hír

Amióta az IBM Watson 2007-ben elindult, az emberiség folyamatosan fejleszti az orvosi mesterséges intelligenciát (MI). Egy használható és hatékony orvosi MI-rendszer hatalmas potenciállal rendelkezik a modern orvoslás minden aspektusának átalakítására, lehetővé téve az intelligensebb, pontosabb, hatékonyabb és befogadóbb ellátást, jólétet biztosítva az egészségügyi dolgozók és a betegek számára, és ezáltal jelentősen javítva az emberi egészséget. Az elmúlt 16 évben, bár az orvosi MI-kutatók különböző kisebb területeken gyűltek össze, ebben a szakaszban még nem tudták a tudományos-fantasztikus műveket valósággá tenni.

Idén a mesterséges intelligencia technológiájának, például a ChatGPT-nek a forradalmi fejlődésével az orvosi mesterséges intelligencia számos területen jelentős előrelépést tett. Példátlan áttörés az orvosi mesterséges intelligencia képességeiben: A Nature folyóirat folyamatosan kutatásokat indított az orvosi nagy nyelvi modell és az orvosi képalkotó alapmodell terén; a Google kiadta a Med-PaLM-et és utódját, szakértői szintet elérve az amerikai orvosok vizsgakérdéseiben. A főbb tudományos folyóiratok az orvosi mesterséges intelligenciára fognak összpontosítani: A Nature közzétette az általános orvosi mesterséges intelligencia alapmodelljének kitekintését; Az orvostudományban alkalmazott mesterséges intelligenciáról szóló idei év eleji áttekintések sorozatát követően a New England Journal of Medicine (NEJM) november 30-án publikálta első digitális egészségügyi áttekintését, és december 12-én kiadta a NEJM AI című alfolyóiratának első számát. Az orvosi mesterséges intelligencia leszállópályája tovább érett: a JAMA alfolyóirat közzétette a globális orvosi képalkotó adatmegosztási kezdeményezést; Az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hatósága (FDA) irányelvek tervezetét dolgozza ki az orvosi mesterséges intelligencia szabályozására.

Az alábbiakban áttekintjük a világ kutatói által 2023-ban a használható orvosi mesterséges intelligencia felé tett jelentős előrelépéseket.

Orvosi mesterséges intelligencia alapmodell

Az orvosi MI alapmodelljének felépítése kétségtelenül az idei év legforróbb kutatási fókusza. A Nature folyóiratok az év során áttekintő cikkeket közöltek az egészségügy univerzális alapmodelljéről és a nagy nyelvi modelljéről. A Medical Image Analysis, az iparág vezető folyóirata, áttekintette és előretekintett az orvosi képelemzésben rejlő alapmodell-kutatás kihívásaira és lehetőségeire, és javasolta az „alapmodell családfájának” koncepcióját az orvosi MI alapmodell-kutatásának összefoglalására és fejlesztésének irányítására. Az egészségügyi alap MI-modellek jövője egyre tisztábban látható. A nagy nyelvi modellek, mint például a ChatGPT, sikeres példáira támaszkodva, fejlettebb, önfelügyelt előtanítási módszereket és hatalmas mennyiségű betanítási adatot használva, az orvosi MI területén dolgozó kutatók 1) betegségspecifikus alapmodelleket, 2) általános alapmodelleket és 3) multimodális nagy modelleket próbálnak építeni, amelyek a módok széles skáláját integrálják hatalmas paraméterekkel és kiváló képességekkel.

Orvosi adatgyűjtési mesterséges intelligencia modell

A nagyméretű MI-modellek mellett, amelyek nagy szerepet játszanak a downstream klinikai adatelemzési feladatokban, az upstream klinikai adatgyűjtésben is megjelent a generatív MI-modellek által képviselt technológia. Az adatgyűjtés folyamata, sebessége és minősége jelentősen javítható MI-algoritmusok segítségével.

Idén év elején a Nature Biomedical Engineering publikált egy tanulmányt a törökországi Straits Egyetemről, amely a generatív mesterséges intelligencia használatára összpontosított a patológiai képalkotó diagnosztika klinikai alkalmazásokban jelentkező problémáinak megoldására. A műtét során a fagyasztott szövetszakaszban található műtermékek akadályozzák a gyors diagnosztikai értékelést. Bár a formalinba és paraffinba ágyazott (FFPE) szövet jobb minőségű mintát biztosít, előállítási folyamata időigényes és gyakran 12-48 órát vesz igénybe, így alkalmatlanná teszi a sebészeti alkalmazásra. A kutatócsoport ezért javasolt egy AI-FFPE nevű algoritmust, amely a fagyasztott metszetben lévő szövet megjelenését az FFPE-hez hasonlóvá teszi. Az algoritmus sikeresen korrigálta a fagyasztott metszetek műtermékeit, javította a képminőséget, és megőrizte a klinikailag releváns jellemzőket. A klinikai validáció során az AI-FFPE algoritmus jelentősen javítja a patológusok diagnosztikai pontosságát a tumor altípusok tekintetében, miközben nagymértékben lerövidíti a klinikai diagnózis idejét.

A Cell Reports Medicine a Jilin Egyetem Harmadik Klinikai Kollégiuma, a Fudan Egyetemhez tartozó Zhongshan Kórház Radiológiai Tanszéke és a Sanghaji Tudományos és Technológiai Egyetem kutatócsoportjának kutatásáról számol be [25]. Ez a tanulmány egy általános célú mélytanuláson és iteratív rekonstrukciós fúziós keretrendszert (Hybrid DL-IR) javasol, amely nagy sokoldalúsággal és rugalmassággal rendelkezik, és kiváló képrekonstrukciós teljesítményt mutat gyors MRI, alacsony dózisú CT és gyors PET vizsgálatokban. Az algoritmus 100 másodperc alatt képes MR egyszeres többszekvenciális szkennelést végezni, a sugárterhelést a CT-kép mindössze 10%-ára csökkenteni, kiküszöbölni a zajt, és a PET-felvételből származó kis elváltozásokat 2-4-szeres gyorsulással rekonstruálni, miközben csökkenti a mozgási műtermékek hatását.

Orvosi mesterséges intelligencia az egészségügyi dolgozókkal együttműködve

Az orvosi mesterséges intelligencia gyors fejlődése arra is késztette az egészségügyi szakembereket, hogy komolyan fontolóra vegyék és feltárják, hogyan lehetne együttműködni a mesterséges intelligenciával a klinikai folyamatok javítása érdekében. Idén júliusban a DeepMind és egy több intézményt tömörítő kutatócsoport közösen javasolt egy mesterséges intelligencia által vezérelt klinikai munkafolyamat-késleltetés (CoDoC) nevű rendszert. A diagnosztikai folyamatot először egy prediktív mesterséges intelligencia által vezérelt rendszer diagnosztizálja, majd egy másik mesterséges intelligencia által vezérelt rendszer ítéli meg az előző eredmény alapján, és kétség esetén a diagnózist végül egy klinikus állítja fel a diagnosztikai pontosság javítása és a hatékonyság kiegyensúlyozása érdekében. Az emlőrákszűrés terén a CoDoC 25%-kal csökkentette a téves pozitív eredmények arányát ugyanazon téves negatív eredmények aránya mellett, miközben 66%-kal csökkentette a klinikusok munkaterhelését az Egyesült Királyságban jelenleg alkalmazott „dupla leolvasású arbitrációs” eljáráshoz képest. A tuberkulózis-besorolás tekintetében a téves pozitív eredmények aránya 5-15%-kal csökkent ugyanazon téves negatív eredmények aránya mellett a független mesterséges intelligenciával és klinikai munkafolyamatokkal összehasonlítva.

Hasonlóképpen, Annie Y. Ng és munkatársai, a londoni Kheiron Company munkatársai további mesterséges intelligencián alapuló leolvasókat vezettek be (emberi vizsgálókkal együttműködve), hogy újra megvizsgálják az eredményeket, amikor a kettős leolvasású arbitrációs folyamatban nem voltak visszahívási eredmények, ami javította a korai emlőrákszűrés során a kihagyott felismerés problémáját, és a folyamat szinte semmilyen álpozitív eredményt nem eredményezett. Egy másik, a Texasi Egyetem McGovern Orvosi Karának egy csapata által vezetett és négy stroke-központban végzett tanulmány komputertomográfiás angiográfián (CTA) alapuló mesterséges intelligencia technológiát alkalmazott a nagy érelzáródásos ischaemiás stroke (LVO) észlelésének automatizálására. A klinikusok és radiológusok valós idejű riasztásokat kapnak mobiltelefonjukra perceken belül a CT-képalkotás befejezése után, amelyek értesítik őket az LVO lehetséges jelenlétéről. Ez a mesterséges intelligencia által vezérelt folyamat javítja a kórházi munkafolyamatokat az akut ischaemiás stroke esetén, csökkentve a felvételtől a kezelésig tartó, a kórházba jutástól az ágyékig eltelt időt, és lehetőséget teremtve a sikeres mentésre. Az eredmények a JAMA Neurology című folyóiratban jelentek meg.

AI egészségügyi modell az egyetemes előnyökért

2023-ban számos jó munka is folyik majd, amely az orvosi mesterséges intelligenciát használja fel az emberi szem számára láthatatlan jellemzők megtalálására a könnyebben elérhető adatokból, lehetővé téve az univerzális diagnózist és a korai szűrést nagy léptékben. Az év elején a Nature Medicine publikálta a Sun Yat-sen Egyetem Zhongshan Szemközpontja és a Fujian Orvostudományi Egyetem Második Kapcsolódó Kórháza által végzett tanulmányokat. Okostelefonokat alkalmazásterminálként használva rajzfilmszerű videoképekkel idézték elő a gyermekek tekintetét, és rögzítették a gyermekek tekintetének viselkedését és arcvonásait, valamint mélytanulási modellek segítségével elemezték a kóros modelleket, hogy sikeresen azonosítsanak 16 szembetegséget, köztük veleszületett szürkehályogot, veleszületett ptosist és veleszületett glaukómát, átlagosan több mint 85%-os szűrési pontossággal. Ez hatékony és könnyen népszerűsíthető technikai eszközt biztosít a csecsemők látáskárosodásának és a kapcsolódó szembetegségek nagyszabású korai szűréséhez.

Az év végén a Nature Medicine beszámolt egy több mint 10 orvosi és kutatóintézet által világszerte végzett munkáról, köztük a Sanghaji Hasnyálmirigybetegségek Intézetéről és a Zhejiang Egyetem Első Kapcsolódó Kórházáról. A szerző mesterséges intelligenciát alkalmazott tünetmentes emberek hasnyálmirigyrák-szűrésére fizikális vizsgálóközpontokban, kórházakban stb., hogy a sima CT-felvételeken azokat az elváltozási jellemzőket észlelje, amelyeket szabad szemmel nehéz észlelni, így hatékony és nem invazív módon korai felismerést érjen el a hasnyálmirigyrákban. Több mint 20 000 beteg adatainak áttekintése során a modell 31 klinikailag nem észlelt elváltozás esetét is azonosította, ami jelentősen javította a klinikai eredményeket.

Orvosi adatok megosztása

2023-ban világszerte számos további tökéletes adatmegosztási mechanizmus és sikeres eset jelent meg, amelyek az adatvédelem és -biztonság védelme mellett biztosítják a többközpontú együttműködést és az adatok nyilvánosságát.

Először is, magának a mesterséges intelligencia technológiának a segítségével a mesterséges intelligencia kutatói hozzájárultak az orvosi adatok megosztásához. Qi Chang és mások az egyesült államokbeli Rutgers Egyetemről publikáltak egy cikket a Nature Communications folyóiratban, amelyben egy elosztott szintetikus adverzális hálózatokon alapuló szövetségi tanulási keretrendszert (DSL) javasoltak, amely generatív mesterséges intelligenciát használ a többközpontú specifikus generált adatok betanítására, majd a többközpontú valós adatokat a generált adatokkal helyettesíti. Biztosítja a többközpontú big data alapú MI-képzést, miközben védi az adatvédelmet. Ugyanez a csapat nyílt forráskódúvá teszi a generált patológiai képek és a hozzájuk tartozó annotációk adatkészletét is. A generált adathalmazon betanított szegmentációs modell hasonló eredményeket érhet el, mint a valós adatok.

A Tsinghua Egyetem Dai Qionghai csapata publikált egy tanulmányt az npj Digital Healthről, amelyben a Relay Learning módszert javasolja, amely több telephelyes big data-t használ mesterséges intelligencia modellek betanítására a helyi adatszuverenitás és a telephelyek közötti hálózati kapcsolat hiányának feltételezése mellett. A módszer egyensúlyt teremt az adatbiztonsági és adatvédelmi aggályok és a mesterséges intelligencia teljesítményének elérése között. Ugyanez a csapat ezt követően közösen fejlesztette ki és validálta a CAIMEN-t, egy mellkasi CT pan-mediastinális tumordiagnosztikai rendszert, amely a szövetségi tanuláson alapul, a Guangzhou-i Orvostudományi Egyetem Első Kapcsolódó Kórházával és az ország 24 kórházával együttműködve. A rendszer, amely 12 gyakori mediastinális tumorra alkalmazható, 44,9 százalékkal jobb pontosságot ért el önmagában használva, mint amikor csak emberi szakértők használták, és 19 százalékkal jobb diagnózispontosságot, amikor emberi szakértőket segítettek.

Másrészről számos kezdeményezés van folyamatban biztonságos, globális, nagyméretű orvosi adatkészletek létrehozására. 2023 novemberében Agustina Saenz és a Harvard Orvosi Egyetem Biomedikai Informatikai Tanszékének munkatársai online publikálták a Lancet Digital Health folyóiratban egy globális keretrendszert az orvosi képadatok megosztására, melynek címe: Mesterséges Intelligencia Adatok Minden Egészségügyi Ellátáshoz (MAIDA). A világ minden táján működő egészségügyi szervezetekkel együttműködve átfogó útmutatást nyújtanak az adatgyűjtésről és az azonosíthatatlanná tételről, az Egyesült Államok Szövetségi Demonstrációs Partnerének (FDP) sablonját használva az adatmegosztás szabványosítására. A tervek szerint fokozatosan közzéteszik a világ különböző régióiban és klinikai környezeteiben gyűjtött adatkészleteket. Az első adatkészlet várhatóan 2024 elején jelenik meg, és a partnerség bővülésével továbbiak is érkeznek majd. A projekt fontos kísérlet egy globális, nagyméretű és változatos, nyilvánosan elérhető mesterséges intelligencia adatok létrehozására.

A javaslat nyomán az Egyesült Királyság Biobankja példát mutatott. Az Egyesült Királyság Biobankja november 30-án új adatokat tett közzé 500 000 résztvevőjének teljes genomszekvenálásából. Az adatbázis, amely az 500 000 brit önkéntes mindegyikének teljes genomszekvenciáját közzéteszi, a világ legnagyobb teljes emberi genom adatbázisa. A kutatók világszerte hozzáférést kérhetnek ezekhez az anonimizált adatokhoz, és felhasználhatják azokat az egészség és a betegségek genetikai alapjainak vizsgálatára. A genetikai adatok a múltban mindig is rendkívül érzékenyek voltak az ellenőrzés szempontjából, és az Egyesült Királyság Biobankjának ez a történelmi eredménye bizonyítja, hogy lehetséges egy nyílt, adatvédelemtől mentes, globális, nagyméretű adatbázist építeni. Ezzel a technológiával és adatbázissal az orvosi mesterséges intelligencia minden bizonnyal meghozza a következő lépést.

Az orvosi mesterséges intelligencia ellenőrzése és értékelése

Magához az orvosi MI-technológia gyors fejlődéséhez képest az orvosi MI verifikációjának és értékelésének fejlesztése kissé lassú. Az általános MI-területen a validáció és értékelés gyakran figyelmen kívül hagyja a klinikusok és a betegek MI-vel kapcsolatos valós igényeit. A hagyományos randomizált, kontrollált klinikai vizsgálatok túl munkaigényesek ahhoz, hogy lépést tartsanak a MI-eszközök gyors iterációjával. Az orvosi MI-eszközökhöz alkalmas verifikációs és értékelési rendszer mielőbbi fejlesztése a legfontosabb dolog annak előmozdításához, hogy az orvosi MI valóban ugrásszerűen előmozdítsa a kutatást és fejlesztést a klinikai gyakorlatba való áttörést.

A Google Med-PaLM-ről szóló, a Nature folyóiratban megjelent kutatási cikkében a csapat publikálta a MultiMedQA értékelési benchmarkot is, amelyet a nagy nyelvi modellek klinikai ismeretek megszerzésére való képességének felmérésére használnak. A benchmark hat meglévő professzionális orvosi kérdések és válaszok adatkészletét ötvözi, amelyek a professzionális orvosi ismereteket, a kutatást és egyéb aspektusokat fedik le, valamint egy online keresési orvosi kérdésadatbázis-adatkészletet, figyelembe véve az orvos-beteg online kérdések és válaszok lehetőségét, és számos szempontból megpróbálja a mesterséges intelligenciát képzett orvossá képezni. Ezenkívül a csapat egy emberi értékelésen alapuló keretrendszert javasol, amely figyelembe veszi a tények, a megértés, az érvelés és az esetleges elfogultság több dimenzióját. Ez az egyik legreprezentatívabb kutatás, amelyet idén publikáltak az egészségügyben betöltött mesterséges intelligencia értékelésére.

De vajon az a tény, hogy a nagy nyelvi modellek magas szintű klinikai kódolási ismereteket mutatnak, azt jelenti-e, hogy a nagy nyelvi modellek alkalmasak a valós klinikai feladatokra? Ahogyan egy orvostanhallgató, aki tökéletes pontszámmal teszi le a szakmai orvosi vizsgát, még messze van attól, hogy önálló főorvos legyen, a Google által javasolt értékelési kritériumok sem biztos, hogy tökéletes választ adnak az orvosi MI-értékelés kérdésére az MI-modellek esetében. Már 2021-ben és 2022-ben a kutatók olyan jelentéstételi irányelveket javasoltak, mint a Decid-AI, a SPIRIT-AI és az INTRPRT, abban a reményben, hogy irányítják az orvosi MI korai fejlesztését és validálását olyan tényezők figyelembevételével, mint a klinikai gyakorlatiasság, a biztonság, az emberi tényezők és az átláthatóság/értelmezhetőség. A Nature Medicine folyóirat nemrégiben publikált egy tanulmányt az Oxfordi Egyetem és a Stanford Egyetem kutatóitól arról, hogy „külső validációt” vagy „ismétlődő helyi validációt” kell-e használni a MI-eszközök validálásához.

Az MI-eszközök elfogulatlan jellege szintén fontos értékelési irány, amelyre idén mind a Science, mind a NEJM cikkek figyelmet kaptak. A MI gyakran mutat elfogultságot, mivel a betanítási adatokra korlátozódik. Ez az elfogultság társadalmi egyenlőtlenséget tükrözhet, amely tovább algoritmikus diszkriminációvá alakul. A Nemzeti Egészségügyi Intézetek (NIH) nemrégiben elindították a Bridge2AI kezdeményezést, amelynek becslések szerint 130 millió dolláros költséggel jár, hogy változatos adatkészleteket hozzanak létre (a fent említett MAIDA kezdeményezés céljaival összhangban), amelyek felhasználhatók az orvosi MI-eszközök elfogulatlanságának validálására. Ezeket a szempontokat a MultiMedQA nem veszi figyelembe. Az orvosi MI-modellek mérésének és validálásának kérdése még széleskörű és mélyreható megbeszélést igényel.

Januárban a Nature Medicine publikált egy véleménycikket „A bizonyítékokon alapuló orvoslás következő generációja” címmel, melynek szerzője Vivek Subbiah, a Texasi Egyetem MD Anderson Rákközpontjának munkatársa. A cikkben áttekinti a COVID-19 világjárvány kontextusában feltárt klinikai vizsgálatok korlátait, és rámutat az innováció és a klinikai kutatási folyamat betartása közötti ellentmondásra. Végül rámutat a klinikai vizsgálatok átszervezésének jövőjére – a mesterséges intelligenciát alkalmazó klinikai vizsgálatok következő generációjára, azaz a mesterséges intelligencia felhasználására nagyszámú történelmi kutatási adatból, valós adatokból, multimodális klinikai adatokból és viselhető eszközök adataiból a kulcsfontosságú bizonyítékok megtalálása érdekében. Vajon ez azt jelenti, hogy a mesterséges intelligencia technológia és a mesterséges intelligencia klinikai validációs folyamatai kölcsönösen erősíthetik és együtt fejlődhetnek a jövőben? Ez a 2023-as év nyitott és elgondolkodtató kérdése.

Az orvosi mesterséges intelligencia szabályozása

A mesterséges intelligencia technológiájának fejlődése kihívások elé állítja a mesterséges intelligencia szabályozását is, és a világ minden táján a döntéshozók körültekintően és körültekintően reagálnak. 2019-ben az FDA először tett közzé egy javasolt szabályozási keretet a mesterséges intelligencia alapú orvostechnikai eszközök szoftvermódosításaihoz (vitatervezet), amelyben részletesen ismertette a mesterséges intelligencia és a gépi tanuláson alapuló szoftvermódosítások forgalomba hozatal előtti felülvizsgálatára vonatkozó lehetséges megközelítését. 2021-ben az FDA javaslatot tett a „Mesterséges intelligencia/gépi tanuláson alapuló szoftver orvostechnikai eszközként való felhasználására vonatkozó cselekvési terv” című dokumentumra, amely öt konkrét mesterséges intelligencia alapú orvosi szabályozási intézkedést tisztázott. Idén az FDA újra kiadta az eszközszoftver-funkciókra vonatkozó forgalomba hozatal előtti benyújtási dokumentumot, hogy tájékoztatást nyújtson az eszközszoftver-funkciók biztonságosságára és hatékonyságára vonatkozó FDA-értékeléshez szükséges forgalomba hozatal előtti benyújtási ajánlásokról, beleértve néhány olyan szoftvereszköz-funkciót is, amelyek gépi tanulási módszerekkel betanított gépi tanulási modelleket használnak. Az FDA szabályozási politikája a kezdeti javaslattól a gyakorlati útmutatásig fejlődött.

Az Európai Egészségügyi Adattér tavaly júliusi közzétételét követően az EU ismét elfogadta a Mesterséges Intelligencia Törvényt. Az előbbi célja az egészségügyi adatok lehető legjobb felhasználása a magas színvonalú egészségügyi ellátás biztosítása, az egyenlőtlenségek csökkentése, valamint a megelőzés, a diagnózis, a kezelés, a tudományos innováció, a döntéshozatal és a jogalkotás adatainak támogatása érdekében, miközben biztosítja, hogy az uniós polgárok nagyobb ellenőrzéssel rendelkezzenek személyes egészségügyi adataik felett. Az utóbbi egyértelművé teszi, hogy az orvosi diagnosztikai rendszer egy magas kockázatú MI-rendszer, és célzott, szigorú felügyeletet, teljes életciklus-felügyeletet és értékelés előtti felügyeletet kell alkalmaznia. Az Európai Gyógyszerügynökség (EMA) közzétett egy vitairat-tervezetet a MI gyógyszerfejlesztés, -szabályozás és -felhasználás támogatására való felhasználásáról, különös hangsúlyt fektetve a MI hitelességének javítására a betegbiztonság és a klinikai kutatási eredmények integritásának biztosítása érdekében. Összességében az EU szabályozási megközelítése fokozatosan formálódik, és a végleges végrehajtási részletek részletesebbek és szigorúbbak lehetnek. Az EU szigorú szabályozásával éles ellentétben az Egyesült Királyság MI-szabályozási tervezete egyértelművé teszi, hogy a kormány egy rugalmas megközelítést kíván alkalmazni, és egyelőre nem fogad el új törvényjavaslatokat vagy nem hoz létre új szabályozó hatóságokat.

Kínában a Nemzeti Orvosi Termékek Hivatalának Orvostechnikai Eszközök Műszaki Felülvizsgálati Központja (NMPA) korábban olyan dokumentumokat adott ki, mint például a „Mélytanuláson alapuló döntéstámogató szoftverek felülvizsgálati pontjai”, az „Irányadó alapelvek a mesterséges intelligenciával rendelkező orvostechnikai eszközök regisztrációjának felülvizsgálatához (tervezet véleményezésre)” és a „Körlevél a mesterséges intelligenciával rendelkező orvostechnikai szoftvertermékek osztályozására és meghatározására vonatkozó irányadó alapelvekről (47. sz., 2021)”. Idén ismét megjelent a „2023-as első orvostechnikai eszköz termékosztályozási eredmények összefoglalása”. Ez a dokumentumsorozat egyértelműbbé és könnyebben kezelhetővé teszi a mesterséges intelligenciával működő orvostechnikai szoftvertermékek meghatározását, osztályozását és szabályozását, valamint egyértelmű útmutatást nyújt az iparág különböző vállalatai számára a termékpozicionálási és regisztrációs stratégiákhoz. Ezek a dokumentumok keretet és vezetői döntéseket biztosítanak a mesterséges intelligenciával működő orvostechnikai eszközök tudományos szabályozásához. Érdemes várni, hogy a december 21. és 23. között Hangcsouban megrendezett Kínai Orvosi Mesterséges Intelligencia Konferencia napirendjén szerepel egy külön fórum a digitális orvosi irányításról és az állami kórházak magas színvonalú fejlesztéséről, valamint a mesterséges intelligenciával működő orvostechnikai eszközök tesztelési és értékelési technológiai szabványosítási iparági fejlesztési fórumról. Ekkor a Nemzeti Fejlesztési és Reformbizottság és az NMPA tisztviselői részt vesznek a találkozón, és esetleg új információkat is közzétesznek.

Következtetés

2023-ban az orvosi mesterséges intelligencia elkezdett integrálódni a teljes orvosi upstream és downstream folyamatba, beleértve a kórházi adatgyűjtést, -fúziót, -elemzést, -diagnosztikát és -kezelést, valamint a közösségi szűrést, és szervesen együttműködik az egészségügyi/betegségellenőrzési dolgozókkal, megmutatva az emberi egészség jólétének javításában rejlő lehetőségeket. A használható orvosi mesterséges intelligencia kutatása kezd kibontakozni. A jövőben az orvosi mesterséges intelligencia fejlődése nemcsak magától a technológiai fejlődéstől függ, hanem az ipar, az egyetemek és az orvostudományi kutatások teljes körű együttműködését, valamint a politikai döntéshozók és a szabályozók támogatását is igényli. Ez a több területen átívelő együttműködés kulcsfontosságú a mesterséges intelligenciával integrált orvosi szolgáltatások eléréséhez, és minden bizonnyal elősegíti az emberi egészség fejlődését.