ಸುದ್ದಿ

2007 ರಲ್ಲಿ ಐಬಿಎಂ ವ್ಯಾಟ್ಸನ್ ಪ್ರಾರಂಭವಾದಾಗಿನಿಂದ, ಮಾನವರು ವೈದ್ಯಕೀಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಅಭಿವೃದ್ಧಿಯನ್ನು ನಿರಂತರವಾಗಿ ಅನುಸರಿಸುತ್ತಿದ್ದಾರೆ. ಬಳಸಬಹುದಾದ ಮತ್ತು ಶಕ್ತಿಯುತವಾದ ವೈದ್ಯಕೀಯ AI ವ್ಯವಸ್ಥೆಯು ಆಧುನಿಕ ಔಷಧದ ಎಲ್ಲಾ ಅಂಶಗಳನ್ನು ಮರುರೂಪಿಸುವ ಅಗಾಧ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಇದು ಚುರುಕಾದ, ಹೆಚ್ಚು ನಿಖರವಾದ, ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಅಂತರ್ಗತ ಆರೈಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ, ವೈದ್ಯಕೀಯ ಕಾರ್ಯಕರ್ತರು ಮತ್ತು ರೋಗಿಗಳಿಗೆ ಯೋಗಕ್ಷೇಮವನ್ನು ತರುತ್ತದೆ ಮತ್ತು ಆ ಮೂಲಕ ಮಾನವನ ಆರೋಗ್ಯವನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸುತ್ತದೆ. ಕಳೆದ 16 ವರ್ಷಗಳಲ್ಲಿ, ವೈದ್ಯಕೀಯ AI ಸಂಶೋಧಕರು ವಿವಿಧ ಸಣ್ಣ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಂಗ್ರಹವಾಗಿದ್ದರೂ, ಈ ಹಂತದಲ್ಲಿ, ಅವರು ಇನ್ನೂ ವೈಜ್ಞಾನಿಕ ಕಾದಂಬರಿಯನ್ನು ವಾಸ್ತವಕ್ಕೆ ತರಲು ಸಾಧ್ಯವಾಗಿಲ್ಲ.

ಈ ವರ್ಷ, ChatGPT ನಂತಹ AI ತಂತ್ರಜ್ಞಾನದ ಕ್ರಾಂತಿಕಾರಿ ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ, ವೈದ್ಯಕೀಯ AI ಹಲವು ಅಂಶಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಗತಿ ಸಾಧಿಸಿದೆ. ವೈದ್ಯಕೀಯ AI ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಅಭೂತಪೂರ್ವ ಪ್ರಗತಿ: ನೇಚರ್ ಜರ್ನಲ್ ನಿರಂತರವಾಗಿ ವೈದ್ಯಕೀಯ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ ಮತ್ತು ವೈದ್ಯಕೀಯ ಇಮೇಜ್ ಮೂಲ ಮಾದರಿಯ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿದೆ; ಗೂಗಲ್ ಮೆಡ್-ಪಾಲ್ಮ್ ಮತ್ತು ಅದರ ಉತ್ತರಾಧಿಕಾರಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ, ಯುಎಸ್ ವೈದ್ಯಕೀಯ ವೈದ್ಯರ ಪರೀಕ್ಷೆಯ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ಪರಿಣಿತ ಮಟ್ಟವನ್ನು ತಲುಪುತ್ತದೆ. ಪ್ರಮುಖ ಶೈಕ್ಷಣಿಕ ಜರ್ನಲ್‌ಗಳು ವೈದ್ಯಕೀಯ AI ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ: ನೇಚರ್ ಸಾಮಾನ್ಯ ವೈದ್ಯಕೀಯ AI ನ ಮೂಲ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ; ಈ ವರ್ಷದ ಆರಂಭದಲ್ಲಿ ಔಷಧದಲ್ಲಿ AI ನ ವಿಮರ್ಶೆಗಳ ಸರಣಿಯ ನಂತರ, ನ್ಯೂ ಇಂಗ್ಲೆಂಡ್ ಜರ್ನಲ್ ಆಫ್ ಮೆಡಿಸಿನ್ (NEJM) ನವೆಂಬರ್ 30 ರಂದು ತನ್ನ ಮೊದಲ ಡಿಜಿಟಲ್ ಆರೋಗ್ಯ ವಿಮರ್ಶೆಯನ್ನು ಪ್ರಕಟಿಸಿತು ಮತ್ತು ಡಿಸೆಂಬರ್ 12 ರಂದು NEJM ಉಪ-ಜರ್ನಲ್ NEJM AI ನ ಮೊದಲ ಸಂಚಿಕೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿತು. ವೈದ್ಯಕೀಯ AI ಲ್ಯಾಂಡಿಂಗ್ ಮಣ್ಣು ಮತ್ತಷ್ಟು ಪ್ರಬುದ್ಧವಾಗಿದೆ: JAMA ಉಪ-ಜರ್ನಲ್ ಜಾಗತಿಕ ವೈದ್ಯಕೀಯ ಚಿತ್ರ ಡೇಟಾ ಹಂಚಿಕೆ ಉಪಕ್ರಮವನ್ನು ಪ್ರಕಟಿಸಿದೆ; US ಆಹಾರ ಮತ್ತು ಔಷಧ ಆಡಳಿತ (FDA) ವೈದ್ಯಕೀಯ AI ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಕರಡು ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ.

ಕೆಳಗೆ, 2023 ರಲ್ಲಿ ಬಳಸಬಹುದಾದ ವೈದ್ಯಕೀಯ AI ದಿಕ್ಕಿನಲ್ಲಿ ಪ್ರಪಂಚದಾದ್ಯಂತದ ಸಂಶೋಧಕರು ಸಾಧಿಸಿರುವ ಗಮನಾರ್ಹ ಪ್ರಗತಿಯನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.

ವೈದ್ಯಕೀಯ AI ಮೂಲ ಮಾದರಿ

ವೈದ್ಯಕೀಯ AI ಮೂಲ ಮಾದರಿಯ ನಿರ್ಮಾಣವು ಈ ವರ್ಷದ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಸಂಶೋಧನಾ ಕೇಂದ್ರವಾಗಿದೆ. ನೇಚರ್ ಜರ್ನಲ್‌ಗಳು ಈ ವರ್ಷದಲ್ಲಿ ಯುನಿವರ್ಸಲ್ ಬೇಸಿಕ್ ಮಾಡೆಲ್ ಆಫ್ ಹೆಲ್ತ್‌ಕೇರ್ ಮತ್ತು ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ ಆಫ್ ಹೆಲ್ತ್‌ಕೇರ್ ಕುರಿತು ವಿಮರ್ಶೆ ಲೇಖನಗಳನ್ನು ಪ್ರಕಟಿಸಿವೆ. ಉದ್ಯಮದ ಅಗ್ರ ಜರ್ನಲ್ ಮೆಡಿಕಲ್ ಇಮೇಜ್ ಅನಾಲಿಸಿಸ್, ವೈದ್ಯಕೀಯ ಇಮೇಜ್ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬೇಸಿಕ್ ಮಾಡೆಲ್ ಸಂಶೋಧನೆಯ ಸವಾಲುಗಳು ಮತ್ತು ಅವಕಾಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿದೆ ಮತ್ತು ಎದುರು ನೋಡಿದೆ ಮತ್ತು ವೈದ್ಯಕೀಯ AI ನ ಮೂಲ ಮಾದರಿ ಸಂಶೋಧನೆಯ ಅಭಿವೃದ್ಧಿಯನ್ನು ಸಂಕ್ಷೇಪಿಸಲು ಮತ್ತು ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು "ಮೂಲ ಮಾದರಿಯ ವಂಶಾವಳಿ" ಎಂಬ ಪರಿಕಲ್ಪನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದೆ. ಆರೋಗ್ಯ ರಕ್ಷಣೆಗಾಗಿ ಬೇಸಿಕ್ AI ಮಾದರಿಗಳ ಭವಿಷ್ಯವು ಸ್ಪಷ್ಟವಾಗುತ್ತಿದೆ. ಹೆಚ್ಚು ಮುಂದುವರಿದ ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಪೂರ್ವ-ತರಬೇತಿ ವಿಧಾನಗಳು ಮತ್ತು ತರಬೇತಿ ದತ್ತಾಂಶದ ವ್ಯಾಪಕ ಸಂಗ್ರಹಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ChatGPT ನಂತಹ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳ ಯಶಸ್ವಿ ಉದಾಹರಣೆಗಳನ್ನು ಚಿತ್ರಿಸುತ್ತಾ, ವೈದ್ಯಕೀಯ AI ಕ್ಷೇತ್ರದ ಸಂಶೋಧಕರು 1) ರೋಗ-ನಿರ್ದಿಷ್ಟ ಬೇಸ್ ಮಾಡೆಲ್‌ಗಳು, 2) ಸಾಮಾನ್ಯ ಬೇಸ್ ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು 3) ಬೃಹತ್ ನಿಯತಾಂಕಗಳು ಮತ್ತು ಉನ್ನತ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಮೋಡ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮಲ್ಟಿಮೋಡಲ್ ಲಾರ್ಜ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ.

ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶ ಸ್ವಾಧೀನ AI ಮಾದರಿ

ಕೆಳಮುಖ ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಮಹತ್ತರ ಪಾತ್ರ ವಹಿಸುವ ದೊಡ್ಡ AI ಮಾದರಿಗಳ ಜೊತೆಗೆ, ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶ ಸ್ವಾಧೀನದಲ್ಲಿ, ಜನರೇಟಿವ್ AI ಮಾದರಿಗಳಿಂದ ಪ್ರತಿನಿಧಿಸುವ ತಂತ್ರಜ್ಞಾನವು ಸಹ ಹೊರಹೊಮ್ಮಿದೆ. AI ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಂದ ಡೇಟಾ ಸ್ವಾಧೀನದ ಪ್ರಕ್ರಿಯೆ, ವೇಗ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಬಹುದು.

ಈ ವರ್ಷದ ಆರಂಭದಲ್ಲಿ, ನೇಚರ್ ಬಯೋಮೆಡಿಕಲ್ ಎಂಜಿನಿಯರಿಂಗ್ ಟರ್ಕಿಯ ಸ್ಟ್ರೈಟ್ಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಒಂದು ಅಧ್ಯಯನವನ್ನು ಪ್ರಕಟಿಸಿತು, ಅದು ಕ್ಲಿನಿಕಲ್ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ರೋಗಶಾಸ್ತ್ರೀಯ ಚಿತ್ರ-ನೆರವಿನ ರೋಗನಿರ್ಣಯದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಜನರೇಟಿವ್ AI ಅನ್ನು ಬಳಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ. ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯ ಸಮಯದಲ್ಲಿ ಹೆಪ್ಪುಗಟ್ಟಿದ ವಿಭಾಗದ ಅಂಗಾಂಶದಲ್ಲಿನ ಕಲಾಕೃತಿಗಳು ತ್ವರಿತ ರೋಗನಿರ್ಣಯ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಅಡಚಣೆಯಾಗಿದೆ. ಫಾರ್ಮಾಲಿನ್ ಮತ್ತು ಪ್ಯಾರಾಫಿನ್ ಎಂಬೆಡೆಡ್ (FFPE) ಅಂಗಾಂಶವು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾದರಿಯನ್ನು ಒದಗಿಸಿದರೂ, ಅದರ ಉತ್ಪಾದನಾ ಪ್ರಕ್ರಿಯೆಯು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಾಗಿ 12-48 ಗಂಟೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದು ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯಲ್ಲಿ ಬಳಸಲು ಸೂಕ್ತವಲ್ಲ. ಆದ್ದರಿಂದ ಸಂಶೋಧನಾ ತಂಡವು AI-FFPE ಎಂಬ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಇದು ಹೆಪ್ಪುಗಟ್ಟಿದ ವಿಭಾಗದಲ್ಲಿ ಅಂಗಾಂಶದ ನೋಟವನ್ನು FFPE ಗೆ ಹೋಲುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್ ಹೆಪ್ಪುಗಟ್ಟಿದ ವಿಭಾಗಗಳ ಕಲಾಕೃತಿಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಸರಿಪಡಿಸಿತು, ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಿತು ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ವೈದ್ಯಕೀಯವಾಗಿ ಸಂಬಂಧಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಉಳಿಸಿಕೊಂಡಿತು. ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯೀಕರಣದಲ್ಲಿ, AI-FFPE ಅಲ್ಗಾರಿದಮ್ ಗೆಡ್ಡೆಯ ಉಪವಿಭಾಗಗಳಿಗೆ ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ, ಆದರೆ ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯದ ಸಮಯವನ್ನು ಬಹಳವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಜಿಲಿನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೂರನೇ ಕ್ಲಿನಿಕಲ್ ಕಾಲೇಜು, ಫುಡಾನ್ ವಿಶ್ವವಿದ್ಯಾಲಯಕ್ಕೆ ಸಂಯೋಜಿತವಾಗಿರುವ ಝೋಂಗ್‌ಶಾನ್ ಆಸ್ಪತ್ರೆಯ ರೇಡಿಯಾಲಜಿ ವಿಭಾಗ ಮತ್ತು ಶಾಂಘೈ ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ವಿಶ್ವವಿದ್ಯಾಲಯದ ತಂಡವು ನಡೆಸಿದ ಸಂಶೋಧನಾ ಕಾರ್ಯವನ್ನು ಸೆಲ್ ರಿಪೋರ್ಟ್ಸ್ ಮೆಡಿಸಿನ್ ವರದಿ ಮಾಡಿದೆ [25]. ಈ ಅಧ್ಯಯನವು ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಪುನರಾವರ್ತಿತ ಪುನರ್ನಿರ್ಮಾಣ ಸಮ್ಮಿಳನ ಚೌಕಟ್ಟನ್ನು (ಹೈಬ್ರಿಡ್ DL-IR) ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಬಹುಮುಖತೆ ಮತ್ತು ನಮ್ಯತೆಯೊಂದಿಗೆ, ವೇಗದ MRI, ಕಡಿಮೆ ಡೋಸ್ CT ಮತ್ತು ವೇಗದ PET ಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮ ಚಿತ್ರ ಪುನರ್ನಿರ್ಮಾಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್ 100 ಸೆಕೆಂಡುಗಳಲ್ಲಿ MR ಏಕ-ಅಂಗ ಬಹು-ಅನುಕ್ರಮ ಸ್ಕ್ಯಾನಿಂಗ್ ಅನ್ನು ಸಾಧಿಸಬಹುದು, ವಿಕಿರಣ ಪ್ರಮಾಣವನ್ನು CT ಚಿತ್ರದ ಕೇವಲ 10% ಗೆ ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ಶಬ್ದವನ್ನು ನಿವಾರಿಸಬಹುದು ಮತ್ತು PET ಸ್ವಾಧೀನದಿಂದ ಸಣ್ಣ ಗಾಯಗಳನ್ನು 2 ರಿಂದ 4 ಪಟ್ಟು ವೇಗವರ್ಧನೆಯೊಂದಿಗೆ ಪುನರ್ನಿರ್ಮಿಸಬಹುದು, ಆದರೆ ಚಲನೆಯ ಕಲಾಕೃತಿಗಳ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ವೈದ್ಯಕೀಯ ಕಾರ್ಯಕರ್ತರ ಸಹಯೋಗದೊಂದಿಗೆ ವೈದ್ಯಕೀಯ AI

ವೈದ್ಯಕೀಯ AI ನ ತ್ವರಿತ ಅಭಿವೃದ್ಧಿಯು ವೈದ್ಯಕೀಯ ವೃತ್ತಿಪರರು ಕ್ಲಿನಿಕಲ್ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸುಧಾರಿಸಲು AI ಯೊಂದಿಗೆ ಹೇಗೆ ಸಹಕರಿಸಬೇಕೆಂದು ಗಂಭೀರವಾಗಿ ಪರಿಗಣಿಸಲು ಮತ್ತು ಅನ್ವೇಷಿಸಲು ಕಾರಣವಾಗಿದೆ. ಈ ವರ್ಷದ ಜುಲೈನಲ್ಲಿ, ಡೀಪ್‌ಮೈಂಡ್ ಮತ್ತು ಬಹು-ಸಾಂಸ್ಥಿಕ ಸಂಶೋಧನಾ ತಂಡವು ಜಂಟಿಯಾಗಿ ಕಾಂಪ್ಲಿಮೆಂಟರಿ ಡ್ರೈವನ್ ಕ್ಲಿನಿಕಲ್ ವರ್ಕ್‌ಫ್ಲೋ ಡಿಲೇ (CoDoC) ಎಂಬ AI ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ರೋಗನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮೊದಲು ಮುನ್ಸೂಚಕ AI ವ್ಯವಸ್ಥೆಯಿಂದ ರೋಗನಿರ್ಣಯ ಮಾಡಲಾಗುತ್ತದೆ, ನಂತರ ಹಿಂದಿನ ಫಲಿತಾಂಶದ ಮೇಲೆ ಮತ್ತೊಂದು AI ವ್ಯವಸ್ಥೆಯಿಂದ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂದೇಹವಿದ್ದರೆ, ರೋಗನಿರ್ಣಯದ ನಿಖರತೆ ಮತ್ತು ಸಮತೋಲನ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ವೈದ್ಯರು ಅಂತಿಮವಾಗಿ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುತ್ತಾರೆ. ಸ್ತನ ಕ್ಯಾನ್ಸರ್ ಸ್ಕ್ರೀನಿಂಗ್‌ಗೆ ಬಂದಾಗ, CoDoC ಅದೇ ತಪ್ಪು ನಕಾರಾತ್ಮಕ ದರದೊಂದಿಗೆ ತಪ್ಪು ಧನಾತ್ಮಕ ದರಗಳನ್ನು 25% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿತು, ಆದರೆ UK ಯಲ್ಲಿ ಪ್ರಸ್ತುತ "ಡಬಲ್-ರೀಡ್ ಆರ್ಬಿಟ್ರೇಷನ್" ಪ್ರಕ್ರಿಯೆಗೆ ಹೋಲಿಸಿದರೆ ವೈದ್ಯರ ಕೆಲಸದ ಹೊರೆಯನ್ನು 66% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿತು. TB ವರ್ಗೀಕರಣದ ವಿಷಯದಲ್ಲಿ, ಸ್ವತಂತ್ರ AI ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಅದೇ ತಪ್ಪು ನಕಾರಾತ್ಮಕ ದರದೊಂದಿಗೆ ತಪ್ಪು ಧನಾತ್ಮಕ ದರಗಳನ್ನು 5 ರಿಂದ 15 ಪ್ರತಿಶತದಷ್ಟು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ.

ಅದೇ ರೀತಿ, ಯುಕೆಯ ಲಂಡನ್‌ನಲ್ಲಿರುವ ಖೈರಾನ್ ಕಂಪನಿಯ ಆನಿ ವೈ. ಎನ್‌ಜಿ ಮತ್ತು ಇತರರು, ಡಬಲ್-ರೀಡ್ ಆರ್ಬಿಟ್ರೇಷನ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಯಾವುದೇ ಮರುಪಡೆಯುವಿಕೆ ಫಲಿತಾಂಶಗಳಿಲ್ಲದಿದ್ದಾಗ ಫಲಿತಾಂಶಗಳನ್ನು ಮರುಪರಿಶೀಲಿಸಲು ಹೆಚ್ಚುವರಿ AI ರೀಡರ್‌ಗಳನ್ನು (ಮಾನವ ಪರೀಕ್ಷಕರ ಸಹಕಾರದೊಂದಿಗೆ) ಪರಿಚಯಿಸಿದರು, ಇದು ಆರಂಭಿಕ ಸ್ತನ ಕ್ಯಾನ್ಸರ್ ಸ್ಕ್ರೀನಿಂಗ್‌ನಲ್ಲಿ ತಪ್ಪಿದ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಸಮಸ್ಯೆಯನ್ನು ಸುಧಾರಿಸಿತು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯು ಬಹುತೇಕ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಹೊಂದಿರಲಿಲ್ಲ. ಟೆಕ್ಸಾಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೆಕ್‌ಗವರ್ನ್ ವೈದ್ಯಕೀಯ ಶಾಲೆಯ ತಂಡವು ನಡೆಸಿದ ಮತ್ತೊಂದು ಅಧ್ಯಯನವು ನಾಲ್ಕು ಸ್ಟ್ರೋಕ್ ಕೇಂದ್ರಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಂಡಿತು, ದೊಡ್ಡ ನಾಳೀಯ ಆಕ್ಲೂಸಿವ್ ಇಸ್ಕೆಮಿಕ್ ಸ್ಟ್ರೋಕ್ (LVO) ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿ ಆಂಜಿಯೋಗ್ರಫಿ (CTA) ಆಧಾರಿತ AI ತಂತ್ರಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸಿತು. CT ಇಮೇಜಿಂಗ್ ಪೂರ್ಣಗೊಂಡ ಕೆಲವೇ ನಿಮಿಷಗಳಲ್ಲಿ ವೈದ್ಯರು ಮತ್ತು ರೇಡಿಯಾಲಜಿಸ್ಟ್‌ಗಳು ತಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್‌ಗಳಲ್ಲಿ ನೈಜ-ಸಮಯದ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತಾರೆ, LVO ನ ಸಂಭವನೀಯ ಉಪಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಅವರಿಗೆ ತಿಳಿಸುತ್ತಾರೆ. ಈ AI ಪ್ರಕ್ರಿಯೆಯು ತೀವ್ರವಾದ ಇಸ್ಕೆಮಿಕ್ ಸ್ಟ್ರೋಕ್‌ಗಾಗಿ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಕೆಲಸದ ಹರಿವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ಚಿಕಿತ್ಸೆಗೆ ಪ್ರವೇಶದಿಂದ ಮನೆಯಿಂದ ತೊಡೆಸಂದು ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಯಶಸ್ವಿ ರಕ್ಷಣೆಗೆ ಅವಕಾಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಂಶೋಧನೆಗಳನ್ನು JAMA ನ್ಯೂರಾಲಜಿಯಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ.

ಸಾರ್ವತ್ರಿಕ ಪ್ರಯೋಜನಕ್ಕಾಗಿ AI ಆರೋಗ್ಯ ರಕ್ಷಣಾ ಮಾದರಿ

2023 ರಲ್ಲಿ, ವೈದ್ಯಕೀಯ AI ಬಳಸಿಕೊಂಡು ಮಾನವ ಕಣ್ಣಿಗೆ ಕಾಣದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸುಲಭವಾಗಿ ಲಭ್ಯವಿರುವ ಡೇಟಾದಿಂದ ಕಂಡುಹಿಡಿಯಲು ಸಾಕಷ್ಟು ಉತ್ತಮ ಕೆಲಸಗಳು ನಡೆಯಲಿವೆ, ಇದು ಸಾರ್ವತ್ರಿಕ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಪ್ರಮಾಣದಲ್ಲಿ ಆರಂಭಿಕ ತಪಾಸಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ವರ್ಷದ ಆರಂಭದಲ್ಲಿ, ನೇಚರ್ ಮೆಡಿಸಿನ್ ಸನ್ ಯಾಟ್-ಸೆನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಝೋಂಗ್‌ಶಾನ್ ಕಣ್ಣಿನ ಕೇಂದ್ರ ಮತ್ತು ಫುಜಿಯಾನ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಎರಡನೇ ಅಂಗಸಂಸ್ಥೆ ಆಸ್ಪತ್ರೆ ನಡೆಸಿದ ಅಧ್ಯಯನಗಳನ್ನು ಪ್ರಕಟಿಸಿತು. ಸ್ಮಾರ್ಟ್‌ಫೋನ್‌ಗಳನ್ನು ಅಪ್ಲಿಕೇಶನ್ ಟರ್ಮಿನಲ್‌ಗಳಾಗಿ ಬಳಸಿಕೊಂಡು, ಅವರು ಮಕ್ಕಳ ನೋಟವನ್ನು ಪ್ರೇರೇಪಿಸಲು ಮತ್ತು ಮಕ್ಕಳ ನೋಟದ ನಡವಳಿಕೆ ಮತ್ತು ಮುಖದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ದಾಖಲಿಸಲು ಕಾರ್ಟೂನ್ ತರಹದ ವೀಡಿಯೊ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿದರು ಮತ್ತು ಜನ್ಮಜಾತ ಕಣ್ಣಿನ ಪೊರೆ, ಜನ್ಮಜಾತ ಪಿಟೋಸಿಸ್ ಮತ್ತು ಜನ್ಮಜಾತ ಗ್ಲುಕೋಮಾ ಸೇರಿದಂತೆ 16 ಕಣ್ಣಿನ ಕಾಯಿಲೆಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಗುರುತಿಸಲು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಸಹಜ ಮಾದರಿಗಳನ್ನು ಮತ್ತಷ್ಟು ವಿಶ್ಲೇಷಿಸಿದರು, ಸರಾಸರಿ ಸ್ಕ್ರೀನಿಂಗ್ ನಿಖರತೆ 85% ಕ್ಕಿಂತ ಹೆಚ್ಚು. ಇದು ಶಿಶುಗಳ ದೃಷ್ಟಿ ಕಾರ್ಯ ದುರ್ಬಲತೆ ಮತ್ತು ಸಂಬಂಧಿತ ಕಣ್ಣಿನ ಕಾಯಿಲೆಗಳ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಆರಂಭಿಕ ತಪಾಸಣೆಗೆ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಜನಪ್ರಿಯಗೊಳಿಸಲು ಸುಲಭವಾದ ತಾಂತ್ರಿಕ ವಿಧಾನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ವರ್ಷದ ಕೊನೆಯಲ್ಲಿ, ಶಾಂಘೈ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಪ್ಯಾಂಕ್ರಿಯಾಟಿಕ್ ಡಿಸೀಸ್ ಮತ್ತು ಝೆಜಿಯಾಂಗ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಅಂಗಸಂಸ್ಥೆ ಆಸ್ಪತ್ರೆ ಸೇರಿದಂತೆ ಪ್ರಪಂಚದಾದ್ಯಂತ 10 ಕ್ಕೂ ಹೆಚ್ಚು ವೈದ್ಯಕೀಯ ಮತ್ತು ಸಂಶೋಧನಾ ಸಂಸ್ಥೆಗಳು ಮಾಡಿದ ಕೆಲಸವನ್ನು ನೇಚರ್ ಮೆಡಿಸಿನ್ ವರದಿ ಮಾಡಿದೆ. ದೈಹಿಕ ಪರೀಕ್ಷಾ ಕೇಂದ್ರಗಳು, ಆಸ್ಪತ್ರೆಗಳು ಇತ್ಯಾದಿಗಳಲ್ಲಿ ಲಕ್ಷಣರಹಿತ ಜನರ ಪ್ಯಾಂಕ್ರಿಯಾಟಿಕ್ ಕ್ಯಾನ್ಸರ್ ಸ್ಕ್ರೀನಿಂಗ್‌ಗೆ ಲೇಖಕರು AI ಅನ್ನು ಅನ್ವಯಿಸಿದರು, ಬರಿಗಣ್ಣಿನಿಂದ ಮಾತ್ರ ಪತ್ತೆಹಚ್ಚಲು ಕಷ್ಟಕರವಾದ ಸರಳ ಸ್ಕ್ಯಾನ್ CT ಚಿತ್ರಗಳಲ್ಲಿ ಗಾಯದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು, ಇದರಿಂದಾಗಿ ಮೇದೋಜ್ಜೀರಕ ಗ್ರಂಥಿಯ ಕ್ಯಾನ್ಸರ್‌ನ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ಆರಂಭಿಕ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಸಾಧಿಸಬಹುದು. 20,000 ಕ್ಕೂ ಹೆಚ್ಚು ರೋಗಿಗಳ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸುವಾಗ, ಮಾದರಿಯು ಪ್ರಾಯೋಗಿಕವಾಗಿ ತಪ್ಪಿಸಿಕೊಂಡ ಗಾಯಗಳ 31 ಪ್ರಕರಣಗಳನ್ನು ಸಹ ಗುರುತಿಸಿದೆ, ಇದು ಕ್ಲಿನಿಕಲ್ ಫಲಿತಾಂಶಗಳನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಿದೆ.

ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶ ಹಂಚಿಕೆ

2023 ರಲ್ಲಿ, ಪ್ರಪಂಚದಾದ್ಯಂತ ಇನ್ನೂ ಅನೇಕ ಪರಿಪೂರ್ಣ ದತ್ತಾಂಶ ಹಂಚಿಕೆ ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ಯಶಸ್ವಿ ಪ್ರಕರಣಗಳು ಹೊರಹೊಮ್ಮಿವೆ, ದತ್ತಾಂಶ ಗೌಪ್ಯತೆ ಮತ್ತು ಸುರಕ್ಷತೆಯನ್ನು ರಕ್ಷಿಸುವ ಪ್ರಮೇಯದ ಅಡಿಯಲ್ಲಿ ಬಹು-ಕೇಂದ್ರ ಸಹಕಾರ ಮತ್ತು ದತ್ತಾಂಶ ಮುಕ್ತತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತವೆ.

ಮೊದಲನೆಯದಾಗಿ, AI ತಂತ್ರಜ್ಞಾನದ ಸಹಾಯದಿಂದ, AI ಸಂಶೋಧಕರು ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶ ಹಂಚಿಕೆಗೆ ಕೊಡುಗೆ ನೀಡಿದ್ದಾರೆ. ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್‌ನ ರಟ್ಜರ್ಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಕ್ವಿ ಚಾಂಗ್ ಮತ್ತು ಇತರರು ನೇಚರ್ ಕಮ್ಯುನಿಕೇಷನ್ಸ್‌ನಲ್ಲಿ ಒಂದು ಲೇಖನವನ್ನು ಪ್ರಕಟಿಸಿದರು, ವಿತರಿಸಿದ ಸಂಶ್ಲೇಷಿತ ವಿರೋಧಿ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಆಧರಿಸಿದ ಫೆಡರಲ್ ಕಲಿಕಾ ಚೌಕಟ್ಟು DSL ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದರು, ಇದು ಬಹು-ಕೇಂದ್ರಗಳ ನಿರ್ದಿಷ್ಟ ರಚಿತ ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮಾಡಲು ಜನರೇಟಿವ್ AI ಅನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಬಹು-ಕೇಂದ್ರಗಳ ನೈಜ ಡೇಟಾವನ್ನು ರಚಿತ ಡೇಟಾದೊಂದಿಗೆ ಬದಲಾಯಿಸುತ್ತದೆ. ಡೇಟಾ ಗೌಪ್ಯತೆಯನ್ನು ರಕ್ಷಿಸುವಾಗ ಮಲ್ಟಿಸೆಂಟರ್ ಬಿಗ್ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ AI ತರಬೇತಿಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಅದೇ ತಂಡವು ರಚಿತವಾದ ರೋಗಶಾಸ್ತ್ರೀಯ ಚಿತ್ರಗಳ ಡೇಟಾಸೆಟ್ ಮತ್ತು ಅವುಗಳ ಅನುಗುಣವಾದ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸಹ ತೆರೆಯುತ್ತದೆ. ರಚಿತವಾದ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ವಿಭಜನಾ ಮಾದರಿಯು ನೈಜ ಡೇಟಾಗೆ ಹೋಲುವ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಬಹುದು.

ತ್ಸಿಂಗುವಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಡೈ ಕಿಯೊಂಗ್ಹೈ ತಂಡವು npj ಡಿಜಿಟಲ್ ಹೆಲ್ತ್ ಕುರಿತು ಒಂದು ಪ್ರಬಂಧವನ್ನು ಪ್ರಕಟಿಸಿತು, ಇದು ಸ್ಥಳೀಯ ಡೇಟಾ ಸಾರ್ವಭೌಮತ್ವ ಮತ್ತು ಯಾವುದೇ ಕ್ರಾಸ್-ಸೈಟ್ ನೆಟ್‌ವರ್ಕ್ ಸಂಪರ್ಕದ ಪ್ರಮೇಯದಲ್ಲಿ AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಹು-ಸೈಟ್ ದೊಡ್ಡ ಡೇಟಾವನ್ನು ಬಳಸುವ ರಿಲೇ ಕಲಿಕೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ಇದು AI ಕಾರ್ಯಕ್ಷಮತೆಯ ಅನ್ವೇಷಣೆಯೊಂದಿಗೆ ಡೇಟಾ ಸುರಕ್ಷತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯ ಕಾಳಜಿಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ. ಅದೇ ತಂಡವು ತರುವಾಯ ಜಂಟಿಯಾಗಿ ಗುವಾಂಗ್‌ಝೌ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಮೊದಲ ಅಂಗಸಂಸ್ಥೆ ಆಸ್ಪತ್ರೆ ಮತ್ತು ದೇಶಾದ್ಯಂತ 24 ಆಸ್ಪತ್ರೆಗಳ ಸಹಯೋಗದೊಂದಿಗೆ ಫೆಡರಲ್ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಎದೆಯ CT ಪ್ಯಾನ್-ಮೀಡಿಯಾಸ್ಟಿನಲ್ ಗೆಡ್ಡೆ ರೋಗನಿರ್ಣಯ ವ್ಯವಸ್ಥೆಯಾದ CAIMEN ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಿತು. 12 ಸಾಮಾನ್ಯ ಮೀಡಿಯಾಸ್ಟಿನಲ್ ಗೆಡ್ಡೆಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದಾದ ಈ ವ್ಯವಸ್ಥೆಯು ಮಾನವ ತಜ್ಞರು ಮಾತ್ರ ಬಳಸುವುದಕ್ಕಿಂತ 44.9 ಪ್ರತಿಶತ ಉತ್ತಮ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿತು ಮತ್ತು ಮಾನವ ತಜ್ಞರು ಅದರ ಸಹಾಯದಿಂದ 19 ಪ್ರತಿಶತ ಉತ್ತಮ ರೋಗನಿರ್ಣಯ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿತು.

ಮತ್ತೊಂದೆಡೆ, ಸುರಕ್ಷಿತ, ಜಾಗತಿಕ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ವೈದ್ಯಕೀಯ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಹಲವಾರು ಉಪಕ್ರಮಗಳು ನಡೆಯುತ್ತಿವೆ. ನವೆಂಬರ್ 2023 ರಲ್ಲಿ, ಹಾರ್ವರ್ಡ್ ವೈದ್ಯಕೀಯ ಶಾಲೆಯ ಬಯೋಮೆಡಿಕಲ್ ಇನ್ಫರ್ಮ್ಯಾಟಿಕ್ಸ್ ವಿಭಾಗದ ಅಗಸ್ಟಿನಾ ಸೇನ್ಜ್ ಮತ್ತು ಇತರರು ಲ್ಯಾನ್ಸೆಟ್ ಡಿಜಿಟಲ್ ಹೆಲ್ತ್‌ನಲ್ಲಿ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಡೇಟಾ ಫಾರ್ ಆಲ್ ಹೆಲ್ತ್‌ಕೇರ್ (MAIDA) ಎಂಬ ವೈದ್ಯಕೀಯ ಇಮೇಜ್ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಜಾಗತಿಕ ಚೌಕಟ್ಟನ್ನು ಪ್ರಕಟಿಸಿದರು. ಡೇಟಾ ಹಂಚಿಕೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು US ಫೆಡರಲ್ ಡೆಮನ್‌ಸ್ಟ್ರೇಶನ್ ಪಾರ್ಟ್‌ನರ್ (FDP) ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಡಿ-ಐಡೆಂಟಿಫಿಕೇಶನ್ ಕುರಿತು ಸಮಗ್ರ ಮಾರ್ಗದರ್ಶನವನ್ನು ಒದಗಿಸಲು ಅವರು ಪ್ರಪಂಚದಾದ್ಯಂತದ ಆರೋಗ್ಯ ಸಂಸ್ಥೆಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಪ್ರಪಂಚದಾದ್ಯಂತ ವಿವಿಧ ಪ್ರದೇಶಗಳು ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಕ್ರಮೇಣ ಬಿಡುಗಡೆ ಮಾಡಲು ಅವರು ಯೋಜಿಸಿದ್ದಾರೆ. ಮೊದಲ ಡೇಟಾಸೆಟ್ 2024 ರ ಆರಂಭದಲ್ಲಿ ಬಿಡುಗಡೆಯಾಗುವ ನಿರೀಕ್ಷೆಯಿದೆ, ಪಾಲುದಾರಿಕೆ ವಿಸ್ತರಿಸಿದಂತೆ ಇನ್ನಷ್ಟು ಬರಲಿದೆ. ಈ ಯೋಜನೆಯು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ AI ಡೇಟಾದ ಜಾಗತಿಕ, ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಸೆಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಪ್ರಮುಖ ಪ್ರಯತ್ನವಾಗಿದೆ.

ಈ ಪ್ರಸ್ತಾವನೆಯ ಹಿನ್ನೆಲೆಯಲ್ಲಿ, ಯುಕೆ ಬಯೋಬ್ಯಾಂಕ್ ಒಂದು ಉದಾಹರಣೆಯನ್ನು ನೀಡಿದೆ. ಯುಕೆ ಬಯೋಬ್ಯಾಂಕ್ ನವೆಂಬರ್ 30 ರಂದು ತನ್ನ 500,000 ಭಾಗವಹಿಸುವವರ ಸಂಪೂರ್ಣ ಜೀನೋಮ್ ಅನುಕ್ರಮದಿಂದ ಹೊಸ ಡೇಟಾವನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು. 500,000 ಬ್ರಿಟಿಷ್ ಸ್ವಯಂಸೇವಕರ ಪ್ರತಿಯೊಬ್ಬರ ಸಂಪೂರ್ಣ ಜೀನೋಮ್ ಅನುಕ್ರಮವನ್ನು ಪ್ರಕಟಿಸುವ ಡೇಟಾಬೇಸ್, ವಿಶ್ವದ ಅತಿದೊಡ್ಡ ಸಂಪೂರ್ಣ ಮಾನವ ಜೀನೋಮ್ ಡೇಟಾಬೇಸ್ ಆಗಿದೆ. ಪ್ರಪಂಚದಾದ್ಯಂತದ ಸಂಶೋಧಕರು ಈ ಗುರುತಿಸದ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಲು ವಿನಂತಿಸಬಹುದು ಮತ್ತು ಆರೋಗ್ಯ ಮತ್ತು ರೋಗದ ಆನುವಂಶಿಕ ಆಧಾರವನ್ನು ತನಿಖೆ ಮಾಡಲು ಅದನ್ನು ಬಳಸಬಹುದು. ಜೆನೆಟಿಕ್ ಡೇಟಾವು ಹಿಂದೆ ಯಾವಾಗಲೂ ಪರಿಶೀಲನೆಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿತ್ತು ಮತ್ತು ಯುಕೆ ಬಯೋಬ್ಯಾಂಕ್‌ನ ಈ ಐತಿಹಾಸಿಕ ಸಾಧನೆಯು ಮುಕ್ತ, ಗೌಪ್ಯತೆ-ಮುಕ್ತ ಜಾಗತಿಕ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಡೇಟಾಬೇಸ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು ಸಾಧ್ಯ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ. ಈ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಡೇಟಾಬೇಸ್‌ನೊಂದಿಗೆ, ವೈದ್ಯಕೀಯ AI ಮುಂದಿನ ಅಧಿಕಕ್ಕೆ ನಾಂದಿ ಹಾಡುತ್ತದೆ.

ವೈದ್ಯಕೀಯ AI ನ ಪರಿಶೀಲನೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ

ವೈದ್ಯಕೀಯ AI ತಂತ್ರಜ್ಞಾನದ ತ್ವರಿತ ಅಭಿವೃದ್ಧಿಗೆ ಹೋಲಿಸಿದರೆ, ವೈದ್ಯಕೀಯ AI ನ ಪರಿಶೀಲನೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನದ ಅಭಿವೃದ್ಧಿ ಸ್ವಲ್ಪ ನಿಧಾನವಾಗಿದೆ. ಸಾಮಾನ್ಯ AI ಕ್ಷೇತ್ರದಲ್ಲಿ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ಮೌಲ್ಯಮಾಪನವು ಸಾಮಾನ್ಯವಾಗಿ ವೈದ್ಯರು ಮತ್ತು ರೋಗಿಗಳ AI ಗಾಗಿನ ನೈಜ ಅವಶ್ಯಕತೆಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು AI ಪರಿಕರಗಳ ತ್ವರಿತ ಪುನರಾವರ್ತನೆಯನ್ನು ಹೊಂದಿಸಲು ತುಂಬಾ ಶ್ರಮದಾಯಕವಾಗಿವೆ. ವೈದ್ಯಕೀಯ AI ಪರಿಕರಗಳಿಗೆ ಸೂಕ್ತವಾದ ಪರಿಶೀಲನೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ವ್ಯವಸ್ಥೆಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಸುಧಾರಿಸುವುದು ವೈದ್ಯಕೀಯ AI ಅನ್ನು ನಿಜವಾಗಿಯೂ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯನ್ನು ಕ್ಲಿನಿಕಲ್ ಲ್ಯಾಂಡಿಂಗ್‌ಗೆ ಮುನ್ನಡೆಸಲು ಉತ್ತೇಜಿಸುವ ಪ್ರಮುಖ ವಿಷಯವಾಗಿದೆ.

ನೇಚರ್‌ನಲ್ಲಿ ಪ್ರಕಟವಾದ Med-PaLM ಕುರಿತ Google ನ ಸಂಶೋಧನಾ ಪ್ರಬಂಧದಲ್ಲಿ, ತಂಡವು MultiMedQA ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡವನ್ನು ಸಹ ಪ್ರಕಟಿಸಿತು, ಇದನ್ನು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ವೈದ್ಯಕೀಯ ಜ್ಞಾನವನ್ನು ಪಡೆಯುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಮಾನದಂಡವು ವೃತ್ತಿಪರ ವೈದ್ಯಕೀಯ ಜ್ಞಾನ, ಸಂಶೋಧನೆ ಮತ್ತು ಇತರ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡ ಆರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೃತ್ತಿಪರ ವೈದ್ಯಕೀಯ ಪ್ರಶ್ನೋತ್ತರ ಡೇಟಾಬೇಸ್ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಆನ್‌ಲೈನ್ ಹುಡುಕಾಟ ವೈದ್ಯಕೀಯ ಪ್ರಶ್ನೆ ಡೇಟಾಬೇಸ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ವೈದ್ಯರು-ರೋಗಿಗಳ ಆನ್‌ಲೈನ್ ಪ್ರಶ್ನೋತ್ತರವನ್ನು ಪರಿಗಣಿಸಿ, AI ಅನ್ನು ಅನೇಕ ಅಂಶಗಳಿಂದ ಅರ್ಹ ವೈದ್ಯರನ್ನಾಗಿ ತರಬೇತಿ ನೀಡಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಇದರ ಜೊತೆಗೆ, ತಂಡವು ಮಾನವ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿದ ಚೌಕಟ್ಟನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ, ಇದು ಸತ್ಯ, ತಿಳುವಳಿಕೆ, ತಾರ್ಕಿಕತೆ ಮತ್ತು ಸಂಭವನೀಯ ಪಕ್ಷಪಾತದ ಬಹು ಆಯಾಮಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಈ ವರ್ಷ ಪ್ರಕಟವಾದ ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ AI ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಇದು ಅತ್ಯಂತ ಪ್ರಾತಿನಿಧಿಕ ಸಂಶೋಧನಾ ಪ್ರಯತ್ನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ಆದಾಗ್ಯೂ, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಉನ್ನತ ಮಟ್ಟದ ಎನ್ಕೋಡಿಂಗ್ ಕ್ಲಿನಿಕಲ್ ಜ್ಞಾನವನ್ನು ತೋರಿಸುತ್ತವೆ ಎಂದರೆ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ನೈಜ-ಪ್ರಪಂಚದ ಕ್ಲಿನಿಕಲ್ ಕಾರ್ಯಗಳಿಗೆ ಸಮರ್ಥವಾಗಿವೆಯೇ? ವೃತ್ತಿಪರ ವೈದ್ಯ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಪರಿಪೂರ್ಣ ಅಂಕಗಳೊಂದಿಗೆ ಉತ್ತೀರ್ಣರಾದ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಯು ಇನ್ನೂ ಏಕವ್ಯಕ್ತಿ ಮುಖ್ಯ ವೈದ್ಯರಿಂದ ದೂರವಿರುವಂತೆಯೇ, Google ಪ್ರಸ್ತಾಪಿಸಿದ ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡಗಳು AI ಮಾದರಿಗಳಿಗೆ ವೈದ್ಯಕೀಯ AI ಮೌಲ್ಯಮಾಪನದ ವಿಷಯಕ್ಕೆ ಪರಿಪೂರ್ಣ ಉತ್ತರವಾಗಿರುವುದಿಲ್ಲ. 2021 ಮತ್ತು 2022 ರ ಆರಂಭದಲ್ಲಿ, ಸಂಶೋಧಕರು ಡೆಸಿಡ್-AI, ಸ್ಪಿರಿಟ್-AI ಮತ್ತು INTRPRT ನಂತಹ ವರದಿ ಮಾಡುವ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದ್ದಾರೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಾಯೋಗಿಕತೆ, ಸುರಕ್ಷತೆ, ಮಾನವ ಅಂಶಗಳು ಮತ್ತು ಪಾರದರ್ಶಕತೆ/ವ್ಯಾಖ್ಯಾನದಂತಹ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸುವ ಸ್ಥಿತಿಯಲ್ಲಿ ವೈದ್ಯಕೀಯ AI ನ ಆರಂಭಿಕ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಣಕ್ಕೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ ಆಶಯದೊಂದಿಗೆ. ಇತ್ತೀಚೆಗೆ, ನೇಚರ್ ಮೆಡಿಸಿನ್ ಜರ್ನಲ್ ಆಕ್ಸ್‌ಫರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು "ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ" ಅಥವಾ "ಮರುಕಳಿಸುವ ಸ್ಥಳೀಯ ಮೌಲ್ಯೀಕರಣ"ವನ್ನು ಬಳಸಬೇಕೆ ಎಂಬುದರ ಕುರಿತು ಅಧ್ಯಯನವನ್ನು ಪ್ರಕಟಿಸಿತು. "AI ಪರಿಕರಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು."

AI ಪರಿಕರಗಳ ಪಕ್ಷಪಾತವಿಲ್ಲದ ಸ್ವಭಾವವು ಈ ವರ್ಷ ವಿಜ್ಞಾನ ಮತ್ತು NEJM ಲೇಖನಗಳಿಂದ ಗಮನ ಸೆಳೆದ ಪ್ರಮುಖ ಮೌಲ್ಯಮಾಪನ ನಿರ್ದೇಶನವಾಗಿದೆ. AI ಸಾಮಾನ್ಯವಾಗಿ ಪಕ್ಷಪಾತವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ತರಬೇತಿ ದತ್ತಾಂಶಕ್ಕೆ ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಈ ಪಕ್ಷಪಾತವು ಸಾಮಾಜಿಕ ಅಸಮಾನತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬಹುದು, ಇದು ಮತ್ತಷ್ಟು ಅಲ್ಗಾರಿದಮಿಕ್ ತಾರತಮ್ಯವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತದೆ. ವೈದ್ಯಕೀಯ AI ಪರಿಕರಗಳ ಪಕ್ಷಪಾತವಿಲ್ಲದಿರುವಿಕೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಬಳಸಬಹುದಾದ ವೈವಿಧ್ಯಮಯ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು (ಮೇಲೆ ತಿಳಿಸಲಾದ MAIDA ಉಪಕ್ರಮದ ಗುರಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿ) ನಿರ್ಮಿಸಲು ರಾಷ್ಟ್ರೀಯ ಆರೋಗ್ಯ ಸಂಸ್ಥೆಗಳು ಇತ್ತೀಚೆಗೆ Bridge2AI ಉಪಕ್ರಮವನ್ನು ಪ್ರಾರಂಭಿಸಿವೆ, ಇದರ ಅಂದಾಜು $130 ಮಿಲಿಯನ್ ವೆಚ್ಚವಾಗುತ್ತದೆ. ಈ ಅಂಶಗಳನ್ನು MultiMedQA ಪರಿಗಣಿಸುವುದಿಲ್ಲ. ವೈದ್ಯಕೀಯ AI ಮಾದರಿಗಳನ್ನು ಅಳೆಯುವುದು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸುವುದು ಹೇಗೆ ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಇನ್ನೂ ವ್ಯಾಪಕ ಮತ್ತು ಆಳವಾದ ಚರ್ಚೆಯ ಅಗತ್ಯವಿದೆ.

ಜನವರಿಯಲ್ಲಿ, ನೇಚರ್ ಮೆಡಿಸಿನ್ ಟೆಕ್ಸಾಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಎಂಡಿ ಆಂಡರ್ಸನ್ ಕ್ಯಾನ್ಸರ್ ಸೆಂಟರ್‌ನ ವಿವೇಕ್ ಸುಬ್ಬಯ್ಯ ಅವರಿಂದ "ದಿ ನೆಕ್ಸ್ಟ್ ಜನರೇಷನ್ ಆಫ್ ಎವಿಡೆನ್ಸ್-ಬೇಸ್ಡ್ ಮೆಡಿಸಿನ್" ಎಂಬ ಅಭಿಪ್ರಾಯದ ಲೇಖನವನ್ನು ಪ್ರಕಟಿಸಿತು, ಇದು COVID-19 ಸಾಂಕ್ರಾಮಿಕದ ಸಂದರ್ಭದಲ್ಲಿ ಬಹಿರಂಗಪಡಿಸಲಾದ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳ ಮಿತಿಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ನಾವೀನ್ಯತೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಗೆ ಅಂಟಿಕೊಳ್ಳುವಿಕೆಯ ನಡುವಿನ ವಿರೋಧಾಭಾಸವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಇದು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ಪುನರ್ರಚಿಸುವ ಭವಿಷ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ - ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು, ಅಂದರೆ, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಐತಿಹಾಸಿಕ ಸಂಶೋಧನಾ ದತ್ತಾಂಶ, ನೈಜ ಪ್ರಪಂಚದ ದತ್ತಾಂಶ, ಬಹು-ಮಾದರಿ ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶ, ಪ್ರಮುಖ ಪುರಾವೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಧರಿಸಬಹುದಾದ ಸಾಧನ ದತ್ತಾಂಶದಿಂದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆ. ಇದರರ್ಥ AI ತಂತ್ರಜ್ಞಾನ ಮತ್ತು AI ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯೀಕರಣ ಪ್ರಕ್ರಿಯೆಗಳು ಭವಿಷ್ಯದಲ್ಲಿ ಪರಸ್ಪರ ಬಲಪಡಿಸುವ ಮತ್ತು ಸಹ-ವಿಕಸನಗೊಳ್ಳುತ್ತಿರಬಹುದು? ಇದು 2023 ರ ಮುಕ್ತ ಮತ್ತು ಚಿಂತನಶೀಲ ಪ್ರಶ್ನೆಯಾಗಿದೆ.

ವೈದ್ಯಕೀಯ AI ನಿಯಂತ್ರಣ

AI ತಂತ್ರಜ್ಞಾನದ ಪ್ರಗತಿಯು AI ನಿಯಂತ್ರಣಕ್ಕೆ ಸವಾಲುಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ ಮತ್ತು ಪ್ರಪಂಚದಾದ್ಯಂತದ ನೀತಿ ನಿರೂಪಕರು ಎಚ್ಚರಿಕೆಯಿಂದ ಮತ್ತು ಎಚ್ಚರಿಕೆಯಿಂದ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಿದ್ದಾರೆ. 2019 ರಲ್ಲಿ, FDA ಮೊದಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವೈದ್ಯಕೀಯ ಸಾಧನಗಳಿಗೆ ಸಾಫ್ಟ್‌ವೇರ್ ಬದಲಾವಣೆಗಳಿಗಾಗಿ ಪ್ರಸ್ತಾವಿತ ನಿಯಂತ್ರಕ ಚೌಕಟ್ಟನ್ನು (ಚರ್ಚೆಯ ಕರಡು) ಪ್ರಕಟಿಸಿತು, ಇದು AI ನ ಪೂರ್ವ-ಮಾರ್ಕೆಟ್ ವಿಮರ್ಶೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ-ಚಾಲಿತ ಸಾಫ್ಟ್‌ವೇರ್ ಮಾರ್ಪಾಡುಗಳಿಗೆ ಅದರ ಸಂಭಾವ್ಯ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತದೆ. 2021 ರಲ್ಲಿ, FDA "ವೈದ್ಯಕೀಯ ಸಾಧನ ಕ್ರಿಯಾ ಯೋಜನೆಯಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ/ಯಂತ್ರ ಕಲಿಕೆ-ಆಧಾರಿತ ಸಾಫ್ಟ್‌ವೇರ್" ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಇದು ಐದು ನಿರ್ದಿಷ್ಟ AI ವೈದ್ಯಕೀಯ ನಿಯಂತ್ರಕ ಕ್ರಮಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿತು. ಈ ವರ್ಷ, ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಮೂಲಕ ತರಬೇತಿ ಪಡೆದ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ಕೆಲವು ಸಾಫ್ಟ್‌ವೇರ್ ಸಾಧನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಸಾಧನ ಸಾಫ್ಟ್‌ವೇರ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಸುರಕ್ಷತೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿತ್ವದ FDA ಯ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಪೂರ್ವ-ಮಾರ್ಕೆಟ್ ಸಲ್ಲಿಕೆ ಶಿಫಾರಸುಗಳ ಕುರಿತು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲು FDA ಸಾಧನ ಸಾಫ್ಟ್‌ವೇರ್ ವೈಶಿಷ್ಟ್ಯಗಳಿಗಾಗಿ ಪೂರ್ವ-ಮಾರ್ಕೆಟ್ ಸಲ್ಲಿಕೆಯನ್ನು ಮರು-ಬಿಡುಗಡೆ ಮಾಡಿತು. FDA ಯ ನಿಯಂತ್ರಕ ನೀತಿಯು ಆರಂಭಿಕ ಪ್ರಸ್ತಾವನೆಯಿಂದ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗದರ್ಶನಕ್ಕೆ ವಿಕಸನಗೊಂಡಿದೆ.

ಕಳೆದ ವರ್ಷ ಜುಲೈನಲ್ಲಿ ಯುರೋಪಿಯನ್ ಹೆಲ್ತ್ ಡೇಟಾ ಸ್ಪೇಸ್ ಪ್ರಕಟಣೆಯ ನಂತರ, EU ಮತ್ತೊಮ್ಮೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕಾಯ್ದೆಯನ್ನು ಜಾರಿಗೆ ತಂದಿದೆ. ಮೊದಲನೆಯದು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಆರೋಗ್ಯ ರಕ್ಷಣೆ ಒದಗಿಸಲು, ಅಸಮಾನತೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ತಡೆಗಟ್ಟುವಿಕೆ, ರೋಗನಿರ್ಣಯ, ಚಿಕಿತ್ಸೆ, ವೈಜ್ಞಾನಿಕ ನಾವೀನ್ಯತೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಶಾಸನಕ್ಕಾಗಿ ಡೇಟಾವನ್ನು ಬೆಂಬಲಿಸಲು ಆರೋಗ್ಯ ದತ್ತಾಂಶವನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಿಕೊಳ್ಳುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಅದೇ ಸಮಯದಲ್ಲಿ EU ನಾಗರಿಕರು ತಮ್ಮ ವೈಯಕ್ತಿಕ ಆರೋಗ್ಯ ದತ್ತಾಂಶದ ಮೇಲೆ ಹೆಚ್ಚಿನ ನಿಯಂತ್ರಣವನ್ನು ಹೊಂದಿರುತ್ತಾರೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಎರಡನೆಯದು ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯ ವ್ಯವಸ್ಥೆಯು ಹೆಚ್ಚಿನ ಅಪಾಯದ AI ವ್ಯವಸ್ಥೆಯಾಗಿದ್ದು, ಅದು ಉದ್ದೇಶಿತ ಬಲವಾದ ಮೇಲ್ವಿಚಾರಣೆ, ಸಂಪೂರ್ಣ-ಜೀವನ ಚಕ್ರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಪೂರ್ವ-ಮೌಲ್ಯಮಾಪನ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಬೇಕು ಎಂದು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ. ಯುರೋಪಿಯನ್ ಮೆಡಿಸಿನ್ಸ್ ಏಜೆನ್ಸಿ (EMA) ಔಷಧ ಅಭಿವೃದ್ಧಿ, ನಿಯಂತ್ರಣ ಮತ್ತು ಬಳಕೆಯನ್ನು ಬೆಂಬಲಿಸಲು AI ಬಳಕೆಯ ಕುರಿತು ಕರಡು ಪ್ರತಿಫಲನ ಪತ್ರಿಕೆಯನ್ನು ಪ್ರಕಟಿಸಿದೆ, ರೋಗಿಗಳ ಸುರಕ್ಷತೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸಂಶೋಧನಾ ಫಲಿತಾಂಶಗಳ ಸಮಗ್ರತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು AI ನ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸುಧಾರಿಸುವತ್ತ ಒತ್ತು ನೀಡಿದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, EU ನ ನಿಯಂತ್ರಕ ವಿಧಾನವು ಕ್ರಮೇಣ ಆಕಾರ ಪಡೆಯುತ್ತಿದೆ ಮತ್ತು ಅಂತಿಮ ಅನುಷ್ಠಾನದ ವಿವರಗಳು ಹೆಚ್ಚು ವಿವರವಾದ ಮತ್ತು ಕಟ್ಟುನಿಟ್ಟಾಗಿರಬಹುದು. EU ನ ಕಠಿಣ ನಿಯಂತ್ರಣಕ್ಕೆ ಸಂಪೂರ್ಣವಾಗಿ ವ್ಯತಿರಿಕ್ತವಾಗಿ, UK ಯ AI ನಿಯಂತ್ರಕ ನೀಲನಕ್ಷೆಯು ಸರ್ಕಾರವು ಮೃದು ಧೋರಣೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಯೋಜಿಸಿದೆ ಮತ್ತು ಹೊಸ ಮಸೂದೆಗಳನ್ನು ಜಾರಿಗೆ ತರುವುದಿಲ್ಲ ಅಥವಾ ಇದೀಗ ಹೊಸ ನಿಯಂತ್ರಕರನ್ನು ಸ್ಥಾಪಿಸುವುದಿಲ್ಲ ಎಂದು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ.

ಚೀನಾದಲ್ಲಿ, ರಾಷ್ಟ್ರೀಯ ವೈದ್ಯಕೀಯ ಉತ್ಪನ್ನಗಳ ಆಡಳಿತದ ವೈದ್ಯಕೀಯ ಸಾಧನ ತಾಂತ್ರಿಕ ಪರಿಶೀಲನಾ ಕೇಂದ್ರ (NMPA) ಈ ಹಿಂದೆ “ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅಸಿಸ್ಟೆಡ್ ಡಿಸಿಷನ್ ಸಾಫ್ಟ್‌ವೇರ್‌ನ ವಿಮರ್ಶೆ ಅಂಶಗಳು”, “ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವೈದ್ಯಕೀಯ ಸಾಧನಗಳ ನೋಂದಣಿ ವಿಮರ್ಶೆಗಾಗಿ ಮಾರ್ಗದರ್ಶಿ ತತ್ವಗಳು (ಕಾಮೆಂಟ್‌ಗಾಗಿ ಕರಡು)” ಮತ್ತು “ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವೈದ್ಯಕೀಯ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನಗಳ ವರ್ಗೀಕರಣ ಮತ್ತು ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ ಮಾರ್ಗದರ್ಶಿ ತತ್ವಗಳ ಸುತ್ತೋಲೆ (2021 ರಲ್ಲಿ ಸಂಖ್ಯೆ 47)” ನಂತಹ ದಾಖಲೆಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಈ ವರ್ಷ, "2023 ರಲ್ಲಿ ಮೊದಲ ವೈದ್ಯಕೀಯ ಸಾಧನ ಉತ್ಪನ್ನ ವರ್ಗೀಕರಣ ಫಲಿತಾಂಶಗಳ ಸಾರಾಂಶ"ವನ್ನು ಮತ್ತೆ ಬಿಡುಗಡೆ ಮಾಡಲಾಯಿತು. ಈ ದಾಖಲೆಗಳ ಸರಣಿಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವೈದ್ಯಕೀಯ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನಗಳ ವ್ಯಾಖ್ಯಾನ, ವರ್ಗೀಕರಣ ಮತ್ತು ನಿಯಂತ್ರಣವನ್ನು ಸ್ಪಷ್ಟ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಉದ್ಯಮದಲ್ಲಿನ ವಿವಿಧ ಉದ್ಯಮಗಳ ಉತ್ಪನ್ನ ಸ್ಥಾನೀಕರಣ ಮತ್ತು ನೋಂದಣಿ ತಂತ್ರಗಳಿಗೆ ಸ್ಪಷ್ಟ ಮಾರ್ಗದರ್ಶನವನ್ನು ನೀಡುತ್ತದೆ. ಈ ದಾಖಲೆಗಳು AI ವೈದ್ಯಕೀಯ ಸಾಧನಗಳ ವೈಜ್ಞಾನಿಕ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಚೌಕಟ್ಟು ಮತ್ತು ನಿರ್ವಹಣಾ ನಿರ್ಧಾರಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ. ಡಿಸೆಂಬರ್ 21 ರಿಂದ 23 ರವರೆಗೆ ಹ್ಯಾಂಗ್‌ಝೌನಲ್ಲಿ ನಡೆದ ಚೀನಾ ವೈದ್ಯಕೀಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಮ್ಮೇಳನದ ಕಾರ್ಯಸೂಚಿಯು ಡಿಜಿಟಲ್ ವೈದ್ಯಕೀಯ ಆಡಳಿತ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಆಸ್ಪತ್ರೆಗಳ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವೈದ್ಯಕೀಯ ಸಾಧನ ಪರೀಕ್ಷೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ತಂತ್ರಜ್ಞಾನ ಪ್ರಮಾಣೀಕರಣ ಉದ್ಯಮ ಅಭಿವೃದ್ಧಿ ವೇದಿಕೆಯ ಕುರಿತು ವಿಶೇಷ ವೇದಿಕೆಯನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ ಎಂದು ಎದುರು ನೋಡುವುದು ಯೋಗ್ಯವಾಗಿದೆ. ಆ ಸಮಯದಲ್ಲಿ, ರಾಷ್ಟ್ರೀಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಸುಧಾರಣಾ ಆಯೋಗ ಮತ್ತು NMPA ಯ ಅಧಿಕಾರಿಗಳು ಸಭೆಯಲ್ಲಿ ಭಾಗವಹಿಸುತ್ತಾರೆ ಮತ್ತು ಹೊಸ ಮಾಹಿತಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಬಹುದು.

ತೀರ್ಮಾನ

2023 ರಲ್ಲಿ, ವೈದ್ಯಕೀಯ AI ಆಸ್ಪತ್ರೆಯ ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆ, ಸಮ್ಮಿಳನ, ವಿಶ್ಲೇಷಣೆ, ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆ ಮತ್ತು ಸಮುದಾಯ ತಪಾಸಣೆಯನ್ನು ಒಳಗೊಂಡಂತೆ ಸಂಪೂರ್ಣ ವೈದ್ಯಕೀಯ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಮತ್ತು ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಪ್ರಾರಂಭಿಸಿದೆ ಮತ್ತು ವೈದ್ಯಕೀಯ/ರೋಗ ನಿಯಂತ್ರಣ ಕಾರ್ಯಕರ್ತರೊಂದಿಗೆ ಸಾವಯವವಾಗಿ ಸಹಕರಿಸುತ್ತದೆ, ಮಾನವ ಆರೋಗ್ಯಕ್ಕೆ ಯೋಗಕ್ಷೇಮವನ್ನು ತರುವ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ. ಬಳಸಬಹುದಾದ ವೈದ್ಯಕೀಯ AI ಸಂಶೋಧನೆಯು ಉದಯಿಸಲು ಪ್ರಾರಂಭಿಸಿದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ವೈದ್ಯಕೀಯ AI ನ ಪ್ರಗತಿಯು ತಾಂತ್ರಿಕ ಅಭಿವೃದ್ಧಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ, ಆದರೆ ಉದ್ಯಮ, ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯ ಸಂಪೂರ್ಣ ಸಹಕಾರ ಮತ್ತು ನೀತಿ ನಿರೂಪಕರು ಮತ್ತು ನಿಯಂತ್ರಕರ ಬೆಂಬಲದ ಅಗತ್ಯವಿದೆ. ಈ ಅಡ್ಡ-ಡೊಮೇನ್ ಸಹಯೋಗವು AI-ಸಂಯೋಜಿತ ವೈದ್ಯಕೀಯ ಸೇವೆಗಳನ್ನು ಸಾಧಿಸುವ ಕೀಲಿಯಾಗಿದೆ ಮತ್ತು ಇದು ಖಂಡಿತವಾಗಿಯೂ ಮಾನವ ಆರೋಗ್ಯದ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.