बातम्या

२००७ मध्ये आयबीएम वॉटसनची सुरुवात झाल्यापासून, मानव वैद्यकीय कृत्रिम बुद्धिमत्ता (एआय) च्या विकासासाठी सतत प्रयत्न करत आहेत. वापरण्यायोग्य आणि शक्तिशाली वैद्यकीय एआय प्रणालीमध्ये आधुनिक औषधाच्या सर्व पैलूंना आकार देण्याची प्रचंड क्षमता आहे, ज्यामुळे हुशार, अधिक अचूक, कार्यक्षम आणि समावेशक काळजी घेता येते, वैद्यकीय कर्मचारी आणि रुग्णांचे कल्याण होते आणि त्यामुळे मानवी आरोग्यात मोठ्या प्रमाणात सुधारणा होते. गेल्या १६ वर्षांत, वैद्यकीय एआय संशोधकांनी विविध लहान क्षेत्रांमध्ये काम केले असले तरी, या टप्प्यावर, ते अद्याप विज्ञानकथा प्रत्यक्षात आणू शकलेले नाहीत.

या वर्षी, ChatGPT सारख्या AI तंत्रज्ञानाच्या क्रांतिकारी विकासासह, वैद्यकीय AI ने अनेक पैलूंमध्ये मोठी प्रगती केली आहे. वैद्यकीय AI च्या क्षमतेत अभूतपूर्व प्रगती: नेचर जर्नलने वैद्यकीय मोठ्या भाषेतील मॉडेल आणि वैद्यकीय प्रतिमा मूलभूत मॉडेलचे संशोधन सतत सुरू केले आहे; गुगलने मेड-पाएलएम आणि त्याचा उत्तराधिकारी प्रकाशित केले आहे, जे यूएस वैद्यकीय प्रॅक्टिशनर परीक्षेच्या प्रश्नांमध्ये तज्ञ पातळी गाठत आहे. प्रमुख शैक्षणिक जर्नल्स वैद्यकीय AI वर लक्ष केंद्रित करतील: नेचर सामान्य वैद्यकीय AI च्या मूलभूत मॉडेलवरील दृष्टिकोन प्रकाशित करते; या वर्षाच्या सुरुवातीला औषधातील AI च्या पुनरावलोकनांच्या मालिकेनंतर, न्यू इंग्लंड जर्नल ऑफ मेडिसिन (NEJM) ने 30 नोव्हेंबर रोजी आपला पहिला डिजिटल आरोग्य आढावा प्रकाशित केला आणि 12 डिसेंबर रोजी NEJM उप-जर्नल NEJM AI चा पहिला अंक लाँच केला. वैद्यकीय AI लँडिंग माती अधिक परिपक्व आहे: JAMA उप-जर्नलने जागतिक वैद्यकीय प्रतिमा डेटा शेअरिंग उपक्रम प्रकाशित केला; यूएस अन्न आणि औषध प्रशासन (FDA) वैद्यकीय AI च्या नियमनासाठी मसुदा मार्गदर्शक तत्त्वे विकसित करत आहे.

खाली, आम्ही २०२३ मध्ये वापरण्यायोग्य वैद्यकीय एआयच्या दिशेने जगभरातील संशोधकांनी केलेल्या महत्त्वपूर्ण प्रगतीचा आढावा घेतो.

वैद्यकीय एआय बेसिक मॉडेल

वैद्यकीय एआय बेसिक मॉडेलची निर्मिती निःसंशयपणे या वर्षातील सर्वात लोकप्रिय संशोधन केंद्र आहे. नेचर जर्नल्सने या वर्षभरात आरोग्यसेवेच्या युनिव्हर्सल बेसिक मॉडेल आणि आरोग्यसेवेच्या मोठ्या भाषेच्या मॉडेलवर पुनरावलोकन लेख प्रकाशित केले आहेत. उद्योगातील शीर्ष जर्नल, मेडिकल इमेज अॅनालिसिसने वैद्यकीय प्रतिमा विश्लेषणातील मूलभूत मॉडेल संशोधनाच्या आव्हाने आणि संधींचा आढावा घेतला आणि त्यांची अपेक्षा केली आणि वैद्यकीय एआयच्या मूलभूत मॉडेल संशोधनाच्या विकासाचा सारांश आणि मार्गदर्शन करण्यासाठी "मूलभूत मॉडेलची वंशावळ" ही संकल्पना प्रस्तावित केली. आरोग्यसेवेसाठी मूलभूत एआय मॉडेल्सचे भविष्य स्पष्ट होत आहे. अधिक प्रगत स्व-पर्यवेक्षित पूर्व-प्रशिक्षण पद्धती आणि प्रशिक्षण डेटाचा प्रचंड संचय वापरून, चॅटजीपीटी सारख्या मोठ्या भाषा मॉडेल्सच्या यशस्वी उदाहरणांवर आधारित, वैद्यकीय एआय क्षेत्रातील संशोधक 1) रोग-विशिष्ट बेस मॉडेल, 2) सामान्य बेस मॉडेल आणि 3) मल्टीमॉडल मोठे मॉडेल तयार करण्याचा प्रयत्न करीत आहेत जे मोठ्या पॅरामीटर्स आणि उत्कृष्ट क्षमतांसह विस्तृत मोड्स एकत्रित करतात.

वैद्यकीय डेटा संपादन एआय मॉडेल

डाउनस्ट्रीम क्लिनिकल डेटा विश्लेषण कार्यांमध्ये मोठी भूमिका बजावणाऱ्या मोठ्या एआय मॉडेल्स व्यतिरिक्त, अपस्ट्रीम क्लिनिकल डेटा अधिग्रहणात, जनरेटिव्ह एआय मॉडेल्सद्वारे प्रतिनिधित्व केलेले तंत्रज्ञान देखील उदयास आले आहे. एआय अल्गोरिदमद्वारे डेटा अधिग्रहणाची प्रक्रिया, वेग आणि गुणवत्ता लक्षणीयरीत्या सुधारली जाऊ शकते.

या वर्षाच्या सुरुवातीला, नेचर बायोमेडिकल इंजिनिअरिंगने तुर्कीच्या स्ट्रेट्स युनिव्हर्सिटीचा एक अभ्यास प्रकाशित केला ज्यामध्ये क्लिनिकल अनुप्रयोगांमध्ये पॅथॉलॉजिकल इमेज-असिस्टेड डायग्नोसिसची समस्या सोडवण्यासाठी जनरेटिव्ह एआय वापरण्यावर लक्ष केंद्रित केले गेले. शस्त्रक्रियेदरम्यान गोठवलेल्या सेक्शन टिश्यूमधील आर्टिफॅक्ट्स जलद निदान मूल्यांकनात अडथळा आहेत. जरी फॉर्मेलिन आणि पॅराफिन एम्बेडेड (FFPE) टिश्यू उच्च दर्जाचे नमुना प्रदान करतात, तरीही त्याची उत्पादन प्रक्रिया वेळखाऊ असते आणि बहुतेकदा 12-48 तास लागतात, ज्यामुळे ते शस्त्रक्रियेत वापरण्यासाठी अयोग्य बनते. म्हणून संशोधन पथकाने AI-FFPE नावाचा अल्गोरिथम प्रस्तावित केला, जो गोठवलेल्या सेक्शनमधील टिश्यूचे स्वरूप FFPE सारखे बनवू शकतो. अल्गोरिथमने गोठवलेल्या सेक्शनच्या आर्टिफॅक्ट्स यशस्वीरित्या दुरुस्त केल्या, इमेज क्वालिटी सुधारली आणि त्याच वेळी क्लिनिकली संबंधित वैशिष्ट्ये राखली. क्लिनिकल व्हॅलिडेशनमध्ये, AI-FFPE अल्गोरिथम ट्यूमर सबटाइप्ससाठी पॅथॉलॉजिस्टच्या डायग्नोस्टिक अचूकतेमध्ये लक्षणीय सुधारणा करतो, तर क्लिनिकल निदान वेळ मोठ्या प्रमाणात कमी करतो.

सेल रिपोर्ट्स मेडिसिनने जिलिन विद्यापीठाच्या थर्ड क्लिनिकल कॉलेज, रेडिओलॉजी विभाग, फुदान विद्यापीठाशी संलग्न झोंगशान रुग्णालय आणि शांघाय विज्ञान आणि तंत्रज्ञान विद्यापीठ [25] यांच्या पथकाने केलेल्या संशोधन कार्याचा अहवाल दिला आहे. हा अभ्यास उच्च बहुमुखी प्रतिभा आणि लवचिकतेसह सामान्य-उद्देशीय खोल शिक्षण आणि पुनरावृत्ती पुनर्रचना फ्यूजन फ्रेमवर्क (हायब्रिड डीएल-आयआर) प्रस्तावित करतो, जो जलद एमआरआय, कमी डोस सीटी आणि जलद पीईटीमध्ये उत्कृष्ट प्रतिमा पुनर्रचना कामगिरी दर्शवितो. अल्गोरिथम 100 सेकंदात एमआर सिंगल-ऑर्गन मल्टी-सीक्वेन्स स्कॅनिंग साध्य करू शकतो, रेडिएशन डोस सीटी प्रतिमेच्या फक्त 10% पर्यंत कमी करू शकतो आणि आवाज काढून टाकू शकतो आणि पीईटी अधिग्रहणातून लहान जखमांची पुनर्रचना 2 ते 4 पट प्रवेगाने करू शकतो, तर गती कलाकृतींचा प्रभाव कमी करू शकतो.

वैद्यकीय कर्मचाऱ्यांच्या सहकार्याने वैद्यकीय एआय

वैद्यकीय एआयच्या जलद विकासामुळे वैद्यकीय व्यावसायिकांना क्लिनिकल प्रक्रिया सुधारण्यासाठी एआयशी कसे सहकार्य करायचे याचा गांभीर्याने विचार करण्यास आणि शोधण्यास प्रवृत्त केले आहे. या वर्षी जुलैमध्ये, डीपमाइंड आणि एका बहु-संस्थात्मक संशोधन पथकाने संयुक्तपणे कॉम्प्लिमेंटरी ड्रिव्हन क्लिनिकल वर्कफ्लो डिले (CoDoC) नावाची एआय प्रणाली प्रस्तावित केली. निदान प्रक्रियेचे प्रथम भविष्यसूचक एआय प्रणालीद्वारे निदान केले जाते, नंतर मागील निकालावर दुसऱ्या एआय प्रणालीद्वारे त्याचे मूल्यांकन केले जाते आणि जर शंका असेल तर, निदानाची अचूकता आणि संतुलन कार्यक्षमता सुधारण्यासाठी शेवटी क्लिनिशियनद्वारे निदान केले जाते. स्तनाच्या कर्करोगाच्या तपासणीचा विचार केला तर, यूकेमधील सध्याच्या "डबल-रीड आर्बिट्रेशन" प्रक्रियेच्या तुलनेत, CoDoC ने त्याच खोट्या नकारात्मक दरासह खोट्या पॉझिटिव्ह दरांमध्ये 25% घट केली, तर क्लिनिशियन वर्कलोडमध्ये 66% घट केली. टीबी वर्गीकरणाच्या बाबतीत, स्वतंत्र एआय आणि क्लिनिकल वर्कफ्लोच्या तुलनेत त्याच खोट्या नकारात्मक दरासह खोट्या पॉझिटिव्ह दरांमध्ये 5 ते 15% घट झाली.

त्याचप्रमाणे, लंडन, यूके येथील खेयरॉन कंपनीच्या अँनी वाय. एनजी आणि इतरांनी, जेव्हा डबल-रीड आर्बिट्रेशन प्रक्रियेत कोणतेही रिकॉल निकाल नव्हते तेव्हा निकालांची पुनर्तपासणी करण्यासाठी (मानवी परीक्षकांच्या सहकार्याने) अतिरिक्त एआय रीडर सादर केले, ज्यामुळे स्तनाच्या कर्करोगाच्या सुरुवातीच्या तपासणीत चुकलेल्या शोधाची समस्या सुधारली आणि प्रक्रियेत जवळजवळ कोणतेही खोटे सकारात्मक परिणाम नव्हते. टेक्सास विद्यापीठाच्या मॅकगव्हर्न मेडिकल स्कूलच्या एका टीमच्या नेतृत्वाखाली आणि चार स्ट्रोक सेंटरवर पूर्ण झालेल्या आणखी एका अभ्यासात, मोठ्या रक्तवहिन्यासंबंधी ऑक्लुझिव्ह इस्केमिक स्ट्रोक (एलव्हीओ) चे शोध स्वयंचलित करण्यासाठी संगणित टोमोग्राफी अँजिओग्राफी (सीटीए) -आधारित एआय तंत्रज्ञानाचा वापर केला गेला. सीटी इमेजिंग पूर्ण झाल्यानंतर काही मिनिटांतच क्लिनिशियन आणि रेडिओलॉजिस्टना त्यांच्या मोबाइल फोनवर रिअल-टाइम अलर्ट मिळतात, ज्यामुळे त्यांना एलव्हीओच्या संभाव्य उपस्थितीबद्दल सूचित केले जाते. ही एआय प्रक्रिया तीव्र इस्केमिक स्ट्रोकसाठी रुग्णालयात कार्यप्रवाह सुधारते, उपचारासाठी प्रवेशापासून ते दारापर्यंतचा वेळ कमी करते आणि यशस्वी बचावासाठी संधी प्रदान करते. हे निष्कर्ष JAMA न्यूरोलॉजी मध्ये प्रकाशित झाले आहेत.

सार्वत्रिक फायद्यासाठी एआय हेल्थकेअर मॉडेल

२०२३ मध्ये वैद्यकीय एआयचा वापर करून मानवी डोळ्यांना सहज उपलब्ध असलेल्या डेटामधून अदृश्य वैशिष्ट्ये शोधण्यासाठी बरेच चांगले काम केले जाईल, ज्यामुळे सार्वत्रिक निदान आणि मोठ्या प्रमाणात लवकर तपासणी शक्य होईल. वर्षाच्या सुरुवातीला, नेचर मेडिसिनने सन याट-सेन विद्यापीठाच्या झोंगशान आय सेंटर आणि फुजियान मेडिकल युनिव्हर्सिटीच्या दुसऱ्या संलग्न रुग्णालयाने केलेले अभ्यास प्रकाशित केले. स्मार्टफोनचा वापर करून, त्यांनी मुलांची नजर आकर्षित करण्यासाठी आणि मुलांचे नजर वर्तन आणि चेहऱ्याचे वैशिष्ट्य रेकॉर्ड करण्यासाठी कार्टूनसारख्या व्हिडिओ प्रतिमा वापरल्या आणि ८५% पेक्षा जास्त सरासरी स्क्रीनिंग अचूकतेसह जन्मजात मोतीबिंदू, जन्मजात ptosis आणि जन्मजात काचबिंदूसह १६ डोळ्यांचे आजार यशस्वीरित्या ओळखण्यासाठी डीप लर्निंग मॉडेल्सचा वापर करून असामान्य मॉडेल्सचे विश्लेषण केले. हे बाळाच्या दृश्यमान कार्य कमजोरी आणि संबंधित डोळ्यांच्या आजारांच्या मोठ्या प्रमाणात लवकर तपासणीसाठी प्रभावी आणि लोकप्रिय करण्यास सोपे तांत्रिक माध्यम प्रदान करते.

वर्षाच्या अखेरीस, नेचर मेडिसिनने जगभरातील १० हून अधिक वैद्यकीय आणि संशोधन संस्थांनी केलेल्या कामाचा अहवाल दिला, ज्यामध्ये शांघाय इन्स्टिट्यूट ऑफ पॅनक्रियाटिक डिसीज आणि झेजियांग युनिव्हर्सिटीचे पहिले संलग्न रुग्णालय यांचा समावेश आहे. लेखकाने शारीरिक तपासणी केंद्रे, रुग्णालये इत्यादींमध्ये लक्षणे नसलेल्या लोकांच्या पॅनक्रियाटिक कर्करोगाच्या तपासणीत एआयचा वापर केला, साध्या स्कॅन सीटी प्रतिमांमध्ये जखमांची वैशिष्ट्ये शोधण्यासाठी जी केवळ उघड्या डोळ्यांनी शोधणे कठीण आहे, जेणेकरून स्वादुपिंडाच्या कर्करोगाचे कार्यक्षम आणि नॉन-इनवेसिव्ह लवकर निदान करता येईल. २०,००० हून अधिक रुग्णांच्या डेटाचा आढावा घेत, मॉडेलने क्लिनिकली चुकलेल्या जखमांची ३१ प्रकरणे देखील ओळखली, ज्यामुळे क्लिनिकल निकालांमध्ये लक्षणीय सुधारणा झाली.

वैद्यकीय डेटाची देवाणघेवाण

२०२३ मध्ये, जगभरात अनेक परिपूर्ण डेटा शेअरिंग यंत्रणा आणि यशस्वी प्रकरणे उदयास आली आहेत, ज्यामुळे डेटा गोपनीयता आणि सुरक्षिततेचे संरक्षण करण्याच्या तत्त्वाखाली बहु-केंद्र सहकार्य आणि डेटा मोकळेपणा सुनिश्चित झाला आहे.

प्रथम, एआय तंत्रज्ञानाच्या मदतीने, एआय संशोधकांनी वैद्यकीय डेटाच्या शेअरिंगमध्ये योगदान दिले आहे. युनायटेड स्टेट्समधील रटगर्स विद्यापीठातील क्यूई चांग आणि इतरांनी नेचर कम्युनिकेशन्समध्ये एक लेख प्रकाशित केला, ज्यामध्ये वितरित सिंथेटिक अॅडव्हर्सेरियल नेटवर्क्सवर आधारित एक संघीय शिक्षण फ्रेमवर्क डीएसएल प्रस्तावित केले गेले, जे मल्टी-सेंटर्सच्या विशिष्ट जनरेट केलेल्या डेटाला प्रशिक्षित करण्यासाठी जनरेटिव्ह एआय वापरते आणि नंतर मल्टी-सेंटर्सच्या वास्तविक डेटाला जनरेट केलेल्या डेटाने बदलते. डेटा गोपनीयतेचे संरक्षण करताना मल्टीसेंटर बिग डेटावर आधारित एआय प्रशिक्षण सुनिश्चित करा. त्याच टीमने जनरेट केलेल्या पॅथॉलॉजिकल प्रतिमा आणि त्यांच्या संबंधित भाष्यांचा डेटासेट देखील ओपन-सोर्स केला आहे. जनरेट केलेल्या डेटा सेटवर प्रशिक्षित केलेले सेगमेंटेशन मॉडेल वास्तविक डेटासारखेच परिणाम प्राप्त करू शकते.

सिंघुआ विद्यापीठातील दाई किओनघाई यांच्या टीमने npj डिजिटल हेल्थवर एक पेपर प्रकाशित केला, ज्यामध्ये रिले लर्निंगचा प्रस्ताव देण्यात आला, जो स्थानिक डेटा सार्वभौमत्वाच्या आधारावर आणि क्रॉस-साइट नेटवर्क कनेक्शनशिवाय एआय मॉडेल्सना प्रशिक्षित करण्यासाठी मल्टी-साइट बिग डेटा वापरतो. ते एआय कामगिरीच्या पाठपुराव्यासह डेटा सुरक्षा आणि गोपनीयतेच्या चिंता संतुलित करते. त्याच टीमने नंतर संयुक्तपणे ग्वांगझू मेडिकल युनिव्हर्सिटीच्या फर्स्ट एफिलिएटेड हॉस्पिटल आणि देशभरातील 24 रुग्णालयांच्या सहकार्याने संघीय शिक्षणावर आधारित CAIMEN, छातीचा CT पॅन-मेडियास्टिनल ट्यूमर निदान प्रणाली विकसित आणि प्रमाणित केली. 12 सामान्य मेडियास्टिनल ट्यूमरवर लागू करता येणारी ही प्रणाली, केवळ मानवी तज्ञांद्वारे वापरल्या जाणाऱ्यापेक्षा एकट्याने वापरल्यास 44.9 टक्के चांगली अचूकता प्राप्त केली आणि मानवी तज्ञांनी मदत केल्यावर 19 टक्के चांगली निदान अचूकता प्राप्त केली.

दुसरीकडे, सुरक्षित, जागतिक, मोठ्या प्रमाणात वैद्यकीय डेटा संच तयार करण्यासाठी अनेक उपक्रम सुरू आहेत. नोव्हेंबर २०२३ मध्ये, हार्वर्ड मेडिकल स्कूलमधील बायोमेडिकल इन्फॉर्मेटिक्स विभागातील ऑगस्टिना सेन्झ आणि इतरांनी लॅन्सेट डिजिटल हेल्थमध्ये वैद्यकीय प्रतिमा डेटा सामायिक करण्यासाठी एक जागतिक चौकट ऑनलाइन प्रकाशित केली ज्याला आर्टिफिशियल इंटेलिजेंस डेटा फॉर ऑल हेल्थकेअर (MAIDA) म्हणतात. डेटा सामायिकरण प्रमाणित करण्यासाठी यूएस फेडरल डेमोन्स्ट्रेशन पार्टनर (FDP) टेम्पलेटचा वापर करून डेटा संकलन आणि ओळख रद्द करण्याबाबत व्यापक मार्गदर्शन देण्यासाठी ते जगभरातील आरोग्य सेवा संस्थांसोबत काम करत आहेत. जगभरातील वेगवेगळ्या प्रदेशांमध्ये आणि क्लिनिकल सेटिंग्जमध्ये गोळा केलेले डेटा संच हळूहळू जारी करण्याची त्यांची योजना आहे. पहिला डेटासेट २०२४ च्या सुरुवातीला प्रसिद्ध होण्याची अपेक्षा आहे, भागीदारीचा विस्तार होत असताना आणखी काही येईल. सार्वजनिकरित्या उपलब्ध असलेल्या AI डेटाचा जागतिक, मोठ्या प्रमाणात आणि वैविध्यपूर्ण संच तयार करण्याचा हा प्रकल्प एक महत्त्वाचा प्रयत्न आहे.

या प्रस्तावाच्या पार्श्वभूमीवर, यूके बायोबँकेने एक उदाहरण मांडले आहे. यूके बायोबँकेने ३० नोव्हेंबर रोजी त्यांच्या ५००,००० सहभागींच्या संपूर्ण जीनोम सिक्वेन्सिंगमधून नवीन डेटा जारी केला. ५००,००० ब्रिटिश स्वयंसेवकांपैकी प्रत्येकाचा संपूर्ण जीनोम सिक्वेन्स प्रकाशित करणारा हा डेटाबेस जगातील सर्वात मोठा संपूर्ण मानवी जीनोम डेटाबेस आहे. जगभरातील संशोधक या ओळख न झालेल्या डेटामध्ये प्रवेश करण्याची विनंती करू शकतात आणि आरोग्य आणि रोगाच्या अनुवांशिक आधाराची तपासणी करण्यासाठी त्याचा वापर करू शकतात. भूतकाळात अनुवांशिक डेटा नेहमीच पडताळणीसाठी अत्यंत संवेदनशील राहिला आहे आणि यूके बायोबँकेची ही ऐतिहासिक कामगिरी सिद्ध करते की एक मुक्त, गोपनीयता-मुक्त जागतिक मोठ्या प्रमाणात डेटाबेस तयार करणे शक्य आहे. या तंत्रज्ञान आणि डेटाबेससह, वैद्यकीय एआय पुढील झेप घेण्यास बांधील आहे.

वैद्यकीय एआयची पडताळणी आणि मूल्यांकन

वैद्यकीय एआय तंत्रज्ञानाच्या जलद विकासाच्या तुलनेत, वैद्यकीय एआयच्या पडताळणी आणि मूल्यांकनाचा विकास थोडा मंद आहे. सामान्य एआय क्षेत्रातील प्रमाणीकरण आणि मूल्यांकन अनेकदा एआयसाठी चिकित्सक आणि रुग्णांच्या वास्तविक आवश्यकतांकडे दुर्लक्ष करते. पारंपारिक यादृच्छिक नियंत्रित क्लिनिकल चाचण्या एआय साधनांच्या जलद पुनरावृत्तीशी जुळण्यासाठी खूप कष्टदायक असतात. वैद्यकीय एआय साधनांसाठी योग्य पडताळणी आणि मूल्यांकन प्रणाली शक्य तितक्या लवकर सुधारणे ही वैद्यकीय एआयला खरोखरच क्लिनिकल लँडिंगमध्ये झेप घेण्यासाठी प्रोत्साहन देण्यासाठी सर्वात महत्वाची गोष्ट आहे.

नेचरमध्ये प्रकाशित झालेल्या मेड-पाएलएमवरील गुगलच्या संशोधन पत्रात, टीमने मल्टीमेडक्यूए मूल्यांकन बेंचमार्क देखील प्रकाशित केला, जो मोठ्या भाषा मॉडेल्सना क्लिनिकल ज्ञान मिळविण्याच्या क्षमतेचे मूल्यांकन करण्यासाठी वापरला जातो. बेंचमार्कमध्ये व्यावसायिक वैद्यकीय ज्ञान, संशोधन आणि इतर पैलूंचा समावेश असलेल्या सहा विद्यमान व्यावसायिक वैद्यकीय प्रश्नोत्तर डेटासेट तसेच ऑनलाइन शोध वैद्यकीय प्रश्न डेटाबेस डेटासेट एकत्रित केले आहेत, ज्यामध्ये डॉक्टर-रुग्ण ऑनलाइन प्रश्नोत्तरांचा विचार केला जातो, अनेक पैलूंमधून एआयला पात्र डॉक्टर बनवण्याचा प्रयत्न केला जातो. याव्यतिरिक्त, टीम मानवी मूल्यांकनावर आधारित एक चौकट प्रस्तावित करते जी तथ्य, समज, तर्क आणि संभाव्य पूर्वाग्रह यांचे अनेक आयाम विचारात घेते. या वर्षी प्रकाशित झालेल्या आरोग्यसेवेतील एआयचे मूल्यांकन करण्यासाठी हा सर्वात प्रातिनिधिक संशोधन प्रयत्नांपैकी एक आहे.

तथापि, मोठ्या भाषा मॉडेल्समध्ये उच्च पातळीचे एन्कोडिंग क्लिनिकल ज्ञान दिसून येते याचा अर्थ असा होतो का की मोठ्या भाषा मॉडेल्स वास्तविक जगातील क्लिनिकल कार्यांसाठी सक्षम आहेत? ज्याप्रमाणे व्यावसायिक डॉक्टरांची परीक्षा परिपूर्ण गुणांसह उत्तीर्ण होणारा वैद्यकीय विद्यार्थी अजूनही एकट्या मुख्य डॉक्टरांपासून दूर असतो, त्याचप्रमाणे Google ने प्रस्तावित केलेले मूल्यांकन निकष AI मॉडेल्ससाठी वैद्यकीय AI मूल्यांकनाच्या विषयाचे परिपूर्ण उत्तर असू शकत नाहीत. २०२१ आणि २०२२ च्या सुरुवातीला, संशोधकांनी Decid-AI, SPIRIT-AI आणि INTRPRT सारख्या रिपोर्टिंग मार्गदर्शक तत्त्वांचा प्रस्ताव मांडला आहे, ज्यामुळे क्लिनिकल व्यावहारिकता, सुरक्षितता, मानवी घटक आणि पारदर्शकता/व्याख्यात्मकता यासारख्या घटकांचा विचार करण्याच्या अटीवर वैद्यकीय AI च्या सुरुवातीच्या विकास आणि प्रमाणीकरणाचे मार्गदर्शन होईल. नुकतेच, द जर्नल नेचर मेडिसिनने ऑक्सफर्ड विद्यापीठ आणि स्टॅनफोर्ड विद्यापीठातील संशोधकांनी "बाह्य प्रमाणीकरण" किंवा "आवर्ती स्थानिक प्रमाणीकरण" वापरावे की नाही यावर एक अभ्यास प्रकाशित केला. "AI साधने प्रमाणित करण्यासाठी."

AI साधनांचे निःपक्षपाती स्वरूप हे देखील एक महत्त्वाचे मूल्यांकन दिशा आहे ज्याला या वर्षी विज्ञान आणि NEJM या दोन्ही लेखांमधून लक्ष वेधले गेले आहे. AI अनेकदा पूर्वाग्रह दाखवते कारण ते प्रशिक्षण डेटापुरते मर्यादित असते. हा पूर्वाग्रह सामाजिक असमानता प्रतिबिंबित करू शकतो, जो पुढे अल्गोरिथमिक भेदभावात विकसित होतो. राष्ट्रीय आरोग्य संस्थांनी अलीकडेच Bridge2AI उपक्रम सुरू केला आहे, ज्याचा अंदाजे खर्च $130 दशलक्ष आहे, ज्यामुळे विविध डेटासेट तयार केले जाऊ शकतात (वर नमूद केलेल्या MAIDA उपक्रमाच्या उद्दिष्टांशी सुसंगत) जे वैद्यकीय AI साधनांच्या निष्पक्षतेचे प्रमाणीकरण करण्यासाठी वापरले जाऊ शकतात. या पैलूंचा MultiMedQA द्वारे विचार केला जात नाही. वैद्यकीय AI मॉडेल्सचे मोजमाप आणि प्रमाणीकरण कसे करायचे या प्रश्नावर अजूनही व्यापक आणि सखोल चर्चा आवश्यक आहे.

जानेवारीमध्ये, नेचर मेडिसिनने टेक्सास विद्यापीठाच्या एमडी अँडरसन कॅन्सर सेंटरच्या विवेक सुब्बियाह यांचा "द नेक्स्ट जनरेशन ऑफ एव्हिडन्स-बेस्ड मेडिसिन" नावाचा एक मतप्रवाह प्रकाशित केला, ज्यामध्ये कोविड-१९ साथीच्या आजाराच्या संदर्भात उघड झालेल्या क्लिनिकल चाचण्यांच्या मर्यादांचा आढावा घेण्यात आला आणि नवोपक्रम आणि क्लिनिकल संशोधन प्रक्रियेचे पालन यांच्यातील विरोधाभास दर्शवण्यात आला. शेवटी, ते क्लिनिकल चाचण्यांच्या पुनर्रचनेच्या भविष्याकडे लक्ष वेधते - कृत्रिम बुद्धिमत्तेचा वापर करून क्लिनिकल चाचण्यांची पुढील पिढी, म्हणजेच, मोठ्या संख्येने ऐतिहासिक संशोधन डेटा, वास्तविक जगातील डेटा, मल्टी-मॉडल क्लिनिकल डेटा, वेअरेबल डिव्हाइस डेटामधून कृत्रिम बुद्धिमत्तेचा वापर करून प्रमुख पुरावे शोधणे. याचा अर्थ असा आहे का की एआय तंत्रज्ञान आणि एआय क्लिनिकल प्रमाणीकरण प्रक्रिया भविष्यात परस्पर बळकट आणि सह-विकासित होऊ शकतात? हा २०२३ चा खुला आणि विचार करायला लावणारा प्रश्न आहे.

वैद्यकीय एआयचे नियमन

एआय तंत्रज्ञानाच्या प्रगतीमुळे एआयच्या नियमनाला आव्हाने देखील निर्माण होत आहेत आणि जगभरातील धोरणकर्ते काळजीपूर्वक आणि काळजीपूर्वक प्रतिसाद देत आहेत. २०१९ मध्ये, एफडीएने प्रथम कृत्रिम बुद्धिमत्ता वैद्यकीय उपकरणांमध्ये सॉफ्टवेअर बदलांसाठी प्रस्तावित नियामक चौकट (चर्चा मसुदा) प्रकाशित केला, ज्यामध्ये एआय आणि मशीन लर्निंग-चालित सॉफ्टवेअर सुधारणांच्या प्रीमार्केट पुनरावलोकनासाठी त्याच्या संभाव्य दृष्टिकोनाचे तपशीलवार वर्णन केले गेले. २०२१ मध्ये, एफडीएने "आर्टिफिशियल इंटेलिजेंस/मशीन लर्निंग-आधारित सॉफ्टवेअर अ‍ॅक्सन प्लॅन" प्रस्तावित केले, ज्याने पाच विशिष्ट एआय वैद्यकीय नियामक उपाय स्पष्ट केले. या वर्षी, एफडीएने डिव्हाइस सॉफ्टवेअर वैशिष्ट्यांच्या सुरक्षितता आणि परिणामकारकतेच्या एफडीएच्या मूल्यांकनासाठी प्रीमार्केट सबमिशन शिफारसींबद्दल माहिती प्रदान करण्यासाठी डिव्हाइस सॉफ्टवेअर वैशिष्ट्यांसाठी प्रीमार्केट सबमिशन पुन्हा जारी केले, ज्यामध्ये मशीन लर्निंग पद्धतींद्वारे प्रशिक्षित मशीन लर्निंग मॉडेल्स वापरणाऱ्या काही सॉफ्टवेअर डिव्हाइस वैशिष्ट्यांचा समावेश आहे. एफडीएचे नियामक धोरण सुरुवातीच्या प्रस्तावापासून व्यावहारिक मार्गदर्शनापर्यंत विकसित झाले आहे.

गेल्या वर्षी जुलैमध्ये युरोपियन हेल्थ डेटा स्पेसच्या प्रकाशनानंतर, EU ने पुन्हा एकदा कृत्रिम बुद्धिमत्ता कायदा लागू केला आहे. पहिल्या कायद्याचा उद्देश उच्च दर्जाची आरोग्य सेवा प्रदान करणे, असमानता कमी करणे आणि प्रतिबंध, निदान, उपचार, वैज्ञानिक नवोपक्रम, निर्णय घेणे आणि कायदे यासाठी डेटाला समर्थन देण्यासाठी आरोग्य डेटाचा सर्वोत्तम वापर करणे आहे, तसेच EU नागरिकांना त्यांच्या वैयक्तिक आरोग्य डेटावर अधिक नियंत्रण आहे याची खात्री करणे आहे. नंतरचे स्पष्ट करते की वैद्यकीय निदान प्रणाली ही एक उच्च-जोखीम असलेली AI प्रणाली आहे आणि तिला लक्ष्यित मजबूत पर्यवेक्षण, संपूर्ण-जीवन चक्र पर्यवेक्षण आणि पूर्व-मूल्यांकन पर्यवेक्षण स्वीकारण्याची आवश्यकता आहे. युरोपियन मेडिसिन एजन्सी (EMA) ने औषध विकास, नियमन आणि वापरास समर्थन देण्यासाठी AI च्या वापरावर एक मसुदा प्रतिबिंब पत्र प्रकाशित केले आहे, ज्यामध्ये रुग्णांची सुरक्षितता आणि क्लिनिकल संशोधन निकालांची अखंडता सुनिश्चित करण्यासाठी AI ची विश्वासार्हता सुधारण्यावर भर देण्यात आला आहे. एकूणच, EU चा नियामक दृष्टिकोन हळूहळू आकार घेत आहे आणि अंतिम अंमलबजावणी तपशील अधिक तपशीलवार आणि कठोर असू शकतात. युरोपियन युनियनच्या कडक नियमनाच्या अगदी उलट, यूकेच्या एआय नियामक ब्लूप्रिंटमध्ये स्पष्ट केले आहे की सरकार सध्या मऊ दृष्टिकोन बाळगण्याची आणि नवीन विधेयके लागू न करण्याची किंवा नवीन नियामकांची स्थापना न करण्याची योजना आखत आहे.

चीनमध्ये, राष्ट्रीय वैद्यकीय उत्पादने प्रशासनाच्या वैद्यकीय उपकरण तांत्रिक पुनरावलोकन केंद्राने (NMPA) यापूर्वी “डीप लर्निंग असिस्टेड डिसीजन सॉफ्टवेअरचे पुनरावलोकन बिंदू”, “आर्टिफिशियल इंटेलिजेंस मेडिकल डिव्हाइसेसच्या नोंदणी पुनरावलोकनासाठी मार्गदर्शक तत्त्वे (टिप्पणीसाठी मसुदा)” आणि “आर्टिफिशियल इंटेलिजेंस मेडिकल सॉफ्टवेअर उत्पादनांचे वर्गीकरण आणि व्याख्या यासाठी मार्गदर्शक तत्त्वांवर परिपत्रक (२०२१ मध्ये क्रमांक ४७)” अशी कागदपत्रे जारी केली आहेत. या वर्षी, "२०२३ मध्ये पहिल्या वैद्यकीय उपकरण उत्पादन वर्गीकरण निकालांचा सारांश" पुन्हा प्रसिद्ध करण्यात आला. कागदपत्रांची ही मालिका कृत्रिम बुद्धिमत्ता वैद्यकीय सॉफ्टवेअर उत्पादनांची व्याख्या, वर्गीकरण आणि नियमन अधिक स्पष्ट आणि ऑपरेट करणे सोपे करते आणि उद्योगातील विविध उद्योगांच्या उत्पादन स्थिती आणि नोंदणी धोरणांसाठी स्पष्ट मार्गदर्शन प्रदान करते. हे दस्तऐवज एआय वैद्यकीय उपकरणांच्या वैज्ञानिक नियमनासाठी एक चौकट आणि व्यवस्थापन निर्णय प्रदान करतात. २१ ते २३ डिसेंबर दरम्यान हांग्झो येथे झालेल्या चायना मेडिकल आर्टिफिशियल इंटेलिजेंस कॉन्फरन्सच्या अजेंडामध्ये डिजिटल मेडिकल गव्हर्नन्स आणि सार्वजनिक रुग्णालयांच्या उच्च-गुणवत्तेच्या विकासावर आणि कृत्रिम बुद्धिमत्तेच्या वैद्यकीय उपकरण चाचणी आणि मूल्यांकन तंत्रज्ञान मानकीकरण उद्योग विकास मंचावर एक विशेष मंच स्थापन करण्याची अपेक्षा आहे. त्यावेळी, राष्ट्रीय विकास आणि सुधारणा आयोग आणि एनएमपीएचे अधिकारी बैठकीला उपस्थित राहतील आणि नवीन माहिती जाहीर करू शकतात.

निष्कर्ष

२०२३ मध्ये, वैद्यकीय एआय संपूर्ण वैद्यकीय अपस्ट्रीम आणि डाउनस्ट्रीम प्रक्रियेत समाकलित होण्यास सुरुवात झाली आहे, ज्यामध्ये रुग्णालयातील डेटा संकलन, फ्यूजन, विश्लेषण, निदान आणि उपचार आणि सामुदायिक तपासणी यांचा समावेश आहे आणि वैद्यकीय/रोग नियंत्रण कर्मचाऱ्यांशी सेंद्रियपणे सहयोग केला आहे, ज्यामुळे मानवी आरोग्याचे कल्याण करण्याची क्षमता दिसून येते. वापरण्यायोग्य वैद्यकीय एआय संशोधन उदयास येऊ लागले आहे. भविष्यात, वैद्यकीय एआयची प्रगती केवळ तांत्रिक विकासावर अवलंबून नाही, तर उद्योग, विद्यापीठ आणि वैद्यकीय संशोधनाचे पूर्ण सहकार्य आणि धोरणकर्ते आणि नियामकांचे समर्थन देखील आवश्यक आहे. हे क्रॉस-डोमेन सहकार्य एआय-एकात्मिक वैद्यकीय सेवा साध्य करण्याची गुरुकिल्ली आहे आणि निश्चितच मानवी आरोग्याच्या विकासाला चालना देईल.