлсэн нь эмнэлзүйн үр дүнг мэдэгдэхүйц сайжруулсан.

Эмнэлгийн мэдээллийг хуваалцах

2023 онд дэлхий даяар илүү олон төгс мэдээлэл солилцох механизмууд болон амжилттай тохиолдлууд бий болж, мэдээллийн нууцлал, аюулгүй байдлыг хамгаалах үүднээс олон төвийн хамтын ажиллагаа, мэдээллийн нээлттэй байдлыг хангасан.

Нэгдүгээрт, AI технологийн тусламжтайгаар хиймэл оюун ухаан судлаачид эмнэлгийн мэдээллийг хуваалцахад хувь нэмрээ оруулсан. АНУ-ын Ратгерсийн Их Сургуулийн Ци Чанг болон бусад хүмүүс Nature Communications сэтгүүлд нийтлэл нийтэлж, олон төвийн тодорхой үүсгэсэн өгөгдлийг сургахад генератив хиймэл оюун ухаан ашигладаг, дараа нь олон төвийн бодит өгөгдлийг үүсгэсэн өгөгдлөөр сольдог, тархсан синтетик сөргөлдөөний сүлжээнд суурилсан холбооны сургалтын тогтолцоог санал болгожээ. Мэдээллийн нууцлалыг хамгаалахын зэрэгцээ олон төвт том өгөгдөлд суурилсан хиймэл оюун ухааны сургалтыг баталгаажуул. Мөн ижил баг үүсгэсэн эмгэгийн зураг, тэдгээрийн холбогдох тэмдэглэгээний мэдээллийн багцыг нээдэг. Үүсгэсэн өгөгдлийн багц дээр сургагдсан сегментчлэлийн загвар нь бодит өгөгдөлтэй ижил үр дүнд хүрч чадна.

Цинхуа их сургуулийн Дай Чионхайгийн баг npj Digital Health сэдвээр илтгэл нийтэлж, орон нутгийн мэдээллийн бүрэн эрхт байдал, сайт хоорондын сүлжээний холболтгүйгээр хиймэл оюун ухааны загваруудыг сургахад олон сайтын том өгөгдлийг ашигладаг Relay Learning-ийг санал болгов. Энэ нь өгөгдлийн аюулгүй байдал, нууцлалын асуудлуудыг хиймэл оюун ухааны гүйцэтгэлийн эрэл хайгуултай тэнцвэржүүлдэг. Дараа нь тус багийнхан Гуанжоугийн Анагаах ухааны их сургуулийн нэгдүгээр салбар эмнэлэг болон улс даяарх 24 эмнэлэгтэй хамтран холбооны сургалтад суурилсан цээжний CT пан-mediastinal хавдрын оношилгооны CAIMEN системийг боловсруулж, баталгаажуулсан. Дунд зэргийн нийтлэг 12 хавдарт хэрэглэх боломжтой уг системийг хүний ​​мэргэжилтнүүд дангаар нь ашигласнаас 44.9 хувиар илүү нарийвчлалтай, хүний ​​мэргэжилтнүүдийн тусламжтайгаар 19 хувиар илүү нарийвчлалтай оношилсон байна.

Нөгөөтэйгүүр, аюулгүй, дэлхийн хэмжээний, том хэмжээний эмнэлгийн мэдээллийн багцыг бий болгох хэд хэдэн санаачилга хийгдэж байна. 2023 оны 11-р сард Харвардын Анагаах Ухааны Сургуулийн Биоанагаахын Мэдээлэл зүйн тэнхимийн Агустина Саенз болон бусад хүмүүс Lancet Digital Health сэтгүүлд бүх эрүүл мэндийн тусламж үйлчилгээний хиймэл оюун ухааны өгөгдөл (MAIDA) нэртэй эмнэлгийн зургийн өгөгдлийг хуваалцах дэлхийн хүрээг онлайнаар нийтлэв. Тэд АНУ-ын Холбооны жагсаалын түншийн (FDP) загварыг ашиглан мэдээлэл солилцох стандартыг ашиглан мэдээлэл цуглуулах, танихгүй байх талаар иж бүрэн зааварчилгаа өгөхийн тулд дэлхийн өнцөг булан бүрт байгаа эрүүл мэндийн байгууллагуудтай хамтран ажиллаж байна. Тэд дэлхийн өнцөг булан бүрт, өөр өөр бүс нутаг, клиник тохиргоонд цуглуулсан мэдээллийн багцыг аажмаар гаргахаар төлөвлөж байна. Эхний өгөгдлийн багцыг 2024 оны эхээр гаргах төлөвтэй байгаа бөгөөд хамтын ажиллагаа өргөжин тэлэхийн хэрээр илүү их мэдээлэл гарах болно. Энэхүү төсөл нь олон нийтэд нээлттэй хиймэл оюун ухааны мэдээллийн дэлхийн, өргөн цар хүрээтэй, олон төрлийн багцыг бий болгох чухал оролдлого юм.

Энэхүү саналын дараа Их Британийн Биобанк үлгэр жишээ үзүүлэв. Их Британийн Биобанк 11-р сарын 30-нд 500,000 оролцогчдын геномын дарааллын шинэ мэдээллийг нийтэллээ. Их Британийн 500,000 сайн дурын ажилтан бүрийн геномын бүрэн дарааллыг нийтэлдэг мэдээллийн сан нь дэлхийн хамгийн том хүний ​​геномын мэдээллийн сан юм. Дэлхийн өнцөг булан бүрээс судлаачид энэхүү тодорхойгүй өгөгдөлд хандах хүсэлт гаргаж, эрүүл мэнд, өвчний генетикийн үндсийг судлахад ашиглах боломжтой. Урьд өмнө генетикийн өгөгдөл нь шалгахад маш эмзэг байсаар ирсэн бөгөөд Их Британийн Биобанкны энэхүү түүхэн амжилт нь нээлттэй, нууцлалгүй дэлхийн хэмжээний томоохон мэдээллийн санг бий болгох боломжтойг нотолж байна. Энэхүү технологи, мэдээллийн баазтай бол эмнэлгийн хиймэл оюун ухаан нь дараагийн үсрэлтийг эхлүүлэх болно.

Эмнэлгийн хиймэл оюун ухааныг баталгаажуулах, үнэлэх

Анагаах ухааны хиймэл оюун ухааны технологийн хурдацтай хөгжилтэй харьцуулахад эмнэлгийн хиймэл оюун ухааныг баталгаажуулах, үнэлэх хөгжил бага зэрэг удаашралтай байна. AI-ийн ерөнхий талбарт баталгаажуулалт, үнэлгээ хийх нь эмч, өвчтөний хиймэл оюун ухаанд тавих бодит шаардлагыг үл тоомсорлодог. Уламжлалт санамсаргүй хяналттай эмнэлзүйн туршилтууд нь хиймэл оюун ухааны хэрэгслийн хурдацтай давталттай таарахад хэтэрхий их хөдөлмөр шаарддаг. Эмнэлгийн хиймэл оюун ухааны хэрэгсэлд тохирсон баталгаажуулалт, үнэлгээний системийг аль болох хурдан боловсронгуй болгох нь эмнэлгийн хиймэл оюун ухааныг бодитойгоор судалгаа, хөгжлийг эмнэлзүйн түвшинд хүргэх хамгийн чухал зүйл юм.

Nature сэтгүүлд нийтэлсэн Google-ийн Med-PaLM-ийн судалгааны нийтлэлд баг нь том хэлний загваруудын эмнэлзүйн мэдлэгийг олж авах чадварыг үнэлэхэд ашигладаг MultiMedQA үнэлгээний жишиг үзүүлэлтийг нийтэлсэн. Энэхүү жишиг нь мэргэжлийн анагаах ухааны мэдлэг, судалгаа болон бусад асуудлуудыг хамарсан одоо байгаа зургаан мэргэжлийн эмнэлгийн асуулт хариултын багц, мөн эмч өвчтөний онлайн асуулт, хариултыг харгалзан, хиймэл оюун ухааныг олон талаас нь мэргэшсэн эмч болгон бэлтгэхийг хичээж буй онлайн хайлтын эрүүл мэндийн асуултын мэдээллийн санг нэгтгэдэг. Нэмж дурдахад, баг нь баримт, ойлголт, үндэслэл, боломжит гажуудлын олон хэмжигдэхүүнийг харгалзан үзсэн хүний ​​үнэлгээнд суурилсан тогтолцоог санал болгодог. Энэ нь энэ онд хэвлэгдсэн эрүүл мэндийн салбарт хиймэл оюун ухааныг үнэлэх хамгийн төлөөлөлтэй судалгааны нэг юм.

Гэсэн хэдий ч том хэлний загварууд нь эмнэлзүйн мэдлэгийн өндөр түвшний кодчилолыг харуулдаг нь том хэлний загварууд нь бодит эмнэлзүйн даалгавруудыг гүйцэтгэх чадвартай гэсэн үг үү? Мэргэжлийн эмчийн шалгалтыг төгс оноогоор давсан анагаахын оюутан ганцаарчилсан ахлах эмчээс хол байдгийн адил Google-ийн санал болгож буй үнэлгээний шалгуур нь хиймэл оюун ухааны загварт зориулсан эмнэлгийн хиймэл оюун ухааны үнэлгээний сэдэвт төгс хариулт биш байж магадгүй юм. 2021, 2022 он гэхэд судлаачид Decid-AI, SPIRIT-AI, INTRPRT зэрэг тайлагнах удирдамжийг санал болгож, эмнэлзүйн практик байдал, аюулгүй байдал, хүний ​​хүчин зүйл, ил тод байдал/тайлбарлах зэрэг хүчин зүйлсийг харгалзан эмнэлгийн хиймэл оюун ухааныг эрт хөгжүүлж, баталгаажуулахад чиглүүлнэ гэж найдаж байна. Саяхан The Nature Medicine сэтгүүлд Оксфордын их сургууль болон Стэнфордын их сургуулийн судлаачдын "гадаад баталгаажуулалт" эсвэл "давтагдах орон нутгийн баталгаажуулалтыг ашиглах уу" гэсэн судалгааг нийтэлжээ."AI хэрэгслийг баталгаажуулах.

AI хэрэгслүүдийн шударга бус байдал нь энэ жил Шинжлэх ухаан болон NEJM-ийн нийтлэлүүдээс анхаарал хандуулсан чухал үнэлгээний чиглэл юм. AI нь сургалтын өгөгдөлд хязгаарлагддаг тул ихэвчлэн хэвийх хандлагатай байдаг. Энэхүү гажуудал нь нийгмийн тэгш бус байдлыг илэрхийлж болох бөгөөд энэ нь цаашлаад алгоритмын ялгаварлан гадуурхалт болж хувирдаг. Эрүүл мэндийн үндэсний хүрээлэн саяхан Bridge2AI санаачилгыг эхлүүлсэн бөгөөд 130 сая долларын өртөгтэй бөгөөд эмнэлгийн хиймэл оюун ухааны хэрэгслийн шударга бус байдлыг баталгаажуулахад ашиглаж болох олон төрлийн мэдээллийн багцыг (дээр дурдсан MAIDA санаачилгын зорилгын дагуу) бий болгох зорилготой юм. MultiMedQA эдгээр асуудлыг авч үздэггүй. Эмнэлгийн хиймэл оюун ухааны загваруудыг хэрхэн хэмжих, баталгаажуулах тухай асуудал нь өргөн, гүнзгий хэлэлцүүлэг шаардлагатай хэвээр байна.

1-р сард Nature Medicine сэтгүүлд Техасын Их Сургуулийн Андерсоны Хавдрын Төвийн Вивек Суббиагийн "Нотолгоонд суурилсан анагаах ухааны дараагийн үе" хэмээх санал дүгнэлтийг нийтэлж, COVID-19 тахлын хүрээнд илэрсэн эмнэлзүйн туршилтуудын хязгаарлалтыг хянаж, инноваци болон судалгааны үйл явцын тууштай байдлын хоорондын зөрчилдөөнийг онцлон тэмдэглэв. Эцэст нь, энэ нь клиник туршилтуудын бүтцийн өөрчлөлтийн ирээдүйг онцлон тэмдэглэж байна - хиймэл оюун ухаан, өөрөөр хэлбэл олон тооны түүхэн судалгааны өгөгдөл, бодит ертөнцийн өгөгдөл, олон төрлийн эмнэлзүйн өгөгдөл, зүүж болох төхөөрөмжийн өгөгдөл зэрэг үндсэн нотолгоог олохын тулд хиймэл оюун ухааныг ашиглан дараагийн үеийн клиник туршилтууд. Энэ нь AI технологи болон хиймэл оюун ухааны клиник баталгаажуулалтын үйл явц нь ирээдүйд бие биенээ бататгаж, хамтран хөгжиж байж магадгүй гэсэн үг үү? Энэ бол 2023 оны нээлттэй бөгөөд бодол төрүүлэх асуулт юм.

Эмнэлгийн AI-ийн зохицуулалт

Хиймэл оюун ухааны технологийн дэвшил нь хиймэл оюун ухааныг зохицуулахад бэрхшээл учруулж байгаа бөгөөд дэлхийн өнцөг булан бүрт бодлого боловсруулагчид анхааралтай, анхааралтай хандаж байна. 2019 онд FDA анх Хиймэл оюун ухаантай эмнэлгийн төхөөрөмжид программ хангамжийн өөрчлөлт хийх тухай зохицуулалтын тогтолцоог (Хэлэлцүүлгийн төсөл) нийтэлсэн бөгөөд энэ нь хиймэл оюун ухаан болон машин сургалтад тулгуурласан програм хангамжийн өөрчлөлтийг зах зээлд урьдчилан хянах боломжит хандлагыг нарийвчлан тодорхойлсон. 2021 онд FDA "Хиймэл оюун ухаан/машины сургалтанд суурилсан программ хангамжийг эмнэлгийн төхөөрөмжийн үйл ажиллагааны төлөвлөгөө"-ийг санал болгосноор хиймэл оюун ухааны эмнэлгийн зохицуулалтын таван тодорхой арга хэмжээг тодруулсан. Энэ жил FDA нь төхөөрөмжийн програм хангамжийн шинж чанаруудын аюулгүй байдал, үр ашгийг үнэлэхэд зориулж FDA-аас урьдчилан зах зээлд нийлүүлэх зөвлөмжийн талаар мэдээлэл өгөхийн тулд төхөөрөмжийн програм хангамжийн онцлогийг дахин гаргаж, машин сургалтын аргуудаар сургасан машин сургалтын загварыг ашигладаг зарим програм хангамжийн төхөөрөмжийн онцлогуудыг багтаасан болно. FDA-ийн зохицуулалтын бодлого нь анхны саналаас практик удирдамж болж өөрчлөгдсөн.

Өнгөрсөн оны 7-р сард Европын эрүүл мэндийн мэдээллийн орон зайг нийтлэсний дараа ЕХ дахин хиймэл оюун ухааны тухай хуулийг баталлаа. Эхнийх нь өндөр чанартай эрүүл мэндийн тусламж үйлчилгээ үзүүлэх, тэгш бус байдлыг багасгах, урьдчилан сэргийлэх, оношлох, эмчлэх, шинжлэх ухааны шинэчлэл, шийдвэр гаргах, хууль тогтоомжийг дэмжих зорилгоор эрүүл мэндийн мэдээллийг хамгийн сайн ашиглах зорилготой бөгөөд ЕХ-ны иргэд өөрсдийн хувийн эрүүл мэндийн мэдээлэлдээ илүү хяналт тавих болно. Сүүлийнх нь эмнэлгийн оношлогооны систем нь өндөр эрсдэлтэй хиймэл оюун ухааны систем бөгөөд зорилтот хүчтэй хяналт, бүх амьдралын мөчлөгийн хяналт, урьдчилсан үнэлгээний хяналтыг хэрэгжүүлэх шаардлагатай гэдгийг тодорхой харуулж байна. Европын Анагаах Ухааны Агентлаг (EMA) нь өвчтөний аюулгүй байдал, эмнэлзүйн судалгааны үр дүнгийн нэгдмэл байдлыг хангах үүднээс хиймэл оюун ухаанд итгэх итгэлийг сайжруулахад онцгойлон анхаарч, эмийн хөгжил, зохицуулалт, хэрэглээг дэмжих зорилгоор хиймэл оюун ухааныг ашиглах тухай эргэцүүлэн бодох баримт бичгийн төслийг нийтэлжээ. Ерөнхийдөө ЕХ-ны зохицуулалтын арга барил аажмаар хэлбэржиж байгаа бөгөөд хэрэгжилтийн эцсийн нарийвчилсан мэдээлэл нь илүү нарийвчилсан, хатуу байж болно. ЕХ-ны хатуу зохицуулалтаас эрс ялгаатай нь Их Британийн хиймэл оюун ухааны зохицуулалтын төлөвлөгөө нь засгийн газар зөөлөн арга барилаар төлөвлөж байгаа бөгөөд одоогоор шинэ хуулийн төсөл батлахгүй, шинэ зохицуулагчдыг бий болгохгүй байхаар төлөвлөж байгааг тодорхой харуулж байна.

БНХАУ-д, Үндэсний эмнэлгийн бүтээгдэхүүний удирдлагын газрын Эмнэлгийн хэрэгслийн техникийн хяналтын төв (NMPA) өмнө нь “Гүнзгий суралцахад туслах шийдвэр гаргах программ хангамжийн хяналтын цэгүүд”, “Хиймэл оюун ухаантай эмнэлгийн хэрэгслийн бүртгэлийн шалгалтын удирдамж (санал авах төсөл)”, “Үнэмж, ангиллын тодорхойлолт” зэрэг баримт бичгүүдийг гаргаж байсан. Хиймэл оюун ухааны эмнэлгийн програм хангамжийн бүтээгдэхүүн (2021 оны 47 дугаарт)”. Энэ жил "Эмнэлгийн төхөөрөмжийн бүтээгдэхүүний ангиллын 2023 оны үр дүнгийн хураангуй" дахин гарлаа. Энэхүү цуврал баримт бичгүүд нь хиймэл оюун ухааны эмнэлгийн програм хангамжийн бүтээгдэхүүний тодорхойлолт, ангилал, зохицуулалтыг илүү ойлгомжтой, ашиглахад хялбар болгож, салбарын төрөл бүрийн аж ахуйн нэгжүүдийн бүтээгдэхүүний байршил, бүртгэлийн стратегид тодорхой зааварчилгаа өгдөг. Эдгээр баримт бичгүүд нь AI-ийн шинжлэх ухааны үндэслэлтэй менежментийн тогтолцоог бүрдүүлдэг. 12-р сарын 21-23-ны өдрүүдэд Ханжөү хотод болсон Хятадын эмнэлгийн хиймэл оюун ухааны хурлын хэлэлцэх асуудлын жагсаалтад улсын эмнэлгийн дижитал эмнэлгийн засаглал, өндөр чанарын хөгжил, хиймэл оюун ухааны эмнэлгийн хэрэгслийн туршилт, үнэлгээний технологийн стандартчиллын салбарын хөгжлийн форумыг зохион байгуулж, тэр үед Үндэсний хөгжил, шинэчлэлийн хорооны холбогдох албаны хүмүүс хуралдаж, шинэ мэдээлэл гаргаж болно.

Дүгнэлт

2023 онд эмнэлгийн хиймэл оюун ухаан нь эмнэлгийн мэдээлэл цуглуулах, нэгтгэх, дүн шинжилгээ хийх, оношлох, эмчлэх, олон нийтийн үзлэгт хамруулах, эрүүл мэндийн дээд болон доод урсгалын бүх үйл явцад нэгдэж, эмнэлгийн/өвчний хяналтын ажилтнуудтай органик байдлаар хамтран ажиллаж, хүний ​​эрүүл мэндэд сайн сайхан байдлыг авчрах боломжийг харуулж байна. Анагаах ухаанд ашиглах боломжтой хиймэл оюун ухааны судалгаа үүр цайж эхэлж байна. Ирээдүйд эмнэлгийн хиймэл оюун ухааны хөгжил дэвшил нь технологийн хөгжлөөс шалтгаалахаас гадна аж үйлдвэр, их сургууль, анагаах ухааны судалгааны бүрэн хамтын ажиллагаа, бодлого боловсруулагчид, зохицуулагчдын дэмжлэг шаардлагатай байна. Энэхүү домэйн хоорондын хамтын ажиллагаа нь хиймэл оюун ухааны нэгдсэн эмнэлгийн үйлчилгээнд хүрэх түлхүүр бөгөөд хүний ​​эрүүл мэндийн хөгжлийг дэмжих нь дамжиггүй.