පුවත්

2007 දී IBM වොට්සන් ආරම්භ කළ දා සිට, මිනිසුන් වෛද්‍ය කෘත්‍රිම බුද්ධිය (AI) සංවර්ධනය අඛණ්ඩව හඹා යමින් සිටිති. භාවිතා කළ හැකි සහ බලවත් වෛද්‍ය AI පද්ධතියකට නවීන වෛද්‍ය විද්‍යාවේ සියලුම අංශ නැවත හැඩගැස්වීමට දැවැන්ත විභවයක් ඇති අතර, එමඟින් බුද්ධිමත්, වඩාත් නිවැරදි, කාර්යක්ෂම සහ ඇතුළත් සත්කාර සක්‍රීය කිරීමට, වෛද්‍ය සේවකයින්ට සහ රෝගීන්ට යහපැවැත්ම ගෙන ඒමට සහ එමඟින් මිනිස් සෞඛ්‍යය බෙහෙවින් වැඩිදියුණු කිරීමට හැකි වේ. පසුගිය වසර 16 තුළ, වෛද්‍ය AI පර්යේෂකයන් විවිධ කුඩා ක්ෂේත්‍රවල රැස් වී සිටියද, මෙම අදියරේදී, ඔවුන්ට තවමත් විද්‍යා ප්‍රබන්ධ යථාර්ථයට ගෙන ඒමට නොහැකි වී තිබේ.

මෙම වසරේ, ChatGPT වැනි AI තාක්ෂණයේ විප්ලවීය සංවර්ධනයත් සමඟ, වෛද්‍ය AI බොහෝ අංශවලින් විශාල ප්‍රගතියක් ලබා ඇත. වෛද්‍ය AI හි හැකියාවේ පෙර නොවූ විරූ ඉදිරි ගමනක්: නේචර් ජර්නලය වෛද්‍ය විශාල භාෂා ආකෘතිය සහ වෛද්‍ය රූප මූලික ආකෘතිය පිළිබඳ පර්යේෂණ අඛණ්ඩව දියත් කර ඇත; ගූගල් විසින් මෙඩ්-පාම් සහ එහි අනුප්‍රාප්තිකයා නිකුත් කරන අතර, එක්සත් ජනපද වෛද්‍ය ප්‍රායෝගික විභාග ප්‍රශ්නවල විශේෂඥ මට්ටමකට ළඟා වේ. ප්‍රධාන අධ්‍යයන සඟරා වෛද්‍ය AI කෙරෙහි අවධානය යොමු කරනු ඇත: නේචර් සාමාන්‍ය වෛද්‍ය AI හි මූලික ආකෘතිය පිළිබඳ දැක්ම නිකුත් කරයි; මෙම වසර මුලදී වෛද්‍ය විද්‍යාවේ AI පිළිබඳ සමාලෝචන මාලාවකින් පසුව, නිව් එංගලන්ත වෛද්‍ය සඟරාව (NEJM) නොවැම්බර් 30 වන දින එහි පළමු ඩිජිටල් සෞඛ්‍ය සමාලෝචනය ප්‍රකාශයට පත් කළ අතර දෙසැම්බර් 12 වන දින NEJM උප සඟරාවේ NEJM AI හි පළමු කලාපය දියත් කළේය. වෛද්‍ය AI ගොඩබෑමේ පස තවදුරටත් පරිණතයි: JAMA උප සඟරාව ගෝලීය වෛද්‍ය රූප දත්ත බෙදාගැනීමේ මුලපිරීම ප්‍රකාශයට පත් කළේය; එක්සත් ජනපද ආහාර හා ඖෂධ පරිපාලනය (FDA) වෛද්‍ය AI නියාමනය සඳහා කෙටුම්පත් මාර්ගෝපදේශ සංවර්ධනය කරමින් සිටී.

පහතින්, 2023 දී ලොව පුරා පර්යේෂකයන් භාවිතා කළ හැකි වෛද්‍ය AI දිශාවට ලබා ඇති සැලකිය යුතු ප්‍රගතිය අපි සමාලෝචනය කරමු.

වෛද්‍ය AI මූලික ආකෘතිය

වෛද්‍ය AI මූලික ආකෘතිය ගොඩනැගීම නිසැකවම මෙම වසරේ උණුසුම්ම පර්යේෂණ අවධානයයි. වසර තුළ සෞඛ්‍ය සේවා පිළිබඳ විශ්ව මූලික ආකෘතිය සහ සෞඛ්‍ය සේවා පිළිබඳ විශාල භාෂා ආකෘතිය පිළිබඳ සමාලෝචන ලිපි නේචර් සඟරා විසින් ප්‍රකාශයට පත් කර ඇත. කර්මාන්තයේ ඉහළම සඟරාව වන වෛද්‍ය රූප විශ්ලේෂණය, වෛද්‍ය රූප විශ්ලේෂණයේ මූලික ආකෘති පර්යේෂණයේ අභියෝග සහ අවස්ථාවන් සමාලෝචනය කර අපේක්ෂා කළ අතර, වෛද්‍ය AI හි මූලික ආකෘති පර්යේෂණ සාරාංශ කිරීමට සහ සංවර්ධනය කිරීමට මඟ පෙන්වීම සඳහා “මූලික ආකෘතියේ පෙළපත” යන සංකල්පය යෝජනා කළේය. සෞඛ්‍ය සේවා සඳහා මූලික AI ආකෘතිවල අනාගතය පැහැදිලි වෙමින් පවතී. වඩාත් දියුණු ස්වයං-අධීක්ෂණය කරන ලද පූර්ව පුහුණු ක්‍රම සහ පුහුණු දත්ත විශාල වශයෙන් සමුච්චය කිරීම භාවිතා කරමින්, ChatGPT වැනි විශාල භාෂා ආකෘතිවල සාර්ථක උදාහරණ මත පදනම්ව, වෛද්‍ය AI ක්ෂේත්‍රයේ පර්යේෂකයින් 1) රෝග-විශේෂිත පාදක ආකෘති, 2) සාමාන්‍ය පාදක ආකෘති සහ 3) දැවැන්ත පරාමිතීන් සහ උසස් හැකියාවන් සහිත පුළුල් පරාසයක මාතයන් ඒකාබද්ධ කරන බහුමාධ්‍ය විශාල ආකෘති ගොඩනැගීමට උත්සාහ කරති.

වෛද්‍ය දත්ත අත්පත් කර ගැනීමේ AI ආකෘතිය

පහළ ප්‍රවාහ සායනික දත්ත විශ්ලේෂණ කාර්යයන්හි විශාල කාර්යභාරයක් ඉටු කරන විශාල AI ආකෘතිවලට අමතරව, ඉහළ ප්‍රවාහ සායනික දත්ත අත්පත් කර ගැනීමේදී, උත්පාදක AI ආකෘති මගින් නිරූපණය වන තාක්ෂණය ද මතු වී ඇත. AI ඇල්ගොරිතම මගින් දත්ත අත්පත් කර ගැනීමේ ක්‍රියාවලිය, වේගය සහ ගුණාත්මකභාවය සැලකිය යුතු ලෙස වැඩිදියුණු කළ හැකිය.

මෙම වසර මුලදී, නේචර් ජෛව වෛද්‍ය ඉංජිනේරු විද්‍යාව තුර්කියේ ස්ට්‍රේට්ස් විශ්ව විද්‍යාලයෙන් අධ්‍යයනයක් ප්‍රකාශයට පත් කළ අතර එය සායනික යෙදුම්වල ව්‍යාධිජනක රූප-සහායිත රෝග විනිශ්චය පිළිබඳ ගැටළුව විසඳීම සඳහා උත්පාදක AI භාවිතා කිරීම කෙරෙහි අවධානය යොමු කළේය. ශල්‍යකර්මයේදී ශීත කළ අංශ පටකවල ඇති කෞතුක වස්තු වේගවත් රෝග විනිශ්චය ඇගයීමට බාධාවකි. ෆෝමලින් සහ පැරෆින් කාවැද්දූ (FFPE) පටක උසස් තත්ත්වයේ සාම්පලයක් ලබා දුන්නද, එහි නිෂ්පාදන ක්‍රියාවලිය කාලය ගතවන අතර බොහෝ විට පැය 12-48 ක් ගත වන අතර එමඟින් එය ශල්‍යකර්මයේදී භාවිතා කිරීමට නුසුදුසු වේ. එබැවින් පර්යේෂණ කණ්ඩායම AI-FFPE නමින් ඇල්ගොරිතමයක් යෝජනා කළ අතර එමඟින් ශීත කළ කොටසේ පටක FFPE හා සමාන පෙනුමක් ලබා දිය හැකිය. ඇල්ගොරිතමය ශීත කළ කොටස්වල කෞතුක වස්තු සාර්ථකව නිවැරදි කර, රූපයේ ගුණාත්මකභාවය වැඩි දියුණු කළ අතර, ඒ සමඟම සායනිකව අදාළ ලක්ෂණ රඳවා ගත්තේය. සායනික වලංගුකරණයේදී, AI-FFPE ඇල්ගොරිතම පිළිකා උප වර්ග සඳහා ව්‍යාධි විද්‍යාඥයින්ගේ රෝග විනිශ්චය නිරවද්‍යතාවය සැලකිය යුතු ලෙස වැඩි දියුණු කරන අතර සායනික රෝග විනිශ්චය කාලය බෙහෙවින් කෙටි කරයි.

ජිලින් විශ්ව විද්‍යාලයේ තුන්වන සායනික විද්‍යාලය, ෆුඩාන් විශ්ව විද්‍යාලයට අනුබද්ධ ෂොංෂාන් රෝහලේ විකිරණ විද්‍යා දෙපාර්තමේන්තුව සහ ෂැංහයි විද්‍යා හා තාක්ෂණ විශ්ව විද්‍යාලයේ කණ්ඩායමක් විසින් කරන ලද පර්යේෂණ කාර්යයක් සෙල් රිපෝට්ස් මෙඩිසින් වාර්තා කරයි [25]. මෙම අධ්‍යයනය මඟින් ඉහළ බහුකාර්යතාව සහ නම්‍යශීලීභාවය සහිත පොදු අරමුණු ගැඹුරු ඉගෙනුම් සහ පුනරාවර්තන ප්‍රතිසංස්කරණ විලයන රාමුවක් (දෙමුහුන් DL-IR) යෝජනා කරයි, වේගවත් MRI, අඩු මාත්‍රා CT සහ වේගවත් PET වල විශිෂ්ට රූප ප්‍රතිනිර්මාණ කාර්ය සාධනයක් පෙන්වයි. ඇල්ගොරිතමයට තත්පර 100 කින් MR තනි-අවයව බහු-අනුක්‍රම ස්කෑන් කිරීම ලබා ගත හැකි අතර, විකිරණ මාත්‍රාව CT රූපයෙන් 10% දක්වා පමණක් අඩු කළ හැකි අතර ශබ්දය ඉවත් කළ හැකි අතර, චලන කෞතුක වස්තු වල බලපෑම අඩු කරන අතරම, PET අත්පත් කර ගැනීමෙන් කුඩා තුවාල 2 සිට 4 ගුණයකින් ත්වරණයකින් ප්‍රතිනිර්මාණය කළ හැකිය.

වෛද්‍ය සේවකයින් සමඟ සහයෝගීතාවයෙන් වෛද්‍ය AI

වෛද්‍ය AI හි වේගවත් සංවර්ධනය, වෛද්‍ය වෘත්තිකයන් සායනික ක්‍රියාවලීන් වැඩිදියුණු කිරීම සඳහා AI සමඟ සහයෝගයෙන් කටයුතු කරන්නේ කෙසේදැයි බැරෑරුම් ලෙස සලකා බැලීමට සහ ගවේෂණය කිරීමට ද හේතු වී තිබේ. මෙම වසරේ ජූලි මාසයේදී, DeepMind සහ බහු-ආයතනික පර්යේෂණ කණ්ඩායමක් ඒකාබද්ධව Complementary Driven Clinical Workflow Delay (CoDoC) නමින් AI පද්ධතියක් යෝජනා කළහ. රෝග විනිශ්චය ක්‍රියාවලිය මුලින්ම පුරෝකථන AI පද්ධතියක් මගින් රෝග විනිශ්චය කරනු ලබන අතර, පසුව පෙර ප්‍රතිඵලය මත වෙනත් AI පද්ධතියක් මගින් විනිශ්චය කරනු ලබන අතර, සැකයක් ඇත්නම්, රෝග විනිශ්චය නිරවද්‍යතාවය සහ සමතුලිත කාර්යක්ෂමතාව වැඩි දියුණු කිරීම සඳහා වෛද්‍යවරයෙකු විසින් රෝග විනිශ්චය අවසානයේ සිදු කරනු ලැබේ. පියයුරු පිළිකා පරීක්ෂාව සම්බන්ධයෙන් ගත් කල, CoDoC එම ව්‍යාජ සෘණ අනුපාතය සමඟ ව්‍යාජ ධනාත්මක අනුපාත 25% කින් අඩු කළ අතර, එක්සත් රාජධානියේ වත්මන් "ද්විත්ව කියවීමේ බේරුම්කරණ" ක්‍රියාවලියට සාපේක්ෂව සායනික කාර්ය භාරය 66% කින් අඩු කළේය. ක්ෂය රෝග වර්ගීකරණයට අනුව, ස්වාධීන AI සහ සායනික වැඩ ප්‍රවාහයන්ට සාපේක්ෂව එම ව්‍යාජ සෘණ අනුපාතය සමඟ ව්‍යාජ ධනාත්මක අනුපාත 5 සිට 15 දක්වා අඩු කරන ලදී.

ඒ හා සමානව, එක්සත් රාජධානියේ ලන්ඩන් හි කෙයිරොන් සමාගමේ ඇනී වයි. එන්.ජී. සහ තවත් අය, ද්විත්ව කියවීමේ බේරුම්කරණ ක්‍රියාවලියේදී නැවත කැඳවීමේ ප්‍රතිඵල නොමැති විට ප්‍රතිඵල නැවත පරීක්ෂා කිරීම සඳහා (මානව පරීක්ෂකයින් සමඟ සහයෝගයෙන්) අතිරේක AI කියවන්නන් හඳුන්වා දුන් අතර, එමඟින් මුල් පියයුරු පිළිකා පරීක්ෂාවේදී මග හැරුණු හඳුනාගැනීමේ ගැටළුව වැඩිදියුණු වූ අතර, ක්‍රියාවලියට ව්‍යාජ ධනාත්මක ප්‍රතිඵල කිසිවක් නොතිබුණි. ටෙක්සාස් විශ්ව විද්‍යාලයේ මැක්ගවර්න් වෛද්‍ය විද්‍යාලයේ කණ්ඩායමක් විසින් මෙහෙයවන ලද සහ ආඝාත මධ්‍යස්ථාන හතරක දී සම්පූර්ණ කරන ලද තවත් අධ්‍යයනයක්, විශාල සනාල ඔක්ලූසිව් ඉෂ්මික් ආඝාතය (LVO) හඳුනාගැනීම ස්වයංක්‍රීය කිරීම සඳහා පරිගණක ටොමොග්‍රැෆි ඇන්ජියෝග්‍රැෆි (CTA) මත පදනම් වූ AI තාක්ෂණය යෙදුවේය. CT රූපකරණය අවසන් වී මිනිත්තු කිහිපයක් ඇතුළත වෛද්‍යවරුන්ට සහ විකිරණවේදීන්ට ඔවුන්ගේ ජංගම දුරකථනවලට තත්‍ය කාලීන ඇඟවීම් ලැබෙන අතර, LVO හි ඇති විය හැකි පැවැත්ම පිළිබඳව ඔවුන්ට දැනුම් දෙයි. මෙම AI ක්‍රියාවලිය උග්‍ර ඉස්මික් ආඝාතය සඳහා රෝහල තුළ වැඩ ප්‍රවාහ වැඩි දියුණු කරයි, ප්‍රතිකාර සඳහා ඇතුළත් වීමේ සිට ගෙයින් ගෙට කාලය අඩු කරයි සහ සාර්ථක ගලවා ගැනීම සඳහා අවස්ථා සපයයි. සොයාගැනීම් JAMA Neurology හි ප්‍රකාශයට පත් කර ඇත.

විශ්වීය ප්‍රතිලාභ සඳහා AI සෞඛ්‍ය සේවා ආකෘතියක්

2023 දී වෛද්‍ය AI භාවිතා කරමින් වඩාත් පහසුවෙන් ලබා ගත හැකි දත්ත වලින් මිනිස් ඇසට නොපෙනෙන ලක්ෂණ සොයා ගැනීමටත්, විශ්වීය රෝග විනිශ්චය සහ පරිමාණයෙන් මුල් පරීක්ෂාව සක්‍රීය කිරීමටත් හැකි වන පරිදි හොඳ කාර්යයන් රාශියක් දැකගත හැකිය. වසර ආරම්භයේදී, නේචර් මෙඩිසින් විසින් සන් යාට්-සෙන් විශ්ව විද්‍යාලයේ ෂොංෂාන් අක්ෂි මධ්‍යස්ථානය සහ ෆුජියන් වෛද්‍ය විශ්ව විද්‍යාලයේ දෙවන අනුබද්ධ රෝහල විසින් කරන ලද අධ්‍යයනයන් ප්‍රකාශයට පත් කරන ලදී. යෙදුම් පර්යන්ත ලෙස ස්මාර්ට්ෆෝන් භාවිතා කරමින්, ඔවුන් කාටූන් වැනි වීඩියෝ රූප භාවිතා කර දරුවන්ගේ බැල්ම ඇති කිරීමට සහ දරුවන්ගේ බැල්ම හැසිරීම සහ මුහුණේ ලක්ෂණ වාර්තා කළ අතර, ගැඹුරු ඉගෙනුම් ආකෘති භාවිතා කරමින් අසාමාන්‍ය ආකෘති තවදුරටත් විශ්ලේෂණය කර, සංජානනීය ඇසේ සුද, සංජානනීය ප්ටෝසිස් සහ සංජානනීය ග්ලුකෝමා ඇතුළු අක්ෂි රෝග 16 ක් සාර්ථකව හඳුනා ගත් අතර, සාමාන්‍ය පරීක්ෂණ නිරවද්‍යතාවය 85% ට වඩා වැඩි විය. මෙය ළදරු දෘශ්‍ය ක්‍රියාකාරිත්වයේ දුර්වලතා සහ ඒ ආශ්‍රිත අක්ෂි රෝග මහා පරිමාණයෙන් මුල් පරීක්ෂාව සඳහා ඵලදායී සහ ජනප්‍රිය කිරීමට පහසු තාක්ෂණික ක්‍රම සපයයි.

වසර අවසානයේදී, ලොව පුරා වෛද්‍ය සහ පර්යේෂණ ආයතන 10 කට වැඩි සංඛ්‍යාවක් විසින් සිදු කරන ලද කාර්යයක් නේචර් මෙඩිසින් විසින් වාර්තා කරන ලදී, ඒ අතර ෂැංහයි අග්න්‍යාශ රෝග ආයතනය සහ ෂෙජියැං විශ්ව විද්‍යාලයේ පළමු අනුබද්ධ රෝහල ද ඇතුළත් වේ. පියවි ඇසින් පමණක් හඳුනා ගැනීමට අපහසු සරල ස්කෑන් CT රූපවල තුවාල ලක්ෂණ හඳුනා ගැනීම සඳහා, භෞතික පරීක්ෂණ මධ්‍යස්ථාන, රෝහල් ආදියෙහි රෝග ලක්ෂණ නොමැති පුද්ගලයින්ගේ අග්න්‍යාශ පිළිකා පරීක්ෂාවට කතුවරයා AI යෙදුවේය. එමඟින් අග්න්‍යාශ පිළිකා කාර්යක්ෂම හා ආක්‍රමණශීලී නොවන මුල් හඳුනාගැනීමක් ලබා ගත හැකිය. රෝගීන් 20,000 කට වැඩි පිරිසකගේ දත්ත සමාලෝචනය කිරීමේදී, ආකෘතිය සායනිකව මග හැරුණු තුවාල 31 ක් ද හඳුනාගෙන ඇති අතර එමඟින් සායනික ප්‍රතිඵල සැලකිය යුතු ලෙස වැඩිදියුණු විය.

වෛද්‍ය දත්ත බෙදා ගැනීම

2023 දී, ලොව පුරා තවත් බොහෝ පරිපූර්ණ දත්ත බෙදාගැනීමේ යාන්ත්‍රණ සහ සාර්ථක අවස්ථා මතු වී ඇති අතර, දත්ත පෞද්ගලිකත්වය සහ ආරක්ෂාව ආරක්ෂා කිරීමේ පදනම යටතේ බහු-මධ්‍යස්ථාන සහයෝගීතාවය සහ දත්ත විවෘතභාවය සහතික කෙරේ.

පළමුව, AI තාක්ෂණයේ ආධාරයෙන්, AI පර්යේෂකයින් වෛද්‍ය දත්ත බෙදා ගැනීමට දායක වී ඇත. එක්සත් ජනපදයේ රට්ගර්ස් විශ්ව විද්‍යාලයේ ක්වි චැං සහ තවත් අය Nature Communications හි ලිපියක් ප්‍රකාශයට පත් කළ අතර, බෙදා හරින ලද කෘතිම විරුද්ධවාදී ජාල මත පදනම් වූ ෆෙඩරල් ඉගෙනුම් රාමුවක් DSL යෝජනා කරමින්, බහු මධ්‍යස්ථානවල නිශ්චිත ජනනය කරන ලද දත්ත පුහුණු කිරීම සඳහා උත්පාදක AI භාවිතා කරන අතර, පසුව ජනනය කරන ලද දත්ත සමඟ බහු මධ්‍යස්ථානවල සැබෑ දත්ත ප්‍රතිස්ථාපනය කරයි. දත්ත රහස්‍යතාව ආරක්ෂා කරන අතරම බහු මධ්‍යස්ථාන විශාල දත්ත මත පදනම් වූ AI පුහුණුව සහතික කරන්න. එම කණ්ඩායමම ජනනය කරන ලද ව්‍යාධි රූපවල දත්ත කට්ටලයක් සහ ඒවාට අනුරූප විවරණ විවෘත මූලාශ්‍ර කරයි. ජනනය කරන ලද දත්ත කට්ටලය මත පුහුණු කරන ලද ඛණ්ඩන ආකෘතියට සැබෑ දත්තවලට සමාන ප්‍රතිඵල ලබා ගත හැකිය.

සිංහුවා විශ්ව විද්‍යාලයේ ඩයි කියොන්ගායි කණ්ඩායම, npj ඩිජිටල් සෞඛ්‍යය පිළිබඳ පත්‍රිකාවක් ප්‍රකාශයට පත් කළ අතර, දේශීය දත්ත ස්වෛරීභාවය සහ හරස්-අඩවි ජාල සම්බන්ධතාවයක් නොමැති පදනම යටතේ AI ආකෘති පුහුණු කිරීම සඳහා බහු-අඩවි විශාල දත්ත භාවිතා කරන රිලේ ඉගෙනීම යෝජනා කළේය. එය AI කාර්ය සාධනය හඹා යාම සමඟ දත්ත ආරක්ෂාව සහ පෞද්ගලිකත්ව ගැටළු සමතුලිත කරයි. එම කණ්ඩායම පසුව ගුවැන්ෂු වෛද්‍ය විශ්ව විද්‍යාලයේ පළමු අනුබද්ධ රෝහල සහ රට පුරා රෝහල් 24 සමඟ සහයෝගයෙන්, ෆෙඩරල් ඉගෙනීම මත පදනම් වූ පපුවේ CT පෑන්-මධ්‍යස්ථ පිළිකා රෝග විනිශ්චය පද්ධතියක් වන CAIMEN ඒකාබද්ධව සංවර්ධනය කර වලංගු කරන ලදී. පොදු මධ්‍යස්ථ පිළිකා 12 කට යෙදිය හැකි මෙම පද්ධතිය, මානව විශේෂඥයින් විසින් පමණක් භාවිතා කරන විට වඩා තනිවම භාවිතා කරන විට සියයට 44.9 ක නිරවද්‍යතාවයක් සහ මානව විශේෂඥයින් විසින් එය සහාය දුන් විට සියයට 19 ක රෝග විනිශ්චය නිරවද්‍යතාවයක් ලබා ගත්තේය.

අනෙක් අතට, ආරක්ෂිත, ගෝලීය, මහා පරිමාණ වෛද්‍ය දත්ත කට්ටල ගොඩනැගීම සඳහා මුලපිරීම් කිහිපයක් සිදුවෙමින් පවතී. 2023 නොවැම්බර් මාසයේදී, හාවඩ් වෛද්‍ය විද්‍යාලයේ ජෛව වෛද්‍ය තොරතුරු දෙපාර්තමේන්තුවේ ඇගුස්ටිනා සාන්ස් සහ තවත් අය ලැන්සෙට් ඩිජිටල් හෙල්ත් හි අන්තර්ජාලය හරහා ප්‍රකාශයට පත් කරන ලද අතර එය සියලුම සෞඛ්‍ය සේවා සඳහා කෘතිම බුද්ධි දත්ත (MAIDA) ලෙස හඳුන්වන වෛද්‍ය රූප දත්ත බෙදා ගැනීම සඳහා ගෝලීය රාමුවකි. දත්ත බෙදා ගැනීම ප්‍රමිතිගත කිරීම සඳහා එක්සත් ජනපද ෆෙඩරල් නිරූපණ සහකරු (FDP) අච්චුව භාවිතා කරමින් දත්ත රැස් කිරීම සහ හඳුනා නොගැනීම පිළිබඳ පුළුල් මග පෙන්වීමක් ලබා දීම සඳහා ඔවුන් ලොව පුරා සෞඛ්‍ය සේවා සංවිධාන සමඟ කටයුතු කරයි. ලොව පුරා විවිධ කලාපවල සහ සායනික සැකසුම් වල එකතු කරන ලද දත්ත කට්ටල ක්‍රමයෙන් නිකුත් කිරීමට ඔවුන් සැලසුම් කරයි. පළමු දත්ත කට්ටලය 2024 මුල් භාගයේදී නිකුත් කිරීමට අපේක්ෂා කරන අතර, හවුල්කාරිත්වය පුළුල් වන විට තවත් බොහෝ දේ සිදුවනු ඇත. මෙම ව්‍යාපෘතිය ප්‍රසිද්ධියේ ලබා ගත හැකි ගෝලීය, මහා පරිමාණ සහ විවිධ ප්‍රසිද්ධියේ ලබා ගත හැකි AI දත්ත කට්ටලයක් ගොඩනැගීමේ වැදගත් උත්සාහයකි.

යෝජනාවෙන් පසුව, UK Biobank ආදර්ශයක් සපයා ඇත. UK Biobank නොවැම්බර් 30 වන දින එහි සහභාගිවන්නන් 500,000 කගේ සම්පූර්ණ ජෙනෝම අනුක්‍රමණයෙන් නව දත්ත නිකුත් කළේය. බ්‍රිතාන්‍ය ස්වේච්ඡා සේවකයින් 500,000 දෙනාගේම සම්පූර්ණ ජෙනෝම අනුක්‍රමය ප්‍රකාශයට පත් කරන දත්ත සමුදාය, ලොව විශාලතම සම්පූර්ණ මානව ජෙනෝම දත්ත සමුදායයි. ලොව පුරා සිටින පර්යේෂකයන්ට මෙම හඳුනා නොගත් දත්ත වෙත ප්‍රවේශය ඉල්ලා සිටිය හැකි අතර සෞඛ්‍ය හා රෝග පිළිබඳ ජානමය පදනම විමර්ශනය කිරීමට එය භාවිතා කළ හැකිය. ජානමය දත්ත අතීතයේ දී සෑම විටම සත්‍යාපනය සඳහා ඉතා සංවේදී වී ඇති අතර, UK Biobank හි මෙම ඓතිහාසික ජයග්‍රහණය ඔප්පු කරන්නේ විවෘත, පෞද්ගලිකත්වය-නිදහස් ගෝලීය මහා පරිමාණ දත්ත සමුදායක් ගොඩනගා ගත හැකි බවයි. මෙම තාක්ෂණය සහ දත්ත සමුදාය සමඟින්, වෛද්‍ය AI ඊළඟ පිම්ම ආරම්භ කිරීමට බැඳී සිටී.

වෛද්‍ය AI සත්‍යාපනය සහ ඇගයීම

වෛද්‍ය AI තාක්‍ෂණයේ වේගවත් සංවර්ධනය හා සසඳන විට, වෛද්‍ය AI හි සත්‍යාපනය සහ ඇගයීමේ සංවර්ධනය තරමක් මන්දගාමී වේ. සාමාන්‍ය AI ක්ෂේත්‍රයේ වලංගුකරණය සහ ඇගයීම බොහෝ විට AI සඳහා වෛද්‍යවරුන්ගේ සහ රෝගීන්ගේ සැබෑ අවශ්‍යතා නොසලකා හරියි. සාම්ප්‍රදායික අහඹු ලෙස පාලනය කරන ලද සායනික අත්හදා බැලීම් AI මෙවලම්වල වේගවත් පුනරාවර්තනයට ගැළපීමට ඉතා වෙහෙසකාරී ය. හැකි ඉක්මනින් වෛද්‍ය AI මෙවලම් සඳහා සුදුසු සත්‍යාපන සහ ඇගයීම් පද්ධතිය වැඩිදියුණු කිරීම වෛද්‍ය AI සැබවින්ම පර්යේෂණ සහ සංවර්ධනය සායනික ගොඩබෑමට ප්‍රවර්ධනය කිරීමේ වැදගත්ම දෙයයි.

Nature හි ප්‍රකාශයට පත් කරන ලද Med-PalM පිළිබඳ Google පර්යේෂණ පත්‍රිකාවේ, කණ්ඩායම විසින් MultiMedQA ඇගයීම් මිණුම් ලකුණ ද ප්‍රකාශයට පත් කරන ලද අතර, එය විශාල භාෂා ආකෘතිවල සායනික දැනුම ලබා ගැනීමේ හැකියාව තක්සේරු කිරීමට භාවිතා කරයි. මෙම මිණුම් ලකුණ වෘත්තීය වෛද්‍ය දැනුම, පර්යේෂණ සහ අනෙකුත් අංශ ආවරණය වන පරිදි පවතින වෘත්තීය වෛද්‍ය ප්‍රශ්නෝත්තර දත්ත කට්ටල හයක් මෙන්ම මාර්ගගත සෙවුම් වෛද්‍ය ප්‍රශ්නෝත්තර දත්ත සමුදා දත්ත කට්ටලයක් ඒකාබද්ධ කරයි, වෛද්‍ය-රෝගියාගේ මාර්ගගත ප්‍රශ්නෝත්තර සලකා බලමින්, බොහෝ අංශවලින් සුදුසුකම් ලත් වෛද්‍යවරයෙකු බවට AI පුහුණු කිරීමට උත්සාහ කරයි. ඊට අමතරව, කරුණු, අවබෝධය, තර්කනය සහ විය හැකි පක්ෂග්‍රාහීත්වයේ බහු මානයන් සැලකිල්ලට ගන්නා මානව තක්සේරුව මත පදනම් වූ රාමුවක් කණ්ඩායම යෝජනා කරයි. මෙම වසරේ ප්‍රකාශයට පත් කරන ලද සෞඛ්‍ය සේවා ක්ෂේත්‍රයේ AI ඇගයීම සඳහා මෙය වඩාත්ම නියෝජිත පර්යේෂණ උත්සාහයන්ගෙන් එකකි.

කෙසේ වෙතත්, විශාල භාෂා ආකෘති ඉහළ මට්ටමේ කේතන සායනික දැනුමක් පෙන්නුම් කරන බව යන්නෙන් අදහස් කරන්නේ විශාල භාෂා ආකෘති සැබෑ ලෝකයේ සායනික කාර්යයන් සඳහා දක්ෂ බව ද? පරිපූර්ණ ලකුණු සමඟ වෘත්තීය වෛද්‍ය විභාගය සමත් වන වෛද්‍ය ශිෂ්‍යයෙකු තවමත් ඒකල ප්‍රධාන වෛද්‍යවරයෙකුගෙන් බොහෝ දුරස් වනවා සේම, ගූගල් විසින් යෝජනා කරන ලද ඇගයීම් නිර්ණායක AI ආකෘති සඳහා වෛද්‍ය AI ඇගයීමේ මාතෘකාවට පරිපූර්ණ පිළිතුරක් නොවිය හැකිය. 2021 සහ 2022 තරම් මුල් අවධියේදී, පර්යේෂකයන් Decid-AI, SPIRIT-AI සහ INTRPRT වැනි වාර්තාකරණ මාර්ගෝපදේශ යෝජනා කර ඇති අතර, සායනික ප්‍රායෝගිකත්වය, ආරක්ෂාව, මානව සාධක සහ විනිවිදභාවය/අර්ථකථනය වැනි සාධක සලකා බැලීමේ කොන්දේසිය යටතේ වෛද්‍ය AI හි මුල් සංවර්ධනය සහ වලංගුකරණය මඟ පෙන්වීමට බලාපොරොත්තු වේ. මෑතකදී, නේචර් මෙඩිසින් සඟරාව ඔක්ස්ෆර්ඩ් විශ්ව විද්‍යාලයේ සහ ස්ටැන්ෆර්ඩ් විශ්ව විද්‍යාලයේ පර්යේෂකයින් විසින් "බාහිර වලංගුකරණය" හෝ "පුනරාවර්තන දේශීය වලංගුකරණය" භාවිතා කළ යුතුද යන්න පිළිබඳව අධ්‍යයනයක් ප්‍රකාශයට පත් කළේය. "AI මෙවලම් වලංගු කිරීමට."

AI මෙවලම්වල අපක්ෂපාතී ස්වභාවය, මෙම වසරේ Science සහ NEJM ලිපි දෙකෙන්ම අවධානයට ලක් වූ වැදගත් ඇගයීම් දිශාවකි. AI බොහෝ විට පක්ෂග්‍රාහී බවක් පෙන්නුම් කරන්නේ එය පුහුණු දත්ත වලට සීමා වී ඇති බැවිනි. මෙම පක්ෂග්‍රාහීත්වය සමාජ අසමානතාවය පිළිබිඹු කළ හැකි අතර, එය තවදුරටත් ඇල්ගොරිතම වෙනස්කම් කිරීම දක්වා පරිණාමය වේ. වෛද්‍ය AI මෙවලම්වල අපක්ෂපාතීත්වය වලංගු කිරීම සඳහා භාවිතා කළ හැකි විවිධ දත්ත කට්ටල (ඉහත සඳහන් කළ MAIDA මුලපිරීමේ ඉලක්කවලට අනුකූලව) ගොඩනැගීම සඳහා ජාතික සෞඛ්‍ය ආයතන මෑතකදී Bridge2AI මුලපිරීම දියත් කළ අතර, එය ඩොලර් මිලියන 130 ක් වැය වන බවට ඇස්තමේන්තු කර ඇත. මෙම අංශ MultiMedQA විසින් සලකා බලනු නොලැබේ. වෛද්‍ය AI ආකෘති මැනීම සහ වලංගු කිරීම පිළිබඳ ප්‍රශ්නයට තවමත් පුළුල් හා ගැඹුරු සාකච්ඡාවක් අවශ්‍ය වේ.

ජනවාරි මාසයේදී, නේචර් මෙඩිසින් විසින් ටෙක්සාස් විශ්ව විද්‍යාලයේ එම්.ඩී. ඇන්ඩර්සන් පිළිකා මධ්‍යස්ථානයේ විවේක් සුබ්බයියා විසින් "සාක්ෂි පාදක වෛද්‍ය විද්‍යාවේ ඊළඟ පරම්පරාව" නමින් මතයක් ප්‍රකාශයට පත් කරන ලද අතර, COVID-19 වසංගතයේ සන්දර්භය තුළ නිරාවරණය වූ සායනික අත්හදා බැලීම්වල සීමාවන් සමාලෝචනය කරමින් සහ නවෝත්පාදනය සහ සායනික පර්යේෂණ ක්‍රියාවලියට අනුගත වීම අතර පරස්පරතාව පෙන්වා දුන්නේය. අවසාන වශයෙන්, එය සායනික අත්හදා බැලීම් ප්‍රතිව්‍යුහගත කිරීමේ අනාගතයක් පෙන්වා දෙයි - කෘතිම බුද්ධිය භාවිතා කරන ඊළඟ පරම්පරාවේ සායනික අත්හදා බැලීම්, එනම්, ඓතිහාසික පර්යේෂණ දත්ත විශාල සංඛ්‍යාවකින් කෘතිම බුද්ධිය භාවිතා කිරීම, සැබෑ ලෝක දත්ත, බහු-මාදිලි සායනික දත්ත, ප්‍රධාන සාක්ෂි සොයා ගැනීම සඳහා පැළඳිය හැකි උපාංග දත්ත. මෙයින් අදහස් කරන්නේ AI තාක්ෂණය සහ AI සායනික වලංගුකරණ ක්‍රියාවලීන් අනාගතයේදී අන්‍යෝන්‍ය වශයෙන් ශක්තිමත් කිරීම සහ සම-පරිණාමය විය හැකි බව ද? මෙය 2023 විවෘත හා සිතුවිලි අවුස්සන ප්‍රශ්නයයි.

වෛද්‍ය AI නියාමනය

AI තාක්ෂණයේ දියුණුව AI නියාමනයට අභියෝග එල්ල කරන අතර, ලොව පුරා ප්‍රතිපත්ති සම්පාදකයින් ප්‍රවේශමෙන් සහ ප්‍රවේශමෙන් ප්‍රතිචාර දක්වයි. 2019 දී, FDA විසින් ප්‍රථම වරට කෘත්‍රිම බුද්ධි වෛද්‍ය උපාංග සඳහා මෘදුකාංග වෙනස්කම් සඳහා යෝජිත නියාමන රාමුවක් (සාකච්ඡා කෙටුම්පත) ප්‍රකාශයට පත් කරන ලද අතර, AI සහ යන්ත්‍ර ඉගෙනීම මත පදනම් වූ මෘදුකාංග වෙනස් කිරීම් පිළිබඳ පූර්ව වෙළඳපල සමාලෝචනය සඳහා එහි විභව ප්‍රවේශය විස්තර කරයි. 2021 දී, FDA විසින් "වෛද්‍ය උපාංග ක්‍රියාකාරී සැලැස්මක් ලෙස කෘතිම බුද්ධිය/යන්ත්‍ර ඉගෙනුම් පාදක මෘදුකාංගය" යෝජනා කරන ලද අතර එමඟින් නිශ්චිත AI වෛද්‍ය නියාමන පියවර පහක් පැහැදිලි කරන ලදී. මෙම වසරේ, යන්ත්‍ර ඉගෙනුම් ක්‍රම හරහා පුහුණු කරන ලද යන්ත්‍ර ඉගෙනුම් ආකෘති භාවිතා කරන සමහර මෘදුකාංග උපාංග විශේෂාංග ඇතුළුව, උපාංග මෘදුකාංග විශේෂාංගවල ආරක්ෂාව සහ කාර්යක්ෂමතාව පිළිබඳ FDA හි ඇගයීම සඳහා පූර්ව වෙළඳපල ඉදිරිපත් කිරීමේ නිර්දේශ පිළිබඳ තොරතුරු සැපයීම සඳහා FDA විසින් උපාංග මෘදුකාංග විශේෂාංග සඳහා පූර්ව වෙළඳපල ඉදිරිපත් කිරීම නැවත නිකුත් කරන ලදී. FDA හි නියාමන ප්‍රතිපත්තිය මූලික යෝජනාවක සිට ප්‍රායෝගික මග පෙන්වීම දක්වා පරිණාමය වී ඇත.

පසුගිය වසරේ ජූලි මාසයේදී යුරෝපීය සෞඛ්‍ය දත්ත අවකාශය ප්‍රකාශයට පත් කිරීමෙන් පසුව, EU නැවත වරක් කෘත්‍රිම බුද්ධි පනත ක්‍රියාත්මක කර ඇත. EU පුරවැසියන්ට ඔවුන්ගේ පුද්ගලික සෞඛ්‍ය දත්ත කෙරෙහි වැඩි පාලනයක් ඇති බව සහතික කරන අතරම, උසස් තත්ත්වයේ සෞඛ්‍ය සේවාවක් සැපයීම, අසමානතාවයන් අඩු කිරීම සහ වැළැක්වීම, රෝග විනිශ්චය, ප්‍රතිකාර, විද්‍යාත්මක නවෝත්පාදන, තීරණ ගැනීම සහ නීති සම්පාදනය සඳහා දත්ත සඳහා සහාය වීම සඳහා සෞඛ්‍ය දත්ත උපරිම ලෙස භාවිතා කිරීම පළමුවැන්න අරමුණු කරයි. දෙවැන්න පැහැදිලි කරන්නේ වෛද්‍ය රෝග විනිශ්චය පද්ධතිය ඉහළ අවදානම් සහිත AI පද්ධතියක් බවත්, එය ඉලක්කගත ශක්තිමත් අධීක්ෂණය, සම්පූර්ණ ජීවන චක්‍ර අධීක්ෂණය සහ පූර්ව ඇගයීම් අධීක්ෂණය අනුගමනය කළ යුතු බවත්ය. යුරෝපීය ඖෂධ ඒජන්සිය (EMA) ඖෂධ සංවර්ධනය, නියාමනය සහ භාවිතයට සහාය වීම සඳහා AI භාවිතය පිළිබඳ කෙටුම්පත් පරාවර්තන පත්‍රිකාවක් ප්‍රකාශයට පත් කර ඇති අතර, රෝගීන්ගේ ආරක්ෂාව සහ සායනික පර්යේෂණ ප්‍රතිඵලවල අඛණ්ඩතාව සහතික කිරීම සඳහා AI හි විශ්වසනීයත්වය වැඩි දියුණු කිරීම කෙරෙහි අවධාරණය කරයි. සමස්තයක් වශයෙන්, EU හි නියාමන ප්‍රවේශය ක්‍රමයෙන් හැඩගැසෙමින් පවතින අතර, අවසාන ක්‍රියාත්මක කිරීමේ විස්තර වඩාත් සවිස්තරාත්මක සහ දැඩි විය හැකිය. EU හි දැඩි නියාමනයට හාත්පසින්ම වෙනස්ව, එක්සත් රාජධානියේ AI නියාමන සැලැස්ම පැහැදිලි කරන්නේ රජය මෘදු ප්‍රවේශයක් ගැනීමට සැලසුම් කරන බවත්, දැනට නව පනත් කෙටුම්පත් පැනවීම හෝ නව නියාමකයින් පිහිටුවීම සිදු නොකරන බවත්ය.

චීනයේ, ජාතික වෛද්‍ය නිෂ්පාදන පරිපාලනයේ වෛද්‍ය උපාංග තාක්ෂණික සමාලෝචන මධ්‍යස්ථානය (NMPA) මීට පෙර “ගැඹුරු ඉගෙනුම් සහායක තීරණ මෘදුකාංගයේ සමාලෝචන කරුණු”, “කෘත්‍රිම බුද්ධි වෛද්‍ය උපාංග ලියාපදිංචි කිරීමේ සමාලෝචනය සඳහා මාර්ගෝපදේශක මූලධර්ම (අදහස් දැක්වීම සඳහා කෙටුම්පත)” සහ “කෘත්‍රිම බුද්ධි වෛද්‍ය මෘදුකාංග නිෂ්පාදන වර්ගීකරණය සහ අර්ථ දැක්වීම සඳහා මාර්ගෝපදේශක මූලධර්ම පිළිබඳ චක්‍රලේඛය (2021 දී අංක 47)” වැනි ලේඛන නිකුත් කර ඇත. මෙම වසරේ, "2023 දී පළමු වෛද්‍ය උපාංග නිෂ්පාදන වර්ගීකරණ ප්‍රතිඵලවල සාරාංශය" නැවත නිකුත් කරන ලදී. මෙම ලේඛන මාලාව කෘතිම බුද්ධි වෛද්‍ය මෘදුකාංග නිෂ්පාදනවල නිර්වචනය, වර්ගීකරණය සහ නියාමනය වඩාත් පැහැදිලි සහ ක්‍රියාත්මක කිරීමට පහසු කරන අතර, කර්මාන්තයේ විවිධ ව්‍යවසායන්හි නිෂ්පාදන ස්ථානගත කිරීම සහ ලියාපදිංචි කිරීමේ උපාය මාර්ග සඳහා පැහැදිලි මග පෙන්වීමක් සපයයි. මෙම ලේඛන AI වෛද්‍ය උපාංග විද්‍යාත්මක නියාමනය සඳහා රාමුවක් සහ කළමනාකරණ තීරණ සපයයි. දෙසැම්බර් 21 සිට 23 දක්වා හැංෂෝ හි පැවති චීන වෛද්‍ය කෘතිම බුද්ධි සමුළුවේ න්‍යාය පත්‍රය, ඩිජිටල් වෛද්‍ය පාලනය සහ රජයේ රෝහල්වල උසස් තත්ත්වයේ සංවර්ධනය සහ කෘතිම බුද්ධි වෛද්‍ය උපකරණ පරීක්ෂණ සහ ඇගයීම් තාක්‍ෂණ ප්‍රමිතිකරණ කර්මාන්ත සංවර්ධන සංසදය පිළිබඳ විශේෂ සංසදයක් පිහිටුවීම අපේක්ෂා කිරීම වටී. එම අවස්ථාවේදී, ජාතික සංවර්ධන හා ප්‍රතිසංස්කරණ කොමිසමේ සහ NMPA හි නිලධාරීන් රැස්වීමට සහභාගී වන අතර නව තොරතුරු නිකුත් කළ හැකිය.

නිගමනය

2023 දී, වෛද්‍ය AI, රෝහල් දත්ත රැස් කිරීම, ඒකාබද්ධ කිරීම, විශ්ලේෂණය, රෝග විනිශ්චය සහ ප්‍රතිකාර සහ ප්‍රජා පරීක්ෂාව ආවරණය කරමින්, සමස්ත වෛද්‍ය උඩු යටිකුරු සහ පහළ ක්‍රියාවලියට ඒකාබද්ධ වීමට පටන් ගෙන ඇති අතර, වෛද්‍ය/රෝග පාලන සේවකයින් සමඟ ඓන්ද්‍රීයව සහයෝගයෙන් කටයුතු කරමින්, මිනිස් සෞඛ්‍යයට යහපැවැත්ම ගෙන ඒමේ හැකියාව පෙන්නුම් කරයි. භාවිතා කළ හැකි වෛද්‍ය AI පර්යේෂණ උදාවීමට පටන් ගෙන තිබේ. අනාගතයේදී, වෛද්‍ය AI හි ප්‍රගතිය තාක්ෂණික සංවර්ධනය මත පමණක් නොව, කර්මාන්ත, විශ්ව විද්‍යාල සහ වෛද්‍ය පර්යේෂණවල පූර්ණ සහයෝගීතාවය සහ ප්‍රතිපත්ති සම්පාදකයින්ගේ සහ නියාමකයින්ගේ සහාය ද අවශ්‍ය වේ. මෙම හරස්-වසම් සහයෝගීතාවය AI-ඒකාබද්ධ වෛද්‍ය සේවාවන් සාක්ෂාත් කර ගැනීම සඳහා යතුර වන අතර, නිසැකවම මානව සෞඛ්‍ය සංවර්ධනය ප්‍රවර්ධනය කරනු ඇත.