သတင်း

IBM Watson သည် 2007 ခုနှစ်မှ စတင်ပြီး လူသားများသည် ဆေးဘက်ဆိုင်ရာ ဉာဏ်ရည်တု (AI) ဖွံ့ဖြိုးတိုးတက်ရေးကို စဉ်ဆက်မပြတ် လိုက်ရှာနေပါသည်။ အသုံးပြုနိုင်သော အစွမ်းထက်သော ဆေးဘက်ဆိုင်ရာ AI စနစ်သည် ခေတ်မီဆေးပညာ၏ ကဏ္ဍအားလုံးကို ပြန်လည်ပုံဖော်ရန် ကြီးမားသော အလားအလာရှိပြီး ပိုမိုထက်မြက်သော၊ ပိုမိုတိကျမှု၊ ထိရောက်မှု၊ နှင့် ပါဝင်သော စောင့်ရှောက်မှုတို့ကို ပေးစွမ်းနိုင်ကာ ဆေးဘက်ဆိုင်ရာဝန်ထမ်းများနှင့် လူနာများအတွက် ကျန်းမာချမ်းသာမှုကို ဆောင်ကြဉ်းပေးကာ လူ့ကျန်းမာရေးကို များစွာတိုးတက်စေပါသည်။ လွန်ခဲ့သော 16 နှစ်အတွင်း ဆေးဘက်ဆိုင်ရာ AI သုတေသီများသည် နယ်ပယ်အသီးသီးတွင် စုဆောင်းထားသော်လည်း ဤအဆင့်တွင် သိပ္ပံစိတ်ကူးယဉ်များကို လက်တွေ့အကောင်အထည်မဖော်နိုင်ကြသေးပါ။

ယခုနှစ်တွင် ChatGPT ကဲ့သို့သော AI နည်းပညာ၏ တော်လှန်ပြောင်းလဲမှုနှင့်အတူ ဆေးဘက်ဆိုင်ရာ AI သည် ကဏ္ဍများစွာတွင် ကြီးမားသောတိုးတက်မှုကို ရရှိခဲ့သည်။ ဆေးဘက်ဆိုင်ရာ AI ၏စွမ်းရည်တွင် မကြုံစဖူးသော အောင်မြင်မှုများ- Nature ဂျာနယ်သည် ဆေးဘက်ဆိုင်ရာ ကြီးမားသော ဘာသာစကားပုံစံနှင့် ဆေးဘက်ဆိုင်ရာ ရုပ်ပုံအခြေခံမော်ဒယ်၏ သုတေသနကို စဉ်ဆက်မပြတ် စတင်ထုတ်ဝေခဲ့သည်။ Google သည် Med-PaLM နှင့် ၎င်း၏နောက်ဆက်တွဲကို အမေရိကန်ဆေးဘက်ဆိုင်ရာ လေ့ကျင့်ရေးဆရာစာမေးပွဲမေးခွန်းများတွင် ကျွမ်းကျင်သူအဆင့်သို့ရောက်ရှိအောင် ထုတ်ပြန်ခဲ့သည်။ အဓိက ပညာရပ်ဆိုင်ရာ ဂျာနယ်များသည် ဆေးဘက်ဆိုင်ရာ AI ကို အာရုံစိုက်လိမ့်မည်- Nature သည် ယေဘူယျ ဆေးဘက်ဆိုင်ရာ AI ၏ အခြေခံ မော်ဒယ်အပေါ် အမြင်ကို ထုတ်ပြန်သည်။ ယခုနှစ်အစောပိုင်းတွင် ဆေးပညာဆိုင်ရာ AI ၏သုံးသပ်ချက်များကို ဆက်တိုက်ပြုလုပ်ပြီးနောက်၊ New England Journal of Medicine (NEJM) သည် ၎င်း၏ပထမဆုံးဒစ်ဂျစ်တယ်ကျန်းမာရေးသုံးသပ်ချက်ကို နိုဝင်ဘာလ 30 ရက်နေ့တွင်ထုတ်ဝေခဲ့ပြီး NEJM ဂျာနယ်ခွဲ NEJM AI ၏ပထမဆုံးစာစောင်ကို ဒီဇင်ဘာ 12 ရက်နေ့တွင်ထုတ်ဝေခဲ့သည်။ ဆေးဘက်ဆိုင်ရာ AI ဆင်းသက်သည့်မြေသည် ပိုမိုရင့်ကျက်လာသည်- JAMA ဂျာနယ်ခွဲသည် ကမ္ဘာလုံးဆိုင်ရာဆေးဘက်ဆိုင်ရာပုံရိပ်ဒေတာမျှဝေခြင်းအစပျိုးမှုကို ထုတ်ဝေခဲ့သည်။ US Food and Drug Administration (FDA) သည် ဆေးဘက်ဆိုင်ရာ AI စည်းမျဉ်းအတွက် လမ်းညွှန်ချက်မူကြမ်းကို ရေးဆွဲနေသည်။

အောက်တွင်၊ ကျွန်ုပ်တို့သည် 2023 ခုနှစ်တွင် အသုံးပြုနိုင်သော ဆေးဘက်ဆိုင်ရာ AI ၏ ဦးတည်ချက်ဖြင့် ကမ္ဘာတစ်ဝှမ်းရှိ သုတေသီများ လုပ်ဆောင်ခဲ့သော သိသာထင်ရှားသော တိုးတက်မှုကို ပြန်လည်သုံးသပ်ပါသည်။

ဆေးဘက်ဆိုင်ရာ AI အခြေခံမော်ဒယ်

ဆေးဘက်ဆိုင်ရာ AI အခြေခံမော်ဒယ်တည်ဆောက်မှုသည် ယခုနှစ်အတွက် အပြင်းထန်ဆုံးသော သုတေသနပြုချက်ဖြစ်သည်မှာ သေချာပါသည်။ The Nature ဂျာနယ်များသည် တစ်နှစ်တာအတွင်း ကျန်းမာရေးစောင့်ရှောက်မှု၏ Universal Basic မော်ဒယ်နှင့် ကျန်းမာရေးစောင့်ရှောက်မှု၏ ကြီးမားသောဘာသာစကားပုံစံအပေါ် သုံးသပ်ချက်ဆောင်းပါးများကို ထုတ်ဝေခဲ့သည်။ ဆေးဘက်ဆိုင်ရာပုံရိပ်ခွဲခြမ်းစိတ်ဖြာခြင်းလုပ်ငန်း၏ထိပ်တန်းဂျာနယ်သည်ဆေးဘက်ဆိုင်ရာရုပ်ပုံခွဲခြမ်းစိတ်ဖြာမှုတွင်အခြေခံမော်ဒယ်သုတေသန၏စိန်ခေါ်မှုများနှင့်အခွင့်အလမ်းများကိုပြန်လည်သုံးသပ်ပြီးဆေးဘက်ဆိုင်ရာ AI ၏အခြေခံမော်ဒယ်သုတေသနဖွံ့ဖြိုးတိုးတက်မှုကိုအကျဉ်းချုပ်နှင့်လမ်းညွှန်ရန်အတွက် "အခြေခံမော်ဒယ်လ်" အယူအဆကိုအဆိုပြုခဲ့သည်။ ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် အခြေခံ AI မော်ဒယ်များ၏ အနာဂတ်သည် ပိုမိုရှင်းလင်းလာသည်။ ChatGPT ကဲ့သို့သော ကြီးမားသောဘာသာစကားမော်ဒယ်များ၏ အောင်မြင်သောနမူနာများကို ရေးဆွဲကာ ပိုမိုအဆင့်မြင့်သော ကိုယ်တိုင်ကြီးကြပ်မှုအကြိုလေ့ကျင့်ရေးနည်းလမ်းများနှင့် လေ့ကျင့်ရေးဒေတာများစွာကို အသုံးပြု၍ ဆေးဘက်ဆိုင်ရာ AI နယ်ပယ်မှ သုတေသီများသည် 1) ရောဂါအလိုက်အခြေခံမော်ဒယ်များ၊ 2) ယေဘုယျအခြေခံမော်ဒယ်များနှင့် 3) parameter အမျိုးမျိုးနှင့် သာလွန်ကောင်းမွန်သောမုဒ်များစွာကို ပေါင်းစပ်နိုင်သော multimodal ကြီးမားသောမော်ဒယ်များ

ဆေးဘက်ဆိုင်ရာဒေတာရယူမှု AI မော်ဒယ်

ရေအောက်ပိုင်းလက်တွေ့ဒေတာခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းများတွင်ကြီးမားသောအခန်းကဏ္ဍမှပါဝင်သည့်ကြီးမားသော AI မော်ဒယ်များအပြင်၊ ရေစီးကြောင်းလက်တွေ့ဒေတာရယူမှုတွင်၊ မျိုးဆက်သစ် AI မော်ဒယ်များဖြင့်ကိုယ်စားပြုသည့်နည်းပညာများလည်း ထွက်ပေါ်လာပါသည်။ AI algorithms ဖြင့် ဒေတာရယူခြင်း၏ လုပ်ငန်းစဉ်၊ မြန်နှုန်းနှင့် အရည်အသွေးတို့ကို သိသိသာသာ မြှင့်တင်နိုင်ပါသည်။

ယခုနှစ်အစောပိုင်းတွင်၊ Nature Biomedical Engineering သည် ကုသမှုဆိုင်ရာအသုံးချမှုများတွင် ရောဂါဗေဒပုံရိပ်-အထောက်အကူပြုရောဂါရှာဖွေရေးပြဿနာကိုဖြေရှင်းရန် generative AI ကိုအသုံးပြုခြင်းအပေါ် အာရုံစိုက်ထားသည့် တူရကီနိုင်ငံ Straits တက္ကသိုလ်မှလေ့လာမှုတစ်ခုကို ထုတ်ပြန်ခဲ့သည်။ ခွဲစိတ်စဉ်အတွင်း အေးခဲနေသောအပိုင်းတစ်ရှူးရှိ ပစ္စည်းများသည် လျင်မြန်သောရောဂါရှာဖွေအကဲဖြတ်ခြင်းအတွက် အတားအဆီးတစ်ခုဖြစ်သည်။ ဖော်မလင်နှင့် ပါရာဖင်ထည့်ထားသော (FFPE) တစ်ရှူးများသည် အရည်အသွေးပိုမြင့်သောနမူနာကို ပေးစွမ်းသော်လည်း ၎င်း၏ထုတ်လုပ်မှုလုပ်ငန်းစဉ်သည် အချိန်ကုန်ပြီး မကြာခဏ 12-48 နာရီကြာမြင့်သောကြောင့် ခွဲစိတ်မှုတွင်အသုံးပြုရန် မသင့်လျော်ပါ။ ထို့ကြောင့် သုတေသနအဖွဲ့မှ AI-FFPE ဟုခေါ်သော အယ်လဂိုရီသမ်တစ်ခုကို အဆိုပြုခဲ့ပြီး အေးခဲထားသည့်အပိုင်းရှိ တစ်ရှူးများ၏အသွင်အပြင်ကို FFPE နှင့်ဆင်တူစေသည်။ အယ်လဂိုရီသမ်သည် အေးခဲထားသည့်အပိုင်းများ၏ ရှေးဟောင်းပစ္စည်းများကို အောင်မြင်စွာ ပြုပြင်ပြီး ရုပ်ပုံအရည်အသွေးကို မြှင့်တင်ပေးပြီး တစ်ချိန်တည်းတွင် ဆေးခန်းဆိုင်ရာ အင်္ဂါရပ်များကို ထိန်းသိမ်းထားသည်။ ဆေးဘက်ဆိုင်ရာအတည်ပြုချက်တွင်၊ AI-FFPE အယ်လဂိုရီသမ်သည် အကျိတ်အမျိုးအစားခွဲများအတွက် ရောဂါဗေဒပညာရှင်များ၏ ရောဂါရှာဖွေရေးတိကျမှုကို သိသိသာသာတိုးတက်စေပြီး ဆေးခန်းရောဂါရှာဖွေချိန်ကို အလွန်တိုစေပါသည်။

Cell Reports Medicine သည် Jilin တက္ကသိုလ်၏ တတိယလက်တွေ့ကောလိပ်၊ ဓာတ်မှန်ရိုက်ဌာန၊ Fudan တက္ကသိုလ်နှင့် ဆက်နွယ်သော Zhongshan ဆေးရုံ၊ နှင့် Shanghai University of Science and Technology [25] တို့မှ အဖွဲ့တစ်ဖွဲ့၏ သုတေသနလုပ်ငန်းကို အစီရင်ခံပါသည်။ ဤလေ့လာမှုသည် ယေဘုယျရည်ရွယ်ချက်နက်နဲသောသင်ယူမှုနှင့် ထပ်ခါထပ်ခါပြန်လည်တည်ဆောက်ရေးပေါင်းစပ်မူဘောင် (Hybrid DL-IR) ကို မြင့်မားသောဘက်စုံနှင့်ပြောင်းလွယ်ပြင်လွယ်ရှိသော၊ မြန်ဆန်သော MRI၊ ပမာဏနည်းသော CT နှင့် အမြန် PET တို့တွင် ကောင်းမွန်သောပုံရိပ်ပြန်လည်တည်ဆောက်ရေးစွမ်းဆောင်ရည်ကိုပြသထားသည်။ algorithm သည် MR Single-organ multi-sequence scanning ကို 100 စက္ကန့်အတွင်း ရရှိနိုင်ပြီး ဓါတ်ရောင်ခြည်ပမာဏကို CT ပုံ၏ 10% တွင်သာ လျှော့ချနိုင်ပြီး ဆူညံသံများကို ဖယ်ရှားကာ PET ရယူခြင်းမှ သေးငယ်သော ဒဏ်ရာများကို ပြန်လည်တည်ဆောက်နိုင်ပြီး လှုပ်ရှားမှု artifacts များ၏ အကျိုးသက်ရောက်မှုကို လျှော့ချပေးကာ 2 ကြိမ်မှ 4 ဆ အရှိန်ဖြင့် ပြန်လည်တည်ဆောက်နိုင်သည်။

ဆေးဘက်ဆိုင်ရာ AI သည် ဆေးဘက်ဆိုင်ရာ အလုပ်သမားများနှင့် ပူးပေါင်းဆောင်ရွက်ခြင်း

ဆေးဘက်ဆိုင်ရာ AI ၏ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်မှုသည် ဆေးဘက်ဆိုင်ရာ ကျွမ်းကျင်ပညာရှင်များကို ကုသမှုဆိုင်ရာ လုပ်ငန်းစဉ်များ ပိုမိုကောင်းမွန်လာစေရန် AI နှင့် မည်သို့ပူးပေါင်းရမည်ကို လေးလေးနက်နက် စဉ်းစားစူးစမ်းလေ့လာရန်လည်း တွန်းအားပေးခဲ့သည်။ ယခုနှစ် ဇူလိုင်လတွင် DeepMind နှင့် အဖွဲ့အစည်းပေါင်းစုံ သုတေသနအဖွဲ့တို့ ပူးပေါင်းပြီး Complementary Driven Clinical Workflow Delay (CoDoC) ဟုခေါ်သော AI စနစ်တစ်ခုကို အဆိုပြုခဲ့သည်။ ရောဂါရှာဖွေရေးလုပ်ငန်းစဉ်ကို ကြိုတင်ခန့်မှန်းနိုင်သော AI စနစ်ဖြင့် ဦးစွာစစ်ဆေးပြီးနောက် ယခင်ရလဒ်အပေါ် အခြား AI စနစ်ဖြင့် ဆုံးဖြတ်ပြီး သံသယရှိပါက နောက်ဆုံးတွင် ရောဂါရှာဖွေမှု တိကျမှုနှင့် ဟန်ချက်ညီမှုကို မြှင့်တင်ရန် ဆေးခန်းမှ စစ်ဆေးမှုပြုလုပ်မည်ဖြစ်သည်။ ရင်သားကင်ဆာစစ်ဆေးခြင်းနှင့်ပတ်သက်လာလျှင် CoDoC သည် ယူကေရှိ လက်ရှိ “နှစ်ထပ်ဖတ်ခုံသမာဓိစီရင်ဆုံးဖြတ်ခြင်း” လုပ်ငန်းစဉ်နှင့် နှိုင်းယှဉ်ပါက တူညီသော မှားယွင်းသောအနုတ်လက္ခဏာနှုန်းဖြင့် မှားယွင်းသောအနုတ်လက္ခဏာနှုန်းကို 25% လျှော့ချခဲ့ပြီး ဆေးခန်း၏အလုပ်ဝန်အား 66% လျှော့ချခဲ့သည်။ တီဘီရောဂါ အမျိုးအစားခွဲခြားမှုအရ၊ မှားယွင်းသောအပြုသဘောနှုန်းကို လွတ်လပ်သော AI နှင့် လက်တွေ့လုပ်ငန်းခွင်များနှင့် နှိုင်းယှဉ်ပါက တူညီသော မှားယွင်းသောအနုတ်နှုန်းကို 5 မှ 15 ရာခိုင်နှုန်းအထိ လျှော့ချခဲ့သည်။

အလားတူ၊ UK၊ London ရှိ Kheiron ကုမ္ပဏီမှ Annie Y. Ng et al. သည် ရင်သားကင်ဆာစစ်ဆေးခြင်းတွင် လွဲချော်နေသော စောစီးစွာစစ်ဆေးခြင်းပြဿနာကို ပိုမိုကောင်းမွန်စေသည့် ရလဒ်များကို ပြန်လည်စစ်ဆေးရန်အတွက် AI readers (လူသားစစ်ဆေးသူများနှင့် ပူးပေါင်းကာ) ကို ထပ်မံစစ်ဆေးရန် မိတ်ဆက်ပေးခဲ့သည်။ University of Texas McGovern Medical School မှ အဖွဲ့တစ်ဖွဲ့မှ ဦးဆောင်ပြီး လေဖြတ်ခြင်းဆိုင်ရာ စင်တာလေးခုတွင် ပြီးမြောက်ခဲ့သော နောက်ထပ်လေ့လာမှုတစ်ခုသည် ကြီးမားသောသွေးကြောဆိုင်ရာ occlusive ischemic stroke (LVO) ကို အလိုအလျောက်သိရှိနိုင်ရန် computed tomography angiography (CTA)-based AI နည်းပညာကို အသုံးပြုခဲ့သည်။ ဆေးခန်းပညာရှင်များနှင့် ဓာတ်မှန်ဗေဒပညာရှင်တို့သည် CT ပုံရိပ်ဖော်ပြီးနောက် မိနစ်ပိုင်းအတွင်း ၎င်းတို့၏မိုဘိုင်းလ်ဖုန်းများတွင် အချိန်နှင့်တပြေးညီသတိပေးချက်များကို လက်ခံရရှိပြီး LVO ၏ဖြစ်နိုင်ချေရှိကြောင်း အသိပေးအပ်ပါသည်။ ဤ AI လုပ်ငန်းစဉ်သည် စူးရှသော ischemic လေဖြတ်ခြင်းအတွက် ဆေးရုံတွင်းအလုပ်အသွားအလာများကို တိုးတက်ကောင်းမွန်စေပြီး ကုသမှုခံယူခြင်းမှ ပေါင်ခြံအချိန်ကို လျှော့ချကာ အောင်မြင်သောကယ်ဆယ်ရေးအတွက် အခွင့်အလမ်းများပေးစွမ်းသည်။ တွေ့ရှိချက်များကို JAMA Neurology တွင်ဖော်ပြထားသည်။

Universal Benefit အတွက် AI ကျန်းမာရေးစောင့်ရှောက်မှုပုံစံ

2023 တွင် ဆေးဘက်ဆိုင်ရာ AI ကိုအသုံးပြု၍ ပိုမိုလွယ်ကူစွာရရှိနိုင်သောဒေတာများမှ လူသားမျက်စိဖြင့်မမြင်နိုင်သောအင်္ဂါရပ်များကိုရှာဖွေရန်၊ universal diagnosis နှင့် အတိုင်းအတာဖြင့်စောစီးစွာစစ်ဆေးခြင်းတို့ကိုရှာဖွေရန် 2023 တွင်ကောင်းမွန်သောအလုပ်များစွာကိုတွေ့ရပါမည်။ နှစ်အစတွင် Nature Medicine သည် Sun Yat-sen University ၏ Zhongshan Eye Center နှင့် Fujian Medical University ၏ ဒုတိယတွဲဖက်ဆေးရုံမှ ပြုလုပ်သော လေ့လာမှုများကို ထုတ်ပြန်ခဲ့သည်။ စမတ်ဖုန်းများကို အပလီကေးရှင်းစက်များအဖြစ်အသုံးပြုကာ ကလေးများ၏အကြည့်များကို ဆွဲဆောင်ရန်နှင့် ကလေးများ၏အကြည့်အပြုအမူနှင့် မျက်နှာအသွင်အပြင်များကို မှတ်တမ်းတင်ရန်အတွက် ကာတွန်းပုံစံများကို အသုံးပြုကာ မွေးရာပါအတွင်းတိမ်၊ မွေးရာပါ ptosis နှင့် မွေးရာပါရေတိမ်အပါအဝင် ပုံမှန်စစ်ဆေးမှု 8% ထက် ပိုတိကျသည့် ပုံမှန်စစ်ဆေးမှု 8% ထက် ပိုမိုတိကျသောပုံမှန်စစ်ဆေးမှု 8% ဖြင့် ပုံမှန်မဟုတ်သောပုံစံများကို လေ့လာခဲ့သည်။ ၎င်းသည် မွေးကင်းစကလေး၏ အမြင်အာရုံဆိုင်ရာ လုပ်ဆောင်ချက်ချို့ယွင်းမှုနှင့် ဆက်စပ်မျက်စိရောဂါများကို အကြီးစားစောစီးစွာ စစ်ဆေးခြင်းအတွက် ထိရောက်ပြီး လူကြိုက်များစေရန် နည်းပညာဆိုင်ရာ နည်းလမ်းများကို ပံ့ပိုးပေးပါသည်။

ယခုနှစ်ကုန်တွင်၊ Nature Medicine သည် ကမ္ဘာတစ်ဝှမ်းရှိ ဆေးဘက်ဆိုင်ရာနှင့် သုတေသနအဖွဲ့အစည်း 10 ကျော်မှ လုပ်ဆောင်ခဲ့သော အလုပ်တစ်ခုကို Shanghai Institute of Pancreatic Disease နှင့် Zhejiang University ၏ ပထမတွဲဖက်ဆေးရုံတို့အပါအဝင်ဖြစ်သည်။ စာရေးသူသည် ပန်ကရိယကင်ဆာကို ထိရောက်ပြီး စောစီးစွာရှာဖွေတွေ့ရှိရန် ခက်ခဲသော ရိုးရိုးစကင်န် CT ပုံများတွင် ဒဏ်ရာအင်္ဂါရပ်များကို သိရှိနိုင်ရန် ပန်ကရိယကင်ဆာစစ်ဆေးမှုတွင် AI ကို အသုံးပြုထားသည်။ လူနာပေါင်း 20,000 ကျော်ထံမှ အချက်အလက်များကို ပြန်လည်သုံးသပ်ရာတွင်၊ မော်ဒယ်သည် ဆေးခန်းမှလွဲချော်ခဲ့သော ဒဏ်ရာများ 31 ခုကိုလည်း တွေ့ရှိခဲ့ပြီး ဆေးခန်းရလဒ်များကို သိသိသာသာ တိုးတက်စေပါသည်။

ဆေးဘက်ဆိုင်ရာဒေတာမျှဝေခြင်း။

2023 ခုနှစ်တွင်၊ ပိုမိုပြီးပြည့်စုံသော ဒေတာမျှဝေမှုယန္တရားများနှင့် အောင်မြင်သောကိစ္စများ ကမ္ဘာတစ်ဝှမ်းတွင် ပေါ်ပေါက်လာခဲ့ပြီး ဒေတာကိုယ်ရေးကိုယ်တာနှင့် လုံခြုံရေးကို ကာကွယ်သည့်အနေဖြင့် စင်တာပေါင်းများစွာ ပူးပေါင်းဆောင်ရွက်မှုနှင့် ဒေတာပွင့်လင်းမှုကို အာမခံပါသည်။

ပထမဦးစွာ AI နည်းပညာကိုယ်တိုင်၏အကူအညီဖြင့် AI သုတေသီများသည် ဆေးဘက်ဆိုင်ရာအချက်အလက်များကို မျှဝေရန် ပံ့ပိုးပေးခဲ့သည်။ အမေရိကန်ပြည်ထောင်စုရှိ Rutgers တက္ကသိုလ်မှ Qi Chang နှင့် အခြားသူများမှ Nature Communications တွင် ဆောင်းပါးတစ်ပုဒ်ကို ထုတ်ဝေခဲ့ပြီး ဖြန့်ဝေထားသော ပေါင်းစပ်ဆန့်ကျင်ဘက်ကွန်ရက်များပေါ်တွင် အခြေခံသည့် ဖက်ဒရယ် သင်ယူမှုမူဘောင် DSL ကို အဆိုပြုကာ၊ ဂျင်နရယ် AI ကို အသုံးပြု၍ စင်တာပေါင်းများစွာ၏ သီးခြားထုတ်လုပ်ထားသောဒေတာကို လေ့ကျင့်ပေးကာ ထုတ်ပေးထားသောဒေတာဖြင့် စင်တာပေါင်းများစွာ၏ တကယ့်ဒေတာကို အစားထိုးသည်။ ဒေတာ privacy ကိုကာကွယ်နေစဉ် multicentre ကြီးကြီးမားမားဒေတာအပေါ်အခြေခံပြီး AI လေ့ကျင့်မှုကိုသေချာပါစေ။ တူညီသောအဖွဲ့သည် ထုတ်လုပ်လိုက်သော ရောဂါဗေဒပုံများနှင့် ၎င်းတို့၏ သက်ဆိုင်ရာ မှတ်ချက်များကို ဒေတာအစုံအလင်ဖြင့် ပွင့်လင်းမြင်သာစွာ ထုတ်ပေးပါသည်။ ထုတ်ပေးထားသော ဒေတာအစုတွင် လေ့ကျင့်ထားသော ခွဲခြမ်းခြင်းပုံစံသည် ဒေတာအစစ်အမှန်နှင့် အလားတူရလဒ်များကို ရရှိနိုင်သည်။

Tsinghua University မှ Dai Qionghai အဖွဲ့သည် npj ဒစ်ဂျစ်တယ်ကျန်းမာရေးဆိုင်ရာ စာတမ်းတစ်စောင်ကို ထုတ်ဝေခဲ့ပြီး၊ ဒေသဆိုင်ရာဒေတာအချုပ်အခြာအာဏာနှင့် ဆိုက်ကွန်ရက်ချိတ်ဆက်မှုမရှိသော AI မော်ဒယ်များကို လေ့ကျင့်ပေးရန်အတွက် ဆိုက်များစွာသောဒေတာကိုအသုံးပြုသည့် Relay Learning ကိုအဆိုပြုခဲ့သည်။ ၎င်းသည် AI စွမ်းဆောင်ရည်ကိုလိုက်စားခြင်းဖြင့် ဒေတာလုံခြုံရေးနှင့် ကိုယ်ရေးကိုယ်တာပြဿနာများကို ချိန်ညှိပေးသည်။ ထိုအဖွဲ့သည် နောက်ပိုင်းတွင် ဖက်ဒရယ်သင်ယူမှုအပေါ်အခြေခံ၍ ရင်ဘတ် CT pan-mediastinal အကျိတ်ရောဂါရှာဖွေရေးစနစ်ဖြစ်သော CAIMEN ကို ပူးတွဲတီထွင်ကာ အတည်ပြုစစ်ဆေးခဲ့ပြီး၊ Guangzhou ဆေးဘက်ဆိုင်ရာတက္ကသိုလ်၏ First Affiliated Hospital နှင့် နိုင်ငံတစ်ဝှမ်းရှိ ဆေးရုံ 24 ရုံတို့ ပူးပေါင်းလုပ်ဆောင်ခဲ့သည်။ သာမန် mediastinal အကျိတ် 12 ခုတွင် အသုံးချနိုင်သည့် စနစ်သည် လူသား ကျွမ်းကျင်သူများ တစ်ယောက်တည်း အသုံးပြုသည့်အခါထက် တိကျမှု 44.9 ရာခိုင်နှုန်း ပိုကောင်းပြီး လူသား ပညာရှင်များ၏ အကူအညီ ပေးသောအခါတွင် ရောဂါ တိကျမှု 19 ရာခိုင်နှုန်း ပိုကောင်းပါသည်။

အခြားတစ်ဖက်တွင်၊ လုံခြုံသော၊ ကမ္ဘာလုံးဆိုင်ရာ၊ ကြီးမားသော ဆေးဘက်ဆိုင်ရာဒေတာအစုံများကို တည်ဆောက်ရန် အစပျိုးမှုများစွာကို လုပ်ဆောင်နေပါသည်။ 2023 ခုနှစ် နိုဝင်ဘာလတွင်၊ ဟားဗတ်ဆေးကျောင်းရှိ ဇီဝဆေးပညာဆိုင်ရာ အချက်အလက်ဌာနမှ Agustina Saenz နှင့် အခြားသော ကျန်းမာရေးစောင့်ရှောက်မှုအားလုံးအတွက် Artificial Intelligence Data (MAIDA) ဟုခေါ်သော ဆေးဘက်ဆိုင်ရာပုံရိပ်ဒေတာကို မျှဝေရန်အတွက် ကမ္ဘာလုံးဆိုင်ရာမူဘောင်တစ်ခုဖြစ်သော Lancet Digital Health တွင် အွန်လိုင်းတွင်ထုတ်ဝေခဲ့သည်။ ဒေတာခွဲဝေမှုစံနှုန်းသတ်မှတ်ရန် US Federal Demonstration Partner (FDP) နမူနာပုံစံကို အသုံးပြု၍ ဒေတာစုဆောင်းခြင်းနှင့် ခွဲခြားသတ်မှတ်ခြင်းဆိုင်ရာ ပြည့်စုံသော လမ်းညွှန်ချက်ပေးရန် ကမ္ဘာတစ်ဝှမ်းရှိ ကျန်းမာရေးစောင့်ရှောက်မှုအဖွဲ့အစည်းများနှင့် လုပ်ဆောင်လျက်ရှိသည်။ ၎င်းတို့သည် မတူညီသောဒေသများနှင့် ကမ္ဘာတစ်ဝှမ်းရှိ ဆေးခန်းဆက်တင်များတွင် စုဆောင်းထားသော ဒေတာအစုံများကို ဖြည်းဖြည်းချင်း ထုတ်ပြန်ရန် စီစဉ်လျက်ရှိသည်။ မိတ်ဖက်ပူးပေါင်းဆောင်ရွက်မှု တိုးချဲ့လာသည်နှင့်အမျှ ပထမဆုံးဒေတာအတွဲကို 2024 အစောပိုင်းတွင် ထုတ်ပြန်နိုင်မည်ဟု မျှော်လင့်ရသည်။ အဆိုပါပရောဂျက်သည် အများသူငှာရရှိနိုင်သော AI ဒေတာ၏ ကမ္ဘာလုံးဆိုင်ရာ၊ ကြီးမားပြီး ကွဲပြားသောအစုအဝေးတစ်ခုကို တည်ဆောက်ရန် အရေးကြီးသောကြိုးပမ်းမှုတစ်ခုဖြစ်သည်။

အဆိုပြုချက်အပြီးတွင်၊ UK Biobank သည် ဥပမာတစ်ခုပြခဲ့သည်။ UK Biobank သည် ၎င်း၏ပါဝင်သူ 500,000 ၏ genome sequencing တစ်ခုလုံးမှ ဒေတာအသစ်များကို နိုဝင်ဘာလ 30 ရက်နေ့တွင် ထုတ်ပြန်ခဲ့သည်။ ဗြိတိန်စေတနာ့ဝန်ထမ်း 500,000 တစ်ဦးစီ၏ ဂျီနိုအစီအစဥ်အပြည့်အစုံကို ထုတ်ဝေသည့် ဒေတာဘေ့စ်သည် ကမ္ဘာပေါ်တွင် အကြီးမားဆုံး ပြီးပြည့်စုံသော လူသားဂျီနိုမ်ဒေတာဘေ့စ်ဖြစ်သည်။ ကမ္ဘာတစ်ဝှမ်းရှိ သုတေသီများသည် ဤခွဲခြားသတ်မှတ်ထားသော အချက်အလက်များကို ဝင်ရောက်ကြည့်ရှုခွင့် တောင်းဆိုနိုင်ပြီး ကျန်းမာရေးနှင့် ရောဂါများ၏ မျိုးရိုးဗီဇဆိုင်ရာ အခြေခံများကို စစ်ဆေးရန် ၎င်းကို အသုံးပြုနိုင်သည်။ မျိုးရိုးဗီဇဒေတာသည် ယခင်က အတည်ပြုခြင်းအတွက် အလွန်အကဲဆတ်ခဲ့ပြီး UK Biobank ၏ ဤသမိုင်းဝင်အောင်မြင်မှုသည် ပွင့်လင်းပြီး ကိုယ်ရေးကိုယ်တာကင်းသော ကမ္ဘာလုံးဆိုင်ရာဒေတာဘေ့စ်ကို တည်ဆောက်ရန် ဖြစ်နိုင်ကြောင်း သက်သေထူပါသည်။ ဤနည်းပညာနှင့် ဒေတာဘေ့စ်ဖြင့်၊ ဆေးဘက်ဆိုင်ရာ AI သည် လာမည့် ခုန်ပျံကျော်လွှားမှုတွင် ဦးဆောင်ရန် ချည်နှောင်ထားသည်။

ဆေးဘက်ဆိုင်ရာ AI ကို အတည်ပြုခြင်းနှင့် အကဲဖြတ်ခြင်း။

ဆေးဘက်ဆိုင်ရာ AI နည်းပညာကိုယ်တိုင်က လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်လာသည်နှင့် နှိုင်းယှဉ်ပါက ဆေးဘက်ဆိုင်ရာ AI ၏ စစ်ဆေးခြင်းနှင့် အကဲဖြတ်ခြင်း ဖွံ့ဖြိုးတိုးတက်မှုမှာ အနည်းငယ်နှေးကွေးပါသည်။ အထွေထွေ AI နယ်ပယ်တွင် အတည်ပြုခြင်းနှင့် အကဲဖြတ်ခြင်းများသည် AI အတွက် ဆေးခန်းများနှင့် လူနာများ၏ တကယ့်လိုအပ်ချက်များကို လျစ်လျူရှုလေ့ရှိသည်။ သမားရိုးကျ ကျပန်းထိန်းချုပ်ထားသော လက်တွေ့စမ်းသပ်မှုများသည် AI ကိရိယာများ၏ လျင်မြန်သောထပ်လုပ်ခြင်းများနှင့် ကိုက်ညီရန် ခက်ခဲလွန်းပါသည်။ ဆေးဘက်ဆိုင်ရာ AI ကိရိယာများအတွက် သင့်လျော်သော စစ်ဆေးအတည်ပြုခြင်းနှင့် အကဲဖြတ်ခြင်းစနစ်အား ပိုမိုကောင်းမွန်လာခြင်းသည် ဆေးဘက်ဆိုင်ရာ AI သုတေသနနှင့် လက်တွေ့ဆင်းသက်မှုဆီသို့ အမှန်တကယ် ခုန်ပျံကျော်လွှားသွားစေရန် မြှင့်တင်ရန် အရေးကြီးဆုံးအရာဖြစ်သည်။

Nature တွင်ထုတ်ဝေသော Med-PaLM ဆိုင်ရာ Google ၏သုတေသနစာတမ်းတွင်၊ အဖွဲ့သည် ဆေးဘက်ဆိုင်ရာအသိပညာများရရှိရန် ကြီးမားသောဘာသာစကားမော်ဒယ်များ၏စွမ်းရည်ကိုအကဲဖြတ်ရန်အသုံးပြုသည့် MultiMedQA အကဲဖြတ်စံနှုန်းစံညွှန်းကိုလည်း ထုတ်ပြန်ခဲ့သည်။ စံသတ်မှတ်ချက်သည် လက်ရှိ ပရော်ဖက်ရှင်နယ် ဆေးဘက်ဆိုင်ရာ အမေးအဖြေ ဒေတာအတွဲ ခြောက်ခုကို ပေါင်းစပ်ထားပြီး ပရော်ဖက်ရှင်နယ် ဆေးပညာ အသိပညာ၊ သုတေသနနှင့် အခြားသော ရှုထောင့်များ၊ ဆရာဝန်-လူနာ အွန်လိုင်း အမေးအဖြေ ဒေတာအစုံကို ထည့်သွင်းစဉ်းစားကာ AI ကို ဘက်ပေါင်းစုံမှ အရည်အချင်းပြည့်မီသော ဆရာဝန်တစ်ဦးအဖြစ် လေ့ကျင့်သင်ကြားပေးရန် ကြိုးစားနေသည့် အွန်လိုင်းရှာဖွေမှု ဆေးဘက်ဆိုင်ရာ မေးခွန်းဒေတာဘေ့စ် ဒေတာအစုံကို ပေါင်းစပ်ထားသည်။ ထို့အပြင်၊ အဖွဲ့သည် အဖြစ်မှန်၊ နားလည်မှု၊ ကျိုးကြောင်းဆင်ခြင်မှုနှင့် ဖြစ်နိုင်သောဘက်လိုက်မှုတို့ကို ထည့်သွင်းစဉ်းစားသည့် လူသားအကဲဖြတ်မှုအပေါ် အခြေခံသည့် မူဘောင်တစ်ခုကို အဆိုပြုပါသည်။ ၎င်းသည် ယခုနှစ်တွင်ထုတ်ဝေသော ကျန်းမာရေးစောင့်ရှောက်မှုတွင် AI အကဲဖြတ်ရန် ကိုယ်စားလှယ်အများဆုံး သုတေသနကြိုးပမ်းမှုတစ်ခုဖြစ်သည်။

သို့သော်၊ ကြီးမားသောဘာသာစကားပုံစံများသည် ကုဒ်ဝှက်ခြင်းဆိုင်ရာ လက်တွေ့အသိပညာ၏ မြင့်မားသောအဆင့်ကိုပြသသည့်အချက်က ကြီးမားသောဘာသာစကားပုံစံများသည် လက်တွေ့ကမ္ဘာ လက်တွေ့လုပ်ဆောင်မှုများအတွက် အရည်အချင်းပြည့်မီသည်ဟု ဆိုလိုခြင်းလော။ ကျွမ်းကျင်သော သမားတော် စာမေးပွဲကို ပြီးပြည့်စုံသော ရမှတ်ဖြင့် အောင်မြင်သော ဆေးကျောင်းသားသည် တစ်ကိုယ်တော် သမားတော် အကြီးအကဲနှင့် အလှမ်းဝေးနေသေးသကဲ့သို့၊ Google မှ အဆိုပြုထားသော အကဲဖြတ်မှု စံနှုန်းများသည် AI မော်ဒယ်များအတွက် ဆေးဘက်ဆိုင်ရာ AI အကဲဖြတ်ခြင်း၏ ခေါင်းစဉ်အတွက် ပြီးပြည့်စုံသော အဖြေမဟုတ်ပေ။ 2021 နှင့် 2022 ခုနှစ်များအစောပိုင်းတွင်၊ သုတေသီများသည် Decid-AI၊ SPIRIT-AI နှင့် INTRPRT ကဲ့သို့သော အစီရင်ခံလမ်းညွှန်ချက်များကို အဆိုပြုခဲ့ပြီး ဆေးဘက်ဆိုင်ရာ AI ၏ အစောပိုင်းဖွံ့ဖြိုးတိုးတက်မှုနှင့် တရားဝင်မှုကို လမ်းညွှန်ပေးမည့် အကြောင်းရင်းများဖြစ်သည့် လက်တွေ့လက်တွေ့လုပ်ဆောင်မှု၊ ဘေးကင်းမှု၊ လူသားဆိုင်ရာအချက်များနှင့် ပွင့်လင်းမြင်သာမှု/အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုတို့ကို ထည့်သွင်းစဉ်းစားရန် မျှော်လင့်ထားသည်။ မကြာသေးမီကပင် The Nature Medicine ဂျာနယ်သည် Oxford University နှင့် Stanford University တို့မှ သုတေသီများ၏ လေ့လာမှုတစ်ရပ်ကို “ပြင်ပအတည်ပြုခြင်း” သို့မဟုတ် “ထပ်တလဲလဲ ပြည်တွင်းစစ်မှန်ကြောင်း အတည်ပြုခြင်း” ကို အသုံးပြုရန် “AI ကိရိယာများကို တရားဝင်အောင်ပြုလုပ်ရန်။

AI ကိရိယာများ၏ ဘက်မလိုက်သော သဘောသဘာဝသည် ယခုနှစ် သိပ္ပံနှင့် NEJM ဆောင်းပါးနှစ်ခုလုံးမှ အာရုံစိုက်မှုရရှိခဲ့သည့် အရေးကြီးသော အကဲဖြတ်မှုလမ်းညွှန်တစ်ခုလည်းဖြစ်သည်။ AI သည် လေ့ကျင့်ရေးဒေတာအတွက် ကန့်သတ်ထားသောကြောင့် ဘက်လိုက်မှုကို ပြသလေ့ရှိသည်။ ဤဘက်လိုက်မှုသည် လူမှုရေးမညီမျှမှုကို ထင်ဟပ်စေကာ အယ်လ်ဂိုရီသမ်ဖြင့် ခွဲခြားဆက်ဆံခြင်းသို့ ပိုမိုကြီးထွားလာစေသည်။ National Institutes of Health သည် မကြာသေးမီက ဆေးဘက်ဆိုင်ရာ AI ကိရိယာများ၏ ဘက်မလိုက်နိုင်မှုကို သက်သေပြရန်အတွက် ကွဲပြားသောဒေတာအတွဲများ (အထက်ဖော်ပြပါ MAIDA ပဏာမရည်မှန်းချက်များနှင့်အညီ) တည်ဆောက်ရန်အတွက် ဒေါ်လာ သန်း 130 ကုန်ကျမည်ဟု ခန့်မှန်းထားသည့် Bridge2AI ပဏာမခြေလှမ်းကို မကြာသေးမီက စတင်ခဲ့သည်။ ဤရှုထောင့်များကို MultiMedQA မှ ထည့်သွင်းမစဉ်းစားပါ။ ဆေးဘက်ဆိုင်ရာ AI မော်ဒယ်များကို မည်ကဲ့သို့ တိုင်းတာပြီး မှန်ကန်ကြောင်း မေးခွန်းထုတ်ရန် ကျယ်ကျယ်ပြန့်ပြန့် ဆွေးနွေးရန် လိုအပ်နေသေးသည်။

ဇန်နဝါရီလတွင် Nature Medicine သည် Texas တက္ကသိုလ် MD Anderson Cancer Center မှ Vivek Subbiah မှ "The Next Generation of Evidence-Based Medicine" ဟုခေါ်သော ထင်မြင်ယူဆချက်အပိုင်းကို ထုတ်ဝေခဲ့ပြီး COVID-19 ကပ်ရောဂါ၏အခြေအနေတွင် ထိတွေ့စမ်းသပ်မှုများ၏ ကန့်သတ်ချက်များကို ပြန်လည်သုံးသပ်ကာ ဆန်းသစ်တီထွင်မှုနှင့် ကုသမှုဆိုင်ရာ သုတေသနလုပ်ငန်းစဉ်များအကြား ကွဲလွဲမှုကို ထောက်ပြသည်။ နောက်ဆုံးတွင်၊ ၎င်းသည် သမိုင်းဆိုင်ရာ သုတေသနဒေတာအများအပြားမှ ဉာဏ်ရည်တုအသုံးပြုမှု၊ လက်တွေ့ကမ္ဘာဒေတာ၊ ဘက်စုံသုံးလက်တွေ့ဒေတာ၊ ဝတ်ဆင်နိုင်သောကိရိယာဒေတာ၊ အဓိကအထောက်အထားများကိုရှာဖွေရန် ဝတ်ဆင်နိုင်သောကိရိယာဒေတာကို အသုံးပြုသည့် မျိုးဆက်သစ်လက်တွေ့စမ်းသပ်မှုများကို ပြန်လည်ဖွဲ့စည်းမည့်အနာဂတ်ကို ညွှန်ပြပါသည်။ ယင်းက AI နည်းပညာနှင့် AI လက်တွေ့စစ်ဆေးအတည်ပြုခြင်းလုပ်ငန်းစဉ်များသည် အနာဂတ်တွင် အပြန်အလှန်အားဖြည့်ပြီး ပူးတွဲတိုးတက်နေနိုင်သည်ဟု ဆိုလိုပါသလား။ ဒါက 2023 ခုနှစ်ရဲ့ ပွင့်လင်းပြီး တွေးစရာမေးခွန်းပါ။

ဆေးဘက်ဆိုင်ရာ AI ၏စည်းမျဉ်း

AI နည်းပညာ တိုးတက်မှုသည် AI ၏ စည်းမျဥ်းစည်းကမ်းကို စိန်ခေါ်မှုများ ဖြစ်ပေါ်စေပြီး ကမ္ဘာတစ်ဝှမ်းရှိ မူဝါဒချမှတ်သူများသည် ဂရုတစိုက် ဂရုတစိုက် တုံ့ပြန်လျက်ရှိသည်။ 2019 ခုနှစ်တွင် FDA သည် AI နှင့် စက်သင်ယူမှုဆိုင်ရာ ဆော့ဖ်ဝဲလ်ပြုပြင်မွမ်းမံမှုများကို အသေးစိတ်ဖော်ပြသည့် ဆော့ဖ်ဝဲလ်ပြောင်းလဲမှုများအတွက် အဆိုပြုထားသော စည်းမျဉ်းမူဘောင်ကို ပထမဆုံးထုတ်ဝေခဲ့သည်။ 2021 ခုနှစ်တွင် FDA သည် "Artificial Intelligence/Machine Learning-based Software as a Medical Device Action Plan" ကို အဆိုပြုခဲ့ပြီး တိကျသော AI ဆေးဘက်ဆိုင်ရာ စည်းမျဉ်းစည်းကမ်းအစီအမံငါးခုကို ရှင်းလင်းခဲ့သည်။ ယခုနှစ်တွင်၊ FDA သည် စက်သင်ယူမှုနည်းလမ်းများဖြင့် လေ့ကျင့်သင်ကြားထားသော စက်သင်ယူမှုပုံစံများကို အသုံးပြုသည့် ဆော့ဖ်ဝဲလ်ကိရိယာအင်္ဂါရပ်များအပါအဝင် စက်ပစ္စည်းဆော့ဖ်ဝဲလ်အင်္ဂါရပ်များ၏ ဘေးကင်းမှုနှင့် ထိရောက်မှုဆိုင်ရာ အကဲဖြတ်မှုအတွက် FDA ၏ ကြိုတင်စျေးကွက်တင်သွင်းခြင်းဆိုင်ရာ အကြံပြုချက်များဆိုင်ရာ အချက်အလက်များကို ပံ့ပိုးပေးရန် ယခုနှစ်တွင် FDA မှ ပြန်လည်ထုတ်ပြန်ခဲ့သည်။ FDA ၏ စည်းမျဥ်းစည်းကမ်းမူဝါဒသည် ကနဦးအဆိုပြုချက်မှ လက်တွေ့လမ်းညွှန်မှုအထိ ပြောင်းလဲလာသည်။

ယမန်နှစ် ဇူလိုင်လတွင် ဥရောပကျန်းမာရေးဒေတာအာကာသကို ထုတ်ဝေပြီးနောက် EU သည် Artificial Intelligence Act ကို ထပ်မံပြဋ္ဌာန်းခဲ့သည်။ ယခင်က အီးယူနိုင်ငံသားများသည် ၎င်းတို့၏ ကိုယ်ရေးကိုယ်တာ ကျန်းမာရေးအချက်အလက်များအပေါ် ပိုမိုထိန်းချုပ်နိုင်စေရန် အာမခံချက်ပေးကာ ကာကွယ်ခြင်း၊ ရောဂါရှာဖွေခြင်း၊ ကုသခြင်း၊ သိပ္ပံနည်းကျ ဆန်းသစ်တီထွင်ခြင်း၊ ဆုံးဖြတ်ချက်ချခြင်းနှင့် ဥပဒေပြုခြင်းအတွက် ကျန်းမာရေးဒေတာကို အရည်အသွေးမြင့် ကျန်းမာရေးစောင့်ရှောက်မှုပေးရန်၊ ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေရေးစနစ်သည် အန္တရာယ်မြင့်မားသော AI စနစ်ဖြစ်ကြောင်း ရှင်းရှင်းလင်းလင်းဖော်ပြထားပြီး ၎င်းသည် ပစ်မှတ်ထားသော ခိုင်မာသောကြီးကြပ်မှု၊ ဘဝသံသရာတစ်ခုလုံး ကြီးကြပ်မှုနှင့် ကြိုတင်အကဲဖြတ်ကြီးကြပ်မှုတို့ကို လက်ခံကျင့်သုံးရန် လိုအပ်ပါသည်။ European Medicines Agency (EMA) သည် လူနာဘေးကင်းရေးနှင့် ဆေးဘက်ဆိုင်ရာ သုတေသနရလဒ်များ၏ ခိုင်မာမှုကို သေချာစေရန် AI ၏ ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးရန်အတွက် AI ၏ ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးသည့် AI အသုံးပြုမှုဆိုင်ရာ AI အသုံးပြုမှုဆိုင်ရာ စာတမ်းတစ်စောင်ကို ထုတ်ဝေခဲ့သည်။ ယေဘုယျအားဖြင့်၊ EU ၏ စည်းမျဉ်းစည်းကမ်း ချဉ်းကပ်မှုသည် တဖြည်းဖြည်း ပုံသဏ္ဍာန်ဖြစ်လာပြီး နောက်ဆုံး အကောင်အထည်ဖော်မှုအသေးစိတ်များသည် ပိုမိုအသေးစိတ်ပြီး တင်းကျပ်သွားနိုင်သည်။ EU ၏ တင်းကြပ်သော စည်းမျဉ်းများနှင့် လုံးဝဆန့်ကျင်ဘက်ဖြစ်ပြီး၊ UK ၏ AI စည်းမျဉ်းစည်းကမ်း အသေးစိတ်ပုံစံသည် အစိုးရအနေဖြင့် ပျော့ပျောင်းသောချဉ်းကပ်မှုတစ်ခုပြုလုပ်ရန် စီစဉ်ထားပြီး ဥပဒေကြမ်းအသစ်များပြဋ္ဌာန်းခြင်း သို့မဟုတ် စည်းကမ်းထိန်းညှိမှုအသစ်များကို ယခုလောလောဆယ်မသတ်မှတ်ထားကြောင်း ရှင်းရှင်းလင်းလင်းဖော်ပြထားသည်။

တရုတ်နိုင်ငံတွင်၊ National Medical Products Administration ၏ Medical Device Technical Review Center (NMPA) သည် ယခင်က ထုတ်ပြန်ခဲ့သော စာရွက်စာတမ်းများဖြစ်သည့် " Deep Learning Assisted Decision Software"၊ " Artificial Intelligence Medical Devices များ၏ မှတ်ပုံတင်ခြင်း ပြန်လည်သုံးသပ်ခြင်းအတွက် လမ်းညွှန်ချက်များ (မှတ်ချက်အတွက် မူကြမ်း)" နှင့် "Circular on Intelligence on the Guiding Principles for the Artificial Principles for the Classification and Definitions for the Medical Principles. 2021 တွင် 47)" ယခုနှစ်တွင် "2023 ခုနှစ်တွင် ပထမဆုံး ဆေးဘက်ဆိုင်ရာ စက်ပစ္စည်း ထုတ်ကုန် အမျိုးအစား ခွဲခြားခြင်း ရလဒ် အကျဉ်းချုပ်" ကို ထပ်မံ ထုတ်ပြန်ခဲ့ပါသည်။ ဤစာတမ်းများသည် ဥာဏ်ရည်တု ဆေးဘက်ဆိုင်ရာ ဆော့ဖ်ဝဲလ် ထုတ်ကုန်များ၏ အဓိပ္ပါယ်သတ်မှတ်ချက်၊ အမျိုးအစားခွဲခြင်းနှင့် စည်းမျဉ်းစည်းကမ်းများကို ပိုမိုရှင်းလင်းစေပြီး လည်ပတ်ရ ပိုမိုလွယ်ကူစေပြီး စက်မှုလုပ်ငန်းရှိ လုပ်ငန်းအမျိုးမျိုး၏ ထုတ်ကုန်နေရာချထားခြင်းနှင့် မှတ်ပုံတင်ခြင်းဗျူဟာများအတွက် ရှင်းလင်းသော လမ်းညွှန်ချက်ပေးပါသည်။ ဤစာရွက်စာတမ်းများသည် ဆေးဘက်ဆိုင်ရာ AI ၏ စည်းမျဥ်းများနှင့် စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များအတွက် သိပ္ပံပညာဆိုင်ရာ ဆုံးဖြတ်ချက်များ ချမှတ်ပေးပါသည်။ ဒီဇင်ဘာ ၂၁ ရက်မှ ၂၃ ရက်အထိ Hangzhou တွင် ကျင်းပသည့် China Medical Artificial Intelligence Conference ၏ ဒစ်ဂျစ်တယ်ဆေးဘက်ဆိုင်ရာ အုပ်ချုပ်မှုနှင့် ပြည်သူ့ဆေးရုံများ၏ အရည်အသွေးမြင့် ဖွံ့ဖြိုးတိုးတက်ရေးဆိုင်ရာ အထူးဖိုရမ်ကို ထူထောင်ပြီး ဉာဏ်ရည်တုဆေးဘက်ဆိုင်ရာ ကိရိယာ စမ်းသပ်ခြင်းနှင့် အကဲဖြတ်ခြင်း နည်းပညာ စံသတ်မှတ်ခြင်း လုပ်ငန်းဖွံ့ဖြိုးတိုးတက်ရေး ဖိုရမ်တွင် ထိုအချိန်တွင် အမျိုးသားဖွံ့ဖြိုးတိုးတက်ရေးနှင့် ပြုပြင်ပြောင်းလဲရေးကော်မရှင်နှင့် NMPA တို့မှ တာဝန်ရှိသူများ တက်ရောက်ကြပြီး သတင်းသစ် ထုတ်ပြန်နိုင်မည်ဖြစ်သည်။

နိဂုံး

2023 ခုနှစ်တွင် ဆေးဘက်ဆိုင်ရာ AI သည် ဆေးရုံဒေတာစုဆောင်းခြင်း၊ ပေါင်းစပ်ခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းနှင့် ရပ်ရွာစစ်ဆေးခြင်းတို့ကို အကျုံးဝင်သည့် ဆေးဘက်ဆိုင်ရာ ရေဆန်မြစ်အောက်ပိုင်း လုပ်ငန်းစဉ်တစ်ခုလုံးတွင် ပေါင်းစပ်ပါဝင်လာကာ လူသားကျန်းမာရေးအတွက် ကောင်းမွန်သောကျန်းမာရေးကို ဆောင်ကြဉ်းပေးမည့် အလားအလာများကို ပြသထားသည်။ အသုံးပြုနိုင်သော ဆေးဘက်ဆိုင်ရာ AI သုတေသနသည် မိုးလင်းစပြုလာသည်။ အနာဂတ်တွင် ဆေးဘက်ဆိုင်ရာ AI ၏တိုးတက်မှုသည် နည်းပညာဆိုင်ရာဖွံ့ဖြိုးတိုးတက်မှုကိုယ်နှိုက်ပေါ်တွင်မူတည်ရုံသာမက စက်မှုလုပ်ငန်း၊ တက္ကသိုလ်နှင့် ဆေးဘက်ဆိုင်ရာသုတေသနနှင့် မူဝါဒချမှတ်သူများနှင့် ထိန်းကျောင်းသူများ၏ ပံ့ပိုးကူညီမှုတို့လည်း လိုအပ်ပါသည်။ ဒိုမိန်းဖြတ်ကျော်ပူးပေါင်းဆောင်ရွက်မှုသည် AI-ပေါင်းစပ်ဆေးဘက်ဆိုင်ရာဝန်ဆောင်မှုများရရှိရန် သော့ချက်ဖြစ်ပြီး လူသားကျန်းမာရေးဖွံ့ဖြိုးတိုးတက်မှုကို သေချာပေါက် မြှင့်တင်ပေးမည်ဖြစ်သည်။