νέα

Από την έναρξη λειτουργίας του IBM Watson το 2007, οι άνθρωποι επιδιώκουν συνεχώς την ανάπτυξη της ιατρικής τεχνητής νοημοσύνης (ΤΝ). Ένα εύχρηστο και ισχυρό σύστημα ιατρικής ΤΝ έχει τεράστιες δυνατότητες να αναδιαμορφώσει όλες τις πτυχές της σύγχρονης ιατρικής, επιτρέποντας πιο έξυπνη, ακριβέστερη, αποτελεσματική και χωρίς αποκλεισμούς φροντίδα, προσφέροντας ευεξία στους ιατρικούς εργαζόμενους και τους ασθενείς και, ως εκ τούτου, βελτιώνοντας σημαντικά την ανθρώπινη υγεία. Τα τελευταία 16 χρόνια, παρόλο που οι ερευνητές ιατρικής ΤΝ έχουν συσσωρεύσει σε διάφορους μικρούς τομείς, σε αυτό το στάδιο, δεν έχουν ακόμη καταφέρει να φέρουν την επιστημονική φαντασία στην πραγματικότητα.

Φέτος, με την επαναστατική ανάπτυξη της τεχνολογίας Τεχνητής Νοημοσύνης, όπως το ChatGPT, η ιατρική Τεχνητή Νοημοσύνη έχει σημειώσει μεγάλη πρόοδο σε πολλούς τομείς. Πρωτοφανής ανακάλυψη στις δυνατότητες της ιατρικής Τεχνητής Νοημοσύνης: Το περιοδικό Nature συνεχίζει να λανσάρει την έρευνα για το ιατρικό μοντέλο μεγάλης γλώσσας και το βασικό μοντέλο ιατρικής εικόνας. Η Google κυκλοφορεί το Med-PaLM και τον διάδοχό του, φτάνοντας σε επίπεδο εμπειρογνωμόνων στις ερωτήσεις των εξετάσεων για ιατρούς στις ΗΠΑ. Σημαντικά ακαδημαϊκά περιοδικά θα επικεντρωθούν στην ιατρική Τεχνητή Νοημοσύνη: Το Nature δημοσιεύει τις προοπτικές για το βασικό μοντέλο της γενικής ιατρικής Τεχνητής Νοημοσύνης. Μετά από μια σειρά ανασκοπήσεων της Τεχνητής Νοημοσύνης στην Ιατρική νωρίτερα φέτος, το New England Journal of Medicine (NEJM) δημοσίευσε την πρώτη του ψηφιακή ανασκόπηση υγείας στις 30 Νοεμβρίου και κυκλοφόρησε το πρώτο τεύχος του υποπεριοδικού NEJM AI στις 12 Δεκεμβρίου. Το έδαφος για την προσγείωση της ιατρικής Τεχνητής Νοημοσύνης είναι περαιτέρω ώριμο: Το υποπεριοδικό JAMA δημοσίευσε την παγκόσμια πρωτοβουλία κοινής χρήσης δεδομένων ιατρικής εικόνας. Ο Οργανισμός Τροφίμων και Φαρμάκων των ΗΠΑ (FDA) αναπτύσσει προσχέδιο κατευθυντήριων γραμμών για τη ρύθμιση της ιατρικής Τεχνητής Νοημοσύνης.

Παρακάτω, εξετάζουμε τη σημαντική πρόοδο που έχουν σημειώσει ερευνητές σε όλο τον κόσμο προς την κατεύθυνση της χρησιμοποιήσιμης ιατρικής Τεχνητής Νοημοσύνης το 2023.

Βασικό μοντέλο ιατρικής τεχνητής νοημοσύνης

Η κατασκευή βασικού μοντέλου ιατρικής Τεχνητής Νοημοσύνης είναι αναμφίβολα το πιο δημοφιλές ερευνητικό επίκεντρο φέτος. Τα περιοδικά Nature έχουν δημοσιεύσει άρθρα ανασκόπησης για το Universal Basic μοντέλο υγειονομικής περίθαλψης και το μοντέλο μεγάλης γλώσσας της υγειονομικής περίθαλψης κατά τη διάρκεια του έτους. Το Medical Image Analysis, το κορυφαίο περιοδικό στον κλάδο, εξέτασε και προσβλέπει στις προκλήσεις και τις ευκαιρίες της βασικής έρευνας μοντέλων στην ανάλυση ιατρικής εικόνας και πρότεινε την έννοια του «γενεαλογικού δέντρου βασικού μοντέλου» για να συνοψίσει και να καθοδηγήσει την ανάπτυξη της βασικής έρευνας μοντέλων της ιατρικής Τεχνητής Νοημοσύνης. Το μέλλον των βασικών μοντέλων Τεχνητής Νοημοσύνης για την υγειονομική περίθαλψη γίνεται όλο και πιο σαφές. Βασιζόμενοι στα επιτυχημένα παραδείγματα μοντέλων μεγάλης γλώσσας όπως το ChatGPT, χρησιμοποιώντας πιο προηγμένες μεθόδους αυτοεπιβλεπόμενης προεκπαίδευσης και τεράστια συσσώρευση δεδομένων εκπαίδευσης, οι ερευνητές στον τομέα της ιατρικής Τεχνητής Νοημοσύνης προσπαθούν να δημιουργήσουν 1) βασικά μοντέλα ειδικά για ασθένειες, 2) γενικά βασικά μοντέλα και 3) πολυτροπικά μεγάλα μοντέλα που ενσωματώνουν ένα ευρύ φάσμα τρόπων λειτουργίας με τεράστιες παραμέτρους και ανώτερες δυνατότητες.

Μοντέλο Τεχνητής Νοημοσύνης για την Απόκτηση Ιατρικών Δεδομένων

Εκτός από τα μεγάλα μοντέλα Τεχνητής Νοημοσύνης που παίζουν σημαντικό ρόλο στις εργασίες ανάλυσης κλινικών δεδομένων κατάντη, στην ανοδική συλλογή κλινικών δεδομένων, έχει επίσης αναδυθεί η τεχνολογία που αντιπροσωπεύεται από τα γενετικά μοντέλα Τεχνητής Νοημοσύνης. Η διαδικασία, η ταχύτητα και η ποιότητα της συλλογής δεδομένων μπορούν να βελτιωθούν σημαντικά από αλγόριθμους Τεχνητής Νοημοσύνης.

Νωρίτερα φέτος, το Nature Biomedical Engineering δημοσίευσε μια μελέτη από το Πανεπιστήμιο Straits της Τουρκίας που επικεντρώθηκε στη χρήση της γενετικής τεχνητής νοημοσύνης (AI) για την επίλυση του προβλήματος της παθολογικής διάγνωσης με υποβοήθηση εικόνας σε κλινικές εφαρμογές. Τα τεχνουργήματα σε κατεψυγμένο ιστό τομών κατά τη διάρκεια της χειρουργικής επέμβασης αποτελούν εμπόδιο για την ταχεία διαγνωστική αξιολόγηση. Αν και ο ιστός που ενσωματώνεται σε φορμόλη και παραφίνη (FFPE) παρέχει δείγμα υψηλότερης ποιότητας, η διαδικασία παραγωγής του είναι χρονοβόρα και συχνά διαρκεί 12-48 ώρες, καθιστώντας τον ακατάλληλο για χρήση στη χειρουργική επέμβαση. Η ερευνητική ομάδα πρότεινε επομένως έναν αλγόριθμο που ονομάζεται AI-FFPE, ο οποίος μπορεί να κάνει την εμφάνιση του ιστού στην κατεψυγμένη τομή παρόμοια με τον FFPE. Ο αλγόριθμος διόρθωσε με επιτυχία τα τεχνουργήματα των κατεψυγμένων τομών, βελτίωσε την ποιότητα της εικόνας και διατήρησε ταυτόχρονα τα κλινικά σχετικά χαρακτηριστικά. Στην κλινική επικύρωση, ο αλγόριθμος AI-FFPE βελτιώνει σημαντικά τη διαγνωστική ακρίβεια των παθολόγων για τους υποτύπους όγκων, ενώ παράλληλα μειώνει σημαντικά τον χρόνο κλινικής διάγνωσης.

Το Cell Reports Medicine αναφέρει μια ερευνητική εργασία από μια ομάδα από το Τρίτο Κλινικό Κολλέγιο του Πανεπιστημίου Jilin, το Τμήμα Ακτινολογίας, το Νοσοκομείο Zhongshan που συνδέεται με το Πανεπιστήμιο Fudan και το Πανεπιστήμιο Επιστήμης και Τεχνολογίας της Σαγκάης [25]. Αυτή η μελέτη προτείνει ένα πλαίσιο σύντηξης γενικής χρήσης βαθιάς μάθησης και επαναληπτικής ανακατασκευής (Hybrid DL-IR) με υψηλή ευελιξία και ευελιξία, παρουσιάζοντας εξαιρετική απόδοση ανακατασκευής εικόνας σε γρήγορη μαγνητική τομογραφία (MRI), αξονική τομογραφία χαμηλής δόσης (CT) και γρήγορη PET. Ο αλγόριθμος μπορεί να επιτύχει σάρωση πολλαπλών ακολουθιών μονού οργάνου MR σε 100 δευτερόλεπτα, να μειώσει τη δόση ακτινοβολίας μόνο στο 10% της εικόνας CT και να εξαλείψει τον θόρυβο, και μπορεί να ανακατασκευάσει μικρές αλλοιώσεις από την λήψη PET με επιτάχυνση 2 έως 4 φορές, μειώνοντας παράλληλα την επίδραση των τεχνουργημάτων κίνησης.

Ιατρική Τεχνητή Νοημοσύνη σε συνεργασία με ιατρικούς εργαζόμενους

Η ραγδαία ανάπτυξη της ιατρικής Τεχνητής Νοημοσύνης έχει επίσης οδηγήσει τους επαγγελματίες υγείας να εξετάσουν σοβαρά και να διερευνήσουν πώς να συνεργαστούν με την Τεχνητή Νοημοσύνη για τη βελτίωση των κλινικών διαδικασιών. Τον Ιούλιο του τρέχοντος έτους, η DeepMind και μια πολυϊδρυματική ερευνητική ομάδα πρότειναν από κοινού ένα σύστημα Τεχνητής Νοημοσύνης που ονομάζεται Καθυστέρηση Ροής Εργασίας Συμπληρωματικά Καθοδηγούμενης Κλινικής (CoDoC). Η διαγνωστική διαδικασία διαγιγνώσκεται πρώτα από ένα σύστημα προγνωστικής Τεχνητής Νοημοσύνης, στη συνέχεια κρίνεται από ένα άλλο σύστημα Τεχνητής Νοημοσύνης με βάση το προηγούμενο αποτέλεσμα και, εάν υπάρχει αμφιβολία, η διάγνωση γίνεται τελικά από έναν κλινικό ιατρό για τη βελτίωση της διαγνωστικής ακρίβειας και την ισορροπία της αποτελεσματικότητας. Όσον αφορά τον έλεγχο για τον καρκίνο του μαστού, η CoDoC μείωσε τα ποσοστά ψευδώς θετικών κατά 25% με το ίδιο ποσοστό ψευδώς αρνητικών, ενώ μείωσε τον φόρτο εργασίας των κλινικών ιατρών κατά 66%, σε σύγκριση με την τρέχουσα διαδικασία «διπλής ανάγνωσης διαιτησίας» στο Ηνωμένο Βασίλειο. Όσον αφορά την ταξινόμηση της φυματίωσης, τα ποσοστά ψευδώς θετικών μειώθηκαν κατά 5 έως 15 τοις εκατό με το ίδιο ποσοστό ψευδώς αρνητικών σε σύγκριση με την ανεξάρτητη Τεχνητή Νοημοσύνη και τις κλινικές ροές εργασίας.

Ομοίως, η Annie Y. Ng et al., της Kheiron Company στο Λονδίνο του Ηνωμένου Βασιλείου, εισήγαγε επιπλέον συσκευές ανάγνωσης τεχνητής νοημοσύνης (σε συνεργασία με ανθρώπινους εξεταστές) για να επανεξετάσουν τα αποτελέσματα όταν δεν υπήρχαν αποτελέσματα ανάκλησης στη διαδικασία διαιτησίας διπλής ανάγνωσης, γεγονός που βελτίωσε το πρόβλημα της χαμένης ανίχνευσης στον πρώιμο έλεγχο για καρκίνο του μαστού, και η διαδικασία δεν είχε σχεδόν καθόλου ψευδώς θετικά αποτελέσματα. Μια άλλη μελέτη, με επικεφαλής μια ομάδα στην Ιατρική Σχολή McGovern του Πανεπιστημίου του Τέξας και ολοκληρώθηκε σε τέσσερα κέντρα εγκεφαλικού επεισοδίου, εφάρμοσε τεχνολογία τεχνητής νοημοσύνης βασισμένη στην αξονική τομογραφία αγγειογραφίας (CTA) για την αυτοματοποίηση της ανίχνευσης ισχαιμικού εγκεφαλικού επεισοδίου (LVO) μεγάλων αγγείων. Οι κλινικοί γιατροί και οι ακτινολόγοι λαμβάνουν ειδοποιήσεις σε πραγματικό χρόνο στα κινητά τους τηλέφωνα εντός λεπτών από την ολοκλήρωση της αξονικής τομογραφίας, ειδοποιώντας τους για την πιθανή παρουσία LVO. Αυτή η διαδικασία τεχνητής νοημοσύνης βελτιώνει τις ροές εργασίας εντός νοσοκομείου για οξύ ισχαιμικό εγκεφαλικό επεισόδιο, μειώνοντας τον χρόνο από την πόρτα στη βουβωνική χώρα από την εισαγωγή έως τη θεραπεία και παρέχοντας ευκαιρίες για επιτυχή διάσωση. Τα ευρήματα δημοσιεύονται στο JAMA Neurology.

Ένα μοντέλο υγειονομικής περίθαλψης με τεχνητή νοημοσύνη για καθολικό όφελος

Το 2023 θα δούμε επίσης πολλή καλή δουλειά που χρησιμοποιεί την ιατρική Τεχνητή Νοημοσύνη για να εντοπίσει χαρακτηριστικά που είναι αόρατα στο ανθρώπινο μάτι από πιο εύκολα διαθέσιμα δεδομένα, επιτρέποντας την καθολική διάγνωση και τον έγκαιρο έλεγχο σε μεγάλη κλίμακα. Στις αρχές του έτους, το Nature Medicine δημοσίευσε μελέτες που πραγματοποιήθηκαν από το Zhongshan Eye Center του Πανεπιστημίου Sun Yat-sen και το Δεύτερο Συνεργαζόμενο Νοσοκομείο του Ιατρικού Πανεπιστημίου Fujian. Χρησιμοποιώντας smartphones ως τερματικά εφαρμογών, χρησιμοποίησαν εικόνες βίντεο που έμοιαζαν με κινούμενα σχέδια για να προκαλέσουν το βλέμμα των παιδιών και να καταγράψουν τη συμπεριφορά του βλέμματος και τα χαρακτηριστικά του προσώπου των παιδιών, και ανέλυσαν περαιτέρω μη φυσιολογικά μοντέλα χρησιμοποιώντας μοντέλα βαθιάς μάθησης για να εντοπίσουν με επιτυχία 16 οφθαλμικές παθήσεις, συμπεριλαμβανομένων των συγγενών καταρράκτη, της συγγενούς πτώσης και του συγγενούς γλαυκώματος, με μέση ακρίβεια ελέγχου άνω του 85%. Αυτό παρέχει ένα αποτελεσματικό και εύκολο στη διάδοση τεχνικό μέσο για τον μεγάλης κλίμακας έγκαιρο έλεγχο της βλάβης της οπτικής λειτουργίας των βρεφών και των σχετικών οφθαλμικών παθήσεων.

Στο τέλος του έτους, το Nature Medicine ανέφερε μια εργασία που πραγματοποιήθηκε από περισσότερα από 10 ιατρικά και ερευνητικά ιδρύματα σε όλο τον κόσμο, συμπεριλαμβανομένου του Ινστιτούτου Παγκρεατικής Νόσου της Σαγκάης και του Πρώτου Συνεργαζόμενου Νοσοκομείου του Πανεπιστημίου Zhejiang. Ο συγγραφέας εφάρμοσε την Τεχνητή Νοημοσύνη στον έλεγχο για καρκίνο του παγκρέατος σε ασυμπτωματικά άτομα σε κέντρα φυσικής εξέτασης, νοσοκομεία κ.λπ., για την ανίχνευση των χαρακτηριστικών των αλλοιώσεων σε απλές εικόνες αξονικής τομογραφίας που είναι δύσκολο να ανιχνευθούν μόνο με γυμνό μάτι, έτσι ώστε να επιτευχθεί αποτελεσματική και μη επεμβατική έγκαιρη ανίχνευση του καρκίνου του παγκρέατος. Κατά την εξέταση δεδομένων από περισσότερους από 20.000 ασθενείς, το μοντέλο εντόπισε επίσης 31 περιπτώσεις κλινικά μη ανιχνεύσιμων αλλοιώσεων, οι οποίες βελτίωσαν σημαντικά τα κλινικά αποτελέσματα.

Κοινή χρήση ιατρικών δεδομένων

Το 2023, έχουν εμφανιστεί πολλοί περισσότεροι τέλειοι μηχανισμοί κοινής χρήσης δεδομένων και επιτυχημένες περιπτώσεις σε όλο τον κόσμο, διασφαλίζοντας τη συνεργασία μεταξύ πολλών κέντρων και την ανοιχτότητα των δεδομένων υπό την προϋπόθεση της προστασίας του απορρήτου και της ασφάλειας των δεδομένων.

Καταρχάς, με τη βοήθεια της ίδιας της τεχνολογίας Τεχνητής Νοημοσύνης, οι ερευνητές Τεχνητής Νοημοσύνης έχουν συμβάλει στην ανταλλαγή ιατρικών δεδομένων. Ο Qi Chang και άλλοι από το Πανεπιστήμιο Rutgers στις Ηνωμένες Πολιτείες δημοσίευσαν ένα άρθρο στο Nature Communications, προτείνοντας ένα ομοσπονδιακό πλαίσιο μάθησης DSL βασισμένο σε κατανεμημένα συνθετικά ανταγωνιστικά δίκτυα, το οποίο χρησιμοποιεί γενετική Τεχνητή Νοημοσύνη για την εκπαίδευση των συγκεκριμένων δεδομένων που δημιουργούνται από πολλαπλά κέντρα και στη συνέχεια αντικαθιστά τα πραγματικά δεδομένα των πολλαπλών κέντρων με τα δεδομένα που δημιουργούνται. Να διασφαλιστεί η εκπαίδευση μέσω Τεχνητής Νοημοσύνης με βάση τα μεγάλα δεδομένα πολλαπλών κέντρων, προστατεύοντας παράλληλα το απόρρητο των δεδομένων. Η ίδια ομάδα διαθέτει επίσης ανοιχτού κώδικα ένα σύνολο δεδομένων που δημιουργούνται από παθολογικές εικόνες και τις αντίστοιχες σχολιασμοί τους. Το μοντέλο τμηματοποίησης που εκπαιδεύεται στο δημιουργημένο σύνολο δεδομένων μπορεί να επιτύχει παρόμοια αποτελέσματα με τα πραγματικά δεδομένα.

Η ομάδα του Dai Qionghai από το Πανεπιστήμιο Tsinghua δημοσίευσε μια εργασία σχετικά με το npj Digital Health, προτείνοντας το Relay Learning, το οποίο χρησιμοποιεί big data πολλαπλών τοποθεσιών για την εκπαίδευση μοντέλων Τεχνητής Νοημοσύνης υπό την προϋπόθεση της τοπικής κυριαρχίας δεδομένων και της μη σύνδεσης δικτύου μεταξύ τοποθεσιών. Εξισορροπεί τις ανησυχίες για την ασφάλεια των δεδομένων και την ιδιωτικότητα με την επιδίωξη της απόδοσης της Τεχνητής Νοημοσύνης. Η ίδια ομάδα στη συνέχεια ανέπτυξε και επικύρωσε από κοινού το CAIMEN, ένα σύστημα διάγνωσης όγκων παν-μεσοθωρακίου με αξονική τομογραφία θώρακος που βασίζεται στην ομοσπονδιακή μάθηση, σε συνεργασία με το Πρώτο Συνεργαζόμενο Νοσοκομείο του Ιατρικού Πανεπιστημίου Guangzhou και 24 νοσοκομεία σε όλη τη χώρα. Το σύστημα, το οποίο μπορεί να εφαρμοστεί σε 12 κοινούς όγκους μεσοθωρακίου, πέτυχε 44,9% καλύτερη ακρίβεια όταν χρησιμοποιήθηκε μόνο του από ό,τι όταν χρησιμοποιήθηκε μόνο του από ανθρώπινους εμπειρογνώμονες, και 19% καλύτερη ακρίβεια διάγνωσης όταν οι ανθρώπινοι εμπειρογνώμονες βοηθήθηκαν από αυτό.

Από την άλλη πλευρά, βρίσκονται σε εξέλιξη αρκετές πρωτοβουλίες για τη δημιουργία ασφαλών, παγκόσμιων, μεγάλης κλίμακας συνόλων ιατρικών δεδομένων. Τον Νοέμβριο του 2023, η Agustina Saenz και άλλοι από το Τμήμα Βιοϊατρικής Πληροφορικής της Ιατρικής Σχολής του Χάρβαρντ δημοσίευσαν στο διαδίκτυο στο Lancet Digital Health ένα παγκόσμιο πλαίσιο για την κοινή χρήση δεδομένων ιατρικών εικόνων που ονομάζεται Δεδομένα Τεχνητής Νοημοσύνης για Όλη την Υγειονομική Περίθαλψη (MAIDA). Συνεργάζονται με οργανισμούς υγειονομικής περίθαλψης σε όλο τον κόσμο για να παρέχουν ολοκληρωμένη καθοδήγηση σχετικά με τη συλλογή δεδομένων και την αποταυτοποίηση, χρησιμοποιώντας το πρότυπο του US Federal Demonstration Partner (FDP) για την τυποποίηση της κοινής χρήσης δεδομένων. Σχεδιάζουν να δημοσιεύσουν σταδιακά σύνολα δεδομένων που συλλέγονται σε διαφορετικές περιοχές και κλινικά περιβάλλοντα σε όλο τον κόσμο. Το πρώτο σύνολο δεδομένων αναμένεται να κυκλοφορήσει στις αρχές του 2024, με περισσότερα να ακολουθούν καθώς η συνεργασία επεκτείνεται. Το έργο αποτελεί μια σημαντική προσπάθεια για τη δημιουργία ενός παγκόσμιου, μεγάλης κλίμακας και ποικίλου συνόλου δεδομένων τεχνητής νοημοσύνης που είναι διαθέσιμα στο κοινό.

Μετά την πρόταση, η UK Biobank έδωσε το παράδειγμα. Η UK Biobank δημοσίευσε νέα δεδομένα στις 30 Νοεμβρίου από την αλληλούχιση ολόκληρου του γονιδιώματος των 500.000 συμμετεχόντων της. Η βάση δεδομένων, η οποία δημοσιεύει την πλήρη αλληλουχία γονιδιώματος καθενός από τους 500.000 Βρετανούς εθελοντές, είναι η μεγαλύτερη πλήρης βάση δεδομένων ανθρώπινου γονιδιώματος στον κόσμο. Ερευνητές σε όλο τον κόσμο μπορούν να ζητήσουν πρόσβαση σε αυτά τα ανωνυμοποιημένα δεδομένα και να τα χρησιμοποιήσουν για να διερευνήσουν τη γενετική βάση της υγείας και των ασθενειών. Τα γενετικά δεδομένα ήταν πάντα εξαιρετικά ευαίσθητα για επαλήθευση στο παρελθόν και αυτό το ιστορικό επίτευγμα της UK Biobank αποδεικνύει ότι είναι δυνατή η δημιουργία μιας ανοιχτής, χωρίς περιορισμούς στην ιδιωτικότητα, παγκόσμιας βάσης δεδομένων μεγάλης κλίμακας. Με αυτήν την τεχνολογία και τη βάση δεδομένων, η ιατρική Τεχνητή Νοημοσύνη είναι βέβαιο ότι θα οδηγήσει στο επόμενο άλμα.

Επαλήθευση και Αξιολόγηση Ιατρικής Τεχνητής Νοημοσύνης

Σε σύγκριση με την ραγδαία ανάπτυξη της ίδιας της τεχνολογίας ιατρικής τεχνητής νοημοσύνης, η ανάπτυξη της επαλήθευσης και της αξιολόγησης της ιατρικής τεχνητής νοημοσύνης είναι ελαφρώς αργή. Η επικύρωση και η αξιολόγηση στον γενικό τομέα της τεχνητής νοημοσύνης συχνά αγνοούν τις πραγματικές απαιτήσεις των κλινικών ιατρών και των ασθενών για τεχνητή νοημοσύνη. Οι παραδοσιακές τυχαιοποιημένες ελεγχόμενες κλινικές δοκιμές είναι πολύ επίπονες για να ανταποκριθούν στην ταχεία επανάληψη των εργαλείων τεχνητής νοημοσύνης. Η βελτίωση του συστήματος επαλήθευσης και αξιολόγησης που είναι κατάλληλο για τα ιατρικά εργαλεία τεχνητής νοημοσύνης το συντομότερο δυνατό είναι το πιο σημαντικό πράγμα για την προώθηση της ιατρικής τεχνητής νοημοσύνης, ώστε να πηδήξει πραγματικά από την έρευνα και την ανάπτυξη στην κλινική εφαρμογή.

Στην ερευνητική εργασία της Google σχετικά με την Med-PaLM, που δημοσιεύτηκε στο Nature, η ομάδα δημοσίευσε επίσης το σημείο αναφοράς αξιολόγησης MultiMedQA, το οποίο χρησιμοποιείται για την αξιολόγηση της ικανότητας μεγάλων γλωσσικών μοντέλων να αποκτούν κλινική γνώση. Το σημείο αναφοράς συνδυάζει έξι υπάρχοντα σύνολα δεδομένων επαγγελματικών ιατρικών ερωτήσεων και απαντήσεων, που καλύπτουν επαγγελματικές ιατρικές γνώσεις, έρευνα και άλλες πτυχές, καθώς και ένα σύνολο δεδομένων βάσης δεδομένων ιατρικών ερωτήσεων αναζήτησης στο διαδίκτυο, λαμβάνοντας υπόψη τις διαδικτυακές ερωτήσεις και απαντήσεις γιατρού-ασθενούς, προσπαθώντας να εκπαιδεύσει την Τεχνητή Νοημοσύνη σε έναν εξειδικευμένο γιατρό από πολλές απόψεις. Επιπλέον, η ομάδα προτείνει ένα πλαίσιο βασισμένο στην ανθρώπινη αξιολόγηση που λαμβάνει υπόψη πολλαπλές διαστάσεις γεγονότων, κατανόησης, συλλογισμού και πιθανής προκατάληψης. Αυτή είναι μια από τις πιο αντιπροσωπευτικές ερευνητικές προσπάθειες για την αξιολόγηση της Τεχνητής Νοημοσύνης στην υγειονομική περίθαλψη που δημοσιεύθηκε φέτος.

Ωστόσο, μήπως το γεγονός ότι τα μεγάλα γλωσσικά μοντέλα παρουσιάζουν υψηλό επίπεδο κωδικοποίησης κλινικής γνώσης σημαίνει ότι τα μεγάλα γλωσσικά μοντέλα είναι ικανά για κλινικές εργασίες πραγματικού κόσμου; Όπως ακριβώς ένας φοιτητής ιατρικής που περνάει τις εξετάσεις επαγγελματία ιατρού με άριστη βαθμολογία απέχει πολύ από το να είναι ένας μόνος επικεφαλής ιατρός, τα κριτήρια αξιολόγησης που προτείνει η Google ενδέχεται να μην αποτελούν την τέλεια απάντηση στο θέμα της αξιολόγησης της ιατρικής Τεχνητής Νοημοσύνης για τα μοντέλα Τεχνητής Νοημοσύνης. Ήδη από το 2021 και το 2022, οι ερευνητές έχουν προτείνει κατευθυντήριες γραμμές αναφοράς όπως το Decid-AI, το SPIRIT-AI και το INTRPRT, ελπίζοντας να καθοδηγήσουν την πρώιμη ανάπτυξη και επικύρωση της ιατρικής Τεχνητής Νοημοσύνης υπό την προϋπόθεση ότι θα ληφθούν υπόψη παράγοντες όπως η κλινική πρακτικότητα, η ασφάλεια, οι ανθρώπινοι παράγοντες και η διαφάνεια/ερμηνευσιμότητα. Μόλις πρόσφατα, το περιοδικό Nature Medicine δημοσίευσε μια μελέτη ερευνητών από το Πανεπιστήμιο της Οξφόρδης και το Πανεπιστήμιο του Στάνφορντ σχετικά με το εάν θα πρέπει να χρησιμοποιείται «εξωτερική επικύρωση» ή «επαναλαμβανόμενη τοπική επικύρωση». Για την επικύρωση εργαλείων Τεχνητής Νοημοσύνης.

Η αμερόληπτη φύση των εργαλείων Τεχνητής Νοημοσύνης είναι επίσης μια σημαντική κατεύθυνση αξιολόγησης που έχει προσελκύσει την προσοχή φέτος τόσο από άρθρα του Science όσο και του NEJM. Η Τεχνητή Νοημοσύνη συχνά παρουσιάζει μεροληψία επειδή περιορίζεται σε δεδομένα εκπαίδευσης. Αυτή η μεροληψία μπορεί να αντανακλά την κοινωνική ανισότητα, η οποία εξελίσσεται περαιτέρω σε αλγοριθμικές διακρίσεις. Τα Εθνικά Ινστιτούτα Υγείας ξεκίνησαν πρόσφατα την πρωτοβουλία Bridge2AI, η οποία εκτιμάται ότι θα κοστίσει 130 εκατομμύρια δολάρια, για τη δημιουργία ποικίλων συνόλων δεδομένων (σύμφωνα με τους στόχους της πρωτοβουλίας MAIDA που αναφέρθηκε παραπάνω) που μπορούν να χρησιμοποιηθούν για την επικύρωση της μη μεροληψίας των ιατρικών εργαλείων Τεχνητής Νοημοσύνης. Αυτές οι πτυχές δεν λαμβάνονται υπόψη από το MultiMedQA. Το ζήτημα του τρόπου μέτρησης και επικύρωσης των ιατρικών μοντέλων Τεχνητής Νοημοσύνης εξακολουθεί να χρειάζεται εκτενή και εις βάθος συζήτηση.

Τον Ιανουάριο, το Nature Medicine δημοσίευσε ένα άρθρο γνώμης με τίτλο «Η Επόμενη Γενιά Ιατρικής Βασισμένης σε Αποδεικτικά Στοιχεία» από τον Vivek Subbiah του Κέντρου Καρκίνου MD Anderson του Πανεπιστημίου του Τέξας, στο οποίο εξετάζονται οι περιορισμοί των κλινικών δοκιμών που αποκαλύφθηκαν στο πλαίσιο της πανδημίας COVID-19 και επισημαίνονται οι αντιφάσεις μεταξύ καινοτομίας και προσήλωσης στην κλινική ερευνητική διαδικασία. Τέλος, επισημαίνεται ένα μέλλον αναδιάρθρωσης των κλινικών δοκιμών - η επόμενη γενιά κλινικών δοκιμών που χρησιμοποιούν τεχνητή νοημοσύνη, δηλαδή η χρήση τεχνητής νοημοσύνης από μεγάλο αριθμό ιστορικών ερευνητικών δεδομένων, δεδομένων πραγματικού κόσμου, πολυτροπικών κλινικών δεδομένων, δεδομένων φορετών συσκευών για την εύρεση βασικών αποδεικτικών στοιχείων. Σημαίνει αυτό ότι η τεχνολογία τεχνητής νοημοσύνης και οι διαδικασίες κλινικής επικύρωσης της τεχνητής νοημοσύνης ενδέχεται να αλληλοενισχύονται και να εξελίσσονται στο μέλλον; Αυτό είναι το ανοιχτό και προβληματικό ερώτημα του 2023.

Ρύθμιση της Ιατρικής Τεχνητής Νοημοσύνης

Η πρόοδος της τεχνολογίας Τεχνητής Νοημοσύνης θέτει επίσης προκλήσεις για τη ρύθμιση της Τεχνητής Νοημοσύνης και οι υπεύθυνοι χάραξης πολιτικής σε όλο τον κόσμο ανταποκρίνονται προσεκτικά και με προσοχή. Το 2019, ο FDA δημοσίευσε για πρώτη φορά ένα Προτεινόμενο Ρυθμιστικό Πλαίσιο για Αλλαγές Λογισμικού σε Ιατρικές Συσκευές Τεχνητής Νοημοσύνης (Σχέδιο Συζήτησης), περιγράφοντας λεπτομερώς την πιθανή προσέγγισή του στην προ-εμπορική αναθεώρηση των τροποποιήσεων λογισμικού που βασίζονται στην Τεχνητή Νοημοσύνη και τη μηχανική μάθηση. Το 2021, ο FDA πρότεινε το «Σχέδιο Δράσης για το Λογισμικό που Βασίζεται στην Τεχνητή Νοημοσύνη/Μηχανική Μάθηση ως Ιατρικό Συσκευή», το οποίο διευκρίνισε πέντε συγκεκριμένα ιατρικά ρυθμιστικά μέτρα για την Τεχνητή Νοημοσύνη. Φέτος, ο FDA επανεξέδωσε την Προ-εμπορική Υποβολή για Χαρακτηριστικά Λογισμικού Συσκευής για να παρέχει πληροφορίες σχετικά με τις συστάσεις προ-εμπορικής υποβολής για την αξιολόγηση του FDA σχετικά με την ασφάλεια και την αποτελεσματικότητα των χαρακτηριστικών λογισμικού συσκευών, συμπεριλαμβανομένων ορισμένων χαρακτηριστικών λογισμικού συσκευών που χρησιμοποιούν μοντέλα μηχανικής μάθησης που έχουν εκπαιδευτεί μέσω μεθόδων μηχανικής μάθησης. Η ρυθμιστική πολιτική του FDA έχει εξελιχθεί από μια αρχική πρόταση σε πρακτική καθοδήγηση.

Μετά τη δημοσίευση του Ευρωπαϊκού Χώρου Δεδομένων Υγείας τον Ιούλιο του περασμένου έτους, η ΕΕ θέσπισε εκ νέου τον Νόμο για την Τεχνητή Νοημοσύνη. Ο πρώτος στόχος είναι η βέλτιστη αξιοποίηση των δεδομένων υγείας για την παροχή υψηλής ποιότητας υγειονομικής περίθαλψης, τη μείωση των ανισοτήτων και την υποστήριξη δεδομένων για την πρόληψη, τη διάγνωση, τη θεραπεία, την επιστημονική καινοτομία, τη λήψη αποφάσεων και τη νομοθεσία, διασφαλίζοντας παράλληλα ότι οι πολίτες της ΕΕ έχουν μεγαλύτερο έλεγχο στα προσωπικά τους δεδομένα υγείας. Ο δεύτερος καθιστά σαφές ότι το σύστημα ιατρικής διάγνωσης είναι ένα σύστημα Τεχνητής Νοημοσύνης υψηλού κινδύνου και πρέπει να υιοθετήσει στοχευμένη ισχυρή εποπτεία, εποπτεία ολόκληρου του κύκλου ζωής και εποπτεία προ-αξιολόγησης. Ο Ευρωπαϊκός Οργανισμός Φαρμάκων (EMA) δημοσίευσε ένα Σχέδιο Εγγράφου Προβληματισμού σχετικά με τη χρήση της Τεχνητής Νοημοσύνης για την υποστήριξη της ανάπτυξης, της ρύθμισης και της χρήσης φαρμάκων, με έμφαση στη βελτίωση της αξιοπιστίας της Τεχνητής Νοημοσύνης για τη διασφάλιση της ασφάλειας των ασθενών και της ακεραιότητας των αποτελεσμάτων της κλινικής έρευνας. Συνολικά, η κανονιστική προσέγγιση της ΕΕ διαμορφώνεται σταδιακά και οι τελικές λεπτομέρειες εφαρμογής ενδέχεται να είναι πιο λεπτομερείς και αυστηρές. Σε έντονη αντίθεση με την αυστηρή ρύθμιση της ΕΕ, το κανονιστικό σχέδιο για την Τεχνητή Νοημοσύνη του Ηνωμένου Βασιλείου καθιστά σαφές ότι η κυβέρνηση σχεδιάζει να υιοθετήσει μια ήπια προσέγγιση και να μην θεσπίσει νέα νομοσχέδια ή να συστήσει νέες ρυθμιστικές αρχές προς το παρόν.

Στην Κίνα, το Κέντρο Τεχνικής Αναθεώρησης Ιατροτεχνολογικών Προϊόντων (NMPA) της Εθνικής Διοίκησης Ιατρικών Προϊόντων έχει εκδώσει στο παρελθόν έγγραφα όπως τα «Σημεία Αναθεώρησης του Λογισμικού Υποβοηθούμενης Λήψης Αποφάσεων Βαθιάς Μάθησης», «Κατευθυντήριες Αρχές για την Αναθεώρηση Εγγραφής Ιατρικών Συσκευών Τεχνητής Νοημοσύνης (Σχέδιο για Σχολιασμό)» και «Εγκύκλιος σχετικά με τις Κατευθυντήριες Αρχές για την Ταξινόμηση και τον Ορισμό των Προϊόντων Ιατρικού Λογισμικού Τεχνητής Νοημοσύνης (Αρ. 47 το 2021)». Φέτος, δημοσιεύθηκε ξανά η «Σύνοψη των πρώτων αποτελεσμάτων ταξινόμησης ιατρικών συσκευών το 2023». Αυτή η σειρά εγγράφων καθιστά τον ορισμό, την ταξινόμηση και τη ρύθμιση των προϊόντων ιατρικού λογισμικού τεχνητής νοημοσύνης σαφέστερο και ευκολότερο στη λειτουργία, και παρέχει σαφείς οδηγίες για τις στρατηγικές τοποθέτησης και καταχώρισης προϊόντων διαφόρων επιχειρήσεων στον κλάδο. Αυτά τα έγγραφα παρέχουν ένα πλαίσιο και διαχειριστικές αποφάσεις για την επιστημονική ρύθμιση των ιατρικών συσκευών τεχνητής νοημοσύνης. Αξίζει να αναμένουμε ότι η ημερήσια διάταξη του Συνεδρίου Τεχνητής Νοημοσύνης Ιατρικής της Κίνας που πραγματοποιήθηκε στο Χανγκτζόου από τις 21 έως τις 23 Δεκεμβρίου θα δημιουργήσει ένα ειδικό φόρουμ για την ψηφιακή ιατρική διακυβέρνηση και την υψηλής ποιότητας ανάπτυξη των δημόσιων νοσοκομείων και το φόρουμ ανάπτυξης της βιομηχανίας τυποποίησης της τεχνολογίας δοκιμών και αξιολόγησης ιατρικών συσκευών τεχνητής νοημοσύνης. Εκείνη την εποχή, αξιωματούχοι της Εθνικής Επιτροπής Ανάπτυξης και Μεταρρυθμίσεων και της NMPA θα παραστούν στη συνάντηση και ενδέχεται να δημοσιεύσουν νέες πληροφορίες.

Σύναψη

Το 2023, η ιατρική Τεχνητή Νοημοσύνη άρχισε να ενσωματώνεται σε ολόκληρη την ιατρική διαδικασία, καλύπτοντας τη συλλογή, τη σύντηξη, την ανάλυση, τη διάγνωση και τη θεραπεία δεδομένων νοσοκομείων, καθώς και τον έλεγχο της κοινότητας, και συνεργάζεται οργανικά με τους ιατρικούς/εργαζομένους ελέγχου ασθενειών, δείχνοντας τη δυνατότητα να φέρει ευημερία στην ανθρώπινη υγεία. Αρχίζει να διαφαίνεται μια αξιοποιήσιμη έρευνα για την ιατρική Τεχνητή Νοημοσύνη. Στο μέλλον, η πρόοδος της ιατρικής Τεχνητής Νοημοσύνης δεν εξαρτάται μόνο από την ίδια την τεχνολογική ανάπτυξη, αλλά χρειάζεται και την πλήρη συνεργασία της βιομηχανίας, των πανεπιστημίων και της ιατρικής έρευνας, καθώς και την υποστήριξη των υπευθύνων χάραξης πολιτικής και των ρυθμιστικών αρχών. Αυτή η διατομεακή συνεργασία είναι το κλειδί για την επίτευξη ιατρικών υπηρεσιών ενσωματωμένων στην Τεχνητή Νοημοσύνη και σίγουρα θα προωθήσει την ανάπτυξη της ανθρώπινης υγείας.