اخبار

از زمان آغاز به کار IBM Watson در سال ۲۰۰۷، انسان‌ها به طور مداوم در حال توسعه هوش مصنوعی پزشکی (AI) بوده‌اند. یک سیستم هوش مصنوعی پزشکی قابل استفاده و قدرتمند، پتانسیل عظیمی برای تغییر شکل تمام جنبه‌های پزشکی مدرن دارد و مراقبت‌های هوشمندتر، دقیق‌تر، کارآمدتر و فراگیرتری را امکان‌پذیر می‌کند، رفاه را برای کادر پزشکی و بیماران به ارمغان می‌آورد و در نتیجه سلامت انسان را تا حد زیادی بهبود می‌بخشد. در ۱۶ سال گذشته، اگرچه محققان هوش مصنوعی پزشکی در زمینه‌های مختلف کوچک گرد هم آمده‌اند، اما در این مرحله، هنوز نتوانسته‌اند داستان‌های علمی تخیلی را به واقعیت تبدیل کنند.

امسال، با توسعه انقلابی فناوری هوش مصنوعی مانند ChatGPT، هوش مصنوعی پزشکی در بسیاری از جنبه‌ها پیشرفت چشمگیری داشته است. پیشرفت بی‌سابقه در توانایی هوش مصنوعی پزشکی: مجله نیچر به طور مداوم تحقیقات در مورد مدل زبان بزرگ پزشکی و مدل پایه تصویر پزشکی را آغاز کرده است؛ گوگل Med-PaLM و جانشین آن را منتشر می‌کند و به سطح تخصصی در سوالات آزمون پزشک عمومی ایالات متحده رسیده است. مجلات دانشگاهی بزرگ بر هوش مصنوعی پزشکی تمرکز خواهند کرد: نیچر چشم‌انداز مدل پایه هوش مصنوعی پزشکی عمومی را منتشر می‌کند؛ پس از مجموعه‌ای از بررسی‌های هوش مصنوعی در پزشکی در اوایل امسال، مجله پزشکی نیوانگلند (NEJM) اولین بررسی سلامت دیجیتال خود را در 30 نوامبر منتشر کرد و اولین شماره از زیرمجموعه NEJM با نام NEJM AI را در 12 دسامبر منتشر کرد. زمینه برای فرود هوش مصنوعی پزشکی بیشتر فراهم شده است: زیرمجموعه JAMA ابتکار جهانی اشتراک‌گذاری داده‌های تصویر پزشکی را منتشر کرد؛ سازمان غذا و داروی ایالات متحده (FDA) در حال تهیه پیش‌نویس دستورالعمل‌هایی برای تنظیم هوش مصنوعی پزشکی است.

در ادامه، پیشرفت‌های چشمگیری را که محققان در سراسر جهان در جهت هوش مصنوعی پزشکی کاربردی در سال ۲۰۲۳ به دست آورده‌اند، بررسی می‌کنیم.

مدل پایه هوش مصنوعی پزشکی

ساخت مدل پایه هوش مصنوعی پزشکی بدون شک داغ‌ترین تمرکز تحقیقاتی امسال است. مجلات Nature در طول سال مقالات مروری در مورد مدل پایه جهانی مراقبت‌های بهداشتی و مدل زبان بزرگ مراقبت‌های بهداشتی منتشر کرده‌اند. مجله Medical Image Analysis، برترین مجله در این صنعت، چالش‌ها و فرصت‌های تحقیقات مدل پایه در تجزیه و تحلیل تصاویر پزشکی را بررسی و مشتاقانه منتظر آن بوده و مفهوم "شجره‌نامه مدل پایه" را برای خلاصه کردن و هدایت توسعه تحقیقات مدل پایه هوش مصنوعی پزشکی پیشنهاد کرده است. آینده مدل‌های پایه هوش مصنوعی برای مراقبت‌های بهداشتی در حال روشن‌تر شدن است. محققان در زمینه هوش مصنوعی پزشکی با تکیه بر نمونه‌های موفق مدل‌های زبان بزرگ مانند ChatGPT، با استفاده از روش‌های پیش‌آموزش خودنظارتی پیشرفته‌تر و انباشت گسترده داده‌های آموزشی، در تلاشند تا ۱) مدل‌های پایه خاص بیماری، ۲) مدل‌های پایه عمومی و ۳) مدل‌های بزرگ چندوجهی بسازند که طیف گسترده‌ای از حالت‌ها را با پارامترهای عظیم و قابلیت‌های برتر ادغام می‌کنند.

مدل هوش مصنوعی جمع‌آوری داده‌های پزشکی

علاوه بر مدل‌های بزرگ هوش مصنوعی که نقش مهمی در وظایف تحلیل داده‌های بالینی پایین‌دستی ایفا می‌کنند، در جمع‌آوری داده‌های بالینی بالادستی، فناوری ارائه شده توسط مدل‌های هوش مصنوعی مولد نیز ظهور کرده است. الگوریتم‌های هوش مصنوعی می‌توانند فرآیند، سرعت و کیفیت جمع‌آوری داده‌ها را به طور قابل توجهی بهبود بخشند.

اوایل امسال، مجله Nature Biomedical Engineering مطالعه‌ای از دانشگاه Straits ترکیه منتشر کرد که بر استفاده از هوش مصنوعی مولد برای حل مشکل تشخیص به کمک تصویر پاتولوژیک در کاربردهای بالینی تمرکز داشت. آرتیفکت‌های موجود در بافت بخش منجمد در طول جراحی مانعی برای ارزیابی سریع تشخیصی هستند. اگرچه بافت فرمالین و پارافین جاسازی شده (FFPE) نمونه‌ای با کیفیت بالاتر ارائه می‌دهد، اما فرآیند تولید آن زمان‌بر است و اغلب ۱۲ تا ۴۸ ساعت طول می‌کشد و آن را برای استفاده در جراحی نامناسب می‌کند. بنابراین، تیم تحقیقاتی الگوریتمی به نام AI-FFPE را پیشنهاد کرد که می‌تواند ظاهر بافت را در بخش منجمد مشابه FFPE کند. این الگوریتم با موفقیت آرتیفکت‌های بخش‌های منجمد را اصلاح کرد، کیفیت تصویر را بهبود بخشید و همزمان ویژگی‌های بالینی مرتبط را حفظ کرد. در اعتبارسنجی بالینی، الگوریتم AI-FFPE دقت تشخیصی پاتولوژیست‌ها را برای زیرگروه‌های تومور به طور قابل توجهی بهبود می‌بخشد، در حالی که زمان تشخیص بالینی را تا حد زیادی کاهش می‌دهد.

Cell Reports Medicine گزارشی از یک کار تحقیقاتی توسط تیمی از کالج بالینی سوم دانشگاه جیلین، دپارتمان رادیولوژی، بیمارستان ژونگشان وابسته به دانشگاه فودان و دانشگاه علوم و فناوری شانگهای ارائه می‌دهد [25]. این مطالعه یک چارچوب ادغام یادگیری عمیق و بازسازی تکراری همه منظوره (Hybrid DL-IR) با تطبیق‌پذیری و انعطاف‌پذیری بالا ارائه می‌دهد که عملکرد عالی در بازسازی تصویر در MRI سریع، CT با دوز کم و PET سریع را نشان می‌دهد. این الگوریتم می‌تواند اسکن چند توالی تک اندامی MR را در 100 ثانیه انجام دهد، دوز تابش را تنها به 10٪ از تصویر CT کاهش دهد و نویز را از بین ببرد و می‌تواند ضایعات کوچک حاصل از تصویربرداری PET را با شتاب 2 تا 4 برابر بازسازی کند، در حالی که اثر آرتیفکت‌های حرکتی را کاهش می‌دهد.

هوش مصنوعی پزشکی در همکاری با کادر درمان

توسعه سریع هوش مصنوعی پزشکی همچنین باعث شده است که متخصصان پزشکی به طور جدی در مورد چگونگی همکاری با هوش مصنوعی برای بهبود فرآیندهای بالینی فکر کنند و آن را بررسی کنند. در ماه ژوئیه امسال، DeepMind و یک تیم تحقیقاتی چند نهادی به طور مشترک یک سیستم هوش مصنوعی به نام Complementary Driven Clinical Workflow Delay (CoDoC) را پیشنهاد دادند. فرآیند تشخیص ابتدا توسط یک سیستم هوش مصنوعی پیش‌بینی‌کننده تشخیص داده می‌شود، سپس توسط یک سیستم هوش مصنوعی دیگر بر اساس نتیجه قبلی قضاوت می‌شود و در صورت وجود شک، تشخیص در نهایت توسط یک پزشک انجام می‌شود تا دقت تشخیصی و کارایی تعادل بهبود یابد. در مورد غربالگری سرطان سینه، CoDoC در مقایسه با فرآیند فعلی "داوری دو بار خواندن" در بریتانیا، نرخ‌های مثبت کاذب را 25٪ با همان نرخ منفی کاذب کاهش داد، در حالی که حجم کار پزشک را 66٪ کاهش داد. از نظر طبقه‌بندی سل، نرخ‌های مثبت کاذب 5 تا 15 درصد با همان نرخ منفی کاذب در مقایسه با گردش‌های کاری مستقل هوش مصنوعی و بالینی کاهش یافت.

به طور مشابه، آنی وای. نگ و همکارانش از شرکت خیرون در لندن، انگلستان، خوانندگان هوش مصنوعی بیشتری (با همکاری معاینه‌کنندگان انسانی) را برای بررسی مجدد نتایج در زمانی که هیچ نتیجه‌ی قابل بازیابی در فرآیند داوری دو بار خواندن وجود نداشت، معرفی کردند که مشکل تشخیص از دست رفته در غربالگری اولیه سرطان پستان را بهبود بخشید و این فرآیند تقریباً هیچ مثبت کاذبی نداشت. مطالعه‌ی دیگری که توسط تیمی در دانشکده پزشکی دانشگاه تگزاس مک‌گاورن رهبری و در چهار مرکز سکته مغزی انجام شد، از فناوری هوش مصنوعی مبتنی بر آنژیوگرافی توموگرافی کامپیوتری (CTA) برای خودکارسازی تشخیص سکته مغزی ایسکمیک انسدادی عروق بزرگ (LVO) استفاده کرد. پزشکان و رادیولوژیست‌ها ظرف چند دقیقه پس از اتمام تصویربرداری سی‌تی‌اسکن، هشدارهایی را در تلفن‌های همراه خود دریافت می‌کنند که آنها را از وجود احتمالی LVO مطلع می‌کند. این فرآیند هوش مصنوعی، گردش کار در بیمارستان را برای سکته مغزی ایسکمیک حاد بهبود می‌بخشد، زمان پذیرش تا درمان را کاهش می‌دهد و فرصت‌هایی را برای نجات موفقیت‌آمیز فراهم می‌کند. این یافته‌ها در JAMA Neurology منتشر شده است.

یک مدل مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی برای منفعت جهانی

سال ۲۰۲۳ همچنین شاهد کارهای خوب زیادی خواهد بود که از هوش مصنوعی پزشکی برای یافتن ویژگی‌هایی که برای چشم انسان از داده‌های در دسترس‌تر نامرئی هستند، استفاده می‌کنند و تشخیص جهانی و غربالگری زودهنگام را در مقیاس بزرگ امکان‌پذیر می‌سازند. در ابتدای سال، مجله نیچر مدیسین مطالعات انجام شده توسط مرکز چشم ژونگشان دانشگاه سان یات سن و بیمارستان دوم وابسته به دانشگاه پزشکی فوجیان را منتشر کرد. آنها با استفاده از تلفن‌های هوشمند به عنوان پایانه‌های کاربردی، از تصاویر ویدیویی کارتونی برای القای نگاه کودکان و ثبت رفتار نگاه و ویژگی‌های صورت کودکان استفاده کردند و مدل‌های غیرطبیعی را با استفاده از مدل‌های یادگیری عمیق تجزیه و تحلیل کردند تا با موفقیت ۱۶ بیماری چشمی، از جمله آب مروارید مادرزادی، پتوز مادرزادی و گلوکوم مادرزادی را با دقت غربالگری متوسط ​​بیش از ۸۵٪ شناسایی کنند. این یک ابزار فنی مؤثر و آسان برای عمومی‌سازی برای غربالگری زودهنگام اختلال عملکرد بینایی نوزادان و بیماری‌های چشمی مرتبط در مقیاس بزرگ فراهم می‌کند.

در پایان سال، مجله نیچر مدیسین گزارشی از کاری که توسط بیش از ۱۰ موسسه پزشکی و تحقیقاتی در سراسر جهان، از جمله موسسه بیماری‌های پانکراس شانگهای و اولین بیمارستان وابسته به دانشگاه ژجیانگ، انجام شده بود، ارائه داد. نویسنده، هوش مصنوعی را برای غربالگری سرطان پانکراس افراد بدون علامت در مراکز معاینه فیزیکی، بیمارستان‌ها و غیره به کار برد تا ویژگی‌های ضایعه را در تصاویر سی‌تی‌اسکن ساده که تشخیص آنها با چشم غیرمسلح دشوار است، تشخیص دهد و به تشخیص زودهنگام کارآمد و غیرتهاجمی سرطان پانکراس دست یابد. در بررسی داده‌های بیش از ۲۰،۰۰۰ بیمار، این مدل همچنین ۳۱ مورد ضایعات بالینی از دست رفته را شناسایی کرد که به طور قابل توجهی نتایج بالینی را بهبود بخشید.

اشتراک‌گذاری داده‌های پزشکی

در سال ۲۰۲۳، سازوکارهای اشتراک‌گذاری داده‌های کامل‌تر و موارد موفق بسیاری در سراسر جهان پدیدار شده‌اند که همکاری چند مرکزی و باز بودن داده‌ها را با فرض حفاظت از حریم خصوصی و امنیت داده‌ها تضمین می‌کنند.

اول، با کمک خود فناوری هوش مصنوعی، محققان هوش مصنوعی در به اشتراک گذاری داده‌های پزشکی مشارکت داشته‌اند. چی چانگ و دیگران از دانشگاه راتگرز در ایالات متحده مقاله‌ای در Nature Communications منتشر کردند و یک چارچوب یادگیری فدرال DSL مبتنی بر شبکه‌های مصنوعی خصمانه توزیع‌شده را پیشنهاد دادند که از هوش مصنوعی مولد برای آموزش داده‌های تولید شده خاص چند مرکزی استفاده می‌کند و سپس داده‌های واقعی چند مرکزی را با داده‌های تولید شده جایگزین می‌کند. آموزش هوش مصنوعی را بر اساس داده‌های بزرگ چند مرکزی تضمین می‌کند و در عین حال از حریم خصوصی داده‌ها محافظت می‌کند. همین تیم همچنین مجموعه‌ای از تصاویر پاتولوژیک تولید شده و حاشیه‌نویسی‌های مربوط به آنها را به صورت متن‌باز منتشر می‌کند. مدل تقسیم‌بندی آموزش داده شده بر روی مجموعه داده‌های تولید شده می‌تواند به نتایج مشابهی با داده‌های واقعی دست یابد.

تیم دای کیونگهای از دانشگاه تسینگهوا مقاله‌ای در مورد سلامت دیجیتال npj منتشر کرد و Relay Learning را پیشنهاد داد که از داده‌های بزرگ چند مکانی برای آموزش مدل‌های هوش مصنوعی تحت فرض حاکمیت داده‌های محلی و عدم اتصال شبکه بین مکانی استفاده می‌کند. این سیستم، نگرانی‌های مربوط به امنیت داده‌ها و حریم خصوصی را با پیگیری عملکرد هوش مصنوعی متعادل می‌کند. همین تیم متعاقباً با همکاری بیمارستان اول وابسته به دانشگاه پزشکی گوانگژو و 24 بیمارستان در سراسر کشور، CAIMEN، یک سیستم تشخیص تومور مدیاستن با سی‌تی‌اسکن قفسه سینه مبتنی بر یادگیری فدرال، را به طور مشترک توسعه داده و اعتبارسنجی کرد. این سیستم که می‌تواند برای 12 تومور مدیاستن رایج اعمال شود، در صورت استفاده به تنهایی 44.9 درصد دقت بهتری نسبت به زمانی که توسط متخصصان انسانی به تنهایی استفاده می‌شد، و در صورت کمک متخصصان انسانی، 19 درصد دقت تشخیص بهتری داشت.

از سوی دیگر، چندین طرح برای ساخت مجموعه داده‌های پزشکی ایمن، جهانی و در مقیاس بزرگ در حال انجام است. در نوامبر 2023، آگوستینا سائنز و دیگران از گروه انفورماتیک زیست‌پزشکی در دانشکده پزشکی هاروارد، چارچوبی جهانی برای اشتراک‌گذاری داده‌های تصاویر پزشکی به نام داده‌های هوش مصنوعی برای همه مراقبت‌های بهداشتی (MAIDA) را به صورت آنلاین در Lancet Digital Health منتشر کردند. آنها با سازمان‌های مراقبت‌های بهداشتی در سراسر جهان همکاری می‌کنند تا با استفاده از الگوی شریک نمایشی فدرال ایالات متحده (FDP) برای استانداردسازی اشتراک‌گذاری داده‌ها، راهنمایی جامعی در مورد جمع‌آوری داده‌ها و عدم شناسایی ارائه دهند. آنها قصد دارند به تدریج مجموعه داده‌های جمع‌آوری‌شده در مناطق مختلف و محیط‌های بالینی در سراسر جهان را منتشر کنند. انتظار می‌رود اولین مجموعه داده‌ها در اوایل سال 2024 منتشر شود و با گسترش این همکاری، تعداد بیشتری نیز منتشر خواهد شد. این پروژه تلاشی مهم برای ساخت مجموعه‌ای جهانی، در مقیاس بزرگ و متنوع از داده‌های هوش مصنوعی در دسترس عموم است.

در پی این پیشنهاد، بیوبانک بریتانیا نمونه‌ای از خود ارائه داده است. بیوبانک بریتانیا در تاریخ 30 نوامبر داده‌های جدیدی از توالی‌یابی کل ژنوم 500000 شرکت‌کننده خود منتشر کرد. این پایگاه داده که توالی کامل ژنوم هر یک از 500000 داوطلب بریتانیایی را منتشر می‌کند، بزرگترین پایگاه داده کامل ژنوم انسانی در جهان است. محققان در سراسر جهان می‌توانند درخواست دسترسی به این داده‌های شناسایی نشده را داشته باشند و از آن برای بررسی اساس ژنتیکی سلامت و بیماری استفاده کنند. داده‌های ژنتیکی در گذشته همیشه برای تأیید بسیار حساس بوده‌اند و این دستاورد تاریخی بیوبانک بریتانیا ثابت می‌کند که می‌توان یک پایگاه داده جهانی در مقیاس بزرگ، آزاد و بدون حریم خصوصی ایجاد کرد. با این فناوری و پایگاه داده، هوش مصنوعی پزشکی قطعاً جهش بعدی را آغاز خواهد کرد.

تأیید و ارزیابی هوش مصنوعی پزشکی

در مقایسه با توسعه سریع خود فناوری هوش مصنوعی پزشکی، توسعه تأیید و ارزیابی هوش مصنوعی پزشکی کمی کند است. اعتبارسنجی و ارزیابی در حوزه عمومی هوش مصنوعی اغلب نیازهای واقعی پزشکان و بیماران را برای هوش مصنوعی نادیده می‌گیرد. آزمایش‌های بالینی تصادفی کنترل‌شده سنتی برای مطابقت با تکرار سریع ابزارهای هوش مصنوعی بسیار پر زحمت هستند. بهبود سیستم تأیید و ارزیابی مناسب برای ابزارهای هوش مصنوعی پزشکی در اسرع وقت، مهمترین چیز برای ارتقای هوش مصنوعی پزشکی به جهش واقعی از تحقیق و توسعه به سمت فرود بالینی است.

در مقاله تحقیقاتی گوگل در مورد Med-PaLM که در مجله Nature منتشر شده است، این تیم همچنین معیار ارزیابی MultiMedQA را منتشر کرده است که برای ارزیابی توانایی مدل‌های زبانی بزرگ در کسب دانش بالینی استفاده می‌شود. این معیار، شش مجموعه داده پرسش و پاسخ پزشکی حرفه‌ای موجود، شامل دانش پزشکی حرفه‌ای، تحقیق و سایر جنبه‌ها، و همچنین یک مجموعه داده پایگاه داده جستجوی آنلاین سوالات پزشکی را با در نظر گرفتن پرسش و پاسخ آنلاین پزشک-بیمار، ترکیب می‌کند و سعی دارد هوش مصنوعی را از جنبه‌های مختلف به یک پزشک واجد شرایط آموزش دهد. علاوه بر این، این تیم چارچوبی مبتنی بر ارزیابی انسانی پیشنهاد می‌کند که ابعاد چندگانه واقعیت، درک، استدلال و سوگیری احتمالی را در نظر می‌گیرد. این یکی از بارزترین تلاش‌های تحقیقاتی برای ارزیابی هوش مصنوعی در مراقبت‌های بهداشتی است که امسال منتشر شده است.

با این حال، آیا این واقعیت که مدل‌های زبانی بزرگ سطح بالایی از دانش بالینی کدگذاری را نشان می‌دهند، به این معنی است که مدل‌های زبانی بزرگ برای وظایف بالینی دنیای واقعی صلاحیت دارند؟ همانطور که یک دانشجوی پزشکی که امتحان پزشکی حرفه‌ای را با نمره کامل قبول می‌شود، هنوز با یک پزشک ارشد تنها فاصله زیادی دارد، معیارهای ارزیابی ارائه شده توسط گوگل ممکن است پاسخ کاملی به موضوع ارزیابی هوش مصنوعی پزشکی برای مدل‌های هوش مصنوعی نباشد. در اوایل سال‌های 2021 و 2022، محققان دستورالعمل‌های گزارش‌دهی مانند Decid-AI، SPIRIT-AI و INTRPRT را پیشنهاد کرده‌اند، به این امید که توسعه و اعتبارسنجی اولیه هوش مصنوعی پزشکی را با در نظر گرفتن عواملی مانند عملی بودن بالینی، ایمنی، عوامل انسانی و شفافیت/تفسیرپذیری هدایت کنند. اخیراً، مجله Nature Medicine مطالعه‌ای را توسط محققان دانشگاه آکسفورد و دانشگاه استنفورد در مورد اینکه آیا باید از "اعتبارسنجی خارجی" یا "اعتبارسنجی محلی مکرر" برای اعتبارسنجی ابزارهای هوش مصنوعی استفاده کرد، منتشر کرد.

ماهیت بی‌طرفانه ابزارهای هوش مصنوعی نیز یک جهت‌گیری ارزیابی مهم است که امسال مورد توجه مقالات Science و NEJM قرار گرفته است. هوش مصنوعی اغلب به دلیل محدود بودن به داده‌های آموزشی، دچار سوگیری می‌شود. این سوگیری ممکن است نشان‌دهنده نابرابری اجتماعی باشد که در ادامه به تبعیض الگوریتمی تبدیل می‌شود. مؤسسات ملی بهداشت اخیراً ابتکار Bridge2AI را با هزینه تخمینی ۱۳۰ میلیون دلار برای ساخت مجموعه داده‌های متنوع (مطابق با اهداف ابتکار MAIDA که در بالا ذکر شد) راه‌اندازی کرده‌اند که می‌تواند برای اعتبارسنجی بی‌طرفانه بودن ابزارهای هوش مصنوعی پزشکی مورد استفاده قرار گیرد. این جنبه‌ها توسط MultiMedQA در نظر گرفته نشده است. سوال در مورد چگونگی اندازه‌گیری و اعتبارسنجی مدل‌های هوش مصنوعی پزشکی هنوز نیاز به بحث گسترده و عمیق دارد.

در ماه ژانویه، نشریه نیچر مدیسین مقاله‌ای با عنوان «نسل بعدی پزشکی مبتنی بر شواهد» از ویوک سوبیا از مرکز سرطان ام‌دی اندرسون دانشگاه تگزاس منتشر کرد که در آن به بررسی محدودیت‌های آزمایش‌های بالینی آشکار شده در زمینه همه‌گیری کووید-۱۹ پرداخته و به تناقض بین نوآوری و پایبندی به فرآیند تحقیقات بالینی اشاره می‌کند. در نهایت، به آینده‌ای از بازسازی آزمایش‌های بالینی اشاره می‌کند - نسل بعدی آزمایش‌های بالینی با استفاده از هوش مصنوعی، یعنی استفاده از هوش مصنوعی از تعداد زیادی از داده‌های تحقیقاتی تاریخی، داده‌های دنیای واقعی، داده‌های بالینی چندوجهی، داده‌های دستگاه‌های پوشیدنی برای یافتن شواهد کلیدی. آیا این بدان معناست که فناوری هوش مصنوعی و فرآیندهای اعتبارسنجی بالینی هوش مصنوعی ممکن است در آینده به طور متقابل یکدیگر را تقویت کرده و در حال تکامل باشند؟ این سوال باز و تأمل‌برانگیز سال ۲۰۲۳ است.

تنظیم مقررات هوش مصنوعی پزشکی

پیشرفت فناوری هوش مصنوعی همچنین چالش‌هایی را برای تنظیم مقررات هوش مصنوعی ایجاد می‌کند و سیاست‌گذاران در سراسر جهان با دقت و احتیاط به آن پاسخ می‌دهند. در سال ۲۰۱۹، سازمان غذا و داروی آمریکا (FDA) برای اولین بار یک چارچوب نظارتی پیشنهادی برای تغییرات نرم‌افزاری در دستگاه‌های پزشکی هوش مصنوعی (پیش‌نویس بحث) منتشر کرد که در آن رویکرد بالقوه خود را برای بررسی پیش از فروش هوش مصنوعی و اصلاحات نرم‌افزاری مبتنی بر یادگیری ماشین شرح داد. در سال ۲۰۲۱، FDA «نرم‌افزار مبتنی بر هوش مصنوعی/یادگیری ماشین به عنوان یک طرح اقدام دستگاه پزشکی» را پیشنهاد داد که پنج اقدام نظارتی پزشکی خاص هوش مصنوعی را روشن می‌کرد. امسال، FDA گزارش پیش از فروش ویژگی‌های نرم‌افزار دستگاه را مجدداً منتشر کرد تا اطلاعاتی در مورد توصیه‌های ارسال پیش از فروش برای ارزیابی FDA از ایمنی و اثربخشی ویژگی‌های نرم‌افزار دستگاه، از جمله برخی از ویژگی‌های نرم‌افزار دستگاه که از مدل‌های یادگیری ماشینی آموزش دیده از طریق روش‌های یادگیری ماشینی استفاده می‌کنند، ارائه دهد. سیاست نظارتی FDA از یک پیشنهاد اولیه به راهنمایی عملی تکامل یافته است.

پس از انتشار فضای داده‌های سلامت اروپا در ژوئیه سال گذشته، اتحادیه اروپا بار دیگر قانون هوش مصنوعی را تصویب کرد. هدف قانون اول، استفاده بهینه از داده‌های سلامت برای ارائه مراقبت‌های بهداشتی با کیفیت بالا، کاهش نابرابری‌ها و پشتیبانی از داده‌ها برای پیشگیری، تشخیص، درمان، نوآوری علمی، تصمیم‌گیری و قانونگذاری است، ضمن اینکه تضمین می‌کند شهروندان اتحادیه اروپا کنترل بیشتری بر داده‌های سلامت شخصی خود دارند. قانون دوم به روشنی بیان می‌کند که سیستم تشخیص پزشکی یک سیستم هوش مصنوعی پرخطر است و نیاز به نظارت قوی هدفمند، نظارت در کل چرخه عمر و نظارت قبل از ارزیابی دارد. آژانس دارویی اروپا (EMA) پیش‌نویس مقاله‌ای در مورد استفاده از هوش مصنوعی برای پشتیبانی از توسعه، تنظیم و استفاده از دارو منتشر کرده است که بر بهبود اعتبار هوش مصنوعی برای تضمین ایمنی بیمار و یکپارچگی نتایج تحقیقات بالینی تأکید دارد. در مجموع، رویکرد نظارتی اتحادیه اروپا به تدریج در حال شکل‌گیری است و جزئیات اجرای نهایی ممکن است دقیق‌تر و سختگیرانه‌تر باشد. در تضاد کامل با مقررات سختگیرانه اتحادیه اروپا، طرح نظارتی هوش مصنوعی بریتانیا به روشنی بیان می‌کند که دولت قصد دارد رویکردی ملایم اتخاذ کند و فعلاً لوایح جدید تصویب نکند یا تنظیم‌کننده‌های جدیدی ایجاد نکند.

در چین، مرکز بررسی فنی تجهیزات پزشکی (NMPA) وابسته به اداره ملی محصولات پزشکی، پیش از این اسنادی مانند «نکات بررسی نرم‌افزار تصمیم‌گیری مبتنی بر یادگیری عمیق»، «اصول راهنما برای بررسی ثبت دستگاه‌های پزشکی هوش مصنوعی (پیش‌نویس برای اظهار نظر)» و «بخشنامه اصول راهنما برای طبقه‌بندی و تعریف محصولات نرم‌افزار پزشکی هوش مصنوعی (شماره ۴۷ در سال ۲۰۲۱)» را منتشر کرده است. امسال، «خلاصه اولین نتایج طبقه‌بندی محصولات تجهیزات پزشکی در سال ۲۰۲۳» دوباره منتشر شد. این مجموعه اسناد، تعریف، طبقه‌بندی و تنظیم محصولات نرم‌افزاری پزشکی هوش مصنوعی را واضح‌تر و آسان‌تر می‌کند و راهنمایی روشنی برای استراتژی‌های موقعیت‌یابی محصول و ثبت شرکت‌های مختلف در این صنعت ارائه می‌دهد. این اسناد، چارچوب و تصمیمات مدیریتی را برای تنظیم علمی تجهیزات پزشکی هوش مصنوعی ارائه می‌دهند. شایان ذکر است که در دستور کار کنفرانس هوش مصنوعی پزشکی چین که از ۲۱ تا ۲۳ دسامبر در هانگژو برگزار شد، یک انجمن ویژه در مورد حاکمیت پزشکی دیجیتال و توسعه با کیفیت بالای بیمارستان‌های دولتی و انجمن توسعه صنعت استانداردسازی فناوری آزمایش و ارزیابی تجهیزات پزشکی هوش مصنوعی تشکیل شد. در آن زمان، مقامات کمیسیون توسعه و اصلاحات ملی و NMPA در این جلسه شرکت خواهند کرد و ممکن است اطلاعات جدیدی منتشر کنند.

نتیجه‌گیری

در سال ۲۰۲۳، هوش مصنوعی پزشکی شروع به ادغام در کل فرآیند پزشکی بالادستی و پایین‌دستی کرده است، که شامل جمع‌آوری داده‌های بیمارستانی، ادغام، تجزیه و تحلیل، تشخیص و درمان و غربالگری جامعه می‌شود و به صورت ارگانیک با کارکنان پزشکی/کنترل بیماری همکاری می‌کند و پتانسیل ایجاد رفاه برای سلامت انسان را نشان می‌دهد. تحقیقات هوش مصنوعی پزشکی قابل استفاده در حال ظهور است. در آینده، پیشرفت هوش مصنوعی پزشکی نه تنها به توسعه فناوری بستگی دارد، بلکه به همکاری کامل صنعت، دانشگاه و تحقیقات پزشکی و حمایت سیاست‌گذاران و تنظیم‌کنندگان مقررات نیز نیاز دارد. این همکاری بین حوزه‌ای کلید دستیابی به خدمات پزشکی یکپارچه با هوش مصنوعی است و مطمئناً توسعه سلامت انسان را ارتقا خواهد داد.