uudised

Alates IBM Watsoni käivitamisest 2007. aastal on inimesed pidevalt tegelenud meditsiinilise tehisintellekti (AI) arendamisega. Kasutataval ja võimsal meditsiinilisel tehisintellekti süsteemil on tohutu potentsiaal kujundada ümber kõiki tänapäeva meditsiini aspekte, võimaldades nutikamat, täpsemat, tõhusamat ja kaasavamat ravi, tuues heaolu meditsiinitöötajatele ja patsientidele ning parandades seeläbi oluliselt inimeste tervist. Viimase 16 aasta jooksul on meditsiinilise tehisintellekti uurijaid kogunenud erinevatesse väikestesse valdkondadesse, kuid praeguses etapis pole nad veel suutnud ulmet reaalsuseks muuta.

Sel aastal on meditsiiniline tehisintellekt tänu tehisintellekti tehnoloogia, näiteks ChatGPT, revolutsioonilisele arengule teinud paljudes aspektides suuri edusamme. Enneolematu läbimurre meditsiinilise tehisintellekti võimekuses: ajakiri Nature on pidevalt käivitanud meditsiinilise laia keelemudeli ja meditsiinilise pildi põhimudeli uuringuid; Google avaldab Med-PaLM-i ja selle järglase, saavutades USA meditsiinipraktiku eksamiküsimustes eksperdi taseme. Suured akadeemilised ajakirjad keskenduvad meditsiinilisele tehisintellektile: Nature avaldab väljavaated üldise meditsiinilise tehisintellekti põhimudeli kohta; Pärast meditsiinis kasutatava tehisintellekti arvustuste seeriat selle aasta alguses avaldas New England Journal of Medicine (NEJM) 30. novembril oma esimese digitaalse tervise ülevaate ja 12. detsembril NEJM-i alajakirja NEJM AI esimese numbri. Meditsiinilise tehisintellekti maandumispind on veelgi küpsem: alajakiri JAMA avaldas ülemaailmse meditsiiniliste piltide andmete jagamise algatuse; USA Toidu- ja Ravimiamet (FDA) töötab välja meditsiinilise tehisintellekti reguleerimise suuniste eelnõu.

Allpool vaatame üle märkimisväärsed edusammud, mida teadlased üle maailma on 2023. aastal kasutatava meditsiinilise tehisintellekti suunas teinud.

Meditsiinilise tehisintellekti põhimudel

Meditsiinilise tehisintellekti baasmudeli loomine on kahtlemata selle aasta kuumim uurimisteema. Ajakiri Nature on aasta jooksul avaldanud ülevaateartikleid tervishoiu universaalse baasmudeli ja tervishoiu laia keelemudeli kohta. Valdkonna juhtiv ajakiri Medical Image Analysis vaatas läbi ja vaatles meditsiinilise pildianalüüsi baasmudelite uurimise väljakutseid ja võimalusi ning pakkus välja „põhimudeli sugupuu“ kontseptsiooni, et kokku võtta ja suunata meditsiinilise tehisintellekti baasmudelite uurimise arengut. Tervishoiu tehisintellekti baasmudelite tulevik muutub selgemaks. Tuginedes suurte keelemudelite (nt ChatGPT) edukatele näidetele, kasutades täiustatud enesekontrollitud eelkoolituse meetodeid ja ulatuslikku treeningandmete kogumist, püüavad meditsiinilise tehisintellekti valdkonna teadlased luua 1) haigusspetsiifilisi baasmudeleid, 2) üldisi baasmudeleid ja 3) multimodaalseid suuri mudeleid, mis integreerivad laia valikut režiime massiivsete parameetrite ja suurepäraste võimalustega.

Meditsiiniliste andmete kogumise tehisintellekti mudel

Lisaks suurtele tehisintellekti mudelitele, millel on suur roll kliiniliste andmete analüüsimisel, on ka genereerivate tehisintellekti mudelite tehnoloogia esile kerkinud kliiniliste andmete kogumise protsessis, kiiruses ja kvaliteedis. Tehisintellekti algoritmid saavad oluliselt parandada andmete kogumise protsessi, kiirust ja kvaliteeti.

Selle aasta alguses avaldas Nature Biomedical Engineering Türgi Straitsi Ülikooli uuringu, mis keskendus generatiivse tehisintellekti kasutamisele patoloogilise pildipõhise diagnoosi probleemi lahendamiseks kliinilistes rakendustes. Artefaktid külmutatud koelõikudes operatsiooni ajal takistavad kiiret diagnostilist hindamist. Kuigi formaliini ja parafiiniga (FFPE) imatud kude annab kvaliteetsema proovi, on selle tootmisprotsess aeganõudev ja võtab sageli 12–48 tundi, mistõttu see ei sobi kirurgiliseks kasutamiseks. Seetõttu pakkus uurimisrühm välja algoritmi nimega AI-FFPE, mis suudab muuta külmutatud koelõiku välimuse sarnaseks FFPE-ga. Algoritm parandas edukalt külmutatud lõikude artefaktid, parandas pildikvaliteeti ja säilitas samal ajal kliiniliselt olulised tunnused. Kliinilises valideerimises parandas AI-FFPE algoritm oluliselt patoloogide diagnostilist täpsust kasvaja alatüüpide osas, lühendades samal ajal kliinilise diagnoosimise aega.

Cell Reports Medicine annab ülevaate Jilini ülikooli kolmanda kliinilise kolledži, Fudani ülikooliga seotud Zhongshani haigla radioloogiaosakonna ja Shanghai teadus- ja tehnoloogiaülikooli meeskonna uurimistööst [25]. See uuring pakub välja üldise otstarbega süvaõppe ja iteratiivse rekonstrueerimise fusioonraamistiku (hübriid DL-IR), millel on suur mitmekülgsus ja paindlikkus ning mis näitab suurepärast pildi rekonstrueerimise jõudlust kiires magnetresonantstomograafias (MRI), väikese doosiga kompuutertomograafias (KT) ja kiires PET-uuringus. Algoritm suudab saavutada MR-i ühe organi mitmejärjestuse skaneerimise 100 sekundiga, vähendada kiirgusdoosi vaid 10%-ni KT-pildist ja kõrvaldada müra ning rekonstrueerida PET-uuringult väikeseid kahjustusi 2–4-kordse kiirendusega, vähendades samal ajal liikumisest tulenevate artefaktide mõju.

Meditsiiniline tehisintellekt koostöös meditsiinitöötajatega

Meditsiinilise tehisintellekti kiire areng on pannud meditsiinitöötajaid tõsiselt kaaluma ja uurima, kuidas tehisintellektiga koostööd teha kliiniliste protsesside parandamiseks. Selle aasta juulis pakkusid DeepMind ja mitut institutsiooni hõlmav uurimisrühm ühiselt välja tehisintellekti süsteemi nimega Complementary Driven Clinical Workflow Delay (CoDoC). Diagnostilise protsessi diagnoosib esmalt ennustav tehisintellekti süsteem, seejärel hindab teine ​​tehisintellekti süsteem eelmise tulemuse põhjal ja kahtluse korral paneb diagnoosi lõpuks arst, et parandada diagnostilist täpsust ja tasakaalustada tõhusust. Rinnavähi sõeluuringute puhul vähendas CoDoC valepositiivsete tulemuste määra 25% sama valenegatiivsete tulemuste määra juures, vähendades samal ajal arstide töökoormust 66% võrreldes praeguse Ühendkuningriigis kasutatava „topeltlugemise arbitraažiprotsessiga“. Tuberkuloosi klassifikatsiooni osas vähenesid valepositiivsete tulemuste määrad 5–15 protsenti sama valenegatiivsete tulemuste määra juures võrreldes sõltumatu tehisintellekti ja kliiniliste töövoogudega.

Samamoodi võtsid Annie Y. Ng jt Londonis asuvast Kheiron Companyst kasutusele täiendavaid tehisintellektil põhinevaid lugejaid (koostöös inimestest uurijatega), et tulemusi uuesti uurida, kui topeltlugemise arbitraažiprotsessis ei olnud tagasivõtmistulemusi, mis leevendas rinnavähi varajase sõeluuringu puhul märkamata jätmise probleemi ning protsessis ei olnud peaaegu ühtegi valepositiivset tulemust. Teises uuringus, mida juhtis Texase Ülikooli McGoverni Meditsiinikooli meeskond ja mis viidi läbi neljas insuldikeskuses, rakendati kompuutertomograafia angiograafial (CTA) põhinevat tehisintellekti tehnoloogiat suure vaskulaarse oklusiivse isheemilise insuldi (LVO) tuvastamise automatiseerimiseks. Kliinikud ja radioloogid saavad oma mobiiltelefonidesse reaalajas teateid minutite jooksul pärast kompuutertomograafia pildistamise lõpetamist, mis teavitavad neid LVO võimalikust esinemisest. See tehisintellektil põhinev protsess parandab ägeda isheemilise insuldi haiglasiseseid töövooge, vähendades uksest kubemepiirkonda vastuvõtmisest ravini kuluvat aega ja pakkudes võimalusi edukaks päästmiseks. Tulemused avaldati ajakirjas JAMA Neurology.

Universaalse kasu saamiseks tehisintellektil põhinev tervishoiumudel

2023. aastal tehakse ka palju head tööd, mis kasutavad meditsiinilist tehisintellekti, et leida kättesaadavamatest andmetest inimsilmale nähtamatuid tunnuseid, võimaldades universaalset diagnoosimist ja varajast sõeluuringut ulatuslikult. Aasta alguses avaldas Nature Medicine Sun Yat-seni ülikooli Zhongshani silmakeskuse ja Fujiani meditsiiniülikooli teise haigla uuringud. Kasutades nutitelefone rakendusterminalidena, tekitasid nad laste pilgu esilekutsumiseks koomiksilaadseid videopilte ning salvestasid laste pilgukäitumist ja näojooni ning analüüsisid süvaõppe mudelite abil edasi ebanormaalseid mudeleid, et edukalt tuvastada 16 silmahaigust, sealhulgas kaasasündinud katarakt, kaasasündinud ptoos ja kaasasündinud glaukoom, keskmise sõeluuringu täpsusega üle 85%. See pakub tõhusat ja hõlpsasti levitatavat tehnilist vahendit imikute nägemisfunktsiooni häirete ja sellega seotud silmahaiguste ulatuslikuks varajaseks sõeluuringuks.

Aasta lõpus avaldas Nature Medicine aruande enam kui 10 meditsiini- ja teadusasutuse üle maailma, sealhulgas Shanghai Pankreasehaiguste Instituudi ja Zhejiangi Ülikooli esimese haigla tööst. Autor rakendas tehisintellekti asümptomaatiliste inimeste pankreasevähi sõeluuringutel füüsilise läbivaatuse keskustes, haiglates jne, et tuvastada tavalistes kompuutertomograafia piltides kahjustuste tunnuseid, mida on palja silmaga raske tuvastada, et saavutada pankreasevähi tõhus ja mitteinvasiivne varajane avastamine. Enam kui 20 000 patsiendi andmete ülevaatamisel tuvastas mudel ka 31 kliiniliselt märkamata kahjustuse juhtu, mis parandas oluliselt kliinilisi tulemusi.

Meditsiiniandmete jagamine

2023. aastal on kogu maailmas tekkinud palju täiuslikumaid andmete jagamise mehhanisme ja edukaid juhtumeid, mis tagavad mitme keskuse koostöö ja andmete avatuse andmete privaatsuse ja turvalisuse kaitsmise eeldusel.

Esiteks on tehisintellekti teadlased tehisintellekti tehnoloogia enda abil panustanud meditsiiniandmete jagamisse. Qi Chang ja teised Rutgersi ülikooli teadlased Ameerika Ühendriikides avaldasid ajakirjas Nature Communications artikli, milles pakkusid välja föderaalse õpperaamistiku DSL, mis põhineb hajutatud sünteetilistel konkurentsivõrkudel ja mis kasutab genereerivat tehisintellekti mitmekeskuseliste spetsiifiliste genereeritud andmete treenimiseks ning seejärel asendab mitmekeskuseliste keskuste tegelikud andmed genereeritud andmetega. Tagada mitmekeskuseliste suurandmete põhjal tehisintellekti treenimine, kaitstes samal ajal andmete privaatsust. Sama meeskond avas lähtekoodiga ka genereeritud patoloogiliste piltide ja nende vastavate annotatsioonide andmestiku. Genereeritud andmestikul treenitud segmenteerimismudel võimaldab saavutada reaalsete andmetega sarnaseid tulemusi.

Tsinghua ülikooli Dai Qionghai meeskond avaldas npj digitaalse tervise kohta artikli, pakkudes välja releeõppe, mis kasutab mitme saidiga suurandmeid tehisintellekti mudelite treenimiseks kohaliku andmesuveräänsuse ja saitidevahelise võrguühenduse puudumise eeldusel. See tasakaalustab andmete turvalisuse ja privaatsuse mured tehisintellekti jõudluse taotlemisega. Sama meeskond töötas hiljem ühiselt välja ja valideeris CAIMENi, rindkere kompuutertomograafia pan-mediastinaalse kasvaja diagnoosimise süsteemi, mis põhineb föderaalsel õppel, koostöös Guangzhou Meditsiiniülikooli esimese sidushaigla ja 24 haiglaga üle kogu riigi. Süsteem, mida saab rakendada 12 levinud mediastinaalse kasvaja puhul, saavutas iseseisvalt kasutamisel 44,9 protsenti parema täpsuse kui iseseisvalt inimestest ekspertide poolt kasutamisel ja 19 protsenti parema diagnoosimise täpsuse, kui seda kasutasid inimeksperdid.

Teisest küljest on käimas mitu algatust turvaliste, globaalsete ja ulatuslike meditsiiniliste andmekogumite loomiseks. 2023. aasta novembris avaldasid Agustina Saenz ja teised Harvardi Meditsiinikooli biomeditsiinilise informaatika osakonna teadlased ajakirjas Lancet Digital Health veebis ülemaailmse raamistiku meditsiiniliste pildiandmete jagamiseks nimega „Tehisintellekti andmed kogu tervishoiu jaoks” (MAIDA). Nad teevad koostööd tervishoiuorganisatsioonidega kogu maailmas, et pakkuda põhjalikke juhiseid andmete kogumise ja anonümiseerimise kohta, kasutades andmete jagamise standardiseerimiseks USA föderaalse demonstratsioonipartneri (FDP) malli. Nad plaanivad järk-järgult avaldada andmekogumeid, mis on kogutud eri piirkondades ja kliinilistes keskkondades üle maailma. Esimene andmestik peaks avaldatama 2024. aasta alguses ja partnerluse laienedes on tulemas veel uusi. Projekt on oluline katse luua ülemaailmne, ulatuslik ja mitmekesine avalikult kättesaadavate tehisintellekti andmete kogum.

Ettepaneku valguses on Ühendkuningriigi biopank andnud eeskuju. Ühendkuningriigi biopank avaldas 30. novembril uued andmed oma 500 000 osaleja täieliku genoomi sekveneerimise kohta. Andmebaas, mis avaldab iga 500 000 Briti vabatahtliku täieliku genoomi järjestuse, on maailma suurim täielik inimese genoomi andmebaas. Teadlased üle maailma saavad taotleda juurdepääsu neile anonümiseeritud andmetele ja kasutada neid tervise ja haiguste geneetilise aluse uurimiseks. Geneetilised andmed on minevikus alati olnud väga tundlikud kontrollimiseks ja see Ühendkuningriigi biopanga ajalooline saavutus tõestab, et on võimalik luua avatud ja privaatsuseta ülemaailmne laiaulatuslik andmebaas. Selle tehnoloogia ja andmebaasi abil on meditsiiniline tehisintellekt kindlasti järgmise hüppe teele seadnud.

Meditsiinilise tehisintellekti kontrollimine ja hindamine

Võrreldes meditsiinilise tehisintellekti tehnoloogia enda kiire arenguga on meditsiinilise tehisintellekti verifitseerimise ja hindamise areng veidi aeglane. Üldise tehisintellekti valdkonna valideerimine ja hindamine eirab sageli arstide ja patsientide tegelikke vajadusi tehisintellekti järele. Traditsioonilised randomiseeritud kontrollitud kliinilised uuringud on liiga töömahukad, et tehisintellekti tööriistade kiire arenguga sammu pidada. Meditsiinilise tehisintellekti tööriistadele sobiva verifitseerimis- ja hindamissüsteemi võimalikult kiire täiustamine on kõige olulisem, et edendada meditsiinilist tehisintellekti, mis teeb uurimis- ja arendustegevusest kliinilise maandumise tõelise hüppe.

Google'i Med-PaLM-i uurimistöös, mis avaldati ajakirjas Nature, avaldas meeskond ka MultiMedQA hindamisvõrdlusnäitaja, mida kasutatakse suurte keelemudelite võime hindamiseks kliiniliste teadmiste omandamiseks. Võrdlusnäitaja ühendab kuus olemasolevat professionaalse meditsiini küsimuste ja vastuste andmekogumit, mis hõlmavad professionaalseid meditsiinilisi teadmisi, uurimistööd ja muid aspekte, samuti veebipõhise otsingu meditsiiniliste küsimuste andmebaasi andmekogumit, mis arvestab arsti ja patsiendi veebipõhiste küsimuste ja vastuste süsteemiga, püüdes tehisintellekti mitmest aspektist kvalifitseeritud arstiks koolitada. Lisaks pakub meeskond välja inimlikul hindamisel põhineva raamistiku, mis võtab arvesse faktide, mõistmise, arutluskäigu ja võimaliku eelarvamuse mitut dimensiooni. See on üks esinduslikumaid sel aastal avaldatud uuringuid tehisintellekti hindamiseks tervishoius.

Aga kas asjaolu, et suured keelemudelid näitavad kõrgetasemelist kliinilist teadmist kodeerides, tähendab, et suured keelemudelid on pädevad reaalsete kliiniliste ülesannete jaoks? Nii nagu meditsiinitudeng, kes sooritab kutsearsti eksami laitmatu tulemusega, on veel kaugel iseseisvast peaarstist, ei pruugi Google'i pakutud hindamiskriteeriumid olla ideaalne vastus meditsiinilise tehisintellekti hindamise teemale tehisintellekti mudelite puhul. Juba 2021. ja 2022. aastal on teadlased pakkunud välja aruandlusjuhised, nagu Decid-AI, SPIRIT-AI ja INTRPRT, lootes suunata meditsiinilise tehisintellekti varajast arendamist ja valideerimist, võttes arvesse selliseid tegureid nagu kliiniline praktilisus, ohutus, inimfaktorid ja läbipaistvus/tõlgendatavus. Hiljuti avaldas ajakiri Nature Medicine Oxfordi ülikooli ja Stanfordi ülikooli teadlaste uuringu selle kohta, kas kasutada tehisintellekti tööriistade valideerimiseks „välist valideerimist“ või „korduvat kohalikku valideerimist“.

Tehisintellekti tööriistade erapooletu olemus on samuti oluline hindamissuund, mis on sel aastal pälvinud tähelepanu nii teaduse kui ka NEJM-i artiklites. Tehisintellektil on sageli kallutatus, kuna see piirdub treeningandmetega. See kallutatus võib peegeldada sotsiaalset ebavõrdsust, mis areneb edasi algoritmiliseks diskrimineerimiseks. Riiklikud tervishoiuinstituudid käivitasid hiljuti Bridge2AI algatuse, mille hinnanguline maksumus on 130 miljonit dollarit, et luua mitmekesiseid andmekogumeid (kooskõlas eespool mainitud MAIDA algatuse eesmärkidega), mida saab kasutada meditsiiniliste tehisintellekti tööriistade erapooletuse valideerimiseks. MultiMedQA neid aspekte ei arvesta. Küsimus, kuidas meditsiinilisi tehisintellekti mudeleid mõõta ja valideerida, vajab endiselt ulatuslikku ja põhjalikku arutelu.

Jaanuaris avaldas Nature Medicine arvamusartikli pealkirjaga „Tõenduspõhise meditsiini järgmine põlvkond“, mille autor on Vivek Subbiah Texase Ülikooli MD Andersoni vähikeskusest, milles ta vaatab üle COVID-19 pandeemia kontekstis ilmnenud kliiniliste uuringute piirangud ja juhib tähelepanu vastuolule innovatsiooni ja kliinilise uurimisprotsessi järgimise vahel. Lõpuks juhib see tähelepanu kliiniliste uuringute ümberkorraldamise tulevikule – järgmise põlvkonna kliinilistele uuringutele, mis kasutavad tehisintellekti, st tehisintellekti kasutamisele suure hulga ajalooliste uurimisandmete, reaalse maailma andmete, multimodaalsete kliiniliste andmete ja kantavate seadmete andmete põhjal oluliste tõendite leidmiseks. Kas see tähendab, et tehisintellekti tehnoloogia ja tehisintellekti kliinilise valideerimise protsessid võivad tulevikus üksteist vastastikku tugevdada ja koos areneda? See on 2023. aasta avatud ja mõtlemapanev küsimus.

Meditsiinilise tehisintellekti reguleerimine

Tehisintellekti tehnoloogia areng tekitab väljakutseid ka tehisintellekti reguleerimisele ning poliitikakujundajad kogu maailmas reageerivad hoolikalt ja läbimõeldult. 2019. aastal avaldas FDA esmakordselt tehisintellekti meditsiiniseadmete tarkvaramuudatuste reguleeriva raamistiku ettepaneku (arutelu mustand), milles kirjeldati üksikasjalikult oma potentsiaalset lähenemisviisi tehisintellekti ja masinõppepõhiste tarkvaramuudatuste turustamiseelsele läbivaatamisele. 2021. aastal esitas FDA ettepaneku „Tehisintellektil/masinõppel põhineva tarkvara kui meditsiiniseadme tegevuskava“, milles selgitati viit konkreetset tehisintellekti meditsiinilist regulatiivset meedet. Sel aastal avaldas FDA uuesti seadme tarkvarafunktsioonide turustamiseelse esitamise dokumendi, et anda teavet turustamiseelse esitamise soovituste kohta FDA hinnanguks seadme tarkvarafunktsioonide ohutuse ja tõhususe kohta, sealhulgas mõnede tarkvaraseadmete funktsioonide kohta, mis kasutavad masinõppemeetodeid kasutades treenitud masinõppemudeleid. FDA regulatiivne poliitika on arenenud esialgsest ettepanekust praktiliseks juhiseks.

Pärast Euroopa terviseandmete ruumi avaldamist eelmise aasta juulis on EL taas vastu võtnud tehisintellekti seaduse. Esimese eesmärk on terviseandmeid parimal viisil kasutada kvaliteetse tervishoiu pakkumiseks, ebavõrdsuse vähendamiseks ning andmete toetamiseks ennetamiseks, diagnoosimiseks, raviks, teaduslikuks innovatsiooniks, otsuste tegemiseks ja seadusandluseks, tagades samal ajal ELi kodanikele suurema kontrolli oma isikuandmete üle. Viimane teeb selgeks, et meditsiinilise diagnoosimise süsteem on kõrge riskiga tehisintellekti süsteem ning see peab vastu võtma sihipärase tugeva järelevalve, kogu elutsükli järelevalve ja hindamiseelse järelevalve. Euroopa Ravimiamet (EMA) on avaldanud aruteludokumendi kavandi tehisintellekti kasutamise kohta ravimite väljatöötamise, reguleerimise ja kasutamise toetamiseks, rõhuasetusega tehisintellekti usaldusväärsuse parandamisele, et tagada patsientide ohutus ja kliiniliste uuringute tulemuste terviklikkus. Üldiselt on ELi regulatiivne lähenemisviis järk-järgult kujunemas ning lõplikud rakendamise üksikasjad võivad olla üksikasjalikumad ja rangemad. Teravas vastuolus ELi range regulatsiooniga teeb Ühendkuningriigi tehisintellekti regulatiivne kavandi selgeks, et valitsus kavatseb praegu rakendada leebemat lähenemisviisi ning mitte kehtestada uusi seadusi ega luua uusi reguleerivaid asutusi.

Hiinas on riikliku meditsiinitoodete ameti meditsiiniseadmete tehnilise läbivaatamise keskus (NMPA) varem avaldanud dokumente, näiteks „Süvaõppega abistatava otsustustarkvara läbivaatamise punktid“, „Tehisintellektiga meditsiiniseadmete registreerimise läbivaatamise juhtpõhimõtted (kommenteerimiseks eelnõu)“ ja „Ringkiri tehisintellektiga meditsiinitarkvara toodete klassifitseerimise ja määratlemise juhtpõhimõtete kohta (nr 47 2021. aastal)“. Sel aastal avaldati taas „Esimeste meditsiiniseadmete tooteklassifikatsiooni tulemuste kokkuvõte 2023. aastal“. See dokumentide sari muudab tehisintellekti meditsiinitarkvara toodete määratluse, klassifitseerimise ja reguleerimise selgemaks ja lihtsamini kasutatavaks ning annab selged juhised erinevate tööstusharu ettevõtete toodete positsioneerimise ja registreerimise strateegiate jaoks. Need dokumendid pakuvad raamistikku ja juhtimisotsuseid tehisintellekti meditsiiniseadmete teaduslikuks reguleerimiseks. Tasub oodata, et 21.–23. detsembrini Hangzhous toimunud Hiina meditsiinilise tehisintellekti konverentsi päevakorras on erifoorum digitaalse meditsiini juhtimise ja avalike haiglate kvaliteetse arendamise ning tehisintellekti meditsiiniseadmete testimise ja hindamise tehnoloogia standardimise tööstuse arendusfoorumi teemal. Sel ajal osalevad kohtumisel riikliku arengu- ja reformikomisjoni ning NMPA ametnikud, kes võivad avaldada uut teavet.

Kokkuvõte

2023. aastal hakkas meditsiiniline tehisintellekt integreeruma kogu meditsiinilise üles- ja allavoolu protsessi, hõlmates haiglaandmete kogumist, liitmist, analüüsi, diagnoosimist ja ravi ning kogukonna sõeluuringuid, ning tegema orgaanilist koostööd meditsiini-/haiguste tõrje töötajatega, näidates potentsiaali tuua inimeste tervisele heaolu. Kasutatav meditsiinilise tehisintellekti uuring on hakanud koitma. Tulevikus ei sõltu meditsiinilise tehisintellekti areng mitte ainult tehnoloogia arengust endast, vaid vajab ka tööstuse, ülikoolide ja meditsiiniuuringute täielikku koostööd ning poliitikakujundajate ja reguleerivate asutuste tuge. See valdkondadevaheline koostöö on tehisintellektiga integreeritud meditsiiniteenuste saavutamise võti ja soodustab kindlasti inimeste tervise arengut.