სიახლეები

IBM Watson-ის 2007 წელს დაარსების დღიდან ადამიანები განუწყვეტლივ ცდილობენ სამედიცინო ხელოვნური ინტელექტის (AI) განვითარებას. გამოსაყენებელ და ძლიერ სამედიცინო ხელოვნური ინტელექტის სისტემას უზარმაზარი პოტენციალი აქვს თანამედროვე მედიცინის ყველა ასპექტის გარდაქმნისთვის, რაც უზრუნველყოფს უფრო ჭკვიან, ზუსტ, ეფექტურ და ინკლუზიურ მოვლას, უზრუნველყოფს კეთილდღეობას სამედიცინო მუშაკებისა და პაციენტებისთვის და ამით მნიშვნელოვნად აუმჯობესებს ადამიანის ჯანმრთელობას. ბოლო 16 წლის განმავლობაში, მიუხედავად იმისა, რომ სამედიცინო ხელოვნური ინტელექტის მკვლევარები დაგროვდნენ სხვადასხვა მცირე სფეროში, ამ ეტაპზე მათ ჯერ კიდევ არ შეძლეს სამეცნიერო ფანტასტიკის რეალობად გადაქცევა.

წელს, ხელოვნური ინტელექტის ტექნოლოგიების, როგორიცაა ChatGPT, რევოლუციური განვითარებით, სამედიცინო ხელოვნურმა ინტელექტმა მრავალი ასპექტით დიდი პროგრესი განიცადა. უპრეცედენტო გარღვევა სამედიცინო ხელოვნური ინტელექტის შესაძლებლობებში: ჟურნალმა Nature განუწყვეტლივ დაიწყო სამედიცინო დიდი ენის მოდელისა და სამედიცინო გამოსახულების ძირითადი მოდელის კვლევა; Google-მა გამოუშვა Med-PaLM და მისი მემკვიდრე, მიაღწია ექსპერტის დონეს აშშ-ის სამედიცინო პრაქტიკოსის გამოცდის კითხვებში. ძირითადი აკადემიური ჟურნალები ფოკუსირდებიან სამედიცინო ხელოვნურ ინტელექტზე: Nature აქვეყნებს ზოგადი სამედიცინო ხელოვნური ინტელექტის ძირითადი მოდელის მიმოხილვას; წელს მედიცინაში ხელოვნური ინტელექტის მიმოხილვების სერიის შემდეგ, New England Journal of Medicine-მა (NEJM) გამოაქვეყნა თავისი პირველი ციფრული ჯანმრთელობის მიმოხილვა 30 ნოემბერს და გამოუშვა NEJM ქვეჟურნალის NEJM AI-ის პირველი ნომერი 12 დეკემბერს. სამედიცინო ხელოვნური ინტელექტის დასამკვიდრებელი ნიადაგი კიდევ უფრო მომწიფდა: JAMA ქვეჟურნალმა გამოაქვეყნა სამედიცინო გამოსახულების მონაცემთა გაზიარების გლობალური ინიციატივა; აშშ-ის სურსათისა და წამლის ადმინისტრაცია (FDA) ამუშავებს სამედიცინო ხელოვნური ინტელექტის რეგულირების სახელმძღვანელო პრინციპების პროექტს.

ქვემოთ განვიხილავთ მნიშვნელოვან პროგრესს, რომელიც მთელ მსოფლიოში მკვლევარებმა მიაღწიეს გამოყენებადი სამედიცინო ხელოვნური ინტელექტის მიმართულებით 2023 წელს.

სამედიცინო ხელოვნური ინტელექტის საბაზისო მოდელი

სამედიცინო ხელოვნური ინტელექტის საბაზისო მოდელის აგება, უდავოდ, წლის ყველაზე აქტუალური კვლევის თემაა. ჟურნალმა Nature-მა წლის განმავლობაში გამოაქვეყნა მიმოხილვითი სტატიები ჯანდაცვის უნივერსალური საბაზისო მოდელისა და ჯანდაცვის ფართო ენობრივი მოდელის შესახებ. ინდუსტრიის წამყვანმა ჟურნალმა Medical Image Analysis-მა განიხილა და მოუთმენლად ელოდა სამედიცინო გამოსახულების ანალიზში საბაზისო მოდელის კვლევის გამოწვევებსა და შესაძლებლობებს და შემოგვთავაზა „საბაზისო მოდელის გენეალოგიის“ კონცეფცია, რათა შეეჯამებინა და წარემართა სამედიცინო ხელოვნური ინტელექტის საბაზისო მოდელის კვლევის განვითარება. ჯანდაცვისთვის საბაზისო ხელოვნური ინტელექტის მოდელების მომავალი უფრო ნათელი ხდება. ისეთი დიდი ენობრივი მოდელების წარმატებული მაგალითების გამოყენებით, როგორიცაა ChatGPT, უფრო მოწინავე თვითკონტროლირებადი წინასწარი ტრენინგის მეთოდებისა და ტრენინგის მონაცემების უზარმაზარი დაგროვების გამოყენებით, სამედიცინო ხელოვნური ინტელექტის დარგის მკვლევარები ცდილობენ შექმნან 1) დაავადების სპეციფიკური საბაზისო მოდელები, 2) ზოგადი საბაზისო მოდელები და 3) მულტიმოდალური დიდი მოდელები, რომლებიც აერთიანებენ რეჟიმების ფართო სპექტრს მასიური პარამეტრებით და უმაღლესი შესაძლებლობებით.

სამედიცინო მონაცემების შეგროვების ხელოვნური ინტელექტის მოდელი

დიდი ხელოვნური ინტელექტის მოდელების გარდა, რომლებიც დიდ როლს ასრულებენ კლინიკური მონაცემების ანალიზის ამოცანებში, კლინიკური მონაცემების შეგროვების პროცესში ასევე გაჩნდა გენერაციული ხელოვნური ინტელექტის მოდელებით წარმოდგენილი ტექნოლოგია. ხელოვნური ინტელექტის ალგორითმებით შესაძლებელია მონაცემთა შეგროვების პროცესის, სიჩქარისა და ხარისხის მნიშვნელოვნად გაუმჯობესება.

წელს, Nature Biomedical Engineering-მა გამოაქვეყნა თურქეთის სტრეიტსის უნივერსიტეტის კვლევა, რომელიც ფოკუსირებული იყო გენერაციული ხელოვნური ინტელექტის გამოყენებაზე კლინიკურ პრაქტიკაში პათოლოგიური გამოსახულების დახმარებით დიაგნოზის პრობლემის გადასაჭრელად. ოპერაციის დროს გაყინული ქსოვილის კვეთის არტეფაქტები სწრაფი დიაგნოსტიკური შეფასების დაბრკოლებას წარმოადგენს. მიუხედავად იმისა, რომ ფორმალინსა და პარაფინში ჩანერგილი (FFPE) ქსოვილი უფრო მაღალი ხარისხის ნიმუშს იძლევა, მისი წარმოების პროცესი დიდ დროს მოითხოვს და ხშირად 12-48 საათს გრძელდება, რაც მას ქირურგიაში გამოსაყენებლად უვარგისს ხდის. ამიტომ, კვლევითმა ჯგუფმა შემოგვთავაზა ალგორითმი სახელწოდებით AI-FFPE, რომელსაც შეუძლია გაყინულ კვეთაში ქსოვილის იერსახე FFPE-ს მსგავსი გახადოს. ალგორითმმა წარმატებით გამოასწორა გაყინული კვეთების არტეფაქტები, გააუმჯობესა გამოსახულების ხარისხი და ამავდროულად შეინარჩუნა კლინიკურად მნიშვნელოვანი მახასიათებლები. კლინიკური ვალიდაციისას, AI-FFPE ალგორითმი მნიშვნელოვნად აუმჯობესებს პათოლოგების დიაგნოსტიკურ სიზუსტეს სიმსივნის ქვეტიპებისთვის, ამავდროულად მნიშვნელოვნად ამცირებს კლინიკური დიაგნოზის დასმის დროს.

„Cell Reports Medicine“ წარმოგიდგენთ ჯილინის უნივერსიტეტის მესამე კლინიკური კოლეჯის, რადიოლოგიის დეპარტამენტის, ფუდანის უნივერსიტეტთან ასოცირებული ჟონგშანის საავადმყოფოს და შანხაის მეცნიერებისა და ტექნოლოგიების უნივერსიტეტის [25] გუნდის მიერ ჩატარებული კვლევის შედეგებს. ეს კვლევა გვთავაზობს ზოგადი დანიშნულების ღრმა სწავლებისა და იტერაციული რეკონსტრუქციის შერწყმის ჩარჩოს (ჰიბრიდული DL-IR) მაღალი მრავალფეროვნებითა და მოქნილობით, რომელიც აჩვენებს გამოსახულების რეკონსტრუქციის შესანიშნავ შესრულებას სწრაფ MRI-ში, დაბალი დოზის კომპიუტერული ტომოგრაფიასა და სწრაფ PET-ში. ალგორითმს შეუძლია მიაღწიოს MR ერთორგანულ მრავალ თანმიმდევრობით სკანირებას 100 წამში, შეამციროს რადიაციის დოზა კომპიუტერული ტომოგრაფიის გამოსახულების მხოლოდ 10%-მდე და აღმოფხვრას ხმაური, ასევე შეუძლია PET-ით მიღებული მცირე დაზიანებების რეკონსტრუქცია 2-4-ჯერ აჩქარებით, მოძრაობის არტეფაქტების ეფექტის შემცირებისას.

სამედიცინო ხელოვნური ინტელექტი სამედიცინო მუშაკებთან თანამშრომლობით

სამედიცინო ხელოვნური ინტელექტის სწრაფმა განვითარებამ სამედიცინო პროფესიონალები სერიოზულად აიძულა, რომ კლინიკური პროცესების გასაუმჯობესებლად ხელოვნურ ინტელექტთან თანამშრომლობის გზები განეხილათ და შეესწავლათ. მიმდინარე წლის ივლისში, DeepMind-მა და მრავალინსტიტუციურმა კვლევითმა ჯგუფმა ერთობლივად შემოგვთავაზეს ხელოვნური ინტელექტის სისტემა, სახელწოდებით „დამატებითი დამოკიდებულების კლინიკური სამუშაო პროცესის შეფერხება“ (CoDoC). დიაგნოსტიკური პროცესი თავდაპირველად დიაგნოზირებულია პროგნოზირებადი ხელოვნური ინტელექტის სისტემით, შემდეგ ფასდება სხვა ხელოვნური ინტელექტის სისტემით წინა შედეგის საფუძველზე და თუ ეჭვი არსებობს, დიაგნოზს საბოლოოდ სვამს კლინიცისტი, რათა გაუმჯობესდეს დიაგნოსტიკური სიზუსტე და დააბალანსოს ეფექტურობა. როდესაც საქმე ეხება ძუძუს კიბოს სკრინინგს, CoDoC-მ ცრუ დადებითი შედეგების მაჩვენებლები 25%-ით შეამცირა იმავე ცრუ უარყოფითი მაჩვენებლით, ხოლო კლინიცისტთა სამუშაო დატვირთვა 66%-ით, დიდ ბრიტანეთში არსებულ „ორმაგი წაკითხვის არბიტრაჟის“ პროცესთან შედარებით. ტუბერკულოზის კლასიფიკაციის თვალსაზრისით, ცრუ დადებითი შედეგების მაჩვენებლები 5-დან 15 პროცენტამდე შემცირდა იმავე ცრუ უარყოფითი მაჩვენებლით, დამოუკიდებელ ხელოვნურ ინტელექტთან და კლინიკურ სამუშაო პროცესებთან შედარებით.

ანალოგიურად, ლონდონში, დიდი ბრიტანეთი, Kheiron Company-ის წარმომადგენელმა, ენი ი. ნგ-მ და სხვებმა, ადამიან გამომცდელებთან თანამშრომლობით, დამატებითი ხელოვნური ინტელექტის წამკითხველები დანერგეს (ადამიან გამომცდელებთან თანამშრომლობით), რათა ხელახლა შეემოწმებინათ შედეგები, როდესაც ორმაგი წაკითხვის არბიტრაჟის პროცესში არ იყო გამეორებული შედეგები, რამაც გააუმჯობესა სარძევე ჯირკვლის კიბოს ადრეულ სკრინინგში გამოტოვებული გამოვლენის პრობლემა და პროცესში თითქმის არ იყო ცრუ დადებითი შედეგები. კიდევ ერთ კვლევაში, რომელსაც ხელმძღვანელობდა ტეხასის უნივერსიტეტის მაკგოვერნის სამედიცინო სკოლის გუნდი და რომელიც ოთხ ინსულტის ცენტრში ჩატარდა, გამოყენებული იქნა კომპიუტერული ტომოგრაფიის ანგიოგრაფია (CTA)-ზე დაფუძნებული ხელოვნური ინტელექტის ტექნოლოგია დიდი სისხლძარღვების ოკლუზიური იშემიური ინსულტის (LVO) გამოვლენის ავტომატიზაციისთვის. კლინიცისტები და რადიოლოგები კომპიუტერული ტომოგრაფიის დასრულებიდან რამდენიმე წუთში მობილურ ტელეფონებზე რეალურ დროში იღებენ შეტყობინებებს LVO-ს შესაძლო არსებობის შესახებ. ხელოვნური ინტელექტის ეს პროცესი აუმჯობესებს საავადმყოფოში მიმდინარე სამუშაო პროცესებს მწვავე იშემიური ინსულტის დროს, ამცირებს კარიდან საზარდულის ღრუმდე დროს მიღებიდან მკურნალობამდე და ქმნის წარმატებული გადარჩენის შესაძლებლობებს. დასკვნები გამოქვეყნებულია JAMA Neurology-ში.

უნივერსალური სარგებლისთვის ხელოვნური ინტელექტის მქონე ჯანდაცვის მოდელი

2023 წელს ასევე ბევრი კარგი სამუშაო გაკეთდება სამედიცინო ხელოვნური ინტელექტის გამოყენებით, რათა უფრო ადვილად ხელმისაწვდომი მონაცემებიდან აღმოაჩინოს ადამიანის თვალისთვის უხილავი მახასიათებლები, რაც უნივერსალურ დიაგნოზს და ადრეულ მასშტაბურ სკრინინგს უზრუნველყოფს. წლის დასაწყისში Nature Medicine-მა გამოაქვეყნა სუნ იატ-სენის უნივერსიტეტის ჟონგშანის თვალის ცენტრისა და ფუჯიანის სამედიცინო უნივერსიტეტის მეორე შვილობილი საავადმყოფოს მიერ ჩატარებული კვლევები. სმარტფონების გამოყენებით, როგორც აპლიკაციების ტერმინალების, მათ გამოიყენეს მულტფილმის მსგავსი ვიდეო გამოსახულებები ბავშვების მზერის გამოსაწვევად და ბავშვების მზერის ქცევისა და სახის ნაკვთების ჩასაწერად, და შემდგომ გააანალიზეს პათოლოგიური მოდელები ღრმა სწავლების მოდელების გამოყენებით, რათა წარმატებით გამოევლინათ 16 თვალის დაავადება, მათ შორის თანდაყოლილი კატარაქტა, თანდაყოლილი ფტოზი და თანდაყოლილი გლაუკომა, საშუალო სკრინინგის სიზუსტით 85%-ზე მეტი. ეს უზრუნველყოფს ეფექტურ და ადვილად პოპულარიზებად ტექნიკურ საშუალებას ჩვილების მხედველობის ფუნქციის დარღვევის და მასთან დაკავშირებული თვალის დაავადებების ფართომასშტაბიანი ადრეული სკრინინგისთვის.

წლის ბოლოს, Nature Medicine-მა გამოაქვეყნა მსოფლიოს 10-ზე მეტი სამედიცინო და კვლევითი დაწესებულების მიერ შესრულებული სამუშაო, მათ შორის შანხაის პანკრეასის დაავადების ინსტიტუტისა და ჟეჯიანგის უნივერსიტეტის პირველი შვილობილი საავადმყოფოს მიერ. ავტორმა ხელოვნური ინტელექტი გამოიყენა ასიმპტომური ადამიანების პანკრეასის კიბოს სკრინინგში ფიზიკური გამოკვლევის ცენტრებში, საავადმყოფოებში და ა.შ., რათა გამოევლინათ დაზიანების მახასიათებლები უბრალო სკანირების კომპიუტერული ტომოგრაფიით, რომელთა აღმოჩენა მხოლოდ შეუიარაღებელი თვალით რთულია, რათა მიღწეულიყო პანკრეასის კიბოს ეფექტური და არაინვაზიური ადრეული გამოვლენა. 20 000-ზე მეტი პაციენტის მონაცემების განხილვისას, მოდელმა ასევე გამოავლინა კლინიკურად გამოტოვებული დაზიანებების 31 შემთხვევა, რამაც მნიშვნელოვნად გააუმჯობესა კლინიკური შედეგები.

სამედიცინო მონაცემების გაზიარება

2023 წელს, მთელ მსოფლიოში გაჩნდა მონაცემთა გაზიარების კიდევ უფრო მეტი სრულყოფილი მექანიზმი და წარმატებული შემთხვევა, რაც უზრუნველყოფს მრავალცენტრიან თანამშრომლობას და მონაცემთა ღიაობას მონაცემთა კონფიდენციალურობისა და უსაფრთხოების დაცვის წინაპირობის ქვეშ.

პირველ რიგში, ხელოვნური ინტელექტის ტექნოლოგიის დახმარებით, ხელოვნური ინტელექტის მკვლევრებმა წვლილი შეიტანეს სამედიცინო მონაცემების გაზიარებაში. ცი ჩანგმა და აშშ-ის რატგერსის უნივერსიტეტის სხვა წარმომადგენლებმა გამოაქვეყნეს სტატია Nature Communications-ში, რომელშიც შემოთავაზებული იყო ფედერალური სასწავლო ჩარჩო DSL, რომელიც დაფუძნებული იყო განაწილებულ სინთეზურ შეჯიბრებით ქსელებზე, რომელიც იყენებს გენერაციულ ხელოვნურ ინტელექტს მრავალცენტრიანი კონკრეტული გენერირებული მონაცემების მოსამზადებლად და შემდეგ ცვლის მრავალცენტრიანი რეალური მონაცემების გენერირებულ მონაცემებს. უზრუნველყოფილი უნდა იყოს ხელოვნური ინტელექტის ტრენინგი მრავალცენტრიან დიდ მონაცემებზე დაყრდნობით, მონაცემთა კონფიდენციალურობის დაცვით. იგივე გუნდი ასევე ღია წყაროს სთავაზობს გენერირებული პათოლოგიური სურათების მონაცემთა ერთობლიობას და მათ შესაბამის ანოტაციებს. გენერირებულ მონაცემთა ერთობლიობაზე გაწვრთნილი სეგმენტაციის მოდელს შეუძლია მიაღწიოს რეალურ მონაცემებთან მსგავს შედეგებს.

ცინჰუას უნივერსიტეტის დაი ციონგჰაის გუნდმა გამოაქვეყნა ნაშრომი npj Digital Health-ის შესახებ, რომელშიც შემოთავაზებული იყო Relay Learning, რომელიც იყენებს მრავალსაიტიან დიდ მონაცემებს ხელოვნური ინტელექტის მოდელების მოსამზადებლად ლოკალური მონაცემების სუვერენიტეტისა და საიტებს შორის ქსელური კავშირის არარსებობის პრინციპით. ის აბალანსებს მონაცემთა უსაფრთხოებისა და კონფიდენციალურობის საკითხებს ხელოვნური ინტელექტის მუშაობის მიღწევასთან. იმავე გუნდმა შემდგომში ერთობლივად შეიმუშავა და დაადასტურა CAIMEN, გულმკერდის კომპიუტერული ტომოგრაფიის პან-მედიასტინალური სიმსივნეების დიაგნოსტიკის სისტემა, რომელიც დაფუძნებულია ფედერალურ სწავლებაზე, გუანჯოუს სამედიცინო უნივერსიტეტის პირველ შვილობილ საავადმყოფოსთან და მთელი ქვეყნის მასშტაბით 24 საავადმყოფოსთან თანამშრომლობით. სისტემამ, რომლის გამოყენებაც შესაძლებელია 12 გავრცელებულ მედიასტინალურ სიმსივნეზე, მიაღწია 44.9 პროცენტით უკეთეს სიზუსტეს დამოუკიდებლად გამოყენებისას, ვიდრე მხოლოდ ადამიანი ექსპერტების მიერ გამოყენებისას და 19 პროცენტით უკეთეს დიაგნოზის სიზუსტეს, როდესაც ადამიანი ექსპერტების დახმარებით სარგებლობდნენ.

მეორე მხრივ, მიმდინარეობს რამდენიმე ინიციატივა უსაფრთხო, გლობალური, მასშტაბური სამედიცინო მონაცემთა ნაკრებების შესაქმნელად. 2023 წლის ნოემბერში, აგუსტინა საენცმა და ჰარვარდის სამედიცინო სკოლის ბიოსამედიცინო ინფორმატიკის დეპარტამენტის სხვა თანამშრომლებმა, ჟურნალ Lancet Digital Health-ში ონლაინ გამოაქვეყნეს სამედიცინო სურათების მონაცემების გაზიარების გლობალური ჩარჩო, სახელწოდებით „ხელოვნური ინტელექტის მონაცემები ყველა ჯანდაცვისთვის“ (MAIDA). ისინი თანამშრომლობენ მსოფლიოს მასშტაბით ჯანდაცვის ორგანიზაციებთან, რათა უზრუნველყონ მონაცემთა შეგროვებისა და დეიდენტიფიკაციის შესახებ ყოვლისმომცველი ინსტრუქციები, მონაცემთა გაზიარების სტანდარტიზაციისთვის აშშ-ის ფედერალური დემონსტრაციული პარტნიორის (FDP) შაბლონის გამოყენებით. ისინი გეგმავენ თანდათანობით გამოაქვეყნონ მსოფლიოს სხვადასხვა რეგიონსა და კლინიკურ დაწესებულებებში შეგროვებული მონაცემთა ნაკრებები. პირველი მონაცემთა ნაკრების გამოქვეყნება 2024 წლის დასაწყისშია მოსალოდნელი, ხოლო პარტნიორობის გაფართოების კვალდაკვალ კიდევ უფრო მეტი მონაცემთა ნაკრები გამოჩნდება. პროექტი წარმოადგენს მნიშვნელოვან მცდელობას საჯაროდ ხელმისაწვდომი ხელოვნური ინტელექტის მონაცემების გლობალური, მასშტაბური და მრავალფეროვანი ნაკრების შესაქმნელად.

წინადადების შემდეგ, დიდი ბრიტანეთის ბიობანკმა მაგალითი მოგვცა. დიდი ბრიტანეთის ბიობანკმა 30 ნოემბერს გამოაქვეყნა ახალი მონაცემები მისი 500,000 მონაწილის მთელი გენომის სეკვენირების შედეგად. მონაცემთა ბაზა, რომელიც აქვეყნებს 500,000 ბრიტანელი მოხალისიდან თითოეულის სრულ გენომის თანმიმდევრობას, მსოფლიოში უდიდესი სრული ადამიანის გენომის მონაცემთა ბაზაა. მსოფლიოს მასშტაბით მკვლევარებს შეუძლიათ მოითხოვონ წვდომა ამ ანონიმურ მონაცემებზე და გამოიყენონ ისინი ჯანმრთელობისა და დაავადების გენეტიკური საფუძვლის შესასწავლად. გენეტიკური მონაცემები წარსულში ყოველთვის ძალიან მგრძნობიარე იყო გადამოწმებისთვის და დიდი ბრიტანეთის ბიობანკის ეს ისტორიული მიღწევა ადასტურებს, რომ შესაძლებელია ღია, კონფიდენციალურობისგან თავისუფალი გლობალური მასშტაბური მონაცემთა ბაზის შექმნა. ამ ტექნოლოგიითა და მონაცემთა ბაზით, სამედიცინო ხელოვნური ინტელექტი აუცილებლად წინ წაიწევს.

სამედიცინო ხელოვნური ინტელექტის ვერიფიკაცია და შეფასება

სამედიცინო ხელოვნური ინტელექტის ტექნოლოგიის სწრაფ განვითარებასთან შედარებით, სამედიცინო ხელოვნური ინტელექტის ვერიფიკაციისა და შეფასების განვითარება ოდნავ ნელია. ხელოვნური ინტელექტის ზოგად სფეროში ვალიდაცია და შეფასება ხშირად უგულებელყოფს კლინიცისტებისა და პაციენტების რეალურ მოთხოვნილებებს ხელოვნურ ინტელექტთან დაკავშირებით. ტრადიციული, რანდომიზებული, კონტროლირებადი კლინიკური კვლევები ძალიან შრომატევადია ხელოვნური ინტელექტის ინსტრუმენტების სწრაფ იტერაციასთან შესატყვისად. სამედიცინო ხელოვნური ინტელექტის ინსტრუმენტებისთვის შესაფერისი ვერიფიკაციისა და შეფასების სისტემის რაც შეიძლება სწრაფად გაუმჯობესება უმნიშვნელოვანესია იმისათვის, რომ სამედიცინო ხელოვნური ინტელექტი რეალურად გადააჭარბოს კვლევასა და განვითარებას კლინიკურ დანერგვამდე.

ჟურნალ Nature-ში გამოქვეყნებულ Google-ის Med-PaLM-ის შესახებ კვლევით ნაშრომში, გუნდმა ასევე გამოაქვეყნა MultiMedQA შეფასების საორიენტაციო ნიმუში, რომელიც გამოიყენება დიდი ენობრივი მოდელების კლინიკური ცოდნის შეძენის უნარის შესაფასებლად. საორიენტაციო ნიმუში აერთიანებს ექვს არსებულ პროფესიული სამედიცინო კითხვა-პასუხის მონაცემთა ნაკრებს, რომლებიც მოიცავს პროფესიულ სამედიცინო ცოდნას, კვლევას და სხვა ასპექტებს, ასევე ონლაინ საძიებო სამედიცინო კითხვების მონაცემთა ბაზის მონაცემთა ნაკრებს, რომელიც განიხილავს ექიმ-პაციენტის ონლაინ კითხვა-პასუხს და ცდილობს ხელოვნური ინტელექტის კვალიფიციურ ექიმად გადამზადებას მრავალი ასპექტიდან. გარდა ამისა, გუნდი გვთავაზობს ადამიანის შეფასებაზე დაფუძნებულ ჩარჩოს, რომელიც ითვალისწინებს ფაქტების, გაგების, მსჯელობის და შესაძლო მიკერძოების მრავალ განზომილებას. ეს არის ერთ-ერთი ყველაზე წარმომადგენლობითი კვლევითი ნაშრომი ჯანდაცვაში ხელოვნური ინტელექტის შესაფასებლად, რომელიც გამოქვეყნდა წელს.

თუმცა, ნიშნავს თუ არა ის ფაქტი, რომ დიდი ენობრივი მოდელები კლინიკური ცოდნის კოდირების მაღალ დონეს აჩვენებენ, რომ დიდი ენობრივი მოდელები კომპეტენტურები არიან რეალური სამყაროს კლინიკური ამოცანებისთვის? ისევე, როგორც მედიცინის სტუდენტი, რომელიც პროფესიონალ ექიმის გამოცდას იდეალური ქულით აბარებს, ჯერ კიდევ შორს არის მარტოხელა მთავარი ექიმისგან, Google-ის მიერ შემოთავაზებული შეფასების კრიტერიუმები შეიძლება არ იყოს სრულყოფილი პასუხი ხელოვნური ინტელექტის მოდელების სამედიცინო ხელოვნური ინტელექტის შეფასების თემაზე. ჯერ კიდევ 2021 და 2022 წლებში მკვლევარებმა შემოგვთავაზეს ანგარიშგების სახელმძღვანელო პრინციპები, როგორიცაა Decid-AI, SPIRIT-AI და INTRPRT, იმ იმედით, რომ ისინი წარმართავდნენ სამედიცინო ხელოვნური ინტელექტის ადრეულ განვითარებასა და ვალიდაციას ისეთი ფაქტორების გათვალისწინებით, როგორიცაა კლინიკური პრაქტიკულობა, უსაფრთხოება, ადამიანური ფაქტორები და გამჭვირვალობა/ინტერპრეტაცია. სულ ახლახანს, ჟურნალმა Nature Medicine-მა გამოაქვეყნა ოქსფორდისა და სტენფორდის უნივერსიტეტის მკვლევარების კვლევა იმის შესახებ, უნდა იქნას გამოყენებული თუ არა „გარე ვალიდაცია“ თუ „განმეორებადი ადგილობრივი ვალიდაცია“. ხელოვნური ინტელექტის ინსტრუმენტების ვალიდაციისთვის.

ხელოვნური ინტელექტის ინსტრუმენტების მიუკერძოებლობა ასევე მნიშვნელოვანი შეფასების მიმართულებაა, რომელმაც წელს ყურადღება მიიპყრო როგორც Science-ის, ასევე NEJM-ის სტატიებიდან. ხელოვნური ინტელექტი ხშირად ავლენს მიკერძოებას, რადგან ის შემოიფარგლება მხოლოდ ტრენინგის მონაცემებით. ეს მიკერძოება შეიძლება ასახავდეს სოციალურ უთანასწორობას, რაც შემდგომში ალგორითმულ დისკრიმინაციაში გადაიზრდება. ჯანმრთელობის ეროვნულმა ინსტიტუტებმა ცოტა ხნის წინ წამოიწყეს Bridge2AI ინიციატივა, რომლის ღირებულება, სავარაუდოდ, 130 მილიონი დოლარია, მრავალფეროვანი მონაცემთა ნაკრებების შესაქმნელად (ზემოთ ხსენებული MAIDA ინიციატივის მიზნების შესაბამისად), რომელთა გამოყენება შესაძლებელია სამედიცინო ხელოვნური ინტელექტის ინსტრუმენტების მიუკერძოებლობის დასადასტურებლად. MultiMedQA ამ ასპექტებს არ განიხილავს. სამედიცინო ხელოვნური ინტელექტის მოდელების გაზომვისა და დადასტურების საკითხი კვლავ საჭიროებს ვრცელ და სიღრმისეულ განხილვას.

იანვარში, ჟურნალმა Nature Medicine-მა გამოაქვეყნა ტეხასის უნივერსიტეტის MD Anderson-ის კიბოს ცენტრის წარმომადგენელი ვივეკ სუბიას სტატია სახელწოდებით „მტკიცებულებებზე დაფუძნებული მედიცინის შემდეგი თაობა“, რომელშიც მიმოიხილა COVID-19 პანდემიის კონტექსტში გამოვლენილი კლინიკური კვლევების შეზღუდვები და მიუთითა ინოვაციასა და კლინიკური კვლევის პროცესისადმი ერთგულებას შორის არსებულ წინააღმდეგობაზე. და ბოლოს, იგი მიუთითებს კლინიკური კვლევების რესტრუქტურიზაციის მომავალზე - კლინიკური კვლევების შემდეგი თაობა ხელოვნური ინტელექტის გამოყენებით, ანუ ხელოვნური ინტელექტის გამოყენებაზე დიდი რაოდენობით ისტორიული კვლევის მონაცემებიდან, რეალური სამყაროს მონაცემებიდან, მულტიმოდალური კლინიკური მონაცემებიდან, ტარებადი მოწყობილობების მონაცემებიდან ძირითადი მტკიცებულებების მოსაძებნად. ნიშნავს თუ არა ეს, რომ ხელოვნური ინტელექტის ტექნოლოგია და ხელოვნური ინტელექტის კლინიკური ვალიდაციის პროცესები შესაძლოა ურთიერთგამაძლიერებელი და თანაგანვითარებადი იყოს მომავალში? ეს არის 2023 წლის ღია და საფიქრალი კითხვა.

სამედიცინო ხელოვნური ინტელექტის რეგულირება

ხელოვნური ინტელექტის ტექნოლოგიების განვითარება ასევე ქმნის გამოწვევებს ხელოვნური ინტელექტის რეგულირებისთვის და მთელ მსოფლიოში პოლიტიკის შემქმნელები ფრთხილად და ყურადღებით რეაგირებენ. 2019 წელს, FDA-მ პირველად გამოაქვეყნა ხელოვნური ინტელექტის სამედიცინო მოწყობილობებში პროგრამული ცვლილებების შემოთავაზებული მარეგულირებელი ჩარჩო (დისკუსიის პროექტი), რომელშიც დეტალურად იყო აღწერილი ხელოვნური ინტელექტისა და მანქანური სწავლებით დაფუძნებული პროგრამული უზრუნველყოფის მოდიფიკაციების ბაზარზე გასვლისწინა მიმოხილვის პოტენციური მიდგომა. 2021 წელს, FDA-მ შემოგვთავაზა „ხელოვნური ინტელექტის/მანქანური სწავლების საფუძველზე შექმნილი პროგრამული უზრუნველყოფის, როგორც სამედიცინო მოწყობილობის სამოქმედო გეგმა“, რომელშიც განმარტებული იყო ხელოვნური ინტელექტის სამედიცინო მარეგულირებელი ხუთი კონკრეტული ზომა. წელს, FDA-მ ხელახლა გამოსცა მოწყობილობის პროგრამული უზრუნველყოფის ფუნქციების ბაზარზე გასვლისწინა წარდგენა, რათა მიეწოდებინა ინფორმაცია FDA-ს მიერ მოწყობილობის პროგრამული უზრუნველყოფის ფუნქციების უსაფრთხოებისა და ეფექტურობის შესაფასებლად ბაზარზე გასვლისწინა წარდგენის რეკომენდაციების შესახებ, მათ შორის ზოგიერთი პროგრამული მოწყობილობის ფუნქციის შესახებ, რომლებიც იყენებენ მანქანური სწავლების მეთოდებით გაწვრთნილ მანქანური სწავლების მოდელებს. FDA-ს მარეგულირებელი პოლიტიკა საწყისი წინადადებიდან პრაქტიკულ ხელმძღვანელობამდე განვითარდა.

გასული წლის ივლისში ევროპული ჯანდაცვის მონაცემთა სივრცის გამოქვეყნების შემდეგ, ევროკავშირმა კვლავ მიიღო ხელოვნური ინტელექტის შესახებ კანონი. პირველი კანონის მიზანია ჯანმრთელობის მონაცემების საუკეთესოდ გამოყენება მაღალი ხარისხის ჯანდაცვის უზრუნველსაყოფად, უთანასწორობის შესამცირებლად და პრევენციის, დიაგნოსტიკის, მკურნალობის, სამეცნიერო ინოვაციების, გადაწყვეტილების მიღებისა და კანონმდებლობის მხარდასაჭერად, ამავდროულად იმის უზრუნველსაყოფად, რომ ევროკავშირის მოქალაქეებს ჰქონდეთ უფრო მეტი კონტროლი მათ პირად ჯანმრთელობის მონაცემებზე. ეს უკანასკნელი ნათლად აჩვენებს, რომ სამედიცინო დიაგნოზის სისტემა მაღალი რისკის შემცველი ხელოვნური ინტელექტის სისტემაა და მას სჭირდება მიზანმიმართული ძლიერი ზედამხედველობის, მთელი სასიცოცხლო ციკლის ზედამხედველობის და წინასწარი შეფასების ზედამხედველობის დანერგვა. ევროპის მედიკამენტების სააგენტომ (EMA) გამოაქვეყნა რეფლექსიური დოკუმენტის პროექტი ხელოვნური ინტელექტის გამოყენების შესახებ წამლების შემუშავების, რეგულირებისა და გამოყენების მხარდასაჭერად, ხაზგასმით აღნიშნავს ხელოვნური ინტელექტის სანდოობის გაუმჯობესებას პაციენტის უსაფრთხოებისა და კლინიკური კვლევის შედეგების მთლიანობის უზრუნველსაყოფად. საერთო ჯამში, ევროკავშირის მარეგულირებელი მიდგომა თანდათან ყალიბდება და საბოლოო განხორციელების დეტალები შეიძლება უფრო დეტალური და მკაცრი იყოს. ევროკავშირის მკაცრი რეგულაციებისგან მკვეთრად განსხვავებით, დიდი ბრიტანეთის ხელოვნური ინტელექტის მარეგულირებელი გეგმა ნათლად აჩვენებს, რომ მთავრობა გეგმავს რბილი მიდგომის გამოყენებას და ჯერჯერობით არ მიიღებს ახალ კანონპროექტებს ან არ შექმნის ახალ მარეგულირებელ ორგანოებს.

ჩინეთში, ეროვნული სამედიცინო პროდუქტების ადმინისტრაციის სამედიცინო მოწყობილობების ტექნიკური მიმოხილვის ცენტრმა (NMPA) ადრე გამოსცა ისეთი დოკუმენტები, როგორიცაა „ღრმა სწავლების დამხმარე გადაწყვეტილების პროგრამული უზრუნველყოფის მიმოხილვის პუნქტები“, „ხელოვნური ინტელექტის სამედიცინო მოწყობილობების რეგისტრაციის მიმოხილვის სახელმძღვანელო პრინციპები (კომენტარისთვის მომზადებული პროექტი)“ და „ცირკულარი ხელოვნური ინტელექტის სამედიცინო პროგრამული პროდუქტების კლასიფიკაციისა და განმარტების სახელმძღვანელო პრინციპების შესახებ (No47, 2021 წელი)“. წელს კვლავ გამოქვეყნდა „2023 წლის პირველი სამედიცინო მოწყობილობების კლასიფიკაციის შედეგების შეჯამება“. დოკუმენტების ეს სერია ხელოვნური ინტელექტის სამედიცინო პროგრამული პროდუქტების განმარტებას, კლასიფიკაციასა და რეგულირებას უფრო მკაფიოს და აადვილებს ექსპლუატაციაში გამოყენებას და იძლევა მკაფიო მითითებებს ინდუსტრიის სხვადასხვა საწარმოების პროდუქტის პოზიციონირებისა და რეგისტრაციის სტრატეგიებისთვის. ეს დოკუმენტები იძლევა ჩარჩოს და მენეჯმენტის გადაწყვეტილებებს ხელოვნური ინტელექტის სამედიცინო მოწყობილობების სამეცნიერო რეგულირებისთვის. აღსანიშნავია, რომ 21-23 დეკემბერს ჰანჯოუში გამართული ჩინეთის სამედიცინო ხელოვნური ინტელექტის კონფერენციის დღის წესრიგში შეიქმნა სპეციალური ფორუმი ციფრული სამედიცინო მმართველობისა და საჯარო საავადმყოფოების მაღალი ხარისხის განვითარებისა და ხელოვნური ინტელექტის სამედიცინო მოწყობილობების ტესტირებისა და შეფასების ტექნოლოგიების სტანდარტიზაციის ინდუსტრიის განვითარების ფორუმის შესახებ. ამ დროს, შეხვედრას დაესწრებიან ეროვნული განვითარებისა და რეფორმების კომისიისა და NMPA-ს წარმომადგენლები და შესაძლოა, ახალი ინფორმაცია გამოაქვეყნონ.

დასკვნა

2023 წელს სამედიცინო ხელოვნური ინტელექტი (AI) დაიწყო ინტეგრირება მთელ სამედიცინო პროცესებში, რომლებიც მოიცავს საავადმყოფოს მონაცემთა შეგროვებას, შერწყმას, ანალიზს, დიაგნოზირებასა და მკურნალობას, ასევე საზოგადოების სკრინინგს და ორგანულად თანამშრომლობს სამედიცინო/დაავადებათა კონტროლის მუშაკებთან, რაც აჩვენებს ადამიანის ჯანმრთელობისთვის კეთილდღეობის მოტანის პოტენციალს. გამოსადეგი სამედიცინო ხელოვნური ინტელექტის კვლევა იწყებს ეტაპობრივად გამოვლენას. მომავალში სამედიცინო ხელოვნური ინტელექტის პროგრესი არა მხოლოდ თავად ტექნოლოგიურ განვითარებაზეა დამოკიდებული, არამედ საჭიროებს ინდუსტრიის, უნივერსიტეტებისა და სამედიცინო კვლევების სრულ თანამშრომლობას და პოლიტიკის შემქმნელებისა და მარეგულირებლების მხარდაჭერას. ეს სტრატეგიებს შორის თანამშრომლობა არის ხელოვნურ ინტელექტთან ინტეგრირებული სამედიცინო სერვისების მიღწევის გასაღები და, რა თქმა უნდა, ხელს შეუწყობს ადამიანის ჯანმრთელობის განვითარებას.