समाचार

२००७ मा IBM वाटसन सुरु भएदेखि, मानिसहरूले चिकित्सा कृत्रिम बुद्धिमत्ता (AI) को विकासलाई निरन्तर पछ्याइरहेका छन्। एक प्रयोगयोग्य र शक्तिशाली चिकित्सा AI प्रणालीमा आधुनिक चिकित्साका सबै पक्षहरूलाई पुन: आकार दिने, स्मार्ट, अधिक सटीक, कुशल र समावेशी हेरचाह सक्षम पार्ने, चिकित्साकर्मी र बिरामीहरूको कल्याण गर्ने, र यसरी मानव स्वास्थ्यमा ठूलो सुधार ल्याउने विशाल क्षमता छ। विगत १६ वर्षमा, चिकित्सा AI अनुसन्धानकर्ताहरूले विभिन्न साना क्षेत्रहरूमा जम्मा भए पनि, यस चरणमा, तिनीहरूले अझै पनि विज्ञान कथालाई वास्तविकतामा ल्याउन सकेका छैनन्।

यस वर्ष, ChatGPT जस्ता AI प्रविधिको क्रान्तिकारी विकाससँगै, चिकित्सा AI ले धेरै पक्षहरूमा ठूलो प्रगति गरेको छ। चिकित्सा AI को क्षमतामा अभूतपूर्व सफलता: प्रकृति पत्रिकाले निरन्तर चिकित्सा ठूलो भाषा मोडेल र चिकित्सा छवि आधारभूत मोडेलको अनुसन्धान सुरु गरेको छ; गुगलले Med-PaLM र यसको उत्तराधिकारी जारी गर्दछ, अमेरिकी चिकित्सा व्यवसायी परीक्षा प्रश्नहरूमा विशेषज्ञ स्तरमा पुग्छ। प्रमुख शैक्षिक पत्रिकाहरूले चिकित्सा AI मा केन्द्रित हुनेछन्: प्रकृतिले सामान्य चिकित्सा AI को आधारभूत मोडेलमा दृष्टिकोण जारी गर्दछ; यस वर्षको सुरुमा चिकित्सामा AI को समीक्षाको श्रृंखला पछ्याउँदै, न्यू इङ्गल्याण्ड जर्नल अफ मेडिसिन (NEJM) ले नोभेम्बर ३० मा आफ्नो पहिलो डिजिटल स्वास्थ्य समीक्षा प्रकाशित गर्‍यो, र डिसेम्बर १२ मा NEJM उप-जर्नल NEJM AI को पहिलो अंक सुरु गर्‍यो। चिकित्सा AI अवतरण माटो थप परिपक्व छ: JAMA उप-जर्नलले विश्वव्यापी चिकित्सा छवि डेटा साझेदारी पहल प्रकाशित गर्‍यो; अमेरिकी खाद्य तथा औषधि प्रशासन (FDA) ले चिकित्सा AI को नियमनको लागि मस्यौदा दिशानिर्देशहरू विकास गर्दैछ।

तल, हामी २०२३ मा प्रयोगयोग्य चिकित्सा एआईको दिशामा विश्वभरका अनुसन्धानकर्ताहरूले गरेको महत्त्वपूर्ण प्रगतिको समीक्षा गर्छौं।

मेडिकल एआई आधारभूत मोडेल

चिकित्सा एआई आधारभूत मोडेलको निर्माण निस्सन्देह यस वर्षको सबैभन्दा तातो अनुसन्धान केन्द्रबिन्दु हो। नेचर जर्नलहरूले यस वर्ष स्वास्थ्य सेवाको विश्वव्यापी आधारभूत मोडेल र स्वास्थ्य सेवाको ठूलो भाषा मोडेलमा समीक्षा लेखहरू प्रकाशित गरेका छन्। उद्योगको शीर्ष जर्नल, मेडिकल इमेज एनालिसिसले चिकित्सा छवि विश्लेषणमा आधारभूत मोडेल अनुसन्धानका चुनौतीहरू र अवसरहरूको समीक्षा र तत्परता देखाएको छ, र चिकित्सा एआईको आधारभूत मोडेल अनुसन्धानको विकासलाई संक्षेप र मार्गदर्शन गर्न "आधारभूत मोडेलको वंशावली" को अवधारणा प्रस्ताव गरेको छ। स्वास्थ्य सेवाको लागि आधारभूत एआई मोडेलहरूको भविष्य स्पष्ट हुँदै गइरहेको छ। ChatGPT जस्ता ठूला भाषा मोडेलहरूको सफल उदाहरणहरूमा आकर्षित गर्दै, थप उन्नत स्व-पर्यवेक्षित पूर्व-प्रशिक्षण विधिहरू र प्रशिक्षण डेटाको विशाल संचय प्रयोग गर्दै, चिकित्सा एआईको क्षेत्रमा अनुसन्धानकर्ताहरूले १) रोग-विशिष्ट आधार मोडेलहरू, २) सामान्य आधार मोडेलहरू, र ३) बहु-मोडल ठूला मोडेलहरू निर्माण गर्ने प्रयास गरिरहेका छन् जसले विशाल प्यारामिटरहरू र उच्च क्षमताहरूसँग मोडहरूको विस्तृत दायरालाई एकीकृत गर्दछ।

मेडिकल डाटा अधिग्रहण एआई मोडेल

डाउनस्ट्रीम क्लिनिकल डेटा विश्लेषण कार्यहरूमा ठूलो भूमिका खेल्ने ठूला एआई मोडेलहरूको अतिरिक्त, अपस्ट्रीम क्लिनिकल डेटा अधिग्रहणमा, जेनेरेटिभ एआई मोडेलहरूद्वारा प्रतिनिधित्व गरिएको प्रविधि पनि देखा परेको छ। एआई एल्गोरिदमहरूद्वारा डेटा अधिग्रहणको प्रक्रिया, गति र गुणस्तरमा उल्लेखनीय सुधार गर्न सकिन्छ।

यस वर्षको सुरुमा, नेचर बायोमेडिकल इन्जिनियरिङले टर्कीको स्ट्रेट्स युनिभर्सिटीबाट एक अध्ययन प्रकाशित गर्‍यो जुन क्लिनिकल अनुप्रयोगहरूमा प्याथोलोजिक छवि-सहायता निदानको समस्या समाधान गर्न जेनेरेटिभ एआई प्रयोगमा केन्द्रित थियो। शल्यक्रियाको क्रममा जमेको खण्डको तन्तुमा रहेका कलाकृतिहरू द्रुत निदान मूल्याङ्कनको लागि बाधा हुन्। यद्यपि फर्मालिन र प्याराफिन एम्बेडेड (FFPE) तन्तुले उच्च गुणस्तरको नमूना प्रदान गर्दछ, यसको उत्पादन प्रक्रिया समय-उपभोग गर्ने हुन्छ र प्रायः १२-४८ घण्टा लाग्छ, जसले गर्दा यो शल्यक्रियामा प्रयोगको लागि अनुपयुक्त हुन्छ। त्यसैले अनुसन्धान टोलीले AI-FFPE नामक एल्गोरिथ्म प्रस्ताव गर्‍यो, जसले जमेको खण्डमा तन्तुको उपस्थिति FFPE जस्तै बनाउन सक्छ। एल्गोरिथ्मले जमेको खण्डहरूको कलाकृतिहरूलाई सफलतापूर्वक सच्यायो, छवि गुणस्तर सुधार गर्‍यो, र एकै समयमा क्लिनिकली सान्दर्भिक सुविधाहरू कायम राख्यो। क्लिनिकल प्रमाणीकरणमा, AI-FFPE एल्गोरिथ्मले ट्युमर उपप्रकारहरूको लागि रोगविज्ञानीहरूको निदान शुद्धतामा उल्लेखनीय सुधार गर्दछ, जबकि क्लिनिकल निदान समयलाई धेरै छोटो पार्छ।

सेल रिपोर्ट्स मेडिसिनले जिलिन विश्वविद्यालयको तेस्रो क्लिनिकल कलेज, रेडियोलोजी विभाग, फुदान विश्वविद्यालयसँग सम्बद्ध झोङशान अस्पताल र सांघाई विज्ञान तथा प्रविधि विश्वविद्यालय [25] को टोलीद्वारा गरिएको अनुसन्धान कार्यको रिपोर्ट गर्दछ। यो अध्ययनले उच्च बहुमुखी प्रतिभा र लचिलोपनको साथ सामान्य-उद्देश्य गहिरो सिकाइ र पुनरावृत्ति पुनर्निर्माण फ्युजन फ्रेमवर्क (हाइब्रिड DL-IR) प्रस्ताव गर्दछ, जसले द्रुत MRI, कम खुराक CT, र द्रुत PET मा उत्कृष्ट छवि पुनर्निर्माण प्रदर्शन देखाउँछ। एल्गोरिथ्मले १०० सेकेन्डमा MR एकल-अंग बहु-अनुक्रम स्क्यानिङ प्राप्त गर्न सक्छ, विकिरण खुराक CT छविको केवल १०% मा घटाउन सक्छ, र आवाज हटाउन सक्छ, र PET अधिग्रहणबाट साना घावहरू २ देखि ४ गुणा त्वरणको साथ पुनर्निर्माण गर्न सक्छ, जबकि गति कलाकृतिहरूको प्रभाव कम गर्दछ।

चिकित्साकर्मीहरूसँगको सहकार्यमा मेडिकल एआई

मेडिकल एआईको द्रुत विकासले चिकित्सा पेशेवरहरूलाई क्लिनिकल प्रक्रियाहरू सुधार गर्न एआईसँग कसरी सहकार्य गर्ने भनेर गम्भीरतापूर्वक विचार गर्न र अन्वेषण गर्न प्रेरित गरेको छ। यस वर्ष जुलाईमा, डीपमाइन्ड र बहु-संस्थागत अनुसन्धान टोलीले संयुक्त रूपमा पूरक संचालित क्लिनिकल कार्यप्रवाह ढिलाइ (CoDoC) नामक एआई प्रणाली प्रस्ताव गरे। निदान प्रक्रिया पहिले भविष्यसूचक एआई प्रणाली द्वारा निदान गरिन्छ, त्यसपछि अघिल्लो नतिजामा अर्को एआई प्रणाली द्वारा न्याय गरिन्छ, र यदि शंका छ भने, निदान शुद्धता र सन्तुलन दक्षता सुधार गर्न अन्ततः एक चिकित्सक द्वारा निदान गरिन्छ। स्तन क्यान्सर स्क्रिनिङको कुरा गर्दा, CoDoC ले उही गलत नकारात्मक दरको साथ गलत सकारात्मक दरहरू २५% ले घटायो, जबकि बेलायतमा हालको "डबल-रिड आर्बिट्रेशन" प्रक्रियाको तुलनामा क्लिनिकियन कार्यभारलाई ६६% ले घटायो। क्षयरोग वर्गीकरणको सन्दर्भमा, स्वतन्त्र एआई र क्लिनिकल कार्यप्रवाहको तुलनामा उही गलत नकारात्मक दरको साथ गलत सकारात्मक दरहरू ५ देखि १५ प्रतिशतले घटाइयो।

त्यस्तै गरी, बेलायतको लन्डनमा रहेको खेइरोन कम्पनीकी एनी वाई. एनजी एट अलले डबल-रिड आर्बिट्रेशन प्रक्रियामा कुनै रिकल नतिजा नभएको बेला नतिजाहरूको पुन: परीक्षण गर्न (मानव परीक्षकहरूसँगको सहकार्यमा) थप एआई रिडरहरू प्रस्तुत गरे, जसले प्रारम्भिक स्तन क्यान्सर स्क्रिनिङमा छुटेको पत्ता लगाउने समस्यामा सुधार ल्यायो, र प्रक्रियामा लगभग कुनै गलत सकारात्मक नतिजा थिएन। टेक्सास विश्वविद्यालय म्याकगभर्न मेडिकल स्कूलको टोलीको नेतृत्वमा र चार स्ट्रोक केन्द्रहरूमा सम्पन्न अर्को अध्ययनले ठूलो भास्कुलर ओक्लुसिभ इस्केमिक स्ट्रोक (LVO) को पहिचान स्वचालित गर्न कम्प्युटेड टोमोग्राफी एन्जियोग्राफी (CTA) मा आधारित एआई प्रविधि लागू गर्‍यो। क्लिनिशियनहरू र रेडियोलोजिस्टहरूले CT इमेजिङ पूरा भएको केही मिनेट भित्र आफ्नो मोबाइल फोनमा वास्तविक-समय अलर्टहरू प्राप्त गर्छन्, तिनीहरूलाई LVO को सम्भावित उपस्थितिको बारेमा सूचित गर्छन्। यो एआई प्रक्रियाले तीव्र इस्केमिक स्ट्रोकको लागि अस्पताल भित्रको कार्यप्रवाहमा सुधार गर्छ, उपचारमा भर्ना देखि ढोका-देखि-ग्रोइन समय घटाउँछ र सफल उद्धारको लागि अवसरहरू प्रदान गर्दछ। निष्कर्षहरू JAMA न्यूरोलोजीमा प्रकाशित छन्।

विश्वव्यापी लाभको लागि एआई स्वास्थ्य सेवा मोडेल

२०२३ मा धेरै राम्रो कामहरू पनि हुनेछन् जसले मेडिकल एआई प्रयोग गरेर मानव आँखाले सजिलै उपलब्ध डेटाबाट अदृश्य सुविधाहरू फेला पार्नेछ, जसले विश्वव्यापी निदान र स्केलमा प्रारम्भिक स्क्रिनिङ सक्षम पार्नेछ। वर्षको सुरुमा, नेचर मेडिसिनले सन याट-सेन विश्वविद्यालयको झोङशान आँखा केन्द्र र फुजियान मेडिकल विश्वविद्यालयको दोस्रो सम्बद्ध अस्पतालद्वारा गरिएका अध्ययनहरू प्रकाशित गर्‍यो। स्मार्टफोनहरूलाई एप्लिकेसन टर्मिनलको रूपमा प्रयोग गर्दै, तिनीहरूले बालबालिकाको नजरलाई प्रेरित गर्न र बालबालिकाको नजर व्यवहार र अनुहारका विशेषताहरू रेकर्ड गर्न कार्टुन-जस्तै भिडियो छविहरू प्रयोग गरे, र गहिरो सिकाइ मोडेलहरू प्रयोग गरेर असामान्य मोडेलहरूको थप विश्लेषण गरे जसले जन्मजात मोतियाबिन्दु, जन्मजात ptosis र जन्मजात ग्लुकोमा सहित १६ आँखा रोगहरू सफलतापूर्वक पहिचान गर्न सक्यो, जसको औसत स्क्रिनिङ शुद्धता ८५% भन्दा बढी छ। यसले शिशुको दृश्य कार्य कमजोरी र सम्बन्धित आँखा रोगहरूको ठूलो मात्रामा प्रारम्भिक स्क्रिनिङको लागि प्रभावकारी र लोकप्रिय बनाउन सजिलो प्राविधिक माध्यम प्रदान गर्दछ।

वर्षको अन्त्यमा, नेचर मेडिसिनले विश्वभरका १० भन्दा बढी चिकित्सा तथा अनुसन्धान संस्थाहरूद्वारा गरिएको कामको रिपोर्ट गर्‍यो, जसमा सांघाई इन्स्टिच्युट अफ प्यान्क्रियाटिक डिजिज र झेजियाङ विश्वविद्यालयको पहिलो सम्बद्ध अस्पताल समावेश छ। लेखकले शारीरिक परीक्षण केन्द्रहरू, अस्पतालहरू, आदिमा एसिम्प्टोमेटिक व्यक्तिहरूको प्यान्क्रियाटिक क्यान्सर स्क्रिनिङमा एआई लागू गरे, जसले गर्दा नाङ्गो आँखाले मात्र पत्ता लगाउन गाह्रो हुने प्लेन स्क्यान सीटी छविहरूमा घाउका विशेषताहरू पत्ता लगाउन सकियोस्, ताकि प्यान्क्रियाटिक क्यान्सरको कुशल र गैर-आक्रामक प्रारम्भिक पहिचान प्राप्त गर्न सकियोस्। २०,००० भन्दा बढी बिरामीहरूबाट डेटा समीक्षा गर्दा, मोडेलले क्लिनिक रूपमा छुटेका घाउहरूका ३१ केसहरू पनि पहिचान गर्‍यो, जसले क्लिनिकल परिणामहरूमा उल्लेखनीय सुधार ल्यायो।

चिकित्सा डेटाको साझेदारी

२०२३ मा, विश्वभर धेरै उत्तम डेटा साझेदारी संयन्त्रहरू र सफल केसहरू देखा परेका छन्, जसले डेटा गोपनीयता र सुरक्षाको संरक्षणको आधारमा बहु-केन्द्र सहयोग र डेटा खुलापन सुनिश्चित गर्दछ।

पहिलो, एआई प्रविधिको सहयोगमा, एआई अनुसन्धानकर्ताहरूले चिकित्सा डेटाको साझेदारीमा योगदान पुर्‍याएका छन्। संयुक्त राज्य अमेरिकाको रटगर्स विश्वविद्यालयका क्यूई चाङ र अन्यले नेचर कम्युनिकेसनमा एउटा लेख प्रकाशित गरे, जसमा वितरित सिंथेटिक एडभर्सरियल नेटवर्कहरूमा आधारित संघीय सिकाइ फ्रेमवर्क DSL प्रस्ताव गरिएको थियो, जसले बहु-केन्द्रहरूको विशिष्ट उत्पन्न डेटालाई तालिम दिन जेनेरेटिभ एआई प्रयोग गर्दछ, र त्यसपछि बहु-केन्द्रहरूको वास्तविक डेटालाई उत्पन्न डेटाले प्रतिस्थापन गर्दछ। डेटा गोपनीयताको सुरक्षा गर्दै बहु-केन्द्रीय ठूलो डेटामा आधारित एआई प्रशिक्षण सुनिश्चित गर्नुहोस्। सोही टोलीले उत्पन्न रोगजनक छविहरू र तिनीहरूको सम्बन्धित एनोटेसनहरूको डेटासेट पनि खुला-स्रोत गर्दछ। उत्पन्न डेटा सेटमा प्रशिक्षित विभाजन मोडेलले वास्तविक डेटा जस्तै परिणामहरू प्राप्त गर्न सक्छ।

सिंघुआ विश्वविद्यालयका दाई छियोङघाईको टोलीले npj डिजिटल हेल्थमा एउटा पेपर प्रकाशित गर्‍यो, जसमा रिले लर्निङको प्रस्ताव गरिएको थियो, जसले स्थानीय डेटा सार्वभौमिकता र कुनै क्रस-साइट नेटवर्क जडानको आधारमा एआई मोडेलहरूलाई तालिम दिन बहु-साइट ठूलो डेटा प्रयोग गर्दछ। यसले एआई प्रदर्शनको खोजीसँग डेटा सुरक्षा र गोपनीयता सरोकारहरूलाई सन्तुलनमा राख्छ। सोही टोलीले पछि संयुक्त रूपमा ग्वाङ्झाउ मेडिकल युनिभर्सिटीको पहिलो सम्बद्ध अस्पताल र देशभरका २४ अस्पतालहरूसँगको सहकार्यमा संघीय सिकाइमा आधारित छातीको CT प्यान-मिडियास्टिनल ट्युमर निदान प्रणाली CAIMEN विकास र प्रमाणीकरण गर्‍यो। १२ सामान्य मिडियास्टिनल ट्युमरहरूमा लागू गर्न सकिने यो प्रणालीले मानव विशेषज्ञहरूले मात्र प्रयोग गर्दा भन्दा एक्लै प्रयोग गर्दा ४४.९ प्रतिशत राम्रो शुद्धता हासिल गर्‍यो, र मानव विशेषज्ञहरूले सहयोग गर्दा १९ प्रतिशत राम्रो निदान शुद्धता हासिल गर्‍यो।

अर्कोतर्फ, सुरक्षित, विश्वव्यापी, ठूला-ठूला मेडिकल डेटा सेटहरू निर्माण गर्न धेरै पहलहरू भइरहेका छन्। नोभेम्बर २०२३ मा, हार्वर्ड मेडिकल स्कूलको बायोमेडिकल सूचना विज्ञान विभागका अगस्टिना सेन्ज र अन्यले ल्यान्सेट डिजिटल हेल्थमा मेडिकल छवि डेटा साझेदारी गर्ने विश्वव्यापी रूपरेखा अनलाइन प्रकाशित गरे जसलाई आर्टिफिसियल इन्टेलिजेन्स डाटा फर अल हेल्थकेयर (MAIDA) भनिन्छ। तिनीहरू डाटा सङ्कलन र पहिचान हटाउने बारेमा व्यापक मार्गदर्शन प्रदान गर्न विश्वभरका स्वास्थ्य सेवा संस्थाहरूसँग काम गरिरहेका छन्, डाटा साझेदारीलाई मानकीकृत गर्न अमेरिकी संघीय प्रदर्शन साझेदार (FDP) टेम्प्लेट प्रयोग गर्दै। तिनीहरूले विश्वभरका विभिन्न क्षेत्रहरू र क्लिनिकल सेटिङहरूमा सङ्कलन गरिएका डाटा सेटहरू बिस्तारै जारी गर्ने योजना बनाएका छन्। पहिलो डेटासेट २०२४ को सुरुमा जारी हुने अपेक्षा गरिएको छ, साझेदारी विस्तार हुँदै जाँदा थप आउनेछ। यो परियोजना सार्वजनिक रूपमा उपलब्ध एआई डेटाको विश्वव्यापी, ठूलो-स्तरीय र विविध सेट निर्माण गर्ने एउटा महत्त्वपूर्ण प्रयास हो।

प्रस्तावको परिप्रेक्ष्यमा, युके बायोबैंकले एउटा उदाहरण प्रस्तुत गरेको छ। युके बायोबैंकले नोभेम्बर ३० मा आफ्ना ५००,००० सहभागीहरूको सम्पूर्ण जीनोम अनुक्रमणबाट नयाँ डेटा जारी गर्‍यो। ५००,००० ब्रिटिश स्वयंसेवकहरूमध्ये प्रत्येकको पूर्ण जीनोम अनुक्रम प्रकाशित गर्ने डाटाबेस विश्वको सबैभन्दा ठूलो पूर्ण मानव जीनोम डेटाबेस हो। विश्वभरका अनुसन्धानकर्ताहरूले यो पहिचान नभएको डेटामा पहुँचको लागि अनुरोध गर्न सक्छन् र स्वास्थ्य र रोगको आनुवंशिक आधारको अनुसन्धान गर्न यसलाई प्रयोग गर्न सक्छन्। आनुवंशिक डेटा विगतमा प्रमाणीकरणको लागि सधैं अत्यधिक संवेदनशील रहेको छ, र युके बायोबैंकको यो ऐतिहासिक उपलब्धिले प्रमाणित गर्दछ कि खुला, गोपनीयता-मुक्त विश्वव्यापी ठूलो स्तरको डेटाबेस निर्माण गर्न सम्भव छ। यो प्रविधि र डेटाबेसको साथ, चिकित्सा एआई अर्को छलांगमा प्रवेश गर्न बाध्य छ।

मेडिकल एआईको प्रमाणीकरण र मूल्याङ्कन

मेडिकल एआई प्रविधिको द्रुत विकासको तुलनामा, मेडिकल एआईको प्रमाणीकरण र मूल्याङ्कनको विकास अलि ढिलो छ। सामान्य एआई क्षेत्रमा प्रमाणीकरण र मूल्याङ्कनले प्रायः एआईको लागि चिकित्सकहरू र बिरामीहरूको वास्तविक आवश्यकताहरूलाई बेवास्ता गर्दछ। परम्परागत अनियमित नियन्त्रित क्लिनिकल परीक्षणहरू एआई उपकरणहरूको द्रुत पुनरावृत्तिसँग मेल खाने धेरै श्रमसाध्य हुन्छन्। मेडिकल एआई उपकरणहरूको लागि उपयुक्त प्रमाणीकरण र मूल्याङ्कन प्रणालीलाई सकेसम्म चाँडो सुधार गर्नु भनेको मेडिकल एआईलाई साँच्चै क्लिनिकल ल्यान्डिङमा फड्को मार्नको लागि प्रवर्द्धन गर्ने सबैभन्दा महत्त्वपूर्ण कुरा हो।

नेचरमा प्रकाशित मेड-पाएलएम सम्बन्धी गुगलको अनुसन्धान पत्रमा, टोलीले मल्टिमेडक्यूए मूल्याङ्कन बेन्चमार्क पनि प्रकाशित गर्‍यो, जुन ठूला भाषा मोडेलहरूको क्लिनिकल ज्ञान प्राप्त गर्ने क्षमताको मूल्याङ्कन गर्न प्रयोग गरिन्छ। बेन्चमार्कले छवटा अवस्थित व्यावसायिक चिकित्सा प्रश्नोत्तर डेटासेटहरू संयोजन गर्दछ, जसले व्यावसायिक चिकित्सा ज्ञान, अनुसन्धान र अन्य पक्षहरूलाई समेट्छ, साथै अनलाइन खोज चिकित्सा प्रश्न डाटाबेस डेटासेट, डाक्टर-बिरामी अनलाइन प्रश्नोत्तरलाई विचार गर्दै, धेरै पक्षहरूबाट योग्य डाक्टरमा एआईलाई प्रशिक्षित गर्ने प्रयास गर्दछ। थप रूपमा, टोलीले मानव मूल्याङ्कनमा आधारित एक रूपरेखा प्रस्ताव गर्दछ जसले तथ्य, बुझाइ, तर्क, र सम्भावित पूर्वाग्रहका बहु आयामहरूलाई ध्यानमा राख्छ। यो यस वर्ष प्रकाशित स्वास्थ्य सेवामा एआईको मूल्याङ्कन गर्ने सबैभन्दा प्रतिनिधि अनुसन्धान प्रयासहरू मध्ये एक हो।

यद्यपि, के ठूला भाषा मोडेलहरूले उच्च स्तरको एन्कोडिङ क्लिनिकल ज्ञान देखाउँछन् भन्ने तथ्यले ठूला भाषा मोडेलहरू वास्तविक-विश्व क्लिनिकल कार्यहरूको लागि सक्षम छन् भन्ने अर्थ राख्छ? जसरी एक मेडिकल विद्यार्थी जसले उत्तम अंकका साथ व्यावसायिक चिकित्सक परीक्षा उत्तीर्ण गर्छ, त्यो अझै पनि एकल प्रमुख चिकित्सकबाट टाढा हुन्छ, गुगलले प्रस्ताव गरेको मूल्याङ्कन मापदण्ड एआई मोडेलहरूको लागि मेडिकल एआई मूल्याङ्कनको विषयको लागि उत्तम उत्तर नहुन सक्छ। २०२१ र २०२२ को सुरुवातमा, अनुसन्धानकर्ताहरूले डिसिड-एआई, स्पिरिट-एआई, र INTRPRT जस्ता रिपोर्टिङ दिशानिर्देशहरू प्रस्ताव गरेका छन्, जसले क्लिनिकल व्यावहारिकता, सुरक्षा, मानव कारकहरू, र पारदर्शिता/व्याख्यात्मकता जस्ता कारकहरूलाई विचार गर्ने सर्तमा मेडिकल एआईको प्रारम्भिक विकास र प्रमाणीकरणलाई मार्गदर्शन गर्ने आशा राखेका छन्। भर्खरै, द जर्नल नेचर मेडिसिनले अक्सफोर्ड विश्वविद्यालय र स्ट्यानफोर्ड विश्वविद्यालयका अनुसन्धानकर्ताहरूद्वारा "बाह्य प्रमाणीकरण" वा "आवर्ती स्थानीय प्रमाणीकरण" प्रयोग गर्ने कि नगर्ने भन्ने बारेमा एक अध्ययन प्रकाशित गर्‍यो। "एआई उपकरणहरू प्रमाणित गर्न"।

एआई उपकरणहरूको निष्पक्ष प्रकृति पनि एक महत्त्वपूर्ण मूल्याङ्कन दिशा हो जुन यस वर्ष विज्ञान र NEJM दुवै लेखहरूबाट ध्यान आकर्षित गरेको छ। एआईले प्रायः पूर्वाग्रह प्रदर्शन गर्दछ किनभने यो प्रशिक्षण डेटामा सीमित छ। यो पूर्वाग्रहले सामाजिक असमानतालाई प्रतिबिम्बित गर्न सक्छ, जुन थप एल्गोरिथमिक भेदभावमा विकसित हुन्छ। राष्ट्रिय स्वास्थ्य संस्थानले हालै Bridge2AI पहल सुरु गरेको छ, जसको लागत $१३० मिलियन अनुमान गरिएको छ, जसले विभिन्न डेटासेटहरू (माथि उल्लेख गरिएको MAIDA पहलको लक्ष्यहरू अनुरूप) निर्माण गर्न प्रयोग गर्न सकिन्छ जुन चिकित्सा AI उपकरणहरूको निष्पक्षता प्रमाणित गर्न प्रयोग गर्न सकिन्छ। यी पक्षहरूलाई MultiMedQA द्वारा विचार गरिएको छैन। चिकित्सा AI मोडेलहरू कसरी मापन र प्रमाणित गर्ने भन्ने प्रश्नमा अझै पनि व्यापक र गहन छलफल आवश्यक छ।

जनवरीमा, नेचर मेडिसिनले टेक्सास विश्वविद्यालयका एमडी एन्डरसन क्यान्सर सेन्टरका विवेक सुब्बियाहबाट "द नेक्स्ट जेनेरेसन अफ एभिडेन्स-बेस्ड मेडिसिन" नामक एक राय लेख प्रकाशित गर्‍यो, जसमा कोभिड-१९ महामारीको सन्दर्भमा खुलासा गरिएका क्लिनिकल परीक्षणहरूको सीमितताहरूको समीक्षा गरिएको थियो र नवप्रवर्तन र क्लिनिकल अनुसन्धान प्रक्रियाको पालना बीचको विरोधाभास औंल्याइएको थियो। अन्तमा, यसले क्लिनिकल परीक्षणहरूको पुनर्संरचनाको भविष्यलाई औंल्याउँछ - कृत्रिम बुद्धिमत्ता प्रयोग गरेर क्लिनिकल परीक्षणहरूको अर्को पुस्ता, अर्थात्, प्रमुख प्रमाणहरू फेला पार्न ठूलो संख्यामा ऐतिहासिक अनुसन्धान डेटा, वास्तविक संसार डेटा, बहु-मोडल क्लिनिकल डेटा, पहिरनयोग्य उपकरण डेटाबाट कृत्रिम बुद्धिमत्ताको प्रयोग। के यसको मतलब एआई प्रविधि र एआई क्लिनिकल प्रमाणीकरण प्रक्रियाहरू भविष्यमा पारस्परिक रूपमा सुदृढ र सह-विकसित हुन सक्छन्? यो २०२३ को खुला र सोच्न उत्तेजक प्रश्न हो।

मेडिकल एआईको नियमन

एआई प्रविधिको विकासले एआईको नियमनमा पनि चुनौतीहरू खडा गर्छ, र विश्वभरका नीति निर्माताहरूले सावधानीपूर्वक र सावधानीपूर्वक प्रतिक्रिया दिइरहेका छन्। २०१९ मा, FDA ले पहिलो पटक कृत्रिम बुद्धिमत्ता चिकित्सा उपकरणहरूमा सफ्टवेयर परिवर्तनहरूको लागि प्रस्तावित नियामक रूपरेखा (छलफल मस्यौदा) प्रकाशित गर्‍यो, जसमा एआई र मेसिन लर्निङ-संचालित सफ्टवेयर परिमार्जनहरूको प्रिमार्केट समीक्षाको लागि यसको सम्भावित दृष्टिकोणको विवरण दिइएको थियो। २०२१ मा, FDA ले "आर्टिफिशियल इन्टेलिजेन्स/मेसिन लर्निङ-आधारित सफ्टवेयरलाई मेडिकल उपकरण कार्य योजनाको रूपमा" प्रस्ताव गर्‍यो, जसले पाँच विशिष्ट एआई मेडिकल नियामक उपायहरू स्पष्ट पारेको थियो। यस वर्ष, FDA ले मेसिन लर्निङ विधिहरू मार्फत प्रशिक्षित मेसिन लर्निङ मोडेलहरू प्रयोग गर्ने केही सफ्टवेयर उपकरण सुविधाहरू सहित, उपकरण सफ्टवेयर सुविधाहरूको सुरक्षा र प्रभावकारिताको FDA को मूल्याङ्कनको लागि प्रिमार्केट सबमिशन सिफारिसहरूको बारेमा जानकारी प्रदान गर्न उपकरण सफ्टवेयर सुविधाहरूको लागि प्रिमार्केट सबमिशन पुन: जारी गर्‍यो। FDA को नियामक नीति प्रारम्भिक प्रस्तावबाट व्यावहारिक मार्गदर्शनमा विकसित भएको छ।

गत वर्ष जुलाईमा युरोपेली स्वास्थ्य डेटा स्पेसको प्रकाशन पछि, EU ले फेरि एक पटक कृत्रिम बुद्धिमत्ता ऐन लागू गरेको छ। पहिलोको उद्देश्य उच्च-गुणस्तरको स्वास्थ्य सेवा प्रदान गर्न, असमानताहरू कम गर्न, र रोकथाम, निदान, उपचार, वैज्ञानिक नवप्रवर्तन, निर्णय लिने र कानूनको लागि डेटा समर्थन गर्न स्वास्थ्य डेटाको उत्तम प्रयोग गर्नु हो, जबकि EU नागरिकहरूको व्यक्तिगत स्वास्थ्य डेटामा बढी नियन्त्रण छ भनी सुनिश्चित गर्नु हो। पछिल्लोले यो स्पष्ट पार्छ कि चिकित्सा निदान प्रणाली एक उच्च-जोखिम एआई प्रणाली हो, र यसले लक्षित बलियो पर्यवेक्षण, सम्पूर्ण-जीवन चक्र पर्यवेक्षण र पूर्व-मूल्याङ्कन पर्यवेक्षण अपनाउन आवश्यक छ। युरोपेली औषधि एजेन्सी (EMA) ले औषधि विकास, नियमन र प्रयोगलाई समर्थन गर्न AI को प्रयोगमा एक मस्यौदा प्रतिबिम्ब पत्र प्रकाशित गरेको छ, बिरामी सुरक्षा र क्लिनिकल अनुसन्धान परिणामहरूको अखण्डता सुनिश्चित गर्न AI को विश्वसनीयता सुधार गर्न जोड दिँदै। समग्रमा, EU को नियामक दृष्टिकोण बिस्तारै आकार लिइरहेको छ, र अन्तिम कार्यान्वयन विवरणहरू थप विस्तृत र कडा हुन सक्छन्। EU को कडा नियमनको विपरीत, बेलायतको AI नियामक खाकाले स्पष्ट पार्छ कि सरकारले नरम दृष्टिकोण अपनाउने र अहिलेको लागि नयाँ विधेयकहरू लागू नगर्ने वा नयाँ नियामकहरू स्थापना नगर्ने योजना बनाएको छ।

चीनमा, राष्ट्रिय चिकित्सा उत्पादन प्रशासनको मेडिकल उपकरण प्राविधिक समीक्षा केन्द्र (NMPA) ले पहिले नै "गहिरो सिकाइ सहयोगी निर्णय सफ्टवेयरको समीक्षा बिन्दु", "कृत्रिम बुद्धिमत्ता चिकित्सा उपकरणहरूको दर्ता समीक्षाको लागि मार्गदर्शक सिद्धान्तहरू (टिप्पणीको लागि मस्यौदा)" र "कृत्रिम बुद्धिमत्ता चिकित्सा सफ्टवेयर उत्पादनहरूको वर्गीकरण र परिभाषाको लागि मार्गदर्शक सिद्धान्तहरूमा परिपत्र (२०२१ मा नम्बर ४७)" जस्ता कागजातहरू जारी गरिसकेको छ। यस वर्ष, "२०२३ मा पहिलो चिकित्सा उपकरण उत्पादन वर्गीकरण परिणामहरूको सारांश" फेरि जारी गरियो। कागजातहरूको यो श्रृंखलाले कृत्रिम बुद्धिमत्ता चिकित्सा सफ्टवेयर उत्पादनहरूको परिभाषा, वर्गीकरण र नियमनलाई स्पष्ट र सञ्चालन गर्न सजिलो बनाउँछ, र उद्योगमा विभिन्न उद्यमहरूको उत्पादन स्थिति र दर्ता रणनीतिहरूको लागि स्पष्ट मार्गदर्शन प्रदान गर्दछ। यी कागजातहरूले एआई चिकित्सा उपकरणहरूको वैज्ञानिक नियमनको लागि रूपरेखा र व्यवस्थापन निर्णयहरू प्रदान गर्दछ। डिसेम्बर २१ देखि २३ सम्म हांग्जाउमा आयोजित चाइना मेडिकल आर्टिफिसियल इन्टेलिजेन्स सम्मेलनको एजेन्डाले डिजिटल मेडिकल गभर्नेन्स र सार्वजनिक अस्पतालहरूको उच्च-गुणस्तर विकास र कृत्रिम बुद्धिमत्ता चिकित्सा उपकरण परीक्षण र मूल्याङ्कन प्रविधि मानकीकरण उद्योग विकास फोरममा एक विशेष फोरम स्थापना गर्ने अपेक्षा गरिएको छ। त्यस समयमा, राष्ट्रिय विकास र सुधार आयोग र NMPA का अधिकारीहरूले बैठकमा भाग लिनेछन् र नयाँ जानकारी जारी गर्न सक्छन्।

निष्कर्ष

२०२३ मा, मेडिकल एआईले सम्पूर्ण मेडिकल अपस्ट्रीम र डाउनस्ट्रीम प्रक्रियामा एकीकृत हुन थालेको छ, जसमा अस्पतालको डेटा सङ्कलन, फ्युजन, विश्लेषण, निदान र उपचार, र सामुदायिक स्क्रिनिङ समावेश छ, र चिकित्सा/रोग नियन्त्रण कार्यकर्ताहरूसँग जैविक रूपमा सहकार्य गर्दै, मानव स्वास्थ्यमा कल्याण ल्याउने सम्भावना देखाइएको छ। प्रयोगयोग्य मेडिकल एआई अनुसन्धान सुरु हुन थालेको छ। भविष्यमा, मेडिकल एआईको प्रगति प्राविधिक विकासमा मात्र निर्भर गर्दैन, तर उद्योग, विश्वविद्यालय र मेडिकल अनुसन्धानको पूर्ण सहयोग र नीति निर्माता र नियामकहरूको समर्थन पनि आवश्यक छ। यो क्रस-डोमेन सहकार्य एआई-एकीकृत चिकित्सा सेवाहरू प्राप्त गर्ने कुञ्जी हो, र निश्चित रूपमा मानव स्वास्थ्यको विकासलाई प्रवर्द्धन गर्नेछ।