செய்தி

2007 ஆம் ஆண்டு IBM Watson நிறுவனம் தொடங்கியதிலிருந்து, மனிதர்கள் மருத்துவ செயற்கை நுண்ணறிவின் (AI) வளர்ச்சியைத் தொடர்ந்து பின்தொடர்ந்து வருகின்றனர். பயன்படுத்தக்கூடிய மற்றும் சக்திவாய்ந்த மருத்துவ AI அமைப்பு, நவீன மருத்துவத்தின் அனைத்து அம்சங்களையும் மறுவடிவமைக்கும் மகத்தான ஆற்றலைக் கொண்டுள்ளது, இது புத்திசாலித்தனமான, மிகவும் துல்லியமான, திறமையான மற்றும் உள்ளடக்கிய பராமரிப்பை செயல்படுத்துகிறது, மருத்துவப் பணியாளர்கள் மற்றும் நோயாளிகளுக்கு நல்வாழ்வைக் கொண்டுவருகிறது, இதன் மூலம் மனித ஆரோக்கியத்தை பெரிதும் மேம்படுத்துகிறது. கடந்த 16 ஆண்டுகளில், மருத்துவ AI ஆராய்ச்சியாளர்கள் பல்வேறு சிறிய துறைகளில் குவிந்திருந்தாலும், இந்த கட்டத்தில், அவர்களால் இன்னும் அறிவியல் புனைகதைகளை யதார்த்தத்திற்குக் கொண்டு வர முடியவில்லை.

இந்த ஆண்டு, ChatGPT போன்ற AI தொழில்நுட்பத்தின் புரட்சிகரமான வளர்ச்சியுடன், மருத்துவ AI பல அம்சங்களில் பெரும் முன்னேற்றம் அடைந்துள்ளது. மருத்துவ AI இன் திறனில் முன்னோடியில்லாத முன்னேற்றம்: நேச்சர் ஜர்னல் தொடர்ந்து மருத்துவ பெரிய மொழி மாதிரி மற்றும் மருத்துவ பட அடிப்படை மாதிரியின் ஆராய்ச்சியைத் தொடங்கியுள்ளது; கூகிள் மெட்-பாம் மற்றும் அதன் வாரிசை வெளியிடுகிறது, அமெரிக்க மருத்துவ பயிற்சியாளர் தேர்வு கேள்விகளில் நிபுணர் நிலையை அடைகிறது. முக்கிய கல்வி இதழ்கள் மருத்துவ AI இல் கவனம் செலுத்தும்: நேச்சர் பொது மருத்துவ AI இன் அடிப்படை மாதிரியின் கண்ணோட்டத்தை வெளியிடுகிறது; இந்த ஆண்டின் தொடக்கத்தில் மருத்துவத்தில் AI இன் தொடர்ச்சியான மதிப்புரைகளைத் தொடர்ந்து, நியூ இங்கிலாந்து ஜர்னல் ஆஃப் மெடிசின் (NEJM) நவம்பர் 30 அன்று அதன் முதல் டிஜிட்டல் சுகாதார மதிப்பாய்வை வெளியிட்டது, மேலும் டிசம்பர் 12 அன்று NEJM துணை இதழான NEJM AI இன் முதல் இதழை வெளியிட்டது. மருத்துவ AI தரையிறங்கும் மண் மேலும் முதிர்ச்சியடைந்தது: JAMA துணை இதழ் உலகளாவிய மருத்துவ பட தரவு பகிர்வு முயற்சியை வெளியிட்டது; அமெரிக்க உணவு மற்றும் மருந்து நிர்வாகம் (FDA) மருத்துவ AI ஐ ஒழுங்குபடுத்துவதற்கான வரைவு வழிகாட்டுதல்களை உருவாக்கி வருகிறது.

கீழே, 2023 ஆம் ஆண்டில் பயன்படுத்தக்கூடிய மருத்துவ AI திசையில் உலகெங்கிலும் உள்ள ஆராய்ச்சியாளர்கள் அடைந்துள்ள குறிப்பிடத்தக்க முன்னேற்றத்தை நாங்கள் மதிப்பாய்வு செய்கிறோம்.

மருத்துவ AI அடிப்படை மாதிரி

மருத்துவ AI அடிப்படை மாதிரியை உருவாக்குவது சந்தேகத்திற்கு இடமின்றி இந்த ஆண்டின் மிகவும் பிரபலமான ஆராய்ச்சி மையமாகும். இந்த ஆண்டில் நேச்சர் ஜர்னல்ஸ் சுகாதாரப் பராமரிப்பின் உலகளாவிய அடிப்படை மாதிரி மற்றும் சுகாதாரப் பராமரிப்பின் பெரிய மொழி மாதிரி குறித்த மதிப்பாய்வுக் கட்டுரைகளை வெளியிட்டுள்ளது. தொழில்துறையின் சிறந்த இதழான மெடிக்கல் இமேஜ் அனாலிசிஸ், மருத்துவ பட பகுப்பாய்வில் அடிப்படை மாதிரி ஆராய்ச்சியின் சவால்கள் மற்றும் வாய்ப்புகளை மதிப்பாய்வு செய்து எதிர்நோக்கியது, மேலும் மருத்துவ AI இன் அடிப்படை மாதிரி ஆராய்ச்சியின் வளர்ச்சியை சுருக்கமாகவும் வழிகாட்டவும் "அடிப்படை மாதிரியின் பரம்பரை" என்ற கருத்தை முன்மொழிந்தது. சுகாதாரப் பராமரிப்பிற்கான அடிப்படை AI மாதிரிகளின் எதிர்காலம் தெளிவாகி வருகிறது. ChatGPT போன்ற பெரிய மொழி மாதிரிகளின் வெற்றிகரமான எடுத்துக்காட்டுகளைப் பயன்படுத்தி, மிகவும் மேம்பட்ட சுய-மேற்பார்வையிடப்பட்ட முன் பயிற்சி முறைகள் மற்றும் பயிற்சி தரவுகளின் பரந்த குவிப்பு ஆகியவற்றைப் பயன்படுத்தி, மருத்துவ AI துறையில் ஆராய்ச்சியாளர்கள் 1) நோய் சார்ந்த அடிப்படை மாதிரிகள், 2) பொது அடிப்படை மாதிரிகள் மற்றும் 3) பாரிய அளவுருக்கள் மற்றும் உயர்ந்த திறன்களுடன் பரந்த அளவிலான முறைகளை ஒருங்கிணைக்கும் மல்டிமாடல் பெரிய மாதிரிகளை உருவாக்க முயற்சிக்கின்றனர்.

மருத்துவ தரவு கையகப்படுத்தல் AI மாதிரி

கீழ்நிலை மருத்துவ தரவு பகுப்பாய்வு பணிகளில் பெரும் பங்கு வகிக்கும் பெரிய AI மாதிரிகளுக்கு கூடுதலாக, அப்ஸ்ட்ரீம் மருத்துவ தரவு கையகப்படுத்துதலில், ஜெனரேட்டிவ் AI மாதிரிகளால் குறிப்பிடப்படும் தொழில்நுட்பமும் வெளிப்பட்டுள்ளது. தரவு கையகப்படுத்துதலின் செயல்முறை, வேகம் மற்றும் தரத்தை AI வழிமுறைகளால் கணிசமாக மேம்படுத்த முடியும்.

இந்த ஆண்டின் தொடக்கத்தில், துருக்கியின் ஸ்ட்ரெய்ட்ஸ் பல்கலைக்கழகத்தில் இருந்து நேச்சர் பயோமெடிக்கல் இன்ஜினியரிங் ஒரு ஆய்வை வெளியிட்டது, இது மருத்துவ பயன்பாடுகளில் நோயியல் பட உதவியுடன் கண்டறியும் சிக்கலைத் தீர்க்க ஜெனரேட்டிவ் AI ஐப் பயன்படுத்துவதில் கவனம் செலுத்தியது. அறுவை சிகிச்சையின் போது உறைந்த பிரிவு திசுக்களில் உள்ள கலைப்பொருட்கள் விரைவான நோயறிதல் மதிப்பீட்டிற்கு ஒரு தடையாக உள்ளன. ஃபார்மலின் மற்றும் பாரஃபின் உட்பொதிக்கப்பட்ட (FFPE) திசு உயர் தரமான மாதிரியை வழங்கினாலும், அதன் உற்பத்தி செயல்முறை நேரத்தை எடுத்துக்கொள்ளும் மற்றும் பெரும்பாலும் 12-48 மணிநேரம் எடுக்கும், இது அறுவை சிகிச்சையில் பயன்படுத்த பொருத்தமற்றதாக ஆக்குகிறது. எனவே ஆராய்ச்சி குழு AI-FFPE எனப்படும் ஒரு வழிமுறையை முன்மொழிந்தது, இது உறைந்த பிரிவில் உள்ள திசுக்களின் தோற்றத்தை FFPE ஐப் போலவே மாற்றும். இந்த வழிமுறை உறைந்த பிரிவுகளின் கலைப்பொருட்களை வெற்றிகரமாக சரிசெய்தது, பட தரத்தை மேம்படுத்தியது மற்றும் அதே நேரத்தில் மருத்துவ ரீதியாக பொருத்தமான அம்சங்களைத் தக்க வைத்துக் கொண்டது. மருத்துவ சரிபார்ப்பில், AI-FFPE வழிமுறை கட்டி துணை வகைகளுக்கான நோயியல் நிபுணர்களின் நோயறிதல் துல்லியத்தை கணிசமாக மேம்படுத்துகிறது, அதே நேரத்தில் மருத்துவ நோயறிதல் நேரத்தை வெகுவாகக் குறைக்கிறது.

ஜிலின் பல்கலைக்கழகத்தின் மூன்றாவது மருத்துவக் கல்லூரி, ஃபுடான் பல்கலைக்கழகத்துடன் இணைக்கப்பட்ட ஜாங்ஷான் மருத்துவமனையின் கதிரியக்கவியல் துறை மற்றும் ஷாங்காய் அறிவியல் மற்றும் தொழில்நுட்ப பல்கலைக்கழகம் [25] ஆகியவற்றின் குழுவின் ஆராய்ச்சிப் பணியை செல் ரிப்போர்ட்ஸ் மெடிசின் அறிக்கை செய்கிறது. இந்த ஆய்வு, அதிக பல்துறை மற்றும் நெகிழ்வுத்தன்மையுடன் கூடிய பொது நோக்கத்திற்கான ஆழமான கற்றல் மற்றும் மறுபயன்பாட்டு மறுசீரமைப்பு இணைவு கட்டமைப்பை (கலப்பின DL-IR) முன்மொழிகிறது, இது வேகமான MRI, குறைந்த டோஸ் CT மற்றும் வேகமான PET ஆகியவற்றில் சிறந்த பட மறுகட்டமைப்பு செயல்திறனைக் காட்டுகிறது. இந்த வழிமுறை 100 வினாடிகளில் MR ஒற்றை-உறுப்பு பல-வரிசை ஸ்கேனிங்கை அடைய முடியும், கதிர்வீச்சு அளவை CT படத்தின் 10% ஆக மட்டுமே குறைக்க முடியும், மேலும் சத்தத்தை நீக்க முடியும், மேலும் PET கையகப்படுத்துதலில் இருந்து சிறிய புண்களை 2 முதல் 4 மடங்கு முடுக்கத்துடன் மறுகட்டமைக்க முடியும், அதே நேரத்தில் இயக்க கலைப்பொருட்களின் விளைவைக் குறைக்கிறது.

மருத்துவ பணியாளர்களுடன் இணைந்து மருத்துவ AI

மருத்துவ AI இன் விரைவான வளர்ச்சி, மருத்துவ செயல்முறைகளை மேம்படுத்த AI உடன் எவ்வாறு ஒத்துழைப்பது என்பதை மருத்துவ நிபுணர்கள் தீவிரமாக பரிசீலிக்கவும் ஆராயவும் வழிவகுத்தது. இந்த ஆண்டு ஜூலை மாதம், டீப் மைண்ட் மற்றும் பல நிறுவன ஆராய்ச்சி குழு இணைந்து Complementary Driven Clinical Workflow Delay (CoDoC) எனப்படும் ஒரு AI அமைப்பை முன்மொழிந்தன. நோயறிதல் செயல்முறை முதலில் ஒரு முன்கணிப்பு AI அமைப்பால் கண்டறியப்படுகிறது, பின்னர் முந்தைய முடிவின் அடிப்படையில் மற்றொரு AI அமைப்பால் தீர்மானிக்கப்படுகிறது, மேலும் சந்தேகம் இருந்தால், நோயறிதல் துல்லியம் மற்றும் சமநிலை செயல்திறனை மேம்படுத்த ஒரு மருத்துவரால் நோயறிதல் இறுதியாக செய்யப்படுகிறது. மார்பக புற்றுநோய் பரிசோதனையைப் பொறுத்தவரை, CoDoC அதே தவறான எதிர்மறை விகிதத்துடன் தவறான நேர்மறை விகிதங்களை 25% குறைத்தது, அதே நேரத்தில் UK இல் தற்போதைய "இரட்டை-வாசிப்பு நடுவர்" செயல்முறையுடன் ஒப்பிடும்போது மருத்துவரின் பணிச்சுமையை 66% குறைத்தது. TB வகைப்பாட்டின் அடிப்படையில், சுயாதீன AI மற்றும் மருத்துவ பணிப்பாய்வுகளுடன் ஒப்பிடும்போது அதே தவறான எதிர்மறை விகிதத்துடன் தவறான நேர்மறை விகிதங்கள் 5 முதல் 15 சதவீதம் வரை குறைக்கப்பட்டன.

இதேபோல், லண்டனில் உள்ள Kheiron நிறுவனத்தைச் சேர்ந்த Annie Y. Ng மற்றும் பலர், இரட்டை வாசிப்பு நடுவர் செயல்பாட்டில் எந்த நினைவுகூரல் முடிவுகளும் இல்லாதபோது முடிவுகளை மறுபரிசீலனை செய்ய (மனித பரிசோதகர்களுடன் இணைந்து) கூடுதல் AI வாசகர்களை அறிமுகப்படுத்தினர், இது ஆரம்பகால மார்பக புற்றுநோய் பரிசோதனையில் தவறவிட்ட கண்டறிதலின் சிக்கலை மேம்படுத்தியது, மேலும் இந்த செயல்முறை கிட்டத்தட்ட தவறான நேர்மறைகளைக் கொண்டிருக்கவில்லை. டெக்சாஸ் பல்கலைக்கழக மெக்கவர்ன் மருத்துவப் பள்ளியின் குழுவால் வழிநடத்தப்பட்டு நான்கு பக்கவாதம் மையங்களில் முடிக்கப்பட்ட மற்றொரு ஆய்வு, பெரிய வாஸ்குலர் ஆக்லூசிவ் இஸ்கிமிக் ஸ்ட்ரோக் (LVO) கண்டறிதலை தானியக்கமாக்க கம்ப்யூட்டட் டோமோகிராபி ஆஞ்சியோகிராஃபி (CTA) அடிப்படையிலான AI தொழில்நுட்பத்தைப் பயன்படுத்தியது. CT இமேஜிங் முடிந்த சில நிமிடங்களில் மருத்துவர்கள் மற்றும் கதிரியக்க வல்லுநர்கள் தங்கள் மொபைல் போன்களில் நிகழ்நேர எச்சரிக்கைகளைப் பெறுகிறார்கள், LVO இன் சாத்தியமான இருப்பை அவர்களுக்குத் தெரிவிக்கின்றனர். இந்த AI செயல்முறை கடுமையான இஸ்கிமிக் ஸ்ட்ரோக்கிற்கான மருத்துவமனையில் உள்ள பணிப்பாய்வுகளை மேம்படுத்துகிறது, சிகிச்சைக்கு சேர்க்கப்பட்டதிலிருந்து வீட்டுக்கு-இடுப்பு நேரத்தைக் குறைக்கிறது மற்றும் வெற்றிகரமான மீட்புக்கான வாய்ப்புகளை வழங்குகிறது. கண்டுபிடிப்புகள் JAMA Neurology இல் வெளியிடப்பட்டுள்ளன.

உலகளாவிய நன்மைக்கான ஒரு AI சுகாதாரப் பராமரிப்பு மாதிரி

2023 ஆம் ஆண்டில், மனித கண்ணுக்குத் தெரியாத அம்சங்களை எளிதில் கிடைக்கக்கூடிய தரவுகளிலிருந்து கண்டறிய மருத்துவ AI ஐப் பயன்படுத்தும் பல நல்ல பணிகள் இடம்பெறும், இது உலகளாவிய நோயறிதல் மற்றும் அளவிலான ஆரம்பகால பரிசோதனையை செயல்படுத்துகிறது. இந்த ஆண்டின் தொடக்கத்தில், சன் யாட்-சென் பல்கலைக்கழகத்தின் ஜாங்ஷான் கண் மையம் மற்றும் ஃபுஜியன் மருத்துவ பல்கலைக்கழகத்தின் இரண்டாவது இணைக்கப்பட்ட மருத்துவமனை ஆகியவற்றால் செய்யப்பட்ட ஆய்வுகளை நேச்சர் மெடிசின் வெளியிட்டது. ஸ்மார்ட்போன்களை பயன்பாட்டு முனையங்களாகப் பயன்படுத்தி, குழந்தைகளின் பார்வையைத் தூண்டவும், குழந்தைகளின் பார்வை நடத்தை மற்றும் முக அம்சங்களைப் பதிவு செய்யவும் கார்ட்டூன் போன்ற வீடியோ படங்களைப் பயன்படுத்தினர், மேலும் பிறவி கண்புரை, பிறவி பிடோசிஸ் மற்றும் பிறவி கிளௌகோமா உள்ளிட்ட 16 கண் நோய்களை வெற்றிகரமாக அடையாளம் காண ஆழமான கற்றல் மாதிரிகளைப் பயன்படுத்தி அசாதாரண மாதிரிகளை மேலும் பகுப்பாய்வு செய்தனர், இதன் சராசரி ஸ்கிரீனிங் துல்லியம் 85% க்கும் அதிகமாகும். இது குழந்தைகளின் பார்வை செயல்பாடு குறைபாடு மற்றும் தொடர்புடைய கண் நோய்களின் பெரிய அளவிலான ஆரம்பகால பரிசோதனைக்கு பயனுள்ள மற்றும் பிரபலப்படுத்த எளிதான தொழில்நுட்ப வழிமுறைகளை வழங்குகிறது.

இந்த ஆண்டின் இறுதியில், ஷாங்காய் கணைய நோய் நிறுவனம் மற்றும் ஜெஜியாங் பல்கலைக்கழகத்தின் முதல் இணைப்பு மருத்துவமனை உட்பட உலகெங்கிலும் உள்ள 10க்கும் மேற்பட்ட மருத்துவ மற்றும் ஆராய்ச்சி நிறுவனங்கள் செய்த பணியை நேச்சர் மெடிசின் அறிக்கை செய்தது. நிர்வாணக் கண்ணால் மட்டும் கண்டறிவது கடினமாக இருக்கும் எளிய ஸ்கேன் CT படங்களில் புண் அம்சங்களைக் கண்டறிய, உடல் பரிசோதனை மையங்கள், மருத்துவமனைகள் போன்றவற்றில் அறிகுறியற்ற நபர்களின் கணைய புற்றுநோய் பரிசோதனைக்கு ஆசிரியர் AI ஐப் பயன்படுத்தினார், இதனால் கணைய புற்றுநோயை திறமையான மற்றும் ஊடுருவாத ஆரம்பகால கண்டறிதலை அடைய முடிந்தது. 20,000 க்கும் மேற்பட்ட நோயாளிகளிடமிருந்து தரவை மதிப்பாய்வு செய்ததில், மாதிரி மருத்துவ ரீதியாக தவறவிட்ட புண்களின் 31 நிகழ்வுகளையும் அடையாளம் கண்டுள்ளது, இது மருத்துவ விளைவுகளை கணிசமாக மேம்படுத்தியது.

மருத்துவத் தரவுகளைப் பகிர்தல்

2023 ஆம் ஆண்டில், உலகம் முழுவதும் இன்னும் பல சரியான தரவு பகிர்வு வழிமுறைகள் மற்றும் வெற்றிகரமான நிகழ்வுகள் உருவாகியுள்ளன, தரவு தனியுரிமை மற்றும் பாதுகாப்பைப் பாதுகாப்பதன் அடிப்படையில் பல மைய ஒத்துழைப்பு மற்றும் தரவு வெளிப்படைத்தன்மையை உறுதி செய்கின்றன.

முதலாவதாக, AI தொழில்நுட்பத்தின் உதவியுடன், AI ஆராய்ச்சியாளர்கள் மருத்துவத் தரவைப் பகிர்வதில் பங்களித்துள்ளனர். அமெரிக்காவில் உள்ள ரட்ஜர்ஸ் பல்கலைக்கழகத்தைச் சேர்ந்த குய் சாங் மற்றும் பலர் நேச்சர் கம்யூனிகேஷன்ஸில் ஒரு கட்டுரையை வெளியிட்டனர், விநியோகிக்கப்பட்ட செயற்கை எதிரி நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட ஒரு கூட்டாட்சி கற்றல் கட்டமைப்பான DSL ஐ முன்மொழிந்தனர், இது பல மையங்களின் குறிப்பிட்ட உருவாக்கப்பட்ட தரவைப் பயிற்றுவிக்க ஜெனரேட்டிவ் AI ஐப் பயன்படுத்துகிறது, பின்னர் பல மையங்களின் உண்மையான தரவை உருவாக்கப்பட்ட தரவுகளுடன் மாற்றுகிறது. தரவு தனியுரிமையைப் பாதுகாக்கும் அதே வேளையில், பல மைய பெரிய தரவுகளின் அடிப்படையில் AI பயிற்சியை உறுதிசெய்க. அதே குழு உருவாக்கப்பட்ட நோயியல் படங்களின் தரவுத்தொகுப்பையும் அவற்றுடன் தொடர்புடைய குறிப்புகளையும் திறந்த மூலமாக்குகிறது. உருவாக்கப்பட்ட தரவுத் தொகுப்பில் பயிற்சியளிக்கப்பட்ட பிரிவு மாதிரி உண்மையான தரவுக்கு ஒத்த முடிவுகளை அடைய முடியும்.

சிங்குவா பல்கலைக்கழகத்தைச் சேர்ந்த டாய் கியோங்ஹாய் குழு, npj டிஜிட்டல் ஹெல்த் குறித்த ஒரு ஆய்வறிக்கையை வெளியிட்டது, உள்ளூர் தரவு இறையாண்மை மற்றும் குறுக்கு-தள நெட்வொர்க் இணைப்பு இல்லாததன் அடிப்படையில் AI மாதிரிகளைப் பயிற்றுவிக்க பல-தள பெரிய தரவைப் பயன்படுத்தும் ரிலே கற்றலை முன்மொழிகிறது. இது AI செயல்திறனைப் பின்தொடர்வதோடு தரவு பாதுகாப்பு மற்றும் தனியுரிமை கவலைகளையும் சமநிலைப்படுத்துகிறது. அதே குழு பின்னர் கூட்டாட்சி கற்றலை அடிப்படையாகக் கொண்ட மார்பு CT பான்-மீடியாஸ்டினல் கட்டி நோயறிதல் அமைப்பான CAIMEN ஐ கூட்டாக உருவாக்கி சரிபார்த்தது, குவாங்சோ மருத்துவ பல்கலைக்கழகத்தின் முதல் இணைக்கப்பட்ட மருத்துவமனை மற்றும் நாடு முழுவதும் உள்ள 24 மருத்துவமனைகளுடன் இணைந்து. 12 பொதுவான மீடியாஸ்டினல் கட்டிகளுக்குப் பயன்படுத்தக்கூடிய இந்த அமைப்பு, மனித நிபுணர்களால் மட்டுமே பயன்படுத்தப்படும் போது விட தனியாகப் பயன்படுத்தப்படும்போது 44.9 சதவீதம் சிறந்த துல்லியத்தையும், மனித நிபுணர்களால் அதன் உதவியுடன் 19 சதவீதம் சிறந்த நோயறிதல் துல்லியத்தையும் அடைந்தது.

மறுபுறம், பாதுகாப்பான, உலகளாவிய, பெரிய அளவிலான மருத்துவ தரவுத் தொகுப்புகளை உருவாக்க பல முயற்சிகள் நடந்து வருகின்றன. நவம்பர் 2023 இல், ஹார்வர்ட் மருத்துவப் பள்ளியின் உயிரி மருத்துவத் தகவல் துறையைச் சேர்ந்த அகஸ்டினா சான்ஸும் மற்றவர்களும், அனைத்து சுகாதாரப் பராமரிப்புக்கான செயற்கை நுண்ணறிவுத் தரவு (MAIDA) எனப்படும் மருத்துவ படத் தரவைப் பகிர்வதற்கான உலகளாவிய கட்டமைப்பை லான்செட் டிஜிட்டல் ஹெல்த் இல் ஆன்லைனில் வெளியிட்டனர். தரவு பகிர்வை தரப்படுத்த அமெரிக்க கூட்டாட்சி செயல்விளக்க கூட்டாளர் (FDP) வார்ப்புருவைப் பயன்படுத்தி, தரவு சேகரிப்பு மற்றும் அடையாளத்தை நீக்குதல் குறித்த விரிவான வழிகாட்டுதலை வழங்க உலகெங்கிலும் உள்ள சுகாதார நிறுவனங்களுடன் அவர்கள் இணைந்து பணியாற்றி வருகின்றனர். உலகெங்கிலும் உள்ள பல்வேறு பிராந்தியங்கள் மற்றும் மருத்துவ அமைப்புகளில் சேகரிக்கப்பட்ட தரவுத் தொகுப்புகளை படிப்படியாக வெளியிட அவர்கள் திட்டமிட்டுள்ளனர். முதல் தரவுத்தொகுப்பு 2024 ஆம் ஆண்டின் தொடக்கத்தில் வெளியிடப்படும் என்று எதிர்பார்க்கப்படுகிறது, கூட்டாண்மை விரிவடையும் போது இன்னும் பல வரவுள்ளன. இந்த திட்டம் உலகளாவிய, பெரிய அளவிலான மற்றும் பல்வேறு பொதுவில் கிடைக்கக்கூடிய AI தரவை உருவாக்குவதற்கான ஒரு முக்கியமான முயற்சியாகும்.

இந்த முன்மொழிவைத் தொடர்ந்து, UK Biobank ஒரு முன்மாதிரியாக அமைந்தது. UK Biobank நவம்பர் 30 அன்று அதன் 500,000 பங்கேற்பாளர்களின் முழு மரபணு வரிசைமுறையிலிருந்து புதிய தரவை வெளியிட்டது. 500,000 பிரிட்டிஷ் தன்னார்வலர்கள் ஒவ்வொருவரின் முழுமையான மரபணு வரிசையையும் வெளியிடும் தரவுத்தளம், உலகின் மிகப்பெரிய முழுமையான மனித மரபணு தரவுத்தளமாகும். உலகெங்கிலும் உள்ள ஆராய்ச்சியாளர்கள் இந்த அடையாளம் காணப்படாத தரவை அணுகக் கோரலாம் மற்றும் ஆரோக்கியம் மற்றும் நோயின் மரபணு அடிப்படையை ஆராய அதைப் பயன்படுத்தலாம். மரபணு தரவு எப்போதும் கடந்த காலங்களில் சரிபார்ப்புக்கு மிகவும் உணர்திறன் வாய்ந்ததாக இருந்து வருகிறது, மேலும் UK Biobank இன் இந்த வரலாற்று சாதனை, திறந்த, தனியுரிமை இல்லாத உலகளாவிய பெரிய அளவிலான தரவுத்தளத்தை உருவாக்குவது சாத்தியம் என்பதை நிரூபிக்கிறது. இந்த தொழில்நுட்பம் மற்றும் தரவுத்தளத்துடன், மருத்துவ AI அடுத்த பாய்ச்சலுக்கு வழிவகுக்கும்.

மருத்துவ AI இன் சரிபார்ப்பு மற்றும் மதிப்பீடு

மருத்துவ AI தொழில்நுட்பத்தின் விரைவான வளர்ச்சியுடன் ஒப்பிடும்போது, ​​மருத்துவ AI இன் சரிபார்ப்பு மற்றும் மதிப்பீட்டின் வளர்ச்சி சற்று மெதுவாக உள்ளது. பொது AI துறையில் சரிபார்ப்பு மற்றும் மதிப்பீடு பெரும்பாலும் மருத்துவர்கள் மற்றும் நோயாளிகளின் AIக்கான உண்மையான தேவைகளைப் புறக்கணிக்கிறது. பாரம்பரிய சீரற்ற கட்டுப்பாட்டு மருத்துவ பரிசோதனைகள் AI கருவிகளின் விரைவான மறு செய்கையுடன் பொருந்த மிகவும் கடினமானவை. மருத்துவ AI கருவிகளுக்கு ஏற்ற சரிபார்ப்பு மற்றும் மதிப்பீட்டு முறையை விரைவில் மேம்படுத்துவது, மருத்துவ AI உண்மையிலேயே மருத்துவ தரையிறக்கத்திற்கு முன்னேறுவதை ஊக்குவிப்பதற்கான மிக முக்கியமான விஷயம்.

Nature இதழில் வெளியிடப்பட்ட Med-PaLM பற்றிய கூகிளின் ஆராய்ச்சிக் கட்டுரையில், மருத்துவ அறிவைப் பெறுவதற்கான பெரிய மொழி மாதிரிகளின் திறனை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் MultiMedQA மதிப்பீட்டு அளவுகோலையும் குழு வெளியிட்டது. இந்த அளவுகோல், தொழில்முறை மருத்துவ அறிவு, ஆராய்ச்சி மற்றும் பிற அம்சங்களை உள்ளடக்கிய ஆறு தொழில்முறை மருத்துவ கேள்வி பதில் தரவுத்தொகுப்புகளையும், ஆன்லைன் தேடல் மருத்துவ கேள்வி தரவுத்தள தரவுத்தொகுப்பையும் ஒருங்கிணைக்கிறது, மருத்துவர்-நோயாளி ஆன்லைன் கேள்வி பதில்களைக் கருத்தில் கொண்டு, பல அம்சங்களிலிருந்து தகுதிவாய்ந்த மருத்துவராக AI ஐப் பயிற்றுவிக்க முயற்சிக்கிறது. கூடுதலாக, உண்மை, புரிதல், பகுத்தறிவு மற்றும் சாத்தியமான சார்பு ஆகியவற்றின் பல பரிமாணங்களை கணக்கில் எடுத்துக் கொள்ளும் மனித மதிப்பீட்டின் அடிப்படையில் ஒரு கட்டமைப்பை குழு முன்மொழிகிறது. இந்த ஆண்டு வெளியிடப்பட்ட சுகாதாரப் பராமரிப்பில் AI ஐ மதிப்பிடுவதற்கான மிகவும் பிரதிநிதித்துவ ஆராய்ச்சி முயற்சிகளில் இதுவும் ஒன்றாகும்.

இருப்பினும், பெரிய மொழி மாதிரிகள் உயர் மட்ட குறியீட்டு மருத்துவ அறிவைக் காட்டுகின்றன என்பது பெரிய மொழி மாதிரிகள் நிஜ உலக மருத்துவப் பணிகளுக்குத் திறமையானவை என்பதைக் குறிக்கிறதா? தொழில்முறை மருத்துவர் தேர்வில் சரியான மதிப்பெண்ணுடன் தேர்ச்சி பெறும் ஒரு மருத்துவ மாணவர் இன்னும் ஒரு தனி தலைமை மருத்துவரிடமிருந்து வெகு தொலைவில் இருப்பது போல, கூகிள் முன்மொழியப்பட்ட மதிப்பீட்டு அளவுகோல்கள் AI மாதிரிகளுக்கான மருத்துவ AI மதிப்பீடு என்ற தலைப்புக்கு சரியான பதிலாக இருக்காது. 2021 மற்றும் 2022 ஆம் ஆண்டுகளின் முற்பகுதியில், மருத்துவ நடைமுறை, பாதுகாப்பு, மனித காரணிகள் மற்றும் வெளிப்படைத்தன்மை/விளக்கம் போன்ற காரணிகளைக் கருத்தில் கொண்டு மருத்துவ AI இன் ஆரம்பகால வளர்ச்சி மற்றும் சரிபார்ப்பை வழிநடத்தும் நம்பிக்கையில், ஆராய்ச்சியாளர்கள் Decid-AI, SPIRIT-AI மற்றும் INTRPRT போன்ற அறிக்கையிடல் வழிகாட்டுதல்களை முன்மொழிந்தனர். சமீபத்தில், "வெளிப்புற சரிபார்ப்பு" அல்லது "தொடர்ச்சியான உள்ளூர் சரிபார்ப்பு" ஆகியவற்றைப் பயன்படுத்தலாமா என்பது குறித்து ஆக்ஸ்போர்டு பல்கலைக்கழகம் மற்றும் ஸ்டான்போர்ட் பல்கலைக்கழக ஆராய்ச்சியாளர்களால் நடத்தப்பட்ட ஒரு ஆய்வை நேச்சர் மெடிசின் இதழ் வெளியிட்டது. "AI கருவிகளைச் சரிபார்க்க."

AI கருவிகளின் பாரபட்சமற்ற தன்மை, இந்த ஆண்டு அறிவியல் மற்றும் NEJM கட்டுரைகளிலிருந்து கவனத்தைப் பெற்ற ஒரு முக்கியமான மதிப்பீட்டு திசையாகும். AI பெரும்பாலும் பயிற்சித் தரவுகளுக்கு மட்டுப்படுத்தப்பட்டிருப்பதால் சார்புகளைக் காட்டுகிறது. இந்தச் சார்பு சமூக சமத்துவமின்மையை பிரதிபலிக்கக்கூடும், இது மேலும் வழிமுறை பாகுபாடாக உருவாகிறது. மருத்துவ AI கருவிகளின் பாரபட்சமற்ற தன்மையை சரிபார்க்கப் பயன்படுத்தக்கூடிய பல்வேறு தரவுத்தொகுப்புகளை (மேலே குறிப்பிடப்பட்டுள்ள MAIDA முன்முயற்சியின் இலக்குகளுக்கு ஏற்ப) உருவாக்க, தேசிய சுகாதார நிறுவனங்கள் சமீபத்தில் Bridge2AI முயற்சியைத் தொடங்கின, இது $130 மில்லியன் செலவாகும் என்று மதிப்பிடப்பட்டுள்ளது. இந்த அம்சங்கள் MultiMedQA ஆல் பரிசீலிக்கப்படவில்லை. மருத்துவ AI மாதிரிகளை எவ்வாறு அளவிடுவது மற்றும் சரிபார்ப்பது என்ற கேள்விக்கு இன்னும் விரிவான மற்றும் ஆழமான விவாதம் தேவை.

ஜனவரி மாதம், நேச்சர் மெடிசின், டெக்சாஸ் பல்கலைக்கழக எம்.டி. ஆண்டர்சன் புற்றுநோய் மையத்தைச் சேர்ந்த விவேக் சுப்பையாவின் "எவிடன்ஸ்-பேஸ்டு மெடிசின் அடுத்த தலைமுறை" என்ற கருத்துப் பகுதியை வெளியிட்டது, இது COVID-19 தொற்றுநோயின் பின்னணியில் வெளிப்படும் மருத்துவ பரிசோதனைகளின் வரம்புகளை மதிப்பாய்வு செய்து, புதுமைக்கும் மருத்துவ ஆராய்ச்சி செயல்முறையைப் பின்பற்றுவதற்கும் இடையிலான முரண்பாட்டை சுட்டிக்காட்டியது. இறுதியாக, இது மருத்துவ பரிசோதனைகளை மறுசீரமைக்கும் எதிர்காலத்தை சுட்டிக்காட்டுகிறது - செயற்கை நுண்ணறிவைப் பயன்படுத்தி அடுத்த தலைமுறை மருத்துவ பரிசோதனைகள், அதாவது, அதிக எண்ணிக்கையிலான வரலாற்று ஆராய்ச்சி தரவு, நிஜ உலகத் தரவு, பல-மாதிரி மருத்துவத் தரவு, முக்கிய ஆதாரங்களைக் கண்டறிய அணியக்கூடிய சாதனத் தரவு ஆகியவற்றிலிருந்து செயற்கை நுண்ணறிவைப் பயன்படுத்துதல். இதன் பொருள் AI தொழில்நுட்பம் மற்றும் AI மருத்துவ சரிபார்ப்பு செயல்முறைகள் எதிர்காலத்தில் பரஸ்பரம் வலுவூட்டுவதாகவும் இணைந்து உருவாகி வருவதாகவும் அர்த்தமா? இது 2023 இன் திறந்த மற்றும் சிந்திக்கத் தூண்டும் கேள்வி.

மருத்துவ AI இன் ஒழுங்குமுறை

AI தொழில்நுட்பத்தின் முன்னேற்றம் AI இன் ஒழுங்குமுறைக்கு சவால்களை ஏற்படுத்துகிறது, மேலும் உலகெங்கிலும் உள்ள கொள்கை வகுப்பாளர்கள் கவனமாகவும் கவனமாகவும் பதிலளித்து வருகின்றனர். 2019 ஆம் ஆண்டில், FDA முதன்முதலில் செயற்கை நுண்ணறிவு மருத்துவ சாதனங்களில் மென்பொருள் மாற்றங்களுக்கான முன்மொழியப்பட்ட ஒழுங்குமுறை கட்டமைப்பை (கலந்துரையாடல் வரைவு) வெளியிட்டது, இது AI மற்றும் இயந்திர கற்றல் சார்ந்த மென்பொருள் மாற்றங்களுக்கான முன் சந்தை மதிப்பாய்வுக்கான அதன் சாத்தியமான அணுகுமுறையை விவரிக்கிறது. 2021 ஆம் ஆண்டில், FDA "மருத்துவ சாதன செயல் திட்டமாக செயற்கை நுண்ணறிவு/இயந்திர கற்றல் அடிப்படையிலான மென்பொருளை" முன்மொழிந்தது, இது ஐந்து குறிப்பிட்ட AI மருத்துவ ஒழுங்குமுறை நடவடிக்கைகளை தெளிவுபடுத்தியது. இந்த ஆண்டு, FDA சாதன மென்பொருள் அம்சங்களின் பாதுகாப்பு மற்றும் செயல்திறனை மதிப்பிடுவதற்கான முன் சந்தை சமர்ப்பிப்பு பரிந்துரைகள் குறித்த தகவல்களை வழங்க சாதன மென்பொருள் அம்சங்களுக்கான முன் சந்தை சமர்ப்பிப்பை மீண்டும் வெளியிட்டது, இதில் இயந்திர கற்றல் முறைகள் மூலம் பயிற்சி பெற்ற இயந்திர கற்றல் மாதிரிகளைப் பயன்படுத்தும் சில மென்பொருள் சாதன அம்சங்கள் அடங்கும். FDA இன் ஒழுங்குமுறைக் கொள்கை ஆரம்ப முன்மொழிவிலிருந்து நடைமுறை வழிகாட்டுதலாக உருவாகியுள்ளது.

கடந்த ஆண்டு ஜூலை மாதம் ஐரோப்பிய சுகாதார தரவு இடம் வெளியிடப்பட்டதைத் தொடர்ந்து, EU மீண்டும் செயற்கை நுண்ணறிவுச் சட்டத்தை இயற்றியுள்ளது. முந்தையது, உயர்தர சுகாதாரப் பராமரிப்பை வழங்குவதற்கும், ஏற்றத்தாழ்வுகளைக் குறைப்பதற்கும், தடுப்பு, நோயறிதல், சிகிச்சை, அறிவியல் கண்டுபிடிப்பு, முடிவெடுத்தல் மற்றும் சட்டம் ஆகியவற்றிற்கான தரவை ஆதரிப்பதற்கும் சுகாதாரத் தரவைச் சிறப்பாகப் பயன்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது, அதே நேரத்தில் EU குடிமக்கள் தங்கள் தனிப்பட்ட சுகாதாரத் தரவுகளில் அதிக கட்டுப்பாட்டைக் கொண்டிருப்பதை உறுதி செய்கிறது. பிந்தையது, மருத்துவ நோயறிதல் அமைப்பு ஒரு உயர்-ஆபத்துள்ள AI அமைப்பு என்பதையும், அது இலக்கு வைக்கப்பட்ட வலுவான மேற்பார்வை, முழு-வாழ்க்கை சுழற்சி மேற்பார்வை மற்றும் மதிப்பீட்டிற்கு முந்தைய மேற்பார்வையை ஏற்றுக்கொள்ள வேண்டும் என்பதையும் தெளிவுபடுத்துகிறது. ஐரோப்பிய மருந்துகள் நிறுவனம் (EMA), மருந்து மேம்பாடு, ஒழுங்குமுறை மற்றும் பயன்பாட்டை ஆதரிக்க AI இன் பயன்பாடு குறித்த வரைவு பிரதிபலிப்பு ஆய்வறிக்கையை வெளியிட்டுள்ளது, நோயாளியின் பாதுகாப்பு மற்றும் மருத்துவ ஆராய்ச்சி முடிவுகளின் ஒருமைப்பாட்டை உறுதி செய்வதற்காக AI இன் நம்பகத்தன்மையை மேம்படுத்துவதில் முக்கியத்துவம் அளிக்கிறது. ஒட்டுமொத்தமாக, EU இன் ஒழுங்குமுறை அணுகுமுறை படிப்படியாக வடிவம் பெறுகிறது, மேலும் இறுதி செயல்படுத்தல் விவரங்கள் மிகவும் விரிவானதாகவும் கண்டிப்பாகவும் இருக்கலாம். ஐரோப்பிய ஒன்றியத்தின் கடுமையான ஒழுங்குமுறைக்கு முற்றிலும் மாறாக, இங்கிலாந்தின் AI ஒழுங்குமுறை வரைபடம், அரசாங்கம் மென்மையான அணுகுமுறையை எடுக்க திட்டமிட்டுள்ளது என்பதையும், இப்போதைக்கு புதிய மசோதாக்களை இயற்றவோ அல்லது புதிய ஒழுங்குமுறை அமைப்புகளை அமைக்கவோ இல்லை என்பதையும் தெளிவுபடுத்துகிறது.

சீனாவில், தேசிய மருத்துவப் பொருட்கள் நிர்வாகத்தின் மருத்துவ சாதன தொழில்நுட்ப மதிப்பாய்வு மையம் (NMPA), “ஆழமான கற்றல் உதவி முடிவு மென்பொருளின் மதிப்பாய்வு புள்ளிகள்”, “செயற்கை நுண்ணறிவு மருத்துவ சாதனங்களின் பதிவு மதிப்பாய்விற்கான வழிகாட்டுதல் கோட்பாடுகள் (கருத்துக்கான வரைவு)” மற்றும் “செயற்கை நுண்ணறிவு மருத்துவ மென்பொருள் தயாரிப்புகளின் வகைப்பாடு மற்றும் வரையறைக்கான வழிகாட்டுதல் கோட்பாடுகள் குறித்த சுற்றறிக்கை (2021 இல் எண். 47)” போன்ற ஆவணங்களை முன்னர் வெளியிட்டுள்ளது. இந்த ஆண்டு, "2023 ஆம் ஆண்டில் முதல் மருத்துவ சாதன தயாரிப்பு வகைப்பாடு முடிவுகளின் சுருக்கம்" மீண்டும் வெளியிடப்பட்டது. இந்த ஆவணத் தொடர் செயற்கை நுண்ணறிவு மருத்துவ மென்பொருள் தயாரிப்புகளின் வரையறை, வகைப்பாடு மற்றும் ஒழுங்குமுறையை தெளிவாகவும் எளிதாகவும் செயல்பட வைக்கிறது, மேலும் தொழில்துறையில் உள்ள பல்வேறு நிறுவனங்களின் தயாரிப்பு நிலைப்படுத்தல் மற்றும் பதிவு உத்திகளுக்கு தெளிவான வழிகாட்டுதலை வழங்குகிறது. இந்த ஆவணங்கள் AI மருத்துவ சாதனங்களின் அறிவியல் ஒழுங்குமுறைக்கான கட்டமைப்பு மற்றும் மேலாண்மை முடிவுகளை வழங்குகின்றன. டிசம்பர் 21 முதல் 23 வரை ஹாங்சோவில் நடைபெற்ற சீன மருத்துவ செயற்கை நுண்ணறிவு மாநாட்டின் நிகழ்ச்சி நிரல், டிஜிட்டல் மருத்துவ நிர்வாகம் மற்றும் பொது மருத்துவமனைகளின் உயர்தர மேம்பாடு மற்றும் செயற்கை நுண்ணறிவு மருத்துவ சாதன சோதனை மற்றும் மதிப்பீட்டு தொழில்நுட்ப தரப்படுத்தல் தொழில் மேம்பாட்டு மன்றம் குறித்த சிறப்பு மன்றத்தை அமைப்பதை எதிர்நோக்குவது மதிப்பு. அந்த நேரத்தில், தேசிய வளர்ச்சி மற்றும் சீர்திருத்த ஆணையம் மற்றும் NMPA அதிகாரிகள் கூட்டத்தில் கலந்துகொள்வார்கள் மற்றும் புதிய தகவல்களை வெளியிடலாம்.

முடிவுரை

2023 ஆம் ஆண்டில், மருத்துவ AI, மருத்துவமனை தரவு சேகரிப்பு, இணைவு, பகுப்பாய்வு, நோயறிதல் மற்றும் சிகிச்சை மற்றும் சமூக பரிசோதனை ஆகியவற்றை உள்ளடக்கிய முழு மருத்துவ மேல்நோக்கி மற்றும் கீழ்நோக்கி செயல்முறையிலும் ஒருங்கிணைக்கத் தொடங்கியுள்ளது, மேலும் மருத்துவ/நோய் கட்டுப்பாட்டு ஊழியர்களுடன் இயல்பாகவே ஒத்துழைத்து, மனித ஆரோக்கியத்திற்கு நல்வாழ்வைக் கொண்டுவருவதற்கான திறனைக் காட்டுகிறது. பயன்படுத்தக்கூடிய மருத்துவ AI ஆராய்ச்சி விடியத் தொடங்கியுள்ளது. எதிர்காலத்தில், மருத்துவ AI இன் முன்னேற்றம் தொழில்நுட்ப வளர்ச்சியைப் பொறுத்தது மட்டுமல்லாமல், தொழில், பல்கலைக்கழகம் மற்றும் மருத்துவ ஆராய்ச்சியின் முழு ஒத்துழைப்பும் கொள்கை வகுப்பாளர்கள் மற்றும் ஒழுங்குமுறை அதிகாரிகளின் ஆதரவும் தேவை. இந்த குறுக்கு-டொமைன் ஒத்துழைப்பு AI-ஒருங்கிணைந்த மருத்துவ சேவைகளை அடைவதற்கான திறவுகோலாகும், மேலும் இது நிச்சயமாக மனித ஆரோக்கியத்தின் வளர்ச்சியை ஊக்குவிக்கும்.