ព័ត៌មាន

ចាប់តាំងពីក្រុមហ៊ុន IBM Watson បានចាប់ផ្តើមនៅក្នុងឆ្នាំ 2007 មនុស្សបានបន្តស្វែងរកការអភិវឌ្ឍន៍នៃបញ្ញាសិប្បនិម្មិតផ្នែកវេជ្ជសាស្រ្ត (AI)។ ប្រព័ន្ធ AI វេជ្ជសាស្រ្តដែលអាចប្រើប្រាស់បាន និងដ៏មានអានុភាពមានសក្តានុពលដ៏ធំសម្បើមក្នុងការកែប្រែគ្រប់ទិដ្ឋភាពទាំងអស់នៃឱសថទំនើប ធ្វើឱ្យការថែទាំកាន់តែឆ្លាតវៃ ត្រឹមត្រូវ ប្រសិទ្ធភាព និងរួមបញ្ចូល នាំមកនូវសុខុមាលភាពដល់បុគ្គលិកពេទ្យ និងអ្នកជំងឺ ហើយដោយហេតុនេះការកែលម្អសុខភាពមនុស្សយ៉ាងច្រើន។ ក្នុងរយៈពេល 16 ឆ្នាំកន្លងមកនេះ ទោះបីជាអ្នកស្រាវជ្រាវ AI វេជ្ជសាស្ត្របានប្រមូលផ្តុំនៅក្នុងវិស័យតូចៗជាច្រើនក៏ដោយ ប៉ុន្តែក្នុងដំណាក់កាលនេះ ពួកគេមិនទាន់អាចនាំយករឿងប្រឌិតបែបវិទ្យាសាស្ត្រមកជាការពិតនោះទេ។

នៅឆ្នាំនេះ ជាមួយនឹងការអភិវឌ្ឍន៍បដិវត្តន៍នៃបច្ចេកវិទ្យា AI ដូចជា ChatGPT បច្ចេកវិទ្យា AI វេជ្ជសាស្រ្តមានការរីកចម្រើនយ៉ាងខ្លាំងក្នុងទិដ្ឋភាពជាច្រើន។ របកគំហើញដែលមិនធ្លាប់មានពីមុនមកក្នុងសមត្ថភាពនៃ AI វេជ្ជសាស្រ្ត៖ ទិនានុប្បវត្តិធម្មជាតិបានចាប់ផ្តើមការស្រាវជ្រាវជាបន្តបន្ទាប់នៃគំរូភាសាធំផ្នែកវេជ្ជសាស្រ្ត និងគំរូមូលដ្ឋានរូបភាពវេជ្ជសាស្ត្រ។ Google បញ្ចេញ Med-PaLM និងអ្នកស្នងតំណែងរបស់ខ្លួន ដោយឈានដល់កម្រិតអ្នកជំនាញក្នុងសំណួរប្រឡងពេទ្យអាមេរិក។ ទិនានុប្បវត្តិសិក្សាសំខាន់ៗនឹងផ្តោតលើ AI វេជ្ជសាស្ត្រ៖ ធម្មជាតិបញ្ចេញទស្សនៈលើគំរូមូលដ្ឋាននៃ AI វេជ្ជសាស្ត្រទូទៅ។ បន្ទាប់ពីការពិនិត្យឡើងវិញជាបន្តបន្ទាប់នៃ AI ក្នុងវេជ្ជសាស្ត្រកាលពីដើមឆ្នាំនេះ កាសែត New England Journal of Medicine (NEJM) បានបោះពុម្ពផ្សាយការពិនិត្យសុខភាពឌីជីថលដំបូងរបស់ខ្លួននៅថ្ងៃទី 30 ខែវិច្ឆិកា ហើយបានចេញផ្សាយការចេញផ្សាយដំបូងនៃកាសែតរង NEJM NEJM AI នៅថ្ងៃទី 12 ខែធ្នូ។ រដ្ឋបាលចំណីអាហារ និងឱសថអាមេរិក (FDA) កំពុងបង្កើតសេចក្តីព្រាងគោលការណ៍ណែនាំសម្រាប់បទប្បញ្ញត្តិនៃ AI វេជ្ជសាស្ត្រ។

ខាងក្រោមនេះ យើងពិនិត្យមើលវឌ្ឍនភាពដ៏សំខាន់ដែលអ្នកស្រាវជ្រាវជុំវិញពិភពលោកបានធ្វើក្នុងទិសដៅនៃ AI វេជ្ជសាស្រ្តដែលអាចប្រើប្រាស់បានក្នុងឆ្នាំ 2023

គំរូវេជ្ជសាស្រ្ត AI មូលដ្ឋាន

ការសាងសង់គំរូមូលដ្ឋាន AI វេជ្ជសាស្រ្តគឺពិតជាការផ្តោតអារម្មណ៍ស្រាវជ្រាវដ៏ក្តៅបំផុតនៃឆ្នាំនេះ។ ទិនានុប្បវត្តិ Nature បានបោះពុម្ភផ្សាយអត្ថបទពិនិត្យលើគំរូទូទៅនៃការថែទាំសុខភាព និងគំរូភាសាធំនៃការថែទាំសុខភាពក្នុងកំឡុងឆ្នាំ។ ការវិភាគរូបភាពវេជ្ជសាស្ត្រ ដែលជាទិនានុប្បវត្តិកំពូលក្នុងឧស្សាហកម្មនេះ បានពិនិត្យ និងទន្ទឹងរង់ចាំចំពោះបញ្ហាប្រឈម និងឱកាសនៃការស្រាវជ្រាវគំរូមូលដ្ឋានក្នុងការវិភាគរូបភាពវេជ្ជសាស្រ្ត ហើយបានស្នើឡើងនូវគំនិតនៃ "ពូជពង្សនៃគំរូមូលដ្ឋាន" ដើម្បីសង្ខេប និងណែនាំការអភិវឌ្ឍន៍នៃការស្រាវជ្រាវគំរូមូលដ្ឋាននៃ AI វេជ្ជសាស្ត្រ។ អនាគតនៃគំរូ AI មូលដ្ឋានសម្រាប់ការថែទាំសុខភាពកាន់តែច្បាស់។ ដោយគូរលើឧទាហរណ៍ជោគជ័យនៃគំរូភាសាធំៗដូចជា ChatGPT ដោយប្រើវិធីសាស្ត្របណ្តុះបណ្តាលមុនដែលគ្រប់គ្រងដោយខ្លួនឯងកម្រិតខ្ពស់ជាងមុន និងការប្រមូលផ្តុំទិន្នន័យបណ្តុះបណ្តាលដ៏ច្រើន អ្នកស្រាវជ្រាវក្នុងវិស័យ AI វេជ្ជសាស្ត្រកំពុងព្យាយាមបង្កើត 1) គំរូមូលដ្ឋានជាក់លាក់នៃជំងឺ 2) គំរូមូលដ្ឋានទូទៅ និង 3) ម៉ូដែលធំពហុមុខងារដែលរួមបញ្ចូលនូវមុខងារជាច្រើន និងសមត្ថភាពដ៏ធំទូលាយ។

គំរូ AI ការទិញទិន្នន័យវេជ្ជសាស្រ្ត

បន្ថែមពីលើគំរូ AI ដ៏ធំដែលដើរតួនាទីយ៉ាងធំនៅក្នុងកិច្ចការវិភាគទិន្នន័យគ្លីនិកខាងក្រោម ក្នុងការទទួលបានទិន្នន័យគ្លីនិកខាងលើ បច្ចេកវិទ្យាដែលតំណាងដោយគំរូ AI ជំនាន់ថ្មីក៏បានលេចចេញមកផងដែរ។ ដំណើរការ ល្បឿន និងគុណភាពនៃការទទួលបានទិន្នន័យអាចត្រូវបានកែលម្អយ៉ាងខ្លាំងដោយ AI algorithms ។

កាលពីដើមឆ្នាំនេះ Nature Biomedical Engineering បានបោះពុម្ពផ្សាយការសិក្សាមួយពីសាកលវិទ្យាល័យ Straits របស់ប្រទេសទួរគី ដែលផ្តោតលើការប្រើប្រាស់ AI ជំនាន់ថ្មី ដើម្បីដោះស្រាយបញ្ហានៃការធ្វើរោគវិនិច្ឆ័យរូបភាពជំនួយក្នុងកម្មវិធីព្យាបាល។ វត្ថុបុរាណនៅក្នុងជាលិកាផ្នែកដែលកកកំឡុងពេលវះកាត់គឺជាឧបសគ្គដល់ការវាយតម្លៃរោគវិនិច្ឆ័យយ៉ាងឆាប់រហ័ស។ ទោះបីជាជាលិកាដែលបង្កប់ដោយសារធាតុ formalin និង paraffin (FFPE) ផ្តល់នូវសំណាកគុណភាពខ្ពស់ជាង ដំណើរការផលិតរបស់វាត្រូវចំណាយពេលច្រើន ហើយជារឿយៗត្រូវចំណាយពេល 12-48 ម៉ោង ដែលធ្វើឱ្យវាមិនស័ក្តិសមសម្រាប់ប្រើក្នុងការវះកាត់។ ដូច្នេះក្រុមស្រាវជ្រាវបានស្នើរក្បួនដោះស្រាយមួយហៅថា AI-FFPE ដែលអាចធ្វើឱ្យរូបរាងនៃជាលិកានៅក្នុងផ្នែកដែលកកបានស្រដៀងនឹង FFPE ។ ក្បួនដោះស្រាយបានកែតម្រូវវត្ថុបុរាណនៃផ្នែកដែលបង្កកដោយជោគជ័យ ធ្វើអោយគុណភាពរូបភាពប្រសើរឡើង និងរក្សាបាននូវលក្ខណៈដែលពាក់ព័ន្ធក្នុងគ្លីនិកក្នុងពេលតែមួយ។ នៅក្នុងការផ្ទៀងផ្ទាត់គ្លីនិក AI-FFPE algorithm ធ្វើអោយប្រសើរឡើងយ៉ាងខ្លាំងនូវភាពត្រឹមត្រូវនៃការធ្វើរោគវិនិច្ឆ័យរបស់អ្នកជំងឺសម្រាប់ប្រភេទរងនៃដុំសាច់ ខណៈពេលដែលកាត់បន្ថយពេលវេលានៃការធ្វើរោគវិនិច្ឆ័យគ្លីនិកយ៉ាងខ្លាំង។

Cell Reports Medicine រាយការណ៍ពីការងារស្រាវជ្រាវដោយក្រុមមកពីមហាវិទ្យាល័យគ្លីនិកទីបីនៃសាកលវិទ្យាល័យ Jilin នាយកដ្ឋានវិទ្យុសកម្ម មន្ទីរពេទ្យ Zhongshan ដែលមានទំនាក់ទំនងជាមួយសាកលវិទ្យាល័យ Fudan និងសាកលវិទ្យាល័យវិទ្យាសាស្ត្រ និងបច្ចេកវិទ្យាសៀងហៃ [25] ។ ការសិក្សានេះស្នើឱ្យមានការរៀនជ្រៅជ្រះក្នុងគោលបំណងទូទៅ និងក្របខ័ណ្ឌការបញ្ចូលគ្នានៃការបង្កើតឡើងវិញដដែលៗ (Hybrid DL-IR) ជាមួយនឹងភាពបត់បែននិងភាពបត់បែនខ្ពស់ ដែលបង្ហាញពីដំណើរការបង្កើតរូបភាពដ៏ល្អនៅក្នុង MRI លឿន CT កម្រិតទាប និង PET លឿន។ ក្បួនដោះស្រាយអាចសម្រេចបាននូវការស្កែន MR Single-organ multi-sequence scanning ក្នុងរយៈពេល 100 វិនាទី កាត់បន្ថយកម្រិតវិទ្យុសកម្មមកត្រឹម 10% នៃរូបភាព CT និងបំបាត់សំលេងរំខាន និងអាចបង្កើតឡើងវិញនូវដំបៅតូចៗពីការទទួលបាន PET ជាមួយនឹងការបង្កើនល្បឿនពី 2 ទៅ 4 ដង ខណៈពេលដែលកាត់បន្ថយឥទ្ធិពលនៃចលនាវត្ថុបុរាណ។

Medical AI ក្នុងកិច្ចសហប្រតិបត្តិការជាមួយបុគ្គលិកពេទ្យ

ការអភិវឌ្ឍន៍យ៉ាងឆាប់រហ័សនៃ AI វេជ្ជសាស្រ្តក៏បាននាំឱ្យអ្នកជំនាញផ្នែកវេជ្ជសាស្រ្តពិចារណាយ៉ាងម៉ត់ចត់ និងរិះរកវិធីសហការជាមួយ AI ដើម្បីកែលម្អដំណើរការព្យាបាល។ នៅក្នុងខែកក្កដាឆ្នាំនេះ DeepMind និងក្រុមស្រាវជ្រាវពហុស្ថាប័នបានរួមគ្នាស្នើប្រព័ន្ធ AI ហៅថា Complementary Driven Clinical Workflow Delay (CoDoC)។ ដំណើរការរោគវិនិច្ឆ័យត្រូវបានវិនិច្ឆ័យដំបូងដោយប្រព័ន្ធ AI ព្យាករណ៍ បន្ទាប់មកវិនិច្ឆ័យដោយប្រព័ន្ធ AI ផ្សេងទៀតនៅលើលទ្ធផលមុន ហើយប្រសិនបើមានការសង្ស័យ ការធ្វើរោគវិនិច្ឆ័យត្រូវបានបង្កើតឡើងដោយគ្រូពេទ្យដើម្បីកែលម្អភាពត្រឹមត្រូវនៃការវិនិច្ឆ័យ និងប្រសិទ្ធភាពតុល្យភាព។ នៅពេលនិយាយអំពីការពិនិត្យមហារីកសុដន់ CoDoC បានកាត់បន្ថយអត្រាវិជ្ជមានមិនពិតចំនួន 25% ជាមួយនឹងអត្រាអវិជ្ជមានមិនពិតដូចគ្នា ខណៈពេលដែលកាត់បន្ថយបន្ទុកការងាររបស់គ្រូពេទ្យចំនួន 66% បើប្រៀបធៀបទៅនឹងដំណើរការ "មជ្ឈត្តកម្មអានពីរដង" បច្ចុប្បន្ននៅចក្រភពអង់គ្លេស។ នៅក្នុងលក្ខខណ្ឌនៃការចាត់ថ្នាក់ជំងឺរបេង អត្រាវិជ្ជមានមិនពិតត្រូវបានកាត់បន្ថយពី 5 ទៅ 15 ភាគរយជាមួយនឹងអត្រាអវិជ្ជមានមិនពិតដូចគ្នាបើប្រៀបធៀបទៅនឹង AI ឯករាជ្យ និងលំហូរការងារព្យាបាល។

ដូចគ្នានេះដែរ Annie Y. Ng et al. នៃក្រុមហ៊ុន Kheiron នៅទីក្រុងឡុងដ៍ ចក្រភពអង់គ្លេស បានណែនាំអ្នកអាន AI បន្ថែម (ដោយសហការជាមួយអ្នកពិនិត្យមនុស្ស) ដើម្បីពិនិត្យមើលលទ្ធផលឡើងវិញ នៅពេលដែលមិនមានលទ្ធផលរំលឹកឡើងវិញនៅក្នុងដំណើរការមជ្ឈត្តកម្មអានពីរដង ដែលធ្វើអោយប្រសើរឡើងនូវបញ្ហានៃការខកខានក្នុងការរកមើលមហារីកសុដន់ដំបូង ហើយដំណើរការនេះស្ទើរតែគ្មានវិជ្ជមានក្លែងក្លាយ។ ការសិក្សាមួយផ្សេងទៀតដែលដឹកនាំដោយក្រុមនៅសាកលវិទ្យាល័យ Texas McGovern Medical School និងបានបញ្ចប់នៅមជ្ឈមណ្ឌលជំងឺដាច់សរសៃឈាមខួរក្បាលចំនួន 4 បានអនុវត្តបច្ចេកវិទ្យា AI ផ្អែកលើការគណនា tomography (CTA) ដើម្បីធ្វើស្វ័យប្រវត្តិកម្មការរកឃើញនៃជំងឺដាច់សរសៃឈាមខួរក្បាល occlusive ischemic stroke (LVO) ។ គ្លីនីក និងគ្រូពេទ្យជំនាញខាងវិទ្យុសកម្មទទួលបានការជូនដំណឹងតាមពេលវេលាជាក់ស្តែងនៅលើទូរស័ព្ទដៃរបស់ពួកគេក្នុងរយៈពេលប៉ុន្មាននាទីនៃការថតរូបភាព CT ត្រូវបានបញ្ចប់ ដោយជូនដំណឹងដល់ពួកគេអំពីវត្តមានដែលអាចកើតមាននៃ LVO ។ ដំណើរការ AI នេះធ្វើអោយប្រសើរឡើងនូវលំហូរការងារនៅក្នុងមន្ទីរពេទ្យសម្រាប់ជំងឺដាច់សរសៃឈាមខួរក្បាលស្រួចស្រាវ ដោយកាត់បន្ថយពេលវេលាពីទ្វារទៅក្រលៀនពីការចូលខ្លួនទៅកាន់ការព្យាបាល និងផ្តល់ឱកាសសម្រាប់ការសង្គ្រោះប្រកបដោយជោគជ័យ។ ការរកឃើញនេះត្រូវបានបោះពុម្ពផ្សាយនៅក្នុង JAMA Neurology ។

គំរូថែទាំសុខភាព AI សម្រាប់អត្ថប្រយោជន៍ជាសកល

ឆ្នាំ 2023 ក៏នឹងឃើញនូវការងារល្អជាច្រើនដែលប្រើ AI វេជ្ជសាស្រ្តដើម្បីស្វែងរកលក្ខណៈពិសេសដែលមើលមិនឃើញដោយភ្នែកមនុស្សពីទិន្នន័យដែលអាចរកបានកាន់តែងាយស្រួល ធ្វើឱ្យមានការវិនិច្ឆ័យជាសកល និងការពិនិត្យតាមខ្នាត។ នៅដើមឆ្នាំ ឱសថធម្មជាតិបានបោះពុម្ពផ្សាយការសិក្សាដែលធ្វើឡើងដោយមជ្ឈមណ្ឌលភ្នែក Zhongshan នៃសាកលវិទ្យាល័យ Sun Yat-sen និងមន្ទីរពេទ្យសម្ព័ន្ធទីពីរនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រ Fujian ។ ដោយប្រើស្មាតហ្វូនជាឧបករណ៍ប្រើប្រាស់ ពួកគេបានប្រើរូបភាពវីដេអូដូចរូបតុក្កតា ដើម្បីទាក់ទាញការសម្លឹងមើលរបស់កុមារ និងកត់ត្រាអាកប្បកិរិយា និងមុខមាត់របស់កុមារ ព្រមទាំងបានវិភាគបន្ថែមនូវគំរូមិនធម្មតាដោយប្រើគំរូសិក្សាជ្រៅ ដើម្បីកំណត់ដោយជោគជ័យនូវជំងឺភ្នែកចំនួន 16 រួមទាំងជំងឺភ្នែកឡើងបាយពីកំណើត ptosis ពីកំណើត និងជំងឺដក់ទឹកក្នុងភ្នែកពីកំណើត ជាមួយនឹងការពិនិត្យជាមធ្យមច្រើនជាង 8% នៃភាពត្រឹមត្រូវ។ នេះផ្តល់នូវមធ្យោបាយបច្ចេកទេសដ៏មានប្រសិទ្ធភាព និងងាយស្រួលក្នុងការធ្វើឱ្យមានការពេញនិយមសម្រាប់ការពិនិត្យទ្រង់ទ្រាយធំដំបូងនៃការចុះខ្សោយមុខងារមើលឃើញរបស់ទារក និងជំងឺភ្នែកដែលពាក់ព័ន្ធ។

នៅចុងឆ្នាំនេះ Nature Medicine បានរាយការណ៍ពីការងារដែលធ្វើឡើងដោយស្ថាប័នវេជ្ជសាស្ត្រ និងស្រាវជ្រាវជាង 10 ជុំវិញពិភពលោក រួមទាំងវិទ្យាស្ថាន Shanghai Institute of Pancreatic Disease និងមន្ទីរពេទ្យ First Affiliated Hospital នៃសាកលវិទ្យាល័យ Zhejiang ។ អ្នកនិពន្ធបានអនុវត្ត AI ទៅលើការពិនិត្យមហារីកលំពែងរបស់មនុស្សដែលគ្មានរោគសញ្ញានៅក្នុងមណ្ឌលពិនិត្យរាងកាយ មន្ទីរពេទ្យ។ល។ ដើម្បីរកឱ្យឃើញពីលក្ខណៈនៃដំបៅនៅក្នុងរូបភាព CT ស្កែនធម្មតា ដែលពិបាកនឹងរកឃើញដោយភ្នែកទទេតែម្នាក់ឯង ដើម្បីសម្រេចបាននូវការរកឃើញមហារីកលំពែងដំបូងប្រកបដោយប្រសិទ្ធភាព និងមិនរាតត្បាត។ ក្នុងការពិនិត្យមើលទិន្នន័យពីអ្នកជំងឺជាង 20,000 នាក់ គំរូក៏បានកំណត់អត្តសញ្ញាណករណី 31 នៃដំបៅដែលខកខានក្នុងការព្យាបាល ដែលធ្វើអោយលទ្ធផលគ្លីនិកមានភាពប្រសើរឡើងយ៉ាងខ្លាំង។

ការចែករំលែកទិន្នន័យវេជ្ជសាស្ត្រ

នៅឆ្នាំ 2023 យន្តការចែករំលែកទិន្នន័យដ៏ល្អឥតខ្ចោះជាច្រើនទៀត និងករណីជោគជ័យបានលេចឡើងនៅជុំវិញពិភពលោក ដោយធានាបាននូវកិច្ចសហប្រតិបត្តិការពហុមជ្ឈមណ្ឌល និងការបើកចំហទិន្នន័យក្រោមមូលដ្ឋាននៃការការពារឯកជនភាព និងសុវត្ថិភាពទិន្នន័យ។

ទីមួយ ដោយមានជំនួយពីបច្ចេកវិទ្យា AI ខ្លួនវា អ្នកស្រាវជ្រាវ AI បានចូលរួមចំណែកក្នុងការចែករំលែកទិន្នន័យវេជ្ជសាស្រ្ត។ Qi Chang និងអ្នកផ្សេងទៀតមកពីសាកលវិទ្យាល័យ Rutgers នៅសហរដ្ឋអាមេរិកបានបោះពុម្ភអត្ថបទមួយនៅក្នុង Nature Communications ដោយស្នើរក្របខ័ណ្ឌសិក្សាសហព័ន្ធ DSL ដោយផ្អែកលើបណ្តាញសត្រូវសំយោគដែលបានចែកចាយ ដែលប្រើ AI ជំនាន់ដើមដើម្បីបណ្តុះបណ្តាលទិន្នន័យដែលបានបង្កើតជាក់លាក់នៃពហុមជ្ឈមណ្ឌល ហើយបន្ទាប់មកជំនួសទិន្នន័យពិតនៃពហុមជ្ឈមណ្ឌលជាមួយនឹងទិន្នន័យដែលបានបង្កើត។ ធានាបាននូវការបណ្តុះបណ្តាល AI ដោយផ្អែកលើទិន្នន័យធំពហុមជ្ឈមណ្ឌល ខណៈពេលដែលការពារភាពឯកជនទិន្នន័យ។ ក្រុមដូចគ្នានេះក៏បើកចំហប្រភពទិន្នន័យនៃរូបភាពរោគសាស្ត្រដែលបានបង្កើត និងចំណារពន្យល់ដែលត្រូវគ្នារបស់ពួកគេ។ គំរូការបែងចែកដែលត្រូវបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យដែលបានបង្កើតអាចទទួលបានលទ្ធផលស្រដៀងគ្នាទៅនឹងទិន្នន័យពិត។

ក្រុមការងាររបស់ Dai Qionghai មកពីសាកលវិទ្យាល័យ Tsinghua បានបោះពុម្ភផ្សាយក្រដាសអំពី npj Digital Health ដោយស្នើរ Relay Learning ដែលប្រើទិន្នន័យធំច្រើនកន្លែង ដើម្បីបណ្តុះបណ្តាលគំរូ AI ក្រោមការសន្មតនៃអធិបតេយ្យភាពទិន្នន័យក្នុងស្រុក និងគ្មានការតភ្ជាប់បណ្តាញឆ្លងបណ្តាញ។ វាធ្វើសមតុល្យសុវត្ថិភាពទិន្នន័យ និងការព្រួយបារម្ភអំពីឯកជនភាពជាមួយនឹងការស្វែងរកការអនុវត្ត AI ។ ក្រុមដដែលបានរួមគ្នាបង្កើត និងផ្តល់សុពលភាពជាបន្តបន្ទាប់ CAIMEN ដែលជាប្រព័ន្ធធ្វើរោគវិនិច្ឆ័យដុំសាច់មហារីកក្នុងទ្រូង CT ដោយផ្អែកលើការសិក្សារបស់សហព័ន្ធ ដោយសហការជាមួយមន្ទីរពេទ្យសម្ព័ន្ធទីមួយនៃសាកលវិទ្យាល័យវេជ្ជសាស្ត្រក្វាងចូវ និងមន្ទីរពេទ្យចំនួន 24 នៅទូទាំងប្រទេស។ ប្រព័ន្ធនេះអាចត្រូវបានអនុវត្តចំពោះដុំសាច់ mediastinal ទូទៅចំនួន 12 សម្រេចបាននូវភាពត្រឹមត្រូវជាង 44.9 ភាគរយនៅពេលប្រើតែម្នាក់ឯងជាងពេលដែលប្រើដោយអ្នកជំនាញមនុស្សតែម្នាក់ និង 19 ភាគរយភាពត្រឹមត្រូវនៃការធ្វើរោគវិនិច្ឆ័យប្រសើរជាងនៅពេលដែលអ្នកជំនាញមនុស្សត្រូវបានជួយដោយវា។

ម្យ៉ាងវិញទៀត គំនិតផ្តួចផ្តើមជាច្រើនកំពុងដំណើរការដើម្បីបង្កើតសំណុំទិន្នន័យវេជ្ជសាស្រ្តខ្នាតធំដែលមានសុវត្ថិភាព សកល។ នៅខែវិច្ឆិកា ឆ្នាំ 2023 Agustina Saenz និងអ្នកផ្សេងទៀតមកពីនាយកដ្ឋានព័ត៌មានជីវវេជ្ជសាស្ត្រនៅសាលាវេជ្ជសាស្ត្រ Harvard បានបោះពុម្ពលើអ៊ីនធឺណិតនៅក្នុង Lancet Digital Health ដែលជាក្របខ័ណ្ឌសកលសម្រាប់ការចែករំលែកទិន្នន័យរូបភាពវេជ្ជសាស្ត្រដែលហៅថា ទិន្នន័យបញ្ញាសិប្បនិម្មិតសម្រាប់ការថែទាំសុខភាពទាំងអស់ (MAIDA) ។ ពួកគេកំពុងធ្វើការជាមួយអង្គការថែទាំសុខភាពជុំវិញពិភពលោក ដើម្បីផ្តល់ការណែនាំដ៏ទូលំទូលាយលើការប្រមូលទិន្នន័យ និងការកំណត់អត្តសញ្ញាណ ដោយប្រើគំរូគំរូ Federal Demonstration Partner (FDP) របស់សហរដ្ឋអាមេរិក ដើម្បីកំណត់ស្តង់ដារនៃការចែករំលែកទិន្នន័យ។ ពួកគេគ្រោងនឹងបញ្ចេញបណ្តើរៗនូវសំណុំទិន្នន័យដែលប្រមូលបាននៅក្នុងតំបន់ផ្សេងៗគ្នា និងការកំណត់គ្លីនិកជុំវិញពិភពលោក។ សំណុំទិន្នន័យដំបូងត្រូវបានគេរំពឹងថានឹងចេញផ្សាយនៅដើមឆ្នាំ 2024 ដោយមានច្រើនទៀតនឹងកើតឡើងនៅពេលដែលភាពជាដៃគូពង្រីក។ គម្រោងនេះគឺជាការប៉ុនប៉ងដ៏សំខាន់មួយដើម្បីកសាងសំណុំទិន្នន័យ AI ខ្នាតធំ និងចម្រុះជាសកលដែលមានជាសាធារណៈ។

បន្ទាប់ពីការស្នើសុំនេះ ធនាគារ UK Biobank បានដាក់ឧទាហរណ៍មួយ។ UK Biobank បានចេញផ្សាយទិន្នន័យថ្មីនៅថ្ងៃទី 30 ខែវិច្ឆិកា ពីលំដាប់ហ្សែនទាំងមូលនៃអ្នកចូលរួម 500,000 របស់ខ្លួន។ មូលដ្ឋានទិន្នន័យដែលបោះពុម្ពផ្សាយលំដាប់ហ្សែនពេញលេញនៃអ្នកស្ម័គ្រចិត្តជនជាតិអង់គ្លេស 500,000 នាក់ គឺជាមូលដ្ឋានទិន្នន័យហ្សែនមនុស្សពេញលេញបំផុតនៅលើពិភពលោក។ អ្នកស្រាវជ្រាវជុំវិញពិភពលោកអាចស្នើសុំការចូលប្រើទិន្នន័យដែលមិនកំណត់អត្តសញ្ញាណនេះហើយប្រើប្រាស់វាដើម្បីស៊ើបអង្កេតមូលដ្ឋានហ្សែននៃសុខភាព និងជំងឺ។ ទិន្នន័យហ្សែនតែងតែមានភាពរសើបខ្លាំងសម្រាប់ការផ្ទៀងផ្ទាត់នាពេលកន្លងមក ហើយសមិទ្ធិផលជាប្រវត្តិសាស្ត្ររបស់ UK Biobank បង្ហាញថាវាអាចទៅរួចក្នុងការបង្កើតមូលដ្ឋានទិន្នន័យខ្នាតធំជាសកលដែលបើកចំហ និងគ្មានភាពឯកជន។ ជាមួយនឹងបច្ចេកវិទ្យា និងមូលដ្ឋានទិន្នន័យនេះ AI វេជ្ជសាស្រ្តត្រូវបានចងភ្ជាប់ទៅនឹងការឈានទៅមុខបន្ទាប់ទៀត។

ការផ្ទៀងផ្ទាត់ និងការវាយតម្លៃនៃ AI វេជ្ជសាស្ត្រ

បើប្រៀបធៀបជាមួយនឹងការអភិវឌ្ឍន៍យ៉ាងឆាប់រហ័សនៃបច្ចេកវិទ្យា AI វេជ្ជសាស្រ្តខ្លួនឯង ការអភិវឌ្ឍន៍នៃការផ្ទៀងផ្ទាត់ និងការវាយតម្លៃនៃ AI វេជ្ជសាស្រ្តគឺយឺតបន្តិច។ សុពលភាព និងការវាយតម្លៃក្នុងវិស័យ AI ទូទៅ ជារឿយៗមិនអើពើនឹងតម្រូវការពិតប្រាកដរបស់គ្រូពេទ្យ និងអ្នកជំងឺសម្រាប់ AI ។ ការសាកល្បងព្យាបាលដែលគ្រប់គ្រងដោយចៃដន្យតាមបែបប្រពៃណីគឺហត់នឿយពេកក្នុងការផ្គូផ្គងនឹងការធ្វើឡើងវិញយ៉ាងឆាប់រហ័សនៃឧបករណ៍ AI ។ ការកែលម្អប្រព័ន្ធផ្ទៀងផ្ទាត់ និងការវាយតម្លៃដែលសមរម្យសម្រាប់ឧបករណ៍ AI វេជ្ជសាស្រ្តឱ្យបានឆាប់តាមដែលអាចធ្វើបាន គឺជារឿងសំខាន់បំផុតដើម្បីលើកកម្ពស់ AI វេជ្ជសាស្រ្តឱ្យមានភាពរីកចម្រើនយ៉ាងពិតប្រាកដ ការស្រាវជ្រាវ និងការអភិវឌ្ឍន៍ដល់ការចុះចតគ្លីនិក។

នៅក្នុងឯកសារស្រាវជ្រាវរបស់ Google លើ Med-PaLM ដែលបានបោះពុម្ពផ្សាយនៅក្នុង Nature ក្រុមការងារក៏បានបោះពុម្ភតារាងពិន្ទុវាយតម្លៃ MultiMedQA ដែលត្រូវបានប្រើដើម្បីវាយតម្លៃសមត្ថភាពនៃគំរូភាសាធំៗក្នុងការទទួលបានចំណេះដឹងផ្នែកព្យាបាល។ ស្តង់ដាររួមបញ្ចូលគ្នានូវសំណុំទិន្នន័យ Q&A វេជ្ជសាស្រ្តដែលមានស្រាប់ចំនួនប្រាំមួយ ដែលគ្របដណ្តប់លើចំណេះដឹងផ្នែកវេជ្ជសាស្រ្តដែលមានជំនាញវិជ្ជាជីវៈ ការស្រាវជ្រាវ និងទិដ្ឋភាពផ្សេងទៀត ក៏ដូចជាសំណុំទិន្នន័យទិន្នន័យសំណួរវេជ្ជសាស្រ្តស្វែងរកតាមអ៊ីនធឺណិត ដោយពិចារណាលើសំណួរ និងចម្លើយរបស់វេជ្ជបណ្ឌិតតាមអ៊ីនធឺណិត ដោយព្យាយាមបណ្តុះបណ្តាល AI ទៅជាវេជ្ជបណ្ឌិតដែលមានសមត្ថភាពពីទិដ្ឋភាពជាច្រើន។ លើសពីនេះ ក្រុមការងារស្នើរនូវក្របខណ្ឌដោយផ្អែកលើការវាយតម្លៃរបស់មនុស្ស ដែលគិតគូរពីទិដ្ឋភាពជាច្រើននៃការពិត ការយល់ដឹង ហេតុផល និងការលំអៀងដែលអាចកើតមាន។ នេះគឺជាកិច្ចខិតខំប្រឹងប្រែងស្រាវជ្រាវតំណាងបំផុតមួយដើម្បីវាយតម្លៃ AI ក្នុងការថែទាំសុខភាពដែលបានចេញផ្សាយនៅឆ្នាំនេះ។

ទោះជាយ៉ាងណាក៏ដោយ តើការពិតដែលថាគំរូភាសាធំបង្ហាញពីកម្រិតខ្ពស់នៃចំណេះដឹងផ្នែកព្យាបាលការអ៊ិនកូដមានន័យថាគំរូភាសាធំមានសមត្ថកិច្ចសម្រាប់កិច្ចការព្យាបាលក្នុងពិភពពិតទេ? ដូចនិស្សិតពេទ្យដែលប្រឡងជាប់វិជ្ជាជីវៈគ្រូពេទ្យដែលមានពិន្ទុល្អឥតខ្ចោះ នៅតែឆ្ងាយពីគ្រូពេទ្យទោល លក្ខណៈវិនិច្ឆ័យវាយតម្លៃដែលស្នើឡើងដោយ Google ប្រហែលជាមិនមែនជាចម្លើយដ៏ល្អឥតខ្ចោះចំពោះប្រធានបទនៃការវាយតម្លៃ AI វេជ្ជសាស្ត្រសម្រាប់គំរូ AI នោះទេ។ នៅដើមឆ្នាំ 2021 និង 2022 អ្នកស្រាវជ្រាវបានស្នើគោលការណ៍ណែនាំការរាយការណ៍ដូចជា Decid-AI, SPIRIT-AI និង INTRPRT ដោយសង្ឃឹមថានឹងណែនាំការអភិវឌ្ឍន៍ដំបូង និងសុពលភាពនៃ AI វេជ្ជសាស្រ្តក្រោមលក្ខខណ្ឌនៃការពិចារណាលើកត្តាដូចជាការអនុវត្តជាក់ស្តែង សុវត្ថិភាព កត្តាមនុស្ស និងតម្លាភាព/ការបកស្រាយ។ ថ្មីៗនេះ ទស្សនាវដ្ដី Nature Medicine បានបោះពុម្ពផ្សាយការសិក្សាមួយដោយអ្នកស្រាវជ្រាវមកពីសាកលវិទ្យាល័យ Oxford និងសាកលវិទ្យាល័យ Stanford អំពីថាតើត្រូវប្រើ "ការបញ្ជាក់ខាងក្រៅ" ឬ "ការបញ្ជាក់ឡើងវិញក្នុងស្រុក។" ដើម្បីធ្វើសុពលភាពឧបករណ៍ AI ។

ភាពមិនលំអៀងនៃឧបករណ៍ AI ក៏ជាទិសដៅវាយតម្លៃដ៏សំខាន់ដែលបានទទួលការចាប់អារម្មណ៍នៅឆ្នាំនេះពីអត្ថបទវិទ្យាសាស្ត្រ និង NEJM ។ AI ជាញឹកញាប់បង្ហាញភាពលំអៀង ព្រោះវាត្រូវបានកំណត់ចំពោះទិន្នន័យបណ្តុះបណ្តាល។ ភាពលំអៀងនេះអាចឆ្លុះបញ្ចាំងពីវិសមភាពសង្គម ដែលវិវឌ្ឍន៍បន្ថែមទៀតទៅជាការរើសអើងតាមក្បួនដោះស្រាយ។ ថ្មីៗនេះ វិទ្យាស្ថានជាតិសុខភាពបានចាប់ផ្តើមគំនិតផ្តួចផ្តើម Bridge2AI ដែលប៉ាន់ស្មានថាចំណាយអស់ 130 លានដុល្លារដើម្បីបង្កើតសំណុំទិន្នន័យចម្រុះ (ស្របតាមគោលដៅនៃគំនិតផ្តួចផ្តើមរបស់ MAIDA ដែលបានរៀបរាប់ខាងលើ) ដែលអាចត្រូវបានប្រើដើម្បីកំណត់ភាពមិនលំអៀងនៃឧបករណ៍ AI វេជ្ជសាស្រ្ត។ ទិដ្ឋភាពទាំងនេះមិនត្រូវបានពិចារណាដោយ MultiMedQA ទេ។ សំណួរអំពីរបៀបវាស់ស្ទង់ និងសុពលភាពគំរូ AI វេជ្ជសាស្រ្តនៅតែត្រូវការការពិភាក្សាយ៉ាងទូលំទូលាយ និងស៊ីជម្រៅ។

នៅក្នុងខែមករា Nature Medicine បានបោះពុម្ពផ្សាយមតិមួយហៅថា "ជំនាន់ក្រោយនៃឱសថផ្អែកលើភស្តុតាង" ពី Vivek Subbiah នៃសាកលវិទ្យាល័យ Texas MD Anderson Cancer Center ដោយពិនិត្យមើលឡើងវិញនូវដែនកំណត់នៃការសាកល្បងព្យាបាលដែលបានបង្ហាញនៅក្នុងបរិបទនៃជំងឺរាតត្បាត COVID-19 និងចង្អុលបង្ហាញពីភាពផ្ទុយគ្នារវាងការច្នៃប្រឌិត និងការប្រកាន់ខ្ជាប់នូវដំណើរការស្រាវជ្រាវគ្លីនិក។ ជាចុងក្រោយ វាចង្អុលបង្ហាញពីអនាគតនៃការរៀបចំរចនាសម្ព័ន្ធការសាកល្បងព្យាបាលឡើងវិញ ដែលជាការសាកល្បងព្យាបាលជំនាន់ក្រោយដោយប្រើបញ្ញាសិប្បនិម្មិត ពោលគឺការប្រើប្រាស់បញ្ញាសិប្បនិម្មិតពីទិន្នន័យស្រាវជ្រាវប្រវត្តិសាស្ត្រមួយចំនួនធំ ទិន្នន័យពិភពលោកពិត ទិន្នន័យគ្លីនិកពហុម៉ូឌុល ទិន្នន័យឧបករណ៍ដែលអាចពាក់បាន ដើម្បីស្វែងរកភស្តុតាងសំខាន់ៗ។ តើនេះមានន័យថាបច្ចេកវិទ្យា AI និងដំណើរការផ្ទៀងផ្ទាត់គ្លីនិក AI អាចនឹងមានការពង្រឹងគ្នាទៅវិញទៅមក និងរួមគ្នានាពេលអនាគតដែរឬទេ? នេះ​ជា​សំណួរ​ដែល​បើក​ចំហ និង​បំផុសគំនិត​សម្រាប់​ឆ្នាំ ២០២៣។

បទប្បញ្ញត្តិនៃ AI វេជ្ជសាស្ត្រ

ភាពជឿនលឿននៃបច្ចេកវិទ្យា AI ក៏បង្កបញ្ហាប្រឈមចំពោះបទប្បញ្ញត្តិនៃ AI ហើយអ្នកបង្កើតគោលនយោបាយជុំវិញពិភពលោកកំពុងឆ្លើយតបយ៉ាងយកចិត្តទុកដាក់ និងប្រុងប្រយ័ត្ន។ នៅឆ្នាំ 2019 FDA បានចេញផ្សាយជាលើកដំបូងនូវក្របខ័ណ្ឌបទប្បញ្ញត្តិដែលបានស្នើឡើងសម្រាប់ការផ្លាស់ប្តូរកម្មវិធីទៅឧបករណ៍វេជ្ជសាស្ត្រឆ្លាតវៃសិប្បនិម្មិត (សេចក្តីព្រាងការពិភាក្សា) ដោយរៀបរាប់លម្អិតអំពីវិធីសាស្រ្តសក្តានុពលរបស់វាចំពោះការពិនិត្យមើលទីផ្សារជាមុននៃ AI និងការកែប្រែកម្មវិធីដែលជំរុញដោយការសិក្សាដោយម៉ាស៊ីន។ នៅឆ្នាំ 2021 FDA បានស្នើឡើង "កម្មវិធីដែលមានមូលដ្ឋានលើបញ្ញាសិប្បនិម្មិត/ការរៀនម៉ាស៊ីនជាផែនការសកម្មភាពឧបករណ៍វេជ្ជសាស្ត្រ" ដែលបានបញ្ជាក់ពីវិធានការគ្រប់គ្រងផ្នែកវេជ្ជសាស្ត្រ AI ជាក់លាក់ចំនួនប្រាំ។ នៅឆ្នាំនេះ FDA បានចេញផ្សាយការបញ្ជូនមុនទីផ្សារសម្រាប់លក្ខណៈពិសេសកម្មវិធីឧបករណ៍ដើម្បីផ្តល់ព័ត៌មានអំពីការណែនាំនៃការដាក់ស្នើទីផ្សារមុនសម្រាប់ការវាយតម្លៃរបស់ FDA អំពីសុវត្ថិភាព និងប្រសិទ្ធភាពនៃមុខងារកម្មវិធីឧបករណ៍ រួមទាំងលក្ខណៈពិសេសឧបករណ៍កម្មវិធីមួយចំនួនដែលប្រើម៉ូដែលរៀនម៉ាស៊ីនដែលបានបណ្តុះបណ្តាលតាមរយៈវិធីសាស្ត្ររៀនម៉ាស៊ីន។ គោលការណ៍និយតកម្មរបស់ FDA បានវិវត្តន៍ពីសំណើដំបូងទៅការណែនាំជាក់ស្តែង។

បន្ទាប់ពីការបោះពុម្ពផ្សាយរបស់ European Health Data Space កាលពីខែកក្កដាឆ្នាំមុន សហភាពអឺរ៉ុបបានអនុម័តច្បាប់បញ្ញាសិប្បនិមិត្តម្តងទៀត។ អតីតមានគោលបំណងធ្វើឱ្យការប្រើប្រាស់ទិន្នន័យសុខភាពល្អបំផុតដើម្បីផ្តល់នូវការថែទាំសុខភាពដែលមានគុណភាពខ្ពស់ កាត់បន្ថយវិសមភាព និងទិន្នន័យគាំទ្រសម្រាប់ការបង្ការ ការធ្វើរោគវិនិច្ឆ័យ ការព្យាបាល ការច្នៃប្រឌិតវិទ្យាសាស្ត្រ ការសម្រេចចិត្ត និងច្បាប់ ខណៈពេលដែលធានាថាពលរដ្ឋសហភាពអឺរ៉ុបមានការគ្រប់គ្រងកាន់តែច្រើនលើទិន្នន័យសុខភាពផ្ទាល់ខ្លួនរបស់ពួកគេ។ ក្រោយមកទៀតធ្វើឱ្យវាច្បាស់ថាប្រព័ន្ធរោគវិនិច្ឆ័យវេជ្ជសាស្រ្តគឺជាប្រព័ន្ធ AI ដែលមានហានិភ័យខ្ពស់ ហើយវាត្រូវការដើម្បីទទួលយកការត្រួតពិនិត្យខ្លាំងគោលដៅ ការត្រួតពិនិត្យវដ្តជីវិតទាំងមូល និងការត្រួតពិនិត្យមុនការវាយតម្លៃ។ ទីភ្នាក់ងារឱសថអឺរ៉ុប (EMA) បានបោះពុម្ពផ្សាយសេចក្តីព្រាងឯកសារឆ្លុះបញ្ចាំងអំពីការប្រើប្រាស់ AI ដើម្បីគាំទ្រដល់ការអភិវឌ្ឍន៍ ការគ្រប់គ្រង និងការប្រើប្រាស់ឱសថ ដោយសង្កត់ធ្ងន់លើការកែលម្អភាពជឿជាក់នៃ AI ដើម្បីធានាសុវត្ថិភាពអ្នកជំងឺ និងសុចរិតភាពនៃលទ្ធផលស្រាវជ្រាវគ្លីនិក។ សរុបមក វិធីសាស្រ្តបទប្បញ្ញត្តិរបស់សហភាពអឺរ៉ុបកំពុងដំណើរការជាបណ្តើរៗ ហើយព័ត៌មានលម្អិតនៃការអនុវត្តចុងក្រោយអាចមានភាពលម្អិត និងតឹងរ៉ឹងជាង។ ផ្ទុយស្រឡះទៅនឹងបទប្បញ្ញត្តិដ៏តឹងរ៉ឹងរបស់សហភាពអឺរ៉ុប ប្លង់មេបទប្បញ្ញត្តិ AI របស់ចក្រភពអង់គ្លេសបញ្ជាក់យ៉ាងច្បាស់ថា រដ្ឋាភិបាលគ្រោងនឹងចាត់វិធានការទន់ភ្លន់ និងមិនបង្កើតវិក័យប័ត្រថ្មី ឬបង្កើតនិយតករថ្មីសម្រាប់ពេលនេះទេ។

នៅក្នុងប្រទេសចិន មជ្ឈមណ្ឌលត្រួតពិនិត្យបច្ចេកទេសឧបករណ៍វេជ្ជសាស្ត្រ (NMPA) នៃរដ្ឋបាលផលិតផលវេជ្ជសាស្ត្រជាតិបានចេញឯកសារដូចជា "ចំណុចពិនិត្យឡើងវិញនៃកម្មវិធីការសម្រេចចិត្តដែលជួយដល់ការសិក្សាជ្រៅជ្រះ" "គោលការណ៍ណែនាំសម្រាប់ការពិនិត្យឡើងវិញនៃការចុះឈ្មោះឧបករណ៍វេជ្ជសាស្ត្របញ្ញាសិប្បនិម្មិត (សេចក្តីព្រាងសម្រាប់មតិយោបល់)" និង "សារាចរស្តីពីគោលការណ៍ណែនាំសម្រាប់ការចាត់ថ្នាក់ និងដំណោះស្រាយផ្នែកវេជ្ជសាស្ត្រ។ 47 ក្នុងឆ្នាំ 2021) ។ នៅឆ្នាំនេះ "សេចក្តីសង្ខេបនៃលទ្ធផលចំណាត់ថ្នាក់ផលិតផលឧបករណ៍វេជ្ជសាស្ត្រដំបូងគេក្នុងឆ្នាំ 2023" ត្រូវបានចេញផ្សាយម្តងទៀត។ ឯកសារស៊េរីនេះធ្វើឱ្យនិយមន័យ ចំណាត់ថ្នាក់ និងបទប្បញ្ញត្តិនៃផលិតផលកម្មវិធីផ្នែកវេជ្ជសាស្រ្តបញ្ញាសិប្បនិម្មិតកាន់តែច្បាស់ និងងាយស្រួលក្នុងការដំណើរការ ព្រមទាំងផ្តល់ការណែនាំច្បាស់លាស់សម្រាប់ការកំណត់ទីតាំងផលិតផល និងយុទ្ធសាស្រ្តចុះបញ្ជីរបស់សហគ្រាសនានាក្នុងឧស្សាហកម្មនេះ។ ឯកសារទាំងនេះផ្តល់នូវក្របខ័ណ្ឌ និងការសម្រេចចិត្តគ្រប់គ្រងសម្រាប់ឧបករណ៍វិទ្យាសាស្រ្តដែលមានតម្លៃសម្រាប់ AI ។ នៃសន្និសិទបញ្ញាសិប្បនិម្មិតវេជ្ជសាស្រ្តរបស់ប្រទេសចិនដែលបានធ្វើឡើងនៅទីក្រុង Hangzhou ពីថ្ងៃទី 21 ដល់ថ្ងៃទី 23 ខែធ្នូ បានបង្កើតវេទិកាពិសេសមួយស្តីពីអភិបាលកិច្ចវេជ្ជសាស្រ្តឌីជីថល និងការអភិវឌ្ឍន៍គុណភាពខ្ពស់នៃមន្ទីរពេទ្យសាធារណៈ និងការធ្វើតេស្តឧបករណ៍វេជ្ជសាស្រ្តបញ្ញាសិប្បនិម្មិត និងវេទិកាអភិវឌ្ឍន៍ឧស្សាហកម្មស្តង់ដារបច្ចេកវិទ្យាវាយតម្លៃនៅពេលនោះ មន្ត្រីមកពីគណៈកម្មការកំណែទម្រង់ជាតិ និង NMPA នឹងចូលរួមកិច្ចប្រជុំនេះ ហើយអាចនឹងចេញផ្សាយព័ត៌មានថ្មី។

សេចក្តីសន្និដ្ឋាន

នៅឆ្នាំ 2023 អាយ.អាយ.អាយ វេជ្ជសាស្ត្របានចាប់ផ្តើមបញ្ចូលទៅក្នុងដំណើរការផ្នែកវេជ្ជសាស្ត្រទាំងមូល គ្របដណ្តប់លើការប្រមូលទិន្នន័យមន្ទីរពេទ្យ ការលាយបញ្ចូលគ្នា ការវិភាគ រោគវិនិច្ឆ័យ និងការព្យាបាល និងការពិនិត្យសហគមន៍ និងសហការសរីរាង្គជាមួយបុគ្គលិកផ្នែកគ្រប់គ្រងជំងឺ/វេជ្ជសាស្ត្រ ដោយបង្ហាញពីសក្តានុពលក្នុងការនាំមកនូវសុខុមាលភាពដល់សុខភាពមនុស្ស។ ការស្រាវជ្រាវ AI វេជ្ជសាស្រ្តដែលអាចប្រើបានកំពុងចាប់ផ្តើមរះ។ នៅពេលអនាគត វឌ្ឍនភាពនៃ AI វេជ្ជសាស្ត្រមិនត្រឹមតែអាស្រ័យទៅលើការអភិវឌ្ឍន៍បច្ចេកវិទ្យាខ្លួនឯងប៉ុណ្ណោះទេ ថែមទាំងត្រូវការកិច្ចសហប្រតិបត្តិការពេញលេញនៃឧស្សាហកម្ម សាកលវិទ្យាល័យ និងការស្រាវជ្រាវផ្នែកវេជ្ជសាស្រ្ត និងការគាំទ្រពីអ្នកបង្កើតគោលនយោបាយ និងនិយតករ។ កិច្ចសហការឆ្លងដែននេះគឺជាគន្លឹះក្នុងការសម្រេចបាននូវសេវាវេជ្ជសាស្រ្តរួមបញ្ចូល AI ហើយពិតជានឹងជំរុញការអភិវឌ្ឍន៍សុខភាពមនុស្ស។