вести

Од почетка рада IBM Watson-а 2007. године, људи континуирано теже развоју медицинске вештачке интелигенције (ВИ). Употребљив и моћан медицински систем ВИ има огроман потенцијал да преобликује све аспекте модерне медицине, омогућавајући паметнију, прецизнију, ефикаснију и инклузивнију негу, доносећи благостање медицинским радницима и пацијентима и тиме значајно побољшавајући људско здравље. У протеклих 16 година, иако су се истраживачи медицинске ВИ акумулирали у различитим малим областима, у овој фази још увек нису били у стању да претворе научну фантастику у стварност.

Ове године, са револуционарним развојем технологије вештачке интелигенције као што је ChatGPT, медицинска вештачка интелигенција је постигла велики напредак у многим аспектима. Невиђени пробој у могућностима медицинске вештачке интелигенције: Часопис Nature је континуирано покренуо истраживање модела великог медицинског језика и основног модела медицинске слике; Google је објавио Med-PaLM и његовог наследника, достижући експертски ниво у питањима за испит за америчког лекара. Велики академски часописи ће се фокусирати на медицинску вештачку интелигенцију: Nature објављује поглед на основни модел опште медицинске вештачке интелигенције; Након серије прегледа вештачке интелигенције у медицини раније ове године, New England Journal of Medicine (NEJM) је објавио свој први дигитални преглед здравља 30. новембра и покренуо прво издање подчасописа NEJM NEJM AI 12. децембра. Тло за слетање медицинске вештачке интелигенције је додатно зрело: Подчасопис JAMA је објавио глобалну иницијативу за дељење података медицинских слика; Америчка агенција за храну и лекове (FDA) развија нацрт смерница за регулацију медицинске вештачке интелигенције.

У наставку ћемо прегледати значајан напредак који су истраживачи широм света постигли у правцу употребљиве медицинске вештачке интелигенције у 2023. години.

Основни модел медицинске вештачке интелигенције

Конструкција основног модела медицинске вештачке интелигенције је несумњиво најактуелнији фокус истраживања ове године. Часописи „Nature“ су током године објавили прегледне чланке о Универзалном основном моделу здравствене заштите и моделу здравствене заштите на великом језику. „Medical Image Analysis“, водећи часопис у индустрији, прегледао је и очекивао изазове и могућности истраживања основних модела у анализи медицинских слика и предложио концепт „родовника основног модела“ како би сумирао и водио развој истраживања основних модела медицинске вештачке интелигенције. Будућност основних модела вештачке интелигенције за здравствену заштиту постаје јаснија. Ослањајући се на успешне примере модела на великом језику као што је ChatGPT, користећи напредније методе самонадгледане претходне обуке и огромну акумулацију података за обуку, истраживачи у области медицинске вештачке интелигенције покушавају да изграде 1) основне моделе специфичне за болести, 2) опште основне моделе и 3) мултимодалне велике моделе који интегришу широк спектар режима са масивним параметрима и супериорним могућностима.

Модел вештачке интелигенције за прикупљање медицинских података

Поред великих АИ модела који играју велику улогу у низводним задацима анализе клиничких података, у узводном прикупљању клиничких података појавила се и технологија коју представљају генеративни АИ модели. Процес, брзина и квалитет прикупљања података могу се значајно побољшати АИ алгоритмима.

Раније ове године, часопис „Nature Biomedical Engineering“ објавио је студију са турског Универзитета „Straits“ која се фокусирала на коришћење генеративне вештачке интелигенције за решавање проблема патолошке дијагнозе уз помоћ слика у клиничким применама. Артефакти у замрзнутом пресеку ткива током операције представљају препреку брзој дијагностичкој процени. Иако ткиво уграђено у формалин и парафин (FFPE) пружа узорак вишег квалитета, његов процес производње је дуготрајан и често траје 12-48 сати, што га чини непогодним за употребу у хирургији. Истраживачки тим је стога предложио алгоритам под називом AI-FFPE, који може учинити изглед ткива у замрзнутом пресеку сличним FFPE. Алгоритам је успешно исправио артефакте замрзнутих пресека, побољшао квалитет слике и истовремено задржао клинички релевантне карактеристике. У клиничкој валидацији, AI-FFPE алгоритам значајно побољшава дијагностичку тачност патолога за подтипове тумора, уз значајно скраћивање времена клиничке дијагнозе.

Часопис „Cell Reports Medicine“ извештава о истраживачком раду тима са Трећег клиничког колеџа Универзитета Ђилин, Одељења за радиологију, болнице Џонгшан при Универзитету Фудан и Шангајског универзитета за науку и технологију [25]. Ова студија предлаже општи оквир за дубоко учење и итеративну реконструкцију (хибридни DL-IR) са високом свестраношћу и флексибилношћу, показујући одличне перформансе реконструкције слике код брзе МРИ, ЦТ скенирања са ниском дозом и брзог ПЕТ-а. Алгоритам може да постигне МР скенирање једног органа са више секвенцијом за 100 секунди, смањи дозу зрачења на само 10% ЦТ слике и елиминише шум, и може да реконструише мале лезије из ПЕТ снимака са убрзањем од 2 до 4 пута, уз смањење ефекта артефаката кретања.

Медицинска вештачка интелигенција у сарадњи са медицинским радницима

Брзи развој медицинске вештачке интелигенције такође је навео медицинске стручњаке да озбиљно размотре и истраже начине сарадње са вештачком интелигенцијом како би се побољшали клинички процеси. У јулу ове године, DeepMind и мултиинституционални истраживачки тим заједно су предложили систем вештачке интелигенције под називом „Complementary Driven Clinical Workflow Delay“ (CoDoC). Дијагностички процес прво дијагностикује предиктивни систем вештачке интелигенције, затим га процењује други систем вештачке интелигенције на основу претходног резултата, а ако постоји сумња, дијагнозу коначно поставља клиничар како би се побољшала тачност дијагностике и ефикасност баланса. Када је у питању скрининг рака дојке, CoDoC је смањио стопе лажно позитивних резултата за 25% уз исту стопу лажно негативних резултата, док је смањио оптерећење клиничара за 66%, у поређењу са тренутним процесом „арбитраже двоструког читања“ у Великој Британији. Што се тиче класификације туберкулозе, стопе лажно позитивних резултата су смањене за 5 до 15 процената уз исту стопу лажно негативних резултата у поређењу са независним системом вештачке интелигенције и клиничким токовима рада.

Слично томе, Ени Ј. Нг и др. из компаније Kheiron у Лондону, Велика Британија, увели су додатне вештачке интелигенције (у сарадњи са људским испитивачима) како би поново испитали резултате када није било резултата повлачења у процесу арбитраже двоструког читања, што је побољшало проблем пропуштеног откривања у раном скринингу рака дојке, а процес је скоро да није имао лажно позитивних резултата. Друга студија, коју је водио тим са Медицинског факултета Универзитета у Тексасу Мекгаверн и која је завршена у четири центра за мождани удар, применила је технологију вештачке интелигенције засновану на компјутеризованој томографској ангиографији (CTA) за аутоматизацију откривања великог васкуларног оклузивног исхемијског можданог удара (LVO). Клиничари и радиолози добијају обавештења у реалном времену на својим мобилним телефонима у року од неколико минута након завршетка ЦТ снимања, обавештавајући их о могућем присуству LVO. Овај процес вештачке интелигенције побољшава болничке токове рада за акутни исхемијски мождани удар, смањујући време од врата до препона од пријема до лечења и пружајући могућности за успешно спасавање. Резултати су објављени у JAMA Neurology.

Модел здравствене заштите заснован на вештачкој интелигенцији за универзалну корист

У 2023. години ће такође бити много доброг рада који користи медицинску вештачку интелигенцију за проналажење карактеристика које су невидљиве људском оку из лакше доступних података, омогућавајући универзалну дијагнозу и рани скрининг у великим размерама. Почетком године, часопис „Nature Medicine“ објавио је студије које су спровели Очни центар Џонгшан Универзитета Сун Јат-сен и Друга придружена болница Медицинског универзитета Фуђијан. Користећи паметне телефоне као апликативне терминале, користили су видео снимке сличне цртаним филмовима како би индуковали поглед деце и снимили понашање погледа деце и црте лица, а додатно су анализирали абнормалне моделе користећи моделе дубоког учења како би успешно идентификовали 16 очних болести, укључујући конгениталне катаракте, конгениталну птозу и конгенитални глауком, са просечном тачношћу скрининга већом од 85%. Ово пружа ефикасна и лако популаризована техничка средства за рани скрининг оштећења вида код новорођенчади и повезаних очних болести великих размера.

Крајем године, часопис „Nature Medicine“ је објавио резултате рада више од 10 медицинских и истраживачких институција широм света, укључујући Шангајски институт за болести панкреаса и Прву придружену болницу Универзитета Џеђанг. Аутор је применио вештачку интелигенцију на скрининг рака панкреаса код асимптоматских особа у центрима за физички преглед, болницама итд., како би открио карактеристике лезија на ЦТ снимцима обичним скенирањем које је тешко открити само голим оком, и тако постигнуо ефикасно и неинвазивно рано откривање рака панкреаса. Прегледом података више од 20.000 пацијената, модел је такође идентификовао 31 случај клинички превиђених лезија, што је значајно побољшало клиничке исходе.

Дељење медицинских података

У 2023. години, широм света се појавило много више савршених механизама за дељење података и успешних случајева, обезбеђујући сарадњу више центара и отвореност података под претпоставком заштите приватности и безбедности података.

Прво, уз помоћ саме АИ технологије, истраживачи АИ су допринели дељењу медицинских података. Ћи Чанг и други са Универзитета Рутгерс у Сједињеним Државама објавили су чланак у часопису Nature Communications, предлажући федерални оквир за учење DSL заснован на дистрибуираним синтетичким адверзарним мрежама, који користи генеративну АИ за обуку специфичних генерисаних података из више центара, а затим замењује стварне податке из више центара генерисаним подацима. Обезбедити обуку АИ засновану на великим подацима из више центара, уз заштиту приватности података. Исти тим је такође објавио скуп података генерисаних патолошких слика и њихових одговарајућих напомена у отвореном коду. Модел сегментације обучен на генерисаном скупу података може постићи сличне резултате као и стварни подаци.

Тим Даи Ћионгхаија са Универзитета Цингхуа објавио је рад о npj Digital Health, предлажући Relay Learning, који користи велике податке са више локација за обучавање вештачке интелигенције (AI) модела под претпоставком локалног суверенитета података и одсуства међулокацијске мрежне везе. Он балансира забринутост између безбедности података и приватности са тежњом ка перформансама AI. Исти тим је потом заједнички развио и валидирао CAIMEN, систем за дијагностику пан-медијастиналних тумора грудног коша заснован на федералном учењу, у сарадњи са Првом придруженом болницом Медицинског универзитета у Гуангџоуу и 24 болнице широм земље. Систем, који се може применити на 12 уобичајених медијастиналних тумора, постигао је 44,9 процената бољу тачност када се користи сам него када су га користили само људски стручњаци, и 19 процената бољу тачност дијагнозе када су му помагали људски стручњаци.

С друге стране, у току је неколико иницијатива за изградњу безбедних, глобалних, великих скупова медицинских података. У новембру 2023. године, Агустина Саенц и други са Одељења за биомедицинску информатику на Медицинском факултету Харвард објавили су онлајн у часопису Lancet Digital Health глобални оквир за дељење података медицинских слика под називом Подаци о вештачкој интелигенцији за целокупно здравство (MAIDA). Они сарађују са здравственим организацијама широм света како би пружили свеобухватне смернице о прикупљању података и деидентификацији, користећи шаблон Америчког федералног демонстрационог партнера (FDP) за стандардизацију дељења података. Планирају да постепено објављују скупове података прикупљене у различитим регионима и клиничким условима широм света. Очекује се да ће први скуп података бити објављен почетком 2024. године, а биће их још како се партнерство буде ширило. Пројекат је важан покушај изградње глобалног, великог и разноврсног скупа јавно доступних података о вештачкој интелигенцији.

Након овог предлога, Британска биобанка је поставила пример. Британска биобанка је 30. новембра објавила нове податке из секвенцирања целог генома својих 500.000 учесника. База података, која објављује комплетну секвенцу генома сваког од 500.000 британских добровољаца, највећа је комплетна база података људског генома на свету. Истраживачи широм света могу затражити приступ овим анонимизованим подацима и користити их за испитивање генетске основе здравља и болести. Генетски подаци су у прошлости увек били веома осетљиви за верификацију, а ово историјско достигнуће Британске биобанке доказује да је могуће изградити отворену, глобалну базу података великих размера, без икакве приватности. Са овом технологијом и базом података, медицинска вештачка интелигенција ће сигурно довести до следећег скока.

Верификација и евалуација медицинске вештачке интелигенције

У поређењу са брзим развојем саме технологије медицинске вештачке интелигенције, развој верификације и евалуације медицинске вештачке интелигенције је мало спор. Валидација и евалуација у општој области вештачке интелигенције често игноришу стварне потребе клиничара и пацијената за вештачком интелигенцијом. Традиционална рандомизована контролисана клиничка испитивања су превише мукотрпна да би се парирала брзој итерацији алата вештачке интелигенције. Што брже побољшање система верификације и евалуације погодног за алате медицинске вештачке интелигенције је најважнија ствар за промоцију медицинске вештачке интелигенције како би заиста прескочила истраживање и развој ка клиничком приземљењу.

У истраживачком раду компаније Google о Med-PaLM, објављеном у часопису Nature, тим је такође објавио бенчмарк за евалуацију MultiMedQA, који се користи за процену способности модела великих језика за стицање клиничког знања. Бенчмарк комбинује шест постојећих скупова података о професионалним медицинским питањима и одговорима, који покривају професионално медицинско знање, истраживање и друге аспекте, као и скуп података о бази података медицинских питања за претрагу на мрежи, разматрајући онлајн питања и одговоре између лекара и пацијената, покушавајући да обучи вештачку интелигенцију у квалификованог лекара из многих аспеката. Поред тога, тим предлаже оквир заснован на људској процени који узима у обзир више димензија чињеница, разумевања, расуђивања и могуће пристрасности. Ово је један од најрепрезентативнијих истраживачких напора за процену вештачке интелигенције у здравству објављен ове године.

Међутим, да ли чињеница да модели великих језика показују висок ниво кодирања клиничког знања значи да су модели великих језика компетентни за клиничке задатке из стварног света? Баш као што је студент медицине који положи професионални лекарски испит са савршеним резултатом још увек далеко од самосталног главног лекара, критеријуми за евалуацију које је предложио Гугл можда нису савршен одговор на тему евалуације медицинске вештачке интелигенције за моделе вештачке интелигенције. Још 2021. и 2022. године, истраживачи су предложили смернице за извештавање као што су Decid-AI, SPIRIT-AI и INTRPRT, надајући се да ће водити рани развој и валидацију медицинске вештачке интелигенције под условом разматрања фактора као што су клиничка практичност, безбедност, људски фактори и транспарентност/интерпретабилност. Недавно је часопис Nature Medicine објавио студију истраживача са Универзитета Оксфорд и Универзитета Станфорд о томе да ли користити „спољну валидацију“ или „периодично локалну валидацију“. За валидацију алата вештачке интелигенције.

Непристрасна природа алата вештачке интелигенције је такође важан правац евалуације који је ове године привукао пажњу и у чланцима часописа Science и у часописима NEJM. Вештачка интелигенција често показује пристрасност јер је ограничена на податке за обуку. Ова пристрасност може одражавати друштвену неједнакост, која се даље развија у алгоритамску дискриминацију. Национални институт за здравље недавно је покренуо иницијативу Bridge2AI, чији се трошак процењује на 130 милиона долара, за изградњу различитих скупова података (у складу са циљевима горе поменуте MAIDA иницијативе) који се могу користити за валидацију непристрасности медицинских алата вештачке интелигенције. MultiMedQA не разматра ове аспекте. Питање како мерити и валидирати моделе медицинске вештачке интелигенције и даље захтева опсежну и детаљну дискусију.

У јануару је часопис „Nature Medicine“ објавио чланак под називом „Следећа генерација медицине засноване на доказима“ аутора Вивека Субије са Центра за рак „MD Anderson“ Универзитета у Тексасу, у којем се разматрају ограничења клиничких испитивања откривена у контексту пандемије COVID-19 и указује на контрадикцију између иновација и придржавања процеса клиничког истраживања. Коначно, истиче се будућност реструктурирања клиничких испитивања – следећа генерација клиничких испитивања која користе вештачку интелигенцију, односно коришћење вештачке интелигенције из великог броја историјских истраживачких података, података из стварног света, мултимодалних клиничких података, података о носивим уређајима како би се пронашли кључни докази. Да ли то значи да се технологија вештачке интелигенције и процеси клиничке валидације вештачке интелигенције могу међусобно појачавати и коеволуирати у будућности? Ово је отворено и питање које подстиче на размишљање у 2023. години.

Регулација медицинске вештачке интелигенције

Напредак технологије вештачке интелигенције такође представља изазове за регулацију вештачке интелигенције, а креатори политике широм света реагују пажљиво и пажљиво. Године 2019, ФДА је први пут објавила Предложени регулаторни оквир за измене софтвера медицинских уређаја са вештачком интелигенцијом (Нацрт за дискусију), детаљно описујући свој потенцијални приступ прегледу пре стављања на тржиште модификацијама софтвера заснованим на вештачкој интелигенцији и машинском учењу. Године 2021, ФДА је предложила „Акциони план за софтвер заснован на вештачкој интелигенцији/машинском учењу као медицински уређај“, који је разјаснио пет специфичних мера медицинске регулаторне мера за вештачку интелигенцију. Ове године, ФДА је поново издала Предлог за подношење захтева за карактеристике софтвера уређаја пре стављања на тржиште како би пружила информације о препорукама за подношење захтева пре стављања на тржиште за ФДА процену безбедности и ефикасности карактеристика софтвера уређаја, укључујући неке карактеристике софтвера уређаја које користе моделе машинског учења обучене методама машинског учења. Регулаторна политика ФДА је еволуирала од почетног предлога до практичних смерница.

Након објављивања Европског простора здравствених података у јулу прошле године, ЕУ је поново усвојила Закон о вештачкој интелигенцији. Први има за циљ да најбоље искористи здравствене податке како би се обезбедила висококвалитетна здравствена заштита, смањиле неједнакости и подржале подаци за превенцију, дијагнозу, лечење, научне иновације, доношење одлука и законодавство, уз истовремено осигуравање да грађани ЕУ имају већу контролу над својим личним здравственим подацима. Други јасно ставља до знања да је систем медицинске дијагнозе систем вештачке интелигенције високог ризика и да је потребно усвојити циљани снажан надзор, надзор целог животног циклуса и надзор пре евалуације. Европска агенција за лекове (ЕМА) објавила је Нацрт документа о употреби вештачке интелигенције за подршку развоју, регулацији и употреби лекова, са нагласком на побољшање кредибилитета вештачке интелигенције како би се осигурала безбедност пацијената и интегритет резултата клиничких истраживања. Генерално, регулаторни приступ ЕУ постепено добија облик, а коначни детаљи имплементације могу бити детаљнији и строжи. У оштрој супротности са строгом регулацијом ЕУ, британски регулаторни план за вештачку интелигенцију јасно ставља до знања да влада планира да заузме благ приступ и да за сада не доноси нове законе или не оснива нове регулаторе.

У Кини, Центар за технички преглед медицинских уређаја (NMPA) Националне администрације за медицинске производе претходно је издао документе као што су „Тачке прегледа софтвера за потпомогнуто одлучивање дубоким учењем“, „Водећи принципи за преглед регистрације медицинских уређаја са вештачком интелигенцијом (Нацрт за коментар)“ и „Циркулар о водећим принципима за класификацију и дефиницију софтверских производа медицинског производа са вештачком интелигенцијом (бр. 47 у 2021. години)“. Ове године је поново објављен „Резиме резултата прве класификације медицинских производа у 2023. години“. Ова серија докумената јасније и лакше користи дефиницију, класификацију и регулацију софтверских производа вештачке интелигенције у медицини, и пружа јасне смернице за позиционирање производа и стратегије регистрације различитих предузећа у индустрији. Ови документи пружају оквир и управљачке одлуке за научну регулацију медицинских уређаја са вештачком интелигенцијом. Вреди очекивати да ће на дневном реду Кинеске конференције о медицинској вештачкој интелигенцији, одржане у Хангџоуу од 21. до 23. децембра, бити успостављен посебан форум о дигиталном медицинском управљању и висококвалитетном развоју јавних болница и форуму за развој индустрије стандардизације технологије тестирања и евалуације медицинских уређаја са вештачком интелигенцијом. Тада ће званичници Националне комисије за развој и реформе и Националне академије медицинских уређаја (NMPA) присуствовати састанку и могу објавити нове информације.

Закључак

У 2023. години, медицинска вештачка интелигенција је почела да се интегрише у целокупни медицински узводни и низводни процес, обухватајући прикупљање података у болницама, фузију, анализу, дијагнозу и лечење, као и скрининг заједнице, и органски сарађује са медицинским/радницима за контролу болести, показујући потенцијал да донесе добробит људском здрављу. Корисна истраживања медицинске вештачке интелигенције почињу да се појављују. У будућности, напредак медицинске вештачке интелигенције не зависи само од самог технолошког развоја, већ је потребна и пуна сарадња индустрије, универзитета и медицинских истраживања, као и подршка креатора политике и регулатора. Ова међудоменска сарадња је кључ за постизање медицинских услуга интегрисаних са вештачком интелигенцијом и свакако ће промовисати развој људског здравља.