חֲדָשׁוֹת

מאז ש-IBM Watson החלה את פעילותה בשנת 2007, בני האדם חתרו ללא הרף לפיתוח בינה מלאכותית רפואית (AI). למערכת בינה מלאכותית רפואית שמישה וחזקה יש פוטנציאל עצום לעצב מחדש את כל היבטי הרפואה המודרנית, לאפשר טיפול חכם, מדויק, יעיל ומכיל יותר, להביא לרווחה לעובדים רפואיים ולמטופלים, ובכך לשפר מאוד את בריאות האדם. ב-16 השנים האחרונות, למרות שחוקרי בינה מלאכותית רפואית הצטברו בתחומים קטנים שונים, בשלב זה הם עדיין לא הצליחו להפוך את המדע הבדיוני למציאות.

השנה, עם הפיתוח המהפכני של טכנולוגיית בינה מלאכותית כמו ChatGPT, בינה מלאכותית רפואית עשתה התקדמות רבה במובנים רבים. פריצת דרך חסרת תקדים ביכולתה של בינה מלאכותית רפואית: כתב העת Nature השיק באופן רציף את המחקר של מודל שפה רפואית גדולה ומודל בסיסי של תמונה רפואית; גוגל משחררת את Med-PaLM ואת יורשו, והגיעה לרמת מומחה בשאלות לבחינות רופאים בארה"ב. כתבי עת אקדמיים מרכזיים יתמקדו בבינה מלאכותית רפואית: Nature מפרסמת את התחזית למודל הבסיסי של בינה מלאכותית רפואית כללית; בעקבות סדרת סקירות של בינה מלאכותית ברפואה מוקדם יותר השנה, כתב העת הרפואי של ניו אינגלנד (NEJM) פרסם את סקירת הבריאות הדיגיטלית הראשונה שלו ב-30 בנובמבר, והשיק את הגיליון הראשון של תת-כתב העת NEJM NEJM AI ב-12 בדצמבר. קרקע הנחיתה של בינה מלאכותית רפואית התבגרה עוד יותר: תת-כתב העת JAMA פרסם את יוזמת שיתוף נתוני תמונה רפואית עולמית; מנהל המזון והתרופות האמריקאי (FDA) מפתח טיוטת הנחיות לרגולציה של בינה מלאכותית רפואית.

להלן, נסקור את ההתקדמות המשמעותית שעשו חוקרים ברחבי העולם בכיוון של בינה מלאכותית רפואית שמישה בשנת 2023.

מודל בסיסי של בינה מלאכותית רפואית

בניית מודל בסיסי של בינה מלאכותית רפואית היא ללא ספק מוקד המחקר החם ביותר של השנה. כתבי העת Nature פרסמו מאמרי סקירה על מודל הבסיס האוניברסלי של שירותי בריאות ועל מודל השפה הגדולה של שירותי בריאות במהלך השנה. Medical Image Analysis, כתב העת המוביל בתעשייה, סקר וצפה לאתגרים ולהזדמנויות של מחקר מודלים בסיסיים בניתוח תמונה רפואי, והציע את המושג "יוחסין של מודל בסיסי" כדי לסכם ולהנחות את פיתוח מחקר המודלים הבסיסיים של בינה מלאכותית רפואית. עתידם של מודלים בסיסיים של בינה מלאכותית בתחום הבריאות מתבהר. בהסתמך על דוגמאות מוצלחות של מודלים בשפה גדולה כמו ChatGPT, תוך שימוש בשיטות אימון מקדים מתקדמות יותר בפיקוח עצמי וצבירה עצומה של נתוני אימון, חוקרים בתחום הבינה המלאכותית הרפואית מנסים לבנות 1) מודלים בסיסיים ספציפיים למחלה, 2) מודלים בסיסיים כלליים, ו-3) מודלים גדולים רב-מודאליים המשלבים מגוון רחב של מצבים עם פרמטרים עצומים ויכולות מעולות.

מודל בינה מלאכותית לאיסוף נתונים רפואיים

בנוסף למודלים הגדולים של בינה מלאכותית אשר ממלאים תפקיד חשוב במשימות ניתוח נתונים קליניים במורד הזרם, ברכישת נתונים קליניים במעלה הזרם, צצה גם הטכנולוגיה המיוצגת על ידי מודלים גנרטיביים של בינה מלאכותית. ניתן לשפר משמעותית את התהליך, המהירות ואיכות רכישת הנתונים באמצעות אלגוריתמים של בינה מלאכותית.

מוקדם יותר השנה, פרסמה Nature Biomedical Engineering מחקר מאוניברסיטת סטרייטס בטורקיה שהתמקד בשימוש בבינה מלאכותית גנרטיבית כדי לפתור את בעיית האבחון הפתולוגי בסיוע תמונה ביישומים קליניים. ממצאים ברקמת חתך קפוא במהלך ניתוח מהווים מכשול להערכה אבחנתית מהירה. למרות שרקמה משובצת בפורמלין ופרפין (FFPE) מספקת דגימה באיכות גבוהה יותר, תהליך הייצור שלה גוזל זמן רב ולעתים קרובות אורך 12-48 שעות, מה שהופך אותה ללא מתאימה לשימוש בניתוח. לכן, צוות המחקר הציע אלגוריתם בשם AI-FFPE, שיכול לגרום למראה הרקמה בחתך הקפוא להיות דומה ל-FFPE. האלגוריתם תיקן בהצלחה את הממצאים של החתכים הקפואים, שיפר את איכות התמונה ושמר על התכונות הרלוונטיות קלינית בו זמנית. באימות קליני, אלגוריתם AI-FFPE משפר משמעותית את דיוק האבחון של פתולוגים עבור תת-סוגי גידולים, תוך קיצור משמעותי של זמן האבחון הקליני.

Cell Reports Medicine מדווחת על עבודת מחקר של צוות מהמכללה הקלינית השלישית של אוניברסיטת ג'ילין, המחלקה לרדיולוגיה, בית החולים ג'ונגשאן המסונף לאוניברסיטת פודאן, ואוניברסיטת שנגחאי למדע וטכנולוגיה [25]. מחקר זה מציע מסגרת מיזוג של למידה עמוקה ושחזור איטרטיבי לשימוש כללי (Hybrid DL-IR) עם גמישות ורבגוניות גבוהה, המציגה ביצועי שחזור תמונה מצוינים ב-MRI מהיר, CT במינון נמוך ו-PET מהיר. האלגוריתם יכול להשיג סריקת MR רב-רצפים של איבר בודד ב-100 שניות, להפחית את מינון הקרינה ל-10% בלבד מתמונת ה-CT, ולבטל רעש, ויכול לשחזר נגעים קטנים מצילום PET עם תאוצה פי 2 עד 4, תוך הפחתת השפעת ארטיפקטים בתנועה.

בינה מלאכותית רפואית בשיתוף פעולה עם עובדים רפואיים

ההתפתחות המהירה של בינה מלאכותית רפואית הובילה גם אנשי מקצוע רפואיים לשקול ברצינות ולחקור כיצד לשתף פעולה עם בינה מלאכותית כדי לשפר תהליכים קליניים. ביולי השנה, DeepMind וצוות מחקר רב-מוסדי הציעו במשותף מערכת בינה מלאכותית בשם השהיית זרימת עבודה קלינית מונעת משלימה (CoDoC). תהליך האבחון מאובחן תחילה על ידי מערכת בינה מלאכותית ניבויית, לאחר מכן נשפט על ידי מערכת בינה מלאכותית אחרת על סמך התוצאה הקודמת, ואם יש ספק, האבחון מתבצע לבסוף על ידי קלינאי כדי לשפר את דיוק האבחון ואיזון היעילות. בכל הנוגע לבדיקות סקר לסרטן השד, CoDoC הפחיתה את שיעורי החיוביים השגויים ב-25% עם אותו שיעור שליליים שגויים, תוך הפחתת עומס העבודה של הקלינאים ב-66%, בהשוואה לתהליך "בוררות קריאה כפולה" הנוכחי בבריטניה. מבחינת סיווג שחפת, שיעורי החיוביים השגויים הופחתו ב-5 עד 15 אחוזים עם אותו שיעור שליליים שגויים בהשוואה לבינה מלאכותית עצמאית ולזרימות עבודה קליניות.

באופן דומה, אנני י. נג ועמיתיה, מחברת Kheiron בלונדון, בריטניה, הציגו קוראי בינה מלאכותית נוספים (בשיתוף פעולה עם בודקים אנושיים) כדי לבחון מחדש את התוצאות כאשר לא היו תוצאות "זיכרון" בתהליך הבוררות של הקריאה הכפולה, מה ששיפר את בעיית הגילוי שהוחמץ בבדיקות סקר מוקדמות לסרטן השד, והתהליך כמעט ולא הציג תוצאות חיוביות שגויות. מחקר נוסף, בראשות צוות בבית הספר לרפואה של אוניברסיטת מקגוברן באוניברסיטת טקסס והושלם בארבעה מרכזי שבץ, יישם טכנולוגיית בינה מלאכותית מבוססת טומוגרפיה ממוחשבת אנגיוגרפיה (CTA) כדי להפוך את הגילוי של שבץ איסכמי חסימתי גדול של כלי דם (LVO) לאוטומטי. רופאים ורדיאולוגים מקבלים התראות בזמן אמת בטלפונים הניידים שלהם תוך דקות ספורות ממועד השלמת הדמיית ה-CT, המודיעות להם על נוכחות אפשרית של LVO. תהליך בינה מלאכותית זה משפר את זרימות העבודה בבית החולים עבור שבץ איסכמי חריף, מקצר את זמן ההגעה מהדלת למפשעה מהקבלה לטיפול ומספק הזדמנויות להצלה מוצלחת. הממצאים פורסמו ב-JAMA Neurology.

מודל בריאות מבוסס בינה מלאכותית לטובת תועלת אוניברסלית

שנת 2023 תראה גם עבודה טובה רבה המשתמשת בבינה מלאכותית רפואית כדי למצוא מאפיינים שאינם נראים לעין האנושית מנתונים זמינים יותר, מה שיאפשר אבחון אוניברסלי וסינון מוקדם בקנה מידה גדול. בתחילת השנה, פרסמה Nature Medicine מחקרים שבוצעו על ידי מרכז העיניים ג'ונגשאן של אוניברסיטת סון יאט-סן ובית החולים השני המסונף של אוניברסיטת פוג'יאן לרפואה. באמצעות סמארטפונים כמסופי אפליקציה, הם השתמשו בתמונות וידאו דמויות מצוירות כדי לעורר מבט של ילדים ולתעד את התנהגות המבט שלהם ואת תווי הפנים שלהם, וניתחו עוד מודלים חריגים באמצעות מודלים של למידה עמוקה כדי לזהות בהצלחה 16 מחלות עיניים, כולל קטרקט מולד, פטוזיס מולד וגלאוקומה מולד, עם דיוק סינון ממוצע של יותר מ-85%. זה מספק אמצעים טכניים יעילים וקלים לפופולריות לסינון מוקדם בקנה מידה גדול של ליקוי תפקוד ראייה אצל תינוקות ומחלות עיניים קשורות.

בסוף השנה, דיווח Nature Medicine על עבודה שבוצעה על ידי יותר מ-10 מוסדות רפואיים ומחקריים ברחבי העולם, כולל מכון שנגחאי למחלות לבלב ובית החולים המסונף הראשון של אוניברסיטת ג'ג'יאנג. המחבר יישם בינה מלאכותית בבדיקות סקר לסרטן הלבלב של אנשים אסימפטומטיים במרכזי בדיקה גופנית, בתי חולים וכו', כדי לזהות את מאפייני הנגעים בתמונות CT רגילות שקשה לזהות בעין בלתי מזוינת בלבד, על מנת להשיג גילוי מוקדם יעיל ולא פולשני של סרטן הלבלב. בסקירת נתונים מיותר מ-20,000 חולים, המודל זיהה גם 31 מקרים של נגעים שלא זוהו קלינית, מה ששיפר משמעותית את התוצאות הקליניות.

שיתוף נתונים רפואיים

בשנת 2023 צצו ברחבי העולם מנגנוני שיתוף נתונים מושלמים רבים ומקרים מוצלחים, המבטיחים שיתוף פעולה רב-מרכזי ופתיחות נתונים תחת ההנחה של הגנה על פרטיות ואבטחת נתונים.

ראשית, בעזרת טכנולוגיית הבינה המלאכותית עצמה, חוקרי בינה מלאכותית תרמו לשיתוף נתונים רפואיים. צ'י צ'אנג ואחרים מאוניברסיטת ראטגרס בארצות הברית פרסמו מאמר ב-Nature Communications, והציעו מסגרת למידה פדרלית בשם DSL המבוססת על רשתות יריבות סינתטיות מבוזרות, המשתמשת בבינה מלאכותית גנרטיבית כדי לאמן את הנתונים הספציפיים שנוצרו ממרכזים מרובי-מרכזים, ולאחר מכן מחליפה את הנתונים האמיתיים של מרכזים מרובי-מרכזים בנתונים שנוצרו. להבטיח אימון בינה מלאכותית המבוסס על ביג דאטה רב-מרכזי תוך הגנה על פרטיות הנתונים. אותו צוות גם יצר קוד פתוח של מערך נתונים של תמונות פתולוגיות שנוצרו וההערות המתאימות להן. מודל הפילוח שאומן על מערך הנתונים שנוצר יכול להשיג תוצאות דומות לנתונים האמיתיים.

צוותו של דאי צ'יונגהאי מאוניברסיטת צינגהואה פרסם מאמר בנושא npj Digital Health, והציע למידה ממסרית (Relay Learning), המשתמשת בביג דאטה מרובי אתרים כדי לאמן מודלים של בינה מלאכותית תחת ההנחה של ריבונות נתונים מקומית וללא חיבור רשת חוצה אתרים. המערכת מאזנת בין אבטחת נתונים ופרטיות לבין החתירה לביצועים של בינה מלאכותית. אותו צוות פיתח ואימת במשותף את CAIMEN, מערכת לאבחון גידולים כלל-מדיאסטינאליים באמצעות CT חזה המבוססת על למידה פדרלית, בשיתוף פעולה עם בית החולים המסונף הראשון של אוניברסיטת הרפואה גואנגג'ואו ו-24 בתי חולים ברחבי המדינה. המערכת, שניתן ליישם אותה על 12 גידולים נפוצים במדיאסטינאליים, השיגה דיוק טוב יותר של 44.9 אחוזים כאשר נעשה בה שימוש לבדה בהשוואה למומחים אנושיים בלבד, ו-19 אחוזים דיוק אבחון טוב יותר כאשר מומחים אנושיים נעזרו בה.

מצד שני, מספר יוזמות נמצאות בעיצומן לבניית מערכי נתונים רפואיים מאובטחים, גלובליים ורחבי היקף. בנובמבר 2023, אגוסטינה סאנץ ואחרים מהמחלקה לאינפורמטיקה ביו-רפואית בבית הספר לרפואה של הרווארד פרסמו באינטרנט בכתב העת Lancet Digital Health מסגרת עולמית לשיתוף נתוני תמונה רפואיים הנקראת Artificial Intelligence Data for All Healthcare (MAIDA). הם עובדים עם ארגוני בריאות ברחבי העולם כדי לספק הנחיות מקיפות בנוגע לאיסוף נתונים וזיהוי נתונים, תוך שימוש בתבנית של US Federal Demonstration Partner (FDP) כדי לתקנן את שיתוף הנתונים. הם מתכננים לשחרר בהדרגה מערכי נתונים שנאספו באזורים ובמסגרות קליניות שונות ברחבי העולם. מערך הנתונים הראשון צפוי להתפרסם בתחילת 2024, ועוד צפויים להגיע ככל שהשותפות תתרחב. הפרויקט הוא ניסיון חשוב לבנות מערך עולמי, רחב היקף ומגוון של נתוני בינה מלאכותית הזמינים לציבור.

בעקבות ההצעה, בנק הביו הבריטי הציב דוגמה. ב-30 בנובמבר פרסם הבנק נתונים חדשים על ריצוף הגנום המלא של 500,000 משתתפיו. מסד הנתונים, המפרסם את רצף הגנום המלא של כל אחד מ-500,000 המתנדבים הבריטים, הוא מסד הנתונים המלא הגדול ביותר של הגנום האנושי בעולם. חוקרים ברחבי העולם יכולים לבקש גישה לנתונים אנונימיים אלה ולהשתמש בהם כדי לחקור את הבסיס הגנטי של בריאות ומחלות. נתונים גנטיים תמיד היו רגישים מאוד לאימות בעבר, והישג היסטורי זה של בנק הביו הבריטי מוכיח שניתן לבנות מסד נתונים גלובלי רחב היקף, פתוח ונטול פרטיות. בעזרת טכנולוגיה ומסד נתונים אלה, בינה מלאכותית רפואית צפויה לבשר את הקפיצה הבאה.

אימות והערכה של בינה מלאכותית רפואית

בהשוואה להתפתחות המהירה של טכנולוגיית בינה מלאכותית רפואית עצמה, פיתוח האימות וההערכה של בינה מלאכותית רפואית איטי במקצת. אימות והערכה בתחום הבינה המלאכותית הכללי מתעלמים לעתים קרובות מהדרישות האמיתיות של קלינאים ומטופלים לבינה מלאכותית. ניסויים קליניים מבוקרים אקראיים מסורתיים מייגעים מדי מכדי להתאים לאיטרציה המהירה של כלי בינה מלאכותית. שיפור מערכת האימות וההערכה המתאימה לכלי בינה מלאכותית רפואית בהקדם האפשרי הוא הדבר החשוב ביותר לקידום בינה מלאכותית רפואית כדי שתקפיץ באמת את המחקר והפיתוח לנחיתה קלינית.

במאמר המחקר של גוגל בנושא Med-PaLM, שפורסם ב-Nature, פרסם הצוות גם את מדד ההערכה MultiMedQA, המשמש להערכת יכולתם של מודלים בשפה גדולה לרכוש ידע קליני. מדד זה משלב שישה מערכי נתונים קיימים של שאלות ותשובות רפואיות מקצועיות, המכסים ידע רפואי מקצועי, מחקר והיבטים אחרים, כמו גם מערך נתונים מקוון של שאלות ותשובות רפואיות, תוך התחשבות בקשר בין רופא למטופל, בניסיון להכשיר בינה מלאכותית לרופא מוסמך מהיבטים רבים. בנוסף, הצוות מציע מסגרת המבוססת על הערכה אנושית שלוקחת בחשבון ממדים מרובים של עובדות, הבנה, הנמקה והטיה אפשרית. זהו אחד ממאמצי המחקר המייצגים ביותר להערכת בינה מלאכותית בתחום הבריאות שפורסמו השנה.

עם זאת, האם העובדה שמודלים של שפה גדולה מציגים רמה גבוהה של קידוד ידע קליני אומרת שמודלים של שפה גדולה כשירים למשימות קליניות בעולם האמיתי? כשם שסטודנט לרפואה שעובר את בחינת הרופא המקצועי בציון מושלם עדיין רחוק מלהיות רופא ראשי סולו, קריטריוני ההערכה המוצעים על ידי גוגל עשויים לא להיות תשובה מושלמת לנושא הערכת בינה מלאכותית רפואית עבור מודלים של בינה מלאכותית. כבר בשנים 2021 ו-2022, חוקרים הציעו הנחיות דיווח כגון Decid-AI, SPIRIT-AI ו-INTRPRT, בתקווה להנחות את הפיתוח והאימות המוקדמים של בינה מלאכותית רפואית בתנאי של התחשבות בגורמים כגון פרקטיות קלינית, בטיחות, גורמים אנושיים ושקיפות/יכולת פירוש. לאחרונה, כתב העת Nature Medicine פרסם מחקר של חוקרים מאוניברסיטת אוקספורד וסטנפורד בנושא האם להשתמש ב"אימות חיצוני" או "אימות מקומי חוזר" כדי לאמת כלי בינה מלאכותית.

האופי האובייקטיבי של כלי בינה מלאכותית הוא גם כיוון הערכה חשוב שזכה לתשומת לב השנה הן במאמרים ב-Science והן במאמרים ב-NEJM. בינה מלאכותית מפגינה לעתים קרובות הטיה משום שהיא מוגבלת לנתוני אימון. הטיה זו עשויה לשקף אי שוויון חברתי, שמתפתח עוד יותר לאפליה אלגוריתמית. המכונים הלאומיים לבריאות השיקו לאחרונה את יוזמת Bridge2AI, שעלותה מוערכת ב-130 מיליון דולר, לבניית מערכי נתונים מגוונים (בהתאם למטרות יוזמת MAIDA שהוזכרו לעיל) בהם ניתן להשתמש כדי לאמת את חוסר ההטיה של כלי בינה מלאכותית רפואית. היבטים אלה אינם נלקחים בחשבון על ידי MultiMedQA. השאלה כיצד למדוד ולאמת מודלים של בינה מלאכותית רפואית עדיין זקוקה לדיון נרחב ומעמיק.

בינואר, פרסם כתב העת Nature Medicine מאמר דעה בשם "הדור הבא של רפואה מבוססת ראיות" מאת ויווק סוביה ממרכז הסרטן MD Anderson באוניברסיטת טקסס, שסקר את המגבלות של ניסויים קליניים שנחשפו בהקשר של מגפת הקורונה ומצביע על הסתירה בין חדשנות לבין היצמדות לתהליך המחקר הקליני. לבסוף, הוא מצביע על עתיד של ארגון מחדש של ניסויים קליניים - הדור הבא של ניסויים קליניים המשתמשים בבינה מלאכותית, כלומר, שימוש בבינה מלאכותית ממספר רב של נתוני מחקר היסטוריים, נתונים מהעולם האמיתי, נתונים קליניים רב-מודאליים ונתוני מכשירים לבישים כדי למצוא ראיות מרכזיות. האם פירוש הדבר שטכנולוגיית בינה מלאכותית ותהליכי אימות קליניים של בינה מלאכותית עשויים לחזק זה את זה ולהתפתח במקביל בעתיד? זוהי השאלה הפתוחה והמעוררת מחשבה של 2023.

רגולציה של בינה מלאכותית רפואית

התקדמות טכנולוגיית הבינה המלאכותית מציבה אתגרים גם בפני הרגולציה של הבינה המלאכותית, וקובעי מדיניות ברחבי העולם מגיבים בזהירות ובזהירות. בשנת 2019, פרסם ה-FDA לראשונה מסגרת רגולטורית מוצעת לשינויי תוכנה במכשירים רפואיים מבוססי בינה מלאכותית (טיוטת דיון), המפרטת את גישתו הפוטנציאלית לסקירה טרום-שיווקית של שינויים בתוכנה המונעים על ידי בינה מלאכותית ולמידת מכונה. בשנת 2021, הציע ה-FDA את "תוכנה מבוססת בינה מלאכותית/למידת מכונה כתוכנית פעולה למכשיר רפואי", שהבהירה חמישה צעדים רגולטוריים ספציפיים לבינה מלאכותית בתחום הרפואה. השנה, פרסם ה-FDA מחדש את הגשת ההצעות טרום-שיווקיות לתכונות תוכנה למכשירים כדי לספק מידע על המלצות להגשה טרום-שיווקית להערכת ה-FDA את הבטיחות והיעילות של תכונות תוכנה למכשירים, כולל כמה תכונות תוכנה למכשירים המשתמשות במודלים של למידת מכונה שאומנו באמצעות שיטות למידת מכונה. מדיניות הרגולציה של ה-FDA התפתחה מהצעה ראשונית להנחיות מעשיות.

בעקבות פרסום מרחב נתוני הבריאות האירופי ביולי בשנה שעברה, האיחוד האירופי חוקק שוב את חוק הבינה המלאכותית. הראשון שואף לעשות שימוש מיטבי בנתוני בריאות כדי לספק שירותי בריאות איכותיים, להפחית אי-שוויון ולתמוך בנתונים למניעה, אבחון, טיפול, חדשנות מדעית, קבלת החלטות וחקיקה, תוך הבטחת שליטה רבה יותר של אזרחי האיחוד האירופי על נתוני הבריאות האישיים שלהם. האחרון מבהיר כי מערכת האבחון הרפואית היא מערכת בינה מלאכותית בסיכון גבוה, ועליה לאמץ פיקוח חזק וממוקד, פיקוח על מחזור חיים מלא ופיקוח לפני הערכה. סוכנות התרופות האירופית (EMA) פרסמה טיוטת נייר רפלקציה על השימוש בבינה מלאכותית לתמיכה בפיתוח, רגולציה ושימוש בתרופות, תוך דגש על שיפור אמינות הבינה המלאכותית כדי להבטיח את בטיחות המטופל ואת שלמות תוצאות המחקר הקליני. בסך הכל, הגישה הרגולטורית של האיחוד האירופי מתעצבת בהדרגה, ופרטי היישום הסופיים עשויים להיות מפורטים וקפדניים יותר. בניגוד מוחלט לרגולציה המחמירה של האיחוד האירופי, תוכנית הרגולציה של בריטניה בתחום הבינה המלאכותית מבהירה כי הממשלה מתכננת לנקוט בגישה רכה ולא לחוקק הצעות חוק חדשות או להקים רגולטורים חדשים לעת עתה.

בסין, מרכז הסקירה הטכנית של מכשור רפואי (NMPA) של המינהל הלאומי למוצרים רפואיים פרסם בעבר מסמכים כגון "נקודות סקירה של תוכנת קבלת החלטות בסיוע למידה עמוקה", "עקרונות מנחים לסקירת רישום של מכשור רפואי מבוסס בינה מלאכותית (טיוטה להערות)" ו"חוזר על עקרונות מנחים לסיווג והגדרה של מוצרי תוכנה רפואית מבוססת בינה מלאכותית (מס' 47 בשנת 2021)". השנה פורסם שוב "סיכום תוצאות סיווג המוצרים הרפואיים הראשונות לשנת 2023". סדרת מסמכים זו הופכת את ההגדרה, הסיווג והרגולציה של מוצרי תוכנה רפואיים מבוססי בינה מלאכותית לברורים וקלים יותר לתפעול, ומספקת הנחיות ברורות לאסטרטגיות מיצוב ורישום המוצר של ארגונים שונים בתעשייה. מסמכים אלה מספקים מסגרת והחלטות ניהוליות לרגולציה המדעית של מכשירים רפואיים מבוססי בינה מלאכותית. ראוי לצפות לכך שסדר היום של ועידת הבינה המלאכותית הרפואית הסינית, שתתקיים בהאנגג'ואו בין ה-21 ל-23 בדצמבר, יקבע פורום מיוחד בנושא ממשל רפואי דיגיטלי ופיתוח איכותי של בתי חולים ציבוריים ופורום פיתוח תעשיית התקינה של טכנולוגיות בדיקה והערכה של מכשירים רפואיים מבוססי בינה מלאכותית. באותו זמן, פקידים מהוועדה הלאומית לפיתוח ורפורמה ומ-NMPA ישתתפו בפגישה וייתכן שיפרסמו מידע חדש.

מַסְקָנָה

בשנת 2023, בינה מלאכותית רפואית החלה להשתלב בכל התהליך הרפואי במעלה ובמורד הזרם, הכולל איסוף נתוני בתי חולים, מיזוג, ניתוח, אבחון וטיפול, וסינון קהילתי, ולשתף פעולה באופן אורגני עם עובדי רפואה/בקרת מחלות, מה שמראה את הפוטנציאל להביא לרווחה לבריאות האדם. מחקר שמיש בתחום הבינה המלאכותית הרפואית מתחיל להופיע. בעתיד, התקדמות הבינה המלאכותית הרפואית לא תלויה רק ​​בפיתוח הטכנולוגי עצמו, אלא גם זקוקה לשיתוף פעולה מלא של התעשייה, האוניברסיטאות והמחקר הרפואי ותמיכת קובעי מדיניות ורגולטורים. שיתוף פעולה חוצה תחומים זה הוא המפתח להשגת שירותים רפואיים משולבים בבינה מלאכותית, ובוודאי יקדם את פיתוח בריאות האדם.