വാർത്തകൾ

2007-ൽ IBM വാട്‌സൺ ആരംഭിച്ചതുമുതൽ, മനുഷ്യർ മെഡിക്കൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) വികസിപ്പിക്കുന്നതിൽ തുടർച്ചയായി ഏർപ്പെട്ടിരിക്കുന്നു. ഉപയോഗപ്രദവും ശക്തവുമായ ഒരു മെഡിക്കൽ AI സംവിധാനത്തിന് ആധുനിക വൈദ്യശാസ്ത്രത്തിന്റെ എല്ലാ വശങ്ങളും പുനർനിർമ്മിക്കാൻ വളരെയധികം കഴിവുണ്ട്, ഇത് മികച്ചതും കൂടുതൽ കൃത്യവും കാര്യക്ഷമവും സമഗ്രവുമായ പരിചരണം പ്രാപ്തമാക്കുകയും മെഡിക്കൽ തൊഴിലാളികൾക്കും രോഗികൾക്കും ക്ഷേമം നൽകുകയും അതുവഴി മനുഷ്യന്റെ ആരോഗ്യം വളരെയധികം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. കഴിഞ്ഞ 16 വർഷത്തിനിടയിൽ, വിവിധ ചെറിയ മേഖലകളിൽ മെഡിക്കൽ AI ഗവേഷകർ ഒത്തുചേർന്നിട്ടുണ്ടെങ്കിലും, ഈ ഘട്ടത്തിൽ, അവർക്ക് ഇതുവരെ സയൻസ് ഫിക്ഷനെ യാഥാർത്ഥ്യത്തിലേക്ക് കൊണ്ടുവരാൻ കഴിഞ്ഞിട്ടില്ല.

ഈ വർഷം, ChatGPT പോലുള്ള AI സാങ്കേതികവിദ്യയുടെ വിപ്ലവകരമായ വികസനത്തോടെ, മെഡിക്കൽ AI പല വശങ്ങളിലും വലിയ പുരോഗതി കൈവരിച്ചു. മെഡിക്കൽ AI യുടെ കഴിവിൽ അഭൂതപൂർവമായ മുന്നേറ്റം: നേച്ചർ ജേണൽ മെഡിക്കൽ ലാർജ് ലാംഗ്വേജ് മോഡലിന്റെയും മെഡിക്കൽ ഇമേജ് ബേസിക് മോഡലിന്റെയും ഗവേഷണം തുടർച്ചയായി ആരംഭിച്ചു; ഗൂഗിൾ മെഡ്-പാൽഎമ്മും അതിന്റെ പിൻഗാമിയും പുറത്തിറക്കി, യുഎസ് മെഡിക്കൽ പ്രാക്ടീഷണർ പരീക്ഷാ ചോദ്യങ്ങളിൽ ഒരു വിദഗ്ദ്ധ തലത്തിലെത്തി. പ്രധാന അക്കാദമിക് ജേണലുകൾ മെഡിക്കൽ AI-യിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കും: നേച്ചർ ജനറൽ മെഡിക്കൽ AI-യുടെ അടിസ്ഥാന മോഡലിനെക്കുറിച്ചുള്ള കാഴ്ചപ്പാട് പുറത്തിറക്കുന്നു; ഈ വർഷം ആദ്യം വൈദ്യശാസ്ത്രത്തിലെ AI-യുടെ അവലോകന പരമ്പരയെത്തുടർന്ന്, ന്യൂ ഇംഗ്ലണ്ട് ജേണൽ ഓഫ് മെഡിസിൻ (NEJM) നവംബർ 30-ന് അതിന്റെ ആദ്യ ഡിജിറ്റൽ ആരോഗ്യ അവലോകനം പ്രസിദ്ധീകരിച്ചു, ഡിസംബർ 12-ന് NEJM സബ്-ജേണൽ NEJM AI-യുടെ ആദ്യ ലക്കം പുറത്തിറക്കി. മെഡിക്കൽ AI ലാൻഡിംഗ് സോയിൽ കൂടുതൽ പക്വത പ്രാപിച്ചു: JAMA സബ്-ജേണൽ ആഗോള മെഡിക്കൽ ഇമേജ് ഡാറ്റ പങ്കിടൽ സംരംഭം പ്രസിദ്ധീകരിച്ചു; യുഎസ് ഫുഡ് ആൻഡ് ഡ്രഗ് അഡ്മിനിസ്ട്രേഷൻ (FDA) മെഡിക്കൽ AI-യുടെ നിയന്ത്രണത്തിനായി കരട് മാർഗ്ഗനിർദ്ദേശങ്ങൾ വികസിപ്പിക്കുന്നു.

2023-ൽ ഉപയോഗയോഗ്യമായ മെഡിക്കൽ AI യുടെ ദിശയിൽ ലോകമെമ്പാടുമുള്ള ഗവേഷകർ കൈവരിച്ച ഗണ്യമായ പുരോഗതി ഞങ്ങൾ ചുവടെ അവലോകനം ചെയ്യുന്നു.

മെഡിക്കൽ AI അടിസ്ഥാന മോഡൽ

മെഡിക്കൽ AI അടിസ്ഥാന മോഡലിന്റെ നിർമ്മാണമാണ് ഈ വർഷത്തെ ഏറ്റവും ചൂടേറിയ ഗവേഷണ കേന്ദ്രബിന്ദു എന്നതിൽ സംശയമില്ല. യൂണിവേഴ്സൽ ബേസിക് മോഡൽ ഓഫ് ഹെൽത്ത്കെയറിനെയും ലാർജ് ലാംഗ്വേജ് മോഡൽ ഓഫ് ഹെൽത്ത്കെയറിനെയും കുറിച്ചുള്ള അവലോകന ലേഖനങ്ങൾ നേച്ചർ ജേണലുകൾ ഈ വർഷം പ്രസിദ്ധീകരിച്ചിട്ടുണ്ട്. മെഡിക്കൽ ഇമേജ് വിശകലനത്തിലെ ബേസിക് മോഡൽ ഗവേഷണത്തിന്റെ വെല്ലുവിളികളും അവസരങ്ങളും അവലോകനം ചെയ്യുകയും പ്രതീക്ഷിക്കുകയും ചെയ്ത മെഡിക്കൽ AI യുടെ ബേസിക് മോഡൽ ഗവേഷണത്തിന്റെ വികസനം സംഗ്രഹിക്കുന്നതിനും നയിക്കുന്നതിനുമായി "പെഡിഗ്രി ഓഫ് ബേസിക് മോഡൽ" എന്ന ആശയം നിർദ്ദേശിച്ചു. ആരോഗ്യ സംരക്ഷണത്തിനായുള്ള അടിസ്ഥാന AI മോഡലുകളുടെ ഭാവി കൂടുതൽ വ്യക്തമാവുകയാണ്. കൂടുതൽ വിപുലമായ സ്വയം മേൽനോട്ടത്തിലുള്ള പ്രീ-ട്രെയിനിംഗ് രീതികളും പരിശീലന ഡാറ്റയുടെ വിപുലമായ ശേഖരണവും ഉപയോഗിച്ച്, ChatGPT പോലുള്ള വലിയ ഭാഷാ മോഡലുകളുടെ വിജയകരമായ ഉദാഹരണങ്ങൾ വരച്ചുകൊണ്ട്, മെഡിക്കൽ AI മേഖലയിലെ ഗവേഷകർ 1) രോഗ-നിർദ്ദിഷ്ട ബേസ് മോഡലുകൾ, 2) ജനറൽ ബേസ് മോഡലുകൾ, 3) വമ്പിച്ച പാരാമീറ്ററുകളും മികച്ച കഴിവുകളും ഉള്ള വിവിധ മോഡുകൾ സംയോജിപ്പിക്കുന്ന മൾട്ടിമോഡൽ ലാർജ് മോഡലുകൾ നിർമ്മിക്കാൻ ശ്രമിക്കുന്നു.

മെഡിക്കൽ ഡാറ്റ അക്വിസിഷൻ AI മോഡൽ

ഡൗൺസ്ട്രീം ക്ലിനിക്കൽ ഡാറ്റ വിശകലന ജോലികളിൽ വലിയ പങ്ക് വഹിക്കുന്ന വലിയ AI മോഡലുകൾക്ക് പുറമേ, അപ്‌സ്ട്രീം ക്ലിനിക്കൽ ഡാറ്റ അക്വിസിഷനിലും, ജനറേറ്റീവ് AI മോഡലുകൾ പ്രതിനിധീകരിക്കുന്ന സാങ്കേതികവിദ്യ ഉയർന്നുവന്നിട്ടുണ്ട്. AI അൽഗോരിതങ്ങൾ വഴി ഡാറ്റ അക്വിസിഷന്റെ പ്രക്രിയ, വേഗത, ഗുണനിലവാരം എന്നിവ ഗണ്യമായി മെച്ചപ്പെടുത്താൻ കഴിയും.

ഈ വർഷം ആദ്യം, തുർക്കിയിലെ സ്ട്രെയിറ്റ്സ് യൂണിവേഴ്സിറ്റിയിൽ നിന്നുള്ള ഒരു പഠനം നേച്ചർ ബയോമെഡിക്കൽ എഞ്ചിനീയറിംഗ് പ്രസിദ്ധീകരിച്ചു, ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകളിൽ പാത്തോളജിക്കൽ ഇമേജ് സഹായത്തോടെയുള്ള രോഗനിർണയത്തിന്റെ പ്രശ്നം പരിഹരിക്കുന്നതിന് ജനറേറ്റീവ് AI ഉപയോഗിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു. ശസ്ത്രക്രിയയ്ക്കിടെ ഫ്രോസൺ സെക്ഷൻ ടിഷ്യുവിലെ ആർട്ടിഫാക്റ്റുകൾ ദ്രുത ഡയഗ്നോസ്റ്റിക് വിലയിരുത്തലിന് ഒരു തടസ്സമാണ്. ഫോർമാലിൻ, പാരഫിൻ എംബഡഡ് (FFPE) ടിഷ്യു ഉയർന്ന നിലവാരമുള്ള സാമ്പിൾ നൽകുന്നുണ്ടെങ്കിലും, അതിന്റെ ഉൽപാദന പ്രക്രിയ സമയമെടുക്കുന്നതും പലപ്പോഴും 12-48 മണിക്കൂർ എടുക്കുന്നതുമാണ്, ഇത് ശസ്ത്രക്രിയയിൽ ഉപയോഗിക്കാൻ അനുയോജ്യമല്ലാതാക്കുന്നു. അതിനാൽ ഗവേഷണ സംഘം AI-FFPE എന്ന ഒരു അൽഗോരിതം നിർദ്ദേശിച്ചു, ഇത് ഫ്രോസൺ വിഭാഗത്തിലെ ടിഷ്യുവിന്റെ രൂപം FFPE പോലെയാക്കും. അൽഗോരിതം ഫ്രോസൺ വിഭാഗങ്ങളുടെ ആർട്ടിഫാക്റ്റുകൾ വിജയകരമായി ശരിയാക്കി, ചിത്രത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തി, അതേ സമയം ക്ലിനിക്കലി പ്രസക്തമായ സവിശേഷതകൾ നിലനിർത്തി. ക്ലിനിക്കൽ വാലിഡേഷനിൽ, AI-FFPE അൽഗോരിതം ട്യൂമർ ഉപവിഭാഗങ്ങൾക്കായുള്ള പാത്തോളജിസ്റ്റുകളുടെ ഡയഗ്നോസ്റ്റിക് കൃത്യത ഗണ്യമായി മെച്ചപ്പെടുത്തുന്നു, അതേസമയം ക്ലിനിക്കൽ രോഗനിർണയ സമയം വളരെയധികം കുറയ്ക്കുന്നു.

ജിലിൻ യൂണിവേഴ്സിറ്റിയിലെ തേർഡ് ക്ലിനിക്കൽ കോളേജ്, ഫുഡാൻ യൂണിവേഴ്സിറ്റിയുമായി അഫിലിയേറ്റ് ചെയ്ത സോങ്ഷാൻ ഹോസ്പിറ്റലിലെ റേഡിയോളജി വിഭാഗം, ഷാങ്ഹായ് യൂണിവേഴ്സിറ്റി ഓഫ് സയൻസ് ആൻഡ് ടെക്നോളജി എന്നിവിടങ്ങളിൽ നിന്നുള്ള ഒരു സംഘം നടത്തിയ ഗവേഷണ പ്രവർത്തനത്തെക്കുറിച്ച് സെൽ റിപ്പോർട്ട്സ് മെഡിസിൻ റിപ്പോർട്ട് ചെയ്യുന്നു [25]. ഉയർന്ന വൈവിധ്യവും വഴക്കവുമുള്ള ഒരു പൊതു-ഉദ്ദേശ്യ ആഴത്തിലുള്ള പഠനവും ആവർത്തന പുനർനിർമ്മാണ ഫ്യൂഷൻ ഫ്രെയിംവർക്ക് (ഹൈബ്രിഡ് ഡിഎൽ-ഐആർ) ഈ പഠനം നിർദ്ദേശിക്കുന്നു, ഇത് ഫാസ്റ്റ് എംആർഐ, ലോ ഡോസ് സിടി, ഫാസ്റ്റ് പിഇടി എന്നിവയിൽ മികച്ച ഇമേജ് പുനർനിർമ്മാണ പ്രകടനം കാണിക്കുന്നു. അൽഗോരിതം 100 സെക്കൻഡിനുള്ളിൽ എംആർ സിംഗിൾ-ഓർഗൻ മൾട്ടി-സീക്വൻസ് സ്കാനിംഗ് നേടാനും, റേഡിയേഷൻ ഡോസ് സിടി ഇമേജിന്റെ 10% മാത്രമായി കുറയ്ക്കാനും, ശബ്ദം ഇല്ലാതാക്കാനും, പിഇടി ഏറ്റെടുക്കലിൽ നിന്നുള്ള ചെറിയ മുറിവുകൾ 2 മുതൽ 4 മടങ്ങ് വരെ ത്വരിതപ്പെടുത്തലോടെ പുനർനിർമ്മിക്കാനും കഴിയും, അതേസമയം മോഷൻ ആർട്ടിഫാക്റ്റുകളുടെ പ്രഭാവം കുറയ്ക്കുകയും ചെയ്യുന്നു.

മെഡിക്കൽ തൊഴിലാളികളുമായി സഹകരിച്ച് മെഡിക്കൽ AI

മെഡിക്കൽ AI യുടെ ദ്രുതഗതിയിലുള്ള വികസനം, ക്ലിനിക്കൽ പ്രക്രിയകൾ മെച്ചപ്പെടുത്തുന്നതിന് AI-യുമായി എങ്ങനെ സഹകരിക്കാമെന്ന് ഗൗരവമായി പരിഗണിക്കാനും പര്യവേക്ഷണം ചെയ്യാനും മെഡിക്കൽ പ്രൊഫഷണലുകളെ പ്രേരിപ്പിച്ചു. ഈ വർഷം ജൂലൈയിൽ, ഡീപ്‌മൈൻഡും ഒരു മൾട്ടി-ഇൻസ്റ്റിറ്റ്യൂഷണൽ റിസർച്ച് ടീമും സംയുക്തമായി കോംപ്ലിമെന്ററി ഡ്രൈവൺ ക്ലിനിക്കൽ വർക്ക്ഫ്ലോ ഡിലേ (CoDoC) എന്ന ഒരു AI സിസ്റ്റം നിർദ്ദേശിച്ചു. ഡയഗ്നോസ്റ്റിക് പ്രക്രിയ ആദ്യം ഒരു പ്രവചനാത്മക AI സിസ്റ്റം ഉപയോഗിച്ച് രോഗനിർണയം നടത്തുന്നു, തുടർന്ന് മുമ്പത്തെ ഫലത്തെ അടിസ്ഥാനമാക്കി മറ്റൊരു AI സിസ്റ്റം വിലയിരുത്തുന്നു, സംശയമുണ്ടെങ്കിൽ, രോഗനിർണയ കൃത്യതയും സന്തുലിത കാര്യക്ഷമതയും മെച്ചപ്പെടുത്തുന്നതിന് ഒരു ക്ലിനീഷ്യൻ ഒടുവിൽ രോഗനിർണയം നടത്തുന്നു. സ്തനാർബുദ പരിശോധനയുടെ കാര്യത്തിൽ, UK-യിലെ നിലവിലുള്ള "ഡബിൾ-റീഡ് ആർബിട്രേഷൻ" പ്രക്രിയയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, CoDoC അതേ തെറ്റായ നെഗറ്റീവ് നിരക്കിൽ തെറ്റായ പോസിറ്റീവ് നിരക്കുകൾ 25% കുറച്ചു, അതേസമയം ക്ലിനീഷ്യൻ ജോലിഭാരം 66% കുറച്ചു. TB വർഗ്ഗീകരണത്തിന്റെ കാര്യത്തിൽ, സ്വതന്ത്ര AI, ക്ലിനിക്കൽ വർക്ക്ഫ്ലോകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അതേ തെറ്റായ നെഗറ്റീവ് നിരക്കിൽ തെറ്റായ പോസിറ്റീവ് നിരക്കുകൾ 5 മുതൽ 15 ശതമാനം വരെ കുറച്ചു.

അതുപോലെ, യുകെയിലെ ലണ്ടനിലുള്ള ഖൈറോൺ കമ്പനിയിലെ ആനി വൈ. എൻജി തുടങ്ങിയവർ, ഡബിൾ-റീഡ് ആർബിട്രേഷൻ പ്രക്രിയയിൽ തിരിച്ചുവിളിക്കൽ ഫലങ്ങൾ ഇല്ലാത്തപ്പോൾ ഫലങ്ങൾ പുനഃപരിശോധിക്കുന്നതിനായി (മനുഷ്യ പരിശോധകരുമായി സഹകരിച്ച്) അധിക AI റീഡറുകൾ അവതരിപ്പിച്ചു, ഇത് ആദ്യകാല സ്തനാർബുദ പരിശോധനയിൽ മിസ്ഡ് ഡിറ്റക്ഷൻ പ്രശ്നം മെച്ചപ്പെടുത്തി, കൂടാതെ പ്രക്രിയയിൽ മിക്കവാറും തെറ്റായ പോസിറ്റീവുകളൊന്നുമില്ല. ടെക്സസ് യൂണിവേഴ്സിറ്റി മക്ഗൊവൻ മെഡിക്കൽ സ്കൂളിലെ ഒരു സംഘം നയിച്ചതും നാല് സ്ട്രോക്ക് സെന്ററുകളിൽ പൂർത്തിയാക്കിയതുമായ മറ്റൊരു പഠനം, ലാർജ് വാസ്കുലർ ഒക്ലൂസീവ് ഇസ്കെമിക് സ്ട്രോക്ക് (LVO) കണ്ടെത്തൽ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിന് കമ്പ്യൂട്ട്ഡ് ടോമോഗ്രഫി ആൻജിയോഗ്രാഫി (CTA) അടിസ്ഥാനമാക്കിയുള്ള AI സാങ്കേതികവിദ്യ പ്രയോഗിച്ചു. CT ഇമേജിംഗ് പൂർത്തിയായി മിനിറ്റുകൾക്കുള്ളിൽ ക്ലിനിക്കുകൾക്കും റേഡിയോളജിസ്റ്റുകൾക്കും അവരുടെ മൊബൈൽ ഫോണുകളിൽ തത്സമയ അലേർട്ടുകൾ ലഭിക്കുന്നു, LVO യുടെ സാധ്യമായ സാന്നിധ്യത്തെക്കുറിച്ച് അവരെ അറിയിക്കുന്നു. ഈ AI പ്രക്രിയ അക്യൂട്ട് ഇസ്കെമിക് സ്ട്രോക്കിനുള്ള ആശുപത്രിയിലെ വർക്ക്ഫ്ലോകൾ മെച്ചപ്പെടുത്തുന്നു, ചികിത്സയിലേക്കുള്ള വാതിൽ മുതൽ അരക്കെട്ട് വരെയുള്ള സമയം കുറയ്ക്കുകയും വിജയകരമായ രക്ഷാപ്രവർത്തനത്തിനുള്ള അവസരങ്ങൾ നൽകുകയും ചെയ്യുന്നു. കണ്ടെത്തലുകൾ JAMA ന്യൂറോളജിയിൽ പ്രസിദ്ധീകരിച്ചിരിക്കുന്നു.

സാർവത്രിക നേട്ടത്തിനായുള്ള ഒരു AI ആരോഗ്യ സംരക്ഷണ മാതൃക

2023-ൽ, കൂടുതൽ എളുപ്പത്തിൽ ലഭ്യമായ ഡാറ്റയിൽ നിന്ന് മനുഷ്യനേത്രത്തിന് അദൃശ്യമായ സവിശേഷതകൾ കണ്ടെത്തുന്നതിന് മെഡിക്കൽ AI ഉപയോഗിക്കുന്ന നിരവധി നല്ല പ്രവർത്തനങ്ങൾ കാണപ്പെടും, ഇത് സാർവത്രിക രോഗനിർണയവും സ്കെയിലിൽ നേരത്തെയുള്ള സ്ക്രീനിംഗും സാധ്യമാക്കുന്നു. വർഷത്തിന്റെ തുടക്കത്തിൽ, സൺ യാറ്റ്-സെൻ സർവകലാശാലയിലെ സോങ്‌ഷാൻ ഐ സെന്ററും ഫുജിയാൻ മെഡിക്കൽ യൂണിവേഴ്‌സിറ്റിയിലെ സെക്കൻഡ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റലും നടത്തിയ പഠനങ്ങൾ നേച്ചർ മെഡിസിൻ പ്രസിദ്ധീകരിച്ചു. ആപ്ലിക്കേഷൻ ടെർമിനലുകളായി സ്മാർട്ട്‌ഫോണുകൾ ഉപയോഗിച്ച്, കുട്ടികളുടെ നോട്ടത്തെ പ്രേരിപ്പിക്കുന്നതിനും കുട്ടികളുടെ നോട്ട പെരുമാറ്റവും മുഖ സവിശേഷതകളും റെക്കോർഡുചെയ്യുന്നതിനും അവർ കാർട്ടൂൺ പോലുള്ള വീഡിയോ ചിത്രങ്ങൾ ഉപയോഗിച്ചു, കൂടാതെ കൺജെനിറ്റൽ തിമിരം, കൺജെനിറ്റൽ പിറ്റോസിസ്, കൺജെനിറ്റൽ ഗ്ലോക്കോമ എന്നിവയുൾപ്പെടെ 16 നേത്രരോഗങ്ങൾ വിജയകരമായി തിരിച്ചറിയുന്നതിന് ആഴത്തിലുള്ള പഠന മോഡലുകൾ ഉപയോഗിച്ച് അസാധാരണ മോഡലുകൾ കൂടുതൽ വിശകലനം ചെയ്തു, ശരാശരി 85%-ൽ കൂടുതൽ സ്‌ക്രീനിംഗ് കൃത്യതയോടെ. ശിശുക്കളുടെ കാഴ്ച വൈകല്യത്തിന്റെയും അനുബന്ധ നേത്രരോഗങ്ങളുടെയും വലിയ തോതിലുള്ള ആദ്യകാല സ്‌ക്രീനിംഗിനുള്ള ഫലപ്രദവും എളുപ്പത്തിൽ ജനപ്രിയമാക്കാവുന്നതുമായ സാങ്കേതിക മാർഗങ്ങൾ ഇത് നൽകുന്നു.

വർഷാവസാനം, ഷാങ്ഹായ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് പാൻക്രിയാറ്റിക് ഡിസീസ്, സെജിയാങ് യൂണിവേഴ്സിറ്റിയിലെ ഫസ്റ്റ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റൽ എന്നിവയുൾപ്പെടെ ലോകമെമ്പാടുമുള്ള പത്തിലധികം മെഡിക്കൽ, ഗവേഷണ സ്ഥാപനങ്ങൾ നടത്തിയ ഒരു പഠനത്തെക്കുറിച്ച് നേച്ചർ മെഡിസിൻ റിപ്പോർട്ട് ചെയ്തു. ശാരീരിക പരിശോധനാ കേന്ദ്രങ്ങൾ, ആശുപത്രികൾ മുതലായവയിലെ ലക്ഷണമില്ലാത്ത ആളുകളുടെ പാൻക്രിയാറ്റിക് കാൻസർ സ്ക്രീനിംഗിൽ രചയിതാവ് AI പ്രയോഗിച്ചു, നഗ്നനേത്രങ്ങൾ കൊണ്ട് മാത്രം കണ്ടെത്താൻ പ്രയാസമുള്ള പ്ലെയിൻ സ്കാൻ സിടി ഇമേജുകളിലെ നിഖേദ് സവിശേഷതകൾ കണ്ടെത്തുന്നതിനും, പാൻക്രിയാറ്റിക് ക്യാൻസറിന്റെ കാര്യക്ഷമവും ആക്രമണാത്മകമല്ലാത്തതുമായ ആദ്യകാല കണ്ടെത്തൽ നേടുന്നതിനും. 20,000-ത്തിലധികം രോഗികളിൽ നിന്നുള്ള ഡാറ്റ അവലോകനം ചെയ്തപ്പോൾ, ക്ലിനിക്കൽ മിസ്ഡ് നിഖേദങ്ങളുടെ 31 കേസുകളും മോഡൽ തിരിച്ചറിഞ്ഞു, ഇത് ക്ലിനിക്കൽ ഫലങ്ങൾ ഗണ്യമായി മെച്ചപ്പെടുത്തി.

മെഡിക്കൽ ഡാറ്റ പങ്കിടൽ

2023-ൽ, ലോകമെമ്പാടും കൂടുതൽ മികച്ച ഡാറ്റ പങ്കിടൽ സംവിധാനങ്ങളും വിജയകരമായ കേസുകളും ഉയർന്നുവന്നിട്ടുണ്ട്, ഡാറ്റ സ്വകാര്യതയും സുരക്ഷയും സംരക്ഷിക്കുക എന്ന മുൻവിധിയോടെ മൾട്ടി-സെന്റർ സഹകരണവും ഡാറ്റ തുറന്ന മനസ്സും ഉറപ്പാക്കുന്നു.

ഒന്നാമതായി, AI സാങ്കേതികവിദ്യയുടെ സഹായത്തോടെ, AI ഗവേഷകർ മെഡിക്കൽ ഡാറ്റ പങ്കിടുന്നതിന് സംഭാവന നൽകിയിട്ടുണ്ട്. യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെ റട്‌ജേഴ്‌സ് യൂണിവേഴ്‌സിറ്റിയിലെ ക്വി ചാങ്ങും മറ്റുള്ളവരും നേച്ചർ കമ്മ്യൂണിക്കേഷനിൽ ഒരു ലേഖനം പ്രസിദ്ധീകരിച്ചു, ഡിസ്ട്രിബ്യൂട്ടഡ് സിന്തറ്റിക് അഡ്‌വേഴ്‌സറിയൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഫെഡറൽ ലേണിംഗ് ഫ്രെയിംവർക്ക് DSL നിർദ്ദേശിക്കുന്നു, ഇത് മൾട്ടി-സെന്ററുകളുടെ നിർദ്ദിഷ്ട ജനറേറ്റഡ് ഡാറ്റ പരിശീലിപ്പിക്കുന്നതിന് ജനറേറ്റീവ് AI ഉപയോഗിക്കുന്നു, തുടർന്ന് ജനറേറ്റഡ് ഡാറ്റ ഉപയോഗിച്ച് മൾട്ടി-സെന്ററുകളുടെ യഥാർത്ഥ ഡാറ്റ മാറ്റിസ്ഥാപിക്കുന്നു. ഡാറ്റ സ്വകാര്യത സംരക്ഷിക്കുന്നതിനൊപ്പം മൾട്ടിസെന്റർ ബിഗ് ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള AI പരിശീലനം ഉറപ്പാക്കുക. ജനറേറ്റഡ് പാത്തോളജിക്കൽ ഇമേജുകളുടെയും അവയുടെ അനുബന്ധ വ്യാഖ്യാനങ്ങളുടെയും ഒരു ഡാറ്റാസെറ്റ് ഓപ്പൺ സോഴ്‌സ് ചെയ്യുന്നതും ഇതേ ടീം തന്നെയാണ്. ജനറേറ്റഡ് ഡാറ്റ സെറ്റിൽ പരിശീലനം ലഭിച്ച സെഗ്‌മെന്റേഷൻ മോഡലിന് യഥാർത്ഥ ഡാറ്റയ്ക്ക് സമാനമായ ഫലങ്ങൾ നേടാൻ കഴിയും.

സിൻ‌ഹുവ സർവകലാശാലയിലെ ഡായ് ക്യോങ്‌ഹായ് സംഘം എൻ‌പി‌ജെ ഡിജിറ്റൽ ഹെൽത്തിനെക്കുറിച്ചുള്ള ഒരു പ്രബന്ധം പ്രസിദ്ധീകരിച്ചു, പ്രാദേശിക ഡാറ്റ പരമാധികാരം, ക്രോസ്-സൈറ്റ് നെറ്റ്‌വർക്ക് കണക്ഷൻ ഇല്ല എന്ന തത്വത്തിൽ AI മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് മൾട്ടി-സൈറ്റ് ബിഗ് ഡാറ്റ ഉപയോഗിക്കുന്ന റിലേ ലേണിംഗ് നിർദ്ദേശിച്ചു. ഇത് ഡാറ്റ സുരക്ഷയെയും സ്വകാര്യതാ ആശങ്കകളെയും AI പ്രകടനവുമായി സന്തുലിതമാക്കുന്നു. അതേ ടീം പിന്നീട് ഗ്വാങ്‌ഷോ മെഡിക്കൽ യൂണിവേഴ്‌സിറ്റിയിലെ ഫസ്റ്റ് അഫിലിയേറ്റഡ് ഹോസ്പിറ്റലുമായും രാജ്യത്തുടനീളമുള്ള 24 ആശുപത്രികളുമായും സഹകരിച്ച് ഫെഡറൽ ലേണിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള ചെസ്റ്റ് സിടി പാൻ-മീഡിയസ്റ്റൈനൽ ട്യൂമർ ഡയഗ്നോസിസ് സിസ്റ്റമായ CAIMEN സംയുക്തമായി വികസിപ്പിക്കുകയും സാധൂകരിക്കുകയും ചെയ്തു. 12 സാധാരണ മെഡിയസ്റ്റൈനൽ ട്യൂമറുകളിൽ പ്രയോഗിക്കാൻ കഴിയുന്ന ഈ സംവിധാനം, മനുഷ്യ വിദഗ്ധർ മാത്രം ഉപയോഗിക്കുന്നതിനേക്കാൾ 44.9 ശതമാനം മികച്ച കൃത്യതയും മനുഷ്യ വിദഗ്ധർ ഇത് ഉപയോഗിക്കുമ്പോൾ 19 ശതമാനം മികച്ച രോഗനിർണയ കൃത്യതയും നേടി.

മറുവശത്ത്, സുരക്ഷിതവും ആഗോളവും വലുതുമായ മെഡിക്കൽ ഡാറ്റ സെറ്റുകൾ നിർമ്മിക്കുന്നതിനായി നിരവധി സംരംഭങ്ങൾ നടക്കുന്നുണ്ട്. 2023 നവംബറിൽ, ഹാർവാർഡ് മെഡിക്കൽ സ്കൂളിലെ ബയോമെഡിക്കൽ ഇൻഫോർമാറ്റിക്സ് വകുപ്പിലെ അഗസ്റ്റിന സെയ്ൻസും മറ്റുള്ളവരും ലാൻസെറ്റ് ഡിജിറ്റൽ ഹെൽത്തിൽ ഓൺലൈനായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഡാറ്റ ഫോർ ഓൾ ഹെൽത്ത്കെയർ (MAIDA) എന്ന മെഡിക്കൽ ഇമേജ് ഡാറ്റ പങ്കിടുന്നതിനുള്ള ഒരു ആഗോള ചട്ടക്കൂട് പ്രസിദ്ധീകരിച്ചു. ഡാറ്റ പങ്കിടൽ സ്റ്റാൻഡേർഡ് ചെയ്യുന്നതിന് യുഎസ് ഫെഡറൽ ഡെമോൺസ്ട്രേഷൻ പാർട്ണർ (FDP) ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഡാറ്റ ശേഖരണത്തിലും ഡി-ഐഡന്റിഫിക്കേഷനിലും സമഗ്രമായ മാർഗ്ഗനിർദ്ദേശം നൽകുന്നതിനായി അവർ ലോകമെമ്പാടുമുള്ള ആരോഗ്യ സംരക്ഷണ സംഘടനകളുമായി പ്രവർത്തിക്കുന്നു. ലോകമെമ്പാടുമുള്ള വിവിധ പ്രദേശങ്ങളിലും ക്ലിനിക്കൽ ക്രമീകരണങ്ങളിലും ശേഖരിച്ച ഡാറ്റ സെറ്റുകൾ ക്രമേണ പുറത്തിറക്കാൻ അവർ പദ്ധതിയിടുന്നു. ആദ്യ ഡാറ്റാസെറ്റ് 2024 ന്റെ തുടക്കത്തിൽ പുറത്തിറങ്ങുമെന്ന് പ്രതീക്ഷിക്കുന്നു, പങ്കാളിത്തം വികസിക്കുമ്പോൾ കൂടുതൽ വരും. പൊതുജനങ്ങൾക്ക് ലഭ്യമായ AI ഡാറ്റയുടെ ആഗോളവും വലുതും വൈവിധ്യപൂർണ്ണവുമായ ഒരു സെറ്റ് നിർമ്മിക്കാനുള്ള ഒരു പ്രധാന ശ്രമമാണ് ഈ പദ്ധതി.

ഈ നിർദ്ദേശത്തിന്റെ പശ്ചാത്തലത്തിൽ, യുകെ ബയോബാങ്ക് ഒരു മാതൃകയായി. യുകെ ബയോബാങ്ക് അതിന്റെ 500,000 പങ്കാളികളുടെ മുഴുവൻ ജീനോം സീക്വൻസിംഗിൽ നിന്നും നവംബർ 30 ന് പുതിയ ഡാറ്റ പുറത്തിറക്കി. 500,000 ബ്രിട്ടീഷ് വളണ്ടിയർമാരുടെയും പൂർണ്ണമായ ജീനോം സീക്വൻസ് പ്രസിദ്ധീകരിക്കുന്ന ഡാറ്റാബേസ്, ലോകത്തിലെ ഏറ്റവും വലിയ സമ്പൂർണ്ണ മനുഷ്യ ജീനോം ഡാറ്റാബേസാണ്. ലോകമെമ്പാടുമുള്ള ഗവേഷകർക്ക് ഈ തിരിച്ചറിയപ്പെടാത്ത ഡാറ്റയിലേക്ക് പ്രവേശനം അഭ്യർത്ഥിക്കാനും ആരോഗ്യത്തിന്റെയും രോഗത്തിന്റെയും ജനിതക അടിസ്ഥാനം അന്വേഷിക്കാൻ ഇത് ഉപയോഗിക്കാനും കഴിയും. മുൻകാലങ്ങളിൽ ജനിതക ഡാറ്റ എല്ലായ്പ്പോഴും സ്ഥിരീകരണത്തിനായി വളരെ സെൻസിറ്റീവ് ആയിരുന്നു, കൂടാതെ യുകെ ബയോബാങ്കിന്റെ ഈ ചരിത്ര നേട്ടം ഒരു തുറന്ന, സ്വകാര്യതയില്ലാത്ത ആഗോള വലിയ തോതിലുള്ള ഡാറ്റാബേസ് നിർമ്മിക്കാൻ കഴിയുമെന്ന് തെളിയിക്കുന്നു. ഈ സാങ്കേതികവിദ്യയും ഡാറ്റാബേസും ഉപയോഗിച്ച്, മെഡിക്കൽ AI അടുത്ത കുതിപ്പിന് തുടക്കമിടും.

മെഡിക്കൽ AI യുടെ സ്ഥിരീകരണവും വിലയിരുത്തലും

മെഡിക്കൽ AI സാങ്കേതികവിദ്യയുടെ ദ്രുതഗതിയിലുള്ള വികസനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മെഡിക്കൽ AI-യുടെ സ്ഥിരീകരണത്തിന്റെയും വിലയിരുത്തലിന്റെയും വികസനം അൽപ്പം മന്ദഗതിയിലാണ്. പൊതുവായ AI മേഖലയിലെ മൂല്യനിർണ്ണയവും വിലയിരുത്തലും പലപ്പോഴും ക്ലിനിക്കുകളുടെയും രോഗികളുടെയും AI-യുടെ യഥാർത്ഥ ആവശ്യകതകളെ അവഗണിക്കുന്നു. പരമ്പരാഗത റാൻഡമൈസ്ഡ് നിയന്ത്രിത ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ AI ഉപകരണങ്ങളുടെ ദ്രുത ആവർത്തനവുമായി പൊരുത്തപ്പെടാൻ വളരെ ശ്രമകരമാണ്. മെഡിക്കൽ AI ഉപകരണങ്ങൾക്ക് അനുയോജ്യമായ സ്ഥിരീകരണ, മൂല്യനിർണ്ണയ സംവിധാനം എത്രയും വേഗം മെച്ചപ്പെടുത്തുക എന്നതാണ് മെഡിക്കൽ AI-യെ ഗവേഷണത്തെയും വികസനത്തെയും ക്ലിനിക്കൽ ലാൻഡിംഗിലേക്ക് യഥാർത്ഥത്തിൽ കുതിക്കാൻ പ്രോത്സാഹിപ്പിക്കുന്നതിനുള്ള ഏറ്റവും പ്രധാനപ്പെട്ട കാര്യം.

Nature-ൽ പ്രസിദ്ധീകരിച്ച Med-PalM-നെക്കുറിച്ചുള്ള ഗൂഗിളിന്റെ ഗവേഷണ പ്രബന്ധത്തിൽ, വലിയ ഭാഷാ മോഡലുകളുടെ ക്ലിനിക്കൽ പരിജ്ഞാനം നേടാനുള്ള കഴിവ് വിലയിരുത്താൻ ഉപയോഗിക്കുന്ന മൾട്ടിമെഡ്ക്യുഎ മൂല്യനിർണ്ണയ ബെഞ്ച്മാർക്കും ടീം പ്രസിദ്ധീകരിച്ചു. പ്രൊഫഷണൽ മെഡിക്കൽ പരിജ്ഞാനം, ഗവേഷണം, മറ്റ് വശങ്ങൾ എന്നിവ ഉൾക്കൊള്ളുന്ന നിലവിലുള്ള ആറ് പ്രൊഫഷണൽ മെഡിക്കൽ ചോദ്യോത്തര ഡാറ്റാസെറ്റുകളും ഒരു ഓൺലൈൻ തിരയൽ മെഡിക്കൽ ചോദ്യോത്തര ഡാറ്റാബേസ് ഡാറ്റാസെറ്റും ബെഞ്ച്മാർക്ക് സംയോജിപ്പിക്കുന്നു, ഡോക്ടർ-രോഗി ഓൺലൈൻ ചോദ്യോത്തരങ്ങൾ പരിഗണിച്ച്, പല വശങ്ങളിൽ നിന്നും യോഗ്യതയുള്ള ഒരു ഡോക്ടറായി AI-യെ പരിശീലിപ്പിക്കാൻ ശ്രമിക്കുന്നു. കൂടാതെ, വസ്തുത, ധാരണ, ന്യായവാദം, സാധ്യമായ പക്ഷപാതം എന്നിവയുടെ ഒന്നിലധികം മാനങ്ങൾ കണക്കിലെടുക്കുന്ന മനുഷ്യ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ചട്ടക്കൂട് ടീം നിർദ്ദേശിക്കുന്നു. ഈ വർഷം പ്രസിദ്ധീകരിച്ച ആരോഗ്യ സംരക്ഷണത്തിലെ AI വിലയിരുത്തുന്നതിനുള്ള ഏറ്റവും പ്രാതിനിധ്യമുള്ള ഗവേഷണ ശ്രമങ്ങളിൽ ഒന്നാണിത്.

എന്നിരുന്നാലും, വലിയ ഭാഷാ മോഡലുകൾ ഉയർന്ന തലത്തിലുള്ള എൻകോഡിംഗ് ക്ലിനിക്കൽ പരിജ്ഞാനം കാണിക്കുന്നു എന്ന വസ്തുത അർത്ഥമാക്കുന്നത് വലിയ ഭാഷാ മോഡലുകൾ യഥാർത്ഥ ലോകത്തിലെ ക്ലിനിക്കൽ ജോലികൾക്ക് പ്രാപ്തമാണെന്ന് അർത്ഥമാക്കുന്നുണ്ടോ? പ്രൊഫഷണൽ ഫിസിഷ്യൻ പരീക്ഷയിൽ പൂർണ്ണ സ്കോറോടെ വിജയിക്കുന്ന ഒരു മെഡിക്കൽ വിദ്യാർത്ഥി ഇപ്പോഴും ഒരു സോളോ ചീഫ് ഫിസിഷ്യനിൽ നിന്ന് വളരെ അകലെയായിരിക്കുന്നതുപോലെ, AI മോഡലുകൾക്കായുള്ള മെഡിക്കൽ AI മൂല്യനിർണ്ണയത്തിന്റെ വിഷയത്തിന് Google നിർദ്ദേശിച്ച മൂല്യനിർണ്ണയ മാനദണ്ഡങ്ങൾ ഒരു തികഞ്ഞ ഉത്തരമായിരിക്കില്ല. 2021 ലും 2022 ലും തന്നെ, ക്ലിനിക്കൽ പ്രായോഗികത, സുരക്ഷ, മാനുഷിക ഘടകങ്ങൾ, സുതാര്യത/വ്യാഖ്യാനക്ഷമത തുടങ്ങിയ ഘടകങ്ങൾ പരിഗണിക്കുന്ന വ്യവസ്ഥയിൽ മെഡിക്കൽ AI യുടെ ആദ്യകാല വികസനത്തിനും സാധുതയ്ക്കും വഴികാട്ടാൻ ഗവേഷകർ Decid-AI, SPIRIT-AI, INTRPRT തുടങ്ങിയ റിപ്പോർട്ടിംഗ് മാർഗ്ഗനിർദ്ദേശങ്ങൾ നിർദ്ദേശിച്ചിട്ടുണ്ട്. അടുത്തിടെ, "ബാഹ്യ മൂല്യനിർണ്ണയം" ഉപയോഗിക്കണോ അതോ "ആവർത്തിച്ചുള്ള പ്രാദേശിക മൂല്യനിർണ്ണയം" ഉപയോഗിക്കണോ എന്നതിനെക്കുറിച്ച് ഓക്സ്ഫോർഡ് സർവകലാശാലയിലെയും സ്റ്റാൻഫോർഡ് സർവകലാശാലയിലെയും ഗവേഷകർ നടത്തിയ ഒരു പഠനം നേച്ചർ മെഡിസിൻ ജേണൽ പ്രസിദ്ധീകരിച്ചു. "AI ഉപകരണങ്ങൾ സാധൂകരിക്കുന്നതിന്."

AI ഉപകരണങ്ങളുടെ പക്ഷപാതമില്ലാത്ത സ്വഭാവം ഈ വർഷം സയൻസ്, NEJM എന്നീ ലേഖനങ്ങളിൽ നിന്ന് ശ്രദ്ധ നേടിയ ഒരു പ്രധാന മൂല്യനിർണ്ണയ ദിശ കൂടിയാണ്. പരിശീലന ഡാറ്റയിൽ മാത്രം ഒതുങ്ങുന്നതിനാൽ AI പലപ്പോഴും പക്ഷപാതം കാണിക്കുന്നു. ഈ പക്ഷപാതം സാമൂഹിക അസമത്വത്തെ പ്രതിഫലിപ്പിച്ചേക്കാം, ഇത് അൽഗോരിതമിക് വിവേചനത്തിലേക്ക് കൂടുതൽ പരിണമിക്കുന്നു. മെഡിക്കൽ AI ഉപകരണങ്ങളുടെ പക്ഷപാതമില്ലായ്മ സാധൂകരിക്കാൻ ഉപയോഗിക്കാവുന്ന വൈവിധ്യമാർന്ന ഡാറ്റാസെറ്റുകൾ (മുകളിൽ സൂചിപ്പിച്ച MAIDA സംരംഭത്തിന്റെ ലക്ഷ്യങ്ങൾക്ക് അനുസൃതമായി) നിർമ്മിക്കുന്നതിനായി നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഹെൽത്ത് അടുത്തിടെ Bridge2AI സംരംഭം ആരംഭിച്ചു, ഇതിന് 130 മില്യൺ ഡോളർ ചിലവാകും. ഈ വശങ്ങൾ MultiMedQA പരിഗണിക്കുന്നില്ല. മെഡിക്കൽ AI മോഡലുകൾ എങ്ങനെ അളക്കുകയും സാധൂകരിക്കുകയും ചെയ്യാം എന്ന ചോദ്യത്തിന് ഇപ്പോഴും വിപുലവും ആഴത്തിലുള്ളതുമായ ചർച്ച ആവശ്യമാണ്.

ജനുവരിയിൽ, കോവിഡ്-19 പാൻഡെമിക്കിന്റെ പശ്ചാത്തലത്തിൽ തുറന്നുകാട്ടപ്പെട്ട ക്ലിനിക്കൽ പരീക്ഷണങ്ങളുടെ പരിമിതികൾ അവലോകനം ചെയ്യുകയും നവീകരണവും ക്ലിനിക്കൽ ഗവേഷണ പ്രക്രിയയോടുള്ള അനുസരണവും തമ്മിലുള്ള വൈരുദ്ധ്യം ചൂണ്ടിക്കാണിക്കുകയും ചെയ്ത, ടെക്സസ് സർവകലാശാലയിലെ എംഡി ആൻഡേഴ്സൺ കാൻസർ സെന്ററിലെ വിവേക് ​​സുബ്ബയ്യയുടെ "ദി നെക്സ്റ്റ് ജനറേഷൻ ഓഫ് എവിഡൻസ്-ബേസ്ഡ് മെഡിസിൻ" എന്ന അഭിപ്രായപ്രകടനം നേച്ചർ മെഡിസിൻ പ്രസിദ്ധീകരിച്ചു. അവസാനമായി, ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ പുനഃക്രമീകരിക്കുന്നതിന്റെ ഒരു ഭാവിയെ ഇത് ചൂണ്ടിക്കാണിക്കുന്നു - കൃത്രിമബുദ്ധി ഉപയോഗിച്ചുള്ള അടുത്ത തലമുറ ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ, അതായത്, പ്രധാന തെളിവുകൾ കണ്ടെത്തുന്നതിന് ധാരാളം ചരിത്ര ഗവേഷണ ഡാറ്റ, യഥാർത്ഥ ലോക ഡാറ്റ, മൾട്ടി-മോഡൽ ക്ലിനിക്കൽ ഡാറ്റ, ധരിക്കാവുന്ന ഉപകരണ ഡാറ്റ എന്നിവയിൽ നിന്നുള്ള കൃത്രിമബുദ്ധിയുടെ ഉപയോഗം. ഇതിനർത്ഥം AI സാങ്കേതികവിദ്യയും AI ക്ലിനിക്കൽ മൂല്യനിർണ്ണയ പ്രക്രിയകളും ഭാവിയിൽ പരസ്പരം ശക്തിപ്പെടുത്തുകയും സഹ-വികസിക്കുകയും ചെയ്യുമെന്നാണോ? 2023 ലെ തുറന്നതും ചിന്തോദ്ദീപകവുമായ ചോദ്യമാണിത്.

മെഡിക്കൽ AI യുടെ നിയന്ത്രണം

AI സാങ്കേതികവിദ്യയുടെ പുരോഗതി AI യുടെ നിയന്ത്രണത്തിനും വെല്ലുവിളികൾ ഉയർത്തുന്നു, ലോകമെമ്പാടുമുള്ള നയരൂപകർത്താക്കൾ ശ്രദ്ധാപൂർവ്വം, ശ്രദ്ധയോടെ പ്രതികരിക്കുന്നു. 2019-ൽ, FDA ആദ്യമായി ഒരു പ്രൊപ്പോസ്ഡ് റെഗുലേറ്ററി ഫ്രെയിംവർക്ക് ഫോർ സോഫ്റ്റ്‌വെയർ ചേഞ്ചസ് ടു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെഡിക്കൽ ഡിവൈസസ് (ഡിസ്കഷൻ ഡ്രാഫ്റ്റ്) പ്രസിദ്ധീകരിച്ചു, AI-യുടെ പ്രീമാർക്കറ്റ് അവലോകനത്തിനും മെഷീൻ ലേണിംഗ്-ഡ്രൈവൺ സോഫ്റ്റ്‌വെയർ പരിഷ്കാരങ്ങൾക്കുമുള്ള അതിന്റെ സാധ്യതയുള്ള സമീപനം വിശദീകരിച്ചു. 2021-ൽ, FDA "ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്/മെഷീൻ ലേണിംഗ്-ബേസ്ഡ് സോഫ്റ്റ്‌വെയർ ആസ് എ മെഡിക്കൽ ഡിവൈസ് ആക്ഷൻ പ്ലാൻ" നിർദ്ദേശിച്ചു, ഇത് അഞ്ച് നിർദ്ദിഷ്ട AI മെഡിക്കൽ റെഗുലേറ്ററി നടപടികൾ വ്യക്തമാക്കി. മെഷീൻ ലേണിംഗ് രീതികളിലൂടെ പരിശീലിപ്പിച്ച മെഷീൻ ലേണിംഗ് മോഡലുകൾ ഉപയോഗിക്കുന്ന ചില സോഫ്റ്റ്‌വെയർ ഉപകരണ സവിശേഷതകൾ ഉൾപ്പെടെ, ഉപകരണ സോഫ്റ്റ്‌വെയർ സവിശേഷതകളുടെ സുരക്ഷയും ഫലപ്രാപ്തിയും FDA വിലയിരുത്തുന്നതിനുള്ള പ്രീമാർക്കറ്റ് സമർപ്പണ ശുപാർശകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ നൽകുന്നതിനായി, ഈ വർഷം, FDA ഉപകരണ സോഫ്റ്റ്‌വെയർ സവിശേഷതകൾക്കായുള്ള പ്രീമാർക്കറ്റ് സമർപ്പണം വീണ്ടും പുറത്തിറക്കി. FDA-യുടെ നിയന്ത്രണ നയം ഒരു പ്രാരംഭ നിർദ്ദേശത്തിൽ നിന്ന് പ്രായോഗിക മാർഗ്ഗനിർദ്ദേശത്തിലേക്ക് പരിണമിച്ചു.

കഴിഞ്ഞ വർഷം ജൂലൈയിൽ യൂറോപ്യൻ ഹെൽത്ത് ഡാറ്റ സ്‌പെയ്‌സ് പ്രസിദ്ധീകരിച്ചതിനെത്തുടർന്ന്, EU വീണ്ടും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആക്റ്റ് നടപ്പിലാക്കി. ഉയർന്ന നിലവാരമുള്ള ആരോഗ്യ സംരക്ഷണം നൽകുന്നതിനും, അസമത്വങ്ങൾ കുറയ്ക്കുന്നതിനും, പ്രതിരോധം, രോഗനിർണയം, ചികിത്സ, ശാസ്ത്രീയ നവീകരണം, തീരുമാനമെടുക്കൽ, നിയമനിർമ്മാണം എന്നിവയ്‌ക്കുള്ള ഡാറ്റയെ പിന്തുണയ്ക്കുന്നതിനും ആരോഗ്യ ഡാറ്റ പരമാവധി പ്രയോജനപ്പെടുത്തുക എന്നതാണ് ആദ്യത്തേത് ലക്ഷ്യമിടുന്നത്, അതേസമയം EU പൗരന്മാർക്ക് അവരുടെ വ്യക്തിഗത ആരോഗ്യ ഡാറ്റയിൽ കൂടുതൽ നിയന്ത്രണം ഉണ്ടെന്ന് ഉറപ്പാക്കുന്നു. രണ്ടാമത്തേത് മെഡിക്കൽ ഡയഗ്നോസിസ് സിസ്റ്റം ഉയർന്ന അപകടസാധ്യതയുള്ള ഒരു AI സംവിധാനമാണെന്നും അത് ലക്ഷ്യം വച്ചുള്ള ശക്തമായ മേൽനോട്ടം, മുഴുവൻ-ജീവിത ചക്ര മേൽനോട്ടം, പ്രീ-ഇവാലുവേഷൻ മേൽനോട്ടം എന്നിവ സ്വീകരിക്കേണ്ടതുണ്ടെന്നും വ്യക്തമാക്കുന്നു. രോഗികളുടെ സുരക്ഷയും ക്ലിനിക്കൽ ഗവേഷണ ഫലങ്ങളുടെ സമഗ്രതയും ഉറപ്പാക്കുന്നതിന് AI യുടെ വിശ്വാസ്യത മെച്ചപ്പെടുത്തുന്നതിന് ഊന്നൽ നൽകിക്കൊണ്ട്, മയക്കുമരുന്ന് വികസനം, നിയന്ത്രണം, ഉപയോഗം എന്നിവയെ പിന്തുണയ്ക്കുന്നതിനായി AI യുടെ ഉപയോഗത്തെക്കുറിച്ച് യൂറോപ്യൻ മെഡിസിൻസ് ഏജൻസി (EMA) ഒരു ഡ്രാഫ്റ്റ് റിഫ്ലക്ഷൻ പേപ്പർ പ്രസിദ്ധീകരിച്ചു. മൊത്തത്തിൽ, EU യുടെ നിയന്ത്രണ സമീപനം ക്രമേണ രൂപപ്പെട്ടുവരികയാണ്, അന്തിമ നടപ്പാക്കൽ വിശദാംശങ്ങൾ കൂടുതൽ വിശദവും കർശനവുമായേക്കാം. യൂറോപ്യൻ യൂണിയന്റെ കർശനമായ നിയന്ത്രണത്തിന് വിരുദ്ധമായി, യുകെയുടെ AI നിയന്ത്രണ ബ്ലൂപ്രിന്റ്, സർക്കാർ മൃദു സമീപനം സ്വീകരിക്കാനും പുതിയ ബില്ലുകൾ നടപ്പിലാക്കുകയോ പുതിയ റെഗുലേറ്ററുകൾ സ്ഥാപിക്കുകയോ ചെയ്യരുതെന്ന് വ്യക്തമാക്കുന്നു.

ചൈനയിൽ, നാഷണൽ മെഡിക്കൽ പ്രോഡക്‌ട്‌സ് അഡ്മിനിസ്ട്രേഷന്റെ മെഡിക്കൽ ഡിവൈസ് ടെക്‌നിക്കൽ റിവ്യൂ സെന്റർ (NMPA) മുമ്പ് “ഡീപ് ലേണിംഗ് അസിസ്റ്റഡ് ഡിസിഷൻ സോഫ്റ്റ്‌വെയറിന്റെ അവലോകന പോയിന്റുകൾ”, “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെഡിക്കൽ ഉപകരണങ്ങളുടെ രജിസ്ട്രേഷൻ അവലോകനത്തിനുള്ള മാർഗ്ഗനിർദ്ദേശ തത്വങ്ങൾ (അഭിപ്രായത്തിനുള്ള ഡ്രാഫ്റ്റ്)”, “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെഡിക്കൽ സോഫ്റ്റ്‌വെയർ ഉൽപ്പന്നങ്ങളുടെ വർഗ്ഗീകരണത്തിനും നിർവചനത്തിനുമുള്ള മാർഗ്ഗനിർദ്ദേശ തത്വങ്ങളെക്കുറിച്ചുള്ള സർക്കുലർ (2021 ലെ നമ്പർ 47)” തുടങ്ങിയ രേഖകൾ പുറത്തിറക്കിയിട്ടുണ്ട്. ഈ വർഷം, "2023-ലെ ആദ്യത്തെ മെഡിക്കൽ ഉപകരണ ഉൽപ്പന്ന വർഗ്ഗീകരണ ഫലങ്ങളുടെ സംഗ്രഹം" വീണ്ടും പുറത്തിറങ്ങി. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെഡിക്കൽ സോഫ്റ്റ്‌വെയർ ഉൽപ്പന്നങ്ങളുടെ നിർവചനം, വർഗ്ഗീകരണം, നിയന്ത്രണം എന്നിവ കൂടുതൽ വ്യക്തവും പ്രവർത്തിക്കാൻ എളുപ്പവുമാക്കുന്ന ഈ രേഖകളുടെ പരമ്പര, വ്യവസായത്തിലെ വിവിധ സംരംഭങ്ങളുടെ ഉൽപ്പന്ന സ്ഥാനനിർണ്ണയത്തിനും രജിസ്ട്രേഷൻ തന്ത്രങ്ങൾക്കും വ്യക്തമായ മാർഗ്ഗനിർദ്ദേശം നൽകുന്നു. AI മെഡിക്കൽ ഉപകരണങ്ങളുടെ ശാസ്ത്രീയ നിയന്ത്രണത്തിനുള്ള ഒരു ചട്ടക്കൂടും മാനേജ്മെന്റ് തീരുമാനങ്ങളും ഈ രേഖകൾ നൽകുന്നു. ഡിസംബർ 21 മുതൽ 23 വരെ ഹാങ്‌ഷൗവിൽ നടന്ന ചൈന മെഡിക്കൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കോൺഫറൻസിന്റെ അജണ്ട, ഡിജിറ്റൽ മെഡിക്കൽ ഗവേണൻസും പൊതു ആശുപത്രികളുടെ ഉയർന്ന നിലവാരമുള്ള വികസനവും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെഡിക്കൽ ഉപകരണ പരിശോധനയും മൂല്യനിർണ്ണയ സാങ്കേതികവിദ്യ സ്റ്റാൻഡേർഡൈസേഷൻ വ്യവസായ വികസന ഫോറവും സംബന്ധിച്ച് ഒരു പ്രത്യേക ഫോറം രൂപീകരിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നത് മൂല്യവത്താണ്. ആ സമയത്ത്, നാഷണൽ ഡെവലപ്‌മെന്റ് ആൻഡ് റിഫോം കമ്മീഷനിൽ നിന്നും എൻഎംപിഎയിൽ നിന്നുമുള്ള ഉദ്യോഗസ്ഥർ യോഗത്തിൽ പങ്കെടുക്കുകയും പുതിയ വിവരങ്ങൾ പുറത്തുവിടുകയും ചെയ്തേക്കാം.

തീരുമാനം

2023-ൽ, ആശുപത്രി ഡാറ്റ ശേഖരണം, സംയോജനം, വിശകലനം, രോഗനിർണയം, ചികിത്സ, കമ്മ്യൂണിറ്റി സ്‌ക്രീനിംഗ് എന്നിവ ഉൾക്കൊള്ളുന്ന മുഴുവൻ മെഡിക്കൽ അപ്‌സ്ട്രീം, ഡൗൺസ്ട്രീം പ്രക്രിയകളിലേക്കും മെഡിക്കൽ AI സംയോജിപ്പിക്കാൻ തുടങ്ങി, കൂടാതെ മനുഷ്യന്റെ ആരോഗ്യത്തിന് ക്ഷേമം കൊണ്ടുവരാനുള്ള സാധ്യത കാണിക്കുന്ന മെഡിക്കൽ/രോഗ നിയന്ത്രണ തൊഴിലാളികളുമായി ജൈവികമായി സഹകരിക്കുകയും ചെയ്യുന്നു. ഉപയോഗയോഗ്യമായ മെഡിക്കൽ AI ഗവേഷണം പുലരാൻ തുടങ്ങിയിരിക്കുന്നു. ഭാവിയിൽ, മെഡിക്കൽ AI യുടെ പുരോഗതി സാങ്കേതിക വികസനത്തെ മാത്രമല്ല, വ്യവസായം, സർവകലാശാല, മെഡിക്കൽ ഗവേഷണം എന്നിവയുടെ പൂർണ്ണ സഹകരണവും നയരൂപീകരണക്കാരുടെയും നിയന്ത്രണ ഏജൻസികളുടെയും പിന്തുണയും ആവശ്യമാണ്. AI-സംയോജിത മെഡിക്കൽ സേവനങ്ങൾ നേടുന്നതിനുള്ള താക്കോലാണ് ഈ ക്രോസ്-ഡൊമെയ്ൻ സഹകരണം, തീർച്ചയായും മനുഷ്യന്റെ ആരോഗ്യത്തിന്റെ വികസനം പ്രോത്സാഹിപ്പിക്കും.