balita

Mula nang magsimula ang IBM Watson noong 2007, patuloy na hinahabol ng mga tao ang pagbuo ng medikal na artificial intelligence (AI). Ang isang magagamit at makapangyarihang sistema ng medikal na AI ay may napakalaking potensyal na muling hubugin ang lahat ng aspeto ng modernong medisina, na nagbibigay-daan sa mas matalinong, mas tumpak, mahusay, at inklusibong pangangalaga, na nagdudulot ng kagalingan sa mga medikal na manggagawa at pasyente, at sa gayon ay lubos na nagpapabuti sa kalusugan ng tao. Sa nakalipas na 16 na taon, kahit na ang mga medikal na mananaliksik ng AI ay naipon sa iba't ibang maliliit na larangan, sa yugtong ito, hindi pa nila nagagawang dalhin ang science fiction sa katotohanan.

Ngayong taon, sa rebolusyonaryong pag-unlad ng teknolohiya ng AI tulad ng ChatGPT, ang medikal na AI ay gumawa ng malaking pag-unlad sa maraming aspeto. Walang uliran na pambihirang tagumpay sa kakayahan ng medikal na AI: Ang journal ng Kalikasan ay patuloy na naglunsad ng pananaliksik ng modelo ng medikal na malalaking wika at pangunahing modelo ng imaheng medikal; Inilabas ng Google ang Med-PaLM at ang kapalit nito, na umaabot sa antas ng eksperto sa mga tanong sa pagsusulit ng US medical Practitioner. Ang mga pangunahing akademikong journal ay tututuon sa medikal na AI: Inilabas ng kalikasan ang pananaw sa pangunahing modelo ng pangkalahatang medikal na AI; Kasunod ng isang serye ng mga pagsusuri ng AI in Medicine noong unang bahagi ng taong ito, inilathala ng New England Journal of Medicine (NEJM) ang una nitong pagsusuri sa digital na kalusugan noong Nobyembre 30, at inilunsad ang unang isyu ng NEJM sub-journal na NEJM AI noong Disyembre 12. Ang medikal na AI landing soil ay higit pang mature: Ang JAMA sub-journal ay nag-publish ng global medical image data sharing initiative; Ang US Food and Drug Administration (FDA) ay bumubuo ng mga draft na alituntunin para sa regulasyon ng medikal na AI.

Sa ibaba, sinusuri namin ang makabuluhang pag-unlad na ginawa ng mga mananaliksik sa buong mundo sa direksyon ng magagamit na medikal na AI sa 2023

Pangunahing Modelo ng Medikal na AI

Ang pagtatayo ng pangunahing modelo ng medikal na AI ay walang alinlangan ang pinakamainit na pokus ng pananaliksik sa taong ito. Ang mga journal ng Kalikasan ay naglathala ng mga artikulo sa pagsusuri sa Universal Basic na modelo ng pangangalagang pangkalusugan at ang malaking modelo ng wika ng pangangalagang pangkalusugan sa buong taon. Ang Medical Image Analysis, ang nangungunang journal sa industriya, ay nagrepaso at umasa sa mga hamon at pagkakataon ng basic model research sa medical image analysis, at iminungkahi ang konsepto ng "pedigree of basic model" para buod at gabayan ang pagbuo ng basic model research ng medical AI . Ang hinaharap ng mga pangunahing modelo ng AI para sa pangangalagang pangkalusugan ay nagiging mas malinaw. Batay sa mga matagumpay na halimbawa ng malalaking modelo ng wika gaya ng ChatGPT, gamit ang mas advanced na self-supervised na mga pamamaraan ng pre-training at malawak na akumulasyon ng data ng pagsasanay, sinusubukan ng mga mananaliksik sa larangan ng medikal na AI na bumuo ng 1) mga modelong base na partikular sa sakit, 2) mga pangkalahatang base na modelo, at 3) mga multimodal na malalaking modelo na nagsasama ng malawak na hanay ng mga parameter at superior.

Modelo ng AI sa Pagkuha ng Medikal na Data

Bilang karagdagan sa malalaking modelo ng AI na gumaganap ng isang mahusay na papel sa mga gawain sa downstream na klinikal na pagsusuri ng data, sa upstream na klinikal na pagkuha ng data, ang teknolohiyang kinakatawan ng mga generative na modelo ng AI ay lumitaw din. Ang proseso, bilis, at kalidad ng data acquisition ay maaaring makabuluhang mapabuti ng AI algorithm.

Mas maaga sa taong ito, inilathala ng Nature Biomedical Engineering ang isang pag-aaral mula sa Straits University ng Turkey na nakatuon sa paggamit ng generative AI upang malutas ang problema ng pathologic na diagnosis na tinulungan ng imahe sa mga klinikal na aplikasyon. Ang mga artifact sa frozen na tissue ng seksyon sa panahon ng operasyon ay isang balakid sa mabilis na pagsusuri ng diagnostic. Bagama't ang formalin at paraffin embedded (FFPE) tissue ay nagbibigay ng mas mataas na kalidad na sample, ang proseso ng paggawa nito ay tumatagal ng oras at kadalasang tumatagal ng 12-48 oras, kaya hindi ito angkop para sa operasyon. Samakatuwid, iminungkahi ng pangkat ng pananaliksik ang isang algorithm na tinatawag na AI-FFPE, na maaaring gawin ang hitsura ng tissue sa frozen na seksyon na katulad ng FFPE. Matagumpay na naitama ng algorithm ang mga artifact ng mga nakapirming seksyon, pinahusay ang kalidad ng imahe, at napanatili ang mga tampok na may kaugnayan sa klinikal sa parehong oras. Sa klinikal na pagpapatunay, ang AI-FFPE algorithm ay makabuluhang nagpapabuti sa diagnostic na katumpakan ng mga pathologist para sa mga subtype ng tumor, habang lubos na pinaiikli ang oras ng klinikal na pagsusuri.

Ang Cell Reports Medicine ay nag-uulat ng isang gawaing pananaliksik ng isang pangkat mula sa Third Clinical College ng Jilin University, Department of Radiology, Zhongshan Hospital Affiliated sa Fudan University, at Shanghai University of Science and Technology [25]. Ang pag-aaral na ito ay nagmumungkahi ng isang pangkalahatang layunin na malalim na pag-aaral at iterative reconstruction fusion framework (Hybrid DL-IR) na may mataas na versatility at flexibility, na nagpapakita ng mahusay na pagganap ng reconstruction ng imahe sa mabilis na MRI, mababang dosis ng CT, at mabilis na PET. Ang algorithm ay maaaring makamit ang MR Single-organ multi-sequence scanning sa loob ng 100 segundo, bawasan ang dosis ng radiation sa 10% lamang ng CT na imahe, at alisin ang ingay, at maaaring muling buuin ang maliliit na sugat mula sa PET acquisition na may 2 hanggang 4 na beses na acceleration, habang binabawasan ang epekto ng mga artifact ng paggalaw.

Medikal na AI sa Pakikipagtulungan sa mga Medikal na Manggagawa

Ang mabilis na pag-unlad ng medikal na AI ay humantong din sa mga medikal na propesyonal na seryosong isaalang-alang at galugarin kung paano makipagtulungan sa AI upang mapabuti ang mga klinikal na proseso. Noong Hulyo ngayong taon, ang DeepMind at isang multi-institutional na research team ay magkasamang nagmungkahi ng AI system na tinatawag na Complementary Driven Clinical Workflow Delay (CoDoC) . Ang proseso ng diagnostic ay unang na-diagnose ng isang predictive AI system, pagkatapos ay hinuhusgahan ng isa pang AI system sa nakaraang resulta, at kung may pagdududa, ang diagnosis ay sa wakas ay ginawa ng isang clinician upang mapabuti ang diagnostic accuracy at balanseng kahusayan. Pagdating sa screening ng breast cancer, binawasan ng CoDoC ang mga false positive rate ng 25% na may parehong maling negatibong rate, habang binabawasan ang workload ng clinician ng 66%, kumpara sa kasalukuyang proseso ng "double-read arbitration" sa UK. Sa mga tuntunin ng pag-uuri ng TB, ang mga maling positibong rate ay nabawasan ng 5 hanggang 15 porsiyento na may parehong maling negatibong rate kumpara sa mga independiyenteng AI at mga klinikal na daloy ng trabaho.

Katulad nito, si Annie Y. Ng et al., ng Kheiron Company sa London, UK, ay nagpakilala ng mga karagdagang AI reader (sa pakikipagtulungan sa mga human examiners) upang muling suriin ang mga resulta kapag walang mga resulta sa pag-recall sa double-read na proseso ng arbitrasyon, na nagpabuti sa problema ng hindi nakuhang pagtuklas sa maagang pagsusuri sa kanser sa suso, at ang proseso ay halos walang maling positibo. Ang isa pang pag-aaral, na pinamumunuan ng isang team sa University of Texas McGovern Medical School at natapos sa apat na stroke center, ay naglapat ng computed tomography angiography (CTA) -based AI technology upang i-automate ang pagtuklas ng malaking vascular occlusive ischemic stroke (LVO). Ang mga klinika at radiologist ay tumatanggap ng mga real-time na alerto sa kanilang mga mobile phone sa loob ng ilang minuto matapos makumpleto ang CT imaging, na nagpapaalam sa kanila ng posibleng pagkakaroon ng LVO. Ang proseso ng AI na ito ay nagpapahusay sa mga daloy ng trabaho sa loob ng ospital para sa talamak na ischemic stroke, na binabawasan ang oras ng pinto-sa-singit mula sa pagpasok hanggang sa paggamot at pagbibigay ng mga pagkakataon para sa matagumpay na pagsagip. Ang mga natuklasan ay inilathala sa JAMA Neurology.

Isang AI Healthcare Model para sa Pangkalahatang Benepisyo

Makakakita rin ang 2023 ng maraming magagandang gawain na gumagamit ng medikal na AI upang makahanap ng mga feature na hindi nakikita ng mata ng tao mula sa mas madaling magagamit na data, na nagbibigay-daan sa pangkalahatang pagsusuri at maagang pagsusuri sa sukat. Sa simula ng taon, inilathala ng Nature Medicine ang mga pag-aaral na ginawa ng Zhongshan Eye Center ng Sun Yat-sen University at ng Second Affiliated Hospital ng Fujian Medical University. Gamit ang mga smartphone bilang mga terminal ng application, gumamit sila ng mga larawan ng video na parang cartoon para mapukaw ang tingin ng mga bata at i-record ang gawi ng tingin at mga tampok ng mukha ng mga bata, at higit pang sinuri ang mga abnormal na modelo gamit ang mga deep learning model para matagumpay na matukoy ang 16 na sakit sa mata, kabilang ang congenital cataracts, congenital ptosis at congenital glaucoma, na may average na katumpakan ng screening na higit sa 85%. Nagbibigay ito ng epektibo at madaling gawing popular ang mga teknikal na paraan para sa malakihang maagang pagsusuri ng kapansanan sa visual function ng sanggol at mga kaugnay na sakit sa mata.

Sa pagtatapos ng taon, iniulat ng Nature Medicine ang isang gawaing ginawa ng higit sa 10 institusyong medikal at pananaliksik sa buong mundo, kabilang ang Shanghai Institute of Pancreatic Disease at ang First Affiliated Hospital ng Zhejiang University. Inilapat ng may-akda ang AI sa pancreatic cancer screening ng mga taong walang sintomas sa mga physical examination center, ospital, atbp., upang makita ang mga tampok ng lesyon sa plain scan CT na mga larawan na mahirap makita sa mata lamang, upang makamit ang mahusay at hindi invasive na maagang pagtuklas ng pancreatic cancer. Sa pagsusuri ng data mula sa higit sa 20,000 mga pasyente, natukoy din ng modelo ang 31 mga kaso ng mga klinikal na napalampas na mga sugat, na makabuluhang nagpabuti ng mga klinikal na kinalabasan.

Pagbabahagi ng Medikal na Data

Noong 2023, marami pang perpektong mekanismo ng pagbabahagi ng data at matagumpay na mga kaso ang lumitaw sa buong mundo, na tinitiyak ang multi-center na kooperasyon at pagiging bukas ng data sa ilalim ng premise ng pagprotekta sa privacy at seguridad ng data.

Una, sa tulong ng teknolohiya ng AI mismo, ang mga mananaliksik ng AI ay nag-ambag sa pagbabahagi ng medikal na data. Nag-publish si Qi Chang at iba pa mula sa Rutgers University sa United States ng isang artikulo sa Nature Communications, na nagmumungkahi ng federal learning framework na DSL batay sa mga distributed synthetic adversarial network, na gumagamit ng generative AI upang sanayin ang partikular na nabuong data ng mga multi-center, at pagkatapos ay papalitan ang totoong data ng mga multi-center ng nabuong data. Tiyakin ang pagsasanay sa AI batay sa multicentre big data habang pinoprotektahan ang privacy ng data. Ang parehong koponan ay nagbukas din ng isang dataset ng mga nabuong pathological na larawan at ang kanilang mga kaukulang anotasyon. Ang modelo ng pagse-segment na sinanay sa nabuong set ng data ay makakamit ang mga katulad na resulta sa totoong data.

Ang koponan ni Dai Qionghai mula sa Tsinghua University ay nag-publish ng isang papel sa npj Digital Health, na nagmumungkahi ng Relay Learning, na gumagamit ng multi-site na malaking data upang sanayin ang mga modelo ng AI sa ilalim ng premise ng lokal na soberanya ng data at walang cross-site na koneksyon sa network. Binabalanse nito ang seguridad ng data at mga alalahanin sa privacy sa pagtugis ng pagganap ng AI. Ang parehong koponan pagkatapos ay magkasamang binuo at na-validate ang CAIMEN, isang chest CT pan-mediastinal tumor diagnosis system batay sa federal learning, sa pakikipagtulungan ng First Affiliated Hospital ng Guangzhou Medical University at 24 na ospital sa buong bansa. Ang system, na maaaring ilapat sa 12 karaniwang mediastinal tumor, ay nakamit ang 44.9 porsiyentong mas mahusay na katumpakan kapag ginamit nang mag-isa kaysa kapag ginamit lamang ng mga eksperto ng tao, at 19 porsiyentong mas mahusay na katumpakan ng diagnosis kapag ang mga eksperto ng tao ay tinulungan nito.

Sa kabilang banda, ang ilang mga hakbangin ay isinasagawa upang bumuo ng ligtas, pandaigdigan, malakihang mga medikal na hanay ng data. Noong Nobyembre 2023, si Agustina Saenz at iba pa mula sa Department of Biomedical Informatics sa Harvard Medical School ay nag-publish online sa Lancet Digital Health ng isang pandaigdigang balangkas para sa pagbabahagi ng data ng medikal na imahe na tinatawag na Artificial Intelligence Data for All Healthcare (MAIDA). Nakikipagtulungan sila sa mga organisasyon ng pangangalagang pangkalusugan sa buong mundo para magbigay ng komprehensibong patnubay sa pagkolekta ng data at pag-alis ng pagkakakilanlan, gamit ang template ng US Federal Demonstration Partner (FDP) upang gawing pamantayan ang pagbabahagi ng data. Plano nilang unti-unting ilabas ang mga set ng data na nakolekta sa iba't ibang rehiyon at mga klinikal na Setting sa buong mundo. Ang unang dataset ay inaasahang ilalabas sa unang bahagi ng 2024, na may higit pang darating habang lumalawak ang partnership. Ang proyekto ay isang mahalagang pagtatangka upang bumuo ng isang pandaigdigan, malakihan at magkakaibang hanay ng pampublikong magagamit na data ng AI.

Sa kalagayan ng panukala, ang UK Biobank ay nagtakda ng isang halimbawa. Ang UK Biobank ay naglabas ng bagong data noong 30 Nobyembre mula sa buong genome sequencing ng 500,000 kalahok nito. Ang database, na naglalathala ng kumpletong genome sequence ng bawat isa sa 500,000 British volunteers, ay ang pinakamalaking kumpletong human genome database sa mundo. Ang mga mananaliksik sa buong mundo ay maaaring humiling ng access sa hindi natukoy na data na ito at gamitin ito upang suriin ang genetic na batayan ng kalusugan at sakit. Ang genetic data ay palaging napakasensitibo para sa pag-verify sa nakaraan, at ang makasaysayang tagumpay na ito ng UK Biobank ay nagpapatunay na posible na bumuo ng isang bukas, walang privacy na pandaigdigang malakihang database. Gamit ang teknolohiya at database na ito, ang medikal na AI ay tiyak na magsisimula sa susunod na hakbang.

Pagpapatunay at Pagsusuri ng Medikal na AI

Kung ikukumpara sa mabilis na pag-unlad ng medikal na teknolohiya ng AI mismo, ang pagbuo ng pag-verify at pagsusuri ng medikal na AI ay bahagyang mabagal. Ang pagpapatunay at pagsusuri sa pangkalahatang larangan ng AI ay kadalasang binabalewala ang mga tunay na kinakailangan ng mga clinician at pasyente para sa AI. Ang mga tradisyonal na randomized na kinokontrol na mga klinikal na pagsubok ay masyadong matrabaho upang tumugma sa mabilis na pag-ulit ng mga tool ng AI. Ang pagpapahusay sa sistema ng pag-verify at pagsusuri na angkop para sa mga medikal na tool ng AI sa lalong madaling panahon ay ang pinakamahalagang bagay upang i-promote ang medikal na AI upang tunay na lumukso sa pananaliksik at pag-unlad sa klinikal na landing.

Sa research paper ng Google sa Med-PaLM, na inilathala sa Nature, inilathala din ng team ang benchmark ng pagsusuri ng MultiMedQA, na ginagamit upang masuri ang kakayahan ng malalaking modelo ng wika na makakuha ng klinikal na kaalaman. Pinagsasama ng benchmark ang anim na umiiral nang propesyonal na medikal na Q&A dataset, na sumasaklaw sa propesyonal na medikal na kaalaman, pananaliksik at iba pang aspeto, pati na rin ang isang online na paghahanap sa database ng tanong medikal, isinasaalang-alang ang online na Q&A ng doktor-pasyente, sinusubukang sanayin ang AI sa isang kwalipikadong doktor mula sa maraming aspeto. Bilang karagdagan, ang koponan ay nagmumungkahi ng isang balangkas batay sa pagtatasa ng tao na isinasaalang-alang ang maraming dimensyon ng katotohanan, pag-unawa, pangangatwiran, at posibleng pagkiling. Isa ito sa pinakakinakatawan na pagsisikap sa pananaliksik upang suriin ang AI sa pangangalagang pangkalusugan na inilathala ngayong taon.

Gayunpaman, ang katotohanan ba na ang malalaking modelo ng wika ay nagpapakita ng mataas na antas ng pag-encode ng klinikal na kaalaman ay nangangahulugan na ang mga malalaking modelo ng wika ay may kakayahan para sa mga klinikal na gawain sa totoong mundo? Kung paanong ang isang medikal na estudyante na pumasa sa pagsusulit ng propesyonal na doktor na may perpektong marka ay malayo pa rin sa isang solong punong manggagamot, ang pamantayan sa pagsusuri na iminungkahi ng Google ay maaaring hindi isang perpektong sagot sa paksa ng medikal na pagsusuri sa AI para sa mga modelo ng AI. Noon pang 2021 at 2022, ang mga mananaliksik ay nagmungkahi ng mga alituntunin sa pag-uulat gaya ng Decid-AI, SPIRIT-AI, at INTRPRT, na umaasang gagabay sa maagang pagbuo at pagpapatunay ng medikal na AI sa ilalim ng kondisyon ng pagsasaalang-alang sa mga salik gaya ng klinikal na praktikalidad, kaligtasan, mga kadahilanan ng tao, at transparency/interpretability. Kamakailan lamang, ang The journal Nature Medicine ay nag-publish ng isang pag-aaral ng mga mananaliksik mula sa Oxford University at Stanford University kung gagamit ng "external validation" o "recurring local validation. "Upang ma-validate ang AI tools.

Ang walang kinikilingan na katangian ng mga tool ng AI ay isa ring mahalagang direksyon sa pagsusuri na nakatanggap ng pansin ngayong taon mula sa parehong mga artikulo sa Science at NEJM. Madalas na nagpapakita ng bias ang AI dahil limitado ito sa data ng pagsasanay. Ang bias na ito ay maaaring sumasalamin sa hindi pagkakapantay-pantay ng lipunan, na higit na nagbabago sa algorithmic na diskriminasyon. Inilunsad kamakailan ng National Institutes of Health ang Bridge2AI initiative, na tinatayang nagkakahalaga ng $130 milyon, upang bumuo ng magkakaibang mga dataset (alinsunod sa mga layunin ng inisyatiba ng MAIDA na binanggit sa itaas) na maaaring magamit upang patunayan ang hindi karaniwan ng mga medikal na tool ng AI. Ang mga aspetong ito ay hindi isinasaalang-alang ng MultiMedQA. Ang tanong kung paano sukatin at patunayan ang mga medikal na modelo ng AI ay nangangailangan pa rin ng malawak at malalim na talakayan.

Noong Enero, ang Nature Medicine ay nag-publish ng isang piraso ng opinyon na tinatawag na "The Next Generation of Evidence-Based Medicine" mula sa Vivek Subbiah ng University of Texas MD Anderson Cancer Center, sinusuri ang mga limitasyon ng mga klinikal na pagsubok na nakalantad sa konteksto ng pandemya ng COVID-19 at itinuturo ang kontradiksyon sa pagitan ng pagbabago at pagsunod sa proseso ng klinikal na pananaliksik. Sa wakas, itinuturo nito ang hinaharap ng muling pagsasaayos ng mga klinikal na pagsubok - ang susunod na henerasyon ng mga klinikal na pagsubok gamit ang artificial intelligence, iyon ay, ang paggamit ng artificial intelligence mula sa isang malaking bilang ng makasaysayang data ng pananaliksik, totoong data sa mundo, multi-modal na klinikal na data, naisusuot na data ng device upang makahanap ng pangunahing ebidensya. Nangangahulugan ba ito na ang teknolohiya ng AI at mga proseso ng klinikal na pagpapatunay ng AI ay maaaring magkaparehong nagpapatibay at magkakasamang nagbabago sa hinaharap? Ito ang bukas at naiisip na tanong ng 2023.

Regulasyon ng Medikal AI

Ang pagsulong ng teknolohiya ng AI ay nagdudulot din ng mga hamon sa regulasyon ng AI, at maingat at maingat na tumutugon ang mga gumagawa ng patakaran sa buong mundo. Noong 2019, unang inilathala ng FDA ang isang Proposed Regulatory Framework para sa Mga Pagbabago ng Software sa Artificial Intelligence Medical Devices (Discussion Draft), na nagdedetalye sa potensyal nitong diskarte sa premarket na pagsusuri ng AI at machine learning-driven na mga pagbabago sa software. Noong 2021, iminungkahi ng FDA ang "Artificial Intelligence/Machine Learning-based Software bilang Plano ng Aksyon ng Medikal na Device", na nilinaw ang limang partikular na AI medical regulatory measures. Sa taong ito, muling inilabas ng FDA ang Premarket Submission para sa Device Software Features upang magbigay ng impormasyon sa mga rekomendasyon sa pagsusumite ng premarket para sa pagsusuri ng FDA sa kaligtasan at pagiging epektibo ng mga feature ng software ng device, kabilang ang ilang feature ng software device na gumagamit ng mga modelo ng machine learning na sinanay sa pamamagitan ng mga pamamaraan ng machine learning. Ang patakaran sa regulasyon ng FDA ay umunlad mula sa isang paunang panukala hanggang sa praktikal na patnubay.

Kasunod ng paglalathala ng European Health Data Space noong Hulyo noong nakaraang taon, muling pinagtibay ng EU ang Artificial Intelligence Act. Nilalayon ng una na gawin ang pinakamahusay na paggamit ng data ng kalusugan upang magbigay ng mataas na kalidad na pangangalagang pangkalusugan, bawasan ang mga hindi pagkakapantay-pantay, at suporta sa data para sa pag-iwas, pagsusuri, paggamot, makabagong siyentipiko, paggawa ng desisyon at batas, habang tinitiyak na ang mga mamamayan ng EU ay may higit na kontrol sa kanilang personal na data ng kalusugan. Nilinaw ng huli na ang sistema ng medikal na pagsusuri ay isang high-risk AI system, at kailangan nitong magpatibay ng naka-target na malakas na pangangasiwa, buong-buhay na cycle na pangangasiwa at pre-evaluation na pangangasiwa. Ang European Medicines Agency (EMA) ay nag-publish ng Draft Reflection Paper sa paggamit ng AI upang suportahan ang pagbuo, regulasyon at paggamit ng gamot, na may diin sa pagpapabuti ng kredibilidad ng AI upang matiyak ang kaligtasan ng pasyente at ang integridad ng mga resulta ng klinikal na pananaliksik. Sa pangkalahatan, unti-unting nahuhubog ang regulasyong diskarte ng EU, at ang mga detalye ng huling pagpapatupad ay maaaring mas detalyado at mahigpit. Kabaligtaran ng mahigpit na regulasyon ng EU, nilinaw ng AI regulatory blueprint ng UK na plano ng gobyerno na gumawa ng malambot na diskarte at hindi magpatibay ng mga bagong singil o mag-set up ng mga bagong regulator sa ngayon.

Sa China, ang Medical Device Technical Review Center (NMPA) ng National Medical Products Administration ay dati nang nag-isyu ng mga dokumento tulad ng “Review Points of Deep Learning Assisted Decision Software”, “Guiding Principles for the Registration Review of Artificial Intelligence Medical Devices (Draft for Comment)” at “Circular on Guiding Principles for the Artificial Intelligence and Definition of 4 Products of Artificial Intelligence ()2.2. Sa taong ito, muling inilabas ang "Buod ng unang resulta ng pag-uuri ng produkto ng medikal na device noong 2023". Ang serye ng mga dokumentong ito ay ginagawang mas malinaw at mas madaling gamitin ang kahulugan, pag-uuri at regulasyon ng mga produktong medikal na software ng artificial intelligence, at nagbibigay ng malinaw na patnubay para sa pagpoposisyon ng produkto at mga diskarte sa pagpaparehistro ng iba't ibang negosyo sa industriya. Ang mga dokumentong ito ay nagbibigay ng balangkas ng AI at mga desisyon sa pamamahala ng mga medikal na kagamitang pang-agham na nagre-regulasyon nito. Ang Artificial Intelligence Conference na ginanap sa Hangzhou mula Disyembre 21 hanggang 23 ay nag-set up ng isang espesyal na forum sa digital na pamamahalang medikal at mataas na kalidad na pag-unlad ng mga pampublikong ospital at pagsusuri ng kagamitang medikal ng artificial intelligence at pagsusuri ng teknolohiya sa standardisasyon ng industriya ng forum sa pag-unlad, ang mga opisyal mula sa National Development and Reform Commission at ang NMPA ay dadalo sa pulong at maaaring maglabas ng bagong impormasyon.

Konklusyon

Noong 2023, nagsimulang isama ang medikal na AI sa buong proseso ng medikal na upstream at downstream, na sumasaklaw sa pagkolekta ng data ng ospital, pagsasanib, pagsusuri, diagnosis at paggamot, at screening ng komunidad, at organikong pakikipagtulungan sa mga manggagawang medikal/sakit, na nagpapakita ng potensyal na magdala ng kagalingan sa kalusugan ng tao. Ang magagamit na medikal na pananaliksik sa AI ay nagsisimula sa madaling araw. Sa hinaharap, ang pag-unlad ng medikal na AI ay hindi lamang nakasalalay sa teknolohikal na pag-unlad mismo, ngunit nangangailangan din ng buong kooperasyon ng industriya, unibersidad at medikal na pananaliksik at ang suporta ng mga gumagawa ng patakaran at mga regulator. Ang cross-domain collaboration na ito ang susi sa pagkamit ng AI-integrated na mga serbisyong medikal, at tiyak na magsusulong ng pag-unlad ng kalusugan ng tao.