նորություններ

IBM Watson-ի 2007 թվականին հիմնադրվելուց ի վեր, մարդիկ անընդհատ հետապնդել են բժշկական արհեստական ​​բանականության (ԱԲ) զարգացումը: Օգտագործելի և հզոր բժշկական ԱԲ համակարգն ունի հսկայական ներուժ՝ վերաձևավորելու ժամանակակից բժշկության բոլոր ասպեկտները՝ հնարավորություն տալով ապահովել ավելի խելացի, ավելի ճշգրիտ, արդյունավետ և ներառական խնամք, բարեկեցություն բերելով բժշկական աշխատողներին և հիվանդներին և դրանով իսկ զգալիորեն բարելավելով մարդկանց առողջությունը: Վերջին 16 տարիների ընթացքում, չնայած բժշկական ԱԲ հետազոտողները կուտակվել են տարբեր փոքր ոլորտներում, այս փուլում նրանք դեռևս չեն կարողացել գիտաֆանտաստիկան իրականություն դարձնել:

Այս տարի, արհեստական ​​բանականության տեխնոլոգիաների, ինչպիսին է ChatGPT-ն, հեղափոխական զարգացման շնորհիվ, բժշկական արհեստական ​​բանականությունը մեծ առաջընթաց է գրանցել բազմաթիվ ասպեկտներում: Աննախադեպ առաջընթաց բժշկական արհեստական ​​բանականության կարողությունների մեջ. Nature ամսագիրը անընդհատ սկսել է բժշկական մեծ լեզվական մոդելի և բժշկական պատկերի հիմնական մոդելի հետազոտությունները. Google-ը թողարկում է Med-PaLM-ը և դրա հաջորդը՝ հասնելով ԱՄՆ բժշկական պրակտիկայի քննության հարցերում փորձագիտական ​​մակարդակի: Հիմնական ակադեմիական ամսագրերը կկենտրոնանան բժշկական արհեստական ​​բանականության վրա. Nature-ը հրապարակում է ընդհանուր բժշկական արհեստական ​​բանականության հիմնական մոդելի վերաբերյալ տեսակետները. Այս տարվա սկզբին բժշկության մեջ արհեստական ​​բանականության մի շարք ակնարկներից հետո, New England Journal of Medicine (NEJM)-ը նոյեմբերի 30-ին հրապարակեց իր առաջին թվային առողջապահական ակնարկը և դեկտեմբերի 12-ին թողարկեց NEJM ենթաամսագրի՝ NEJM AI-ի առաջին համարը: Բժշկական արհեստական ​​բանականության վայրէջքի հողը ավելի հասուն է. JAMA ենթաամսագիրը հրապարակեց բժշկական պատկերի տվյալների փոխանակման գլոբալ նախաձեռնությունը. ԱՄՆ Սննդի և դեղերի վարչությունը (FDA) մշակում է բժշկական արհեստական ​​բանականության կարգավորման ուղեցույցների նախագծեր:

Ստորև մենք կանդրադառնանք 2023 թվականին օգտագործելի բժշկական արհեստական ​​բանականության ուղղությամբ աշխարհի տարբեր հետազոտողների կողմից գրանցված նշանակալի առաջընթացին։

Բժշկական արհեստական ​​բանականության հիմնական մոդել

Բժշկական արհեստական ​​ինտելեկտի հիմնական մոդելի կառուցումը, անկասկած, այս տարվա ամենատաք հետազոտական ​​ուշադրության կենտրոնում է: Nature ամսագրերը տարվա ընթացքում հրապարակել են առողջապահության համընդհանուր հիմնական մոդելի և առողջապահության լայն լեզվական մոդելի վերաբերյալ ակնարկային հոդվածներ: Արդյունաբերության առաջատար ամսագիրը՝ Medical Image Analysis-ը, վերանայել և անհամբերությամբ է մոտեցել բժշկական պատկերի վերլուծության մեջ հիմնական մոդելային հետազոտության մարտահրավերներին և հնարավորություններին և առաջարկել է «հիմնական մոդելի տոհմածառ» հայեցակարգը՝ բժշկական արհեստական ​​ինտելեկտի հիմնական մոդելային հետազոտության զարգացումը ամփոփելու և ուղղորդելու համար: Առողջապահության համար արհեստական ​​ինտելեկտի հիմնական մոդելների ապագան ավելի ու ավելի պարզ է դառնում: ChatGPT-ի նման խոշոր լեզվական մոդելների հաջողված օրինակների վրա հիմնվելով, ավելի առաջադեմ ինքնակառավարվող նախնական վերապատրաստման մեթոդների և վերապատրաստման տվյալների հսկայական կուտակման միջոցով, բժշկական արհեստական ​​ինտելեկտի ոլորտի հետազոտողները փորձում են կառուցել 1) հիվանդությանը հատուկ հիմնական մոդելներ, 2) ընդհանուր հիմնական մոդելներ և 3) բազմամոդալ մեծ մոդելներ, որոնք ինտեգրում են ռեժիմների լայն շրջանակ՝ զանգվածային պարամետրերով և գերազանց հնարավորություններով:

Բժշկական տվյալների ձեռքբերման արհեստական ​​բանականության մոդել

Բացի կլինիկական տվյալների վերլուծության առաջադրանքներում մեծ դեր խաղացող խոշոր արհեստական ​​ինտելեկտի մոդելներից, վերևում կլինիկական տվյալների ձեռքբերման գործում ի հայտ է եկել նաև գեներատիվ արհեստական ​​ինտելեկտի մոդելներով ներկայացված տեխնոլոգիան։ Արհեստական ​​ինտելեկտի ալգորիթմները կարող են զգալիորեն բարելավել տվյալների ձեռքբերման գործընթացը, արագությունը և որակը։

Այս տարվա սկզբին Nature Biomedical Engineering-ը հրապարակեց Թուրքիայի Ստրեյթս համալսարանի ուսումնասիրությունը, որը կենտրոնացած էր գեներատիվ արհեստական ​​բանականության օգտագործման վրա՝ կլինիկական կիրառություններում պաթոլոգիական պատկերի օգնությամբ ախտորոշման խնդիրը լուծելու համար: Վիրահատության ընթացքում սառեցված հատվածի հյուսվածքի մեջ առկա արտեֆակտները խոչընդոտ են արագ ախտորոշիչ գնահատման համար: Չնայած ֆորմալինի և պարաֆինի մեջ ներդրված (FFPE) հյուսվածքը ապահովում է ավելի բարձր որակի նմուշ, դրա արտադրության գործընթացը ժամանակատար է և հաճախ տևում է 12-48 ժամ, ինչը այն դարձնում է վիրաբուժության մեջ օգտագործելու համար անպիտան: Հետևաբար, հետազոտական ​​​​խումբը առաջարկեց AI-FFPE անվամբ ալգորիթմ, որը կարող է սառեցված հատվածում հյուսվածքի տեսքը նմանեցնել FFPE-ին: Ալգորիթմը հաջողությամբ շտկել է սառեցված հատվածների արտեֆակտները, բարելավել պատկերի որակը և միևնույն ժամանակ պահպանել կլինիկորեն համապատասխան առանձնահատկությունները: Կլինիկական վավերացման մեջ AI-FFPE ալգորիթմը զգալիորեն բարելավում է պաթոլոգների ախտորոշիչ ճշգրտությունը ուռուցքի ենթատիպերի համար, միաժամանակ զգալիորեն կրճատելով կլինիկական ախտորոշման ժամանակը:

«Cell Reports Medicine»-ը ներկայացնում է Ջիլին համալսարանի Երրորդ կլինիկական քոլեջի, Ռադիոլոգիայի ամբիոնի, Ֆուդանի համալսարանին կից Չժոնշան հիվանդանոցի և Շանհայի գիտության և տեխնոլոգիայի համալսարանի թիմի կողմից իրականացված հետազոտական ​​աշխատանքը [25]: Այս ուսումնասիրությունը առաջարկում է ընդհանուր նշանակության խորը ուսուցման և իտերատիվ վերականգնողական միաձուլման շրջանակ (Hybrid DL-IR)՝ բարձր բազմակողմանիությամբ և ճկունությամբ, որը ցույց է տալիս պատկերի վերականգնման գերազանց կատարողականություն արագ ՄՌՏ-ում, ցածր դոզայի ՀՏ-ում և արագ ՊԷՏ-ում: Ալգորիթմը կարող է հասնել ՄՌՏ միօրգանային բազմահաջորդական սկանավորման 100 վայրկյանում, նվազեցնել ճառագայթման դոզան մինչև ՀՏ պատկերի ընդամենը 10%-ը և վերացնել աղմուկը, ինչպես նաև կարող է վերականգնել ՊԷՏ-ի ձեռքբերումից ստացված փոքր վնասվածքները 2-ից 4 անգամ արագացմամբ՝ միաժամանակ նվազեցնելով շարժման արտեֆակտների ազդեցությունը:

Բժշկական արհեստական ​​բանականությունը՝ բժշկական աշխատողների հետ համագործակցությամբ

Բժշկական արհեստական ​​բանականության արագ զարգացումը նաև բժշկական մասնագետներին դրդել է լրջորեն քննարկել և ուսումնասիրել, թե ինչպես համագործակցել արհեստական ​​բանականության հետ՝ կլինիկական գործընթացները բարելավելու համար: Այս տարվա հուլիսին DeepMind-ը և բազմահաստատութային հետազոտական ​​​​խումբը համատեղ առաջարկել են արհեստական ​​​​բանականության համակարգ, որը կոչվում է «Լրացուցիչ կլինիկական աշխատանքային հոսքի հետաձգում» (CoDoC): Ախտորոշման գործընթացը նախ ախտորոշվում է կանխատեսող արհեստական ​​​​բանականության համակարգով, այնուհետև գնահատվում է մեկ այլ արհեստական ​​​​բանականության համակարգով՝ նախորդ արդյունքի հիման վրա, և եթե կա կասկած, ախտորոշումը վերջապես կատարվում է կլինիցիստի կողմից՝ ախտորոշման ճշգրտությունը բարելավելու և արդյունավետությունը հավասարակշռելու համար: Երբ խոսքը վերաբերում է կրծքագեղձի քաղցկեղի սկրինինգին, CoDoC-ն կեղծ դրական ցուցանիշների մակարդակը նվազեցրել է 25%-ով՝ նույն կեղծ բացասական ցուցանիշով, միաժամանակ կրճատելով կլինիցիստների աշխատանքային ծանրաբեռնվածությունը 66%-ով՝ համեմատած Մեծ Բրիտանիայում գործող «կրկնակի ընթերցման արբիտրաժի» ներկայիս գործընթացի հետ: Տուբերկուլյոզի դասակարգման առումով կեղծ դրական ցուցանիշները նվազել են 5-ից 15 տոկոսով՝ նույն կեղծ բացասական ցուցանիշով՝ համեմատած անկախ արհեստական ​​​​բանականության և կլինիկական աշխատանքային հոսքերի հետ:

Նմանապես, Մեծ Բրիտանիայի Լոնդոն քաղաքի Kheiron ընկերությունից Էննի Յ. Նգը և այլք (մարդ-փորձագետների հետ համագործակցությամբ) ներմուծեցին լրացուցիչ արհեստական ​​ինտելեկտի ընթերցողներ (մարդ-փորձագետների հետ համատեղ)՝ կրկնակի ընթերցման արբիտրաժային գործընթացում հետկանչի արդյունքներ չստանալու դեպքում արդյունքները վերանայելու համար, ինչը բարելավեց կրծքագեղձի քաղցկեղի վաղ սկրինինգում բաց թողնված հայտնաբերման խնդիրը, և գործընթացը գրեթե կեղծ դրական արդյունքներ չուներ: Տեխասի համալսարանի ՄաքԳովերն բժշկական դպրոցի թիմի կողմից ղեկավարված և չորս ինսուլտի կենտրոններում ավարտված մեկ այլ ուսումնասիրություն կիրառեց համակարգչային տոմոգրաֆիայի (CTA) վրա հիմնված արհեստական ​​ինտելեկտի տեխնոլոգիա՝ խոշոր անոթային օկլյուզիվ իշեմիկ ինսուլտի (LVO) հայտնաբերումը ավտոմատացնելու համար: Բժիշկներն ու ռադիոլոգները իրենց բջջային հեռախոսներին ստանում են իրական ժամանակի ծանուցումներ ՀՏ պատկերման ավարտից մի քանի րոպե անց՝ տեղեկացնելով նրանց LVO-ի հնարավոր առկայության մասին: Այս արհեստական ​​ինտելեկտի գործընթացը բարելավում է հիվանդանոցային աշխատանքային հոսքերը սուր իշեմիկ ինսուլտի դեպքում՝ կրճատելով դռնից մինչև աճուկային հատվածը ընդունվելուց մինչև բուժումը տևող ժամանակը և հնարավորություններ ստեղծելով հաջող վերականգնման համար: Արդյունքները հրապարակվել են JAMA Neurology ամսագրում:

Արհեստական ​​բանականության առողջապահական մոդել՝ համընդհանուր օգուտի համար

2023 թվականին նաև շատ լավ աշխատանք կլինի, որն օգտագործում է բժշկական արհեստական ​​բանականությունը՝ ավելի հեշտությամբ հասանելի տվյալներից մարդու աչքի համար անտեսանելի հատկանիշներ գտնելու համար, ինչը հնարավորություն կտա համընդհանուր ախտորոշում և վաղաժամ սկրինինգ իրականացնել մասշտաբով: Տարվա սկզբին Nature Medicine-ը հրապարակեց Սուն Յաթ-սենի համալսարանի Չժոնգշան աչքի կենտրոնի և Ֆուջիանի բժշկական համալսարանի երկրորդ դուստր հիվանդանոցի կողմից կատարված ուսումնասիրությունները: Օգտագործելով սմարթֆոնները որպես ծրագրային տերմինալներ, նրանք օգտագործեցին մուլտֆիլմերի նման տեսանյութեր՝ երեխաների հայացքը խթանելու և երեխաների հայացքի վարքագիծն ու դեմքի գծերը գրանցելու համար, և խորը ուսուցման մոդելների միջոցով վերլուծեցին աննորմալ մոդելներ՝ հաջողությամբ հայտնաբերելու 16 աչքի հիվանդություններ, այդ թվում՝ բնածին կատարակտ, բնածին պտոզ և բնածին գլաուկոման՝ ավելի քան 85% միջին սկրինինգի ճշգրտությամբ: Սա ապահովում է արդյունավետ և հեշտ տարածվող տեխնիկական միջոց՝ նորածինների տեսողական ֆունկցիայի խանգարման և դրանց հետ կապված աչքի հիվանդությունների լայնածավալ վաղ սկրինինգի համար:

Տարվա վերջում Nature Medicine-ը հրապարակեց աշխարհի ավելի քան 10 բժշկական և հետազոտական ​​հաստատությունների կողմից կատարված աշխատանքը, այդ թվում՝ Շանհայի ենթաստամոքսային գեղձի հիվանդությունների ինստիտուտը և Չժեցզյան համալսարանի առաջին դուստր հիվանդանոցը: Հեղինակը կիրառել է արհեստական ​​բանականություն ասիմպտոմատիկ մարդկանց ենթաստամոքսային գեղձի քաղցկեղի սկրինինգի համար ֆիզիկական զննման կենտրոններում, հիվանդանոցներում և այլն՝ պարզ սկանավորման համակարգչային տոմոգրաֆիայի պատկերներում հայտնաբերելու համար այն վնասվածքի առանձնահատկությունները, որոնք դժվար է հայտնաբերել միայն անզեն աչքով, որպեսզի ապահովվի ենթաստամոքսային գեղձի քաղցկեղի արդյունավետ և ոչ ինվազիվ վաղ հայտնաբերում: Ավելի քան 20,000 հիվանդների տվյալների վերանայման արդյունքում մոդելը նաև բացահայտել է կլինիկորեն բաց թողնված վնասվածքների 31 դեպք, ինչը զգալիորեն բարելավել է կլինիկական արդյունքները:

Բժշկական տվյալների փոխանակում

2023 թվականին աշխարհում ի հայտ են եկել տվյալների փոխանակման շատ ավելի կատարյալ մեխանիզմներ և հաջողված դեպքեր, որոնք ապահովում են բազմակենտրոն համագործակցություն և տվյալների բացություն՝ տվյալների գաղտնիության և անվտանգության պաշտպանության նախապայմանի ներքո։

Նախ, արհեստական ​​բանականության տեխնոլոգիայի օգնությամբ, արհեստական ​​բանականության հետազոտողները նպաստել են բժշկական տվյալների փոխանակմանը: ԱՄՆ Ռատգերսի համալսարանի Ցի Չանգը և այլք հոդված են հրապարակել Nature Communications-ում՝ առաջարկելով դաշնային ուսուցման շրջանակ՝ DSL, որը հիմնված է բաշխված սինթետիկ հակառակորդական ցանցերի վրա, որն օգտագործում է գեներատիվ արհեստական ​​բանականություն՝ բազմակենտրոնների կոնկրետ ստեղծված տվյալները մարզելու համար, ապա բազմակենտրոնների իրական տվյալները փոխարինում է ստեղծված տվյալներով: Ապահովել արհեստական ​​բանականության ուսուցում՝ հիմնված բազմակենտրոն մեծ տվյալների վրա՝ միաժամանակ պաշտպանելով տվյալների գաղտնիությունը: Նույն թիմը նաև բաց կոդով տրամադրում է ստեղծված պաթոլոգիական պատկերների տվյալների բազմություն և դրանց համապատասխան մեկնաբանություններ: Ստեղծված տվյալների բազմության վրա մարզված սեգմենտացիայի մոդելը կարող է հասնել իրական տվյալներին նմանատիպ արդյունքների:

Ցինգհուա համալսարանի Դաի Ցիոնգհայի թիմը հրապարակել է npj Digital Health-ի վերաբերյալ հոդված, որում առաջարկվում է Relay Learning-ը, որն օգտագործում է բազմակայան մեծ տվյալներ՝ արհեստական ​​ինտելեկտի մոդելները մարզելու համար՝ տեղական տվյալների ինքնիշխանության և միջկայքային ցանցային կապի բացակայության նախադրյալի ներքո: Այն հավասարակշռում է տվյալների անվտանգության և գաղտնիության հետ կապված մտահոգությունները արհեստական ​​ինտելեկտի արդյունավետության հետապնդման հետ: Նույն թիմը հետագայում համատեղ մշակել և վավերացրել է CAIMEN-ը՝ կրծքավանդակի միջնորմի ուռուցքների համակողմանի ախտորոշման համակարգ, որը հիմնված է դաշնային ուսուցման վրա՝ համագործակցելով Գուանչժոուի բժշկական համալսարանի առաջին դուստր հիվանդանոցի և երկրի 24 հիվանդանոցների հետ: Համակարգը, որը կարող է կիրառվել միջնորմի 12 տարածված ուռուցքների վրա, հասել է 44.9 տոկոսով ավելի լավ ճշգրտության, երբ օգտագործվել է միայնակ, քան երբ օգտագործվել է միայնակ մարդ մասնագետների կողմից, և 19 տոկոսով ավելի լավ ախտորոշման ճշգրտության, երբ մարդ մասնագետներին օգնել է այն:

Մյուս կողմից, իրականացվում են մի շարք նախաձեռնություններ՝ անվտանգ, գլոբալ, մեծածավալ բժշկական տվյալների հավաքածուներ ստեղծելու համար: 2023 թվականի նոյեմբերին Ագուստինա Սաենցը և Հարվարդի բժշկական դպրոցի կենսաբժշկական ինֆորմատիկայի ամբիոնի այլ աշխատակիցներ Lancet Digital Health-ում առցանց հրապարակեցին բժշկական պատկերների տվյալների փոխանակման գլոբալ շրջանակ՝ «Արհեստական ​​բանականության տվյալներ բոլոր առողջապահական հաստատությունների համար» (MAIDA) անվամբ: Նրանք համագործակցում են աշխարհի առողջապահական կազմակերպությունների հետ՝ տվյալների հավաքագրման և անանունացման վերաբերյալ համապարփակ ուղեցույց տրամադրելու համար՝ օգտագործելով ԱՄՆ դաշնային ցուցադրական գործընկերոջ (FDP) ձևանմուշը՝ տվյալների փոխանակումը ստանդարտացնելու համար: Նրանք պլանավորում են աստիճանաբար հրապարակել աշխարհի տարբեր տարածաշրջաններում և կլինիկական հաստատություններում հավաքված տվյալների հավաքածուներ: Առաջին տվյալների հավաքածուն նախատեսվում է հրապարակել 2024 թվականի սկզբին, իսկ գործընկերության ընդլայնմանը զուգընթաց՝ ավելի շատ տվյալներ կլինեն: Նախագիծը կարևոր փորձ է հանրությանը հասանելի արհեստական ​​բանականության տվյալների գլոբալ, մեծածավալ և բազմազան հավաքածու ստեղծելու համար:

Առաջարկից հետո Մեծ Բրիտանիայի կենսաբանկը օրինակ է ծառայել: Մեծ Բրիտանիայի կենսաբանկը նոյեմբերի 30-ին հրապարակել է իր 500,000 մասնակիցների ամբողջական գենոմի հաջորդականացման նոր տվյալներ: Տվյալների բազան, որը հրապարակում է 500,000 բրիտանացի կամավորներից յուրաքանչյուրի ամբողջական գենոմի հաջորդականությունը, աշխարհի ամենամեծ ամբողջական մարդու գենոմի տվյալների բազան է: Աշխարհի հետազոտողները կարող են մուտք գործել այս անանուն տվյալներին և օգտագործել դրանք առողջության և հիվանդության գենետիկական հիմքը հետազոտելու համար: Գենետիկական տվյալները անցյալում միշտ էլ խիստ զգայուն են եղել ստուգման համար, և Մեծ Բրիտանիայի կենսաբանկի այս պատմական նվաճումը ապացուցում է, որ հնարավոր է ստեղծել բաց, գաղտնիությունից զերծ գլոբալ լայնածավալ տվյալների բազա: Այս տեխնոլոգիայի և տվյալների բազայի միջոցով բժշկական արհեստական ​​բանականությունը պարտավոր է հաջորդ քայլը կատարել:

Բժշկական արհեստական ​​բանականության ստուգում և գնահատում

Բժշկական արհեստական ​​ինտելեկտի տեխնոլոգիայի արագ զարգացման համեմատ, բժշկական արհեստական ​​ինտելեկտի ստուգման և գնահատման զարգացումը մի փոքր դանդաղ է։ Արհեստական ​​ինտելեկտի ընդհանուր ոլորտում վավերացումը և գնահատումը հաճախ անտեսում են բժիշկների և հիվանդների իրական պահանջները արհեստական ​​ինտելեկտի նկատմամբ։ Ավանդական պատահականացված վերահսկվող կլինիկական փորձարկումները չափազանց աշխատատար են արհեստական ​​ինտելեկտի գործիքների արագ իտերացիային համապատասխանելու համար։ Բժշկական արհեստական ​​ինտելեկտի գործիքների համար հարմար ստուգման և գնահատման համակարգի հնարավորինս շուտ բարելավումը ամենակարևորն է բժշկական արհեստական ​​ինտելեկտը խթանելու համար՝ հետազոտություններից և զարգացումներից կլինիկական վայրէջք կատարելու համար։

Nature ամսագրում հրապարակված Med-PaLM-ի վերաբերյալ Google-ի հետազոտական ​​հոդվածում թիմը նաև հրապարակել է MultiMedQA գնահատման չափանիշը, որն օգտագործվում է մեծ լեզվական մոդելների կլինիկական գիտելիքներ ձեռք բերելու կարողությունը գնահատելու համար: Չափանիշը համատեղում է վեց առկա մասնագիտական ​​բժշկական հարց ու պատասխանի տվյալների բազաներ, որոնք ընդգրկում են մասնագիտական ​​բժշկական գիտելիքները, հետազոտությունները և այլ ասպեկտներ, ինչպես նաև առցանց որոնման բժշկական հարցերի տվյալների բազայի տվյալների բազա, որը դիտարկում է բժիշկ-հիվանդ առցանց հարց ու պատասխանը՝ փորձելով արհեստական ​​բանականությունը որակավորված բժշկի վերածել բազմաթիվ ասպեկտներից: Բացի այդ, թիմը առաջարկում է մարդկային գնահատման վրա հիմնված շրջանակ, որը հաշվի է առնում փաստերի, հասկացողության, դատողության և հնարավոր կողմնակալության բազմաթիվ չափումներ: Սա առողջապահության ոլորտում արհեստական ​​բանականության գնահատման ամենաներկայացուցչական հետազոտական ​​աշխատանքներից մեկն է, որը հրապարակվել է այս տարի:

Սակայն, արդյո՞ք այն փաստը, որ մեծ լեզվական մոդելները ցույց են տալիս կլինիկական գիտելիքների կոդավորման բարձր մակարդակ, նշանակում է, որ մեծ լեզվական մոդելները կարող են կատարել իրական աշխարհի կլինիկական առաջադրանքներ: Ինչպես բժշկական ուսանողը, որը մասնագիտական ​​բժշկի քննությունը հանձնում է կատարյալ միավորով, դեռևս հեռու է միայնակ գլխավոր բժիշկ լինելուց, այնպես էլ Google-ի կողմից առաջարկվող գնահատման չափանիշները կարող են կատարյալ պատասխան չլինել բժշկական արհեստական ​​ինտելեկտի մոդելների գնահատման թեմային: Դեռևս 2021 և 2022 թվականներին հետազոտողները առաջարկել են հաշվետվությունների ուղեցույցներ, ինչպիսիք են Decid-AI-ն, SPIRIT-AI-ն և INTRPRT-ն, հույս ունենալով ուղղորդել բժշկական արհեստական ​​ինտելեկտի վաղ զարգացումը և վավերացումը՝ հաշվի առնելով այնպիսի գործոններ, ինչպիսիք են կլինիկական գործնականությունը, անվտանգությունը, մարդկային գործոնները և թափանցիկությունը/մեկնաբանելիությունը: Վերջերս Nature Medicine ամսագիրը հրապարակել է Օքսֆորդի և Սթենֆորդի համալսարանների հետազոտողների կողմից անցկացված ուսումնասիրություն այն մասին, թե արդյոք օգտագործել «արտաքին վավերացում», թե «կրկնվող տեղական վավերացում»: Արհեստական ​​ինտելեկտի գործիքների վավերացման համար...

Արհեստական ​​բանականության գործիքների անաչառ բնույթը նույնպես կարևոր գնահատման ուղղություն է, որը այս տարի ուշադրության է արժանացել թե՛ Science-ի, թե՛ NEJM-ի հոդվածներում: Արհեստական ​​բանականությունը հաճախ ցուցաբերում է կողմնակալություն, քանի որ սահմանափակվում է մարզման տվյալներով: Այս կողմնակալությունը կարող է արտացոլել սոցիալական անհավասարությունը, որը հետագայում վերածվում է ալգորիթմական խտրականության: Առողջապահության ազգային ինստիտուտները վերջերս մեկնարկել են Bridge2AI նախաձեռնությունը, որի արժեքը գնահատվում է 130 միլիոն դոլար, որպեսզի ստեղծեն բազմազան տվյալների հավաքածուներ (համաձայն վերը նշված MAIDA նախաձեռնության նպատակների), որոնք կարող են օգտագործվել բժշկական արհեստական ​​բանականության գործիքների անաչառությունը ստուգելու համար: Այս ասպեկտները MultiMedQA-ի կողմից չեն քննարկվում: Բժշկական արհեստական ​​բանականության մոդելների չափման և վավերացման հարցը դեռևս կարիք ունի լայնածավալ և խորը քննարկման:

Հունվարին Nature Medicine-ը հրապարակեց Տեխասի համալսարանի MD Anderson քաղցկեղի կենտրոնի Վիվեկ Սուբիայի «Ապացույցների վրա հիմնված բժշկության հաջորդ սերունդը» վերնագրով կարծիք-հոդվածը, որում վերանայվում են COVID-19 համավարակի համատեքստում բացահայտված կլինիկական փորձարկումների սահմանափակումները և նշվում է նորարարության և կլինիկական հետազոտությունների գործընթացին հետևողականության միջև եղած հակասությունը: Վերջապես, այն մատնանշում է կլինիկական փորձարկումների վերակառուցման ապագան՝ արհեստական ​​բանականություն օգտագործող կլինիկական փորձարկումների հաջորդ սերունդը, այսինքն՝ արհեստական ​​բանականության օգտագործումը մեծ թվով պատմական հետազոտական ​​տվյալներից, իրական աշխարհի տվյալներից, բազմամոդալ կլինիկական տվյալներից, կրելի սարքերի տվյալներից՝ հիմնական ապացույցներ գտնելու համար: Արդյո՞ք սա նշանակում է, որ արհեստական ​​բանականության տեխնոլոգիան և արհեստական ​​բանականության կլինիկական վավերացման գործընթացները կարող են փոխադարձաբար ամրապնդվել և համատեղ զարգանալ ապագայում: Սա 2023 թվականի բաց և մտորելու տեղիք տվող հարցն է:

Բժշկական արհեստական ​​ինտելեկտի կարգավորում

Արհեստական ​​բանականության տեխնոլոգիայի զարգացումը նաև մարտահրավերներ է առաջացնում արհեստական ​​բանականության կարգավորման համար, և ամբողջ աշխարհի քաղաքականության մշակողները զգուշորեն և զգուշորեն են արձագանքում: 2019 թվականին FDA-ն առաջին անգամ հրապարակեց «Արհեստական ​​բանականության բժշկական սարքերի ծրագրային փոփոխությունների առաջարկվող կարգավորող շրջանակը» (քննարկման նախագիծ), որտեղ մանրամասն նկարագրվում է արհեստական ​​բանականության և մեքենայական ուսուցման վրա հիմնված ծրագրային փոփոխությունների շուկայական վերանայման իր հնարավոր մոտեցումը: 2021 թվականին FDA-ն առաջարկեց «Արհեստական ​​բանականության/մեքենայական ուսուցման վրա հիմնված ծրագրային ապահովումը որպես բժշկական սարք գործողությունների ծրագիր» նախագիծը, որը պարզաբանեց արհեստական ​​բանականության բժշկական կարգավորման հինգ կոնկրետ միջոցառումներ: Այս տարի FDA-ն վերահրապարակեց սարքի ծրագրային ապահովման հատկանիշների շուկայական ներկայացման նախագիծը՝ FDA-ի կողմից սարքի ծրագրային ապահովման հատկանիշների անվտանգության և արդյունավետության գնահատման համար շուկայական ներկայացման առաջարկությունների վերաբերյալ տեղեկատվություն տրամադրելու համար, ներառյալ մեքենայական ուսուցման մեթոդներով մարզված մեքենայական ուսուցման մոդելներ օգտագործող որոշ ծրագրային սարքի հատկանիշներ: FDA-ի կարգավորող քաղաքականությունը սկզբնական առաջարկից վերածվել է գործնական ուղեցույցի:

Անցյալ տարվա հուլիսին Եվրոպական առողջապահական տվյալների տարածքի հրապարակումից հետո ԵՄ-ն կրկին ընդունեց «Արհեստական ​​բանականության մասին» օրենքը: Առաջինը նպատակ ունի լավագույնս օգտագործել առողջապահական տվյալները՝ բարձրորակ առողջապահություն ապահովելու, անհավասարությունները նվազեցնելու և տվյալները կանխարգելման, ախտորոշման, բուժման, գիտական ​​նորարարության, որոշումների կայացման և օրենսդրության համար աջակցելու համար, միաժամանակ ապահովելով, որ ԵՄ քաղաքացիները ավելի մեծ վերահսկողություն ունենան իրենց անձնական առողջական տվյալների նկատմամբ: Վերջինս հստակեցնում է, որ բժշկական ախտորոշման համակարգը բարձր ռիսկի արհեստական ​​բանականության համակարգ է, և այն պետք է ներդնի նպատակային ուժեղ վերահսկողություն, ամբողջ կյանքի ցիկլի վերահսկողություն և նախնական գնահատման վերահսկողություն: Եվրոպական դեղերի գործակալությունը (EMA) հրապարակել է դեղերի մշակման, կարգավորման և օգտագործման աջակցման համար արհեստական ​​բանականության օգտագործման վերաբերյալ մտորումների նախագիծ՝ շեշտը դնելով արհեստական ​​բանականության հավաստիության բարձրացման վրա՝ հիվանդների անվտանգությունն ու կլինիկական հետազոտությունների արդյունքների ամբողջականությունն ապահովելու համար: Ընդհանուր առմամբ, ԵՄ կարգավորող մոտեցումը աստիճանաբար ձևավորվում է, և վերջնական իրականացման մանրամասները կարող են ավելի մանրամասն և խիստ լինել: ԵՄ խիստ կարգավորմանը կտրուկ հակադրությունով՝ Մեծ Բրիտանիայի արհեստական ​​բանականության կարգավորման նախագիծը հստակեցնում է, որ կառավարությունը նախատեսում է մեղմ մոտեցում ցուցաբերել և առայժմ նոր օրինագծեր չընդունել կամ նոր կարգավորող մարմիններ չստեղծել:

Չինաստանում Ազգային բժշկական արտադրանքի վարչության բժշկական սարքավորումների տեխնիկական վերանայման կենտրոնը (NMPA) նախկինում հրապարակել է այնպիսի փաստաթղթեր, ինչպիսիք են՝ «Խորը ուսուցման օժանդակ որոշումների կայացման ծրագրային ապահովման վերանայման կետերը», «Արհեստական ​​բանականության բժշկական սարքավորումների գրանցման վերանայման ուղեցույց սկզբունքները (մեկնաբանության նախագիծ)» և «Արհեստական ​​բանականության բժշկական ծրագրային արտադրանքի դասակարգման և սահմանման ուղեցույց սկզբունքների վերաբերյալ շրջաբերական (թիվ 47, 2021թ.)»: Այս տարի կրկին հրապարակվեց «2023 թվականի առաջին բժշկական սարքերի դասակարգման արդյունքների ամփոփումը»։ Փաստաթղթերի այս շարքը արհեստական ​​բանականության բժշկական ծրագրային ապահովման սահմանումը, դասակարգումը և կարգավորումը դարձնում է ավելի հստակ և հեշտ օգտագործման համար, ինչպես նաև հստակ ուղեցույց է տրամադրում ոլորտի տարբեր ձեռնարկությունների արտադրանքի դիրքավորման և գրանցման ռազմավարությունների համար։ Այս փաստաթղթերը շրջանակ և կառավարման որոշումներ են տրամադրում արհեստական ​​բանականության բժշկական սարքերի գիտական ​​կարգավորման համար։ Արժե սպասել, որ դեկտեմբերի 21-ից 23-ը Հանչժոուում կայացած Չինաստանի բժշկական արհեստական ​​բանականության համաժողովի օրակարգում ստեղծվի հատուկ ֆորում թվային բժշկական կառավարման և պետական ​​հիվանդանոցների բարձրորակ զարգացման, ինչպես նաև արհեստական ​​բանականության բժշկական սարքերի փորձարկման և գնահատման տեխնոլոգիաների ստանդարտացման արդյունաբերության զարգացման ֆորումի վերաբերյալ։ Այդ ժամանակ Ազգային զարգացման և բարեփոխումների հանձնաժողովի և NMPA-ի պաշտոնյաները կմասնակցեն հանդիպմանը և կարող են նոր տեղեկություններ հրապարակել։

Եզրակացություն

2023 թվականին բժշկական արհեստական ​​բանականությունը սկսել է ինտեգրվել բժշկական վերին և ստորին հոսքերի ողջ գործընթացին՝ ընդգրկելով հիվանդանոցային տվյալների հավաքագրումը, միաձուլումը, վերլուծությունը, ախտորոշումը և բուժումը, ինչպես նաև համայնքային սկրինինգը, և օրգանապես համագործակցել բժշկական/հիվանդությունների վերահսկման ոլորտի աշխատողների հետ՝ ցույց տալով մարդու առողջությանը բարեկեցություն բերելու ներուժը: Սկսում են դրսևորվել օգտագործելի բժշկական արհեստական ​​բանականության հետազոտություններ: Ապագայում բժշկական արհեստական ​​բանականության առաջընթացը կախված է ոչ միայն տեխնոլոգիական զարգացումից, այլև կարիք ունի արդյունաբերության, համալսարանների և բժշկական հետազոտությունների լիարժեք համագործակցության, ինչպես նաև քաղաքականության մշակողների և կարգավորող մարմինների աջակցության: Այս միջոլորտային համագործակցությունը արհեստական ​​բանականության հետ ինտեգրված բժշկական ծառայությունների հասնելու բանալին է և, անշուշտ, կնպաստի մարդու առողջության զարգացմանը: