వార్తలు

2007లో IBM వాట్సన్ ప్రారంభించినప్పటి నుండి, మానవులు వైద్య కృత్రిమ మేధస్సు (AI) అభివృద్ధిని నిరంతరం కొనసాగిస్తున్నారు. ఉపయోగపడే మరియు శక్తివంతమైన వైద్య AI వ్యవస్థ ఆధునిక వైద్యం యొక్క అన్ని అంశాలను పునర్నిర్మించే అపారమైన సామర్థ్యాన్ని కలిగి ఉంది, ఇది తెలివైన, మరింత ఖచ్చితమైన, సమర్థవంతమైన మరియు సమగ్ర సంరక్షణను అనుమతిస్తుంది, వైద్య కార్మికులు మరియు రోగులకు శ్రేయస్సును అందిస్తుంది మరియు తద్వారా మానవ ఆరోగ్యాన్ని బాగా మెరుగుపరుస్తుంది. గత 16 సంవత్సరాలలో, వైద్య AI పరిశోధకులు వివిధ చిన్న రంగాలలో పేరుకుపోయినప్పటికీ, ఈ దశలో, వారు ఇంకా సైన్స్ ఫిక్షన్‌ను వాస్తవికతకు తీసుకురాలేకపోయారు.

ఈ సంవత్సరం, ChatGPT వంటి AI టెక్నాలజీ విప్లవాత్మక అభివృద్ధితో, వైద్య AI అనేక అంశాలలో గొప్ప పురోగతిని సాధించింది. వైద్య AI సామర్థ్యంలో అపూర్వమైన పురోగతి: నేచర్ జర్నల్ నిరంతరం వైద్య పెద్ద భాషా నమూనా మరియు వైద్య ఇమేజ్ ప్రాథమిక నమూనా పరిశోధనను ప్రారంభించింది; గూగుల్ మెడ్-పామ్ మరియు దాని వారసుడిని విడుదల చేసింది, US మెడికల్ ప్రాక్టీషనర్ పరీక్ష ప్రశ్నలలో నిపుణుల స్థాయికి చేరుకుంది. ప్రధాన విద్యా పత్రికలు వైద్య AIపై దృష్టి సారిస్తాయి: నేచర్ జనరల్ మెడికల్ AI యొక్క ప్రాథమిక నమూనాపై దృక్పథాన్ని విడుదల చేస్తుంది; ఈ సంవత్సరం ప్రారంభంలో మెడిసిన్‌లో AI యొక్క సమీక్షల శ్రేణి తర్వాత, న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్ (NEJM) నవంబర్ 30న తన మొదటి డిజిటల్ ఆరోగ్య సమీక్షను ప్రచురించింది మరియు డిసెంబర్ 12న NEJM సబ్-జర్నల్ NEJM AI యొక్క మొదటి సంచికను ప్రారంభించింది. వైద్య AI ల్యాండింగ్ నేల మరింత పరిణతి చెందింది: JAMA సబ్-జర్నల్ గ్లోబల్ మెడికల్ ఇమేజ్ డేటా షేరింగ్ ఇనిషియేటివ్‌ను ప్రచురించింది; US ఫుడ్ అండ్ డ్రగ్ అడ్మినిస్ట్రేషన్ (FDA) వైద్య AI నియంత్రణ కోసం ముసాయిదా మార్గదర్శకాలను అభివృద్ధి చేస్తోంది.

2023 లో ఉపయోగపడే వైద్య AI దిశలో ప్రపంచవ్యాప్తంగా పరిశోధకులు సాధించిన గణనీయమైన పురోగతిని మేము క్రింద సమీక్షిస్తాము.

వైద్య AI ప్రాథమిక నమూనా

వైద్య AI ప్రాథమిక నమూనా నిర్మాణం నిస్సందేహంగా ఈ సంవత్సరం అత్యంత హాటెస్ట్ పరిశోధన దృష్టి. ఈ సంవత్సరం నేచర్ జర్నల్స్ యూనివర్సల్ బేసిక్ మోడల్ ఆఫ్ హెల్త్‌కేర్ మరియు లార్జ్ లాంగ్వేజ్ మోడల్ ఆఫ్ హెల్త్‌కేర్‌పై సమీక్షా కథనాలను ప్రచురించాయి. పరిశ్రమలోని అగ్ర జర్నల్ అయిన మెడికల్ ఇమేజ్ అనాలిసిస్, మెడికల్ ఇమేజ్ అనాలిసిస్‌లో బేసిక్ మోడల్ పరిశోధన యొక్క సవాళ్లు మరియు అవకాశాలను సమీక్షించింది మరియు ఎదురుచూసింది మరియు మెడికల్ AI యొక్క బేసిక్ మోడల్ పరిశోధన అభివృద్ధిని సంగ్రహించడానికి మరియు మార్గనిర్దేశం చేయడానికి “ప్రిడిగ్రీ ఆఫ్ బేసిక్ మోడల్” అనే భావనను ప్రతిపాదించింది. ఆరోగ్య సంరక్షణ కోసం ప్రాథమిక AI నమూనాల భవిష్యత్తు స్పష్టంగా మారుతోంది. మరింత అధునాతన స్వీయ-పర్యవేక్షించబడిన ప్రీ-ట్రైనింగ్ పద్ధతులు మరియు శిక్షణ డేటా యొక్క విస్తారమైన సేకరణను ఉపయోగించి, ChatGPT వంటి పెద్ద భాషా నమూనాల విజయవంతమైన ఉదాహరణలను గీయడం ద్వారా, వైద్య AI రంగంలోని పరిశోధకులు 1) వ్యాధి-నిర్దిష్ట బేస్ మోడల్‌లు, 2) జనరల్ బేస్ మోడల్‌లు మరియు 3) భారీ పారామితులు మరియు ఉన్నతమైన సామర్థ్యాలతో విస్తృత శ్రేణి మోడ్‌లను ఏకీకృతం చేసే మల్టీమోడల్ లార్జ్ మోడల్‌లను నిర్మించడానికి ప్రయత్నిస్తున్నారు.

వైద్య డేటా సముపార్జన AI మోడల్

డౌన్‌స్ట్రీమ్ క్లినికల్ డేటా విశ్లేషణ పనులలో గొప్ప పాత్ర పోషించే పెద్ద AI మోడళ్లతో పాటు, అప్‌స్ట్రీమ్ క్లినికల్ డేటా సముపార్జనలో, జనరేటివ్ AI మోడల్స్ ద్వారా ప్రాతినిధ్యం వహించే సాంకేతికత కూడా ఉద్భవించింది. AI అల్గోరిథంల ద్వారా డేటా సముపార్జన ప్రక్రియ, వేగం మరియు నాణ్యతను గణనీయంగా మెరుగుపరచవచ్చు.

ఈ సంవత్సరం ప్రారంభంలో, నేచర్ బయోమెడికల్ ఇంజనీరింగ్ టర్కీలోని స్ట్రెయిట్స్ విశ్వవిద్యాలయం నుండి ఒక అధ్యయనాన్ని ప్రచురించింది, ఇది క్లినికల్ అప్లికేషన్లలో పాథలాజిక్ ఇమేజ్-సహాయక రోగ నిర్ధారణ సమస్యను పరిష్కరించడానికి జనరేటివ్ AIని ఉపయోగించడంపై దృష్టి పెట్టింది. శస్త్రచికిత్స సమయంలో ఘనీభవించిన విభాగం కణజాలంలోని కళాఖండాలు వేగవంతమైన రోగనిర్ధారణ మూల్యాంకనానికి అడ్డంకిగా ఉంటాయి. ఫార్మాలిన్ మరియు పారాఫిన్ ఎంబెడెడ్ (FFPE) కణజాలం అధిక నాణ్యత గల నమూనాను అందించినప్పటికీ, దాని ఉత్పత్తి ప్రక్రియ సమయం తీసుకుంటుంది మరియు తరచుగా 12-48 గంటలు పడుతుంది, ఇది శస్త్రచికిత్సలో ఉపయోగించడానికి అనుకూలం కాదు. అందువల్ల పరిశోధన బృందం AI-FFPE అనే అల్గోరిథంను ప్రతిపాదించింది, ఇది ఘనీభవించిన విభాగంలో కణజాలం FFPE మాదిరిగానే కనిపించేలా చేస్తుంది. అల్గోరిథం ఘనీభవించిన విభాగాల కళాఖండాలను విజయవంతంగా సరిచేసింది, చిత్ర నాణ్యతను మెరుగుపరిచింది మరియు అదే సమయంలో వైద్యపరంగా సంబంధిత లక్షణాలను నిలుపుకుంది. క్లినికల్ ధ్రువీకరణలో, AI-FFPE అల్గోరిథం కణితి ఉపరకాల కోసం పాథాలజిస్టుల రోగనిర్ధారణ ఖచ్చితత్వాన్ని గణనీయంగా మెరుగుపరుస్తుంది, అదే సమయంలో క్లినికల్ నిర్ధారణ సమయాన్ని బాగా తగ్గిస్తుంది.

సెల్ రిపోర్ట్స్ మెడిసిన్ జిలిన్ విశ్వవిద్యాలయంలోని థర్డ్ క్లినికల్ కాలేజ్, ఫుడాన్ విశ్వవిద్యాలయానికి అనుబంధంగా ఉన్న జోంగ్‌షాన్ హాస్పిటల్, రేడియాలజీ విభాగం మరియు షాంఘై సైన్స్ అండ్ టెక్నాలజీ విశ్వవిద్యాలయం [25] నుండి ఒక బృందం చేసిన పరిశోధన పనిని నివేదిస్తుంది. ఈ అధ్యయనం అధిక బహుముఖ ప్రజ్ఞ మరియు వశ్యతతో కూడిన సాధారణ-ప్రయోజన లోతైన అభ్యాసం మరియు పునరుక్తి పునర్నిర్మాణ ఫ్యూజన్ ఫ్రేమ్‌వర్క్ (హైబ్రిడ్ DL-IR)ను ప్రతిపాదిస్తుంది, వేగవంతమైన MRI, తక్కువ మోతాదు CT మరియు వేగవంతమైన PETలలో అద్భుతమైన ఇమేజ్ పునర్నిర్మాణ పనితీరును చూపుతుంది. ఈ అల్గోరిథం 100 సెకన్లలో MR సింగిల్-ఆర్గాన్ మల్టీ-సీక్వెన్స్ స్కానింగ్‌ను సాధించగలదు, రేడియేషన్ మోతాదును CT ఇమేజ్‌లో కేవలం 10%కి తగ్గించగలదు మరియు శబ్దాన్ని తొలగించగలదు మరియు PET సముపార్జన నుండి చిన్న గాయాలను 2 నుండి 4 రెట్లు త్వరణంతో పునర్నిర్మించగలదు, అదే సమయంలో మోషన్ ఆర్టిఫ్యాక్ట్‌ల ప్రభావాన్ని తగ్గిస్తుంది.

వైద్య కార్మికుల సహకారంతో వైద్య AI

వైద్య AI యొక్క వేగవంతమైన అభివృద్ధి వైద్య నిపుణులను క్లినికల్ ప్రక్రియలను మెరుగుపరచడానికి AIతో ఎలా సహకరించాలో తీవ్రంగా పరిగణించడానికి మరియు అన్వేషించడానికి దారితీసింది. ఈ సంవత్సరం జూలైలో, డీప్‌మైండ్ మరియు బహుళ-సంస్థాగత పరిశోధన బృందం సంయుక్తంగా కాంప్లిమెంటరీ డ్రైవెన్ క్లినికల్ వర్క్‌ఫ్లో డిలే (CoDoC) అనే AI వ్యవస్థను ప్రతిపాదించాయి. రోగనిర్ధారణ ప్రక్రియను మొదట ప్రిడిక్టివ్ AI వ్యవస్థ ద్వారా నిర్ధారిస్తారు, తరువాత మునుపటి ఫలితంపై మరొక AI వ్యవస్థ ద్వారా నిర్ణయించబడుతుంది మరియు సందేహం ఉంటే, రోగనిర్ధారణ ఖచ్చితత్వం మరియు సమతుల్య సామర్థ్యాన్ని మెరుగుపరచడానికి ఒక వైద్యుడు చివరకు రోగ నిర్ధారణను చేస్తారు. రొమ్ము క్యాన్సర్ స్క్రీనింగ్ విషయానికి వస్తే, UKలో ప్రస్తుత "డబుల్-రీడ్ ఆర్బిట్రేషన్" ప్రక్రియతో పోలిస్తే, CoDoC అదే తప్పుడు ప్రతికూల రేటుతో తప్పుడు సానుకూల రేట్లను 25% తగ్గించింది, అదే సమయంలో వైద్యుల పనిభారాన్ని 66% తగ్గించింది. TB వర్గీకరణ పరంగా, స్వతంత్ర AI మరియు క్లినికల్ వర్క్‌ఫ్లోలతో పోలిస్తే అదే తప్పుడు ప్రతికూల రేటుతో తప్పుడు సానుకూల రేట్లు 5 నుండి 15 శాతం తగ్గాయి.

అదేవిధంగా, UKలోని లండన్‌లోని ఖైరాన్ కంపెనీకి చెందిన అన్నీ వై. ఎన్‌జి మరియు ఇతరులు, డబుల్-రీడ్ ఆర్బిట్రేషన్ ప్రక్రియలో రీకాల్ ఫలితాలు లేనప్పుడు ఫలితాలను తిరిగి పరిశీలించడానికి అదనపు AI రీడర్‌లను (మానవ పరీక్షకుల సహకారంతో) ప్రవేశపెట్టారు, ఇది ప్రారంభ రొమ్ము క్యాన్సర్ స్క్రీనింగ్‌లో మిస్డ్ డిటెక్షన్ సమస్యను మెరుగుపరిచింది మరియు ఈ ప్రక్రియలో దాదాపుగా తప్పుడు పాజిటివ్‌లు లేవు. టెక్సాస్ విశ్వవిద్యాలయం మెక్‌గవర్న్ మెడికల్ స్కూల్‌లోని బృందం నేతృత్వంలోని మరియు నాలుగు స్ట్రోక్ సెంటర్‌లలో పూర్తి చేసిన మరొక అధ్యయనం, లార్జ్ వాస్కులర్ ఆక్లూజివ్ ఇస్కీమిక్ స్ట్రోక్ (LVO) గుర్తింపును ఆటోమేట్ చేయడానికి కంప్యూటెడ్ టోమోగ్రఫీ యాంజియోగ్రఫీ (CTA) ఆధారిత AI సాంకేతికతను వర్తింపజేసింది. CT ఇమేజింగ్ పూర్తయిన నిమిషాల్లోనే వైద్యులు మరియు రేడియాలజిస్టులు వారి మొబైల్ ఫోన్‌లలో రియల్-టైమ్ హెచ్చరికలను అందుకుంటారు, LVO యొక్క సంభావ్య ఉనికిని వారికి తెలియజేస్తారు. ఈ AI ప్రక్రియ తీవ్రమైన ఇస్కీమిక్ స్ట్రోక్ కోసం ఆసుపత్రిలో వర్క్‌ఫ్లోలను మెరుగుపరుస్తుంది, చికిత్సకు ప్రవేశం నుండి ఇంటి నుండి గజ్జకు వెళ్ళే సమయాన్ని తగ్గిస్తుంది మరియు విజయవంతమైన రక్షణకు అవకాశాలను అందిస్తుంది. ఈ ఫలితాలు JAMA న్యూరాలజీలో ప్రచురించబడ్డాయి.

సార్వత్రిక ప్రయోజనం కోసం AI ఆరోగ్య సంరక్షణ నమూనా

2023లో మానవ కంటికి కనిపించని లక్షణాలను సులభంగా అందుబాటులో ఉన్న డేటా నుండి కనుగొనడానికి వైద్య AIని ఉపయోగించే చాలా మంచి పని జరుగుతుంది, ఇది సార్వత్రిక రోగ నిర్ధారణ మరియు స్కేల్‌లో ప్రారంభ స్క్రీనింగ్‌ను అనుమతిస్తుంది. సంవత్సరం ప్రారంభంలో, నేచర్ మెడిసిన్ సన్ యాట్-సేన్ విశ్వవిద్యాలయంలోని జోంగ్‌షాన్ ఐ సెంటర్ మరియు ఫుజియాన్ మెడికల్ విశ్వవిద్యాలయంలోని రెండవ అనుబంధ ఆసుపత్రి చేసిన అధ్యయనాలను ప్రచురించింది. స్మార్ట్‌ఫోన్‌లను అప్లికేషన్ టెర్మినల్స్‌గా ఉపయోగించి, వారు పిల్లల చూపులను ప్రేరేపించడానికి మరియు పిల్లల చూపుల ప్రవర్తన మరియు ముఖ లక్షణాలను రికార్డ్ చేయడానికి కార్టూన్ లాంటి వీడియో చిత్రాలను ఉపయోగించారు మరియు పుట్టుకతో వచ్చే కంటిశుక్లం, పుట్టుకతో వచ్చే ప్టోసిస్ మరియు పుట్టుకతో వచ్చే గ్లాకోమాతో సహా 16 కంటి వ్యాధులను విజయవంతంగా గుర్తించడానికి లోతైన అభ్యాస నమూనాలను ఉపయోగించి అసాధారణ నమూనాలను మరింత విశ్లేషించారు, సగటు స్క్రీనింగ్ ఖచ్చితత్వం 85% కంటే ఎక్కువ. ఇది శిశువుల దృశ్య పనితీరు బలహీనత మరియు సంబంధిత కంటి వ్యాధుల యొక్క పెద్ద ఎత్తున ప్రారంభ స్క్రీనింగ్ కోసం ప్రభావవంతమైన మరియు సులభంగా ప్రాచుర్యం పొందగల సాంకేతిక మార్గాలను అందిస్తుంది.

ఈ సంవత్సరం చివరిలో, షాంఘై ఇన్స్టిట్యూట్ ఆఫ్ ప్యాంక్రియాటిక్ డిసీజ్ మరియు జెజియాంగ్ విశ్వవిద్యాలయం యొక్క మొదటి అనుబంధ ఆసుపత్రితో సహా ప్రపంచవ్యాప్తంగా 10 కి పైగా వైద్య మరియు పరిశోధనా సంస్థలు చేసిన పనిని నేచర్ మెడిసిన్ నివేదించింది. శారీరక పరీక్షా కేంద్రాలు, ఆసుపత్రులు మొదలైన వాటిలో లక్షణం లేని వ్యక్తుల ప్యాంక్రియాటిక్ క్యాన్సర్ స్క్రీనింగ్‌కు రచయిత AIని వర్తింపజేశారు, సాదా స్కాన్ CT చిత్రాలలో గాయం లక్షణాలను గుర్తించడానికి, వాటిని కంటితో మాత్రమే గుర్తించడం కష్టం, తద్వారా ప్యాంక్రియాటిక్ క్యాన్సర్‌ను సమర్థవంతంగా మరియు నాన్-ఇన్వాసివ్‌గా ముందస్తుగా గుర్తించడం సాధించవచ్చు. 20,000 కంటే ఎక్కువ మంది రోగుల నుండి డేటాను సమీక్షించడంలో, మోడల్ క్లినికల్‌గా తప్పిన గాయాల 31 కేసులను కూడా గుర్తించింది, ఇది క్లినికల్ ఫలితాలను గణనీయంగా మెరుగుపరిచింది.

వైద్య డేటాను పంచుకోవడం

2023 లో, ప్రపంచవ్యాప్తంగా అనేక పరిపూర్ణమైన డేటా షేరింగ్ మెకానిజమ్స్ మరియు విజయవంతమైన కేసులు ఉద్భవించాయి, డేటా గోప్యత మరియు భద్రతను రక్షించే ప్రాతిపదికన బహుళ-కేంద్ర సహకారం మరియు డేటా బహిరంగతను నిర్ధారిస్తాయి.

మొదట, AI టెక్నాలజీ సహాయంతో, AI పరిశోధకులు వైద్య డేటాను పంచుకోవడానికి దోహదపడ్డారు. యునైటెడ్ స్టేట్స్‌లోని రట్జర్స్ విశ్వవిద్యాలయానికి చెందిన క్వి చాంగ్ మరియు ఇతరులు నేచర్ కమ్యూనికేషన్స్‌లో ఒక కథనాన్ని ప్రచురించారు, పంపిణీ చేయబడిన సింథటిక్ వ్యతిరేక నెట్‌వర్క్‌ల ఆధారంగా ఒక ఫెడరల్ లెర్నింగ్ ఫ్రేమ్‌వర్క్ DSLను ప్రతిపాదిస్తున్నారు, ఇది బహుళ-కేంద్రాల యొక్క నిర్దిష్ట ఉత్పత్తి డేటాను శిక్షణ ఇవ్వడానికి జనరేటివ్ AIని ఉపయోగిస్తుంది మరియు తరువాత బహుళ-కేంద్రాల యొక్క నిజమైన డేటాను ఉత్పత్తి చేయబడిన డేటాతో భర్తీ చేస్తుంది. డేటా గోప్యతను కాపాడుతూ మల్టీసెంటర్ బిగ్ డేటా ఆధారంగా AI శిక్షణను నిర్ధారించుకోండి. అదే బృందం ఉత్పత్తి చేయబడిన పాథలాజికల్ చిత్రాల డేటాసెట్ మరియు వాటి సంబంధిత ఉల్లేఖనాలను కూడా ఓపెన్-సోర్స్ చేస్తుంది. ఉత్పత్తి చేయబడిన డేటా సెట్‌పై శిక్షణ పొందిన సెగ్మెంటేషన్ మోడల్ నిజమైన డేటాకు సమానమైన ఫలితాలను సాధించగలదు.

సింఘువా విశ్వవిద్యాలయానికి చెందిన డై క్వియోంఘై బృందం npj డిజిటల్ హెల్త్ పై ఒక పత్రాన్ని ప్రచురించింది, రిలే లెర్నింగ్ ప్రతిపాదిస్తోంది, ఇది స్థానిక డేటా సార్వభౌమాధికారం మరియు క్రాస్-సైట్ నెట్‌వర్క్ కనెక్షన్ లేకుండా AI మోడళ్లకు శిక్షణ ఇవ్వడానికి బహుళ-సైట్ బిగ్ డేటాను ఉపయోగిస్తుంది. ఇది AI పనితీరును సాధించడంతో డేటా భద్రత మరియు గోప్యతా సమస్యలను సమతుల్యం చేస్తుంది. అదే బృందం తరువాత గ్వాంగ్‌జౌ మెడికల్ యూనివర్సిటీ యొక్క మొదటి అనుబంధ ఆసుపత్రి మరియు దేశవ్యాప్తంగా 24 ఆసుపత్రుల సహకారంతో ఫెడరల్ లెర్నింగ్ ఆధారంగా చెస్ట్ CT పాన్-మెడియాస్టినల్ ట్యూమర్ నిర్ధారణ వ్యవస్థ అయిన CAIMEN ను సంయుక్తంగా అభివృద్ధి చేసి ధృవీకరించింది. 12 సాధారణ మెడియాస్టినల్ ట్యూమర్‌లకు వర్తించే ఈ వ్యవస్థ, మానవ నిపుణులు ఒంటరిగా ఉపయోగించినప్పుడు కంటే ఒంటరిగా ఉపయోగించినప్పుడు 44.9 శాతం మెరుగైన ఖచ్చితత్వాన్ని మరియు మానవ నిపుణులు దాని సహాయం పొందినప్పుడు 19 శాతం మెరుగైన రోగ నిర్ధారణ ఖచ్చితత్వాన్ని సాధించింది.

మరోవైపు, సురక్షితమైన, ప్రపంచవ్యాప్త, పెద్ద-స్థాయి వైద్య డేటా సెట్‌లను నిర్మించడానికి అనేక కార్యక్రమాలు జరుగుతున్నాయి. నవంబర్ 2023లో, హార్వర్డ్ మెడికల్ స్కూల్‌లోని బయోమెడికల్ ఇన్ఫర్మేటిక్స్ విభాగానికి చెందిన అగస్టినా సాయెంజ్ మరియు ఇతరులు లాన్సెట్ డిజిటల్ హెల్త్‌లో ఆన్‌లైన్‌లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ డేటా ఫర్ ఆల్ హెల్త్‌కేర్ (MAIDA) అని పిలువబడే వైద్య చిత్ర డేటాను పంచుకోవడానికి ఒక ప్రపంచ ఫ్రేమ్‌వర్క్‌ను ప్రచురించారు. డేటా షేరింగ్‌ను ప్రామాణీకరించడానికి US ఫెడరల్ డెమోన్‌స్ట్రేషన్ పార్టనర్ (FDP) టెంప్లేట్‌ను ఉపయోగించి డేటా సేకరణ మరియు గుర్తింపును తొలగించడంపై సమగ్ర మార్గదర్శకత్వాన్ని అందించడానికి వారు ప్రపంచవ్యాప్తంగా ఆరోగ్య సంరక్షణ సంస్థలతో కలిసి పనిచేస్తున్నారు. ప్రపంచవ్యాప్తంగా వివిధ ప్రాంతాలు మరియు క్లినికల్ సెట్టింగ్‌లలో సేకరించిన డేటా సెట్‌లను క్రమంగా విడుదల చేయాలని వారు యోచిస్తున్నారు. మొదటి డేటాసెట్ 2024 ప్రారంభంలో విడుదల చేయబడుతుందని భావిస్తున్నారు, భాగస్వామ్యం విస్తరిస్తున్న కొద్దీ మరిన్ని రాబోతున్నాయి. ఈ ప్రాజెక్ట్ అనేది ప్రపంచవ్యాప్త, పెద్ద-స్థాయి మరియు విభిన్నమైన బహిరంగంగా అందుబాటులో ఉన్న AI డేటా సెట్‌ను నిర్మించడానికి ఒక ముఖ్యమైన ప్రయత్నం.

ఈ ప్రతిపాదన నేపథ్యంలో, UK బయోబ్యాంక్ ఒక ఉదాహరణను ఏర్పాటు చేసింది. UK బయోబ్యాంక్ నవంబర్ 30న దాని 500,000 మంది పాల్గొనేవారి మొత్తం జీనోమ్ సీక్వెన్సింగ్ నుండి కొత్త డేటాను విడుదల చేసింది. 500,000 మంది బ్రిటిష్ వాలంటీర్లలో ప్రతి ఒక్కరి పూర్తి జీనోమ్ సీక్వెన్స్‌ను ప్రచురించే డేటాబేస్, ప్రపంచంలోనే అతిపెద్ద పూర్తి మానవ జీనోమ్ డేటాబేస్. ప్రపంచవ్యాప్తంగా ఉన్న పరిశోధకులు ఈ డి-గుర్తించబడిన డేటాకు ప్రాప్యతను అభ్యర్థించవచ్చు మరియు ఆరోగ్యం మరియు వ్యాధి యొక్క జన్యు ప్రాతిపదికను పరిశీలించడానికి దీనిని ఉపయోగించవచ్చు. గతంలో జన్యు డేటా ఎల్లప్పుడూ ధృవీకరణ కోసం చాలా సున్నితంగా ఉండేది మరియు UK బయోబ్యాంక్ యొక్క ఈ చారిత్రాత్మక విజయం బహిరంగ, గోప్యత లేని ప్రపంచ పెద్ద-స్థాయి డేటాబేస్‌ను నిర్మించడం సాధ్యమని రుజువు చేస్తుంది. ఈ సాంకేతికత మరియు డేటాబేస్‌తో, వైద్య AI తదుపరి లీపుకు నాంది పలికింది.

వైద్య AI యొక్క ధృవీకరణ మరియు మూల్యాంకనం

వైద్య AI సాంకేతికత యొక్క వేగవంతమైన అభివృద్ధితో పోలిస్తే, వైద్య AI యొక్క ధృవీకరణ మరియు మూల్యాంకన అభివృద్ధి కొంచెం నెమ్మదిగా ఉంటుంది. సాధారణ AI రంగంలో ధ్రువీకరణ మరియు మూల్యాంకనం తరచుగా వైద్యులు మరియు రోగుల AI కోసం వాస్తవ అవసరాలను విస్మరిస్తాయి. సాంప్రదాయ యాదృచ్ఛిక నియంత్రిత క్లినికల్ ట్రయల్స్ AI సాధనాల వేగవంతమైన పునరుక్తికి సరిపోలడానికి చాలా శ్రమతో కూడుకున్నవి. వైద్య AI సాధనాలకు తగిన ధృవీకరణ మరియు మూల్యాంకన వ్యవస్థను వీలైనంత త్వరగా మెరుగుపరచడం అనేది వైద్య AIని నిజంగా క్లినికల్ ల్యాండింగ్‌కు దూసుకెళ్లేలా ప్రోత్సహించడానికి అత్యంత ముఖ్యమైన విషయం.

నేచర్‌లో ప్రచురించబడిన Med-PaLM పై Google పరిశోధనా పత్రంలో, బృందం MultiMedQA మూల్యాంకన బెంచ్‌మార్క్‌ను కూడా ప్రచురించింది, ఇది పెద్ద భాషా నమూనాల క్లినికల్ జ్ఞానాన్ని పొందే సామర్థ్యాన్ని అంచనా వేయడానికి ఉపయోగించబడుతుంది. ఈ బెంచ్‌మార్క్ ఇప్పటికే ఉన్న ఆరు ప్రొఫెషనల్ మెడికల్ ప్రశ్నోత్తరాల డేటాసెట్‌లను మిళితం చేస్తుంది, ప్రొఫెషనల్ మెడికల్ నాలెడ్జ్, పరిశోధన మరియు ఇతర అంశాలను కవర్ చేస్తుంది, అలాగే ఆన్‌లైన్ సెర్చ్ మెడికల్ క్వశ్చన్ డేటాబేస్ డేటాసెట్, డాక్టర్-రోగి ఆన్‌లైన్ ప్రశ్నోత్తరాలను పరిగణనలోకి తీసుకుని, అనేక అంశాల నుండి అర్హత కలిగిన డాక్టర్‌గా AIకి శిక్షణ ఇవ్వడానికి ప్రయత్నిస్తుంది. అదనంగా, వాస్తవం, అవగాహన, తార్కికం మరియు సాధ్యమయ్యే పక్షపాతం యొక్క బహుళ కోణాలను పరిగణనలోకి తీసుకునే మానవ అంచనా ఆధారంగా ఒక ఫ్రేమ్‌వర్క్‌ను బృందం ప్రతిపాదిస్తుంది. ఈ సంవత్సరం ప్రచురించబడిన ఆరోగ్య సంరక్షణలో AIని అంచనా వేయడానికి ఇది అత్యంత ప్రాతినిధ్య పరిశోధన ప్రయత్నాలలో ఒకటి.

అయితే, పెద్ద భాషా నమూనాలు అధిక స్థాయి ఎన్‌కోడింగ్ క్లినికల్ నాలెడ్జ్‌ను చూపిస్తాయనే వాస్తవం పెద్ద భాషా నమూనాలు వాస్తవ-ప్రపంచ క్లినికల్ పనులకు సమర్థంగా ఉన్నాయని అర్థం? ప్రొఫెషనల్ ఫిజిషియన్ పరీక్షలో పరిపూర్ణ స్కోరుతో ఉత్తీర్ణత సాధించిన వైద్య విద్యార్థి ఇప్పటికీ సోలో చీఫ్ ఫిజిషియన్‌కు దూరంగా ఉన్నట్లే, గూగుల్ ప్రతిపాదించిన మూల్యాంకన ప్రమాణాలు AI నమూనాల కోసం వైద్య AI మూల్యాంకనం అనే అంశానికి సరైన సమాధానం కాకపోవచ్చు. 2021 మరియు 2022 నాటికి, పరిశోధకులు డెసిడ్-AI, SPIRIT-AI మరియు INTRPRT వంటి రిపోర్టింగ్ మార్గదర్శకాలను ప్రతిపాదించారు, క్లినికల్ ప్రాక్టికాలిటీ, భద్రత, మానవ కారకాలు మరియు పారదర్శకత/అర్థప్రక్రియ వంటి అంశాలను పరిగణనలోకి తీసుకునే పరిస్థితిలో వైద్య AI యొక్క ప్రారంభ అభివృద్ధి మరియు ధ్రువీకరణకు మార్గనిర్దేశం చేయాలని ఆశించారు. ఇటీవలే, నేచర్ మెడిసిన్ జర్నల్ "బాహ్య ధ్రువీకరణ" లేదా "పునరావృత స్థానిక ధ్రువీకరణ"ను ఉపయోగించాలా వద్దా అనే దానిపై ఆక్స్‌ఫర్డ్ విశ్వవిద్యాలయం మరియు స్టాన్‌ఫోర్డ్ విశ్వవిద్యాలయం పరిశోధకులు చేసిన అధ్యయనాన్ని ప్రచురించింది. "AI సాధనాలను ధృవీకరించడానికి."

AI సాధనాల నిష్పాక్షిక స్వభావం కూడా ఈ సంవత్సరం సైన్స్ మరియు NEJM కథనాలు రెండింటి నుండి దృష్టిని ఆకర్షించిన ఒక ముఖ్యమైన మూల్యాంకన దిశ. AI తరచుగా శిక్షణ డేటాకే పరిమితం అయినందున పక్షపాతాన్ని ప్రదర్శిస్తుంది. ఈ పక్షపాతం సామాజిక అసమానతను ప్రతిబింబిస్తుంది, ఇది అల్గోరిథమిక్ వివక్షతగా మరింత పరిణామం చెందుతుంది. నేషనల్ ఇన్‌స్టిట్యూట్స్ ఆఫ్ హెల్త్ ఇటీవల బ్రిడ్జ్2AI చొరవను ప్రారంభించింది, దీని ధర $130 మిలియన్లు ఉంటుందని అంచనా వేయబడింది, ఇది వైద్య AI సాధనాల నిష్పాక్షికతను ధృవీకరించడానికి ఉపయోగించే విభిన్న డేటాసెట్‌లను (పైన పేర్కొన్న MAIDA చొరవ లక్ష్యాలకు అనుగుణంగా) నిర్మించడానికి. ఈ అంశాలను MultiMedQA పరిగణించదు. వైద్య AI నమూనాలను ఎలా కొలవాలి మరియు ధృవీకరించాలి అనే ప్రశ్నకు ఇంకా విస్తృతమైన మరియు లోతైన చర్చ అవసరం.

జనవరిలో, నేచర్ మెడిసిన్ టెక్సాస్ విశ్వవిద్యాలయం MD ఆండర్సన్ క్యాన్సర్ సెంటర్‌కు చెందిన వివేక్ సుబ్బయ్య రాసిన "ది నెక్స్ట్ జనరేషన్ ఆఫ్ ఎవిడెన్స్-బేస్డ్ మెడిసిన్" అనే అభిప్రాయ భాగాన్ని ప్రచురించింది, COVID-19 మహమ్మారి సందర్భంలో బహిర్గతమయ్యే క్లినికల్ ట్రయల్స్ యొక్క పరిమితులను సమీక్షిస్తూ మరియు ఆవిష్కరణ మరియు క్లినికల్ పరిశోధన ప్రక్రియకు కట్టుబడి ఉండటం మధ్య వైరుధ్యాన్ని ఎత్తి చూపింది. చివరగా, ఇది క్లినికల్ ట్రయల్స్‌ను పునర్నిర్మించే భవిష్యత్తును సూచిస్తుంది - కృత్రిమ మేధస్సును ఉపయోగించి తదుపరి తరం క్లినికల్ ట్రయల్స్, అంటే, పెద్ద సంఖ్యలో చారిత్రక పరిశోధన డేటా, వాస్తవ ప్రపంచ డేటా, మల్టీ-మోడల్ క్లినికల్ డేటా, ధరించగలిగే పరికర డేటా నుండి కీలక ఆధారాలను కనుగొనడానికి కృత్రిమ మేధస్సును ఉపయోగించడం. దీని అర్థం AI టెక్నాలజీ మరియు AI క్లినికల్ ధ్రువీకరణ ప్రక్రియలు భవిష్యత్తులో పరస్పరం బలోపేతం అవుతాయి మరియు సహ-అభివృద్ధి చెందుతాయి? ఇది 2023 యొక్క బహిరంగ మరియు ఆలోచింపజేసే ప్రశ్న.

వైద్య AI నియంత్రణ

AI టెక్నాలజీ పురోగతి AI నియంత్రణకు కూడా సవాళ్లను కలిగిస్తుంది మరియు ప్రపంచవ్యాప్తంగా విధాన నిర్ణేతలు జాగ్రత్తగా మరియు జాగ్రత్తగా స్పందిస్తున్నారు. 2019లో, FDA మొదటగా కృత్రిమ మేధస్సు వైద్య పరికరాలకు సాఫ్ట్‌వేర్ మార్పుల కోసం ప్రతిపాదిత నియంత్రణ ఫ్రేమ్‌వర్క్ (చర్చ డ్రాఫ్ట్)ను ప్రచురించింది, ఇది AI యొక్క ప్రీమార్కెట్ సమీక్ష మరియు మెషిన్ లెర్నింగ్-ఆధారిత సాఫ్ట్‌వేర్ సవరణలకు దాని సంభావ్య విధానాన్ని వివరిస్తుంది. 2021లో, FDA “ఆర్టిఫిషియల్ ఇంటెలిజెన్స్/మెషిన్ లెర్నింగ్-ఆధారిత సాఫ్ట్‌వేర్ యాజ్ ఎ మెడికల్ డివైస్ యాక్షన్ ప్లాన్”ను ప్రతిపాదించింది, ఇది ఐదు నిర్దిష్ట AI వైద్య నియంత్రణ చర్యలను స్పష్టం చేసింది. ఈ సంవత్సరం, మెషిన్ లెర్నింగ్ పద్ధతుల ద్వారా శిక్షణ పొందిన మెషిన్ లెర్నింగ్ మోడళ్లను ఉపయోగించే కొన్ని సాఫ్ట్‌వేర్ పరికర లక్షణాలతో సహా, పరికర సాఫ్ట్‌వేర్ లక్షణాల భద్రత మరియు సమర్థత యొక్క FDA యొక్క మూల్యాంకనం కోసం ప్రీమార్కెట్ సమర్పణ సిఫార్సులపై సమాచారాన్ని అందించడానికి FDA పరికర సాఫ్ట్‌వేర్ ఫీచర్‌ల కోసం ప్రీమార్కెట్ సమర్పణను తిరిగి జారీ చేసింది. FDA యొక్క నియంత్రణ విధానం ప్రారంభ ప్రతిపాదన నుండి ఆచరణాత్మక మార్గదర్శకత్వం వరకు అభివృద్ధి చెందింది.

గత సంవత్సరం జూలైలో యూరోపియన్ హెల్త్ డేటా స్పేస్ ప్రచురించబడిన తర్వాత, EU మరోసారి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చట్టాన్ని అమలులోకి తెచ్చింది. మునుపటిది అధిక-నాణ్యత గల ఆరోగ్య సంరక్షణను అందించడానికి, అసమానతలను తగ్గించడానికి మరియు నివారణ, రోగ నిర్ధారణ, చికిత్స, శాస్త్రీయ ఆవిష్కరణ, నిర్ణయం తీసుకోవడం మరియు చట్టాలకు మద్దతు ఇవ్వడానికి ఆరోగ్య డేటాను ఉత్తమంగా ఉపయోగించుకోవడం లక్ష్యంగా పెట్టుకుంది, అదే సమయంలో EU పౌరులు వారి వ్యక్తిగత ఆరోగ్య డేటాపై ఎక్కువ నియంత్రణ కలిగి ఉండేలా చూసుకుంటుంది. తరువాతిది వైద్య నిర్ధారణ వ్యవస్థ అధిక-రిస్క్ AI వ్యవస్థ అని మరియు ఇది లక్ష్యంగా ఉన్న బలమైన పర్యవేక్షణ, పూర్తి-జీవిత చక్ర పర్యవేక్షణ మరియు ముందస్తు-మూల్యాంకన పర్యవేక్షణను స్వీకరించాల్సిన అవసరం ఉందని స్పష్టం చేస్తుంది. యూరోపియన్ మెడిసిన్స్ ఏజెన్సీ (EMA) ఔషధ అభివృద్ధి, నియంత్రణ మరియు వినియోగానికి మద్దతు ఇవ్వడానికి AI వాడకంపై డ్రాఫ్ట్ రిఫ్లెక్షన్ పేపర్‌ను ప్రచురించింది, రోగి భద్రత మరియు క్లినికల్ పరిశోధన ఫలితాల సమగ్రతను నిర్ధారించడానికి AI యొక్క విశ్వసనీయతను మెరుగుపరచడంపై ప్రాధాన్యతనిస్తుంది. మొత్తంమీద, EU యొక్క నియంత్రణ విధానం క్రమంగా రూపుదిద్దుకుంటోంది మరియు తుది అమలు వివరాలు మరింత వివరంగా మరియు కఠినంగా ఉండవచ్చు. EU యొక్క కఠినమైన నిబంధనలకు పూర్తి విరుద్ధంగా, UK యొక్క AI నియంత్రణ బ్లూప్రింట్ ప్రభుత్వం మృదువైన విధానాన్ని తీసుకోవాలని మరియు ప్రస్తుతానికి కొత్త బిల్లులను అమలు చేయకూడదని లేదా కొత్త నియంత్రణ సంస్థలను ఏర్పాటు చేయకూడదని స్పష్టం చేస్తుంది.

చైనాలో, నేషనల్ మెడికల్ ప్రొడక్ట్స్ అడ్మినిస్ట్రేషన్ యొక్క మెడికల్ డివైస్ టెక్నికల్ రివ్యూ సెంటర్ (NMPA) గతంలో “డీప్ లెర్నింగ్ అసిస్టెడ్ డెసిషన్ సాఫ్ట్‌వేర్ యొక్క రివ్యూ పాయింట్లు”, “ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మెడికల్ డివైసెస్ యొక్క రిజిస్ట్రేషన్ రివ్యూ కోసం గైడింగ్ ప్రిన్సిపల్స్ (డ్రాఫ్ట్ ఫర్ కామెంట్)” మరియు “ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మెడికల్ సాఫ్ట్‌వేర్ ఉత్పత్తుల వర్గీకరణ మరియు నిర్వచనం కోసం గైడింగ్ ప్రిన్సిపల్స్‌పై సర్క్యులర్ (2021లో నం. 47)” వంటి పత్రాలను జారీ చేసింది. ఈ సంవత్సరం, "2023లో మొదటి వైద్య పరికర ఉత్పత్తి వర్గీకరణ ఫలితాల సారాంశం" మళ్ళీ విడుదల చేయబడింది. ఈ పత్రాల శ్రేణి కృత్రిమ మేధస్సు వైద్య సాఫ్ట్‌వేర్ ఉత్పత్తుల నిర్వచనం, వర్గీకరణ మరియు నియంత్రణను స్పష్టంగా మరియు సులభంగా నిర్వహించేలా చేస్తుంది మరియు పరిశ్రమలోని వివిధ సంస్థల ఉత్పత్తి స్థానం మరియు నమోదు వ్యూహాలకు స్పష్టమైన మార్గదర్శకత్వాన్ని అందిస్తుంది. ఈ పత్రాలు AI వైద్య పరికరాల శాస్త్రీయ నియంత్రణ కోసం ఒక ఫ్రేమ్‌వర్క్ మరియు నిర్వహణ నిర్ణయాలను అందిస్తాయి. డిసెంబర్ 21 నుండి 23 వరకు హాంగ్‌జౌలో జరిగిన చైనా మెడికల్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ కాన్ఫరెన్స్ యొక్క ఎజెండా డిజిటల్ మెడికల్ గవర్నెన్స్ మరియు ప్రభుత్వ ఆసుపత్రుల అధిక-నాణ్యత అభివృద్ధి మరియు కృత్రిమ మేధస్సు వైద్య పరికర పరీక్ష మరియు మూల్యాంకన సాంకేతికత ప్రామాణీకరణ పరిశ్రమ అభివృద్ధి వేదికపై ప్రత్యేక ఫోరమ్‌ను ఏర్పాటు చేస్తుందని ఎదురుచూడటం విలువ. ఆ సమయంలో, జాతీయ అభివృద్ధి మరియు సంస్కరణ కమిషన్ మరియు NMPA అధికారులు సమావేశానికి హాజరవుతారు మరియు కొత్త సమాచారాన్ని విడుదల చేయవచ్చు.

ముగింపు

2023లో, వైద్య AI మొత్తం వైద్య అప్‌స్ట్రీమ్ మరియు డౌన్‌స్ట్రీమ్ ప్రక్రియలో కలిసిపోవడం ప్రారంభించింది, ఆసుపత్రి డేటా సేకరణ, సంలీనం, విశ్లేషణ, రోగ నిర్ధారణ మరియు చికిత్స మరియు కమ్యూనిటీ స్క్రీనింగ్‌లను కవర్ చేస్తుంది మరియు వైద్య/వ్యాధి నియంత్రణ కార్మికులతో సేంద్రీయంగా సహకరించడం ద్వారా మానవ ఆరోగ్యానికి శ్రేయస్సును అందించే సామర్థ్యాన్ని చూపుతుంది. ఉపయోగించగల వైద్య AI పరిశోధన ప్రారంభమైంది. భవిష్యత్తులో, వైద్య AI యొక్క పురోగతి సాంకేతిక అభివృద్ధిపై మాత్రమే ఆధారపడి ఉంటుంది, కానీ పరిశ్రమ, విశ్వవిద్యాలయం మరియు వైద్య పరిశోధనల పూర్తి సహకారం మరియు విధాన రూపకర్తలు మరియు నియంత్రణ సంస్థల మద్దతు కూడా అవసరం. ఈ క్రాస్-డొమైన్ సహకారం AI-ఇంటిగ్రేటెడ్ వైద్య సేవలను సాధించడంలో కీలకం మరియు ఖచ్చితంగా మానవ ఆరోగ్య అభివృద్ధిని ప్రోత్సహిస్తుంది.