вести

Откако започна IBM Watson во 2007 година, луѓето континуирано се стремат кон развој на медицинска вештачка интелигенција (ВИ). Употреблив и моќен систем за медицинска ВИ има огромен потенцијал да ги преобликува сите аспекти на модерната медицина, овозможувајќи попаметна, попрецизна, поефикасна и инклузивна грижа, носејќи благосостојба за медицинските работници и пациентите, а со тоа значително подобрувајќи го здравјето на луѓето. Во изминатите 16 години, иако истражувачите на медицинска ВИ се акумулираа во разни мали области, во оваа фаза, тие сè уште не беа во можност да ја претворат научната фантастика во реалност.

Оваа година, со револуционерниот развој на технологијата за вештачка интелигенција, како што е ChatGPT, медицинската вештачка интелигенција постигна голем напредок во многу аспекти. Невиден пробив во способноста на медицинската вештачка интелигенција: Списанието Nature континуирано го започнува истражувањето на медицинскиот модел на голем јазик и основниот модел на медицинска слика; Google го објавува Med-PaLM и неговиот наследник, достигнувајќи експертско ниво во прашањата за испитот за медицински практичари во САД. Главните академски списанија ќе се фокусираат на медицинската вештачка интелигенција: Nature го објавува прегледот на основниот модел на општа медицинска вештачка интелигенција; По серија прегледи на вештачката интелигенција во медицината претходно оваа година, New England Journal of Medicine (NEJM) го објави својот прв дигитален здравствен преглед на 30 ноември и го лансираше првото издание на подсписанието NEJM AI на 12 декември. Почвата за слетување на медицинската вештачка интелигенција е посозреана: подсписанието JAMA ја објави глобалната иницијатива за споделување податоци за медицински слики; Американската администрација за храна и лекови (FDA) развива нацрт-насоки за регулирање на медицинската вештачка интелигенција.

Подолу, го разгледуваме значајниот напредок што го постигнаа истражувачите ширум светот во насока на употреблива медицинска вештачка интелигенција во 2023 година.

Основен модел на медицинска вештачка интелигенција

Конструирањето на основен модел на медицинска вештачка интелигенција е несомнено најжешкиот истражувачки фокус оваа година. Списанијата Nature објавија прегледни статии за Универзалниот основен модел на здравствена заштита и големиот јазичен модел на здравствена заштита во текот на годината. Medical Image Analysis, водечкото списание во индустријата, ги разгледа и со нетрпение ги очекуваше предизвиците и можностите на истражувањето на основни модели во анализата на медицински слики и го предложи концептот на „педигре на основен модел“ за да го сумира и насочи развојот на истражувањето на основни модели на медицинска вештачка интелигенција. Иднината на основните модели на вештачка интелигенција за здравствена заштита станува појасна. Црпејќи од успешните примери на големи јазични модели како што е ChatGPT, користејќи понапредни методи за самонадгледување на претходна обука и огромна акумулација на податоци за обука, истражувачите во областа на медицинската вештачка интелигенција се обидуваат да изградат 1) основни модели специфични за болеста, 2) општи основни модели и 3) мултимодални големи модели кои интегрираат широк спектар на режими со масивни параметри и супериорни можности.

Модел на вештачка интелигенција за собирање медицински податоци

Покрај големите модели на вештачка интелигенција кои играат голема улога во задачите за анализа на клинички податоци во надолниот тек, во аквизицијата на клинички податоци во горниот тек, се појави и технологијата претставена со генеративни модели на вештачка интелигенција. Процесот, брзината и квалитетот на аквизицијата на податоци можат значително да се подобрат со алгоритми на вештачка интелигенција.

Порано оваа година, Nature Biomedical Engineering објави студија од турскиот Универзитет Straits, која се фокусираше на користење на генеративна вештачка интелигенција за решавање на проблемот со патолошка дијагноза потпомогната од слика во клиничките апликации. Артефактите во замрзнатото ткиво од пресекот за време на операцијата се пречка за брза дијагностичка евалуација. Иако ткивото вградено во формалин и парафин (FFPE) обезбедува примерок со повисок квалитет, неговиот процес на производство е долготрајно и често трае 12-48 часа, што го прави несоодветен за употреба во хирургија. Затоа, истражувачкиот тим предложи алгоритам наречен AI-FFPE, кој може да го направи изгледот на ткивото во замрзнатиот пресек сличен на FFPE. Алгоритмот успешно ги корегираше артефактите на замрзнатите пресеци, го подобри квалитетот на сликата и во исто време ги задржа клинички релевантните карактеристики. Во клиничката валидација, алгоритмот AI-FFPE значително ја подобрува дијагностичката точност на патолозите за подтипови на тумори, а воедно значително го скратува времето за клиничка дијагноза.

„Cell Reports Medicine“ известува за истражувачка работа од тим од Третиот клинички колеџ на Универзитетот Џилин, Одделот за радиологија, Болницата Џонгшан поврзана со Универзитетот Фудан и Шангајскиот универзитет за наука и технологија [25]. Оваа студија предлага рамка за фузија на длабинско учење и итеративна реконструкција (хибриден DL-IR) со висока разновидност и флексибилност, покажувајќи одлични перформанси за реконструкција на слики во брза МРИ, КТ со ниска доза и брз ПЕТ. Алгоритмот може да постигне МР скенирање со повеќе секвенци на еден орган за 100 секунди, да ја намали дозата на зрачење на само 10% од КТ сликата и да го елиминира шумот, а може да реконструира мали лезии од ПЕТ снимање со 2 до 4 пати забрзување, додека го намалува ефектот на артефактите од движење.

Медицинска вештачка интелигенција во соработка со медицински работници

Брзиот развој на медицинската вештачка интелигенција, исто така, ги наведе медицинските професионалци сериозно да размислат и истражат како да соработуваат со вештачката интелигенција за подобрување на клиничките процеси. Во јули оваа година, DeepMind и мултиинституционален истражувачки тим заеднички предложија систем со вештачка интелигенција наречен Комплементарно управувано одложување на клиничкиот работен тек (CoDoC). Дијагностичкиот процес прво се дијагностицира со предикативен систем со вештачка интелигенција, потоа се проценува со друг систем со вештачка интелигенција врз основа на претходниот резултат, а доколку постои сомнеж, дијагнозата конечно ја поставува клиничар за да се подобри дијагностичката точност и да се балансира ефикасноста. Кога станува збор за скрининг на рак на дојка, CoDoC ги намали стапките на лажно позитивни резултати за 25% со истата стапка на лажно негативни резултати, додека го намали обемот на работа на клиничарите за 66%, во споредба со сегашниот процес на „арбитража со двојно читање“ во Велика Британија. Во однос на класификацијата на туберкулозата, стапките на лажно позитивни резултати се намалени за 5 до 15 проценти со истата стапка на лажно негативни резултати во споредба со независната вештачка интелигенција и клиничките работни процеси.

Слично на тоа, Ени Ј. Нг и сор., од компанијата „Кхеирон“ во Лондон, Велика Британија, воведоа дополнителни читачи на вештачка интелигенција (во соработка со човечки испитувачи) за повторно да ги испитаат резултатите кога немаше резултати од повторно читање во процесот на арбитража со двојно читање, што го подобри проблемот со пропуштено откривање при раниот скрининг на рак на дојка, а процесот речиси и да немаше лажни позитивни резултати. Друга студија, предводена од тим од Медицинскиот факултет „МекГаверн“ на Универзитетот во Тексас и завршена во четири центри за мозочен удар, примени технологија на вештачка интелигенција базирана на компјутеризирана томографија (CTA) за автоматизирање на откривање на голем васкуларен оклузивен исхемичен мозочен удар (LVO). Клиничарите и радиолозите добиваат известувања во реално време на своите мобилни телефони во рок од неколку минути по завршувањето на КТ снимањето, известувајќи ги за можното присуство на LVO. Овој процес на вештачка интелигенција ги подобрува работните процеси во болницата за акутен исхемичен мозочен удар, намалувајќи го времето од врата до препоните од приемот до третманот и обезбедувајќи можности за успешно спасување. Наодите се објавени во JAMA Neurology.

Модел на здравствена заштита со вештачка интелигенција за универзална корист

Во 2023 година ќе се случи и многу добра работа со користење на медицинска вештачка интелигенција за пронаоѓање карактеристики што се невидливи за човечкото око од полесно достапни податоци, овозможувајќи универзална дијагноза и ран скрининг во голем обем. На почетокот на годината, „Nature Medicine“ објави студии направени од Центарот за очи „Џонгшан“ на Универзитетот „Сун Јат-сен“ и Втората придружна болница на Медицинскиот универзитет „Фуџијан“. Користејќи паметни телефони како апликациски терминали, тие користеа видео слики слични на цртани филмови за да го поттикнат погледот кај децата и да го снимат однесувањето на погледот и цртите на лицето кај децата, а дополнително анализираа абнормални модели користејќи модели на длабоко учење за успешно идентификување на 16 очни болести, вклучувајќи конгенитална катаракта, конгенитална птоза и конгенитален глауком, со просечна точност на скрининг од повеќе од 85%. Ова обезбедува ефикасно и лесно популаризирачко техничко средство за рано скрининг на оштетување на видот кај новороденчињата и сродни очни болести во голем обем.

На крајот од годината, „Nature Medicine“ објави работа извршена од повеќе од 10 медицински и истражувачки институции ширум светот, вклучувајќи го Шангајскиот институт за панкреасни заболувања и Првата придружна болница на Универзитетот Жеџијанг. Авторот применил вештачка интелигенција (ВИ) во скринингот за рак на панкреас кај асимптоматски лица во центри за физички преглед, болници итн., за да ги открие карактеристиките на лезијата на обичните КТ слики кои тешко се откриваат само со голо око, со цел да се постигне ефикасно и неинвазивно рано откривање на рак на панкреас. При преглед на податоци од повеќе од 20.000 пациенти, моделот идентификувал и 31 случај на клинички пропуштени лезии, што значително ги подобрило клиничките исходи.

Споделување на медицински податоци

Во 2023 година, низ целиот свет се појавија многу посовршени механизми за споделување податоци и успешни случаи, обезбедувајќи мултицентрична соработка и отвореност на податоците под премисата на заштита на приватноста и безбедноста на податоците.

Прво, со помош на самата технологија за вештачка интелигенција, истражувачите на вештачка интелигенција придонесоа за споделување на медицински податоци. Чи Чанг и други од Универзитетот Рутгерс во Соединетите Американски Држави објавија статија во Nature Communications, во која предлагаат федерална рамка за учење DSL базирана на дистрибуирани синтетички противнички мрежи, која користи генеративна вештачка интелигенција за обука на специфични генерирани податоци од повеќецентри, а потоа ги заменува реалните податоци од повеќецентри со генерираните податоци. Обезбедете обука за вештачка интелигенција базирана на големи податоци од повеќецентри, а воедно заштитете ја приватноста на податоците. Истиот тим, исто така, отвори отворен код за збир на податоци од генерирани патолошки слики и нивните соодветни анотации. Моделот на сегментација обучен на генерираниот збир на податоци може да постигне слични резултати како и реалните податоци.

Тимот на Даи Ќионгхаи од Универзитетот Цингхуа објави труд за npj Digital Health, во кој го предлага Relay Learning, кој користи големи податоци од повеќе локации за обука на модели на вештачка интелигенција под претпоставка на локален суверенитет на податоци и без меѓулокациска мрежна врска. Тој ги балансира грижите за безбедноста на податоците и приватноста со стремежот кон перформанси на вештачката интелигенција. Истиот тим последователно заеднички го разви и валидираше CAIMEN, систем за дијагностицирање на пан-медијастинални тумори со КТ на граден кош базиран на федерално учење, во соработка со Првата придружна болница на Медицинскиот универзитет во Гуангжу и 24 болници низ целата земја. Системот, кој може да се примени на 12 чести медијастинални тумори, постигна 44,9 проценти подобра точност кога се користи сам отколку кога се користи само од човечки експерти, и 19 проценти подобра точност на дијагнозата кога човечките експерти беа потпомогнати од него.

Од друга страна, во тек се неколку иницијативи за градење безбедни, глобални, големи медицински податочни групи. Во ноември 2023 година, Агустина Саенц и други од Одделот за биомедицинска информатика на Медицинскиот факултет Харвард објавија онлајн во Lancet Digital Health глобална рамка за споделување на податоци од медицински слики наречена Податоци за вештачка интелигенција за целата здравствена заштита (MAIDA). Тие соработуваат со здравствени организации ширум светот за да обезбедат сеопфатни упатства за собирање податоци и деидентификација, користејќи го шаблонот на американскиот федерален демонстративен партнер (FDP) за стандардизирање на споделувањето податоци. Тие планираат постепено да објавуваат податочни групи собрани во различни региони и клинички услови низ целиот свет. Се очекува првиот податочен збир да биде објавен на почетокот на 2024 година, а ќе следат уште повеќе како што партнерството ќе се проширува. Проектот е важен обид за градење глобален, голем и разновиден збир на јавно достапни податоци од вештачката интелигенција.

По предлогот, UK Biobank постави пример. UK Biobank објави нови податоци на 30 ноември од секвенционирањето на целиот геном на своите 500.000 учесници. Базата на податоци, која ја објавува целосната секвенца на геномот на секој од 500.000 британски волонтери, е најголемата комплетна база на податоци за човечки геном во светот. Истражувачите ширум светот можат да побараат пристап до овие деидентификувани податоци и да ги користат за да ја испитаат генетската основа на здравјето и болестите. Генетските податоци отсекогаш биле многу чувствителни за верификација во минатото, а ова историско достигнување на UK Biobank докажува дека е можно да се изгради отворена, без приватност глобална база на податоци од голем обем. Со оваа технологија и база на податоци, медицинската вештачка интелигенција е неизбежна да го најави следниот скок.

Верификација и евалуација на медицинска вештачка интелигенција

Во споредба со брзиот развој на самата технологија за медицинска вештачка интелигенција, развојот на верификацијата и евалуацијата на медицинската вештачка интелигенција е малку бавен. Валидацијата и евалуацијата во општата област на вештачката интелигенција честопати ги игнорираат реалните потреби на клиницистите и пациентите за вештачка интелигенција. Традиционалните рандомизирани контролирани клинички испитувања се премногу макотрпни за да се споредат со брзата итерација на алатките за вештачка интелигенција. Подобрувањето на системот за верификација и евалуација погоден за алатките за медицинска вештачка интелигенција што е можно поскоро е најважното нешто за да се промовира медицинската вештачка интелигенција за вистински да го прескокне истражувањето и развојот кон клиничкото слетување.

Во истражувачкиот труд на Google за Med-PaLM, објавен во Nature, тимот го објави и бенчмаркот за евалуација MultiMedQA, кој се користи за проценка на способноста на големите јазични модели да стекнуваат клиничко знаење. Бенчмаркот комбинира шест постоечки професионални медицински сетови на податоци со прашања и одговори, кои опфаќаат професионално медицинско знаење, истражување и други аспекти, како и база на податоци за онлајн пребарување на медицински прашања, земајќи го предвид онлајн односот лекар-пациент, обидувајќи се да ја обучи вештачката интелигенција во квалификуван лекар од многу аспекти. Покрај тоа, тимот предлага рамка заснована на човечка проценка која зема предвид повеќе димензии на факти, разбирање, расудување и можна пристрасност. Ова е еден од најрепрезентативните истражувачки напори за евалуација на вештачката интелигенција во здравството објавен оваа година.

Сепак, дали фактот дека големите јазични модели покажуваат високо ниво на кодирање на клиничко знаење значи дека големите јазични модели се компетентни за клинички задачи од реалниот свет? Исто како што студент по медицина кој го положува испитот за професионален лекар со совршен резултат е сè уште далеку од самостоен главен лекар, критериумите за евалуација предложени од Google можеби не се совршен одговор на темата за евалуација на медицинските ВИ модели за ВИ. Уште во 2021 и 2022 година, истражувачите предложија упатства за известување како што се Decid-AI, SPIRIT-AI и INTRPRT, надевајќи се дека ќе го водат раниот развој и валидација на медицинските ВИ под услов да се земат предвид фактори како што се клиничката практичност, безбедноста, човечките фактори и транспарентноста/интерпретабилноста. Неодамна, списанието Nature Medicine објави студија од истражувачи од Универзитетот Оксфорд и Универзитетот Стенфорд за тоа дали да се користи „надворешна валидација“ или „повторлива локална валидација“.

Непристрасноста на алатките за вештачка интелигенција е исто така важна насока за евалуација на која оваа година ѝ беше посветено внимание и од написите во Science и од NEJM. Вештачката интелигенција често покажува пристрасност бидејќи е ограничена на податоци за обука. Оваа пристрасност може да ја одразува социјалната нееднаквост, која понатаму еволуира во алгоритамска дискриминација. Националните институти за здравство неодамна ја започнаа иницијативата Bridge2AI, која се проценува дека ќе чини 130 милиони долари, за да изградат разновидни бази на податоци (во согласност со целите на иницијативата MAIDA спомената погоре) што можат да се користат за валидација на непристрасноста на алатките за медицинска вештачка интелигенција. Овие аспекти не се разгледуваат од MultiMedQA. Прашањето за тоа како да се мерат и валидираат моделите за медицинска вештачка интелигенција сè уште бара обемна и длабинска дискусија.

Во јануари, „Nature Medicine“ објави статија со наслов „Следната генерација на медицина базирана на докази“ од Вивек Субија од Центарот за рак „МД Андерсон“ на Универзитетот во Тексас, во која се разгледуваат ограничувањата на клиничките испитувања изложени во контекст на пандемијата COVID-19 и се посочува контрадикцијата помеѓу иновацијата и придржувањето кон процесот на клиничко истражување. Конечно, се посочува иднината на реструктуирање на клиничките испитувања - следната генерација на клинички испитувања со употреба на вештачка интелигенција, односно употреба на вештачка интелигенција од голем број историски истражувачки податоци, податоци од реалниот свет, мултимодални клинички податоци, податоци од носливи уреди за да се пронајдат клучни докази. Дали ова значи дека технологијата на вештачката интелигенција и процесите на клиничка валидација на вештачката интелигенција може меѓусебно да се зајакнуваат и да се развиваат заедно во иднина? Ова е отвореното и провокативно прашање за 2023 година.

Регулирање на медицинската вештачка интелигенција

Напредокот на технологијата за вештачка интелигенција, исто така, претставува предизвици за регулирањето на вештачката интелигенција, а креаторите на политики ширум светот реагираат внимателно и внимателно. Во 2019 година, FDA за прв пат објави Предлог-регулаторна рамка за софтверски промени во медицинските уреди со вештачка интелигенција (Нацрт за дискусија), во кој детално го опишува својот потенцијален пристап кон преглед пред пазарот на вештачката интелигенција и модификациите на софтверот управувани од машинско учење. Во 2021 година, FDA го предложи „Акциски план за вештачка интелигенција/машинско учење како медицински уред“, кој разјасни пет специфични медицински регулаторни мерки за вештачка интелигенција. Оваа година, FDA го повторно издаде Поднесувањето пред пазарот за карактеристиките на софтверот на уредот за да обезбеди информации за препораките за поднесување пред пазарот за евалуација на FDA за безбедноста и ефикасноста на карактеристиките на софтверот на уредот, вклучувајќи некои карактеристики на софтверот на уредот што користат модели на машинско учење обучени преку методи на машинско учење. Регулаторната политика на FDA еволуираше од почетен предлог до практично водство.

По објавувањето на Европскиот простор за здравствени податоци во јули минатата година, ЕУ повторно го донесе Законот за вештачка интелигенција. Првиот има за цел најдобро да ги искористи здравствените податоци за да обезбеди висококвалитетна здравствена заштита, да ги намали нееднаквостите и да ги поддржи податоците за превенција, дијагноза, третман, научни иновации, донесување одлуки и законодавство, а воедно да обезбеди граѓаните на ЕУ да имаат поголема контрола врз нивните лични здравствени податоци. Вториот јасно става до знаење дека системот за медицинска дијагноза е систем со вештачка интелигенција со висок ризик и треба да усвои насочен силен надзор, надзор на целиот животен циклус и надзор пред евалуација. Европската агенција за лекови (ЕМА) објави нацрт-документ за рефлексија за употребата на вештачка интелигенција за поддршка на развојот, регулирањето и употребата на лекови, со акцент на подобрување на кредибилитетот на вештачката интелигенција за да се обезбеди безбедноста на пациентите и интегритетот на резултатите од клиничките истражувања. Генерално, регулаторниот пристап на ЕУ постепено се обликува, а конечните детали за имплементација може да бидат подетални и построги. Во остра спротивност со строгата регулатива на ЕУ, регулаторниот план за вештачка интелигенција на Велика Британија јасно става до знаење дека владата планира да заземе мек пристап и засега да не донесува нови закони или да поставува нови регулатори.

Во Кина, Центарот за технички преглед на медицински помагала (NMPA) на Националната администрација за медицински производи претходно издаде документи како што се „Точки за преглед на софтвер за потпомогнато донесување одлуки со длабоко учење“, „Водечки принципи за преглед на регистрацијата на медицински помагала со вештачка интелигенција (нацрт за коментар)“ и „Циркуларно писмо за водечки принципи за класификација и дефиниција на медицински софтверски производи со вештачка интелигенција (бр. 47 во 2021 година)“. Оваа година, повторно беше објавен „Резимето на првите резултати од класификацијата на медицинските помагала во 2023 година“. Оваа серија документи ја прави дефиницијата, класификацијата и регулирањето на медицинските софтверски производи со вештачка интелигенција појасна и полесна за користење, и дава јасни насоки за стратегиите за позиционирање на производите и регистрација на различни претпријатија во индустријата. Овие документи обезбедуваат рамка и управувачки одлуки за научно регулирање на медицинските помагала со вештачка интелигенција. Вреди да се очекува дека агендата на Кинеската конференција за медицинска вештачка интелигенција, што се одржа во Хангжу од 21 до 23 декември, ќе постави посебен форум за дигитално медицинско управување и висококвалитетен развој на јавните болници и форум за развој на индустријата за стандардизација на технологијата за тестирање и евалуација на медицински помагала со вештачка интелигенција. Во тоа време, претставници од Националната комисија за развој и реформи и NMPA ќе присуствуваат на состанокот и може да објават нови информации.

Заклучок

Во 2023 година, медицинската вештачка интелигенција почна да се интегрира во целиот медицински процес нагоре и надолу, опфаќајќи собирање, фузија, анализа, дијагноза и третман на болнички податоци и скрининг во заедницата, и органски соработувајќи со медицински работници/работници за контрола на болести, покажувајќи го потенцијалот да донесе благосостојба на здравјето на луѓето. Почнува да се појавуваат употребливи истражувања за медицинска вештачка интелигенција. Во иднина, напредокот на медицинската вештачка интелигенција не зависи само од самиот технолошки развој, туку и од целосна соработка на индустријата, универзитетите и медицинските истражувања и поддршката на креаторите на политиките и регулаторите. Оваа меѓудоменска соработка е клучна за постигнување медицински услуги интегрирани со вештачка интелигенција и сигурно ќе го промовира развојот на здравјето на луѓето.