fréttir

Frá því að IBM Watson hóf starfsemi árið 2007 hefur mannkynið stöðugt unnið að þróun gervigreindar í læknisfræði (AI). Nothæft og öflugt gervigreindarkerfi í læknisfræði hefur gríðarlega möguleika til að móta alla þætti nútímalæknisfræði, gera kleift að veita snjallari, nákvæmari, skilvirkari og alhliða umönnun, færa heilbrigðisstarfsfólki og sjúklingum vellíðan og þar með bæta heilsu manna til muna. Þótt vísindamenn í gervigreind í læknisfræði hafi safnast saman á ýmsum litlum sviðum á síðustu 16 árum, hafa þeir á þessu stigi ekki enn getað gert vísindaskáldskap að veruleika.

Á þessu ári, með byltingarkenndri þróun gervigreindartækni eins og ChatGPT, hefur læknisfræðileg gervigreind náð miklum árangri á mörgum sviðum. Fordæmalaus bylting í hæfni læknisfræðilegrar gervigreindar: Tímaritið Nature hefur stöðugt hleypt af stokkunum rannsóknum á stórum læknisfræðilegum tungumálamódelum og grunnlíkönum læknisfræðilegra mynda; Google gefur út Med-PaLM og arftaka þess, sem nær sérfræðistigi í spurningum fyrir bandarísk læknapróf. Stór fræðitímarit munu einbeita sér að læknisfræðilegri gervigreind: Nature gefur út horfur á grunnlíkani almennrar læknisfræðilegrar gervigreindar; Eftir röð umfjöllunar um gervigreind í læknisfræði fyrr á þessu ári birti New England Journal of Medicine (NEJM) sína fyrstu stafrænu heilsufarsgrein 30. nóvember og fyrsta tölublað NEJM undirritsins NEJM AI gaf út 12. desember. Lendingarsvæði læknisfræðilegrar gervigreindar er enn frekar þroskað: Undirritið JAMA birti alþjóðlegt frumkvæði um miðlun gagna um læknisfræðilegar mynda; Matvæla- og lyfjaeftirlit Bandaríkjanna (FDA) er að þróa drög að leiðbeiningum um reglugerðir um læknisfræðilega gervigreind.

Hér að neðan skoðum við mikilvægar framfarir sem vísindamenn um allan heim hafa náð í átt að nothæfri læknisfræðilegri gervigreind árið 2023.

Grunnlíkan læknisfræðilegrar gervigreindar

Smíði grunnlíkana fyrir læknisfræðilega gervigreind er án efa heitasta rannsóknarverkefnið á þessu ári. Tímaritin Nature hafa birt yfirlitsgreinar um Universal Basic líkanið í heilbrigðisþjónustu og stórt tungumálalíkan í heilbrigðisþjónustu á árinu. Medical Image Analysis, fremsta tímarit í greininni, skoðaði og horfði fram á áskoranir og tækifæri grunnlíkanarannsókna í læknisfræðilegri myndgreiningu og lagði til hugtakið „ætterni grunnlíkans“ til að draga saman og leiðbeina þróun grunnlíkanarannsókna í læknisfræðilegri gervigreind. Framtíð grunnlíkana fyrir gervigreind í heilbrigðisþjónustu er að verða ljósari. Með því að draga fram farsæl dæmi um stór tungumálalíkön eins og ChatGPT, nota flóknari sjálfstýrðar forþjálfunaraðferðir og mikla uppsöfnun þjálfunargagna, eru vísindamenn á sviði læknisfræðilegrar gervigreindar að reyna að byggja upp 1) sjúkdómssértæk grunnlíkön, 2) almenn grunnlíkön og 3) fjölþátta stór líkön sem samþætta fjölbreytt úrval stillinga með gríðarlegum breytum og yfirburða getu.

Gervigreindarlíkan fyrir söfnun læknisfræðilegra gagna

Auk stórra gervigreindarlíkana sem gegna mikilvægu hlutverki í greiningu klínískra gagna á eftirvinnslustigi, hefur tækni sem kallast kynslóð gervigreindarlíkön einnig komið fram í gagnasöfnun á eftirvinnslustigi. Hægt er að bæta verulega ferlið, hraðann og gæði gagnaöflunar með reikniritum sem byggja á gervigreind.

Fyrr á þessu ári birti Nature Biomedical Engineering rannsókn frá Straits-háskólanum í Tyrklandi sem einbeitti sér að því að nota gervigreind til að leysa vandamálið með myndgreiningu sjúkdómsgreiningar í klínískum tilgangi. Artefaktir í frosnum vef við skurðaðgerðir eru hindrun fyrir hraðri greiningu. Þó að formalín- og paraffíninnfelld vefur (FFPE) veiti sýni af hærri gæðum, er framleiðsluferlið tímafrekt og tekur oft 12-48 klukkustundir, sem gerir hann óhentugan til notkunar í skurðaðgerðum. Rannsóknarteymið lagði því til reiknirit sem kallast AI-FFPE, sem getur gert útlit vefjarins í frosnum sneiðum svipað og FFPE. Reikniritið leiðrétti með góðum árangri arfakta í frosnum sneiðum, bætti myndgæði og hélt klínískt mikilvægum eiginleikum á sama tíma. Í klínískri staðfestingu bætir AI-FFPE reikniritið greiningarnákvæmni meinafræðinga fyrir æxlisgerðir verulega, en styttir klíníska greiningartímann til muna.

Cell Reports Medicine greinir frá rannsóknarvinnu teymis frá þriðja klíníska háskólanum í Jilin-háskóla, geislafræðideildinni, Zhongshan-sjúkrahúsinu sem tengist Fudan-háskóla og vísinda- og tækniháskólanum í Shanghai [25]. Þessi rannsókn leggur til almennt djúpnáms- og endurgerðarkerfi (Hybrid DL-IR) með mikilli fjölhæfni og sveigjanleika, sem sýnir framúrskarandi myndendurgerðargetu í hraðri segulómun, lágskammta tölvusneiðmynd og hraðri PET-mynd. Reikniritið getur náð MR-skönnun á einu líffæri á 100 sekúndum, dregið úr geislaskammti í aðeins 10% af tölvusneiðmyndinni, útrýmt suði og getur endurskapað lítil meinsemd úr PET-myndatöku með 2 til 4 faldri hröðun, en dregur úr áhrifum hreyfibreytinga.

Læknisfræðileg gervigreind í samstarfi við heilbrigðisstarfsfólk

Hröð þróun gervigreindar í læknisfræði hefur einnig leitt til þess að heilbrigðisstarfsmenn hafa íhugað alvarlega og kannað hvernig hægt er að vinna með gervigreind til að bæta klínísk ferla. Í júlí á þessu ári lögðu DeepMind og fjölstofnana rannsóknarteymi sameiginlega til gervigreindarkerfi sem kallast Complementary Driven Clinical Workflow Delay (CoDoC). Greiningarferlið er fyrst greint með spákerfi sem byggir á gervigreind, síðan metið af öðru gervigreindarkerfi út frá fyrri niðurstöðu, og ef vafi leikur á því er greiningin að lokum gerð af lækni til að bæta nákvæmni greiningarinnar og jafna skilvirkni. Þegar kemur að skimun fyrir brjóstakrabbameini minnkaði CoDoC tíðni falskra jákvæðra niðurstaðna um 25% með sama tíðni falskra neikvæðra niðurstaðna, en vinnuálag lækna minnkaði um 66%, samanborið við núverandi „tvöföld lestur gerðardóms“ ferli í Bretlandi. Hvað varðar flokkun berkla minnkaði tíðni falskra jákvæðra niðurstaðna um 5 til 15 prósent með sama tíðni falskra neikvæðra niðurstaðna samanborið við óháð gervigreind og klínísk vinnuflæði.

Á sama hátt kynntu Annie Y. Ng o.fl., hjá Kheiron Company í London, til sögunnar viðbótar gervigreindarlesara (í samvinnu við mennska rannsakendur) til að endurskoða niðurstöðurnar þegar engar endurköllunarniðurstöður voru í tvílestrarferlinu, sem bætti úr vandanum með misst greiningu í snemmbúnum brjóstakrabbameinsskimun og ferlið hafði nánast engar falskar jákvæðar niðurstöður. Önnur rannsókn, undir forystu teymis við læknadeild Háskólans í Texas, McGovern, og framkvæmd á fjórum heilablóðfallsstöðvum, notaði gervigreindartækni byggða á tölvusneiðmyndatöku (CTA) til að sjálfvirknivæða greiningu á stórum æðalokunarblóðþurrðarslagi (LVO). Læknar og geislalæknar fá rauntíma tilkynningar í farsíma sína innan nokkurra mínútna frá því að tölvusneiðmyndataka er lokið, sem láta þá vita af hugsanlegri tilvist LVO. Þetta gervigreindarferli bætir vinnuflæði á sjúkrahúsum fyrir bráða blóðþurrðarslag, styttir tímann frá innlögn til nára og veitir tækifæri til farsællar björgunaraðgerða. Niðurstöðurnar eru birtar í JAMA Neurology.

Gervigreindarheilbrigðislíkan til almennrar ávinnings

Árið 2023 verður einnig unnið mikið og gott starf með því að nota læknisfræðilega gervigreind til að finna eiginleika sem eru ósýnilegir fyrir mannsaugað úr aðgengilegri gögnum, sem gerir kleift að greina sjónina á alhliða hátt og skima snemma í stórum stíl. Í byrjun árs birti Nature Medicine rannsóknir sem gerðar voru af Zhongshan Eye Center við Sun Yat-sen háskólann og Second Affiliated Hospital við Fujian Medical University. Með því að nota snjallsíma sem forritaskjái notuðu þau teiknimyndalík myndbönd til að vekja augnaráð barna og taka upp augnaráð og andlitsdrætti þeirra, og greindu frekar óeðlileg líkön með djúpnámslíkönum til að bera kennsl á 16 augnsjúkdóma, þar á meðal meðfædda drer, meðfædda lokun og meðfædda gláku, með meðal nákvæmni skimunar upp á meira en 85%. Þetta veitir skilvirka og auðvelda tæknilega leið til að skima snemma í stórum stíl fyrir sjónskerðingu ungbarna og skylda augnsjúkdóma.

Í lok ársins greindi Nature Medicine frá vinnu sem unnin hafði verið af meira en 10 lækna- og rannsóknarstofnunum um allan heim, þar á meðal Shanghai Institute of Pancreatic Disease og First Affiliated Hospital of Zhejiang University. Höfundurinn beitti gervigreind við skimun fyrir briskrabbameini hjá einkennalausum einstaklingum á líkamsskoðunarstöðvum, sjúkrahúsum o.s.frv., til að greina meinsemdir í einföldum tölvusneiðmyndum sem erfitt er að greina með berum augum einu saman, til að ná fram skilvirkri og óáreitilegri snemmgreiningu á briskrabbameini. Við yfirferð gagna frá meira en 20.000 sjúklingum greindi líkanið einnig 31 tilfelli af meinsemdum sem ekki voru klínískt greindar, sem bætti klínískar niðurstöður verulega.

Miðlun læknisfræðilegra gagna

Árið 2023 hafa margar fleiri fullkomnar gagnamiðlunaraðferðir og farsæl dæmi komið fram um allan heim, sem tryggja samstarf fjölmiðstöðva og gagnsæi gagna undir forsendu þess að vernda friðhelgi og öryggi gagna.

Í fyrsta lagi hafa gervigreindarvísindamenn, með hjálp gervigreindartækni sjálfrar, lagt sitt af mörkum til miðlunar læknisfræðilegra gagna. Qi Chang og fleiri frá Rutgers-háskóla í Bandaríkjunum birtu grein í Nature Communications þar sem þeir leggja til alríkisnámsramma, DSL, byggðan á dreifðum tilbúnum andstöðunetum, sem notar kynslóðargervigreind til að þjálfa sérstök gögn sem mynduð eru af fjölstöðvum og skiptir síðan raunverulegum gögnum fjölstöðva út fyrir þau gögn sem mynduðust. Tryggja skal að þjálfun í gervigreind byggist á stórum gögnum frá fjölstöðvum og vernda friðhelgi gagna. Sama teymi opni einnig gagnagrunn með mynduðum sjúkramyndum og samsvarandi skýringum. Skiptingarlíkanið sem þjálfað er á mynduðu gagnasafninu getur náð svipuðum árangri og raunveruleg gögn.

Teymi Dai Qionghai frá Tsinghua-háskóla gaf út grein um npj Digital Health þar sem lagt er til Relay Learning, sem notar stór gögn frá mörgum stöðum til að þjálfa gervigreindarmódel undir þeirri forsendu að gagnayfirráð séu staðbundin og engin nettenging milli staða. Það vegur á milli gagnaöryggis og friðhelgi einkalífs og viðleitni til að ná frammistöðu gervigreindar. Sama teymi þróaði og staðfesti síðan sameiginlega CAIMEN, kerfi til greiningar á æxlum í miðmærðaræxlum með tölvusneiðmynd af brjóstholi sem byggir á alríkisnámi, í samstarfi við fyrsta tengda sjúkrahúsið við læknaháskólann í Guangzhou og 24 sjúkrahús um allt land. Kerfið, sem hægt er að nota á 12 algeng æxli í miðmærðaræxlum, náði 44,9 prósent betri nákvæmni þegar það var notað eitt og sér en þegar það var notað af mönnum einum sér, og 19 prósent betri greiningarnákvæmni þegar mönnum sérfræðingum var veitt aðstoð.

Hins vegar eru nokkur verkefni í gangi til að byggja upp örugg, alþjóðleg og stór læknisfræðileg gagnasöfn. Í nóvember 2023 birtu Agustina Saenz og aðrir frá lífeðlisfræðilegri upplýsingafræðideild Harvard læknaskóla á netinu í Lancet Digital Health alþjóðlegt rammaverk fyrir miðlun læknisfræðilegra myndgagna sem kallast Artificial Intelligence Data for All Healthcare (MAIDA). Þær vinna með heilbrigðisstofnunum um allan heim að því að veita ítarlegar leiðbeiningar um gagnasöfnun og afpersun persónugreinanlegra upplýsinga með því að nota sniðmát bandaríska alríkissamstarfsaðilans (FDP) til að staðla gagnadeilingu. Þær hyggjast smám saman gefa út gagnasöfn sem safnað er á mismunandi svæðum og klínískum stöðum um allan heim. Gert er ráð fyrir að fyrsta gagnasöfnið verði gefið út í byrjun árs 2024, og fleiri munu koma þegar samstarfið stækkar. Verkefnið er mikilvæg tilraun til að byggja upp alþjóðlegt, stórt og fjölbreytt safn af opinberlega aðgengilegum gervigreindargögnum.

Í kjölfar tillögunnar hefur UK Biobank sett fordæmi. UK Biobank birti ný gögn þann 30. nóvember úr heildarerfðamengisraðgreiningu 500.000 þátttakenda sinna. Gagnagrunnurinn, sem birtir alla erfðamengisröð hvers og eins af 500.000 breskum sjálfboðaliðum, er stærsti heildargagnagrunnur mannkynserfðamengis í heimi. Rannsakendur um allan heim geta óskað eftir aðgangi að þessum afpersónuupplýsingum og notað þau til að kanna erfðafræðilegan grunn heilsu og sjúkdóma. Erfðafræðileg gögn hafa alltaf verið mjög viðkvæm fyrir staðfestingu í fortíðinni og þessi sögulega árangur UK Biobank sannar að það er mögulegt að byggja upp opinn, friðhelgislausan, stóran alþjóðlegan gagnagrunn. Með þessari tækni og gagnagrunni er læknisfræðileg gervigreind óhjákvæmilegt að marka næsta stökk.

Staðfesting og mat á læknisfræðilegri gervigreind

Þróun sannprófunar og mats á læknisfræðilegri gervigreind er nokkuð hægfara en í samanburði við hraða þróun læknisfræðilegrar gervigreindar. Staðfesting og mat á almennu sviði gervigreindar hunsa oft raunverulegar kröfur lækna og sjúklinga um gervigreind. Hefðbundnar slembirannsóknir eru of erfiðar til að mæta hraða þróun gervigreindartækja. Að bæta sannprófunar- og matskerfið sem hentar læknisfræðilegum gervigreindartólum eins fljótt og auðið er er mikilvægast til að stuðla að því að læknisfræðileg gervigreind taki raunverulega stökk fram á við rannsóknir og þróun og nái klínískri lendingu.

Í rannsóknargrein Google um Med-PaLM, sem birtist í Nature, birti teymið einnig MultiMedQA matsviðmiðið, sem notað er til að meta getu stórra tungumálalíkana til að afla sér klínískrar þekkingar. Viðmiðið sameinar sex núverandi gagnasöfn með spurningum og svörum í læknisfræði, sem ná yfir faglega læknisfræðilega þekkingu, rannsóknir og aðra þætti, sem og netgagnagrunn með leitarvélum fyrir læknisfræðilegar spurningar, sem tekur mið af spurningum og svörum lækna og sjúklinga á netinu, og reynir að þjálfa gervigreind í hæfan lækni út frá mörgum sjónarhornum. Að auki leggur teymið til ramma sem byggir á mannlegu mati sem tekur mið af mörgum víddum staðreynda, skilnings, rökstuðnings og hugsanlegrar hlutdrægni. Þetta er ein dæmigerðasta rannsóknin á mati gervigreindar í heilbrigðisþjónustu sem birt hefur verið á þessu ári.

Þýðir sú staðreynd að stór tungumálalíkön sýna fram á hátt stig kóðunar klínískrar þekkingar að stór tungumálalíkön séu hæf til raunverulegra klínískra verkefna? Rétt eins og læknanemi sem stenst læknaprófið með fullkominni einkunn er enn langt frá því að vera einn yfirlæknir, eru matsviðmiðin sem Google leggur til hugsanlega ekki fullkomin lausn á spurningunni um mat á læknisfræðilegri gervigreind fyrir gervigreindarlíkön. Strax á árunum 2021 og 2022 lögðu vísindamenn til skýrslugerðarleiðbeiningar eins og Decid-AI, SPIRIT-AI og INTRPRT, í von um að leiðbeina þróun og staðfestingu læknisfræðilegrar gervigreindar á þeim forsendum að tekið sé tillit til þátta eins og klínískrar hagnýtingar, öryggis, mannlegra þátta og gagnsæis/túlkunar. Nýlega birti tímaritið Nature Medicine rannsókn vísindamanna frá Oxford-háskóla og Stanford-háskóla um hvort nota ætti „ytri staðfestingu“ eða „endurtekna staðbundna staðfestingu“ til að staðfesta gervigreindartól.

Óhlutdrægni gervigreindartækja er einnig mikilvæg matsstefna sem hefur vakið athygli á þessu ári, bæði í greinum í Science og NEJM. Gervigreind sýnir oft skekkju vegna þess að hún takmarkast við þjálfunargögn. Þessi skekkja gæti endurspeglað félagslegan ójöfnuð, sem þróast síðan í reikniritamismunun. Bandaríska heilbrigðisstofnunin (National Institutes of Health) hóf nýlega Bridge2AI verkefnið, sem áætlað er að kosti 130 milljónir dala, til að byggja upp fjölbreytt gagnasöfn (í samræmi við markmið MAIDA verkefnisins sem getið er hér að ofan) sem hægt er að nota til að sannreyna óhlutdrægni læknisfræðilegra gervigreindartækja. MultiMedQA fjallar ekki um þessa þætti. Spurningin um hvernig á að mæla og sannreyna læknisfræðileg gervigreindarlíkön þarfnast enn ítarlegrar og umfjöllunar.

Í janúar birti Nature Medicine skoðanagrein sem hét „Næsta kynslóð vísindamiðaðrar læknisfræði“ eftir Vivek Subbiah frá MD Anderson krabbameinsmiðstöð Háskólans í Texas, þar sem farið er yfir takmarkanir klínískra rannsókna sem afhjúpaðar voru í samhengi við COVID-19 faraldurinn og bent er á mótsögnina milli nýsköpunar og fylgni við klíníska rannsóknarferlið. Að lokum bendir það á framtíð endurskipulagningar klínískra rannsókna – næstu kynslóðar klínískra rannsókna sem nota gervigreind, þ.e. notkun gervigreindar úr miklum fjölda sögulegra rannsóknargagna, raunverulegra gagna, fjölþættra klínískra gagna og gagna úr klæðanlegum tækjum til að finna lykilvísbendingar. Þýðir þetta að gervigreindartækni og klínísk staðfestingarferli gervigreindar gætu styrkt hvort annað og þróast saman í framtíðinni? Þetta er opin og hugvekjandi spurning ársins 2023.

Reglugerð um læknisfræðilega gervigreind

Framfarir í gervigreindartækni skapa einnig áskoranir fyrir reglugerðir um gervigreind og stjórnmálamenn um allan heim bregðast varlega og vandlega við. Árið 2019 birti FDA fyrst tillögu að reglugerðarramma fyrir hugbúnaðarbreytingar á lækningatækjum með gervigreind (umræðudrög) þar sem útskýrt er möguleg nálgun þess við endurskoðun á hugbúnaðarbreytingum sem byggjast á gervigreind og vélanámi fyrir markaðssetningu. Árið 2021 lagði FDA til „Hugbúnaður byggður á gervigreind/vélanámi sem aðgerðaáætlun fyrir lækningatæki“ sem skýrði fimm sértækar reglugerðaraðgerðir varðandi gervigreind í lækningatækjum. Á þessu ári endurútgaf FDA tillögu að hugbúnaðareiginleikum fyrir markaðssetningu fyrir mat FDA á öryggi og virkni hugbúnaðareiginleika tækja, þar á meðal sumum eiginleikum hugbúnaðar sem nota vélanámslíkön sem eru þjálfuð með vélanámsaðferðum. Reglugerðarstefna FDA hefur þróast frá upphaflegri tillögu yfir í hagnýtar leiðbeiningar.

Eftir útgáfu Evrópska heilbrigðisgagnarýmisins í júlí síðastliðnum hefur ESB enn á ný sett lög um gervigreind. Markmiðið með lögunum er að nýta heilbrigðisgögn sem best til að veita hágæða heilbrigðisþjónustu, draga úr ójöfnuði og styðja gögn til forvarna, greiningar, meðferðar, vísindalegrar nýsköpunar, ákvarðanatöku og löggjafar, en jafnframt að tryggja að borgarar ESB hafi meiri stjórn á persónulegum heilsufarsgögnum sínum. Lögin gera það ljóst að læknisfræðilegt greiningarkerfi er áhættusamt gervigreindarkerfi og það þarf að innleiða markvisst og öflugt eftirlit, eftirlit sem nær yfir allan líftíma lyfja og eftirlit með formati. Lyfjastofnun Evrópu (EMA) hefur gefið út drög að hugleiðingarskjali um notkun gervigreindar til að styðja við þróun, reglugerðir og notkun lyfja, með áherslu á að auka trúverðugleika gervigreindar til að tryggja öryggi sjúklinga og heiðarleika niðurstaðna klínískra rannsókna. Almennt séð er reglugerðarstefna ESB smám saman að taka á sig mynd og lokaútfærsluupplýsingar gætu orðið ítarlegri og strangari. Í andstöðu við strangari reglugerðir ESB gerir reglugerðaráætlun Bretlands um gervigreind ljóst að ríkisstjórnin hyggst beita mildari nálgun og ekki setja ný frumvörp eða setja á fót nýja eftirlitsaðila í bili.

Í Kína hefur Tæknileg endurskoðunarmiðstöð lækningatækja (NMPA) hjá Lyfjaeftirlitinu í Kína áður gefið út skjöl eins og „Endurskoðunarpunktar hugbúnaðar fyrir djúpnámsaðstoðað ákvarðanatöku“, „Leiðbeiningarreglur fyrir skráningarendurskoðun lækningatækja sem byggja á gervigreind (drög til umsagnar)“ og „Hringbréf um leiðbeinandi meginreglur fyrir flokkun og skilgreiningu lækningahugbúnaðar sem byggja á gervigreind (nr. 47 árið 2021)“. Í ár var „Yfirlit yfir fyrstu niðurstöður flokkunar lækningatækniafurða árið 2023“ gefið út aftur. Þessi skjalasería gerir skilgreiningu, flokkun og reglugerðir um lækningahugbúnað með gervigreind skýrari og auðveldari í notkun og veitir skýrar leiðbeiningar um vörustaðsetningu og skráningarstefnur ýmissa fyrirtækja í greininni. Þessi skjöl veita ramma og stjórnunarákvarðanir fyrir vísindalega reglugerð um gervigreindarlækningatækja. Það er vert að hlakka til þess að dagskrá kínversku ráðstefnunnar um gervigreind í læknisfræði, sem haldin var í Hangzhou frá 21. til 23. desember, setur upp sérstakan vettvang um stafræna læknisfræðilega stjórnun og hágæðaþróun opinberra sjúkrahúsa og þróunarvettvang fyrir prófanir og mat á gervigreindarlækningatækja í iðnaðinum. Á þeim tíma munu embættismenn frá Þjóðarþróunar- og umbótanefndinni og NMPA sækja fundinn og kunna að gefa út nýjar upplýsingar.

Niðurstaða

Árið 2023 hófst samþætting læknisfræðilegrar gervigreindar í öllu læknisfræðilega ferlinu, bæði uppstreymis og niðurstreymis, og nær yfir gagnasöfnun sjúkrahúsa, sameiningu, greiningu, greiningu og meðferð, og skimun í samfélaginu, og samstarf við lækna/sjúkdómavarnir er í gangi á lífrænan hátt, sem sýnir fram á möguleika sína á að auka vellíðan manna. Nothæfar rannsóknir á læknisfræðilegri gervigreind eru farnar að birta til. Í framtíðinni ráðast framfarir læknisfræðilegrar gervigreindar ekki aðeins af tækniþróuninni sjálfri, heldur þarf hún einnig að vera í fullu samstarfi iðnaðarins, háskóla og læknisfræðilegra rannsókna og styðja stjórnmálamenn og eftirlitsaðila. Þetta samstarf þvert á svið er lykillinn að því að ná fram læknisþjónustu sem er samþætt gervigreind og mun örugglega stuðla að þróun heilsu manna.