naujienos

Nuo pat „IBM Watson“ veiklos pradžios 2007 m. žmonija nuolat siekė kurti medicininį dirbtinį intelektą (DI). Patogiai naudojama ir galinga medicininio dirbtinio intelekto sistema turi milžinišką potencialą pertvarkyti visus šiuolaikinės medicinos aspektus, sudarydama sąlygas teikti protingesnę, tikslesnę, efektyvesnę ir įtraukesnę priežiūrą, gerinti medicinos darbuotojų ir pacientų gerovę ir taip gerokai pagerinti žmonių sveikatą. Per pastaruosius 16 metų, nors medicinos dirbtinio intelekto tyrėjai sukaupė daug patirties įvairiose mažose srityse, šiame etape jie dar nesugebėjo paversti mokslinės fantastikos realybe.

Šiais metais, revoliucingai išvysčius dirbtinio intelekto technologijas, tokias kaip „ChatGPT“, medicininis dirbtinis intelektas padarė didelę pažangą daugeliu aspektų. Beprecedentis medicininio dirbtinio intelekto galimybių proveržis: žurnalas „Nature“ nuolat pradeda medicininio didelio kalbos modelio ir medicininio vaizdo bazinio modelio tyrimus; „Google“ išleido „Med-PaLM“ ir jo įpėdinį, pasiekdami ekspertų lygį JAV medicinos praktikų egzamino klausimuose. Pagrindiniai akademiniai žurnalai daugiausia dėmesio skirs medicininiam dirbtiniam intelektui: „Nature“ skelbia bendrosios medicininio dirbtinio intelekto bazinio modelio apžvalgą; Po anksčiau šiais metais paskelbtos dirbtinio intelekto medicinoje apžvalgų serijos, lapkričio 30 d. „New England Journal of Medicine“ (NEJM) paskelbė pirmąją skaitmeninės sveikatos apžvalgą, o gruodžio 12 d. išleido pirmąjį NEJM subžurnalo NEJM AI numerį. Medicininio dirbtinio intelekto nusileidimo dirva dar labiau subrendo: subžurnalas „JAMA“ paskelbė pasaulinę medicininių vaizdų duomenų dalijimosi iniciatyvą; JAV Maisto ir vaistų administracija (FDA) rengia medicininio dirbtinio intelekto reguliavimo gairių projektą.

Toliau apžvelgiame reikšmingą pažangą, kurią viso pasaulio mokslininkai padarė siekdami naudoti medicininį dirbtinį intelektą iki 2023 m.

Medicininio dirbtinio intelekto bazinis modelis

Medicininio dirbtinio intelekto bazinio modelio kūrimas neabejotinai yra karščiausia šių metų tyrimų tema. Žurnalas „Nature“ per metus paskelbė apžvalginius straipsnius apie universalųjį bazinį sveikatos priežiūros modelį ir didelę kalbų sveikatos priežiūros modelį. Žurnalas „Medical Image Analysis“, pirmaujantis pramonės žurnalas, apžvelgė ir įvertino bazinių modelių tyrimų medicininių vaizdų analizėje iššūkius ir galimybes bei pasiūlė „bazinio modelio kilmės“ koncepciją, kad apibendrintų ir nukreiptų medicininio dirbtinio intelekto bazinių modelių tyrimų plėtrą. Bazinių dirbtinio intelekto modelių ateitis sveikatos priežiūros srityje tampa aiškesnė. Remdamiesi sėkmingais didelių kalbų modelių, tokių kaip „ChatGPT“, pavyzdžiais, naudodami pažangesnius savarankiškai prižiūrimus išankstinio mokymo metodus ir didžiulį mokymo duomenų kaupimą, medicininio dirbtinio intelekto srities tyrėjai bando sukurti 1) ligoms būdingus bazinius modelius, 2) bendruosius bazinius modelius ir 3) daugiarūšius didelius modelius, kurie integruoja platų režimų spektrą su didžiuliais parametrais ir pranašesnėmis galimybėmis.

Medicininių duomenų rinkimo dirbtinio intelekto modelis

Be didelių dirbtinio intelekto modelių, kurie atlieka svarbų vaidmenį tolesnėse klinikinių duomenų analizės užduotyse, ankstesniame klinikinių duomenų rinkime taip pat atsirado generatyvinių dirbtinio intelekto modelių technologija. Dirbtinio intelekto algoritmai gali žymiai pagerinti duomenų rinkimo procesą, greitį ir kokybę.

Anksčiau šiais metais žurnalas „Nature Biomedical Engineering“ paskelbė Turkijos sąsiaurio universiteto tyrimą, kuriame daugiausia dėmesio skirta generatyvinio dirbtinio intelekto naudojimui patologinės vaizdo diagnostikos problemai klinikiniuose taikymuose išspręsti. Artefaktai užšaldytuose audinio pjūviuose operacijos metu trukdo greitai diagnostiniam įvertinimui. Nors formalinu ir parafinu įterptas (FFPE) audinys suteikia aukštesnės kokybės mėginį, jo gamybos procesas užima daug laiko ir dažnai trunka 12–48 valandas, todėl jis netinka naudoti chirurgijoje. Todėl tyrėjų komanda pasiūlė algoritmą, vadinamą AI-FFPE, kuris gali padaryti audinio išvaizdą užšaldytame pjūvyje panašią į FFPE. Algoritmas sėkmingai ištaisė užšaldytų pjūvių artefaktus, pagerino vaizdo kokybę ir tuo pačiu metu išsaugojo kliniškai reikšmingas savybes. Klinikinio patvirtinimo metu AI-FFPE algoritmas žymiai pagerina patologų diagnostinį tikslumą dėl navikų potipių, tuo pačiu gerokai sutrumpindamas klinikinės diagnozės laiką.

Žurnale „Cell Reports Medicine“ pateikiamas tyrimas, kurio metu dalyvavo Dzilino universiteto Trečiojo klinikinio koledžo, Fudano universiteto filialo Džongšano ligoninės Radiologijos katedros ir Šanchajaus mokslo ir technologijų universiteto komanda [25]. Šiame tyrime siūlomas universalus ir lankstus bendrosios paskirties gilaus mokymosi ir iteracinės rekonstrukcijos suliejimo modelis (hibridinis DL-IR), pasižymintis puikiu vaizdo rekonstrukcijos našumu atliekant greitą MRT, mažos dozės KT ir greitą PET. Algoritmas gali atlikti vieno organo daugiasekį MR skenavimą per 100 sekundžių, sumažinti radiacijos dozę iki 10 % KT vaizdo ir pašalinti triukšmą, taip pat gali rekonstruoti mažus PET nuskaitymo metu gautus pažeidimus 2–4 kartus greičiau, tuo pačiu sumažinant judesio artefaktų poveikį.

Medicininis dirbtinis intelektas bendradarbiaujant su medicinos darbuotojais

Sparčiai vystantis medicininiam dirbtiniam intelektui, medicinos specialistai taip pat rimtai svarstė ir tyrinėjo, kaip bendradarbiauti su dirbtiniu intelektu, siekiant pagerinti klinikinius procesus. Šių metų liepą „DeepMind“ ir daugiainstitucinė tyrimų komanda kartu pasiūlė dirbtinio intelekto sistemą, vadinamą „Complementary Driven Clinical Workflow Delay“ (CoDoC). Diagnostikos procesą pirmiausia diagnozuoja nuspėjamoji dirbtinio intelekto sistema, tada kita dirbtinio intelekto sistema įvertina pagal ankstesnį rezultatą, o kilus abejonių, diagnozę galiausiai nustato klinikinis gydytojas, kad pagerintų diagnostikos tikslumą ir subalansuotų efektyvumą. Kalbant apie krūties vėžio atranką, CoDoC sumažino klaidingai teigiamų rezultatų skaičių 25 %, esant tokiam pačiam klaidingai neigiamų rezultatų skaičiui, ir 66 % sumažino klinikinių specialistų darbo krūvį, palyginti su dabartiniu „dvigubo skaitymo arbitražo“ procesu Jungtinėje Karalystėje. Kalbant apie tuberkuliozės klasifikaciją, klaidingai teigiamų rezultatų skaičius sumažėjo 5–15 procentų, esant tokiam pačiam klaidingai neigiamų rezultatų skaičiui, palyginti su nepriklausomu dirbtiniu intelektu ir klinikiniais darbo eigomis.

Panašiai Annie Y. Ng ir kt. iš „Kheiron Company“ Londone, JK, įdiegė papildomus dirbtinio intelekto skaitytuvus (bendradarbiaudami su žmonių vertintojais), kad pakartotinai peržiūrėtų rezultatus, kai dvigubo skaitymo arbitražo procese nebuvo atšauktų rezultatų. Tai pagerino neaptikimo problemą ankstyvosiose krūties vėžio atrankos procedūrose, o procese beveik nebuvo klaidingai teigiamų rezultatų. Kitame tyrime, kuriam vadovavo Teksaso universiteto McGoverno medicinos mokyklos komanda ir kuris buvo atliktas keturių insultų centruose, buvo pritaikyta kompiuterinės tomografijos angiografijos (KTA) pagrįsta dirbtinio intelekto technologija, siekiant automatizuoti didelio kraujagyslių okliuzinio išeminio insulto (KVO) nustatymą. Gydytojai ir radiologai per kelias minutes nuo KT tyrimo užbaigimo gauna realaus laiko įspėjimus į savo mobiliuosius telefonus, pranešdami jiems apie galimą KVO buvimą. Šis dirbtinio intelekto procesas pagerina ligoninės darbo eigą ūminio išeminio insulto atveju, sutrumpindamas laiką nuo priėmimo į ligoninę iki gydymo ir suteikdamas galimybių sėkmingai gelbėti pacientą. Išvados paskelbtos žurnale „JAMA Neurology“.

Dirbtinio intelekto sveikatos priežiūros modelis visuotinei naudai

2023 metais taip pat bus atlikta daug gerų darbų, naudojant medicininį dirbtinį intelektą, siekiant rasti žmogaus akiai nematomas savybes iš lengviau prieinamų duomenų, taip sudarant sąlygas visuotinei diagnostikai ir ankstyvam patikrinimui dideliu mastu. Metų pradžioje žurnalas „Nature Medicine“ paskelbė Sun Yat-sen universiteto Zhongshan akių centro ir Fujian medicinos universiteto Antrosios dukterinės ligoninės atliktus tyrimus. Naudodami išmaniuosius telefonus kaip programėlių terminalus, jie naudojo animacinius vaizdo įrašus, kad sužadintų vaikų žvilgsnį ir užfiksuotų vaikų žvilgsnio elgesį bei veido bruožus, ir toliau analizavo nenormalius modelius, naudodami gilaus mokymosi modelius, kad sėkmingai nustatytų 16 akių ligų, įskaitant įgimtą kataraktą, įgimtą ptozę ir įgimtą glaukomą, o vidutinis patikros tikslumas siekė daugiau nei 85 %. Tai suteikia veiksmingas ir lengvai populiarinamas technines priemones didelio masto ankstyvam kūdikių regėjimo funkcijos sutrikimų ir susijusių akių ligų patikrinimui.

Metų pabaigoje žurnalas „Nature Medicine“ pranešė apie daugiau nei 10 medicinos ir mokslinių tyrimų įstaigų visame pasaulyje, įskaitant Šanchajaus kasos ligų institutą ir Pirmąją Džedziango universiteto ligoninę, atliktą darbą. Autorius pritaikė dirbtinį intelektą besimptomių žmonių kasos vėžio patikrai fizinės apžiūros centruose, ligoninėse ir kt., siekdamas paprastos skenuotos KT nuotraukose aptikti pažeidimų ypatybes, kurias sunku aptikti vien plika akimi, siekiant efektyviai ir neinvaziškai anksti nustatyti kasos vėžį. Peržiūrėjus daugiau nei 20 000 pacientų duomenis, modelis taip pat nustatė 31 kliniškai nepastebėtų pažeidimų atvejį, o tai žymiai pagerino klinikinius rezultatus.

Medicininių duomenų bendrinimas

2023 m. visame pasaulyje atsirado daug daugiau tobulų duomenų mainų mechanizmų ir sėkmingų atvejų, užtikrinančių daugiacentrį bendradarbiavimą ir duomenų atvirumą, laikantis duomenų privatumo ir saugumo apsaugos prielaidos.

Pirma, pasitelkdami pačią dirbtinio intelekto technologiją, dirbtinio intelekto tyrėjai prisidėjo prie medicininių duomenų dalijimosi. Qi Chang ir kiti iš Rutgerso universiteto Jungtinėse Valstijose žurnale „Nature Communications“ paskelbė straipsnį, kuriame pasiūlė federalinę mokymosi sistemą DSL, pagrįstą paskirstytais sintetiniais priešiškais tinklais, kuri naudoja generatyvinį dirbtinį intelektą konkretiems sugeneruotiems daugiacentriams duomenims apmokyti, o tada realius daugiacentrių duomenis pakeičia sugeneruotais duomenimis. Užtikrinti dirbtinio intelekto mokymą, pagrįstą daugiacentriais dideliais duomenimis, kartu apsaugant duomenų privatumą. Ta pati komanda taip pat atvirojo kodo būdu paskelbė sugeneruotų patologinių vaizdų ir atitinkamų anotacijų duomenų rinkinį. Segmentavimo modelis, apmokytas sugeneruotu duomenų rinkiniu, gali pasiekti panašių rezultatų kaip ir realūs duomenys.

Tsinghua universiteto Dai Qionghai komanda paskelbė straipsnį apie „npj Digital Health“, kuriame siūlomas reaktyvusis mokymasis (angl. Relay Learning), kuris naudoja daugiavietius didelius duomenis dirbtinio intelekto modeliams apmokyti, remiantis vietinio duomenų suvereniteto ir be tarpvietinio tinklo ryšio prielaida. Tai suderina duomenų saugumo ir privatumo problemas su dirbtinio intelekto našumo siekiu. Vėliau ta pati komanda, bendradarbiaudama su Guangdžou medicinos universiteto Pirmąja ligonine ir 24 ligoninėmis visoje šalyje, sukūrė ir patvirtino CAIMEN – krūtinės ląstos kompiuterinės tomografijos ir tarpuplaučio navikų diagnostikos sistemą, pagrįstą federaliniu mokymusi. Sistema, kuri gali būti taikoma 12 dažniausiai pasitaikančių tarpuplaučio navikų, pasiekė 44,9 proc. didesnį tikslumą, kai buvo naudojama atskirai, nei kai ją naudojo tik žmonės ekspertai, ir 19 proc. didesnį diagnozės tikslumą, kai ja naudojosi žmonės ekspertai.

Kita vertus, vykdomos kelios iniciatyvos, skirtos sukurti saugius, pasaulinius, didelio masto medicininių duomenų rinkinius. 2023 m. lapkritį Agustina Saenz ir kiti iš Harvardo medicinos mokyklos Biomedicininės informatikos katedros internete žurnale „Lancet Digital Health“ paskelbė pasaulinę medicininių vaizdų duomenų bendrinimo sistemą, pavadintą „Dirbtinio intelekto duomenys visai sveikatos priežiūrai“ (MAIDA). Jie bendradarbiauja su sveikatos priežiūros organizacijomis visame pasaulyje, kad pateiktų išsamias duomenų rinkimo ir anonimiškumo panaikinimo gaires, naudodami JAV federalinio demonstracinio partnerio (FDP) šabloną, kad standartizuotų duomenų bendrinimą. Jie planuoja palaipsniui skelbti duomenų rinkinius, surinktus skirtinguose pasaulio regionuose ir klinikinėse aplinkose. Tikimasi, kad pirmasis duomenų rinkinys bus paskelbtas 2024 m. pradžioje, o partnerystei plečiantis, bus paskelbta daugiau. Šis projektas yra svarbus bandymas sukurti pasaulinį, didelio masto ir įvairų viešai prieinamų dirbtinio intelekto duomenų rinkinį.

Po pasiūlymo JK biobankas parodė pavyzdį. Lapkričio 30 d. JK biobankas paskelbė naujus duomenis, gautus atlikus 500 000 savo dalyvių viso genomo sekvenavimą. Duomenų bazėje, kurioje skelbiama kiekvieno iš 500 000 britų savanorių visa genomo seka, yra didžiausia išsami žmogaus genomo duomenų bazė pasaulyje. Tyrėjai visame pasaulyje gali prašyti prieigos prie šių nuasmenintų duomenų ir naudoti juos sveikatos ir ligų genetiniam pagrindui tirti. Genetiniai duomenys praeityje visada buvo labai jautrūs patikrinimui, o šis istorinis JK biobanko pasiekimas įrodo, kad įmanoma sukurti atvirą, privatumo nepažeidžiančią pasaulinę didelio masto duomenų bazę. Pasitelkus šią technologiją ir duomenų bazę, medicininis dirbtinis intelektas neabejotinai žengs kitą šuolį.

Medicininio dirbtinio intelekto patikrinimas ir vertinimas

Palyginti su sparčia medicininio dirbtinio intelekto technologijų plėtra, medicininio dirbtinio intelekto verifikavimo ir vertinimo plėtra vyksta šiek tiek lėtai. Bendrosios dirbtinio intelekto srities patvirtinimas ir vertinimas dažnai ignoruoja tikruosius klinikų ir pacientų poreikius dirbtiniam intelektui. Tradiciniai atsitiktinių imčių kontroliuojami klinikiniai tyrimai yra per daug sudėtingi, kad atitiktų sparčią dirbtinio intelekto įrankių iteraciją. Svarbiausia kuo greičiau patobulinti medicininio dirbtinio intelekto įrankiams tinkamą verifikavimo ir vertinimo sistemą, kad medicininis dirbtinis intelektas iš tikrųjų peršoktų nuo tyrimų ir plėtros iki klinikinių rezultatų.

„Google“ tyrimo straipsnyje apie „Med-PaLM“, paskelbtame žurnale „Nature“, komanda taip pat paskelbė „MultiMedQA“ vertinimo lyginamąjį testą, kuris naudojamas didelių kalbos modelių gebėjimui įgyti klinikinių žinių įvertinti. Šis lyginamasis testas apjungia šešis esamus profesionalius medicininių klausimų ir atsakymų duomenų rinkinius, apimančius profesines medicinos žinias, tyrimus ir kitus aspektus, taip pat internetinės paieškos medicininių klausimų duomenų bazės duomenų rinkinį, atsižvelgiant į gydytojo ir paciento internetinius klausimus ir atsakymus, siekiant apmokyti dirbtinį intelektą (DI) kvalifikuotu gydytoju iš daugelio aspektų. Be to, komanda siūlo žmogaus vertinimu pagrįstą sistemą, kurioje atsižvelgiama į įvairius faktų, supratimo, samprotavimo ir galimo šališkumo aspektus. Tai vienas reprezentatyviausių šiais metais paskelbtų tyrimų, skirtų DI sveikatos priežiūros srityje vertinti.

Tačiau ar tai, kad dideli kalbos modeliai rodo aukštą klinikinių žinių kodavimo lygį, reiškia, kad dideli kalbos modeliai yra kompetentingi atlikti realaus pasaulio klinikines užduotis? Lygiai taip pat, kaip medicinos studentas, išlaikęs profesionalų gydytojo egzaminą su puikiu balu, dar toli gražu nėra vienas vyriausiasis gydytojas, „Google“ siūlomi vertinimo kriterijai gali būti ne pats geriausias atsakymas į medicininio dirbtinio intelekto vertinimo dirbtinio intelekto modeliams klausimą. Jau 2021 ir 2022 m. tyrėjai pasiūlė tokias ataskaitų teikimo gaires kaip „Decid-AI“, „SPIRIT-AI“ ir „INTRPRT“, tikėdamiesi padėti ankstyvam medicininio dirbtinio intelekto kūrimui ir patvirtinimui, atsižvelgiant į tokius veiksnius kaip klinikinis praktiškumas, saugumas, žmogiškieji veiksniai ir skaidrumas / aiškinamumas. Visai neseniai žurnalas „Nature Medicine“ paskelbė Oksfordo universiteto ir Stanfordo universiteto tyrėjų tyrimą apie tai, ar naudoti „išorinį patvirtinimą“, ar „pasikartojantį vietinį patvirtinimą“, siekiant patvirtinti dirbtinio intelekto įrankius.

Nešališkas DI įrankių pobūdis taip pat yra svarbi vertinimo kryptis, kuri šiais metais sulaukė dėmesio tiek „Science“, tiek „NEJM“ straipsniuose. DI dažnai pasižymi šališkumu, nes apsiriboja mokymo duomenimis. Šis šališkumas gali atspindėti socialinę nelygybę, kuri toliau perauga į algoritminę diskriminaciją. Nacionaliniai sveikatos institutai neseniai pradėjo iniciatyvą „Bridge2AI“, kurios vertė siekia 130 mln. JAV dolerių, skirtą kurti įvairius duomenų rinkinius (atitinkančius minėtos MAIDA iniciatyvos tikslus), kurie galėtų būti naudojami medicininių DI įrankių nešališkumui patvirtinti. „MultiMedQA“ šių aspektų nenagrinėja. Klausimas, kaip išmatuoti ir patvirtinti medicininių DI modelius, vis dar reikalauja išsamių ir nuodugnių diskusijų.

Sausio mėnesį žurnalas „Nature Medicine“ paskelbė nuomonės straipsnį pavadinimu „Kita įrodymais pagrįstos medicinos karta“, kurio autorius – Vivek Subbiah iš Teksaso universiteto MD Andersono vėžio centro, apžvelgia klinikinių tyrimų apribojimus, atskleistus COVID-19 pandemijos kontekste, ir atkreipia dėmesį į prieštaravimą tarp inovacijų ir klinikinių tyrimų proceso laikymosi. Galiausiai, jame atkreipiamas dėmesys į klinikinių tyrimų restruktūrizavimo ateitį – naujos kartos klinikinius tyrimus, kuriuose naudojamas dirbtinis intelektas, t. y. dirbtinio intelekto naudojimą iš daugybės istorinių tyrimų duomenų, realaus pasaulio duomenų, daugiarūšių klinikinių duomenų, nešiojamųjų įrenginių duomenų, siekiant rasti pagrindinius įrodymus. Ar tai reiškia, kad dirbtinio intelekto technologijos ir dirbtinio intelekto klinikinio patvirtinimo procesai ateityje gali vienas kitą sustiprinti ir kartu vystytis? Tai atviras ir verčiantis susimąstyti 2023 m. klausimas.

Medicininio dirbtinio intelekto reguliavimas

Dirbtinio intelekto technologijų pažanga taip pat kelia iššūkių dirbtinio intelekto reguliavimui, ir viso pasaulio politikos formuotojai reaguoja atsargiai ir atsargiai. 2019 m. FDA pirmą kartą paskelbė siūlomą dirbtinio intelekto medicinos prietaisų programinės įrangos pakeitimų reguliavimo sistemą (diskusijų juodraštis), kurioje išsamiai aprašė savo galimą požiūrį į dirbtinio intelekto ir mašininio mokymosi pagrindu sukurtų programinės įrangos modifikacijų peržiūrą iki jų pateikimo į rinką. 2021 m. FDA pasiūlė „Dirbtinio intelekto / mašininio mokymosi pagrindu sukurtos programinės įrangos kaip medicinos prietaiso veiksmų planą“, kuriame paaiškintos penkios konkrečios dirbtinio intelekto medicininio reguliavimo priemonės. Šiais metais FDA iš naujo išleido įrenginio programinės įrangos funkcijų pateikimo iki rinkai dokumentą, kuriame pateikiama informacija apie pateikimo iki rinkai rekomendacijas, skirtas FDA įvertinti įrenginio programinės įrangos funkcijų, įskaitant kai kurias programinės įrangos įrenginio funkcijas, kurios naudoja mašininio mokymosi modelius, apmokytus naudojant mašininio mokymosi metodus, saugumą ir veiksmingumą. FDA reguliavimo politika išsivystė iš pradinio pasiūlymo į praktines gaires.

Praėjusių metų liepą paskelbus Europos sveikatos duomenų erdvės įstatymą, ES dar kartą priėmė Dirbtinio intelekto įstatymą. Pirmuoju siekiama kuo geriau panaudoti sveikatos duomenis, kad būtų teikiamos aukštos kokybės sveikatos priežiūros paslaugos, mažinama nelygybė ir remiami duomenys prevencijai, diagnostikai, gydymui, mokslinėms inovacijoms, sprendimų priėmimui ir teisėkūrai, kartu užtikrinant, kad ES piliečiai galėtų geriau kontroliuoti savo asmens sveikatos duomenis. Antrajame aiškiai nurodoma, kad medicininės diagnostikos sistema yra didelės rizikos dirbtinio intelekto sistema, todėl jai reikia taikyti tikslinę griežtą priežiūrą, viso gyvavimo ciklo priežiūrą ir išankstinio vertinimo priežiūrą. Europos vaistų agentūra (EMA) paskelbė svarstymų dokumento dėl dirbtinio intelekto naudojimo vaistų kūrimui, reguliavimui ir vartojimui remti projektą, kuriame daugiausia dėmesio skiriama dirbtinio intelekto patikimumo gerinimui, siekiant užtikrinti pacientų saugą ir klinikinių tyrimų rezultatų vientisumą. Apskritai ES reguliavimo metodas palaipsniui formuojasi, o galutinės įgyvendinimo detalės gali būti išsamesnės ir griežtesnės. Visiškai priešingai nei griežtas ES reguliavimas, JK dirbtinio intelekto reguliavimo plane aiškiai nurodoma, kad vyriausybė planuoja laikytis švelnaus požiūrio ir kol kas nepriimti naujų įstatymų projektų ar nesteigti naujų reguliavimo institucijų.

Kinijoje Nacionalinės medicinos produktų administracijos Medicinos prietaisų techninės peržiūros centras (NMPA) anksčiau yra išleidęs tokius dokumentus kaip „Gilaus mokymosi pagalbinės sprendimų priėmimo programinės įrangos peržiūros aspektai“, „Dirbtinio intelekto medicinos prietaisų registracijos peržiūros pagrindiniai principai (projektas komentarams)“ ir „Aplinkraštis dėl dirbtinio intelekto medicinos programinės įrangos produktų klasifikavimo ir apibrėžimo pagrindinių principų (Nr. 47, 2021 m.)“. Šiais metais vėl buvo išleista „Pirmųjų medicinos prietaisų produktų klasifikavimo rezultatų 2023 m. santrauka“. Ši dokumentų serija aiškiau ir lengviau naudoja dirbtinio intelekto medicinos programinės įrangos produktų apibrėžimą, klasifikavimą ir reguliavimą, pateikia aiškias gaires dėl įvairių pramonės įmonių produktų pozicionavimo ir registravimo strategijų. Šie dokumentai suteikia pagrindą ir valdymo sprendimus moksliniam dirbtinio intelekto medicinos prietaisų reguliavimui. Verta tikėtis, kad gruodžio 21–23 d. Hangdžou vykusios Kinijos medicinos dirbtinio intelekto konferencijos darbotvarkėje bus numatytas specialus forumas skaitmeninės medicinos valdymo ir aukštos kokybės valstybinių ligoninių plėtros bei dirbtinio intelekto medicinos prietaisų testavimo ir vertinimo technologijų standartizacijos pramonės plėtros forumo klausimais. Tuo metu susitikime dalyvaus Nacionalinės plėtros ir reformų komisijos ir NMPA pareigūnai, kurie gali paskelbti naujos informacijos.

Išvada

2023 m. medicininis dirbtinis intelektas pradėjo integruotis į visą medicininį procesą, apimantį ligoninių duomenų rinkimą, sujungimą, analizę, diagnozavimą ir gydymą bei bendruomenės patikrą, ir organiškai bendradarbiauti su medicinos / ligų kontrolės darbuotojais, parodydamas potencialą gerinti žmonių sveikatą. Pradeda ryškėti praktiniai medicininio dirbtinio intelekto tyrimai. Ateityje medicininio dirbtinio intelekto pažanga priklausys ne tik nuo pačios technologinės plėtros, bet ir nuo visapusiško pramonės, universitetų ir medicinos tyrimų bendradarbiavimo bei politikos formuotojų ir reguliavimo institucijų paramos. Šis tarpdisciplininis bendradarbiavimas yra raktas į dirbtinio intelekto integruotas medicinos paslaugas ir neabejotinai skatins žmonių sveikatos plėtrą.