vijesti

Otkad je IBM Watson započeo 2007. godine, ljudi kontinuirano teže razvoju medicinske umjetne inteligencije (UI). Upotrebljiv i moćan medicinski UI sustav ima ogroman potencijal preoblikovati sve aspekte moderne medicine, omogućujući pametniju, točniju, učinkovitiju i inkluzivniju skrb, donoseći dobrobit medicinskim radnicima i pacijentima te time uvelike poboljšavajući ljudsko zdravlje. U proteklih 16 godina, iako su se istraživači medicinske UI akumulirali u raznim malim područjima, u ovoj fazi još nisu uspjeli pretvoriti znanstvenu fantastiku u stvarnost.

Ove godine, s revolucionarnim razvojem AI tehnologije kao što je ChatGPT, medicinska AI postigla je veliki napredak u mnogim aspektima. Neviđeni proboj u sposobnostima medicinske AI: Časopis Nature kontinuirano je pokretao istraživanje modela velikih medicinskih jezika i osnovnog modela medicinskih slika; Google je objavio Med-PaLM i njegovog nasljednika, dosegnuvši stručnu razinu u pitanjima ispita za američkog liječnika. Veliki akademski časopisi usredotočit će se na medicinsku AI: Nature objavljuje pogled na osnovni model opće medicinske AI; Nakon niza pregleda AI u medicini ranije ove godine, New England Journal of Medicine (NEJM) objavio je svoj prvi digitalni zdravstveni pregled 30. studenog i pokrenuo prvo izdanje NEJM podčasopisa NEJM AI 12. prosinca. Tlo za slijetanje medicinske AI dodatno je zrelije: Podčasopis JAMA objavio je globalnu inicijativu za dijeljenje podataka medicinskih slika; Američka Uprava za hranu i lijekove (FDA) razvija nacrt smjernica za regulaciju medicinske AI.

U nastavku donosimo pregled značajnog napretka koji su istraživači diljem svijeta postigli u smjeru upotrebljive medicinske umjetne inteligencije u 2023. godini.

Osnovni model medicinske umjetne inteligencije

Izgradnja osnovnog modela medicinske umjetne inteligencije nesumnjivo je najpopularniji istraživački fokus ove godine. Časopisi Nature objavili su pregledne članke o Univerzalnom osnovnom modelu zdravstvene zaštite i modelu zdravstvene zaštite na velikom jeziku tijekom godine. Medical Image Analysis, vodeći časopis u industriji, pregledao je i iščekuje izazove i prilike istraživanja osnovnih modela u analizi medicinskih slika te predložio koncept „pedigrea osnovnog modela“ kako bi sažeo i usmjerio razvoj istraživanja osnovnih modela medicinske umjetne inteligencije. Budućnost osnovnih modela umjetne inteligencije za zdravstvo postaje jasnija. Oslanjajući se na uspješne primjere modela na velikom jeziku kao što je ChatGPT, koristeći naprednije metode samonadgledanja predobuke i ogromnu akumulaciju podataka o obuci, istraživači u području medicinske umjetne inteligencije pokušavaju izgraditi 1) osnovne modele specifične za bolesti, 2) opće osnovne modele i 3) multimodalne velike modele koji integriraju širok raspon načina rada s masivnim parametrima i superiornim mogućnostima.

Model umjetne inteligencije za prikupljanje medicinskih podataka

Uz velike AI modele koji igraju veliku ulogu u nizvodnim zadacima analize kliničkih podataka, u uzvodnom prikupljanju kliničkih podataka pojavila se i tehnologija koju predstavljaju generativni AI modeli. Proces, brzina i kvaliteta prikupljanja podataka mogu se značajno poboljšati AI algoritmima.

Ranije ove godine, Nature Biomedical Engineering objavio je studiju turskog Sveučilišta Straits koja se usredotočila na korištenje generativne umjetne inteligencije za rješavanje problema patološke slikovne dijagnostike u kliničkim primjenama. Artefakti u tkivu smrznutih presjeka tijekom operacije prepreka su brzoj dijagnostičkoj procjeni. Iako tkivo ugrađeno u formalin i parafin (FFPE) pruža uzorak više kvalitete, njegov proces proizvodnje je dugotrajan i često traje 12-48 sati, što ga čini neprikladnim za upotrebu u kirurgiji. Istraživački tim je stoga predložio algoritam nazvan AI-FFPE, koji može učiniti izgled tkiva u smrznutom presjeku sličnim FFPE-u. Algoritam je uspješno ispravio artefakte smrznutih presjeka, poboljšao kvalitetu slike i istovremeno zadržao klinički relevantne značajke. U kliničkoj validaciji, AI-FFPE algoritam značajno poboljšava dijagnostičku točnost patologa za podtipove tumora, a istovremeno uvelike skraćuje vrijeme kliničke dijagnoze.

Cell Reports Medicine izvještava o istraživačkom radu tima s Trećeg kliničkog fakulteta Sveučilišta Jilin, Odjela za radiologiju, bolnice Zhongshan povezane sa Sveučilištem Fudan i Sveučilišta znanosti i tehnologije u Šangaju [25]. Ova studija predlaže općeniti okvir fuzije dubokog učenja i iterativne rekonstrukcije (Hybrid DL-IR) s visokom svestranošću i fleksibilnošću, pokazujući izvrsne performanse rekonstrukcije slike u brzoj MRI, CT-u s niskom dozom i brzom PET-u. Algoritam može postići MR skeniranje jednog organa s više sekvenci za 100 sekundi, smanjiti dozu zračenja na samo 10% CT slike i eliminirati šum, te može rekonstruirati male lezije iz PET snimanja s 2 do 4 puta ubrzanjem, uz smanjenje učinka artefakata kretanja.

Medicinska umjetna inteligencija u suradnji s medicinskim radnicima

Brzi razvoj medicinske umjetne inteligencije također je naveo medicinske stručnjake da ozbiljno razmotre i istraže načine suradnje s umjetnom inteligencijom kako bi poboljšali kliničke procese. U srpnju ove godine, DeepMind i multiinstitucionalni istraživački tim zajednički su predložili sustav umjetne inteligencije pod nazivom Complementary Driven Clinical Workflow Delay (CoDoC). Dijagnostički proces prvo dijagnosticira prediktivni sustav umjetne inteligencije, zatim ga drugi sustav umjetne inteligencije ocjenjuje na temelju prethodnog rezultata, a ako postoji sumnja, dijagnozu konačno postavlja kliničar kako bi se poboljšala dijagnostička točnost i uravnotežila učinkovitost. Kada je riječ o probiru raka dojke, CoDoC je smanjio stope lažno pozitivnih rezultata za 25% uz istu stopu lažno negativnih rezultata, a istovremeno je smanjio opterećenje kliničara za 66% u usporedbi s trenutnim postupkom „arbitraže dvostrukog čitanja“ u Ujedinjenom Kraljevstvu. Što se tiče klasifikacije tuberkuloze, stope lažno pozitivnih rezultata smanjene su za 5 do 15 posto uz istu stopu lažno negativnih rezultata u usporedbi s neovisnom umjetnom inteligencijom i kliničkim tijekovima rada.

Slično tome, Annie Y. Ng i suradnici iz tvrtke Kheiron u Londonu, UK, uveli su dodatne AI čitače (u suradnji s ljudskim ispitivačima) kako bi ponovno pregledali rezultate kada nije bilo rezultata opoziva u procesu arbitraže dvostrukog čitanja, što je poboljšalo problem propuštenog otkrivanja u ranom probiru raka dojke, a proces gotovo da nije imao lažno pozitivnih rezultata. Druga studija, koju je vodio tim s Medicinskog fakulteta McGovern Sveučilišta u Teksasu i provedena je u četiri centra za moždani udar, primijenila je AI tehnologiju temeljenu na kompjuteriziranoj tomografskoj angiografiji (CTA) za automatizaciju otkrivanja velikog vaskularnog okluzivnog ishemijskog moždanog udara (LVO). Kliničari i radiolozi primaju upozorenja u stvarnom vremenu na svoje mobilne telefone unutar nekoliko minuta nakon završetka CT snimanja, obavještavajući ih o mogućoj prisutnosti LVO. Ovaj AI proces poboljšava tijek rada u bolnici za akutni ishemijski moždani udar, smanjujući vrijeme od vrata do prepona od prijema do liječenja i pružajući mogućnosti za uspješno spašavanje. Nalazi su objavljeni u JAMA Neurology.

Model zdravstvene zaštite zasnovan na umjetnoj inteligenciji za opću korist

U 2023. godini također će biti mnogo dobrih radova koji koriste medicinsku umjetnu inteligenciju za pronalaženje značajki koje su nevidljive ljudskom oku iz lakše dostupnih podataka, omogućujući univerzalnu dijagnozu i rani probir u velikim razmjerima. Početkom godine, Nature Medicine objavio je studije koje su proveli Zhongshan Eye Center Sveučilišta Sun Yat-sen i Druga pridružena bolnica Medicinskog sveučilišta Fujian. Koristeći pametne telefone kao aplikacijske terminale, koristili su video slike slične crtanim filmovima kako bi izazvali dječji pogled i snimili ponašanje dječjeg pogleda i crte lica, te dodatno analizirali abnormalne modele koristeći modele dubokog učenja kako bi uspješno identificirali 16 očnih bolesti, uključujući kongenitalne katarakte, kongenitalnu ptozu i kongenitalni glaukom, s prosječnom točnošću probira većom od 85%. To pruža učinkovita i lako popularizirajuća tehnička sredstva za rani probir oštećenja vidne funkcije dojenčadi i srodnih očnih bolesti velikih razmjera.

Krajem godine, Nature Medicine izvijestio je o radu koji je provelo više od 10 medicinskih i istraživačkih institucija diljem svijeta, uključujući Šangajski institut za bolesti gušterače i Prvu pridruženu bolnicu Sveučilišta Zhejiang. Autor je primijenio umjetnu inteligenciju na probir raka gušterače asimptomatskih osoba u centrima za fizički pregled, bolnicama itd., kako bi otkrio značajke lezija na CT snimkama običnim skeniranjem koje je teško otkriti samo golim okom, a s ciljem postizanja učinkovitog i neinvazivnog ranog otkrivanja raka gušterače. Pregledom podataka više od 20 000 pacijenata, model je također identificirao 31 slučaj klinički prepuštenih lezija, što je značajno poboljšalo kliničke ishode.

Dijeljenje medicinskih podataka

U 2023. godini diljem svijeta pojavilo se mnogo više savršenih mehanizama za dijeljenje podataka i uspješnih slučajeva, osiguravajući suradnju više centara i otvorenost podataka pod pretpostavkom zaštite privatnosti i sigurnosti podataka.

Prvo, uz pomoć same AI tehnologije, istraživači AI-a doprinijeli su dijeljenju medicinskih podataka. Qi Chang i drugi sa Sveučilišta Rutgers u Sjedinjenim Državama objavili su članak u Nature Communicationsu, predlažući federalni okvir za učenje DSL temeljen na distribuiranim sintetičkim adverzarnim mrežama, koji koristi generativnu AI za obuku specifičnih generiranih podataka multicentara, a zatim zamjenjuje stvarne podatke multicentara generiranim podacima. Osigurava obuku AI-a na temelju velikih podataka multicentra uz zaštitu privatnosti podataka. Isti tim je također dao u otvoreni kod skup podataka generiranih patoloških slika i njihovih odgovarajućih napomena. Model segmentacije obučen na generiranom skupu podataka može postići slične rezultate kao i stvarni podaci.

Tim Dai Qionghaija sa Sveučilišta Tsinghua objavio je rad o npj Digital Health, predlažući Relay Learning, koji koristi velike podatke s više lokacija za obuku AI modela pod pretpostavkom lokalnog suvereniteta podataka i bez mrežne veze između lokacija. To uravnotežuje zabrinutost za sigurnost podataka i privatnost s težnjom za performansama AI. Isti tim je potom zajednički razvio i validirao CAIMEN, sustav za dijagnostiku tumora prsnog koša i medijastinuma temeljen na federalnom učenju, u suradnji s Prvom pridruženom bolnicom Medicinskog sveučilišta Guangzhou i 24 bolnice diljem zemlje. Sustav, koji se može primijeniti na 12 uobičajenih tumora medijastinuma, postigao je 44,9 posto bolju točnost kada se koristi samostalno nego kada ga koriste samo ljudski stručnjaci, te 19 posto bolju točnost dijagnoze kada su mu pomagali ljudski stručnjaci.

S druge strane, u tijeku je nekoliko inicijativa za izgradnju sigurnih, globalnih, velikih skupova medicinskih podataka. U studenom 2023., Agustina Saenz i drugi s Odjela za biomedicinsku informatiku na Medicinskom fakultetu Harvard objavili su online u časopisu Lancet Digital Health globalni okvir za dijeljenje podataka medicinskih slika pod nazivom Podaci o umjetnoj inteligenciji za svu zdravstvenu skrb (MAIDA). Surađuju sa zdravstvenim organizacijama diljem svijeta kako bi pružili sveobuhvatne smjernice o prikupljanju podataka i deidentifikaciji, koristeći predložak američkog Federalnog demonstracijskog partnera (FDP) za standardizaciju dijeljenja podataka. Planiraju postupno objavljivati ​​skupove podataka prikupljene u različitim regijama i kliničkim okruženjima diljem svijeta. Očekuje se da će prvi skup podataka biti objavljen početkom 2024., a više će ih biti objavljeno kako se partnerstvo bude širilo. Projekt je važan pokušaj izgradnje globalnog, velikog i raznolikog skupa javno dostupnih podataka o umjetnoj inteligenciji.

Nakon prijedloga, UK Biobank je postavila primjer. UK Biobank je 30. studenog objavila nove podatke iz sekvenciranja cijelog genoma svojih 500.000 sudionika. Baza podataka, koja objavljuje kompletnu sekvencu genoma svakog od 500.000 britanskih volontera, najveća je cjelovita baza podataka ljudskog genoma na svijetu. Istraživači diljem svijeta mogu zatražiti pristup ovim anonimiziranim podacima i koristiti ih za ispitivanje genetske osnove zdravlja i bolesti. Genetski podaci oduvijek su bili vrlo osjetljivi za provjeru u prošlosti, a ovo povijesno postignuće UK Biobank dokazuje da je moguće izgraditi otvorenu, globalnu bazu podataka velikih razmjera, bez privatnosti. S ovom tehnologijom i bazom podataka, medicinska umjetna inteligencija zasigurno će uvesti sljedeći skok.

Verifikacija i evaluacija medicinske umjetne inteligencije

U usporedbi s brzim razvojem same tehnologije medicinske umjetne inteligencije, razvoj verifikacije i evaluacije medicinske umjetne inteligencije je nešto sporiji. Validacija i evaluacija u općem području umjetne inteligencije često zanemaruju stvarne potrebe kliničara i pacijenata za umjetnom inteligencijom. Tradicionalna randomizirana kontrolirana klinička ispitivanja su previše mukotrpna da bi se mjerila s brzom iteracijom alata umjetne inteligencije. Poboljšanje sustava verifikacije i evaluacije prikladnog za alate umjetne inteligencije u medicini što je prije moguće najvažnije je za promicanje medicinske umjetne inteligencije kako bi istinski preskočila istraživanje i razvoj do kliničke primjene.

U Googleovom istraživačkom radu o Med-PaLM-u, objavljenom u časopisu Nature, tim je također objavio mjerilo za evaluaciju MultiMedQA, koje se koristi za procjenu sposobnosti modela velikih jezika za stjecanje kliničkog znanja. Mjerilo kombinira šest postojećih skupova podataka o profesionalnim medicinskim pitanjima i odgovorima, koji pokrivaju profesionalno medicinsko znanje, istraživanje i druge aspekte, kao i skup podataka o online medicinskim pitanjima za pretraživanje, razmatrajući online pitanja i odgovore liječnika i pacijenta, pokušavajući obučiti umjetnu inteligenciju u kvalificiranog liječnika iz mnogih aspekata. Osim toga, tim predlaže okvir temeljen na ljudskoj procjeni koji uzima u obzir više dimenzija činjenica, razumijevanja, rasuđivanja i moguće pristranosti. Ovo je jedno od najreprezentativnijih istraživačkih napora za evaluaciju umjetne inteligencije u zdravstvu objavljeno ove godine.

Međutim, znači li činjenica da modeli velikih jezika pokazuju visoku razinu kodiranja kliničkog znanja da su modeli velikih jezika kompetentni za kliničke zadatke u stvarnom svijetu? Baš kao što je student medicine koji položi stručni ispit za liječnika s savršenim rezultatom još uvijek daleko od samostalnog glavnog liječnika, kriteriji evaluacije koje predlaže Google možda nisu savršen odgovor na temu evaluacije medicinske umjetne inteligencije za modele umjetne inteligencije. Već 2021. i 2022. istraživači su predložili smjernice za izvještavanje kao što su Decid-AI, SPIRIT-AI i INTRPRT, nadajući se da će voditi rani razvoj i validaciju medicinske umjetne inteligencije pod uvjetom da se uzmu u obzir čimbenici kao što su klinička praktičnost, sigurnost, ljudski čimbenici i transparentnost/interpretacija. Nedavno je časopis Nature Medicine objavio studiju istraživača sa Sveučilišta Oxford i Sveučilišta Stanford o tome treba li koristiti „vanjsku validaciju“ ili „ponavljajuću lokalnu validaciju“. Za validaciju alata umjetne inteligencije.

Nepristrana priroda AI alata također je važan smjer evaluacije koji je ove godine privukao pozornost i od članaka u časopisima Science i NEJM. AI često pokazuje pristranost jer je ograničena na podatke za obuku. Ta pristranost može odražavati društvenu nejednakost, koja se dalje razvija u algoritamsku diskriminaciju. Nacionalni institut za zdravlje nedavno je pokrenuo inicijativu Bridge2AI, čija se vrijednost procjenjuje na 130 milijuna dolara, za izgradnju raznolikih skupova podataka (u skladu s ciljevima gore spomenute MAIDA inicijative) koji se mogu koristiti za validaciju nepristranosti medicinskih AI alata. MultiMedQA ne razmatra ove aspekte. Pitanje kako mjeriti i validirati medicinske AI modele još uvijek zahtijeva opsežnu i dubinsku raspravu.

U siječnju je časopis Nature Medicine objavio članak pod nazivom „Sljedeća generacija medicine utemeljene na dokazima“ autora Viveka Subbiaha s Centra za rak MD Anderson Sveučilišta u Teksasu, u kojem se osvrću na ograničenja kliničkih ispitivanja otkrivena u kontekstu pandemije COVID-19 i ističe kontradikcija između inovacija i pridržavanja procesa kliničkog istraživanja. Konačno, ističe se budućnost restrukturiranja kliničkih ispitivanja – sljedeća generacija kliničkih ispitivanja koja koriste umjetnu inteligenciju, odnosno korištenje umjetne inteligencije iz velikog broja povijesnih istraživačkih podataka, podataka iz stvarnog svijeta, multimodalnih kliničkih podataka, podataka o nosivim uređajima kako bi se pronašli ključni dokazi. Znači li to da bi se tehnologija umjetne inteligencije i procesi kliničke validacije umjetne inteligencije mogli međusobno pojačavati i razvijati u budućnosti? Ovo je otvoreno i poticajno pitanje 2023. godine.

Regulacija medicinske umjetne inteligencije

Napredak tehnologije umjetne inteligencije također predstavlja izazove za regulaciju umjetne inteligencije, a kreatori politika diljem svijeta reagiraju pažljivo i pažljivo. Godine 2019. FDA je prvi put objavila Prijedlog regulatornog okvira za promjene softvera medicinskih uređaja s umjetnom inteligencijom (Nacrt za raspravu), u kojem je detaljno opisala svoj potencijalni pristup pregledu prije stavljanja na tržište umjetne inteligencije i modifikacija softvera potaknutih strojnim učenjem. Godine 2021. FDA je predložila „Akcijski plan za softver temeljen na umjetnoj inteligenciji/strojnom učenju kao medicinski uređaj“, koji je pojasnio pet specifičnih medicinskih regulatornih mjera za umjetnu inteligenciju. Ove godine FDA je ponovno izdala Prijedlog zahtjeva za značajke softvera uređaja kako bi pružila informacije o preporukama za prijedlog zahtjeva za FDA-inu procjenu sigurnosti i učinkovitosti značajki softvera uređaja, uključujući neke značajke softvera uređaja koji koriste modele strojnog učenja obučene metodama strojnog učenja. Regulatorna politika FDA-e evoluirala je od početnog prijedloga do praktičnih smjernica.

Nakon objave Europskog prostora zdravstvenih podataka u srpnju prošle godine, EU je ponovno donijela Zakon o umjetnoj inteligenciji. Prvi ima za cilj najbolje korištenje zdravstvenih podataka za pružanje visokokvalitetne zdravstvene skrbi, smanjenje nejednakosti i podršku podacima za prevenciju, dijagnozu, liječenje, znanstvene inovacije, donošenje odluka i zakonodavstvo, a istovremeno osigurava da građani EU imaju veću kontrolu nad svojim osobnim zdravstvenim podacima. Potonji jasno daje do znanja da je sustav medicinske dijagnoze visokorizični sustav umjetne inteligencije te da treba usvojiti ciljani snažan nadzor, nadzor cijelog životnog ciklusa i nadzor prije evaluacije. Europska agencija za lijekove (EMA) objavila je Nacrt dokumenta o promišljanju o korištenju umjetne inteligencije za podršku razvoju, regulaciji i upotrebi lijekova, s naglaskom na poboljšanje vjerodostojnosti umjetne inteligencije kako bi se osigurala sigurnost pacijenata i integritet rezultata kliničkih istraživanja. Općenito, regulatorni pristup EU-a postupno se oblikuje, a konačni detalji provedbe mogli bi biti detaljniji i stroži. U oštroj suprotnosti sa strogom regulacijom EU-a, britanski regulatorni nacrt umjetne inteligencije jasno daje do znanja da vlada planira zauzeti blagi pristup i zasad neće donositi nove zakone ili osnivati ​​nove regulatore.

U Kini je Centar za tehnički pregled medicinskih uređaja (NMPA) Nacionalne uprave za medicinske proizvode prethodno izdao dokumente kao što su „Točke pregleda softvera za potpomognuto odlučivanje dubokog učenja“, „Vodeći principi za pregled registracije medicinskih uređaja s umjetnom inteligencijom (nacrt za komentare)“ i „Okružnica o vodećim principima za klasifikaciju i definiciju softverskih proizvoda s umjetnom inteligencijom za medicinsku upotrebu (br. 47 u 2021.)“. Ove godine ponovno je objavljen „Sažetak rezultata prve klasifikacije medicinskih proizvoda u 2023. godini“. Ova serija dokumenata čini definiciju, klasifikaciju i regulaciju softverskih proizvoda za medicinsku umjetnu inteligenciju jasnijom i lakšom za korištenje te pruža jasne smjernice za strategije pozicioniranja i registracije proizvoda različitih poduzeća u industriji. Ovi dokumenti pružaju okvir i upravljačke odluke za znanstvenu regulaciju medicinskih uređaja s umjetnom inteligencijom. Vrijedi očekivati ​​da će dnevni red Kineske konferencije o medicinskoj umjetnoj inteligenciji, održane u Hangzhouu od 21. do 23. prosinca, uspostaviti poseban forum o digitalnom medicinskom upravljanju i visokokvalitetnom razvoju javnih bolnica te forum za razvoj industrije standardizacije tehnologije testiranja i evaluacije medicinskih proizvoda s umjetnom inteligencijom. U to vrijeme, dužnosnici Nacionalne komisije za razvoj i reforme i NMPA-e prisustvovat će sastanku i mogu objaviti nove informacije.

Zaključak

U 2023. godini, medicinska umjetna inteligencija počela se integrirati u cijeli medicinski uzvodni i nizvodni proces, obuhvaćajući prikupljanje bolničkih podataka, fuziju, analizu, dijagnozu i liječenje te probir u zajednici, te organski surađujući s medicinskim/kontrolnim radnicima u području kontrole bolesti, pokazujući potencijal za poboljšanje ljudskog zdravlja. Upotrebljiva istraživanja umjetne inteligencije u medicini počinju se pojavljivati. U budućnosti, napredak medicinske umjetne inteligencije ne ovisi samo o samom tehnološkom razvoju, već zahtijeva i punu suradnju industrije, sveučilišta i medicinskih istraživanja te podršku kreatora politika i regulatora. Ova međudomenska suradnja ključna je za postizanje medicinskih usluga integriranih s umjetnom inteligencijom i zasigurno će promovirati razvoj ljudskog zdravlja.