warta

Wiwit IBM Watson diwiwiti ing taun 2007, manungsa terus-terusan ngupayakake pangembangan intelijen buatan medis (AI). Sistem AI medis sing bisa digunakake lan kuat duweni potensi gedhe kanggo mbentuk maneh kabeh aspek obat modern, mbisakake perawatan sing luwih cerdas, akurat, efisien, lan inklusif, nggawa kesejahteraan kanggo para pekerja medis lan pasien, lan kanthi mangkono ningkatake kesehatan manungsa. Ing 16 taun kepungkur, sanajan peneliti AI medis wis nglumpukake ing macem-macem lapangan cilik, ing tahap iki, dheweke durung bisa nggawa fiksi ilmiah dadi kasunyatan.

Taun iki, kanthi pangembangan revolusioner teknologi AI kayata ChatGPT, AI medis wis nggawe kemajuan gedhe ing pirang-pirang aspek. Terobosan sing durung ana sadurunge ing kemampuan AI medis: Jurnal alam terus-terusan ngluncurake riset model basa gedhe medis lan model dhasar gambar medis; Google ngeculake Med-PaLM lan peneruse, tekan tingkat pakar ing pitakonan ujian Praktisi medis AS. Jurnal akademik utama bakal fokus ing AI medis: Nature ngeculake wawasan babagan model dhasar AI medis umum; Sawise seri review AI ing Kedokteran awal taun iki, New England Journal of Medicine (NEJM) nerbitake review kesehatan digital pisanan ing November 30, lan dibukak Jeksa Agung bisa ngetokake pisanan NEJM sub-jurnal NEJM AI ing Desember 12. Medical AI landing lemah luwih diwasa: JAMA sub-journal nerbitake inisiatif enggo bareng data gambar medis global; US Food and Drug Administration (FDA) ngembangake draf pedoman kanggo regulasi AI medis.

Ing ngisor iki, kita mriksa kemajuan penting sing ditindakake para peneliti ing saindenging jagad babagan arah AI medis sing bisa digunakake ing taun 2023.

Model Dasar AI Medis

Pambangunan model dhasar AI medis mesthi dadi fokus riset paling panas ing taun iki. Jurnal Alam wis nerbitake artikel review babagan model Universal Basic kanggo kesehatan lan model basa gedhe babagan kesehatan sajrone taun. Analisis Gambar Medis, jurnal paling dhuwur ing industri, nliti lan ngarepake tantangan lan kesempatan riset model dhasar ing analisis gambar medis, lan ngusulake konsep "pedigree model dhasar" kanggo ngringkes lan nuntun pangembangan riset model dhasar medis AI. Masa depan model AI dhasar kanggo perawatan kesehatan dadi luwih jelas. Nganggo conto sukses model basa gedhe kayata ChatGPT, nggunakake metode pra-latihan mandiri sing luwih maju lan akumulasi data latihan sing akeh, peneliti ing bidang AI medis nyoba mbangun 1) model basis khusus penyakit, 2) model basis umum, lan 3) model gedhe multimodal sing nggabungake macem-macem parameter lan mode unggul sing akeh banget.

Model AI Akuisisi Data Medis

Saliyane model AI gedhe sing nduweni peran gedhe ing tugas analisis data klinis hilir, ing akuisisi data klinis hulu, teknologi sing diwakili dening model AI generatif uga wis muncul. Proses, kacepetan, lan kualitas akuisisi data bisa ditingkatake kanthi signifikan dening algoritma AI.

Awal taun iki, Nature Biomedical Engineering nerbitake studi saka Universitas Selat Turki sing fokus ing nggunakake AI generatif kanggo ngatasi masalah diagnosis dibantu gambar patologis ing aplikasi klinis. Artefak ing jaringan bagean beku sajrone operasi minangka alangan kanggo evaluasi diagnostik kanthi cepet. Sanajan jaringan formalin lan paraffin embedded (FFPE) nyedhiyakake sampel kanthi kualitas sing luwih dhuwur, proses produksie mbutuhake wektu lan asring mbutuhake 12-48 jam, saengga ora bisa digunakake ing operasi. Mulane, tim riset ngusulake algoritma sing diarani AI-FFPE, sing bisa nggawe tampilan jaringan ing bagean beku padha karo FFPE. Algoritma kasil mbenerake artefak saka bagean beku, nambah kualitas gambar, lan nahan fitur klinis sing relevan ing wektu sing padha. Ing validasi klinis, algoritma AI-FFPE kanthi signifikan nambah akurasi diagnostik para ahli patologi kanggo subtipe tumor, nalika nyepetake wektu diagnosis klinis.

Kedokteran Laporan Sel nglaporake karya riset dening tim saka College Clinical Ketiga Universitas Jilin, Departemen Radiologi, Rumah Sakit Zhongshan Berafiliasi karo Universitas Fudan, lan Universitas Ilmu lan Teknologi Shanghai [25]. Panaliten iki ngusulake kerangka kerja fusi rekonstruksi lan rekonstruksi kanthi tujuan umum (Hybrid DL-IR) kanthi fleksibilitas lan keluwesan sing dhuwur, nuduhake kinerja rekonstruksi gambar sing apik banget ing MRI cepet, CT dosis rendah, lan PET cepet. Algoritma bisa entuk MR Single-organ multi-urutan mindhai ing 100 detik, ngurangi dosis radiation kanggo mung 10% saka gambar CT, lan ngilangke gangguan, lan bisa reconstruct lesi cilik saka PET disualekno karo 2 kanggo 4 kaping akselerasi, nalika ngurangi efek saka artefak gerakan.

AI Medis ing Kolaborasi karo Pekerja Medis

Perkembangan AI medis kanthi cepet uga nyebabake para profesional medis nimbang lan njelajah kanthi serius babagan cara kolaborasi karo AI kanggo nambah proses klinis. Ing wulan Juli taun iki, DeepMind lan tim riset multi-institusi bebarengan ngusulake sistem AI sing diarani Complementary Driven Clinical Workflow Delay (CoDoC). Proses diagnostik pisanan didiagnosis dening sistem AI prediktif, banjur diadili dening sistem AI liyane ing asil sadurunge, lan yen ana mangu, diagnosis pungkasanipun digawe dening dokter kanggo nambah akurasi diagnostik lan efisiensi imbangan. Nalika nerangake screening kanker payudara, CoDoC nyuda tingkat positif palsu kanthi 25% kanthi tingkat negatif palsu sing padha, nalika nyuda beban kerja dokter nganti 66%, dibandhingake karo proses "arbitrase pindho diwaca" saiki ing Inggris. Ing babagan klasifikasi TB, tingkat positif palsu dikurangi 5 nganti 15 persen kanthi tingkat negatif palsu sing padha dibandhingake AI independen lan alur kerja klinis.

Kajaba iku, Annie Y. Ng et al., saka Kheiron Company ing London, Inggris, ngenalake pamaca AI tambahan (bekerjasama karo pemeriksa manungsa) kanggo mriksa maneh asil nalika ora ana asil recall ing proses arbitrase sing diwaca kaping pindho, sing ningkatake masalah deteksi sing ora kejawab ing screening kanker payudara awal, lan proses kasebut meh ora ana positip palsu. Panaliten liyane, sing dipimpin dening tim ing Sekolah Kedokteran Universitas Texas McGovern lan rampung ing papat pusat stroke, nggunakake teknologi AI berbasis computed tomography angiography (CTA) kanggo ngotomatisasi deteksi stroke iskemik occlusive vaskular gedhe (LVO). Dokter lan ahli radiologi nampa tandha wektu nyata ing ponsel ing sawetara menit sawise pencitraan CT rampung, menehi kabar babagan kemungkinan LVO. Proses AI iki nambah alur kerja ing rumah sakit kanggo stroke iskemik akut, nyuda wektu lawang-kanggo-pangkal paha saka diakoni kanggo perawatan lan menehi kesempatan kanggo sukses nylametake. Temuan kasebut diterbitake ing JAMA Neurology.

Model Perawatan Kesehatan AI kanggo Manfaat Universal

2023 uga bakal weruh akeh karya apik sing nggunakake AI medis kanggo nemokake fitur sing ora katon ing mripat manungsa saka data sing luwih kasedhiya, mbisakake diagnosis universal lan screening awal ing skala. Ing awal taun, Nature Medicine nerbitake studi sing ditindakake dening Pusat Mata Zhongshan Universitas Sun Yat-sen lan Rumah Sakit Afiliasi Kapindho Universitas Kedokteran Fujian. Nggunakake smartphone minangka terminal aplikasi, padha nggunakake gambar video sing kaya kartun kanggo narik kawigaten bocah-bocah lan ngrekam prilaku lan fitur rai bocah-bocah, lan nganalisa model sing ora normal kanthi nggunakake model pembelajaran jero kanggo sukses ngenali 16 penyakit mata, kalebu katarak kongenital, ptosis kongenital lan glaukoma kongenital, kanthi akurasi screening rata-rata luwih saka 85%. Iki nyedhiyakake sarana teknis sing efektif lan gampang populer kanggo screening awal skala gedhe saka gangguan fungsi visual bayi lan penyakit mata sing gegandhengan.

Ing pungkasan taun, Nature Medicine nglaporake karya sing ditindakake luwih saka 10 institusi medis lan riset ing saindenging jagad, kalebu Institut Penyakit Pankreas Shanghai lan Rumah Sakit Afiliasi Pertama Universitas Zhejiang. Penulis nggunakake AI kanggo screening kanker pankreas wong asimtomatik ing pusat pemeriksaan fisik, rumah sakit, lan liya-liyane, kanggo ndeteksi fitur lesi ing gambar CT scan polos sing angel dideteksi kanthi mripat langsung, supaya bisa entuk deteksi awal kanker pankreas sing efisien lan non-invasif. Ing mriksa data saka luwih saka 20.000 pasien, model kasebut uga nemtokake 31 kasus lesi sing ora kejawab sacara klinis, sing ningkatake asil klinis kanthi signifikan.

Nuduhake Data Medis

Ing taun 2023, akeh mekanisme enggo bareng data sing luwih sampurna lan kasus sukses sing muncul ing saindenging jagad, njamin kerjasama multi-pusat lan keterbukaan data miturut premis nglindhungi privasi lan keamanan data.

Kaping pisanan, kanthi bantuan teknologi AI dhewe, peneliti AI wis nyumbang kanggo nuduhake data medis. Qi Chang lan liya-liyane saka Universitas Rutgers ing Amerika Serikat nerbitake artikel ing Nature Communications, ngusulake kerangka belajar federal DSL adhedhasar jaringan adversarial sintetik sing disebarake, sing nggunakake AI generatif kanggo nglatih data sing digawe khusus saka multi-pusat, banjur ngganti data nyata multi-pusat karo data sing digawe. Priksa manawa latihan AI adhedhasar data gedhe multisenter nalika nglindhungi privasi data. Tim sing padha uga mbukak sumber data saka gambar patologis sing digawe lan anotasi sing cocog. Model segmentasi sing dilatih ing set data sing digawe bisa entuk asil sing padha karo data nyata.

Tim Dai Qionghai saka Universitas Tsinghua nerbitake makalah babagan npj Digital Health, ngusulake Relay Learning, sing nggunakake data gedhe multi-situs kanggo nglatih model AI miturut premis kedaulatan data lokal lan ora ana sambungan jaringan lintas-situs. Iku ngimbangi keamanan data lan masalah privasi karo nguber kinerja AI. Tim sing padha banjur bebarengan ngembangake lan ngvalidasi CAIMEN, sistem diagnosis tumor pan-mediastinal CT dada adhedhasar sinau federal, kanthi kolaborasi karo Rumah Sakit Afiliasi Pertama ing Universitas Kedokteran Guangzhou lan 24 rumah sakit ing saindenging negara. Sistem kasebut, sing bisa ditrapake kanggo 12 tumor mediastinum umum, entuk akurasi 44,9 persen sing luwih apik nalika digunakake dhewe tinimbang nalika digunakake dening para ahli manungsa piyambak, lan 19 persen akurasi diagnosis sing luwih apik nalika ahli manungsa dibantu.

Ing sisih liya, sawetara inisiatif ditindakake kanggo mbangun set data medis sing aman, global, lan skala gedhe. Ing November 2023, Agustina Saenz lan liyane saka Departemen Informatika Biomedis ing Harvard Medical School nerbitake online ing Lancet Digital Health kerangka global kanggo nuduhake data gambar medis sing diarani Artificial Intelligence Data for All Healthcare (MAIDA). Dheweke nggarap organisasi kesehatan ing saindenging jagad kanggo menehi pandhuan lengkap babagan pengumpulan data lan de-identifikasi, nggunakake cithakan Mitra Demonstrasi Federal (FDP) AS kanggo nggawe standarisasi enggo bareng data. Dheweke rencana bakal ngeculake set data sing diklumpukake ing macem-macem wilayah lan Setelan klinis ing saindenging jagad. Dataset pisanan samesthine bakal dirilis ing awal 2024, kanthi luwih akeh sing bakal teka nalika kemitraan berkembang. Proyèk iki minangka upaya penting kanggo mbangun data AI global, skala gedhe lan macem-macem data AI sing kasedhiya kanggo umum.

Sawise proposal kasebut, UK Biobank wis menehi conto. UK Biobank ngrilis data anyar tanggal 30 November saka kabeh urutan genom saka 500.000 peserta. Database kasebut, sing nerbitake urutan genom lengkap saben 500.000 sukarelawan Inggris, minangka database genom manungsa lengkap paling gedhe ing donya. Peneliti ing saindenging jagad bisa njaluk akses menyang data sing ora dingerteni iki lan digunakake kanggo nyelidiki basis genetik kesehatan lan penyakit. Data genetik tansah sensitif banget kanggo verifikasi ing jaman kepungkur, lan prestasi bersejarah UK Biobank iki mbuktekake manawa bisa mbangun database skala gedhe global sing mbukak lan bebas privasi. Kanthi teknologi lan basis data iki, AI medis mesthi bakal miwiti lompatan sabanjure.

Verifikasi lan Evaluasi AI Medis

Dibandhingake karo perkembangan teknologi AI medis kanthi cepet, pangembangan verifikasi lan evaluasi AI medis rada alon. Validasi lan evaluasi ing lapangan AI umum asring nglirwakake syarat nyata saka dokter lan pasien kanggo AI. Uji klinis sing dikontrol kanthi acak tradisional banget angel kanggo cocog karo pengulangan alat AI kanthi cepet. Ngapikake sistem verifikasi lan evaluasi sing pas kanggo alat AI medis minangka sing paling penting kanggo ningkatake AI medis supaya bisa nggedhekake riset lan pangembangan kanthi bener menyang pendaratan klinis.

Ing makalah riset Google babagan Med-PaLM, diterbitake ing Nature, tim kasebut uga nerbitake benchmark evaluasi MultiMedQA, sing digunakake kanggo netepake kemampuan model basa gedhe kanggo entuk kawruh klinis. Patokan kasebut nggabungake enem set data Q&A medis profesional sing wis ana, kalebu kawruh medis profesional, riset lan aspek liyane, uga dataset database pitakonan medis telusuran online, ngelingi Q&A online dokter-pasien, nyoba nglatih AI dadi dokter sing mumpuni saka akeh aspek. Kajaba iku, tim kasebut ngusulake kerangka adhedhasar penilaian manungsa sing njupuk sawetara dimensi kasunyatan, pangerten, pertimbangan, lan bias sing bisa ditindakake. Iki minangka salah sawijining upaya riset paling representatif kanggo ngevaluasi AI ing perawatan kesehatan sing diterbitake taun iki.

Nanging, kasunyatan manawa model basa gedhe nuduhake kawruh klinis enkoding tingkat dhuwur tegese model basa gedhe kompeten kanggo tugas klinis ing donya nyata? Kayadene mahasiswa kedokteran sing lulus ujian dokter profesional kanthi skor sampurna isih adoh saka dokter kepala solo, kritéria evaluasi sing diusulake Google bisa uga ora dadi jawaban sing sampurna kanggo topik evaluasi AI medis kanggo model AI. Wiwit taun 2021 lan 2022, peneliti wis ngusulake pedoman nglaporake kayata Decid-AI, SPIRIT-AI, lan INTRPRT, ngarep-arep bisa nuntun pangembangan awal lan validasi AI medis kanthi nimbang faktor kayata praktis klinis, safety, faktor manungsa, lan transparansi / interpretasi. Mung bubar, Jurnal Kedokteran Alam nerbitake panaliten dening peneliti saka Universitas Oxford lan Universitas Stanford babagan apa nggunakake "validasi eksternal" utawa "validasi lokal berulang. "Kanggo ngesyahke alat AI.

Sifat alat AI sing ora bias uga minangka arah evaluasi penting sing entuk perhatian ing taun iki saka artikel Science lan NEJM. AI asring nuduhake bias amarga diwatesi kanggo data latihan. Bias iki bisa uga nggambarake ketimpangan sosial, sing luwih berkembang dadi diskriminasi algoritma. Institut Kesehatan Nasional bubar ngluncurake inisiatif Bridge2AI, kira-kira regane $ 130 yuta, kanggo mbangun macem-macem set data (selaras karo tujuan inisiatif MAIDA sing kasebut ing ndhuwur) sing bisa digunakake kanggo validasi alat AI medis sing ora biasa. Aspek kasebut ora dianggep dening MultiMedQA. Pitakonan babagan carane ngukur lan validasi model AI medis isih mbutuhake diskusi sing ekstensif lan jero.

Ing wulan Januari, Nature Medicine nerbitake potongan pendapat sing diarani "The Next Generation of Evidence-Based Medicine" saka Vivek Subbiah saka Pusat Kanker MD Anderson Universitas Texas, nyemak watesan uji klinis sing kapapar ing konteks pandemi COVID-19 lan nuduhake kontradiksi antarane inovasi lan ketaatan proses riset klinis. Pungkasan, nuduhake masa depan uji coba klinis restrukturisasi - uji klinis generasi sabanjure nggunakake intelijen buatan, yaiku, panggunaan intelijen buatan saka akeh data riset sejarah, data donya nyata, data klinis multi-modal, data piranti sing bisa dipakai kanggo nemokake bukti kunci. Apa iki tegese teknologi AI lan proses validasi klinis AI bisa uga saling nguatake lan berkembang bebarengan ing mangsa ngarep? Iki minangka pitakonan sing mbukak lan mikir babagan 2023.

Peraturan AI Medis

Kemajuan teknologi AI uga ndadekake tantangan marang regulasi AI, lan para pembuat kebijakan ing saindenging jagad nanggapi kanthi ati-ati lan ati-ati. Ing taun 2019, FDA pisanan nerbitake Kerangka Regulasi sing Diusulake kanggo Owah-owahan Piranti Lunak menyang Piranti Medis Kecerdasan Buatan (Draf Diskusi), kanthi rinci babagan pendekatan potensial kanggo review premarket babagan AI lan modifikasi piranti lunak sing didorong pembelajaran mesin. Ing 2021, FDA ngusulake "Perangkat Lunak Berbasis Kecerdasan Buatan/Mesin minangka Rencana Tindakan Piranti Medis", sing njlentrehake limang langkah regulasi medis AI khusus. Taun iki, FDA nerbitake maneh Submission Premarket kanggo Fitur Piranti Lunak kanggo menehi informasi babagan rekomendasi pengajuan prapasar kanggo evaluasi FDA babagan safety lan efektifitas fitur piranti lunak, kalebu sawetara fitur piranti lunak sing nggunakake model pembelajaran mesin sing dilatih liwat metode pembelajaran mesin. Kabijakan peraturan FDA wis berkembang saka proposal awal nganti tuntunan praktis.

Sawise publikasi Ruang Data Kesehatan Eropa ing wulan Juli taun kepungkur, Uni Eropa maneh ngetrapake Undhang-undhang Kecerdasan Buatan. Tilas tujuane nggunakake data kesehatan sing paling apik kanggo nyedhiyakake perawatan kesehatan sing bermutu, nyuda ketimpangan, lan ndhukung data kanggo pencegahan, diagnosis, perawatan, inovasi ilmiah, pengambilan keputusan lan undang-undang, nalika mesthekake yen warga EU duwe kontrol sing luwih gedhe babagan data kesehatan pribadine. Sing terakhir nerangake manawa sistem diagnosis medis minangka sistem AI sing berisiko tinggi, lan kudu ngetrapake pengawasan sing kuat, pengawasan siklus urip lan pengawasan pra-evaluasi. Badan Obat Eropa (EMA) nerbitake Draft Reflection Paper babagan panggunaan AI kanggo ndhukung pangembangan, regulasi lan panggunaan obat, kanthi penekanan kanggo ningkatake kredibilitas AI kanggo njamin safety pasien lan integritas asil riset klinis. Sakabèhé, pendekatan regulasi EU mboko sithik, lan rincian implementasi pungkasan bisa uga luwih rinci lan ketat. Beda banget karo peraturan EU sing ketat, cithak biru peraturan AI ing Inggris nerangake manawa pamrentah ngrancang njupuk pendekatan sing lembut lan ora nggawe tagihan anyar utawa nyetel regulator anyar saiki.

Ing China, Pusat Tinjauan Teknis Piranti Medis (NMPA) saka Administrasi Produk Kedokteran Nasional sadurunge wis ngetokake dokumen kayata "Tinjauan Poin saka Perangkat Lunak Keputusan Dibantu Pembelajaran Deep", "Prinsip Panuntun kanggo Review Registrasi Piranti Medis Kecerdasan Buatan (Draft kanggo Komentar)" lan "Edaran babagan Prinsip Panuntun kanggo Klasifikasi lan Definisi Piranti Lunak Medis 4". Taun iki, "Ringkesan asil klasifikasi produk piranti medis pisanan ing taun 2023" dirilis maneh. Seri dokumen iki ndadekake definisi, klasifikasi lan regulasi produk piranti lunak medis intelijen buatan luwih jelas lan luwih gampang dioperasikake, lan menehi pandhuan sing jelas babagan posisi produk lan strategi registrasi saka macem-macem perusahaan ing industri. Dokumen kasebut nyedhiyakake kerangka kerja AI lan keputusan manajemen kanggo piranti medis sing diterusake dening China. Konferensi Kecerdasan Buatan sing dianakake ing Hangzhou wiwit tanggal 21 nganti 23 Desember nyiyapake forum khusus babagan pamrentahan medis digital lan pangembangan rumah sakit umum lan pangujian piranti medis intelijen buatan lan forum pangembangan standarisasi teknologi evaluasi Ing wektu kasebut, pejabat saka Komisi Pembangunan lan Reformasi Nasional lan NMPA bakal rawuh ing rapat kasebut lan bisa uga ngeculake informasi anyar.

Kesimpulan

Ing taun 2023, AI medis wis wiwit nggabungake kabeh proses hulu lan hilir medis, nyakup pangumpulan data rumah sakit, fusi, analisis, diagnosis lan perawatan, lan screening komunitas, lan kolaborasi sacara organik karo para pekerja medis/penyakit, nuduhake potensial kanggo nggawa kesejahteraan kanggo kesehatan manungsa. Riset AI medis sing bisa digunakake wiwit esuke. Ing mangsa ngarep, kemajuan AI medis ora mung gumantung marang pangembangan teknologi dhewe, nanging uga mbutuhake kerjasama lengkap industri, universitas lan riset medis lan dhukungan saka pembuat kebijakan lan regulator. Kolaborasi lintas domain iki minangka kunci kanggo nggayuh layanan medis sing terintegrasi AI, lan mesthi bakal ningkatake pangembangan kesehatan manungsa.