newyddion

Ers i IBM Watson ddechrau yn 2007, mae bodau dynol wedi bod yn barhaus yn dilyn datblygiad deallusrwydd artiffisial meddygol (AI). Mae gan system AI feddygol ddefnyddiadwy a phwerus botensial enfawr i ail-lunio pob agwedd ar feddygaeth fodern, gan alluogi gofal mwy craff, cywir, effeithlon a chynhwysol, gan ddod â lles i weithwyr meddygol a chleifion, a thrwy hynny wella iechyd pobl yn fawr. Yn ystod y 16 mlynedd diwethaf, er bod ymchwilwyr AI meddygol wedi cronni mewn amrywiol feysydd bach, ar hyn o bryd, nid ydynt wedi gallu dod â ffuglen wyddonol yn realiti eto.

Eleni, gyda datblygiad chwyldroadol technoleg AI fel ChatGPT, mae AI meddygol wedi gwneud cynnydd mawr mewn sawl agwedd. Torri datblygiad digynsail yng ngallu AI meddygol: Mae cyfnodolyn Nature wedi lansio ymchwil i fodel iaith feddygol fawr a model sylfaenol delwedd feddygol yn barhaus; mae Google yn rhyddhau Med-PaLM a'i olynydd, gan gyrraedd lefel arbenigol yng nghwestiynau arholiad Ymarferydd Meddygol yr Unol Daleithiau. Bydd cyfnodolion academaidd mawr yn canolbwyntio ar AI meddygol: mae Nature yn rhyddhau'r rhagolygon ar fodel sylfaenol AI meddygol cyffredinol; yn dilyn cyfres o adolygiadau o AI mewn Meddygaeth yn gynharach eleni, cyhoeddodd y New England Journal of Medicine (NEJM) ei adolygiad iechyd digidol cyntaf ar Dachwedd 30, a lansiodd rifyn cyntaf is-gyfnodolyn NEJM NEJM AI ar Ragfyr 12. Mae pridd glanio AI meddygol wedi aeddfedu ymhellach: cyhoeddodd is-gyfnodolyn JAMA y fenter rhannu data delweddau meddygol byd-eang; mae Gweinyddiaeth Bwyd a Chyffuriau'r Unol Daleithiau (FDA) yn datblygu canllawiau drafft ar gyfer rheoleiddio AI meddygol.

Isod, rydym yn adolygu'r cynnydd sylweddol y mae ymchwilwyr ledled y byd wedi'i wneud i gyfeiriad deallusrwydd artiffisial meddygol defnyddiadwy yn 2023.

Model Sylfaenol Deallusrwydd Artiffisial Meddygol

Mae adeiladu model sylfaenol AI meddygol yn ddiamau yn ffocws ymchwil poethaf eleni. Mae cyfnodolion Nature wedi cyhoeddi erthyglau adolygu ar y model Sylfaenol Cyffredinol o ofal iechyd a'r model iaith fawr o ofal iechyd yn ystod y flwyddyn. Adolygodd Medical Image Analysis, y cyfnodolyn gorau yn y diwydiant, yr heriau a'r cyfleoedd ymchwil model sylfaenol mewn dadansoddi delweddau meddygol ac edrychodd ymlaen atynt, a chynigiodd y cysyniad o "achrïaeth model sylfaenol" i grynhoi ac arwain datblygiad ymchwil model sylfaenol o AI meddygol. Mae dyfodol modelau AI sylfaenol ar gyfer gofal iechyd yn dod yn gliriach. Gan dynnu ar yr enghreifftiau llwyddiannus o fodelau iaith fawr fel ChatGPT, gan ddefnyddio dulliau hyfforddi cyn-drefn hunan-oruchwyliedig mwy datblygedig a chroniad helaeth o ddata hyfforddi, mae ymchwilwyr ym maes AI meddygol yn ceisio adeiladu 1) modelau sylfaen penodol i glefydau, 2) modelau sylfaen cyffredinol, a 3) modelau mawr amlfoddol sy'n integreiddio ystod eang o ddulliau gyda pharamedrau enfawr a galluoedd uwch.

Model Deallusrwydd Artiffisial Caffael Data Meddygol

Yn ogystal â'r modelau AI mawr sy'n chwarae rhan fawr yn y tasgau dadansoddi data clinigol i lawr yr afon, mae'r dechnoleg a gynrychiolir gan fodelau AI cynhyrchiol hefyd wedi dod i'r amlwg wrth gaffael data clinigol i fyny'r afon. Gellir gwella'r broses, cyflymder ac ansawdd caffael data yn sylweddol gan algorithmau AI.

Yn gynharach eleni, cyhoeddodd Nature Biomedical Engineering astudiaeth o Brifysgol Straits Twrci a oedd yn canolbwyntio ar ddefnyddio AI cynhyrchiol i ddatrys problem diagnosis patholegol â chymorth delwedd mewn cymwysiadau clinigol. Mae arteffactau mewn meinwe adran wedi'i rhewi yn ystod llawdriniaeth yn rhwystr i werthuso diagnostig cyflym. Er bod meinwe wedi'i hymgorffori mewn formalin a pharaffin (FFPE) yn darparu sampl o ansawdd uwch, mae ei broses gynhyrchu yn cymryd llawer o amser ac yn aml yn cymryd 12-48 awr, gan ei gwneud yn anaddas i'w ddefnyddio mewn llawdriniaeth. Felly, cynigiodd y tîm ymchwil algorithm o'r enw AI-FFPE, a all wneud i ymddangosiad y meinwe yn yr adran wedi'i rhewi fod yn debyg i FFPE. Cywirodd yr algorithm arteffactau adrannau wedi'u rhewi yn llwyddiannus, gwellodd ansawdd y ddelwedd, a chadwodd y nodweddion perthnasol yn glinigol ar yr un pryd. Mewn dilysu clinigol, mae algorithm AI-FFPE yn gwella cywirdeb diagnostig patholegwyr ar gyfer isdeipiau tiwmor yn sylweddol, gan fyrhau'r amser diagnosis clinigol yn fawr.

Mae Cell Reports Medicine yn adrodd ar waith ymchwil gan dîm o Drydydd Coleg Clinigol Prifysgol Jilin, yr Adran Radioleg, Ysbyty Zhongshan sy'n Gysylltiedig â Phrifysgol Fudan, a Phrifysgol Gwyddoniaeth a Thechnoleg Shanghai [25]. Mae'r astudiaeth hon yn cynnig fframwaith cyfuno dysgu dwfn ac ailadeiladu iterus at ddiben cyffredinol (Hybrid DL-IR) gyda hyblygrwydd a hyblygrwydd uchel, gan ddangos perfformiad ailadeiladu delweddau rhagorol mewn MRI cyflym, CT dos isel, a PET cyflym. Gall yr algorithm gyflawni sganio aml-ddilyniant MR Un-organ mewn 100 eiliad, lleihau'r dos ymbelydredd i ddim ond 10% o'r ddelwedd CT, a dileu sŵn, a gall ailadeiladu briwiau bach o gaffael PET gyda chyflymiad o 2 i 4 gwaith, gan leihau effaith arteffactau symudiad.

Deallusrwydd Artiffisial Meddygol mewn Cydweithrediad â Gweithwyr Meddygol

Mae datblygiad cyflym deallusrwydd artiffisial meddygol hefyd wedi arwain gweithwyr meddygol proffesiynol i ystyried o ddifrif ac archwilio sut i gydweithio ag AI i wella prosesau clinigol. Ym mis Gorffennaf eleni, cynigiodd DeepMind a thîm ymchwil aml-sefydliadol system AI o'r enw Oedi Llif Gwaith Clinigol sy'n cael ei Yrru gan Gyflenwad (CoDoC) ar y cyd. Caiff y broses ddiagnostig ei diagnosio yn gyntaf gan system AI ragfynegol, yna caiff ei barnu gan system AI arall ar y canlyniad blaenorol, ac os oes amheuaeth, caiff y diagnosis ei wneud yn y pen draw gan glinigwr i wella cywirdeb diagnostig ac effeithlonrwydd cydbwyso. O ran sgrinio canser y fron, gostyngodd CoDoC gyfraddau positif ffug 25% gyda'r un gyfradd negatif ffug, gan leihau llwyth gwaith clinigwyr 66%, o'i gymharu â'r broses "cyflafareddu darllen dwbl" bresennol yn y DU. O ran dosbarthu TB, gostyngwyd cyfraddau positif ffug 5 i 15 y cant gyda'r un gyfradd negatif ffug o'i gymharu â llifau gwaith AI annibynnol a chlinigol.

Yn yr un modd, cyflwynodd Annie Y. Ng et al., o Gwmni Kheiron yn Llundain, y DU, ddarllenwyr AI ychwanegol (mewn cydweithrediad ag archwilwyr dynol) i ailarchwilio'r canlyniadau pan nad oedd unrhyw ganlyniadau galw yn ôl yn y broses gyflafareddu darllen dwbl, a wellodd y broblem o ganfod a fethwyd wrth sgrinio canser y fron yn gynnar, ac nid oedd gan y broses bron unrhyw ganlyniadau positif ffug. Defnyddiodd astudiaeth arall, dan arweiniad tîm yn Ysgol Feddygol McGovern Prifysgol Texas ac a gwblhawyd mewn pedair canolfan strôc, dechnoleg AI yn seiliedig ar angiograffeg tomograffeg gyfrifiadurol (CTA) i awtomeiddio canfod strôc isgemig rhwystrol fasgwlaidd mawr (LVO). Mae clinigwyr a radiolegwyr yn derbyn rhybuddion amser real ar eu ffonau symudol o fewn munudau i ddelweddu CT gael ei gwblhau, gan eu hysbysu am bresenoldeb posibl LVO. Mae'r broses AI hon yn gwella llif gwaith yn yr ysbyty ar gyfer strôc isgemig acíwt, gan leihau'r amser o'r drws i'r afl o'r derbyniad i'r driniaeth a darparu cyfleoedd ar gyfer achub llwyddiannus. Cyhoeddir y canfyddiadau yn JAMA Neurology.

Model Gofal Iechyd Deallusrwydd Artiffisial er Budd Cyffredinol

Bydd 2023 hefyd yn gweld llawer o waith da sy'n defnyddio deallusrwydd artiffisial meddygol i ddod o hyd i nodweddion sy'n anweledig i'r llygad dynol o ddata sydd ar gael yn haws, gan alluogi diagnosis cyffredinol a sgrinio cynnar ar raddfa fawr. Ar ddechrau'r flwyddyn, cyhoeddodd Nature Medicine astudiaethau a wnaed gan Ganolfan Llygaid Zhongshan Prifysgol Sun Yat-sen ac Ail Ysbyty Cysylltiedig Prifysgol Feddygol Fujian. Gan ddefnyddio ffonau clyfar fel terfynellau cymwysiadau, fe wnaethant ddefnyddio delweddau fideo tebyg i gartŵn i ysgogi syllu plant a chofnodi ymddygiad syllu a nodweddion wyneb plant, a dadansoddwyd modelau annormal ymhellach gan ddefnyddio modelau dysgu dwfn i nodi 16 o afiechydon llygaid yn llwyddiannus, gan gynnwys cataractau cynhenid, ptosis cynhenid ​​a glawcoma cynhenid, gyda chywirdeb sgrinio cyfartalog o fwy nag 85%. Mae hyn yn darparu modd technegol effeithiol a hawdd ei boblogeiddio ar gyfer sgrinio cynnar ar raddfa fawr o nam ar swyddogaeth weledol babanod a chlefydau llygaid cysylltiedig.

Ar ddiwedd y flwyddyn, adroddodd Nature Medicine am waith a wnaed gan fwy na 10 sefydliad meddygol ac ymchwil ledled y byd, gan gynnwys Sefydliad Clefyd y Pancreas Shanghai ac Ysbyty Cysylltiedig Cyntaf Prifysgol Zhejiang. Defnyddiodd yr awdur AI i sgrinio canser y pancreas mewn pobl asymptomatig mewn canolfannau archwiliad corfforol, ysbytai, ac ati, i ganfod nodweddion y briwiau mewn delweddau CT sgan plaen sy'n anodd eu canfod â'r llygad noeth yn unig, er mwyn cyflawni canfod cynnar effeithlon a di-ymledol o ganser y pancreas. Wrth adolygu data gan fwy na 20,000 o gleifion, nododd y model hefyd 31 achos o friwiau a fethwyd yn glinigol, a wellodd ganlyniadau clinigol yn sylweddol.

Rhannu Data Meddygol

Yn 2023, mae llawer mwy o fecanweithiau rhannu data perffaith ac achosion llwyddiannus wedi dod i'r amlwg ledled y byd, gan sicrhau cydweithrediad aml-ganolfan ac agoredrwydd data o dan y rhagdybiaeth o amddiffyn preifatrwydd a diogelwch data.

Yn gyntaf, gyda chymorth technoleg AI ei hun, mae ymchwilwyr AI wedi cyfrannu at rannu data meddygol. Cyhoeddodd Qi Chang ac eraill o Brifysgol Rutgers yn yr Unol Daleithiau erthygl yn Nature Communications, gan gynnig fframwaith dysgu ffederal DSL yn seiliedig ar rwydweithiau gwrthwynebol synthetig dosbarthedig, sy'n defnyddio AI cynhyrchiol i hyfforddi'r data penodol a gynhyrchir o aml-ganolfannau, ac yna'n disodli data go iawn aml-ganolfannau gyda'r data a gynhyrchir. Sicrhau hyfforddiant AI yn seiliedig ar ddata mawr aml-ganolfan wrth amddiffyn preifatrwydd data. Mae'r un tîm hefyd yn agor set ddata o ddelweddau patholegol a gynhyrchir a'u hanodiadau cyfatebol. Gall y model segmentu a hyfforddir ar y set ddata a gynhyrchir gyflawni canlyniadau tebyg i'r data go iawn.

Cyhoeddodd tîm Dai Qionghai o Brifysgol Tsinghua bapur ar Iechyd Digidol npj, gan gynnig Dysgu Cyfnewid, sy'n defnyddio data mawr aml-safle i hyfforddi modelau AI o dan y rhagdybiaeth o sofraniaeth data lleol a dim cysylltiad rhwydwaith traws-safle. Mae'n cydbwyso pryderon diogelwch data a phreifatrwydd â mynd ar drywydd perfformiad AI. Wedi hynny, datblygodd a dilysodd yr un tîm CAIMEN ar y cyd, system diagnosis tiwmorau pan-mediastinal CT y frest yn seiliedig ar ddysgu ffederal, mewn cydweithrediad ag Ysbyty Cysylltiedig Cyntaf Prifysgol Feddygol Guangzhou a 24 ysbyty ledled y wlad. Cyflawnodd y system, y gellir ei chymhwyso i 12 tiwmor mediastinal cyffredin, gywirdeb 44.9 y cant yn well pan gaiff ei defnyddio ar ei phen ei hun nag y byddai pan gaiff ei defnyddio gan arbenigwyr dynol yn unig, a chywirdeb diagnosis 19 y cant yn well pan gafodd arbenigwyr dynol gymorth ganddi.

Ar y llaw arall, mae sawl menter ar y gweill i adeiladu setiau data meddygol diogel, byd-eang, ar raddfa fawr. Ym mis Tachwedd 2023, cyhoeddodd Agustina Saenz ac eraill o'r Adran Gwybodeg Fiofeddygol yn Ysgol Feddygol Harvard fframwaith byd-eang ar gyfer rhannu data delweddau meddygol o'r enw Data Deallusrwydd Artiffisial ar gyfer Pob Gofal Iechyd (MAIDA) ar-lein yn Lancet Digital Health. Maent yn gweithio gyda sefydliadau gofal iechyd ledled y byd i ddarparu canllawiau cynhwysfawr ar gasglu data a dad-adnabod, gan ddefnyddio templed Partner Arddangos Ffederal yr Unol Daleithiau (FDP) i safoni rhannu data. Maent yn bwriadu rhyddhau setiau data a gasglwyd mewn gwahanol ranbarthau a Lleoliadau clinigol ledled y byd yn raddol. Disgwylir i'r set ddata gyntaf gael ei rhyddhau ddechrau 2024, gyda mwy i ddod wrth i'r bartneriaeth ehangu. Mae'r prosiect yn ymgais bwysig i adeiladu set fyd-eang, ar raddfa fawr ac amrywiol o ddata AI sydd ar gael i'r cyhoedd.

Yn sgil y cynnig, mae Biobank y DU wedi gosod esiampl. Rhyddhaodd Biobank y DU ddata newydd ar 30 Tachwedd o ddilyniannu genom cyfan ei 500,000 o gyfranogwyr. Y gronfa ddata, sy'n cyhoeddi dilyniant genom cyflawn pob un o'r 500,000 o wirfoddolwyr Prydeinig, yw'r gronfa ddata genom dynol gyflawn fwyaf yn y byd. Gall ymchwilwyr ledled y byd ofyn am fynediad i'r data dad-adnabyddedig hwn a'i ddefnyddio i archwilio sail enetig iechyd a chlefyd. Mae data genetig wedi bod yn sensitif iawn i'w wirio yn y gorffennol erioed, ac mae'r cyflawniad hanesyddol hwn gan Biobank y DU yn profi ei bod hi'n bosibl adeiladu cronfa ddata fyd-eang agored, heb breifatrwydd ar raddfa fawr. Gyda'r dechnoleg a'r gronfa ddata hon, mae AI meddygol yn sicr o arwain at y naid nesaf.

Gwirio a Gwerthuso Deallusrwydd Artiffisial Meddygol

O'i gymharu â datblygiad cyflym technoleg AI meddygol ei hun, mae datblygiad gwirio a gwerthuso AI meddygol ychydig yn araf. Yn aml, mae dilysu a gwerthuso ym maes AI cyffredinol yn anwybyddu gofynion gwirioneddol clinigwyr a chleifion ar gyfer AI. Mae treialon clinigol rheoledig ar hap traddodiadol yn rhy llafurus i gyd-fynd â'r iteriad cyflym o offer AI. Gwella'r system wirio a gwerthuso sy'n addas ar gyfer offer AI meddygol cyn gynted â phosibl yw'r peth pwysicaf i hyrwyddo AI meddygol i neidio ymchwil a datblygu i lanio clinigol.

Ym mhapur ymchwil Google ar Med-PaLM, a gyhoeddwyd yn Nature, cyhoeddodd y tîm hefyd y meincnod gwerthuso MultiMedQA, a ddefnyddir i asesu gallu modelau iaith mawr i gaffael gwybodaeth glinigol. Mae'r meincnod yn cyfuno chwe set ddata C&A meddygol proffesiynol sy'n bodoli eisoes, sy'n cwmpasu gwybodaeth feddygol broffesiynol, ymchwil ac agweddau eraill, yn ogystal â set ddata cronfa ddata cwestiynau meddygol chwilio ar-lein, gan ystyried C&A ar-lein meddyg-claf, gan geisio hyfforddi AI i fod yn feddyg cymwys o sawl agwedd. Yn ogystal, mae'r tîm yn cynnig fframwaith yn seiliedig ar asesiad dynol sy'n ystyried sawl dimensiwn o ffaith, dealltwriaeth, rhesymu, a rhagfarn bosibl. Dyma un o'r ymdrechion ymchwil mwyaf cynrychioliadol i werthuso AI mewn gofal iechyd a gyhoeddwyd eleni.

Fodd bynnag, a yw'r ffaith bod modelau iaith mawr yn dangos lefel uchel o amgodio gwybodaeth glinigol yn golygu bod modelau iaith mawr yn gymwys ar gyfer tasgau clinigol yn y byd go iawn? Yn union fel mae myfyriwr meddygol sy'n pasio'r arholiad meddyg proffesiynol gyda sgôr berffaith yn dal i fod ymhell o fod yn brif feddyg unigol, efallai nad yw'r meini prawf gwerthuso a gynigiwyd gan Google yn ateb perffaith i bwnc gwerthuso AI meddygol ar gyfer modelau AI. Mor gynnar â 2021 a 2022, mae ymchwilwyr wedi cynnig canllawiau adrodd fel Decid-AI, SPIRIT-AI, ac INTRPRT, gan obeithio arwain datblygiad a dilysu cynnar AI meddygol o dan yr amod o ystyried ffactorau fel ymarferoldeb clinigol, diogelwch, ffactorau dynol, a thryloywder/dehongliadwyedd. Yn ddiweddar, cyhoeddodd y cyfnodolyn Nature Medicine astudiaeth gan ymchwilwyr o Brifysgol Rhydychen a Phrifysgol Stanford ynghylch a ddylid defnyddio "dilysu allanol" neu "ddilysu lleol cylchol" i ddilysu offer AI.

Mae natur ddiduedd offer AI hefyd yn gyfeiriad gwerthuso pwysig sydd wedi derbyn sylw eleni gan erthyglau Science a NEJM. Yn aml, mae AI yn arddangos rhagfarn oherwydd ei fod wedi'i gyfyngu i ddata hyfforddi. Gall y rhagfarn hon adlewyrchu anghydraddoldeb cymdeithasol, sy'n esblygu ymhellach i wahaniaethu algorithmig. Yn ddiweddar, lansiodd y Sefydliadau Iechyd Cenedlaethol y fenter Bridge2AI, a amcangyfrifir i gostio $130 miliwn, i adeiladu setiau data amrywiol (yn unol â nodau'r fenter MAIDA a grybwyllir uchod) y gellir eu defnyddio i ddilysu didueddrwydd offer AI meddygol. Nid yw MultiMedQA yn ystyried yr agweddau hyn. Mae angen trafodaeth helaeth a manwl o hyd ar y cwestiwn o sut i fesur a dilysu modelau AI meddygol.

Ym mis Ionawr, cyhoeddodd Nature Medicine ddarn barn o'r enw “The Next Generation of Evidence-Based Medicine” gan Vivek Subbiah o Ganolfan Canser MD Anderson ym Mhrifysgol Texas, yn adolygu cyfyngiadau treialon clinigol a ddatgelwyd yng nghyd-destun pandemig COVID-19 ac yn tynnu sylw at y gwrthddywediad rhwng arloesedd a glynu wrth y broses ymchwil glinigol. Yn olaf, mae'n tynnu sylw at ddyfodol o ailstrwythuro treialon clinigol – y genhedlaeth nesaf o dreialon clinigol gan ddefnyddio deallusrwydd artiffisial, hynny yw, defnyddio deallusrwydd artiffisial o nifer fawr o ddata ymchwil hanesyddol, data byd go iawn, data clinigol aml-foddol, data dyfeisiau gwisgadwy i ddod o hyd i dystiolaeth allweddol. A yw hyn yn golygu y gallai technoleg AI a phrosesau dilysu clinigol AI fod yn atgyfnerthu ei gilydd ac yn cyd-esblygu yn y dyfodol? Dyma gwestiwn agored ac ysgogol 2023.

Rheoleiddio Deallusrwydd Artiffisial Meddygol

Mae datblygiad technoleg AI hefyd yn peri heriau i reoleiddio AI, ac mae llunwyr polisi ledled y byd yn ymateb yn ofalus ac yn ofalus. Yn 2019, cyhoeddodd yr FDA Fframwaith Rheoleiddio Arfaethedig ar gyfer Newidiadau Meddalwedd i Ddyfeisiau Meddygol Deallusrwydd Artiffisial (Drafft Trafodaeth) am y tro cyntaf, gan fanylu ar ei ddull posibl o adolygu addasiadau meddalwedd sy'n seiliedig ar AI a dysgu peirianyddol cyn y farchnad. Yn 2021, cynigiodd yr FDA y "Meddalwedd sy'n seiliedig ar Ddeallusrwydd Artiffisial/Dysgu Peirianyddol fel Cynllun Gweithredu Dyfais Feddygol", a eglurodd bum mesur rheoleiddio meddygol AI penodol. Eleni, ailgyhoeddodd yr FDA y Cyflwyniad Cyn-farchnad ar gyfer Nodweddion Meddalwedd Dyfais i ddarparu gwybodaeth am argymhellion cyflwyno cyn-farchnad ar gyfer gwerthusiad yr FDA o ddiogelwch ac effeithiolrwydd nodweddion meddalwedd dyfeisiau, gan gynnwys rhai nodweddion dyfeisiau meddalwedd sy'n defnyddio modelau dysgu peirianyddol a hyfforddwyd trwy ddulliau dysgu peirianyddol. Mae polisi rheoleiddio'r FDA wedi esblygu o gynnig cychwynnol i ganllawiau ymarferol.

Yn dilyn cyhoeddi'r Gofod Data Iechyd Ewropeaidd ym mis Gorffennaf y llynedd, mae'r UE unwaith eto wedi deddfu'r Ddeddf Deallusrwydd Artiffisial. Nod y cyntaf yw gwneud y defnydd gorau o ddata iechyd i ddarparu gofal iechyd o ansawdd uchel, lleihau anghydraddoldebau, a chefnogi data ar gyfer atal, diagnosis, triniaeth, arloesi gwyddonol, gwneud penderfyniadau a deddfwriaeth, gan sicrhau bod gan ddinasyddion yr UE fwy o reolaeth dros eu data iechyd personol. Mae'r olaf yn ei gwneud hi'n glir bod y system diagnosis meddygol yn system AI risg uchel, ac mae angen iddi fabwysiadu goruchwyliaeth gref wedi'i thargedu, goruchwyliaeth cylch oes gyfan a goruchwyliaeth cyn-werthuso. Mae Asiantaeth Meddyginiaethau Ewrop (EMA) wedi cyhoeddi Papur Myfyrio Drafft ar ddefnyddio AI i gefnogi datblygu, rheoleiddio a defnyddio cyffuriau, gyda phwyslais ar wella hygrededd AI i sicrhau diogelwch cleifion ac uniondeb canlyniadau ymchwil glinigol. Ar y cyfan, mae dull rheoleiddio'r UE yn cymryd siâp yn raddol, a gall y manylion gweithredu terfynol fod yn fwy manwl a llym. Mewn cyferbyniad llwyr â rheoleiddio llym yr UE, mae glasbrint rheoleiddio AI y DU yn ei gwneud hi'n glir bod y llywodraeth yn bwriadu cymryd dull meddal a pheidio â deddfu biliau newydd na sefydlu rheoleiddwyr newydd am y tro.

Yn Tsieina, mae Canolfan Adolygu Technegol Dyfeisiau Meddygol (NMPA) y Weinyddiaeth Cynhyrchion Meddygol Genedlaethol wedi cyhoeddi dogfennau fel “Pwyntiau Adolygu Meddalwedd Penderfynu â Chymorth Dysgu Dwfn”, “Egwyddorion Arweiniol ar gyfer Adolygiad Cofrestru Dyfeisiau Meddygol Deallusrwydd Artiffisial (Drafft i’w Sylwi)” a “Chylchlythyr ar Egwyddorion Arweiniol ar gyfer Dosbarthu a Diffinio Cynhyrchion Meddalwedd Meddygol Deallusrwydd Artiffisial (Rhif 47 yn 2021)”. Eleni, rhyddhawyd “Crynodeb o ganlyniadau dosbarthu cynhyrchion dyfeisiau meddygol cyntaf yn 2023″ eto. Mae'r gyfres hon o ddogfennau yn gwneud diffiniad, dosbarthiad a rheoleiddio cynhyrchion meddalwedd meddygol deallusrwydd artiffisial yn gliriach ac yn haws i'w gweithredu, ac yn darparu canllawiau clir ar gyfer strategaethau lleoli a chofrestru cynhyrchion amrywiol fentrau yn y diwydiant. Mae'r dogfennau hyn yn darparu fframwaith a phenderfyniadau rheoli ar gyfer rheoleiddio gwyddonol dyfeisiau meddygol deallusrwydd artiffisial. Mae'n werth edrych ymlaen at weld agenda Cynhadledd Deallusrwydd Artiffisial Meddygol Tsieina a gynhaliwyd yn Hangzhou o Ragfyr 21 i 23 yn sefydlu fforwm arbennig ar lywodraethu meddygol digidol a datblygiad ysbytai cyhoeddus o ansawdd uchel a fforwm datblygu diwydiant safoni technoleg profi a gwerthuso dyfeisiau meddygol deallusrwydd artiffisial. Bryd hynny, bydd swyddogion o'r Comisiwn Datblygu a Diwygio Cenedlaethol a'r NMPA yn mynychu'r cyfarfod a gallant ryddhau gwybodaeth newydd.

Casgliad

Yn 2023, mae deallusrwydd artiffisial meddygol wedi dechrau integreiddio i'r broses feddygol gyfan i fyny ac i lawr, gan gwmpasu casglu data ysbytai, uno, dadansoddi, diagnosis a thriniaeth, a sgrinio cymunedol, a chydweithio'n organig â gweithwyr meddygol/rheoli clefydau, gan ddangos y potensial i ddod â lles i iechyd pobl. Mae ymchwil deallusrwydd artiffisial meddygol defnyddiadwy yn dechrau dod i'r amlwg. Yn y dyfodol, nid yn unig y mae cynnydd deallusrwydd artiffisial meddygol yn dibynnu ar y datblygiad technolegol ei hun, ond mae hefyd angen cydweithrediad llawn diwydiant, prifysgol ac ymchwil feddygol a chefnogaeth llunwyr polisi a rheoleiddwyr. Y cydweithrediad traws-barth hwn yw'r allwedd i gyflawni gwasanaethau meddygol sydd wedi'u hintegreiddio â deallusrwydd artiffisial, a bydd yn sicr o hyrwyddo datblygiad iechyd pobl.