સમાચાર

2007 માં IBM વોટસનની શરૂઆત થઈ ત્યારથી, માનવીઓ સતત તબીબી કૃત્રિમ બુદ્ધિ (AI) ના વિકાસને અનુસરી રહ્યા છે. એક ઉપયોગી અને શક્તિશાળી તબીબી AI સિસ્ટમ આધુનિક દવાના તમામ પાસાઓને ફરીથી આકાર આપવાની પ્રચંડ ક્ષમતા ધરાવે છે, જે વધુ સ્માર્ટ, વધુ સચોટ, કાર્યક્ષમ અને સમાવિષ્ટ સંભાળને સક્ષમ બનાવે છે, તબીબી કાર્યકરો અને દર્દીઓને સુખાકારી લાવે છે, અને તેના દ્વારા માનવ સ્વાસ્થ્યમાં ઘણો સુધારો કરે છે. છેલ્લા 16 વર્ષોમાં, તબીબી AI સંશોધકોએ વિવિધ નાના ક્ષેત્રોમાં સંચય કર્યો હોવા છતાં, આ તબક્કે, તેઓ હજુ સુધી વિજ્ઞાન સાહિત્યને વાસ્તવિકતામાં લાવી શક્યા નથી.

આ વર્ષે, ચેટજીપીટી જેવી એઆઈ ટેકનોલોજીના ક્રાંતિકારી વિકાસ સાથે, મેડિકલ એઆઈએ ઘણા પાસાઓમાં મોટી પ્રગતિ કરી છે. મેડિકલ એઆઈની ક્ષમતામાં અભૂતપૂર્વ સફળતા: નેચર જર્નલે મેડિકલ લાર્જ લેંગ્વેજ મોડેલ અને મેડિકલ ઇમેજ બેઝિક મોડેલનું સંશોધન સતત શરૂ કર્યું છે; ગૂગલે મેડ-પાએલએમ અને તેના અનુગામીને પ્રકાશિત કર્યા છે, જે યુએસ મેડિકલ પ્રેક્ટિશનર પરીક્ષાના પ્રશ્નોમાં નિષ્ણાત સ્તર સુધી પહોંચે છે. મુખ્ય શૈક્ષણિક જર્નલો મેડિકલ એઆઈ પર ધ્યાન કેન્દ્રિત કરશે: નેચર જનરલ મેડિકલ એઆઈના બેઝિક મોડેલ પર દૃષ્ટિકોણ પ્રકાશિત કરે છે; આ વર્ષની શરૂઆતમાં મેડિસિનમાં એઆઈની સમીક્ષાઓની શ્રેણી પછી, ન્યૂ ઇંગ્લેન્ડ જર્નલ ઓફ મેડિસિન (NEJM) એ 30 નવેમ્બરના રોજ તેની પ્રથમ ડિજિટલ આરોગ્ય સમીક્ષા પ્રકાશિત કરી, અને 12 ડિસેમ્બરના રોજ NEJM સબ-જર્નલ NEJM AI નો પ્રથમ અંક શરૂ કર્યો. મેડિકલ એઆઈ લેન્ડિંગ સોઇલ વધુ પરિપક્વ છે: JAMA સબ-જર્નલે વૈશ્વિક મેડિકલ ઇમેજ ડેટા શેરિંગ પહેલ પ્રકાશિત કરી; યુએસ ફૂડ એન્ડ ડ્રગ એડમિનિસ્ટ્રેશન (FDA) મેડિકલ એઆઈના નિયમન માટે ડ્રાફ્ટ માર્ગદર્શિકા વિકસાવી રહ્યું છે.

નીચે, અમે 2023 માં ઉપયોગી તબીબી AI ની દિશામાં વિશ્વભરના સંશોધકોએ કરેલી નોંધપાત્ર પ્રગતિની સમીક્ષા કરીએ છીએ.

મેડિકલ એઆઈ બેઝિક મોડેલ

મેડિકલ AI બેઝિક મોડેલનું નિર્માણ નિઃશંકપણે આ વર્ષનું સૌથી ગરમ સંશોધન કેન્દ્ર છે. નેચર જર્નલ્સે વર્ષ દરમિયાન હેલ્થકેરના યુનિવર્સલ બેઝિક મોડેલ અને હેલ્થકેરના મોટા ભાષા મોડેલ પર સમીક્ષા લેખો પ્રકાશિત કર્યા છે. ઉદ્યોગના ટોચના જર્નલ, મેડિકલ ઇમેજ એનાલિસિસે, મેડિકલ ઇમેજ વિશ્લેષણમાં બેઝિક મોડેલ સંશોધનના પડકારો અને તકોની સમીક્ષા કરી અને તેની રાહ જોઈ, અને મેડિકલ AI ના બેઝિક મોડેલ સંશોધનના વિકાસનો સારાંશ અને માર્ગદર્શન આપવા માટે "બેઝિક મોડેલની વંશાવલિ" ની વિભાવનાનો પ્રસ્તાવ મૂક્યો. હેલ્થકેર માટે બેઝિક AI મોડેલ્સનું ભવિષ્ય સ્પષ્ટ થઈ રહ્યું છે. ChatGPT જેવા મોટા ભાષા મોડેલ્સના સફળ ઉદાહરણો પર ધ્યાન કેન્દ્રિત કરીને, વધુ અદ્યતન સ્વ-નિરીક્ષણ પૂર્વ-તાલીમ પદ્ધતિઓ અને તાલીમ ડેટાના વિશાળ સંચયનો ઉપયોગ કરીને, મેડિકલ AI ક્ષેત્રના સંશોધકો 1) રોગ-વિશિષ્ટ બેઝ મોડેલ્સ, 2) સામાન્ય બેઝ મોડેલ્સ અને 3) મલ્ટિમોડલ મોટા મોડેલ્સ બનાવવાનો પ્રયાસ કરી રહ્યા છે જે વિશાળ પરિમાણો અને શ્રેષ્ઠ ક્ષમતાઓ સાથે મોડ્સની વિશાળ શ્રેણીને એકીકૃત કરે છે.

મેડિકલ ડેટા એક્વિઝિશન એઆઈ મોડેલ

ડાઉનસ્ટ્રીમ ક્લિનિકલ ડેટા વિશ્લેષણ કાર્યોમાં મોટી ભૂમિકા ભજવતા મોટા AI મોડેલો ઉપરાંત, અપસ્ટ્રીમ ક્લિનિકલ ડેટા સંપાદનમાં, જનરેટિવ AI મોડેલો દ્વારા રજૂ થતી ટેકનોલોજી પણ ઉભરી આવી છે. AI અલ્ગોરિધમ્સ દ્વારા ડેટા સંપાદનની પ્રક્રિયા, ઝડપ અને ગુણવત્તામાં નોંધપાત્ર સુધારો કરી શકાય છે.

આ વર્ષની શરૂઆતમાં, નેચર બાયોમેડિકલ એન્જિનિયરિંગે તુર્કીની સ્ટ્રેટ યુનિવર્સિટીનો એક અભ્યાસ પ્રકાશિત કર્યો હતો જેમાં ક્લિનિકલ એપ્લિકેશન્સમાં પેથોલોજિક ઇમેજ-આસિસ્ટેડ નિદાનની સમસ્યાને ઉકેલવા માટે જનરેટિવ AI નો ઉપયોગ કરવા પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું હતું. સર્જરી દરમિયાન ફ્રોઝન સેક્શન ટીશ્યુમાં રહેલી કલાકૃતિઓ ઝડપી નિદાન મૂલ્યાંકનમાં અવરોધ છે. જોકે ફોર્મેલિન અને પેરાફિન એમ્બેડેડ (FFPE) ટીશ્યુ ઉચ્ચ ગુણવત્તાવાળા નમૂના પૂરા પાડે છે, તેની ઉત્પાદન પ્રક્રિયા સમય માંગી લે તેવી છે અને ઘણીવાર 12-48 કલાક લે છે, જે તેને સર્જરીમાં ઉપયોગ માટે અયોગ્ય બનાવે છે. તેથી સંશોધન ટીમે AI-FFPE નામનો અલ્ગોરિધમ પ્રસ્તાવિત કર્યો, જે ફ્રોઝન સેક્શનમાં પેશીઓના દેખાવને FFPE જેવો બનાવી શકે છે. અલ્ગોરિધમે સફળતાપૂર્વક ફ્રોઝન સેક્શનની કલાકૃતિઓને સુધારી, છબીની ગુણવત્તામાં સુધારો કર્યો અને તે જ સમયે ક્લિનિકલી સંબંધિત સુવિધાઓ જાળવી રાખી. ક્લિનિકલ માન્યતામાં, AI-FFPE અલ્ગોરિધમ ગાંઠના પેટાપ્રકારો માટે પેથોલોજિસ્ટની ડાયગ્નોસ્ટિક ચોકસાઈમાં નોંધપાત્ર સુધારો કરે છે, જ્યારે ક્લિનિકલ નિદાન સમયને ઘણો ઓછો કરે છે.

સેલ રિપોર્ટ્સ મેડિસિન જિલિન યુનિવર્સિટીની થર્ડ ક્લિનિકલ કોલેજ, રેડિયોલોજી વિભાગ, ફુદાન યુનિવર્સિટી સાથે જોડાયેલ ઝોંગશાન હોસ્પિટલ અને શાંઘાઈ યુનિવર્સિટી ઓફ સાયન્સ એન્ડ ટેકનોલોજી [25] ની ટીમ દ્વારા કરવામાં આવેલા સંશોધન કાર્યનો અહેવાલ આપે છે. આ અભ્યાસ ઉચ્ચ વર્સેટિલિટી અને લવચીકતા સાથે સામાન્ય હેતુવાળા ડીપ લર્નિંગ અને પુનરાવર્તિત પુનર્નિર્માણ ફ્યુઝન ફ્રેમવર્ક (હાઇબ્રિડ DL-IR) નો પ્રસ્તાવ મૂકે છે, જે ઝડપી MRI, ઓછી માત્રા CT અને ઝડપી PET માં ઉત્તમ છબી પુનર્નિર્માણ પ્રદર્શન દર્શાવે છે. અલ્ગોરિધમ 100 સેકન્ડમાં MR સિંગલ-ઓર્ગન મલ્ટિ-સિક્વન્સ સ્કેનિંગ પ્રાપ્ત કરી શકે છે, રેડિયેશન ડોઝને CT છબીના માત્ર 10% સુધી ઘટાડી શકે છે, અને અવાજને દૂર કરી શકે છે, અને PET સંપાદનમાંથી નાના જખમોને 2 થી 4 ગણા પ્રવેગ સાથે ફરીથી બનાવી શકે છે, જ્યારે ગતિ કલાકૃતિઓની અસર ઘટાડે છે.

તબીબી કાર્યકરો સાથે સહયોગમાં તબીબી AI

મેડિકલ AI ના ઝડપી વિકાસને કારણે તબીબી વ્યાવસાયિકો ક્લિનિકલ પ્રક્રિયાઓને સુધારવા માટે AI સાથે કેવી રીતે સહયોગ કરવો તે અંગે ગંભીરતાથી વિચાર કરવા અને અન્વેષણ કરવા પ્રેરાયા છે. આ વર્ષે જુલાઈમાં, DeepMind અને એક બહુ-સંસ્થાકીય સંશોધન ટીમે સંયુક્ત રીતે કોમ્પ્લિમેન્ટરી ડ્રિવન ક્લિનિકલ વર્કફ્લો ડિલે (CoDoC) નામની AI સિસ્ટમનો પ્રસ્તાવ મૂક્યો. ડાયગ્નોસ્ટિક પ્રક્રિયાનું પહેલા આગાહી કરનાર AI સિસ્ટમ દ્વારા નિદાન કરવામાં આવે છે, પછી પાછલા પરિણામના આધારે બીજી AI સિસ્ટમ દ્વારા તેનું મૂલ્યાંકન કરવામાં આવે છે, અને જો શંકા હોય, તો નિદાનની ચોકસાઈ અને સંતુલન કાર્યક્ષમતા સુધારવા માટે ક્લિનિશિયન દ્વારા આખરે નિદાન કરવામાં આવે છે. સ્તન કેન્સર સ્ક્રીનીંગની વાત આવે ત્યારે, CoDoC એ યુકેમાં વર્તમાન "ડબલ-રીડ આર્બિટ્રેશન" પ્રક્રિયાની તુલનામાં, સમાન ખોટા નકારાત્મક દર સાથે ખોટા હકારાત્મક દરમાં 25% ઘટાડો કર્યો, જ્યારે ક્લિનિશિયન વર્કલોડમાં 66% ઘટાડો કર્યો. ટીબી વર્ગીકરણની દ્રષ્ટિએ, સ્વતંત્ર AI અને ક્લિનિકલ વર્કફ્લોની તુલનામાં સમાન ખોટા નકારાત્મક દર સાથે ખોટા હકારાત્મક દરમાં 5 થી 15 ટકા ઘટાડો થયો.

તેવી જ રીતે, લંડન, યુકેમાં ખેરોન કંપનીના એની વાય. એનજી અને અન્યોએ ડબલ-રીડ આર્બિટ્રેશન પ્રક્રિયામાં કોઈ રિકોલ પરિણામો ન હોય ત્યારે પરિણામોની ફરીથી તપાસ કરવા માટે વધારાના AI રીડર્સ (માનવ પરીક્ષકોના સહયોગથી) રજૂ કર્યા, જેનાથી સ્તન કેન્સરની શરૂઆતની તપાસમાં ચૂકી ગયેલી શોધની સમસ્યામાં સુધારો થયો, અને પ્રક્રિયામાં લગભગ કોઈ ખોટા હકારાત્મક પરિણામો નહોતા. યુનિવર્સિટી ઓફ ટેક્સાસ મેકગવર્ન મેડિકલ સ્કૂલની એક ટીમના નેતૃત્વ હેઠળ અને ચાર સ્ટ્રોક સેન્ટરો પર પૂર્ણ થયેલા અન્ય એક અભ્યાસમાં, મોટા વેસ્ક્યુલર ઓક્લુઝિવ ઇસ્કેમિક સ્ટ્રોક (LVO) ની શોધને સ્વચાલિત કરવા માટે કમ્પ્યુટેડ ટોમોગ્રાફી એન્જીયોગ્રાફી (CTA) આધારિત AI ટેકનોલોજીનો ઉપયોગ કરવામાં આવ્યો. ક્લિનિશિયનો અને રેડિયોલોજિસ્ટ CT ઇમેજિંગ પૂર્ણ થયાના મિનિટોમાં તેમના મોબાઇલ ફોન પર રીઅલ-ટાઇમ ચેતવણીઓ પ્રાપ્ત કરે છે, જે તેમને LVO ની સંભવિત હાજરી વિશે સૂચિત કરે છે. આ AI પ્રક્રિયા તીવ્ર ઇસ્કેમિક સ્ટ્રોક માટે હોસ્પિટલમાં વર્કફ્લોમાં સુધારો કરે છે, સારવારમાં પ્રવેશથી લઈને ડોર-ટુ-ગ્રોઇન સમય ઘટાડે છે અને સફળ બચાવ માટે તકો પૂરી પાડે છે. તારણો JAMA ન્યુરોલોજીમાં પ્રકાશિત થયા છે.

સાર્વત્રિક લાભ માટે એક AI હેલ્થકેર મોડેલ

2023 માં ઘણા સારા કાર્યો પણ જોવા મળશે જે તબીબી AI નો ઉપયોગ કરીને માનવ આંખ માટે અદ્રશ્ય સુવિધાઓ શોધવા માટે વધુ સરળતાથી ઉપલબ્ધ ડેટામાંથી સાર્વત્રિક નિદાન અને પ્રારંભિક સ્ક્રીનીંગને સક્ષમ બનાવે છે. વર્ષની શરૂઆતમાં, નેચર મેડિસિને સન યાટ-સેન યુનિવર્સિટીના ઝોંગશાન આઇ સેન્ટર અને ફુજિયન મેડિકલ યુનિવર્સિટીના બીજા સંલગ્ન હોસ્પિટલ દ્વારા કરવામાં આવેલા અભ્યાસ પ્રકાશિત કર્યા. સ્માર્ટફોનનો ઉપયોગ એપ્લિકેશન ટર્મિનલ તરીકે કરીને, તેઓએ બાળકોની નજરને પ્રેરિત કરવા અને બાળકોની નજર વર્તણૂક અને ચહેરાના લક્ષણો રેકોર્ડ કરવા માટે કાર્ટૂન જેવી વિડિઓ છબીઓનો ઉપયોગ કર્યો, અને ડીપ લર્નિંગ મોડેલોનો ઉપયોગ કરીને અસામાન્ય મોડેલોનું વધુ વિશ્લેષણ કર્યું જેથી જન્મજાત મોતિયા, જન્મજાત પીટોસિસ અને જન્મજાત ગ્લુકોમા સહિત 16 આંખના રોગોને સફળતાપૂર્વક ઓળખી શકાય, જેની સરેરાશ સ્ક્રીનીંગ ચોકસાઈ 85% થી વધુ છે. આ શિશુના દ્રશ્ય કાર્ય ક્ષતિ અને સંબંધિત આંખના રોગોની મોટા પાયે પ્રારંભિક સ્ક્રીનીંગ માટે અસરકારક અને લોકપ્રિય બનાવવા માટે સરળ તકનીકી માધ્યમો પૂરા પાડે છે.

વર્ષના અંતે, નેચર મેડિસિને વિશ્વભરની 10 થી વધુ તબીબી અને સંશોધન સંસ્થાઓ દ્વારા કરવામાં આવેલા કાર્યનો અહેવાલ આપ્યો, જેમાં શાંઘાઈ ઇન્સ્ટિટ્યૂટ ઓફ પેન્ક્રિએટિક ડિસીઝ અને ઝેજિયાંગ યુનિવર્સિટીની ફર્સ્ટ એફિલિએટેડ હોસ્પિટલનો સમાવેશ થાય છે. લેખકે શારીરિક તપાસ કેન્દ્રો, હોસ્પિટલો વગેરેમાં એસિમ્પટમેટિક લોકોના સ્વાદુપિંડના કેન્સર સ્ક્રીનીંગમાં AI નો ઉપયોગ કર્યો, જેથી સાદા સ્કેન CT છબીઓમાં જખમના લક્ષણો શોધી શકાય જે ફક્ત નરી આંખે શોધી કાઢવા મુશ્કેલ છે, જેથી સ્વાદુપિંડના કેન્સરની કાર્યક્ષમ અને બિન-આક્રમક પ્રારંભિક તપાસ પ્રાપ્ત કરી શકાય. 20,000 થી વધુ દર્દીઓના ડેટાની સમીક્ષા કરીને, મોડેલે ક્લિનિકલી ચૂકી ગયેલા જખમના 31 કેસ પણ ઓળખ્યા, જેણે ક્લિનિકલ પરિણામોમાં નોંધપાત્ર સુધારો કર્યો.

તબીબી ડેટાની વહેંચણી

2023 માં, વિશ્વભરમાં ઘણી વધુ સંપૂર્ણ ડેટા શેરિંગ પદ્ધતિઓ અને સફળ કિસ્સાઓ ઉભરી આવ્યા છે, જે ડેટા ગોપનીયતા અને સુરક્ષાના રક્ષણના આધાર હેઠળ બહુ-કેન્દ્ર સહયોગ અને ડેટા ખુલ્લાપણાને સુનિશ્ચિત કરે છે.

સૌપ્રથમ, AI ટેકનોલોજીની મદદથી, AI સંશોધકોએ તબીબી ડેટાના શેરિંગમાં યોગદાન આપ્યું છે. યુનાઇટેડ સ્ટેટ્સમાં રુટગર્સ યુનિવર્સિટીના ક્વિ ચાંગ અને અન્ય લોકોએ નેચર કોમ્યુનિકેશન્સમાં એક લેખ પ્રકાશિત કર્યો, જેમાં વિતરિત કૃત્રિમ વિરોધી નેટવર્ક્સ પર આધારિત ફેડરલ લર્નિંગ ફ્રેમવર્ક DSL નો પ્રસ્તાવ મૂકવામાં આવ્યો, જે મલ્ટી-સેન્ટર્સના ચોક્કસ જનરેટ કરેલા ડેટાને તાલીમ આપવા માટે જનરેટિવ AI નો ઉપયોગ કરે છે, અને પછી મલ્ટી-સેન્ટર્સના વાસ્તવિક ડેટાને જનરેટ કરેલા ડેટા સાથે બદલે છે. ડેટા ગોપનીયતાનું રક્ષણ કરતી વખતે મલ્ટીસેન્ટર મોટા ડેટા પર આધારિત AI તાલીમ સુનિશ્ચિત કરો. તે જ ટીમ જનરેટ થયેલ પેથોલોજીકલ છબીઓ અને તેમના અનુરૂપ ટીકાઓના ડેટાસેટને પણ ઓપન-સોર્સ કરે છે. જનરેટ થયેલ ડેટા સેટ પર તાલીમ પામેલ સેગમેન્ટેશન મોડેલ વાસ્તવિક ડેટા જેવા જ પરિણામો પ્રાપ્ત કરી શકે છે.

સિંઘુઆ યુનિવર્સિટીના દાઈ કિઓનઘાઈની ટીમે npj ડિજિટલ હેલ્થ પર એક પેપર પ્રકાશિત કર્યું, જેમાં રિલે લર્નિંગનો પ્રસ્તાવ મૂકવામાં આવ્યો, જે સ્થાનિક ડેટા સાર્વભૌમત્વ અને કોઈ ક્રોસ-સાઇટ નેટવર્ક કનેક્શનના આધારે AI મોડેલોને તાલીમ આપવા માટે મલ્ટી-સાઇટ બિગ ડેટાનો ઉપયોગ કરે છે. તે AI પ્રદર્શનના અનુસંધાન સાથે ડેટા સુરક્ષા અને ગોપનીયતાની ચિંતાઓને સંતુલિત કરે છે. આ જ ટીમે ત્યારબાદ ગુઆંગઝુ મેડિકલ યુનિવર્સિટીની ફર્સ્ટ એફિલિએટેડ હોસ્પિટલ અને દેશભરની 24 હોસ્પિટલોના સહયોગથી ફેડરલ લર્નિંગ પર આધારિત છાતી CT પેન-મેડિયાસ્ટિનલ ટ્યુમર નિદાન સિસ્ટમ, CAIMEN, સંયુક્ત રીતે વિકસાવી અને માન્ય કરી. 12 સામાન્ય મેડિયાસ્ટિનલ ટ્યુમર પર લાગુ કરી શકાય તેવી આ સિસ્ટમે એકલા ઉપયોગ કરતાં એકલા ઉપયોગ કરતાં 44.9 ટકા વધુ સારી ચોકસાઈ પ્રાપ્ત કરી, અને જ્યારે માનવ નિષ્ણાતો દ્વારા તેની સહાય લેવામાં આવી ત્યારે 19 ટકા વધુ સારી નિદાન ચોકસાઈ પ્રાપ્ત કરી.

બીજી તરફ, સુરક્ષિત, વૈશ્વિક, મોટા પાયે મેડિકલ ડેટા સેટ બનાવવા માટે ઘણી પહેલો ચાલી રહી છે. નવેમ્બર 2023 માં, હાર્વર્ડ મેડિકલ સ્કૂલના બાયોમેડિકલ ઇન્ફોર્મેટિક્સ વિભાગના ઓગસ્ટિના સેન્ઝ અને અન્ય લોકોએ લેન્સેટ ડિજિટલ હેલ્થમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ડેટા ફોર ઓલ હેલ્થકેર (MAIDA) નામના મેડિકલ ઇમેજ ડેટા શેર કરવા માટે એક વૈશ્વિક માળખું ઓનલાઇન પ્રકાશિત કર્યું. તેઓ ડેટા શેરિંગને પ્રમાણિત કરવા માટે યુએસ ફેડરલ ડેમોન્સ્ટ્રેશન પાર્ટનર (FDP) ટેમ્પ્લેટનો ઉપયોગ કરીને ડેટા સંગ્રહ અને ઓળખ રદ કરવા પર વ્યાપક માર્ગદર્શન પૂરું પાડવા માટે વિશ્વભરની આરોગ્યસંભાળ સંસ્થાઓ સાથે કામ કરી રહ્યા છે. તેઓ વિશ્વભરના વિવિધ પ્રદેશો અને ક્લિનિકલ સેટિંગ્સમાં એકત્રિત ડેટા સેટ ધીમે ધીમે રિલીઝ કરવાની યોજના ધરાવે છે. પ્રથમ ડેટાસેટ 2024 ની શરૂઆતમાં રિલીઝ થવાની ધારણા છે, ભાગીદારી વિસ્તરતાની સાથે વધુ આવશે. આ પ્રોજેક્ટ જાહેરમાં ઉપલબ્ધ AI ડેટાનો વૈશ્વિક, મોટા પાયે અને વૈવિધ્યસભર સેટ બનાવવાનો એક મહત્વપૂર્ણ પ્રયાસ છે.

આ દરખાસ્તના પગલે, યુકે બાયોબેંકે એક ઉદાહરણ બેસાડ્યું છે. યુકે બાયોબેંકે 30 નવેમ્બરના રોજ તેના 500,000 સહભાગીઓના સંપૂર્ણ જીનોમ સિક્વન્સિંગમાંથી નવો ડેટા બહાર પાડ્યો. 500,000 બ્રિટિશ સ્વયંસેવકોમાંથી દરેકના સંપૂર્ણ જીનોમ સિક્વન્સ પ્રકાશિત કરતો ડેટાબેઝ વિશ્વનો સૌથી મોટો સંપૂર્ણ માનવ જીનોમ ડેટાબેઝ છે. વિશ્વભરના સંશોધકો આ ઓળખ ન કરાયેલ ડેટાની ઍક્સેસની વિનંતી કરી શકે છે અને તેનો ઉપયોગ આરોગ્ય અને રોગના આનુવંશિક આધારની તપાસ કરવા માટે કરી શકે છે. ભૂતકાળમાં ચકાસણી માટે આનુવંશિક ડેટા હંમેશા ખૂબ જ સંવેદનશીલ રહ્યો છે, અને યુકે બાયોબેંકની આ ઐતિહાસિક સિદ્ધિ સાબિત કરે છે કે ખુલ્લા, ગોપનીયતા-મુક્ત વૈશ્વિક મોટા પાયે ડેટાબેઝ બનાવવાનું શક્ય છે. આ ટેકનોલોજી અને ડેટાબેઝ સાથે, તબીબી AI આગામી છલાંગમાં પ્રવેશ કરશે.

મેડિકલ એઆઈનું ચકાસણી અને મૂલ્યાંકન

મેડિકલ AI ટેકનોલોજીના ઝડપી વિકાસની તુલનામાં, મેડિકલ AI ની ચકાસણી અને મૂલ્યાંકનનો વિકાસ થોડો ધીમો છે. સામાન્ય AI ક્ષેત્રમાં માન્યતા અને મૂલ્યાંકન ઘણીવાર ક્લિનિશિયનો અને દર્દીઓની AI માટેની વાસ્તવિક જરૂરિયાતોને અવગણે છે. પરંપરાગત રેન્ડમાઇઝ્ડ કંટ્રોલ્ડ ક્લિનિકલ ટ્રાયલ AI ટૂલ્સના ઝડપી પુનરાવર્તન સાથે મેળ ખાવા માટે ખૂબ જ કપરું છે. મેડિકલ AI ટૂલ્સ માટે યોગ્ય ચકાસણી અને મૂલ્યાંકન સિસ્ટમને શક્ય તેટલી વહેલી તકે સુધારવા એ મેડિકલ AI ને ક્લિનિકલ લેન્ડિંગમાં ખરેખર છલાંગ લગાવવા માટે પ્રોત્સાહન આપવા માટે સૌથી મહત્વપૂર્ણ બાબત છે.

નેચરમાં પ્રકાશિત થયેલા મેડ-પાએલએમ પરના ગૂગલના સંશોધન પત્રમાં, ટીમે મલ્ટિમેડક્યુએ મૂલ્યાંકન બેન્ચમાર્ક પણ પ્રકાશિત કર્યો, જેનો ઉપયોગ ક્લિનિકલ જ્ઞાન પ્રાપ્ત કરવા માટે મોટા ભાષા મોડેલોની ક્ષમતાનું મૂલ્યાંકન કરવા માટે થાય છે. આ બેન્ચમાર્ક છ હાલના વ્યાવસાયિક તબીબી પ્રશ્ન અને જવાબ ડેટાસેટ્સનું સંયોજન કરે છે, જેમાં વ્યાવસાયિક તબીબી જ્ઞાન, સંશોધન અને અન્ય પાસાઓને આવરી લેવામાં આવે છે, તેમજ ઓનલાઈન શોધ તબીબી પ્રશ્ન ડેટાબેઝ ડેટાસેટ, ડૉક્ટર-દર્દી ઓનલાઈન પ્રશ્ન અને જવાબને ધ્યાનમાં લેતા, ઘણા પાસાઓથી AI ને લાયક ડૉક્ટર બનાવવાનો પ્રયાસ કરે છે. આ ઉપરાંત, ટીમ માનવ મૂલ્યાંકન પર આધારિત એક માળખું પ્રસ્તાવિત કરે છે જે હકીકત, સમજણ, તર્ક અને સંભવિત પૂર્વગ્રહના બહુવિધ પરિમાણોને ધ્યાનમાં લે છે. આ વર્ષે પ્રકાશિત આરોગ્યસંભાળમાં AIનું મૂલ્યાંકન કરવા માટે આ સૌથી પ્રતિનિધિ સંશોધન પ્રયાસોમાંનો એક છે.

જોકે, શું મોટા ભાષા મોડેલો ઉચ્ચ સ્તરનું એન્કોડિંગ ક્લિનિકલ જ્ઞાન દર્શાવે છે તેનો અર્થ એ છે કે મોટા ભાષા મોડેલો વાસ્તવિક દુનિયાના ક્લિનિકલ કાર્યો માટે સક્ષમ છે? જેમ એક તબીબી વિદ્યાર્થી જે સંપૂર્ણ સ્કોર સાથે વ્યાવસાયિક ચિકિત્સક પરીક્ષા પાસ કરે છે તે હજુ પણ એકલા મુખ્ય ચિકિત્સકથી દૂર છે, તેવી જ રીતે Google દ્વારા પ્રસ્તાવિત મૂલ્યાંકન માપદંડ AI મોડેલો માટે તબીબી AI મૂલ્યાંકન વિષયનો સંપૂર્ણ જવાબ ન પણ હોઈ શકે. 2021 અને 2022 ની શરૂઆતમાં, સંશોધકોએ Decid-AI, SPIRIT-AI અને INTRPRT જેવા રિપોર્ટિંગ માર્ગદર્શિકા પ્રસ્તાવિત કર્યા છે, જે ક્લિનિકલ વ્યવહારિકતા, સલામતી, માનવ પરિબળો અને પારદર્શિતા/અર્થઘટનક્ષમતા જેવા પરિબળોને ધ્યાનમાં લેવાની શરતે તબીબી AI ના પ્રારંભિક વિકાસ અને માન્યતાને માર્ગદર્શન આપવાની આશા રાખે છે. તાજેતરમાં જ, જર્નલ નેચર મેડિસિન એ ઓક્સફોર્ડ યુનિવર્સિટી અને સ્ટેનફોર્ડ યુનિવર્સિટીના સંશોધકો દ્વારા "બાહ્ય માન્યતા" અથવા "રિકરિંગ સ્થાનિક માન્યતા" નો ઉપયોગ કરવો કે નહીં તે અંગે એક અભ્યાસ પ્રકાશિત કર્યો. "AI સાધનોને માન્ય કરવા માટે."

AI ટૂલ્સની નિષ્પક્ષ પ્રકૃતિ પણ એક મહત્વપૂર્ણ મૂલ્યાંકન દિશા છે જેને આ વર્ષે વિજ્ઞાન અને NEJM બંને લેખો તરફથી ધ્યાન ખેંચાયું છે. AI ઘણીવાર પૂર્વગ્રહ દર્શાવે છે કારણ કે તે તાલીમ ડેટા સુધી મર્યાદિત છે. આ પૂર્વગ્રહ સામાજિક અસમાનતાને પ્રતિબિંબિત કરી શકે છે, જે આગળ અલ્ગોરિધમિક ભેદભાવમાં વિકસિત થાય છે. નેશનલ ઇન્સ્ટિટ્યૂટ ઑફ હેલ્થે તાજેતરમાં Bridge2AI પહેલ શરૂ કરી હતી, જેનો અંદાજ $130 મિલિયનનો છે, જેથી વિવિધ ડેટાસેટ્સ (ઉપર ઉલ્લેખિત MAIDA પહેલના ધ્યેયો અનુસાર) બનાવવામાં આવે જેનો ઉપયોગ તબીબી AI ટૂલ્સની નિષ્પક્ષતાને માન્ય કરવા માટે થઈ શકે. આ પાસાઓ MultiMedQA દ્વારા ધ્યાનમાં લેવામાં આવતા નથી. તબીબી AI મોડેલોને કેવી રીતે માપવા અને માન્ય કરવા તે પ્રશ્ન પર હજુ પણ વ્યાપક અને ઊંડાણપૂર્વક ચર્ચાની જરૂર છે.

જાન્યુઆરીમાં, નેચર મેડિસિને યુનિવર્સિટી ઓફ ટેક્સાસના એમડી એન્ડરસન કેન્સર સેન્ટરના વિવેક સુબ્બિયા દ્વારા "ધ નેક્સ્ટ જનરેશન ઓફ એવિડન્સ-બેઝ્ડ મેડિસિન" નામનો એક અભિપ્રાય લેખ પ્રકાશિત કર્યો, જેમાં કોવિડ-19 રોગચાળાના સંદર્ભમાં ખુલ્લી પડેલી ક્લિનિકલ ટ્રાયલ્સની મર્યાદાઓની સમીક્ષા કરવામાં આવી હતી અને નવીનતા અને ક્લિનિકલ સંશોધન પ્રક્રિયાના પાલન વચ્ચેના વિરોધાભાસ તરફ ધ્યાન દોરવામાં આવ્યું હતું. અંતે, તે ક્લિનિકલ ટ્રાયલ્સના પુનર્ગઠનના ભવિષ્ય તરફ નિર્દેશ કરે છે - કૃત્રિમ બુદ્ધિનો ઉપયોગ કરીને ક્લિનિકલ ટ્રાયલ્સની આગામી પેઢી, એટલે કે, મુખ્ય પુરાવા શોધવા માટે મોટી સંખ્યામાં ઐતિહાસિક સંશોધન ડેટા, વાસ્તવિક દુનિયાના ડેટા, મલ્ટી-મોડલ ક્લિનિકલ ડેટા, પહેરી શકાય તેવા ઉપકરણ ડેટામાંથી કૃત્રિમ બુદ્ધિનો ઉપયોગ. શું આનો અર્થ એ છે કે AI ટેકનોલોજી અને AI ક્લિનિકલ માન્યતા પ્રક્રિયાઓ ભવિષ્યમાં પરસ્પર મજબૂત અને સહ-વિકસિત થઈ શકે છે? આ 2023 નો ખુલ્લો અને વિચાર-પ્રેરક પ્રશ્ન છે.

મેડિકલ એઆઈનું નિયમન

AI ટેકનોલોજીની પ્રગતિ AI ના નિયમન માટે પણ પડકારો ઉભા કરે છે, અને વિશ્વભરના નીતિ નિર્માતાઓ કાળજીપૂર્વક અને કાળજીપૂર્વક પ્રતિક્રિયા આપી રહ્યા છે. 2019 માં, FDA એ સૌપ્રથમ કૃત્રિમ બુદ્ધિ તબીબી ઉપકરણોમાં સોફ્ટવેર ફેરફારો માટે પ્રસ્તાવિત નિયમનકારી માળખું (ચર્ચા ડ્રાફ્ટ) પ્રકાશિત કર્યું, જેમાં AI અને મશીન લર્નિંગ-આધારિત સોફ્ટવેર ફેરફારોની પ્રીમાર્કેટ સમીક્ષા માટેના તેના સંભવિત અભિગમની વિગતો આપવામાં આવી હતી. 2021 માં, FDA એ "આર્ટિફિશિયલ ઇન્ટેલિજન્સ/મશીન લર્નિંગ-આધારિત સોફ્ટવેર એઝ અ મેડિકલ ડિવાઇસ એક્શન પ્લાન" પ્રસ્તાવ મૂક્યો, જેમાં પાંચ ચોક્કસ AI મેડિકલ નિયમનકારી પગલાં સ્પષ્ટ કરવામાં આવ્યા હતા. આ વર્ષે, FDA એ ઉપકરણ સોફ્ટવેર સુવિધાઓની સલામતી અને અસરકારકતાના FDA ના મૂલ્યાંકન માટે પ્રીમાર્કેટ સબમિશન ભલામણો પર માહિતી પ્રદાન કરવા માટે ઉપકરણ સોફ્ટવેર સુવિધાઓ માટે પ્રીમાર્કેટ સબમિશન ફરીથી જારી કર્યું, જેમાં મશીન લર્નિંગ પદ્ધતિઓ દ્વારા તાલીમ પામેલા મશીન લર્નિંગ મોડેલોનો ઉપયોગ કરતી કેટલીક સોફ્ટવેર ઉપકરણ સુવિધાઓનો સમાવેશ થાય છે. FDA ની નિયમનકારી નીતિ પ્રારંભિક દરખાસ્તથી વ્યવહારુ માર્ગદર્શન સુધી વિકસિત થઈ છે.

ગયા વર્ષે જુલાઈમાં યુરોપિયન હેલ્થ ડેટા સ્પેસના પ્રકાશન પછી, EU એ ફરી એકવાર આર્ટિફિશિયલ ઇન્ટેલિજન્સ એક્ટ લાગુ કર્યો છે. પહેલાનો હેતુ ઉચ્ચ ગુણવત્તાવાળી આરોગ્યસંભાળ પૂરી પાડવા, અસમાનતા ઘટાડવા અને નિવારણ, નિદાન, સારવાર, વૈજ્ઞાનિક નવીનતા, નિર્ણય લેવા અને કાયદા માટે ડેટાને ટેકો આપવા માટે આરોગ્ય ડેટાનો શ્રેષ્ઠ ઉપયોગ કરવાનો છે, જ્યારે EU નાગરિકોને તેમના વ્યક્તિગત આરોગ્ય ડેટા પર વધુ નિયંત્રણ મળે તે સુનિશ્ચિત કરવાનો છે. બાદમાં સ્પષ્ટ કરે છે કે તબીબી નિદાન સિસ્ટમ એક ઉચ્ચ-જોખમવાળી AI સિસ્ટમ છે, અને તેને લક્ષિત મજબૂત દેખરેખ, સંપૂર્ણ જીવન ચક્ર દેખરેખ અને પૂર્વ-મૂલ્યાંકન દેખરેખ અપનાવવાની જરૂર છે. યુરોપિયન મેડિસિન એજન્સી (EMA) એ દવાના વિકાસ, નિયમન અને ઉપયોગને ટેકો આપવા માટે AI ના ઉપયોગ પર એક ડ્રાફ્ટ રિફ્લેક્શન પેપર પ્રકાશિત કર્યું છે, જેમાં દર્દીની સલામતી અને ક્લિનિકલ સંશોધન પરિણામોની અખંડિતતા સુનિશ્ચિત કરવા માટે AI ની વિશ્વસનીયતા સુધારવા પર ભાર મૂકવામાં આવ્યો છે. એકંદરે, EU નો નિયમનકારી અભિગમ ધીમે ધીમે આકાર લઈ રહ્યો છે, અને અંતિમ અમલીકરણ વિગતો વધુ વિગતવાર અને કડક હોઈ શકે છે. EU ના કડક નિયમનથી તદ્દન વિપરીત, યુકેનો AI નિયમનકારી બ્લુપ્રિન્ટ સ્પષ્ટ કરે છે કે સરકાર નરમ વલણ અપનાવવાની અને હાલમાં નવા બિલો લાગુ ન કરવાની કે નવા નિયમનકારોની સ્થાપના ન કરવાની યોજના ધરાવે છે.

ચીનમાં, નેશનલ મેડિકલ પ્રોડક્ટ્સ એડમિનિસ્ટ્રેશનના મેડિકલ ડિવાઇસ ટેકનિકલ રિવ્યૂ સેન્ટર (NMPA) એ અગાઉ "ડીપ લર્નિંગ આસિસ્ટેડ ડિસિઝન સોફ્ટવેરના રિવ્યૂ પોઈન્ટ્સ", "આર્ટિફિશિયલ ઇન્ટેલિજન્સ મેડિકલ ડિવાઇસીસની નોંધણી સમીક્ષા માટે માર્ગદર્શક સિદ્ધાંતો (ટિપ્પણી માટેનો ડ્રાફ્ટ)" અને "આર્ટિફિશિયલ ઇન્ટેલિજન્સ મેડિકલ સોફ્ટવેર પ્રોડક્ટ્સના વર્ગીકરણ અને વ્યાખ્યા માટે માર્ગદર્શક સિદ્ધાંતો પર પરિપત્ર (2021 માં નંબર 47)" જેવા દસ્તાવેજો જારી કર્યા છે. આ વર્ષે, "2023 માં પ્રથમ તબીબી ઉપકરણ ઉત્પાદન વર્ગીકરણ પરિણામોનો સારાંશ" ફરીથી પ્રકાશિત કરવામાં આવ્યો. દસ્તાવેજોની આ શ્રેણી કૃત્રિમ બુદ્ધિ તબીબી સોફ્ટવેર ઉત્પાદનોની વ્યાખ્યા, વર્ગીકરણ અને નિયમનને સ્પષ્ટ અને સંચાલનમાં સરળ બનાવે છે, અને ઉદ્યોગમાં વિવિધ સાહસોની ઉત્પાદન સ્થિતિ અને નોંધણી વ્યૂહરચના માટે સ્પષ્ટ માર્ગદર્શન પૂરું પાડે છે. આ દસ્તાવેજો AI તબીબી ઉપકરણોના વૈજ્ઞાનિક નિયમન માટે એક માળખું અને વ્યવસ્થાપન નિર્ણયો પ્રદાન કરે છે. 21 થી 23 ડિસેમ્બર દરમિયાન હાંગઝોઉમાં યોજાનારી ચાઇના મેડિકલ આર્ટિફિશિયલ ઇન્ટેલિજન્સ કોન્ફરન્સના એજન્ડામાં ડિજિટલ મેડિકલ ગવર્નન્સ અને જાહેર હોસ્પિટલોના ઉચ્ચ-ગુણવત્તાવાળા વિકાસ અને કૃત્રિમ બુદ્ધિ તબીબી ઉપકરણ પરીક્ષણ અને મૂલ્યાંકન ટેકનોલોજી માનકીકરણ ઉદ્યોગ વિકાસ મંચ પર એક વિશેષ મંચની સ્થાપના કરવામાં આવે તે જોવા યોગ્ય છે. તે સમયે, રાષ્ટ્રીય વિકાસ અને સુધારણા આયોગ અને NMPA ના અધિકારીઓ બેઠકમાં હાજરી આપશે અને નવી માહિતી જાહેર કરી શકે છે.

નિષ્કર્ષ

2023 માં, મેડિકલ AI એ સમગ્ર મેડિકલ અપસ્ટ્રીમ અને ડાઉનસ્ટ્રીમ પ્રક્રિયામાં એકીકૃત થવાનું શરૂ કર્યું છે, જેમાં હોસ્પિટલ ડેટા કલેક્શન, ફ્યુઝન, વિશ્લેષણ, નિદાન અને સારવાર અને સમુદાય સ્ક્રીનીંગનો સમાવેશ થાય છે, અને મેડિકલ/રોગ નિયંત્રણ કાર્યકરો સાથે ઓર્ગેનિક રીતે સહયોગ કરે છે, જે માનવ સ્વાસ્થ્યમાં સુખાકારી લાવવાની ક્ષમતા દર્શાવે છે. ઉપયોગી મેડિકલ AI સંશોધન શરૂ થઈ રહ્યું છે. ભવિષ્યમાં, મેડિકલ AI ની પ્રગતિ ફક્ત ટેકનોલોજીકલ વિકાસ પર જ આધારિત નથી, પરંતુ તેને ઉદ્યોગ, યુનિવર્સિટી અને મેડિકલ સંશોધનના સંપૂર્ણ સહયોગ અને નીતિ નિર્માતાઓ અને નિયમનકારોના સમર્થનની પણ જરૂર છે. આ ક્રોસ-ડોમેન સહયોગ AI-સંકલિત તબીબી સેવાઓ પ્રાપ્ત કરવાની ચાવી છે, અને ચોક્કસપણે માનવ સ્વાસ્થ્યના વિકાસને પ્રોત્સાહન આપશે.