haberler

IBM Watson 2007'de kurulduğundan beri, insanlar tıbbi yapay zekâ (YZ) geliştirme çalışmalarını aralıksız sürdürüyor. Kullanılabilir ve güçlü bir tıbbi YZ sistemi, modern tıbbın tüm yönlerini yeniden şekillendirme, daha akıllı, daha doğru, daha verimli ve kapsayıcı bir bakım sağlama, sağlık çalışanlarına ve hastalara refah getirme ve böylece insan sağlığını önemli ölçüde iyileştirme konusunda muazzam bir potansiyele sahiptir. Son 16 yılda, tıbbi YZ araştırmacıları çeşitli küçük alanlarda birikim yapmış olsalar da, bu aşamada henüz bilim kurguyu gerçeğe dönüştüremediler.

Bu yıl, ChatGPT gibi AI teknolojisinin devrim niteliğindeki gelişimiyle, tıbbi AI birçok açıdan büyük ilerleme kaydetti. Tıbbi AI'nın yeteneğinde benzeri görülmemiş bir atılım: Nature dergisi, tıbbi büyük dil modeli ve tıbbi görüntü temel modeli araştırmalarını sürekli olarak başlattı; Google, ABD Tıp Uygulayıcısı sınav sorularında uzman seviyesine ulaşan Med-PaLM ve halefini yayınladı. Önemli akademik dergiler tıbbi AI'ya odaklanacak: Nature, genel tıbbi AI'nın temel modeli hakkındaki görünümü yayınladı; Bu yılın başlarında Tıpta AI üzerine bir dizi incelemenin ardından, New England Journal of Medicine (NEJM), 30 Kasım'da ilk dijital sağlık incelemesini yayınladı ve 12 Aralık'ta NEJM alt dergisi NEJM AI'nın ilk sayısını yayınladı. Tıbbi AI'nın iniş alanı daha da olgunlaşıyor: JAMA alt dergisi, küresel tıbbi görüntü veri paylaşım girişimini yayınladı; ABD Gıda ve İlaç Dairesi (FDA), tıbbi AI'nın düzenlenmesi için taslak yönergeler geliştiriyor.

Aşağıda, 2023 yılında kullanılabilir tıbbi yapay zeka yönünde dünya çapındaki araştırmacıların kaydettiği önemli ilerlemeyi inceliyoruz.

Tıbbi Yapay Zeka Temel Modeli

Tıbbi yapay zeka temel modelinin oluşturulması, şüphesiz bu yılın en çok ilgi gören araştırma konusu oldu. Nature dergileri, yıl boyunca sağlık hizmetlerinin Evrensel Temel modeli ve sağlık hizmetlerinin büyük dil modeli üzerine derleme makaleler yayınladı. Sektörün önde gelen dergisi Medical Image Analysis, tıbbi görüntü analizinde temel model araştırmalarının zorluklarını ve fırsatlarını inceledi ve değerlendirdi ve tıbbi yapay zekanın temel model araştırmalarının gelişimini özetlemek ve yönlendirmek için "temel model soyağacı" kavramını önerdi. Sağlık hizmetleri için temel yapay zeka modellerinin geleceği giderek daha da netleşiyor. ChatGPT gibi büyük dil modellerinin başarılı örneklerinden yararlanarak, daha gelişmiş kendi kendini denetleyen ön eğitim yöntemleri ve büyük miktarda eğitim verisi kullanarak, tıbbi yapay zeka alanındaki araştırmacılar 1) hastalığa özgü temel modeller, 2) genel temel modeller ve 3) çok çeşitli modları, büyük parametreler ve üstün yeteneklerle bütünleştiren çok modlu büyük modeller oluşturmaya çalışıyor.

Tıbbi Veri Toplama Yapay Zeka Modeli

Klinik veri analizinin son aşamalarında büyük rol oynayan büyük yapay zeka modellerine ek olarak, klinik veri toplama sürecinin son aşamalarında da üretken yapay zeka modelleri tarafından temsil edilen teknoloji ortaya çıkmıştır. Yapay zeka algoritmaları, veri toplama sürecini, hızını ve kalitesini önemli ölçüde iyileştirebilir.

Bu yılın başlarında Nature Biomedical Engineering, klinik uygulamalarda patolojik görüntü destekli tanı sorununu çözmek için üretken yapay zeka kullanımına odaklanan Türkiye Boğazları Üniversitesi'nden bir çalışma yayınladı. Ameliyat sırasında dondurulmuş kesit dokusundaki artefaktlar, hızlı tanı değerlendirmesinin önünde bir engeldir. Formalin ve parafine gömülmüş (FFPE) doku daha kaliteli bir örnek sağlamasına rağmen, üretim süreci zaman alıcıdır ve genellikle 12-48 saat sürer, bu da onu ameliyatta kullanıma uygunsuz hale getirir. Araştırma ekibi bu nedenle, dondurulmuş kesitteki dokunun görünümünü FFPE'ye benzer hale getirebilen AI-FFPE adı verilen bir algoritma önerdi. Algoritma, dondurulmuş kesitlerdeki artefaktları başarıyla düzeltti, görüntü kalitesini iyileştirdi ve aynı zamanda klinik olarak ilgili özellikleri korudu. Klinik doğrulamada, AI-FFPE algoritması patologların tümör alt tipleri için tanı doğruluğunu önemli ölçüde artırırken, klinik tanı süresini büyük ölçüde kısaltır.

Cell Reports Medicine, Jilin Üniversitesi Üçüncü Klinik Koleji, Radyoloji Bölümü, Fudan Üniversitesi'ne bağlı Zhongshan Hastanesi ve Şanghay Bilim ve Teknoloji Üniversitesi'nden bir ekibin yaptığı bir araştırma çalışmasını bildiriyor [25]. Bu çalışma, hızlı MRI, düşük dozlu BT ve hızlı PET'te mükemmel görüntü yeniden yapılandırma performansı gösteren, yüksek çok yönlülük ve esnekliğe sahip genel amaçlı derin öğrenme ve yinelemeli yeniden yapılandırma füzyon çerçevesi (Hibrit DL-IR) önermektedir. Algoritma, 100 saniyede MR Tek organ çoklu dizi taramasını gerçekleştirebilir, radyasyon dozunu BT görüntüsünün yalnızca %10'una düşürebilir, gürültüyü ortadan kaldırabilir ve hareket eserlerinin etkisini azaltırken, PET ediniminden küçük lezyonları 2 ila 4 kat hızlandırma ile yeniden yapılandırabilir.

Tıbbi Yapay Zeka, Tıbbi Çalışanlarla İşbirliği İçinde

Tıbbi yapay zekanın hızlı gelişimi, tıp uzmanlarını klinik süreçleri iyileştirmek için yapay zeka ile nasıl iş birliği yapacaklarını ciddi olarak düşünmeye ve araştırmaya yöneltti. Bu yılın temmuz ayında, DeepMind ve çok kurumsal bir araştırma ekibi, Tamamlayıcı Güdümlü Klinik İş Akışı Gecikmesi (CoDoC) adı verilen bir yapay zeka sistemi önerdi. Tanı süreci önce tahmini bir yapay zeka sistemi tarafından teşhis edilir, ardından önceki sonuca göre başka bir yapay zeka sistemi tarafından değerlendirilir ve şüphe varsa, tanı son olarak tanı doğruluğunu artırmak ve verimliliği dengelemek için bir klinisyen tarafından yapılır. Meme kanseri taraması söz konusu olduğunda, CoDoC, aynı yanlış negatif oranıyla yanlış pozitif oranlarını %25 oranında azaltırken, Birleşik Krallık'taki mevcut "çift okuma tahkim" süreciyle karşılaştırıldığında klinisyen iş yükünü %66 oranında azalttı. TB sınıflandırması açısından, bağımsız yapay zeka ve klinik iş akışlarıyla karşılaştırıldığında aynı yanlış negatif oranıyla yanlış pozitif oranları %5 ila %15 oranında azaldı.

Benzer şekilde, İngiltere, Londra'daki Kheiron Şirketi'nden Annie Y. Ng ve arkadaşları, çift okuma tahkim sürecinde geri çağırma sonucu olmadığında sonuçları yeniden incelemek için ek AI okuyucuları (insan denetçilerle iş birliği içinde) tanıttı; bu, erken meme kanseri taramasında kaçırılan tespit sorununu iyileştirdi ve süreçte neredeyse hiç yanlış pozitif olmadı. Teksas Üniversitesi McGovern Tıp Fakültesi'ndeki bir ekip tarafından yönetilen ve dört inme merkezinde tamamlanan başka bir çalışma, büyük vasküler tıkayıcı iskemik inmenin (LVO) tespitini otomatikleştirmek için bilgisayarlı tomografi anjiyografi (CTA) tabanlı AI teknolojisini uyguladı. Klinisyenler ve radyologlar, BT görüntülemesi tamamlandıktan birkaç dakika sonra cep telefonlarına olası LVO varlığı konusunda onları bilgilendiren gerçek zamanlı uyarılar alırlar. Bu AI süreci, akut iskemik inme için hastane içi iş akışlarını iyileştirerek, kabulden tedaviye kadar kapıdan kasığa kadar geçen süreyi azaltır ve başarılı kurtarma fırsatları sağlar. Bulgular JAMA Neurology'de yayınlandı.

Evrensel Fayda İçin Bir Yapay Zeka Sağlık Modeli

2023, insan gözüyle görülemeyen özellikleri daha kolay erişilebilir verilerden bulmak için tıbbi yapay zekâyı kullanan ve böylece evrensel tanı ve erken taramayı büyük ölçekte mümkün kılan birçok iyi çalışmaya da tanıklık edecek. Yılın başında Nature Medicine, Sun Yat-sen Üniversitesi Zhongshan Göz Merkezi ve Fujian Tıp Üniversitesi İkinci Bağlı Hastanesi tarafından yapılan çalışmaları yayınladı. Akıllı telefonları uygulama terminalleri olarak kullanan araştırmacılar, çizgi film benzeri video görüntüleri kullanarak çocukların bakışlarını uyardı ve çocukların bakış davranışlarını ve yüz özelliklerini kaydetti. Ayrıca, derin öğrenme modelleri kullanarak anormal modelleri analiz ederek konjenital katarakt, konjenital pitozis ve konjenital glokom dahil olmak üzere 16 göz hastalığını ortalama %85'in üzerinde tarama doğruluğu ile başarıyla tespit ettiler. Bu, bebeklerde görme fonksiyonu bozukluğunun ve ilgili göz hastalıklarının büyük ölçekli erken taraması için etkili ve popülerleştirilmesi kolay bir teknik araç sağlıyor.

Nature Medicine, yıl sonunda Şanghay Pankreas Hastalıkları Enstitüsü ve Zhejiang Üniversitesi Birinci Bağlı Hastanesi de dahil olmak üzere dünya çapında 10'dan fazla tıp ve araştırma kurumu tarafından yürütülen bir çalışmayı bildirdi. Yazar, fizik muayene merkezleri, hastaneler vb. yerlerde asemptomatik kişilerin pankreas kanseri taramasına yapay zekâ uygulayarak, çıplak gözle tespit edilmesi zor olan düz tarama BT görüntülerindeki lezyon özelliklerini tespit etti ve böylece pankreas kanserinin etkili ve invaziv olmayan bir şekilde erken teşhisini sağladı. 20.000'den fazla hastadan alınan verileri inceleyen model, klinik olarak gözden kaçan 31 lezyon vakasını da tespit ederek klinik sonuçları önemli ölçüde iyileştirdi.

Tıbbi Verilerin Paylaşımı

2023 yılında, veri gizliliği ve güvenliğinin korunması öncülüğünde çok daha mükemmel veri paylaşım mekanizmaları ve başarılı vakalar dünya çapında ortaya çıkmış, çok merkezli iş birliği ve veri açıklığı sağlanmıştır.

İlk olarak, yapay zekâ teknolojisinin yardımıyla, yapay zekâ araştırmacıları tıbbi verilerin paylaşımına katkıda bulundular. Amerika Birleşik Devletleri'ndeki Rutgers Üniversitesi'nden Qi Chang ve diğerleri, Nature Communications dergisinde, dağıtılmış sentetik düşmanca ağlara dayalı, çok merkezli özel verileri eğitmek için üretken yapay zekâ kullanan ve ardından çok merkezli gerçek verileri üretilen verilerle değiştiren bir federal öğrenme çerçevesi (DSL) öneren bir makale yayınladılar. Veri gizliliğini korurken çok merkezli büyük verilere dayalı yapay zekâ eğitimi sağlayın. Aynı ekip ayrıca, üretilen patolojik görüntülerden ve bunlara karşılık gelen açıklamalardan oluşan bir veri kümesini açık kaynaklı hale getirdi. Üretilen veri kümesi üzerinde eğitilen segmentasyon modeli, gerçek verilerle benzer sonuçlar elde edebilir.

Tsinghua Üniversitesi'nden Dai Qionghai ekibi, npj Digital Health'te, yerel veri egemenliği ve çapraz site ağ bağlantısı olmadan yapay zeka modellerini eğitmek için çok siteli büyük veriler kullanan Relay Learning'i öneren bir makale yayınladı. Bu yöntem, veri güvenliği ve gizlilik endişelerini yapay zeka performansı arayışıyla dengeliyor. Aynı ekip daha sonra, Guangzhou Tıp Üniversitesi Birinci Bağlı Hastanesi ve ülke genelindeki 24 hastaneyle iş birliği yaparak, federal öğrenmeye dayalı bir göğüs BT pan-mediastinal tümör teşhis sistemi olan CAIMEN'i ortaklaşa geliştirdi ve doğruladı. 12 yaygın mediastinal tümöre uygulanabilen sistem, tek başına kullanıldığında, yalnızca insan uzmanlar tarafından kullanıldığında olduğundan %44,9 daha iyi doğruluk ve insan uzmanlara yardım edildiğinde %19 daha iyi teşhis doğruluğu elde etti.

Öte yandan, güvenli, küresel ve büyük ölçekli tıbbi veri kümeleri oluşturmak için çeşitli girişimler devam etmektedir. Kasım 2023'te Harvard Tıp Fakültesi Biyomedikal Bilişim Bölümü'nden Agustina Saenz ve diğerleri, Lancet Digital Health'te Tüm Sağlık Hizmetleri için Yapay Zeka Verileri (MAIDA) adı verilen tıbbi görüntü verilerinin paylaşımı için küresel bir çerçeve yayınladı. Veri paylaşımını standartlaştırmak için ABD Federal Gösteri Ortağı (FDP) şablonunu kullanarak, veri toplama ve kimlik gizleme konusunda kapsamlı rehberlik sağlamak üzere dünya çapındaki sağlık kuruluşlarıyla birlikte çalışıyorlar. Dünyanın dört bir yanındaki farklı bölgelerde ve klinik ortamlarda toplanan veri kümelerini kademeli olarak yayınlamayı planlıyorlar. İlk veri kümesinin 2024 başlarında yayınlanması bekleniyor ve ortaklık genişledikçe daha fazlası gelecek. Proje, küresel, büyük ölçekli ve çeşitli bir kamuya açık yapay zeka veri kümesi oluşturmak için önemli bir girişimdir.

Önerinin ardından Birleşik Krallık Biyobankası bir örnek teşkil etti. Birleşik Krallık Biyobankası, 30 Kasım'da 500.000 katılımcısının tüm genom diziliminden yeni veriler yayınladı. 500.000 İngiliz gönüllünün her birinin tüm genom dizilimlerini yayınlayan veritabanı, dünyanın en büyük eksiksiz insan genom veritabanıdır. Dünyanın dört bir yanındaki araştırmacılar, kimlik bilgileri gizlenmiş bu verilere erişim talep edebilir ve bunları sağlık ve hastalıkların genetik temelini araştırmak için kullanabilirler. Genetik veriler geçmişte doğrulama için her zaman son derece hassas olmuştur ve Birleşik Krallık Biyobankasının bu tarihi başarısı, açık ve gizlilikten uzak, küresel ve büyük ölçekli bir veritabanı oluşturmanın mümkün olduğunu kanıtlamaktadır. Bu teknoloji ve veritabanıyla, tıbbi yapay zekanın bir sonraki sıçramayı başlatması kaçınılmazdır.

Tıbbi Yapay Zekanın Doğrulanması ve Değerlendirilmesi

Tıbbi yapay zekâ teknolojisinin hızlı gelişimiyle karşılaştırıldığında, tıbbi yapay zekânın doğrulama ve değerlendirmesinin gelişimi biraz yavaştır. Genel yapay zekâ alanındaki doğrulama ve değerlendirme çalışmaları, klinisyenlerin ve hastaların yapay zekâya yönelik gerçek ihtiyaçlarını genellikle göz ardı etmektedir. Geleneksel randomize kontrollü klinik çalışmalar, yapay zekâ araçlarının hızlı yinelemeleriyle baş edemeyecek kadar zahmetlidir. Tıbbi yapay zekâ araçlarına uygun doğrulama ve değerlendirme sistemini mümkün olan en kısa sürede geliştirmek, tıbbi yapay zekânın araştırma ve geliştirmeyi klinik düzeye taşımasını sağlamak için en önemli adımdır.

Nature dergisinde yayınlanan Google'ın Med-PaLM araştırma makalesinde ekip, büyük dil modellerinin klinik bilgi edinme becerisini değerlendirmek için kullanılan MultiMedQA değerlendirme kıyaslamasını da yayınladı. Kıyaslama, profesyonel tıbbi bilgi, araştırma ve diğer yönleri kapsayan altı mevcut profesyonel tıbbi soru-cevap veri setini ve doktor-hasta çevrimiçi soru-cevap özelliğini göz önünde bulunduran çevrimiçi bir tıbbi soru veritabanı veri setini bir araya getirerek yapay zekayı birçok açıdan nitelikli bir doktor haline getirmeyi amaçlıyor. Ekip ayrıca, olgu, anlayış, muhakeme ve olası önyargı gibi birden fazla boyutu dikkate alan, insan değerlendirmesine dayalı bir çerçeve öneriyor. Bu, bu yıl sağlık hizmetlerinde yapay zekayı değerlendirmek için yayınlanan en temsili araştırma çalışmalarından biri.

Ancak, büyük dil modellerinin yüksek düzeyde klinik bilgiyi kodlaması, büyük dil modellerinin gerçek dünya klinik görevleri için yetkin olduğu anlamına mı geliyor? Tıpkı profesyonel hekim sınavını mükemmel bir puanla geçen bir tıp öğrencisinin hâlâ tek başına bir başhekim olmaktan uzak olması gibi, Google tarafından önerilen değerlendirme kriterleri de yapay zeka modelleri için tıbbi yapay zeka değerlendirmesi konusuna mükemmel bir cevap olmayabilir. 2021 ve 2022 gibi erken bir tarihte araştırmacılar, klinik pratiklik, güvenlik, insan faktörleri ve şeffaflık/yorumlanabilirlik gibi faktörleri dikkate alma koşuluyla tıbbi yapay zekanın erken geliştirilmesi ve doğrulanmasına rehberlik etmeyi umarak Decid-AI, SPIRIT-AI ve INTRPRT gibi raporlama yönergeleri önerdiler. Kısa süre önce Nature Medicine dergisi, Oxford Üniversitesi ve Stanford Üniversitesi'nden araştırmacıların "harici doğrulama" mı yoksa "tekrarlayan yerel doğrulama" mı kullanılacağına dair bir çalışmasını yayınladı. "Yapay zeka araçlarını doğrulamak için.

Yapay zeka araçlarının tarafsız doğası, bu yıl hem Science hem de NEJM makalelerinde dikkat çeken önemli bir değerlendirme yönüdür. Yapay zeka, eğitim verileriyle sınırlı olduğu için genellikle taraflılık gösterir. Bu taraflılık, daha sonra algoritmik ayrımcılığa dönüşen sosyal eşitsizliği yansıtabilir. Ulusal Sağlık Enstitüleri, tıbbi yapay zeka araçlarının tarafsızlığını doğrulamak için kullanılabilecek çeşitli veri kümeleri (yukarıda belirtilen MAIDA girişiminin hedefleri doğrultusunda) oluşturmak amacıyla yakın zamanda maliyeti 130 milyon dolar olarak tahmin edilen Bridge2AI girişimini başlattı. Bu hususlar MultiMedQA tarafından dikkate alınmamaktadır. Tıbbi yapay zeka modellerinin nasıl ölçüleceği ve doğrulanacağı sorusu hâlâ kapsamlı ve derinlemesine bir tartışma gerektirmektedir.

Ocak ayında Nature Medicine, Teksas Üniversitesi MD Anderson Kanser Merkezi'nden Vivek Subbiah'ın "Kanıta Dayalı Tıbbın Yeni Nesli" başlıklı bir görüş yazısı yayınladı. Yazıda, COVID-19 pandemisi bağlamında ortaya çıkan klinik araştırmaların sınırlılıkları inceleniyor ve klinik araştırma sürecine uyum ile inovasyon arasındaki çelişki vurgulanıyordu. Son olarak, klinik araştırmaların yeniden yapılandırılmasının geleceğine, yani yapay zekâ kullanan yeni nesil klinik araştırmalara, yani çok sayıda geçmiş araştırma verisinden, gerçek dünya verilerinden, çok modlu klinik verilerden ve giyilebilir cihaz verilerinden yararlanılarak temel kanıtlara ulaşılabileceğine işaret ediliyor. Bu, yapay zekâ teknolojisi ve yapay zekâ klinik doğrulama süreçlerinin gelecekte birbirini karşılıklı olarak güçlendirip birlikte evrimleşebileceği anlamına mı geliyor? İşte 2023'ün açık ve düşündürücü sorusu.

Tıbbi Yapay Zeka Düzenlemesi

Yapay zeka teknolojisinin ilerlemesi, yapay zekanın düzenlenmesinde de zorluklar ortaya çıkarmakta ve dünya genelindeki politika yapıcılar bu zorluklara dikkatli ve özenli bir şekilde yanıt vermektedir. FDA, 2019 yılında ilk olarak Yapay Zeka Tıbbi Cihazlarında Yazılım Değişiklikleri için Önerilen Düzenleyici Çerçeve'yi (Tartışma Taslağı) yayınlamış ve yapay zeka ve makine öğrenimi odaklı yazılım değişikliklerinin piyasaya sürülmeden önceki incelemesine yönelik potansiyel yaklaşımını ayrıntılarıyla açıklamıştır. 2021 yılında FDA, beş özel yapay zeka tıbbi düzenleyici önlemini açıklığa kavuşturan "Yapay Zeka/Makine Öğrenmesi Tabanlı Yazılım Tıbbi Cihaz Eylem Planı"nı önermiştir. Bu yıl FDA, makine öğrenimi yöntemleriyle eğitilen makine öğrenimi modelleri kullanan bazı yazılım cihaz özellikleri de dahil olmak üzere, cihaz yazılım özelliklerinin güvenliği ve etkinliğinin FDA tarafından değerlendirilmesi için piyasaya sürülmeden önceki gönderim önerileri hakkında bilgi sağlamak üzere Cihaz Yazılım Özellikleri için Piyasaya Sürülmeden Önceki Gönderimi yeniden yayınlamıştır. FDA'nın düzenleyici politikası, ilk tekliften pratik bir rehbere dönüşmüştür.

Geçtiğimiz yılın Temmuz ayında Avrupa Sağlık Veri Alanı'nın yayınlanmasının ardından AB, Yapay Zeka Yasasını bir kez daha yürürlüğe koydu. Yapay Zeka Yasası, yüksek kaliteli sağlık hizmeti sunmak, eşitsizlikleri azaltmak ve önleme, teşhis, tedavi, bilimsel inovasyon, karar alma ve mevzuat için verileri desteklemek amacıyla sağlık verilerinden en iyi şekilde yararlanmayı amaçlarken, AB vatandaşlarının kişisel sağlık verileri üzerinde daha fazla kontrole sahip olmasını sağlamayı hedefliyor. Yapay Zeka Yasası, tıbbi teşhis sisteminin yüksek riskli bir yapay zeka sistemi olduğunu ve hedefli güçlü denetim, tüm yaşam döngüsü denetimi ve ön değerlendirme denetimi benimsemesi gerektiğini açıkça ortaya koyuyor. Avrupa İlaç Ajansı (EMA), hasta güvenliğini ve klinik araştırma sonuçlarının bütünlüğünü sağlamak için yapay zekanın güvenilirliğini artırmaya vurgu yaparak, ilaç geliştirme, düzenleme ve kullanımını desteklemek için yapay zekanın kullanımına ilişkin bir Taslak Düşünce Belgesi yayınladı. Genel olarak, AB'nin düzenleyici yaklaşımı yavaş yavaş şekilleniyor ve nihai uygulama ayrıntıları daha ayrıntılı ve katı olabilir. AB'nin katı düzenlemelerinin aksine, İngiltere'nin yapay zeka düzenleme planı, hükümetin yumuşak bir yaklaşım benimsemeyi ve şimdilik yeni yasa tasarıları çıkarmamayı veya yeni düzenleyiciler kurmamayı planladığını açıkça ortaya koyuyor.

Çin'de, Ulusal Tıbbi Ürünler İdaresi'ne bağlı Tıbbi Cihaz Teknik İnceleme Merkezi (NMPA), daha önce "Derin Öğrenme Destekli Karar Yazılımlarının İnceleme Noktaları", "Yapay Zeka Tıbbi Cihazlarının Kayıt İncelemesine İlişkin Rehber İlkeler (Yorum Taslağı)" ve "Yapay Zeka Tıbbi Yazılım Ürünlerinin Sınıflandırılması ve Tanımlanmasına İlişkin Rehber İlkeler Hakkında Genelge (2021'de No. 47)" gibi belgeler yayınlamıştı. Bu yıl, "2023'teki İlk Tıbbi Cihaz Ürün Sınıflandırma Sonuçlarının Özeti" tekrar yayınlandı. Bu belge serisi, yapay zekâ tıbbi yazılım ürünlerinin tanımını, sınıflandırmasını ve düzenlenmesini daha açık ve kullanımı kolay hale getirmekte ve sektördeki çeşitli işletmelerin ürün konumlandırma ve kayıt stratejileri için net bir rehberlik sağlamaktadır. Bu belgeler, yapay zekâ tıbbi cihazlarının bilimsel düzenlenmesi için bir çerçeve ve yönetim kararları sunmaktadır. 21-23 Aralık tarihleri ​​arasında Hangzhou'da düzenlenen Çin Tıbbi Yapay Zeka Konferansı'nın gündeminde, dijital tıbbi yönetişim ve kamu hastanelerinin yüksek kaliteli gelişimi ile yapay zekâ tıbbi cihaz test ve değerlendirme teknolojisi standardizasyonu endüstri geliştirme forumu üzerine özel bir forumun kurulmasının heyecanla beklenmesi gerekmektedir. O tarihte, Ulusal Kalkınma ve Reform Komisyonu ve NMPA yetkilileri toplantıya katılacak ve yeni bilgiler yayınlayabilirler.

Çözüm

2023 yılında tıbbi yapay zekâ, hastane veri toplama, birleştirme, analiz, teşhis ve tedavi ve toplum taramasını kapsayan tüm tıbbi süreçle entegre olmaya başladı ve sağlık/hastalık kontrol çalışanlarıyla organik olarak iş birliği yaparak insan sağlığına refah getirme potansiyelini ortaya koydu. Kullanılabilir tıbbi yapay zekâ araştırmaları yeni yeni ortaya çıkmaya başlıyor. Gelecekte, tıbbi yapay zekânın ilerlemesi yalnızca teknolojik gelişmeye bağlı olmakla kalmayıp, aynı zamanda endüstri, üniversite ve tıp araştırmalarının tam iş birliğine ve politika yapıcılar ile düzenleyicilerin desteğine de ihtiyaç duyacaktır. Bu alanlar arası iş birliği, yapay zekâ ile entegre tıbbi hizmetlere ulaşmanın anahtarıdır ve insan sağlığının gelişimini kesinlikle destekleyecektir.