ຂ່າວ

ນັບຕັ້ງແຕ່ IBM Watson ໄດ້ເລີ່ມຕົ້ນໃນປີ 2007, ມະນຸດໄດ້ສືບຕໍ່ພັດທະນາປັນຍາປະດິດທາງການແພດ (AI). ລະບົບ AI ທາງການແພດທີ່ສາມາດໃຊ້ໄດ້ແລະມີປະສິດທິພາບມີທ່າແຮງອັນໃຫຍ່ຫຼວງທີ່ຈະປ່ຽນທຸກດ້ານຂອງຢາທີ່ທັນສະໄຫມ, ເຮັດໃຫ້ການດູແລທີ່ສະຫລາດກວ່າ, ຖືກຕ້ອງ, ມີປະສິດທິພາບ, ແລະລວມ, ນໍາເອົາສະຫວັດດີພາບໃຫ້ແກ່ພະນັກງານແພດແລະຄົນເຈັບ, ແລະດັ່ງນັ້ນການປັບປຸງສຸຂະພາບຂອງມະນຸດຢ່າງຫຼວງຫຼາຍ. ໃນ 16 ປີທີ່ຜ່ານມາ, ເຖິງແມ່ນວ່ານັກຄົ້ນຄວ້າ AI ທາງການແພດໄດ້ສະສົມຢູ່ໃນຂະແຫນງຂະຫນາດນ້ອຍຕ່າງໆ, ໃນຂັ້ນຕອນນີ້, ພວກເຂົາເຈົ້າຍັງບໍ່ທັນສາມາດນໍາເອົາ fiction ວິທະຍາສາດໄປສູ່ຄວາມເປັນຈິງ.

ໃນປີນີ້, ດ້ວຍການປະຕິວັດການພັດທະນາຂອງເຕັກໂນໂລຊີ AI ເຊັ່ນ ChatGPT, AI ທາງການແພດໄດ້ມີຄວາມຄືບຫນ້າຢ່າງຫຼວງຫຼາຍໃນຫຼາຍດ້ານ. ຄວາມກ້າວຫນ້າທີ່ບໍ່ເຄີຍມີມາກ່ອນໃນຄວາມສາມາດຂອງ AI ທາງການແພດ: ວາລະສານທໍາມະຊາດໄດ້ເປີດຕົວຢ່າງຕໍ່ເນື່ອງການຄົ້ນຄວ້າຂອງຮູບແບບພາສາຂະຫນາດໃຫຍ່ທາງການແພດແລະຮູບແບບພື້ນຖານຂອງຮູບພາບທາງການແພດ; Google ປ່ອຍ Med-PaLM ແລະຜູ້ສືບທອດຂອງມັນ, ເຖິງລະດັບຜູ້ຊ່ຽວຊານໃນຄໍາຖາມການສອບເສັງແພດປະຕິບັດການແພດຂອງສະຫະລັດ. ວາລະສານທາງວິຊາການທີ່ສໍາຄັນຈະເນັ້ນໃສ່ AI ທາງການແພດ: ທໍາມະຊາດປ່ອຍອອກມາເມື່ອການຄາດຄະເນກ່ຽວກັບຮູບແບບພື້ນຖານຂອງ AI ທາງການແພດທົ່ວໄປ; ປະຕິບັດຕາມໄລຍະການທົບທວນຂອງ AI ໃນການແພດໃນຕົ້ນປີນີ້, New England Journal of Medicine (NEJM) ຈັດພີມມາການທົບທວນສຸຂະພາບດິຈິຕອນຄັ້ງທໍາອິດຂອງຕົນໃນວັນທີ 30 ພະຈິກ, ແລະເປີດຕົວສະບັບທໍາອິດຂອງ NEJM ວາລະສານຍ່ອຍ NEJM AI ໃນວັນທີ 12 ເດືອນທັນວາ. Medical AI landing ດິນແມ່ນ mature ຕື່ມອີກ: JAMA ວາລະສານຍ່ອຍໄດ້ຈັດພີມມາການລິເລີ່ມການແບ່ງປັນຮູບພາບທາງການແພດທົ່ວໂລກ; ອົງການອາຫານ ແລະຢາຂອງສະຫະລັດ (FDA) ກໍາລັງສ້າງຮ່າງບົດແນະນໍາສໍາລັບລະບຽບການຂອງ AI ທາງການແພດ.

ຂ້າງລຸ່ມນີ້, ພວກເຮົາທົບທວນຄວາມຄືບຫນ້າທີ່ສໍາຄັນທີ່ນັກຄົ້ນຄວ້າໃນທົ່ວໂລກໄດ້ເຮັດໃນທິດທາງຂອງ AI ທາງການແພດທີ່ສາມາດໃຊ້ໄດ້ໃນປີ 2023.

ຮູບແບບພື້ນຖານທາງການແພດ AI

ການກໍ່ສ້າງແບບຈໍາລອງພື້ນຖານ AI ທາງການແພດແມ່ນແນ່ນອນເປັນຈຸດສຸມການຄົ້ນຄວ້າທີ່ຮ້ອນທີ່ສຸດຂອງປີນີ້. ວາລະສານ Nature ໄດ້ພິມເຜີຍແຜ່ບົດຄວາມທົບທວນກ່ຽວກັບແບບຈໍາລອງ Universal Basic ຂອງການດູແລສຸຂະພາບແລະຮູບແບບພາສາຂະຫນາດໃຫຍ່ຂອງການດູແລສຸຂະພາບໃນລະຫວ່າງປີ. ການວິເຄາະຮູບພາບທາງການແພດ, ວາລະສານຊັ້ນນໍາໃນອຸດສາຫະກໍາ, ໄດ້ທົບທວນຄືນແລະເບິ່ງໄປຂ້າງຫນ້າກັບສິ່ງທ້າທາຍແລະໂອກາດຂອງການຄົ້ນຄວ້າຕົວແບບພື້ນຖານໃນການວິເຄາະຮູບພາບທາງການແພດ, ແລະສະເຫນີແນວຄວາມຄິດຂອງ "pedigree ຂອງຕົວແບບພື້ນຖານ" ເພື່ອສະຫຼຸບແລະນໍາພາການພັດທະນາຂອງການຄົ້ນຄວ້າແບບຈໍາລອງພື້ນຖານຂອງ AI ທາງການແພດ. ອະນາຄົດຂອງຮູບແບບ AI ພື້ນຖານສໍາລັບການດູແລສຸຂະພາບແມ່ນຈະແຈ້ງຂຶ້ນ. ການແຕ້ມຕົວຢ່າງທີ່ປະສົບຜົນສໍາເລັດຂອງຮູບແບບພາສາຂະຫນາດໃຫຍ່ເຊັ່ນ ChatGPT, ການນໍາໃຊ້ວິທີການການຝຶກອົບຮົມກ່ອນການເບິ່ງແຍງຕົນເອງແບບພິເສດແລະການສະສົມຂໍ້ມູນການຝຶກອົບຮົມຢ່າງຫຼວງຫຼາຍ, ນັກຄົ້ນຄວ້າໃນພາກສະຫນາມຂອງ AI ທາງການແພດກໍາລັງພະຍາຍາມສ້າງ 1) ແບບຈໍາລອງພື້ນຖານສະເພາະພະຍາດ, 2) ຮູບແບບພື້ນຖານທົ່ວໄປ, ແລະ 3) ແບບຈໍາລອງຂະຫນາດໃຫຍ່ multimodal ທີ່ປະສົມປະສານຂອງຮູບແບບທີ່ກວ້າງຂວາງແລະ capabilities ຂະຫນາດໃຫຍ່.

ຮູບແບບ AI ໄດ້ມາຂໍ້ມູນທາງການແພດ

ນອກເຫນືອໄປຈາກແບບຈໍາລອງ AI ຂະຫນາດໃຫຍ່ທີ່ມີບົດບາດອັນໃຫຍ່ຫຼວງໃນວຽກງານການວິເຄາະຂໍ້ມູນທາງດ້ານຄລີນິກລຸ່ມນ້ໍາ, ໃນການຊື້ຂໍ້ມູນທາງດ້ານການຊ່ວຍໃນຂັ້ນຕົ້ນ, ເຕັກໂນໂລຢີທີ່ເປັນຕົວແທນໂດຍແບບຈໍາລອງ AI ທົ່ວໄປກໍ່ຍັງເກີດຂື້ນ. ຂະບວນການ, ຄວາມໄວ, ແລະຄຸນນະພາບຂອງການມາຂໍ້ມູນສາມາດໄດ້ຮັບການປັບປຸງຢ່າງຫຼວງຫຼາຍໂດຍ AI algorithms.

ໃນຕົ້ນປີນີ້, Nature Biomedical Engineering ໄດ້ເຜີຍແຜ່ການສຶກສາຈາກມະຫາວິທະຍາໄລ Straits ຂອງຕຸລະກີທີ່ສຸມໃສ່ການນໍາໃຊ້ AI ທົ່ວໄປເພື່ອແກ້ໄຂບັນຫາການວິນິດໄສຮູບພາບທີ່ຊ່ວຍໃນການປິ່ນປົວທາງດ້ານການຊ່ວຍ. ສິ່ງປອມຢູ່ໃນເນື້ອເຍື່ອທີ່ແຊ່ແຂງໃນລະຫວ່າງການຜ່າຕັດແມ່ນເປັນອຸປະສັກຕໍ່ການປະເມີນຜົນການວິນິດໄສຢ່າງໄວວາ. ເຖິງແມ່ນວ່າແພຈຸລັງທີ່ຝັງຢູ່ໃນ formalin ແລະ paraffin (FFPE) ສະຫນອງຕົວຢ່າງທີ່ມີຄຸນນະພາບສູງກວ່າ, ຂະບວນການຜະລິດຂອງມັນແມ່ນໃຊ້ເວລາຫຼາຍແລະມັກຈະໃຊ້ເວລາ 12-48 ຊົ່ວໂມງ, ເຮັດໃຫ້ມັນບໍ່ເຫມາະສົມສໍາລັບການນໍາໃຊ້ໃນການຜ່າຕັດ. ທີມງານຄົ້ນຄ້ວາດັ່ງນັ້ນຈຶ່ງສະເຫນີສູດການຄິດໄລ່ທີ່ເອີ້ນວ່າ AI-FFPE, ເຊິ່ງສາມາດເຮັດໃຫ້ຮູບລັກສະນະຂອງເນື້ອເຍື່ອຢູ່ໃນພາກແຊ່ແຂງຄ້າຍຄືກັນກັບ FFPE. ສູດການຄິດໄລ່ສົບຜົນສໍາເລັດແກ້ໄຂສິ່ງປະດິດຂອງພາກສ່ວນແຊ່ແຂງ, ປັບປຸງຄຸນນະພາບຂອງຮູບພາບ, ແລະຮັກສາລັກສະນະທີ່ກ່ຽວຂ້ອງທາງດ້ານຄລີນິກໃນເວລາດຽວກັນ. ໃນການກວດສອບທາງດ້ານຄລີນິກ, AI-FFPE algorithm ປັບປຸງຄວາມຖືກຕ້ອງຂອງການວິນິດໄສຂອງນັກວິນິດໄສພະຍາດສໍາລັບຊະນິດຍ່ອຍຂອງເນື້ອງອກ, ໃນຂະນະທີ່ເຮັດໃຫ້ເວລາການວິນິດໄສທາງຄລີນິກສັ້ນລົງຢ່າງຫຼວງຫຼາຍ.

Cell Reports Medicine ລາຍງານວຽກງານການຄົ້ນຄວ້າໂດຍທີມງານຈາກວິທະຍາໄລຄລີນິກທີສາມຂອງມະຫາວິທະຍາໄລ Jilin, ພະແນກ Radiology, Zhongshan Hospital ຂຶ້ນກັບມະຫາວິທະຍາໄລ Fudan, ແລະມະຫາວິທະຍາໄລວິທະຍາສາດແລະເຕັກໂນໂລຢີ Shanghai [25]. ການສຶກສານີ້ສະເຫນີໃຫ້ມີການຮຽນຮູ້ເລິກຈຸດປະສົງທົ່ວໄປແລະກອບການ fusion reconstruction ຊ້ໍາຊ້ອນ (Hybrid DL-IR) ທີ່ມີຄວາມຍືດຫຍຸ່ນແລະຄວາມຍືດຫຍຸ່ນສູງ, ສະແດງໃຫ້ເຫັນປະສິດທິພາບການຟື້ນຟູຮູບພາບທີ່ດີເລີດໃນໄວ MRI, CT ປະລິມານຕ່ໍາ, ແລະໄວ PET. ສູດການຄິດໄລ່ສາມາດບັນລຸ MR Single-organ multi-sequence scanning ໃນ 100 ວິນາທີ, ຫຼຸດຜ່ອນປະລິມານລັງສີໃຫ້ເຫຼືອພຽງແຕ່ 10% ຂອງຮູບພາບ CT, ແລະລົບລ້າງສິ່ງລົບກວນ, ແລະສາມາດ reconstruct lesions ຂະຫນາດນ້ອຍຈາກການຊື້ PET ດ້ວຍການເລັ່ງ 2 ຫາ 4 ເທົ່າ, ໃນຂະນະທີ່ຫຼຸດຜ່ອນຜົນກະທົບຂອງ artifacts ການເຄື່ອນໄຫວ.

AI ທາງການແພດໃນການຮ່ວມມືກັບພະນັກງານແພດ

ການພັດທະນາຢ່າງໄວວາຂອງ AI ທາງການແພດຍັງໄດ້ນໍາພາຜູ້ຊ່ຽວຊານດ້ານການແພດພິຈາລະນາຢ່າງຈິງຈັງແລະຄົ້ນຫາວິທີການຮ່ວມມືກັບ AI ເພື່ອປັບປຸງຂະບວນການທາງດ້ານການຊ່ວຍ. ໃນເດືອນກໍລະກົດປີນີ້, DeepMind ແລະທີມງານຄົ້ນຄ້ວາຫຼາຍສະຖາບັນໄດ້ຮ່ວມກັນສະເຫນີລະບົບ AI ທີ່ເອີ້ນວ່າ Complementary Driven Clinical Workflow Delay (CoDoC). ຂະບວນການວິນິດໄສແມ່ນໄດ້ຮັບການວິນິດໄສຄັ້ງທໍາອິດໂດຍລະບົບ AI ຄາດຄະເນ, ຫຼັງຈາກນັ້ນຖືກຕັດສິນໂດຍລະບົບ AI ອື່ນໃນຜົນໄດ້ຮັບທີ່ຜ່ານມາ, ແລະຖ້າມີຄວາມສົງໃສ, ສຸດທ້າຍການວິນິດໄສແມ່ນເຮັດໂດຍແພດຫມໍເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງການວິນິດໄສແລະປະສິດທິພາບການດຸ່ນດ່ຽງ. ເມື່ອເວົ້າເຖິງການກວດຫາມະເຮັງເຕົ້ານົມ, CoDoC ໄດ້ຫຼຸດລົງອັດຕາຜົນບວກທີ່ບໍ່ຖືກຕ້ອງ 25% ດ້ວຍອັດຕາລົບທີ່ບໍ່ຖືກຕ້ອງຄືກັນ, ໃນຂະນະທີ່ຫຼຸດຜ່ອນການເຮັດວຽກຂອງແພດຫມໍລົງ 66%, ເມື່ອທຽບກັບຂະບວນການ "ຊີ້ຂາດການອ່ານສອງຄັ້ງ" ໃນອັງກິດ. ໃນແງ່ຂອງການຈັດປະເພດ TB, ອັດຕາຜົນບວກທີ່ບໍ່ຖືກຕ້ອງຖືກຫຼຸດລົງ 5 ຫາ 15 ເປີເຊັນດ້ວຍອັດຕາລົບທີ່ບໍ່ຖືກຕ້ອງຄືກັນເມື່ອທຽບກັບ AI ເອກະລາດແລະຂະບວນການເຮັດວຽກທາງດ້ານຄລີນິກ.

ເຊັ່ນດຽວກັນ, Annie Y. Ng et al., ຂອງບໍລິສັດ Kheiron ໃນລອນດອນ, ປະເທດອັງກິດ, ໄດ້ແນະນໍາຜູ້ອ່ານ AI ເພີ່ມເຕີມ (ໂດຍການຮ່ວມມືກັບຜູ້ກວດສອບມະນຸດ) ເພື່ອກວດເບິ່ງຄືນຜົນໄດ້ຮັບໃນເວລາທີ່ບໍ່ມີຜົນການເອີ້ນຄືນໃນຂະບວນການຊີ້ຂາດການອ່ານສອງຄັ້ງ, ເຊິ່ງປັບປຸງບັນຫາຂອງການກວດສອບພາດໂອກາດໃນການກວດຫາມະເຮັງເຕົ້ານົມໃນຕອນຕົ້ນ, ແລະຂະບວນການດັ່ງກ່າວເກືອບບໍ່ມີຜົນບວກທີ່ບໍ່ຖືກຕ້ອງ. ການສຶກສາອີກປະການຫນຶ່ງ, ນໍາພາໂດຍທີມງານຢູ່ໂຮງຮຽນການແພດຂອງວິທະຍາໄລ Texas McGovern ແລະສໍາເລັດຢູ່ໃນສີ່ສູນເສັ້ນເລືອດຕັນໃນ, ໄດ້ນໍາໃຊ້ຄອມພິວເຕີ tomography angiography (CTA) -based AI ເຕັກໂນໂລຊີເພື່ອອັດຕະໂນມັດການກວດພົບຂອງເສັ້ນເລືອດຕັນໃນ occlusive ischemic vascular ຂະຫນາດໃຫຍ່ (LVO). ຄລີນິກແລະນັກຮັງສີໄດ້ຮັບການແຈ້ງເຕືອນແບບສົດໆໃນໂທລະສັບມືຖືຂອງພວກເຂົາພາຍໃນນາທີຂອງການຖ່າຍພາບ CT ສໍາເລັດ, ແຈ້ງໃຫ້ພວກເຂົາຮູ້ເຖິງຄວາມເປັນໄປໄດ້ຂອງ LVO. ຂະບວນການ AI ນີ້ປັບປຸງຂະບວນການເຮັດວຽກໃນໂຮງຫມໍສໍາລັບເສັ້ນເລືອດຕັນໃນ ischemic ສ້ວຍແຫຼມ, ຫຼຸດຜ່ອນເວລາປະຕູເຖິງ groin ຈາກການເຂົ້າຮັບການປິ່ນປົວແລະການສະຫນອງໂອກາດສໍາລັບການກູ້ໄພສົບຜົນສໍາເລັດ. ການຄົ້ນພົບໄດ້ຖືກຈັດພີມມາຢູ່ໃນ JAMA Neurology .

ຮູບແບບການດູແລສຸຂະພາບ AI ສໍາລັບຜົນປະໂຫຍດທົ່ວໄປ

2023 ຍັງຈະເຫັນວຽກງານທີ່ດີຫຼາຍຢ່າງທີ່ໃຊ້ AI ທາງການແພດເພື່ອຊອກຫາລັກສະນະທີ່ບໍ່ສາມາດເບິ່ງເຫັນໄດ້ກັບຕາຂອງມະນຸດຈາກຂໍ້ມູນທີ່ມີຄວາມພ້ອມຫຼາຍຂຶ້ນ, ເຮັດໃຫ້ການວິນິດໄສທົ່ວໄປແລະການກວດສອບໃນຂັ້ນຕົ້ນ. ໃນ​ຕົ້ນ​ປີ​, ການ​ແພດ​ທໍາ​ມະ​ຊາດ​ໄດ້​ພິມ​ເຜີຍ​ແຜ່​ການ​ສຶກ​ສາ​ເຮັດ​ໂດຍ​ສູນ​ຕາ Zhongshan ຂອງ​ວິ​ທະ​ຍາ​ໄລ Sun Yat​-sen ແລະ​ໂຮງ​ຫມໍ​ຮ່ວມ​ມື​ທີ​ສອງ​ຂອງ​ມະ​ຫາ​ວິ​ທະ​ຍາ​ໄລ​ການ​ແພດ Fujian​. ໂດຍການນຳໃຊ້ໂທລະສັບສະມາດໂຟນເປັນຈຸດເຊື່ອມຕໍ່ຂອງແອັບພລິເຄຊັນ, ເຂົາເຈົ້າໄດ້ນຳໃຊ້ຮູບພາບວິດີໂອທີ່ຄ້າຍກັບກາຕູນເພື່ອກະຕຸ້ນການແນມເບິ່ງຂອງເດັກນ້ອຍ ແລະ ບັນທຶກພຶດຕິກຳການແນມເບິ່ງ ແລະ ລັກສະນະໃບໜ້າຂອງເດັກນ້ອຍ, ແລະ ໄດ້ວິເຄາະແບບຈຳລອງທີ່ຜິດປົກກະຕິໂດຍນຳໃຊ້ແບບຈຳລອງການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເພື່ອກວດຫາພະຍາດຕາ 16 ຢ່າງຢ່າງສຳເລັດຜົນ, ລວມທັງພະຍາດຕາຕໍ້, ຕໍ້ຫີນໃນກຳເນີດ ແລະ ຕ່ອມນ້ຳມູກແຕ່ກຳເນີດ, ໂດຍມີການກວດສອບຄວາມຖືກຕ້ອງຫຼາຍກວ່າ 85%. ນີ້ສະຫນອງວິທີການດ້ານວິຊາການທີ່ມີປະສິດທິພາບແລະງ່າຍດາຍທີ່ຈະເປັນທີ່ນິຍົມສໍາລັບການກວດສອບເບື້ອງຕົ້ນຂະຫນາດໃຫຍ່ຂອງຄວາມບົກຜ່ອງທາງດ້ານສາຍຕາຂອງເດັກແລະພະຍາດຕາທີ່ກ່ຽວຂ້ອງ.

ໃນຕອນທ້າຍຂອງປີ, Nature Medicine ໄດ້ລາຍງານວຽກງານທີ່ເຮັດໂດຍຫຼາຍກ່ວາ 10 ສະຖາບັນການແພດແລະການຄົ້ນຄວ້າໃນທົ່ວໂລກ, ລວມທັງສະຖາບັນພະຍາດ pancreatic Shanghai ແລະໂຮງຫມໍສາຂາທໍາອິດຂອງມະຫາວິທະຍາໄລ Zhejiang. ຜູ້ຂຽນໄດ້ ນຳ ໃຊ້ AI ເຂົ້າໃນການກວດຫາໂຣກມະເຮັງຕ່ອມລູກໝາກຂອງຄົນທີ່ບໍ່ມີອາການຢູ່ໃນສູນກວດຮ່າງກາຍ, ໂຮງໝໍ, ແລະ ອື່ນໆ, ເພື່ອກວດຫາລັກສະນະຮອຍແຜໃນຮູບ CT scan ທຳມະດາທີ່ຍາກທີ່ຈະກວດໄດ້ດ້ວຍຕາເປົ່າຢ່າງດຽວ, ເພື່ອບັນລຸການກວດພົບມະເຮັງຕ່ອມລູກໝາກຢ່າງມີປະສິດທິພາບ ແລະ ບໍ່ຮຸກຮານ. ໃນການທົບທວນຄືນຂໍ້ມູນຈາກຄົນເຈັບຫຼາຍກວ່າ 20,000 ຄົນ, ຮູບແບບດັ່ງກ່າວຍັງໄດ້ກໍານົດ 31 ກໍລະນີຂອງ lesions ພາດທາງດ້ານການຊ່ວຍ, ເຊິ່ງປັບປຸງຜົນໄດ້ຮັບທາງດ້ານຄລີນິກຢ່າງຫຼວງຫຼາຍ.

ການແບ່ງປັນຂໍ້ມູນທາງການແພດ

ໃນປີ 2023, ກົນໄກການແບ່ງປັນຂໍ້ມູນທີ່ສົມບູນແບບຫຼາຍ ແລະກໍລະນີທີ່ປະສົບຜົນສຳເລັດໄດ້ປະກົດຂຶ້ນໃນທົ່ວໂລກ, ຮັບປະກັນການຮ່ວມມືຫຼາຍສູນ ແລະ ການເປີດຂໍ້ມູນພາຍໃຕ້ຈຸດໝາຍຂອງການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ ແລະ ຄວາມປອດໄພຂອງຂໍ້ມູນ.

ທໍາອິດ, ດ້ວຍການຊ່ວຍເຫຼືອຂອງເຕັກໂນໂລຢີ AI ຕົວຂອງມັນເອງ, ນັກຄົ້ນຄວ້າ AI ໄດ້ປະກອບສ່ວນເຂົ້າໃນການແບ່ງປັນຂໍ້ມູນທາງການແພດ. Qi Chang ແລະຜູ້ອື່ນໆຈາກມະຫາວິທະຍາໄລ Rutgers ໃນສະຫະລັດອາເມລິກາໄດ້ຕີພິມບົດຄວາມໃນ Nature Communications, ສະເຫນີກອບການຮຽນຮູ້ຂອງລັດຖະບານກາງ DSL ໂດຍອີງໃສ່ເຄືອຂ່າຍ adversarial ສັງເຄາະທີ່ແຈກຢາຍ, ເຊິ່ງໃຊ້ AI generative ເພື່ອຝຶກອົບຮົມຂໍ້ມູນສະເພາະຂອງຫຼາຍສູນ, ແລະຫຼັງຈາກນັ້ນທົດແທນຂໍ້ມູນທີ່ແທ້ຈິງຂອງຫຼາຍສູນດ້ວຍຂໍ້ມູນທີ່ສ້າງຂຶ້ນ. ຮັບປະກັນການຝຶກອົບຮົມ AI ໂດຍອີງໃສ່ຂໍ້ມູນໃຫຍ່ multicentre ໃນຂະນະທີ່ປົກປ້ອງຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນ. ທີມງານດຽວກັນຍັງເປີດແຫຼ່ງຊຸດຂໍ້ມູນຂອງຮູບພາບທາງພະຍາດທີ່ສ້າງຂຶ້ນແລະຄໍາບັນຍາຍທີ່ສອດຄ້ອງກັນຂອງພວກເຂົາ. ຮູບແບບການແບ່ງສ່ວນທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ສ້າງຂຶ້ນສາມາດບັນລຸຜົນໄດ້ຮັບທີ່ຄ້າຍຄືກັນກັບຂໍ້ມູນທີ່ແທ້ຈິງ.

ທີມງານຂອງ Dai Qionghai ຈາກມະຫາວິທະຍາໄລ Tsinghua ໄດ້ພິມເຜີຍແຜ່ເອກະສານກ່ຽວກັບ npj Digital Health, ສະເຫນີ Relay Learning, ເຊິ່ງນໍາໃຊ້ຂໍ້ມູນໃຫຍ່ຫຼາຍສະຖານທີ່ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງ AI ພາຍໃຕ້ຂອບເຂດຂອງອະທິປະໄຕຂໍ້ມູນທ້ອງຖິ່ນແລະບໍ່ມີການເຊື່ອມຕໍ່ເຄືອຂ່າຍຂ້າມສະຖານທີ່. ມັນດຸ່ນດ່ຽງຄວາມປອດໄພຂອງຂໍ້ມູນແລະຄວາມກັງວົນກ່ຽວກັບຄວາມເປັນສ່ວນຕົວດ້ວຍການສະແຫວງຫາການປະຕິບັດ AI. ຕໍ່ມາທີມງານດຽວກັນໄດ້ຮ່ວມກັນພັດທະນາແລະກວດສອບ CAIMEN, ລະບົບການວິນິດໄສເນື້ອງອກຂອງຫນ້າເອິກ CT pan-mediastinal ໂດຍອີງໃສ່ການຮຽນຮູ້ຂອງລັດຖະບານກາງ, ຮ່ວມມືກັບໂຮງຫມໍສາຂາທໍາອິດຂອງມະຫາວິທະຍາໄລການແພດກວາງໂຈວແລະໂຮງຫມໍ 24 ແຫ່ງໃນທົ່ວປະເທດ. ລະບົບດັ່ງກ່າວ, ເຊິ່ງສາມາດນໍາໃຊ້ກັບ 12 tumors mediastinal ທົ່ວໄປ, ບັນລຸໄດ້ 44.9 ເປີເຊັນຄວາມຖືກຕ້ອງດີກວ່າເມື່ອໃຊ້ຢ່າງດຽວກ່ວາການນໍາໃຊ້ໂດຍຜູ້ຊ່ຽວຊານຂອງມະນຸດຢ່າງດຽວ, ແລະ 19 ເປີເຊັນຄວາມຖືກຕ້ອງຂອງການວິນິດໄສທີ່ດີກວ່າໃນເວລາທີ່ຜູ້ຊ່ຽວຊານຂອງມະນຸດໄດ້ຮັບການຊ່ວຍເຫຼືອຈາກມັນ.

ໃນທາງກົງກັນຂ້າມ, ການລິເລີ່ມຫຼາຍອັນແມ່ນກໍາລັງດໍາເນີນເພື່ອສ້າງຊຸດຂໍ້ມູນທາງການແພດທີ່ມີຄວາມປອດໄພ, ທົ່ວໂລກ, ຂະຫນາດໃຫຍ່. ໃນເດືອນພະຈິກ 2023, Agustina Saenz ແລະຜູ້ອື່ນໆຈາກພະແນກຊີວະວິທະຍາການແພດທີ່ໂຮງຮຽນການແພດ Harvard ຈັດພີມມາອອນໄລນ໌ໃນ Lancet Digital Health ເປັນກອບທົ່ວໂລກສໍາລັບການແບ່ງປັນຂໍ້ມູນຮູບພາບທາງການແພດທີ່ເອີ້ນວ່າ Artificial Intelligence Data for All Healthcare (MAIDA). ພວກເຂົາເຈົ້າກໍາລັງເຮັດວຽກຮ່ວມກັບອົງການຈັດຕັ້ງການດູແລສຸຂະພາບໃນທົ່ວໂລກເພື່ອໃຫ້ຄໍາແນະນໍາທີ່ສົມບູນແບບກ່ຽວກັບການເກັບຂໍ້ມູນແລະການກໍານົດຕົວຕົນ, ໂດຍນໍາໃຊ້ແມ່ແບບຂອງຄູ່ຮ່ວມງານສາທິດລັດຖະບານກາງສະຫະລັດ (FDP) ເພື່ອມາດຕະຖານການແບ່ງປັນຂໍ້ມູນ. ພວກເຂົາເຈົ້າວາງແຜນທີ່ຈະຄ່ອຍໆປ່ອຍຊຸດຂໍ້ມູນທີ່ເກັບກໍາຢູ່ໃນພາກພື້ນຕ່າງໆແລະການຕັ້ງຄ່າທາງດ້ານການຊ່ວຍໃນທົ່ວໂລກ. ຊຸດຂໍ້ມູນທໍາອິດຄາດວ່າຈະຖືກປ່ອຍອອກມາໃນຕົ້ນປີ 2024, ຈະມີຫຼາຍຂຶ້ນຍ້ອນວ່າການຮ່ວມມືຂະຫຍາຍອອກໄປ. ໂຄງການດັ່ງກ່າວເປັນຄວາມພະຍາຍາມອັນສໍາຄັນທີ່ຈະສ້າງຊຸດຂໍ້ມູນ AI ​​ທົ່ວໂລກ, ຂະຫນາດໃຫຍ່ ແລະຫຼາກຫຼາຍຊະນິດທີ່ມີຢູ່ສາທາລະນະ.

ຕໍ່ກັບການສະເໜີດັ່ງກ່າວ, ທະນາຄານ Biobank ຂອງອັງກິດ ໄດ້ຍົກຕົວຢ່າງ. The UK Biobank ປ່ອຍຂໍ້ມູນໃຫມ່ໃນວັນທີ 30 ເດືອນພະຈິກຈາກການຈັດລໍາດັບ genome ທັງຫມົດຂອງຜູ້ເຂົ້າຮ່ວມ 500,000 ຂອງຕົນ. ຖານຂໍ້ມູນ, ເຊິ່ງເຜີຍແຜ່ລໍາດັບ genome ຄົບຖ້ວນຂອງແຕ່ລະອາສາສະຫມັກອັງກິດ 500,000 ຄົນ, ເປັນຖານຂໍ້ມູນ genome ຂອງມະນຸດທີ່ສົມບູນແບບທີ່ໃຫຍ່ທີ່ສຸດໃນໂລກ. ນັກຄົ້ນຄວ້າທົ່ວໂລກສາມາດຮ້ອງຂໍການເຂົ້າເຖິງຂໍ້ມູນທີ່ບໍ່ມີການລະບຸຕົວຕົນແລະນໍາໃຊ້ມັນເພື່ອສືບສວນພື້ນຖານທາງພັນທຸກໍາຂອງສຸຂະພາບແລະພະຍາດ. ຂໍ້ມູນພັນທຸກໍາແມ່ນມີຄວາມອ່ອນໄຫວສູງສໍາລັບການກວດສອບໃນອະດີດ, ແລະຜົນສໍາເລັດທາງປະຫວັດສາດນີ້ຂອງ UK Biobank ພິສູດວ່າມັນເປັນໄປໄດ້ທີ່ຈະສ້າງຖານຂໍ້ມູນຂະຫນາດໃຫຍ່ທົ່ວໂລກທີ່ເປີດເຜີຍ, ບໍ່ມີຄວາມເປັນສ່ວນຕົວ. ດ້ວຍເທກໂນໂລຍີແລະຖານຂໍ້ມູນນີ້, AI ທາງການແພດແມ່ນຜູກມັດໄປສູ່ການກ້າວກະໂດດຕໍ່ໄປ.

ການກວດສອບແລະການປະເມີນຜົນຂອງ AI ທາງການແພດ

ເມື່ອປຽບທຽບກັບການພັດທະນາຢ່າງໄວວາຂອງເຕັກໂນໂລຢີ AI ທາງການແພດຕົວມັນເອງ, ການພັດທະນາການກວດສອບແລະການປະເມີນຜົນຂອງ AI ທາງການແພດແມ່ນຊ້າເລັກນ້ອຍ. ການກວດສອບແລະການປະເມີນຜົນໃນຂົງເຂດ AI ໂດຍທົ່ວໄປມັກຈະບໍ່ສົນໃຈຄວາມຕ້ອງການທີ່ແທ້ຈິງຂອງແພດຫມໍແລະຄົນເຈັບສໍາລັບ AI. ການທົດລອງທາງຄລີນິກທີ່ຄວບຄຸມແບບສຸ່ມແບບດັ້ງເດີມແມ່ນເຮັດວຽກໜັກເກີນໄປທີ່ຈະກົງກັບການເຮັດຊ້ຳຢ່າງໄວວາຂອງເຄື່ອງມື AI. ການປັບປຸງລະບົບການຢັ້ງຢືນແລະການປະເມີນຜົນທີ່ເຫມາະສົມສໍາລັບເຄື່ອງມື AI ທາງການແພດໄວເທົ່າທີ່ຈະໄວໄດ້ແມ່ນສິ່ງທີ່ສໍາຄັນທີ່ສຸດເພື່ອສົ່ງເສີມ AI ທາງການແພດໃຫ້ກ້າວໄປສູ່ການຄົ້ນຄວ້າແລະການພັດທະນາຢ່າງແທ້ຈິງໄປສູ່ການລົງຈອດທາງດ້ານຄລີນິກ.

ໃນເອກະສານການຄົ້ນຄວ້າຂອງ Google ກ່ຽວກັບ Med-PaLM, ຈັດພີມມາໃນ Nature, ທີມງານຍັງໄດ້ເຜີຍແຜ່ມາດຕະຖານການປະເມີນຜົນ MultiMedQA, ເຊິ່ງຖືກນໍາໃຊ້ເພື່ອປະເມີນຄວາມສາມາດຂອງຮູບແບບພາສາຂະຫນາດໃຫຍ່ເພື່ອໃຫ້ໄດ້ຄວາມຮູ້ທາງດ້ານການຊ່ວຍ. ດັດຊະນີດັ່ງກ່າວໄດ້ລວມເອົາຊຸດຂໍ້ມູນ Q&A ດ້ານການແພດ 6 ອັນ, ກວມເອົາຄວາມຮູ້ດ້ານການແພດແບບມືອາຊີບ, ການຄົ້ນຄວ້າ ແລະ ດ້ານອື່ນໆ, ເຊັ່ນດຽວກັນກັບຊຸດຂໍ້ມູນຖານຂໍ້ມູນຄໍາຖາມທາງການແພດທາງອິນເຕີເນັດ, ພິຈາລະນາຖາມ-ຕອບ ທ່ານຫມໍ-ຄົນເຈັບອອນໄລນ໌, ພະຍາຍາມຝຶກ AI ໃຫ້ເປັນທ່ານຫມໍທີ່ມີຄຸນວຸດທິຈາກຫຼາຍດ້ານ. ນອກຈາກນັ້ນ, ທີມງານສະເຫນີໂຄງຮ່າງການໂດຍອີງໃສ່ການປະເມີນຂອງມະນຸດທີ່ຄໍານຶງເຖິງຫຼາຍມິຕິຂອງຄວາມເປັນຈິງ, ຄວາມເຂົ້າໃຈ, ເຫດຜົນ, ແລະຄວາມລໍາອຽງທີ່ເປັນໄປໄດ້. ນີ້ແມ່ນໜຶ່ງໃນຄວາມພະຍາຍາມຄົ້ນຄ້ວາທີ່ເປັນຕົວແທນຫຼາຍທີ່ສຸດເພື່ອປະເມີນ AI ໃນການດູແລສຸຂະພາບທີ່ຈັດພີມມາໃນປີນີ້.

ແນວໃດກໍ່ຕາມ, ຄວາມຈິງທີ່ວ່າແບບຈໍາລອງພາສາຂະຫນາດໃຫຍ່ສະແດງໃຫ້ເຫັນຄວາມຮູ້ທາງດ້ານຄລີນິກການເຂົ້າລະຫັດໃນລະດັບສູງຫມາຍຄວາມວ່າຕົວແບບພາສາຂະຫນາດໃຫຍ່ແມ່ນມີຄວາມສາມາດສໍາລັບວຽກງານທາງດ້ານຄລີນິກໃນໂລກທີ່ແທ້ຈິງບໍ? ເຊັ່ນດຽວກັນກັບນັກສຶກສາແພດທີ່ຜ່ານການສອບເສັງແພດວິຊາຊີບທີ່ມີຄະແນນທີ່ສົມບູນແບບແມ່ນຍັງຢູ່ໄກຈາກແພດຫມໍ solo, ເງື່ອນໄຂການປະເມີນຜົນທີ່ສະເຫນີໂດຍ Google ອາດຈະບໍ່ເປັນຄໍາຕອບທີ່ສົມບູນແບບສໍາລັບຫົວຂໍ້ການປະເມີນຜົນ AI ທາງການແພດສໍາລັບຕົວແບບ AI. ໃນຕົ້ນປີ 2021 ແລະ 2022, ນັກຄົ້ນຄວ້າໄດ້ສະເຫນີບົດແນະນໍາການລາຍງານເຊັ່ນ: Decid-AI, SPIRIT-AI, ແລະ INTRPRT, ຫວັງວ່າຈະນໍາພາການພັດທະນາເບື້ອງຕົ້ນແລະການກວດສອບຄວາມຖືກຕ້ອງຂອງ AI ທາງການແພດພາຍໃຕ້ເງື່ອນໄຂການພິຈາລະນາປັດໄຈຕ່າງໆເຊັ່ນ: ການປະຕິບັດທາງດ້ານການຊ່ວຍ, ຄວາມປອດໄພ, ປັດໃຈຂອງມະນຸດ, ແລະຄວາມໂປ່ງໃສ / ການຕີຄວາມຫມາຍ. ເມື່ອບໍ່ດົນມານີ້, ວາລະສານ Nature Medicine ໄດ້ພິມເຜີຍແຜ່ການສຶກສາໂດຍນັກຄົ້ນຄວ້າຈາກມະຫາວິທະຍາໄລ Oxford ແລະມະຫາວິທະຍາໄລ Stanford ກ່ຽວກັບວ່າຈະໃຊ້ "ການກວດສອບພາຍນອກ" ຫຼື "ການກວດສອບທ້ອງຖິ່ນທີ່ເກີດຂຶ້ນເລື້ອຍໆ." "ເພື່ອກວດສອບເຄື່ອງມື AI.

ລັກສະນະທີ່ບໍ່ລໍາອຽງຂອງເຄື່ອງມື AI ຍັງເປັນທິດທາງການປະເມີນຜົນທີ່ສໍາຄັນທີ່ໄດ້ຮັບຄວາມສົນໃຈໃນປີນີ້ຈາກທັງສອງບົດຄວາມວິທະຍາສາດແລະ NEJM. AI ມັກຈະສະແດງຄວາມລຳອຽງເພາະມັນຈຳກັດຢູ່ໃນຂໍ້ມູນການຝຶກອົບຮົມ. ຄວາມລຳອຽງນີ້ອາດຈະສະທ້ອນເຖິງຄວາມບໍ່ສະເໝີພາບທາງດ້ານສັງຄົມ, ເຊິ່ງພັດທະນາໄປສູ່ການຈຳແນກລະບົບວິທີ. ບໍ່ດົນມານີ້, ສະຖາບັນສຸຂະພາບແຫ່ງຊາດໄດ້ເປີດຕົວການລິເລີ່ມ Bridge2AI, ຄາດຄະເນວ່າມີມູນຄ່າ 130 ລ້ານໂດລາ, ເພື່ອສ້າງຊຸດຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍ (ສອດຄ່ອງກັບເປົ້າຫມາຍຂອງການລິເລີ່ມ MAIDA ທີ່ໄດ້ກ່າວມາຂ້າງເທິງ) ທີ່ສາມາດຖືກນໍາໃຊ້ເພື່ອກວດສອບຄວາມບໍ່ສອດຄ່ອງຂອງເຄື່ອງມື AI ທາງການແພດ. ລັກສະນະເຫຼົ່ານີ້ບໍ່ໄດ້ຖືກພິຈາລະນາໂດຍ MultiMedQA. ຄໍາຖາມກ່ຽວກັບວິທີການວັດແທກແລະການກວດສອບຕົວແບບ AI ທາງການແພດຍັງຕ້ອງການການສົນທະນາຢ່າງກວ້າງຂວາງແລະເລິກເຊິ່ງ.

ໃນເດືອນມັງກອນ, Nature Medicine ໄດ້ພິມເຜີຍແຜ່ຄວາມຄິດເຫັນທີ່ເອີ້ນວ່າ "ການຜະລິດຕໍ່ໄປຂອງຢາທີ່ອີງໃສ່ຫຼັກຖານ" ຈາກ Vivek Subbiah ຂອງມະຫາວິທະຍາໄລ Texas MD Anderson Cancer Center, ທົບທວນຄືນຂໍ້ຈໍາກັດຂອງການທົດລອງທາງດ້ານການຊ່ວຍທີ່ເປີດເຜີຍໃນສະພາບການຂອງໂລກລະບາດ COVID-19 ແລະຊີ້ໃຫ້ເຫັນຄວາມຂັດແຍ້ງລະຫວ່າງນະວັດຕະກໍາແລະການຍຶດຫມັ້ນໃນຂະບວນການຄົ້ນຄ້ວາທາງດ້ານການຊ່ວຍ. ສຸດທ້າຍ, ມັນຊີ້ໃຫ້ເຫັນອະນາຄົດຂອງການທົດລອງທາງດ້ານຄລີນິກຄືນໃຫມ່ - ການທົດລອງທາງດ້ານຄລີນິກລຸ້ນຕໍ່ໄປໂດຍໃຊ້ປັນຍາປະດິດ, ນັ້ນແມ່ນ, ການນໍາໃຊ້ປັນຍາປະດິດຈາກຂໍ້ມູນການຄົ້ນຄວ້າປະຫວັດສາດຈໍານວນຫລາຍ, ຂໍ້ມູນໂລກທີ່ແທ້ຈິງ, ຂໍ້ມູນທາງດ້ານການຊ່ວຍຫຼາຍຮູບແບບ, ຂໍ້ມູນອຸປະກອນທີ່ໃສ່ໄດ້ເພື່ອຊອກຫາຫຼັກຖານທີ່ສໍາຄັນ. ນີ້ຫມາຍຄວາມວ່າເຕັກໂນໂລຢີ AI ແລະຂະບວນການກວດສອບທາງດ້ານຄລີນິກຂອງ AI ອາດຈະໄດ້ຮັບການເສີມສ້າງເຊິ່ງກັນແລະກັນແລະການພັດທະນາຮ່ວມກັນໃນອະນາຄົດບໍ? ນີ້​ແມ່ນ​ຄໍາ​ຖາມ​ທີ່​ເປີດ​ແລະ​ການ​ຄິດ​ໄລ່​ຂອງ​ປີ 2023​.

ກົດລະບຽບການແພດ AI

ຄວາມກ້າວຫນ້າຂອງເທກໂນໂລຍີ AI ຍັງເຮັດໃຫ້ເກີດສິ່ງທ້າທາຍຕໍ່ລະບຽບຂອງ AI, ແລະຜູ້ສ້າງນະໂຍບາຍທົ່ວໂລກກໍາລັງຕອບສະຫນອງຢ່າງລະມັດລະວັງແລະລະມັດລະວັງ. ໃນປີ 2019, FDA ໄດ້ຈັດພິມເອກະສານກົດລະບຽບທີ່ສະເໜີໃຫ້ມີການປ່ຽນແປງເປັນຄັ້ງທຳອິດຕໍ່ກັບອຸປະກອນການແພດອັດສະລິຍະປັນຍາທຽມ (ຮ່າງບົດສົນທະນາ), ໂດຍໃຫ້ລາຍລະອຽດກ່ຽວກັບວິທີການທີ່ມີທ່າແຮງຂອງຕົນໃນການທົບທວນທາງການຕະຫຼາດຂອງ AI ແລະ ການປ່ຽນແປງຊອບແວທີ່ຂັບເຄື່ອນດ້ວຍການຮຽນຮູ້ເຄື່ອງຈັກ. ໃນປີ 2021, FDA ໄດ້ສະເໜີໃຫ້ “ຊອບແວທີ່ນຳໃຊ້ປັນຍາປະດິດ/ການຮຽນຮູ້ເຄື່ອງຈັກເປັນແຜນປະຕິບັດງານອຸປະກອນການແພດ”, ເຊິ່ງໄດ້ຊີ້ແຈງ 5 ມາດຕະການສະເພາະດ້ານການແພດ AI. ໃນປີນີ້, FDA ໄດ້ອອກການຍື່ນສະເຫນີ Premarket ຄືນໃໝ່ສໍາລັບຄຸນສົມບັດຊອບແວອຸປະກອນເພື່ອໃຫ້ຂໍ້ມູນກ່ຽວກັບຄໍາແນະນໍາການຍື່ນສະເຫນີກ່ອນການຕະຫຼາດສໍາລັບການປະເມີນຜົນຂອງ FDA ກ່ຽວກັບຄວາມປອດໄພແລະປະສິດທິພາບຂອງຄຸນນະສົມບັດຊອບແວອຸປະກອນ, ລວມທັງບາງລັກສະນະອຸປະກອນຊອບແວທີ່ນໍາໃຊ້ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍຜ່ານວິທີການການຮຽນຮູ້ເຄື່ອງຈັກ. ນະໂຍບາຍກົດລະບຽບຂອງ FDA ໄດ້ພັດທະນາຈາກຂໍ້ສະເຫນີເບື້ອງຕົ້ນໄປສູ່ຄໍາແນະນໍາພາກປະຕິບັດ.

ພາຍຫຼັງ​ການ​ພິມ​ເຜີຍ​ແຜ່​ຂໍ້​ມູນ​ອະ​ວະ​ກາດ​ສຸ​ຂະ​ພາບ​ເອີ​ລົບ​ໃນ​ເດືອນ​ກໍ​ລະ​ກົດ​ປີ​ກາຍ​ນີ້, EU ໄດ້​ປະ​ຕິ​ບັດ​ກົດ​ໝາຍ​ວ່າ​ດ້ວຍ​ປັນຍາ​ທຽມ​ອີກ​ເທື່ອ​ໜຶ່ງ. ອະດີດມີຈຸດປະສົງເພື່ອເຮັດໃຫ້ການນໍາໃຊ້ທີ່ດີທີ່ສຸດຂອງຂໍ້ມູນສຸຂະພາບເພື່ອສະຫນອງການດູແລສຸຂະພາບທີ່ມີຄຸນນະພາບສູງ, ຫຼຸດຜ່ອນຄວາມບໍ່ສະເຫມີພາບ, ແລະຂໍ້ມູນສະຫນັບສະຫນູນສໍາລັບການປ້ອງກັນ, ການວິນິດໄສ, ການປິ່ນປົວ, ການປະດິດສ້າງວິທະຍາສາດ, ການຕັດສິນໃຈແລະນິຕິກໍາ, ໃນຂະນະທີ່ຮັບປະກັນວ່າພົນລະເມືອງ EU ມີການຄວບຄຸມຫຼາຍກວ່າຂໍ້ມູນສຸຂະພາບສ່ວນບຸກຄົນຂອງເຂົາເຈົ້າ. ອັນສຸດທ້າຍເຮັດໃຫ້ມັນຊັດເຈນວ່າລະບົບການວິນິດໄສທາງການແພດເປັນລະບົບ AI ທີ່ມີຄວາມສ່ຽງສູງ, ແລະມັນຈໍາເປັນຕ້ອງໄດ້ຮັບຮອງເອົາການຊີ້ນໍາທີ່ເຂັ້ມແຂງເປົ້າຫມາຍ, ການຊີ້ນໍາຕະຫຼອດຊີວິດແລະການຊີ້ນໍາການປະເມີນຜົນກ່ອນ. ອົງການຢາເອີຣົບ (EMA) ໄດ້ເຜີຍແຜ່ເອກະສານການສະທ້ອນຮ່າງກ່ຽວກັບການນໍາໃຊ້ AI ເພື່ອສະຫນັບສະຫນູນການພັດທະນາຢາ, ລະບຽບການແລະການນໍາໃຊ້, ໂດຍເນັ້ນໃສ່ການປັບປຸງຄວາມຫນ້າເຊື່ອຖືຂອງ AI ເພື່ອຮັບປະກັນຄວາມປອດໄພຂອງຄົນເຈັບແລະຄວາມຊື່ສັດຂອງຜົນການຄົ້ນຄວ້າທາງດ້ານການຊ່ວຍ. ​ໂດຍ​ລວມ​ແລ້ວ, ວິທີ​ການ​ຄຸ້ມ​ຄອງ​ຂອງ EU ພວມ​ໄດ້​ຮັບ​ການ​ຜັນ​ຂະຫຍາຍ​ຢ່າງ​ເປັນ​ທາງ​ການ, ​ແລະ ​ເລື່ອງ​ປະຕິບັດ​ຂັ້ນ​ສຸດ​ທ້າຍ​ອາດ​ຈະ​ລະອຽດ ​ແລະ ​ເຂັ້ມ​ງວດ​ກວ່າ. ກົງກັນຂ້າມ​ກັບ​ລະບຽບ​ການ​ທີ່​ເຂັ້ມ​ງວດ​ຂອງ EU, ​ແຜນ​ຮ່າງ​ລະບຽບ​ການ AI ຂອງ​ອັງກິດ ​ໄດ້​ເຮັດ​ໃຫ້​ເຫັນ​ຢ່າງ​ຈະ​ແຈ້ງວ່າ ລັດຖະບານ​ວາງ​ແຜນ​ຈະ​ໃຊ້​ວິທີ​ທີ່​ອ່ອນ​ໂຍນ ​ແລະ ບໍ່​ອອກ​ຮ່າງ​ກົດໝາຍ​ໃໝ່ ຫຼື​ສ້າງ​ຕັ້ງ​ບັນດາ​ອົງການ​ຄຸ້ມ​ຄອງ​ໃໝ່​ໃນ​ປະຈຸ​ບັນ.

ໃນປະເທດຈີນ, ສູນກວດກາເຕັກນິກອຸປະກອນການແພດ (NMPA) ຂອງການຄຸ້ມຄອງຜະລິດຕະພັນການແພດແຫ່ງຊາດໄດ້ອອກກ່ອນຫນ້ານີ້ເອກະສານເຊັ່ນ "ຈຸດການທົບທວນຄືນຂອງການຮຽນຮູ້ເລິກຊໍແວການຊ່ວຍເຫຼືອການຕັດສິນໃຈ", "ຫຼັກການແນະນໍາສໍາລັບການລົງທະບຽນການທົບທວນຄືນອຸປະກອນການແພດປັນຍາທຽມ (ຮ່າງສໍາລັບຄໍາຄິດເຫັນ)" ແລະ "Circular on guiding Principles for the Artificial Products and Definition Software. 47 ໃນປີ 2021). ປີນີ້, "ບົດສະຫຼຸບຜົນການຈັດປະເພດອຸປະກອນການແພດຄັ້ງທໍາອິດໃນປີ 2023" ໄດ້ຖືກເປີດເຜີຍອີກເທື່ອຫນຶ່ງ. ເອກະສານຊຸດນີ້ເຮັດໃຫ້ຄໍານິຍາມ, ການຈັດປະເພດແລະກົດລະບຽບຂອງຜະລິດຕະພັນຊອບແວທາງການແພດທາງປັນຍາປອມທີ່ຊັດເຈນແລະດໍາເນີນການງ່າຍຂຶ້ນ, ແລະສະຫນອງຄໍາແນະນໍາທີ່ຊັດເຈນສໍາລັບການຈັດຕໍາແຫນ່ງຜະລິດຕະພັນແລະຍຸດທະສາດການລົງທະບຽນຂອງວິສາຫະກິດຕ່າງໆໃນອຸດສາຫະກໍາ. ກອງ​ປະຊຸມ​ປັນຍາ​ປະດິດ​ການ​ແພດ​ຈີນ​ຈັດ​ຂຶ້ນ​ໃນ​ວັນ​ທີ 21 ຫາ​ວັນ​ທີ 23 ທັນວາ​ນີ້​ຢູ່​ເມືອງ​ຫາງ​ໂຈ່​ວ​ໄດ້​ຈັດ​ກອງ​ປະຊຸມ​ເວທີ​ປາ​ໄສ​ພິ​ເສດ​ກ່ຽວ​ກັບ​ການ​ຄຸ້ມ​ຄອງ​ການ​ແພດ​ດິຈິ​ຕອລ​ແລະ​ການ​ພັດທະນາ​ຄຸນ​ນະພາ​ບສູງ​ຂອງ​ໂຮງໝໍ​ສາທາລະນະ​ແລະ​ການ​ທົດ​ສອບ​ອຸປະກອນ​ການ​ແພດ​ປັນຍາ​ທຽມ​ແລະ​ເວທີ​ປຶກສາ​ຫາລື​ການ​ພັດທະນາ​ເຕັກ​ໂນ​ໂລ​ຊີ​ມາດຕະຖານ​ການ​ປະຕິ​ຮູບ​ແຫ່ງ​ຊາດ​ແລະ NMPA ຈະ​ເຂົ້າ​ຮ່ວມ​ກອງ​ປະຊຸມ.

ສະຫຼຸບ

ໃນປີ 2023, AI ທາງການແພດໄດ້ເລີ່ມປະສົມປະສານເຂົ້າໃນຂະບວນການທາງດ້ານການແພດທັງຫມົດໃນນ້ໍາແລະລຸ່ມ, ກວມເອົາການເກັບກໍາຂໍ້ມູນຂອງໂຮງຫມໍ, fusion, ການວິເຄາະ, ການວິນິດໄສແລະການປິ່ນປົວ, ແລະການກວດສອບຊຸມຊົນ, ແລະການຮ່ວມມືທາງອິນຊີກັບພະນັກງານແພດ / ການຄວບຄຸມພະຍາດ, ສະແດງໃຫ້ເຫັນທ່າແຮງທີ່ຈະນໍາເອົາຄວາມສະຫວັດດີພາບໄປສູ່ສຸຂະພາບຂອງມະນຸດ. ການຄົ້ນຄວ້າ AI ທາງການແພດທີ່ໃຊ້ໄດ້ແມ່ນເລີ່ມຕົ້ນທີ່ຈະອາລຸນ. ໃນອະນາຄົດ, ຄວາມກ້າວຫນ້າຂອງ AI ທາງການແພດບໍ່ພຽງແຕ່ຂຶ້ນກັບການພັດທະນາເຕັກໂນໂລຢີຂອງມັນເອງ, ແຕ່ຍັງຕ້ອງການການຮ່ວມມືຢ່າງເຕັມທີ່ຂອງອຸດສາຫະກໍາ, ມະຫາວິທະຍາໄລແລະການຄົ້ນຄວ້າທາງການແພດແລະການສະຫນັບສະຫນູນຂອງຜູ້ສ້າງນະໂຍບາຍແລະຜູ້ຄວບຄຸມ. ການຮ່ວມມືຂ້າມໂດເມນນີ້ແມ່ນກຸນແຈເພື່ອບັນລຸການບໍລິການທາງການແພດປະສົມປະສານ AI, ແລະແນ່ນອນວ່າຈະສົ່ງເສີມການພັດທະນາສຸຂະພາບຂອງມະນຸດ.