ଖବର

୨୦୦୭ ମସିହାରେ IBM ୱାଟସନ ଆରମ୍ଭ ହେବା ପରଠାରୁ, ମଣିଷ ନିରନ୍ତର ଭାବରେ ଚିକିତ୍ସା କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) ବିକାଶ ପାଇଁ ପ୍ରୟାସ କରିଆସୁଛି। ଏକ ବ୍ୟବହାରଯୋଗ୍ୟ ଏବଂ ଶକ୍ତିଶାଳୀ ଚିକିତ୍ସା AI ପ୍ରଣାଳୀ ଆଧୁନିକ ଚିକିତ୍ସାର ସମସ୍ତ ଦିଗକୁ ପୁନଃଆକୃତି ଦେବାର ପ୍ରଚୁର ସମ୍ଭାବନା ରଖିଛି, ଯାହା ସ୍ମାର୍ଟ, ଅଧିକ ସଠିକ୍, ଦକ୍ଷ ଏବଂ ଅନ୍ତର୍ଭୁକ୍ତ ଚିକିତ୍ସାକୁ ସକ୍ଷମ କରିଥାଏ, ଚିକିତ୍ସା କର୍ମୀ ଏବଂ ରୋଗୀଙ୍କ କଲ୍ୟାଣ ଆଣିଥାଏ ଏବଂ ଏହା ଦ୍ୱାରା ମାନବ ସ୍ୱାସ୍ଥ୍ୟରେ ବ୍ୟାପକ ଉନ୍ନତି ଆଣିଥାଏ। ଗତ ୧୬ ବର୍ଷ ମଧ୍ୟରେ, ଯଦିଓ ଚିକିତ୍ସା AI ଗବେଷକମାନେ ବିଭିନ୍ନ ଛୋଟ କ୍ଷେତ୍ରରେ ଜମା କରିଛନ୍ତି, ଏହି ପର୍ଯ୍ୟାୟରେ, ସେମାନେ ଏପର୍ଯ୍ୟନ୍ତ ବିଜ୍ଞାନ କାଳ୍ପନିକକୁ ବାସ୍ତବତାରେ ଆଣିବାରେ ସକ୍ଷମ ହୋଇନାହାଁନ୍ତି।

ଏହି ବର୍ଷ, ChatGPT ଭଳି AI ପ୍ରଯୁକ୍ତିର ବୈପ୍ଳବିକ ବିକାଶ ସହିତ, ଚିକିତ୍ସା AI ଅନେକ ଦିଗରେ ବହୁତ ପ୍ରଗତି କରିଛି। ଚିକିତ୍ସା AI ର କ୍ଷମତାରେ ଅଭୂତପୂର୍ବ ସଫଳତା: ପ୍ରକୃତି ପତ୍ରିକା ନିରନ୍ତର ଭାବରେ ଚିକିତ୍ସା ବୃହତ ଭାଷା ମଡେଲ୍ ଏବଂ ଚିକିତ୍ସା ପ୍ରତିଛବି ମଡେଲ୍ ଉପରେ ଗବେଷଣା ଆରମ୍ଭ କରିଛି; ଗୁଗୁଲ୍ Med-PaLM ଏବଂ ଏହାର ଉତ୍ତରାଧିକାରୀ ପ୍ରକାଶ କରିଛି, US ମେଡିକାଲ୍ ପ୍ରାକ୍ଟିସନର୍ ପରୀକ୍ଷା ପ୍ରଶ୍ନରେ ବିଶେଷଜ୍ଞ ସ୍ତରରେ ପହଞ୍ଚିଛି। ପ୍ରମୁଖ ଶିକ୍ଷାଗତ ପତ୍ରିକାଗୁଡ଼ିକ ଚିକିତ୍ସା AI ଉପରେ ଧ୍ୟାନ ଦେବ: ପ୍ରକୃତି ସାଧାରଣ ଚିକିତ୍ସା AI ର ମୌଳିକ ମଡେଲ୍ ଉପରେ ଦୃଷ୍ଟିକୋଣ ପ୍ରକାଶ କରେ; ଏହି ବର୍ଷ ଆରମ୍ଭରେ ମେଡିସିନ୍ ରେ AI ର ସମୀକ୍ଷାର ଏକ ଶୃଙ୍ଖଳା ପରେ, ନ୍ୟୁ ଇଂଲଣ୍ଡ ଜର୍ନାଲ ଅଫ୍ ମେଡିସିନ୍ (NEJM) ନଭେମ୍ବର 30 ରେ ଏହାର ପ୍ରଥମ ଡିଜିଟାଲ୍ ସ୍ୱାସ୍ଥ୍ୟ ସମୀକ୍ଷା ପ୍ରକାଶ କରିଥିଲା ​​ଏବଂ ଡିସେମ୍ବର 12 ରେ NEJM ଉପ-ପତ୍ରିକା NEJM AI ର ପ୍ରଥମ ସଂଖ୍ୟା ଆରମ୍ଭ କରିଥିଲା। ଚିକିତ୍ସା AI ଅବତରଣ ମାଟି ଆହୁରି ପରିପକ୍ୱ: JAMA ଉପ-ପତ୍ରିକା ବିଶ୍ୱସ୍ତରୀୟ ଚିକିତ୍ସା ପ୍ରତିଛବି ତଥ୍ୟ ଅଂଶୀଦାର ପଦକ୍ଷେପ ପ୍ରକାଶ କରିଛି; US ଖାଦ୍ୟ ଏବଂ ଔଷଧ ପ୍ରଶାସନ (FDA) ଚିକିତ୍ସା AI ର ନିୟନ୍ତ୍ରଣ ପାଇଁ ଡ୍ରାଫ୍ଟ ନିର୍ଦ୍ଦେଶାବଳୀ ବିକଶିତ କରୁଛି।

ତଳେ, ଆମେ 2023 ମସିହାରେ ବ୍ୟବହାରଯୋଗ୍ୟ ଚିକିତ୍ସା AI ଦିଗରେ ବିଶ୍ୱବ୍ୟାପୀ ଗବେଷକମାନେ କରିଥିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଗତି ସମୀକ୍ଷା କରୁଛୁ।

ମେଡିକାଲ୍ AI ମୌଳିକ ମଡେଲ୍

ଚିକିତ୍ସା AI ମୌଳିକ ମଡେଲର ନିର୍ମାଣ ନିସନ୍ଦେହରେ ଏହି ବର୍ଷର ସବୁଠାରୁ ଉତ୍ତେଜକ ଗବେଷଣା କେନ୍ଦ୍ରବିନ୍ଦୁ। ନେଚର ଜର୍ଣ୍ଣାଲଗୁଡ଼ିକ ବର୍ଷ ମଧ୍ୟରେ ସ୍ୱାସ୍ଥ୍ୟସେବାର ୟୁନିଭର୍ସାଲ ମୌଳିକ ମଡେଲ ଏବଂ ସ୍ୱାସ୍ଥ୍ୟସେବାର ବୃହତ ଭାଷା ମଡେଲ ଉପରେ ସମୀକ୍ଷା ପ୍ରବନ୍ଧ ପ୍ରକାଶ କରିଛନ୍ତି। ଶିଳ୍ପର ଶୀର୍ଷ ଜର୍ଣ୍ଣାଲ, ମେଡିକାଲ ଇମେଜ୍ ଆନାଲିସିସ୍, ଚିକିତ୍ସା ପ୍ରତିଛବି ବିଶ୍ଳେଷଣରେ ମୌଳିକ ମଡେଲ ଗବେଷଣାର ଚ୍ୟାଲେଞ୍ଜ ଏବଂ ସୁଯୋଗଗୁଡ଼ିକର ସମୀକ୍ଷା ଏବଂ ଅପେକ୍ଷା କରିଛି, ଏବଂ ଚିକିତ୍ସା AI ର ମୌଳିକ ମଡେଲ ଗବେଷଣାର ବିକାଶକୁ ସଂକ୍ଷେପ ଏବଂ ମାର୍ଗଦର୍ଶନ କରିବା ପାଇଁ "ମୌଳିକ ମଡେଲର ବଂଶାବଳୀ" ର ଧାରଣା ପ୍ରସ୍ତାବ କରିଛି। ସ୍ୱାସ୍ଥ୍ୟସେବା ପାଇଁ ମୌଳିକ AI ମଡେଲର ଭବିଷ୍ୟତ ସ୍ପଷ୍ଟ ହେଉଛି। ChatGPT ଭଳି ବଡ଼ ଭାଷା ମଡେଲର ସଫଳ ଉଦାହରଣଗୁଡ଼ିକୁ ଆଙ୍କି, ଅଧିକ ଉନ୍ନତ ସ୍ୱ-ତଦାରଖିତ ପୂର୍ବ-ପ୍ରଶିକ୍ଷଣ ପଦ୍ଧତି ଏବଂ ତାଲିମ ତଥ୍ୟର ବିପୁଳ ସଂଗ୍ରହ ବ୍ୟବହାର କରି, ଚିକିତ୍ସା AI କ୍ଷେତ୍ରରେ ଗବେଷକମାନେ 1) ରୋଗ-ନିର୍ଦ୍ଦିଷ୍ଟ ମୂଳ ମଡେଲ, 2) ସାଧାରଣ ମୂଳ ମଡେଲ, ଏବଂ 3) ବହୁମୁଖୀ ବଡ଼ ମଡେଲ ନିର୍ମାଣ କରିବାକୁ ଚେଷ୍ଟା କରୁଛନ୍ତି ଯାହା ବିଶାଳ ପାରାମିଟର ଏବଂ ଉତ୍କୃଷ୍ଟ କ୍ଷମତା ସହିତ ବିଭିନ୍ନ ପ୍ରକାରର ମୋଡକୁ ଏକୀକୃତ କରେ।

ମେଡିକାଲ୍ ଡାଟା ଆକ୍ୱିଜିସନ୍ ଏଆଇ ମଡେଲ୍

ଡାଉନଷ୍ଟ୍ରିମ୍ କ୍ଲିନିକାଲ୍ ଡାଟା ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟରେ ଏକ ମହାନ ଭୂମିକା ଗ୍ରହଣ କରୁଥିବା ବଡ଼ AI ମଡେଲ୍ ବ୍ୟତୀତ, ଅପଷ୍ଟ୍ରିମ୍ କ୍ଲିନିକାଲ୍ ଡାଟା ଅଧିଗ୍ରହଣରେ, ଜେନେରେଟିଭ୍ AI ମଡେଲ୍ ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଉଥିବା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ମଧ୍ୟ ଉଭା ହୋଇଛି। AI ଆଲଗୋରିଦମ ଦ୍ୱାରା ଡାଟା ଅଧିଗ୍ରହଣର ପ୍ରକ୍ରିୟା, ଗତି ଏବଂ ଗୁଣବତ୍ତା ଯଥେଷ୍ଟ ଉନ୍ନତ କରାଯାଇପାରିବ।

ଏହି ବର୍ଷ ଆରମ୍ଭରେ, ନେଚର ବାୟୋମେଡିକାଲ୍ ଇଞ୍ଜିନିୟରିଂ ତୁର୍କୀର ଷ୍ଟ୍ରେଟ୍ସ ବିଶ୍ୱବିଦ୍ୟାଳୟରୁ ଏକ ଅଧ୍ୟୟନ ପ୍ରକାଶ କରିଥିଲା ​​ଯାହା କ୍ଲିନିକାଲ୍ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ପାଥୋଲୋଜିକ୍ ଇମେଜ୍-ସହାୟିତ ରୋଗ ନିର୍ଣ୍ଣୟ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଜେନେରେଟିଭ୍ AI ବ୍ୟବହାର କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥିଲା। ଅସ୍ତ୍ରୋପଚାର ସମୟରେ ଫ୍ରୋଜେନ୍ ସେକ୍ସନ୍ ଟିସୁରେ ଥିବା କଳାକୃତିଗୁଡ଼ିକ ଦ୍ରୁତ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଏକ ପ୍ରତିବନ୍ଧକ। ଯଦିଓ ଫର୍ମାଲିନ୍ ଏବଂ ପାରାଫିନ୍ ଏମ୍ବେଡେଡ୍ (FFPE) ଟିସୁ ଏକ ଉଚ୍ଚମାନର ନମୁନା ପ୍ରଦାନ କରେ, ଏହାର ଉତ୍ପାଦନ ପ୍ରକ୍ରିୟା ସମୟସାପେକ୍ଷ ଏବଂ ପ୍ରାୟତଃ 12-48 ଘଣ୍ଟା ସମୟ ନେଇଥାଏ, ଯାହା ଏହାକୁ ସର୍ଜରୀରେ ବ୍ୟବହାର ପାଇଁ ଅନୁପଯୁକ୍ତ କରିଥାଏ। ତେଣୁ ଗବେଷଣା ଦଳ AI-FFPE ନାମକ ଏକ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଇଥିଲା, ଯାହା ଫ୍ରୋଜେନ୍ ସେକ୍ସନ୍‌ରେ ଟିସୁର ଦୃଶ୍ୟକୁ FFPE ପରି କରିପାରିବ। ଆଲଗୋରିଦମ ସଫଳତାର ସହିତ ଫ୍ରୋଜେନ୍ ସେକ୍ସନ୍‌ଗୁଡ଼ିକର କଳାକୃତିଗୁଡ଼ିକୁ ସଂଶୋଧନ କରିଥିଲା, ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଉନ୍ନତ କରିଥିଲା ​​ଏବଂ ସେହି ସମୟରେ କ୍ଲିନିକାଲ୍ ପ୍ରାସଙ୍ଗିକ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବଜାୟ ରଖିଥିଲା। କ୍ଲିନିକାଲ୍ ବୈଧତାରେ, AI-FFPE ଆଲଗୋରିଦମ କ୍ଲିନିକାଲ୍ ନିର୍ଣ୍ଣୟ ସମୟକୁ ବହୁତ କମ କରିବା ସହିତ ଟ୍ୟୁମର ଉପପ୍ରକାର ପାଇଁ ପାଥୋଲୋଜିଷ୍ଟଙ୍କ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ସଠିକତାକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ଉନ୍ନତ କରିଥିଲା।

ସେଲ୍ ରିପୋର୍ଟସ୍ ମେଡିସିନ୍ ଜିଲିନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ତୃତୀୟ କ୍ଲିନିକାଲ୍ କଲେଜ, ଫୁଡାନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟ ସହିତ ଜଡିତ ଝୋଙ୍ଗସାନ୍ ହସ୍ପିଟାଲ୍, ରେଡିଓଲୋଜି ବିଭାଗ ଏବଂ ସାଂଘାଇ ବିଜ୍ଞାନ ଏବଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିଶ୍ୱବିଦ୍ୟାଳୟ [25] ର ଏକ ଦଳ ଦ୍ୱାରା ଏକ ଗବେଷଣା କାର୍ଯ୍ୟ ରିପୋର୍ଟ କରେ। ଏହି ଅଧ୍ୟୟନ ଉଚ୍ଚ ବହୁମୁଖୀତା ଏବଂ ନମନୀୟତା ସହିତ ଏକ ସାଧାରଣ-ଉଦ୍ଦେଶ୍ୟପୂର୍ଣ୍ଣ ଗଭୀର ଶିକ୍ଷା ଏବଂ ପୁନରାବୃତ୍ତି ପୁନଃନିର୍ମାଣ ଫ୍ୟୁଜନ୍ ଫ୍ରେମୱାର୍କ (ହାଇବ୍ରିଡ୍ DL-IR) ପ୍ରସ୍ତାବ ଦିଏ, ଯାହା ଦ୍ରୁତ MRI, କମ ଡୋଜ୍ CT, ଏବଂ ଦ୍ରୁତ PET ରେ ଉତ୍କୃଷ୍ଟ ପ୍ରତିଛବି ପୁନଃନିର୍ମାଣ କାର୍ଯ୍ୟଦକ୍ଷତା ଦର୍ଶାଏ। ଆଲଗୋରିଦମ୍ 100 ସେକେଣ୍ଡରେ MR ସିଙ୍ଗଲ୍-ଅର୍ଗାନ୍ ମଲ୍ଟି-ସିକ୍ୱେନ୍ସ ସ୍କାନିଂ ହାସଲ କରିପାରିବ, ବିକିରଣ ଡୋଜ୍ CT ପ୍ରତିଛବିର ମାତ୍ର 10% କୁ ହ୍ରାସ କରିପାରିବ, ଏବଂ ଶବ୍ଦକୁ ଦୂର କରିପାରିବ, ଏବଂ PET ଅଧିଗ୍ରହଣରୁ 2 ରୁ 4 ଗୁଣ ତ୍ୱରାନ୍ୱିତ ସହିତ ଛୋଟ କ୍ଷତ ପୁନଃନିର୍ମାଣ କରିପାରିବ, ଗତି କଳାକୃତିର ପ୍ରଭାବକୁ ହ୍ରାସ କରିବ।

ଡାକ୍ତରୀ କର୍ମୀଙ୍କ ସହଯୋଗରେ ଡାକ୍ତରୀ AI

ଚିକିତ୍ସା AIର ଦ୍ରୁତ ବିକାଶ ଚିକିତ୍ସା ବୃତ୍ତିଗତମାନଙ୍କୁ ଗମ୍ଭୀରତାର ସହିତ ବିଚାର କରିବାକୁ ଏବଂ କ୍ଲିନିକାଲ୍ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ଉନ୍ନତ କରିବା ପାଇଁ AI ସହିତ କିପରି ସହଯୋଗ କରିବେ ତାହା ଅନୁସନ୍ଧାନ କରିବାକୁ ପ୍ରେରଣା ଦେଇଛି। ଏହି ବର୍ଷ ଜୁଲାଇରେ, DeepMind ଏବଂ ଏକ ବହୁ-ସଂସ୍ଥାଗତ ଗବେଷଣା ଦଳ ମିଳିତ ଭାବରେ ପରିପୂରକ ଚାଳିତ କ୍ଲିନିକାଲ୍ କାର୍ଯ୍ୟପ୍ରବାହ ବିଳମ୍ବ (CoDoC) ନାମକ ଏକ AI ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବ କରିଥିଲେ। ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ପ୍ରକ୍ରିୟା ପ୍ରଥମେ ଏକ ଭବିଷ୍ୟବାଣୀକାରୀ AI ସିଷ୍ଟମ ଦ୍ୱାରା ନିର୍ଣ୍ଣୟ କରାଯାଏ, ତା'ପରେ ପୂର୍ବ ଫଳାଫଳ ଉପରେ ଅନ୍ୟ AI ସିଷ୍ଟମ ଦ୍ୱାରା ବିଚାର କରାଯାଏ, ଏବଂ ଯଦି ସନ୍ଦେହ ଥାଏ, ତେବେ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ସଠିକତା ଏବଂ ସନ୍ତୁଳନ ଦକ୍ଷତା ଉନ୍ନତ କରିବା ପାଇଁ ଶେଷରେ ଜଣେ କ୍ଲିନିକାଲ୍ ଦ୍ୱାରା ନିର୍ଣ୍ଣୟ କରାଯାଏ। ସ୍ତନ କର୍କଟ ସ୍କ୍ରିନିଂ କଥା ଆସିଲେ, CoDoC ସମାନ ମିଥ୍ୟା ନକାରାତ୍ମକ ହାର ସହିତ ମିଥ୍ୟା ପଜିଟିଭ୍ ହାରକୁ 25% ହ୍ରାସ କରିଥିଲା, ଯେତେବେଳେ କ୍ଲିନିକାଲ୍ କାର୍ଯ୍ୟଭାରକୁ 66% ହ୍ରାସ କରିଥିଲା, ଯାହା ୟୁକେରେ ବର୍ତ୍ତମାନର "ଡବଲ-ପଠିତ ମଧ୍ୟସ୍ଥତା" ପ୍ରକ୍ରିୟା ତୁଳନାରେ। ଟିବି ବର୍ଗୀକରଣ ଦୃଷ୍ଟିରୁ, ସ୍ୱାଧୀନ AI ଏବଂ କ୍ଲିନିକାଲ୍ କାର୍ଯ୍ୟପ୍ରବାହ ତୁଳନାରେ ସମାନ ମିଥ୍ୟା ନକାରାତ୍ମକ ହାର ସହିତ ମିଥ୍ୟା ପଜିଟିଭ୍ ହାରକୁ 5 ରୁ 15 ପ୍ରତିଶତ ହ୍ରାସ କରାଯାଇଥିଲା।

ସେହିପରି, ଲଣ୍ଡନ, ୟୁକେର ଖେଇରନ୍ କମ୍ପାନୀର ଆନି ୱାଇ. ଏନଜି ଏବଂ ଅନ୍ୟମାନେ ଡବଲ-ରିଡ୍ ଆର୍ବିଟ୍ରେସନ ପ୍ରକ୍ରିୟାରେ କୌଣସି ରିକଲ୍ ଫଳାଫଳ ନଥିଲେ ଫଳାଫଳଗୁଡ଼ିକୁ ପୁନଃପରୀକ୍ଷଣ କରିବା ପାଇଁ (ମାନବ ପରୀକ୍ଷକଙ୍କ ସହଯୋଗରେ) ଅତିରିକ୍ତ ଏଆଇ ରିଡରଗୁଡ଼ିକୁ ପରିଚିତ କରାଇଥିଲେ, ଯାହା ପ୍ରାରମ୍ଭିକ ସ୍ତନ କର୍କଟ ସ୍କ୍ରିନିଂରେ ମିସ୍ ଡିଟେକ୍ସନ୍ ସମସ୍ୟାକୁ ଉନ୍ନତ କରିଥିଲା ​​ଏବଂ ପ୍ରକ୍ରିୟାଟିରେ ପ୍ରାୟ କୌଣସି ମିଥ୍ୟା ପଜିଟିଭ୍ ନଥିଲା। ଟେକ୍ସାସ୍ ମ୍ୟାକଗଭର୍ନ ମେଡିକାଲ୍ ସ୍କୁଲର ଏକ ଦଳ ଦ୍ୱାରା ପରିଚାଳିତ ଏବଂ ଚାରୋଟି ଷ୍ଟ୍ରୋକ୍ କେନ୍ଦ୍ରରେ ସମାପ୍ତ ହୋଇଥିବା ଅନ୍ୟ ଏକ ଅଧ୍ୟୟନରେ, ବଡ଼ ଭାସ୍କୁଲାର ଅକ୍ଲୁସିଭ୍ ଇସ୍କେମିକ୍ ଷ୍ଟ୍ରୋକ୍ (LVO) ଚିହ୍ନଟକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଗଣନା କରାଯାଇଥିବା ଟୋମୋଗ୍ରାଫି ଆଞ୍ଜିଓଗ୍ରାଫି (CTA) -ଆଧାରିତ ଏଆଇ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରୟୋଗ କରାଯାଇଥିଲା। କ୍ଲିନିସିଆନ୍ ଏବଂ ରେଡିଓଲୋଜିଷ୍ଟମାନେ CT ଇମେଜିଂ ସମାପ୍ତ ହେବାର କିଛି ମିନିଟ୍ ମଧ୍ୟରେ ସେମାନଙ୍କ ମୋବାଇଲ୍ ଫୋନ୍‌ରେ ରିଅଲ୍-ଟାଇମ୍ ଆଲର୍ଟ ପାଆନ୍ତି, ସେମାନଙ୍କୁ LVO ର ସମ୍ଭାବ୍ୟ ଉପସ୍ଥିତି ବିଷୟରେ ସୂଚିତ କରନ୍ତି। ଏହି ଏଆଇ ପ୍ରକ୍ରିୟା ତୀବ୍ର ଇସ୍କେମିକ୍ ଷ୍ଟ୍ରୋକ୍ ପାଇଁ ହସ୍ପିଟାଲରେ କାର୍ଯ୍ୟପ୍ରବାହକୁ ଉନ୍ନତ କରେ, ଚିକିତ୍ସା ପାଇଁ ପ୍ରବେଶ ଠାରୁ ଦ୍ୱାର-ରୁ-ଗ୍ରୋଇନ୍ ସମୟକୁ ହ୍ରାସ କରେ ଏବଂ ସଫଳ ଉଦ୍ଧାର ପାଇଁ ସୁଯୋଗ ପ୍ରଦାନ କରେ। ଏହି ଫଳାଫଳଗୁଡ଼ିକ JAMA ନ୍ୟୁରୋଲୋଜିରେ ପ୍ରକାଶିତ ହୋଇଛି।

ସାର୍ବଜନୀନ ଲାଭ ପାଇଁ ଏକ AI ସ୍ୱାସ୍ଥ୍ୟସେବା ମଡେଲ

2023 ରେ ବହୁତ ଭଲ କାମ ହେବ ଯାହା ଚିକିତ୍ସା AI ବ୍ୟବହାର କରି ଅଧିକ ସହଜରେ ଉପଲବ୍ଧ ତଥ୍ୟରୁ ମାନବ ଆଖି ପାଇଁ ଅଦୃଶ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ଖୋଜି ବାହାର କରିବ, ଯାହା ସାର୍ବଜନୀନ ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ସ୍କେଲରେ ପ୍ରାରମ୍ଭିକ ସ୍କ୍ରିନିଂକୁ ସକ୍ଷମ କରିବ। ବର୍ଷ ଆରମ୍ଭରେ, ନେଚର ମେଡିସିନ୍ ସନ୍ ୟାଟ୍-ସେନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଝୋଙ୍ଗସାନ୍ ଆଇ ସେଣ୍ଟର ଏବଂ ଫୁଜିଆନ୍ ମେଡିକାଲ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଦ୍ୱିତୀୟ ଆଫିଲିଏଟେଡ୍ ହସ୍ପିଟାଲ୍ ଦ୍ୱାରା କରାଯାଇଥିବା ଅଧ୍ୟୟନ ପ୍ରକାଶ କରିଥିଲା। ଆପ୍ଲିକେସନ୍ ଟର୍ମିନାଲ ଭାବରେ ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟବହାର କରି, ସେମାନେ ପିଲାମାନଙ୍କର ଦୃଷ୍ଟିକୁ ପ୍ରେରଣା ଦେବା ଏବଂ ପିଲାମାନଙ୍କର ଦୃଷ୍ଟି ଆଚରଣ ଏବଂ ମୁହଁର ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ରେକର୍ଡ କରିବା ପାଇଁ କାର୍ଟୁନ୍ ପରି ଭିଡିଓ ପ୍ରତିଛବି ବ୍ୟବହାର କରିଥିଲେ, ଏବଂ ଜନ୍ମଗତ ମୋତିଆବିନ୍ଦୁ, ଜନ୍ମଗତ ptosis ଏବଂ ଜନ୍ମଗତ ଗ୍ଲୁକୋମା ସମେତ 16 ଟି ଚକ୍ଷୁ ରୋଗକୁ ସଫଳତାର ସହିତ ଚିହ୍ନଟ କରିବା ପାଇଁ ଗଭୀର ଶିକ୍ଷା ମଡେଲ୍ ବ୍ୟବହାର କରି ଅସ୍ୱାଭାବିକ ମଡେଲ୍‌ଗୁଡ଼ିକୁ ଆହୁରି ବିଶ୍ଳେଷଣ କରିଥିଲେ, ଯାହାର ହାରାହାରି ସ୍କ୍ରିନିଂ ସଠିକତା 85% ରୁ ଅଧିକ। ଏହା ଶିଶୁଙ୍କ ଦୃଷ୍ଟି କାର୍ଯ୍ୟ ଦୁର୍ବଳତା ଏବଂ ସମ୍ବନ୍ଧିତ ଚକ୍ଷୁ ରୋଗର ବଡ଼ ପରିମାଣର ପ୍ରାରମ୍ଭିକ ସ୍କ୍ରିନିଂ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଏବଂ ଲୋକପ୍ରିୟ କରିବା ସହଜ ଯାନ୍ତ୍ରିକ ଉପାୟ ପ୍ରଦାନ କରେ।

ବର୍ଷ ଶେଷରେ, ନେଚର ମେଡିସିନ୍ ବିଶ୍ୱର 10 ରୁ ଅଧିକ ଚିକିତ୍ସା ଏବଂ ଗବେଷଣା ପ୍ରତିଷ୍ଠାନ ଦ୍ୱାରା କରାଯାଇଥିବା ଏକ କାର୍ଯ୍ୟ ରିପୋର୍ଟ କରିଥିଲା, ଯେଉଁଥିରେ ସାଂଘାଇ ଇନଷ୍ଟିଚ୍ୟୁଟ୍ ଅଫ୍ ପାନକ୍ରିଏଟିକ୍ ଡିଜିଜ୍ ଏବଂ ଝେଜିୟାଙ୍ଗ ବିଶ୍ୱବିଦ୍ୟାଳୟର ପ୍ରଥମ ଆଫିଲିଏଟେଡ୍ ହସ୍ପିଟାଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ। ଲେଖକ ଶାରୀରିକ ପରୀକ୍ଷା କେନ୍ଦ୍ର, ହସ୍ପିଟାଲ୍ ଇତ୍ୟାଦିରେ ଲକ୍ଷଣହୀନ ଲୋକଙ୍କର ପାନକ୍ରିଏଟିକ୍ କର୍କଟ ସ୍କ୍ରିନିଂରେ AI ପ୍ରୟୋଗ କରିଥିଲେ, ଖାଲି ଆଖିରେ ଚିହ୍ନଟ କରିବା କଷ୍ଟକର ପ୍ଲେନ୍ ସ୍କାନ ସିଟି ଇମେଜରେ କ୍ଷତ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ, ଯାହା ଦ୍ୱାରା ପାନକ୍ରିଏଟିକ୍ କର୍କଟ ରୋଗର ଦକ୍ଷ ଏବଂ ଅଣ-ଆକ୍ରମଣାତ୍ମକ ପ୍ରାରମ୍ଭିକ ଚିହ୍ନଟ ହାସଲ କରାଯାଇପାରିବ। 20,000 ରୁ ଅଧିକ ରୋଗୀଙ୍କ ତଥ୍ୟ ସମୀକ୍ଷା କରି, ମଡେଲ୍ କ୍ଲିନିକାଲି ଭାବରେ ହରାଇଥିବା କ୍ଷତର 31 ଟି ମାମଲା ମଧ୍ୟ ଚିହ୍ନଟ କରିଥିଲା, ଯାହା କ୍ଲିନିକାଲି ଫଳାଫଳକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ଉନ୍ନତ କରିଥିଲା।

ଡାକ୍ତରୀ ତଥ୍ୟ ସେୟାରିଂ

2023 ମସିହାରେ, ସାରା ବିଶ୍ୱରେ ଅନେକ ଅଧିକ ଉତ୍ତମ ତଥ୍ୟ ଆଦାନପ୍ରଦାନ ପଦ୍ଧତି ଏବଂ ସଫଳ ମାମଲା ଉଭା ହୋଇଛି, ଯାହା ଡାଟା ଗୋପନୀୟତା ଏବଂ ସୁରକ୍ଷାକୁ ସୁରକ୍ଷା ଦେବାର ମୂଳଦୃଷ୍ଟିରୁ ବହୁ-କେନ୍ଦ୍ର ସହଯୋଗ ଏବଂ ତଥ୍ୟ ଖୋଲାତା ସୁନିଶ୍ଚିତ କରିଛି।

ପ୍ରଥମେ, AI ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ସାହାଯ୍ୟରେ, AI ଗବେଷକମାନେ ଚିକିତ୍ସା ତଥ୍ୟର ଅଂଶୀଦାର କରିବାରେ ଅବଦାନ ରଖିଛନ୍ତି। ଯୁକ୍ତରାଷ୍ଟ୍ରର Rutgers ବିଶ୍ୱବିଦ୍ୟାଳୟର Qi Chang ଏବଂ ଅନ୍ୟମାନେ Nature Communications ରେ ଏକ ପ୍ରବନ୍ଧ ପ୍ରକାଶ କରିଛନ୍ତି, ଯେଉଁଥିରେ ବିତରିତ ସିନ୍ଥେଟିକ୍ ଆଡଭର୍ସାରିଆଲ୍ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ଏକ ଫେଡେରାଲ୍ ଶିକ୍ଷଣ ଫ୍ରେମୱାର୍କ DSL ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ବହୁ-କେନ୍ଦ୍ରର ନିର୍ଦ୍ଦିଷ୍ଟ ଜେନେରେଟେଡ୍ ଡାଟାକୁ ତାଲିମ ଦେବା ପାଇଁ ଜେନେରେଟିଭ୍ AI ବ୍ୟବହାର କରେ, ଏବଂ ତା’ପରେ ବହୁ-କେନ୍ଦ୍ରର ପ୍ରକୃତ ଡାଟାକୁ ଜେନେରେଟେଡ୍ ଡାଟା ସହିତ ବଦଳାଏ। ଡାଟା ଗୋପନୀୟତାକୁ ସୁରକ୍ଷା ଦେବା ସହିତ ମଲ୍ଟିସେଣ୍ଟର୍ ବଡ଼ ଡାଟା ଉପରେ ଆଧାରିତ AI ତାଲିମ ନିଶ୍ଚିତ କରନ୍ତୁ। ସମାନ ଦଳ ଜେନେରେଟେଡ୍ ପାଥୋଲୋଜିକ୍ ଇମେଜ୍ ଏବଂ ସେମାନଙ୍କର ଅନୁରୂପ ଆନୋଟେସନ୍ସର ଏକ ଡାଟାସେଟ୍ ମଧ୍ୟ ଖୋଲା-ଉତ୍ସ କରେ। ଜେନେରେଟେଡ୍ ଡାଟା ସେଟ୍ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ସେଗମେଣ୍ଟେସନ୍ ମଡେଲ୍ ପ୍ରକୃତ ଡାଟା ସହିତ ସମାନ ଫଳାଫଳ ହାସଲ କରିପାରିବ।

ସିଂଘୁଆ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଡାଇ କିଓଙ୍ଗହାଇଙ୍କ ଦଳ npj ଡିଜିଟାଲ୍ ହେଲ୍ଥ ଉପରେ ଏକ ପତ୍ର ପ୍ରକାଶ କରିଥିଲେ, ଯେଉଁଥିରେ ରିଲେ ଲର୍ଣ୍ଣିଂ ପ୍ରସ୍ତାବ ଦିଆଯାଇଥିଲା, ଯାହା ସ୍ଥାନୀୟ ଡାଟା ସାର୍ବଭୌମତ୍ୱ ଏବଂ କୌଣସି କ୍ରସ୍-ସାଇଟ୍ ନେଟୱାର୍କ ସଂଯୋଗର ଆଧାରରେ AI ମଡେଲଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ମଲ୍ଟି-ସାଇଟ୍ ବଡ଼ ଡାଟା ବ୍ୟବହାର କରେ। ଏହା AI କାର୍ଯ୍ୟଦକ୍ଷତା ଅନୁସରଣ ସହିତ ଡାଟା ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଚିନ୍ତାକୁ ସନ୍ତୁଳିତ କରେ। ପରବର୍ତ୍ତୀ ସମୟରେ ସମାନ ଦଳ ଗୁଆଙ୍ଗଝୁ ମେଡିକାଲ୍ ୟୁନିଭରସିଟିର ପ୍ରଥମ ଆଫିଲିଏଟେଡ୍ ହସ୍ପିଟାଲ୍ ଏବଂ ଦେଶର 24ଟି ହସ୍ପିଟାଲ୍ ସହିତ ମିଳିତ ଭାବରେ ଫେଡେରାଲ୍ ଲର୍ଣ୍ଣିଂ ଉପରେ ଆଧାରିତ ଏକ ଛାତି CT ପ୍ୟାନ୍-ମେଡିଆଷ୍ଟିନାଲ୍ ଟ୍ୟୁମର ନିର୍ଣ୍ଣୟ ପ୍ରଣାଳୀ CAIMEN ବିକଶିତ ଏବଂ ବୈଧ କରିଥିଲା। 12ଟି ସାଧାରଣ ମେଡିଆଷ୍ଟିନାଲ୍ ଟ୍ୟୁମରରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବା ଏହି ପ୍ରଣାଳୀ, କେବଳ ମାନବ ବିଶେଷଜ୍ଞଙ୍କ ଦ୍ୱାରା ବ୍ୟବହୃତ ହେବା ଅପେକ୍ଷା ଏକାକୀ ବ୍ୟବହାର କଲେ 44.9 ପ୍ରତିଶତ ଭଲ ସଠିକତା ଏବଂ ମାନବ ବିଶେଷଜ୍ଞଙ୍କ ଦ୍ୱାରା ସହାୟତା ପ୍ରାପ୍ତ ହେଲେ 19 ପ୍ରତିଶତ ଭଲ ନିର୍ଣ୍ଣୟ ପ୍ରଣୁତା ହାସଲ କରିଥିଲା।

ଅନ୍ୟପକ୍ଷରେ, ସୁରକ୍ଷିତ, ବିଶ୍ୱସ୍ତରୀୟ, ବଡ଼ ଧରଣର ଚିକିତ୍ସା ଡାଟା ସେଟ୍ ନିର୍ମାଣ ପାଇଁ ଅନେକ ପଦକ୍ଷେପ ଚାଲିଛି। ନଭେମ୍ବର 2023ରେ, ହାର୍ଭାର୍ଡ ମେଡିକାଲ୍ ସ୍କୁଲର ବାୟୋମେଡିକାଲ୍ ଇନଫର୍ମେଟିକ୍ସ ବିଭାଗର ଅଗଷ୍ଟିନା ସାଏନ୍ଜ ଏବଂ ଅନ୍ୟମାନେ ଲାନସେଟ୍ ଡିଜିଟାଲ୍ ହେଲ୍ଥରେ ଅଲ୍ ହେଲ୍ଥକେୟାର ପାଇଁ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ ଡାଟା ଫର୍ ଅଲ୍ ହେଲ୍ଥକେୟାର (MAIDA) ନାମକ ଏକ ବିଶ୍ୱସ୍ତରୀୟ ଢାଞ୍ଚା ଅନଲାଇନ୍ ପ୍ରକାଶ କରିଥିଲେ। ସେମାନେ ଡାଟା ସେୟାରିଂକୁ ମାନକୀକରଣ କରିବା ପାଇଁ US ଫେଡେରାଲ୍ ଡେମୋନଷ୍ଟ୍ରେସନ୍ ପାର୍ଟନର (FDP) ଟେମ୍ପଲେଟ୍ ବ୍ୟବହାର କରି ଡାଟା ସଂଗ୍ରହ ଏବଂ ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ ଉପରେ ବ୍ୟାପକ ମାର୍ଗଦର୍ଶନ ପ୍ରଦାନ କରିବା ପାଇଁ ବିଶ୍ୱସ୍ତରୀୟ ସ୍ୱାସ୍ଥ୍ୟସେବା ସଂଗଠନ ସହିତ କାମ କରୁଛନ୍ତି। ସେମାନେ ବିଶ୍ୱସ୍ତରୀୟ ବିଭିନ୍ନ ଅଞ୍ଚଳ ଏବଂ କ୍ଲିନିକାଲ୍ ସେଟିଂରେ ସଂଗୃହୀତ ଡାଟା ସେଟ୍ ଧୀରେ ଧୀରେ ମୁକ୍ତ କରିବାକୁ ଯୋଜନା କରୁଛନ୍ତି। ପ୍ରଥମ ଡାଟାସେଟ୍ 2024 ପ୍ରାରମ୍ଭରେ ପ୍ରକାଶିତ ହେବ ବୋଲି ଆଶା କରାଯାଉଛି, ସହଭାଗୀତା ବିସ୍ତାର ହେବା ସହିତ ଆହୁରି ଅନେକ କିଛି ଆସିବ। ଏହି ପ୍ରକଳ୍ପ ସାର୍ବଜନୀନ ଭାବରେ ଉପଲବ୍ଧ AI ଡାଟାର ଏକ ବିଶ୍ୱସ୍ତରୀୟ, ବୃହତ ଏବଂ ବିବିଧ ସେଟ୍ ନିର୍ମାଣ କରିବାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟାସ।

ଏହି ପ୍ରସ୍ତାବ ପରେ, ୟୁକେ ବାୟୋବ୍ୟାଙ୍କ ଏକ ଉଦାହରଣ ସୃଷ୍ଟି କରିଛି। ୟୁକେ ବାୟୋବ୍ୟାଙ୍କ 30 ନଭେମ୍ବରରେ ଏହାର 500,000 ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ସମ୍ପୂର୍ଣ୍ଣ ଜିନୋମ୍ ସିକୋଇନ୍ସିଂରୁ ନୂତନ ତଥ୍ୟ ପ୍ରକାଶ କରିଛି। 500,000 ବ୍ରିଟିଶ ସ୍ୱେଚ୍ଛାସେବକଙ୍କ ମଧ୍ୟରୁ ପ୍ରତ୍ୟେକଙ୍କ ସମ୍ପୂର୍ଣ୍ଣ ଜିନୋମ୍ ସିକୋଇନ୍ସ ପ୍ରକାଶ କରୁଥିବା ଏହି ଡାଟାବେସ୍ ହେଉଛି ବିଶ୍ୱର ସବୁଠାରୁ ବଡ଼ ସମ୍ପୂର୍ଣ୍ଣ ମାନବ ଜିନୋମ୍ ଡାଟାବେସ୍। ବିଶ୍ୱର ଗବେଷକମାନେ ଏହି ଅ-ଚିହ୍ନିତ ତଥ୍ୟର ପ୍ରବେଶ ପାଇଁ ଅନୁରୋଧ କରିପାରିବେ ଏବଂ ଏହାକୁ ସ୍ୱାସ୍ଥ୍ୟ ଏବଂ ରୋଗର ଜେନେଟିକ୍ ଆଧାର ଯାଞ୍ଚ କରିବା ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ। ଜେନେଟିକ୍ ତଥ୍ୟ ଅତୀତରେ ଯାଞ୍ଚ ପାଇଁ ସର୍ବଦା ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ ରହିଛି, ଏବଂ ୟୁକେ ବାୟୋବ୍ୟାଙ୍କର ଏହି ଐତିହାସିକ ସଫଳତା ପ୍ରମାଣ କରେ ଯେ ଏକ ଖୋଲା, ଗୋପନୀୟତା-ମୁକ୍ତ ବିଶ୍ୱବ୍ୟାପୀ ବଡ଼-ସ୍ତରର ଡାଟାବେସ୍ ନିର୍ମାଣ କରିବା ସମ୍ଭବ। ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏବଂ ଡାଟାବେସ୍ ସହିତ, ଚିକିତ୍ସା AI ପରବର୍ତ୍ତୀ ଲମ୍ଫ ଆରମ୍ଭ କରିବାକୁ ବାଧ୍ୟ।

ମେଡିକାଲ୍ AI ର ଯାଞ୍ଚ ଏବଂ ମୂଲ୍ୟାଙ୍କନ

ଚିକିତ୍ସା AI ପ୍ରଯୁକ୍ତିର ଦ୍ରୁତ ବିକାଶ ତୁଳନାରେ, ଚିକିତ୍ସା AI ର ଯାଞ୍ଚ ଏବଂ ମୂଲ୍ୟାଙ୍କନର ବିକାଶ ସାମାନ୍ୟ ଧୀର। ସାଧାରଣ AI କ୍ଷେତ୍ରରେ ବୈଧତା ଏବଂ ମୂଲ୍ୟାଙ୍କନ ପ୍ରାୟତଃ AI ପାଇଁ ଚିକିତ୍ସକ ଏବଂ ରୋଗୀଙ୍କ ପ୍ରକୃତ ଆବଶ୍ୟକତାକୁ ଅଣଦେଖା କରେ। ପାରମ୍ପରିକ ଅନିୟମିତ ନିୟନ୍ତ୍ରିତ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣଗୁଡ଼ିକ AI ଉପକରଣଗୁଡ଼ିକର ଦ୍ରୁତ ପୁନରାବୃତ୍ତି ସହିତ ମେଳ ଖାଇବା ପାଇଁ ଅତ୍ୟଧିକ କଷ୍ଟକର। ଚିକିତ୍ସା AI ଉପକରଣ ପାଇଁ ଉପଯୁକ୍ତ ଯାଞ୍ଚ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ବ୍ୟବସ୍ଥାକୁ ଯଥାଶୀଘ୍ର ଉନ୍ନତ କରିବା ହେଉଛି ଚିକିତ୍ସା AI କୁ ପ୍ରକୃତରେ କ୍ଲିନିକାଲ୍ ଅବତରଣ ପାଇଁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା।

ନେଚରରେ ପ୍ରକାଶିତ Google ର Med-PaLM ଉପରେ ଗବେଷଣା ପତ୍ରରେ, ଦଳଟି MultiMedQA ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ମଧ୍ୟ ପ୍ରକାଶ କରିଛି, ଯାହା କ୍ଲିନିକାଲ୍ ଜ୍ଞାନ ହାସଲ କରିବା ପାଇଁ ବଡ଼ ଭାଷା ମଡେଲଗୁଡ଼ିକର କ୍ଷମତା ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ। ଏହି ମାନଦଣ୍ଡ ଛଅଟି ବୃତ୍ତିଗତ ଚିକିତ୍ସା ପ୍ରଶ୍ନୋତ୍ତର ଡାଟାସେଟ୍ ସହିତ ଏକ ଅନଲାଇନ୍ ସନ୍ଧାନ ଚିକିତ୍ସା ପ୍ରଶ୍ନ ଡାଟାବେସ୍ ଡାଟାସେଟ୍ ମିଶ୍ରଣ କରିଛି, ଯାହା ବୃତ୍ତିଗତ ଚିକିତ୍ସା ଜ୍ଞାନ, ଗବେଷଣା ଏବଂ ଅନ୍ୟାନ୍ୟ ଦିଗଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଏବଂ ଏକ ଅନଲାଇନ୍ ସନ୍ଧାନ ଚିକିତ୍ସା ପ୍ରଶ୍ନ ଡାଟାବେସ୍ ଡାଟାସେଟ୍, ଡାକ୍ତର-ରୋଗୀ ଅନଲାଇନ୍ ପ୍ରଶ୍ନୋତ୍ତରକୁ ବିଚାର କରି, ଅନେକ ଦିଗରୁ ଯୋଗ୍ୟ ଡାକ୍ତର ଭାବରେ AI କୁ ତାଲିମ ଦେବା ପାଇଁ ଚେଷ୍ଟା କରୁଛି। ଏହା ସହିତ, ଦଳଟି ମାନବ ମୂଲ୍ୟାଙ୍କନ ଉପରେ ଆଧାରିତ ଏକ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଇଛି ଯାହା ତଥ୍ୟ, ବୁଝାମଣା, ଯୁକ୍ତି ଏବଂ ସମ୍ଭାବ୍ୟ ପକ୍ଷପାତର ବହୁବିଧ ଦିଗକୁ ବିଚାରକୁ ନେଇଥାଏ। ଏହି ବର୍ଷ ପ୍ରକାଶିତ ସ୍ୱାସ୍ଥ୍ୟସେବାରେ AI ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଏହା ସବୁଠାରୁ ପ୍ରତିନିଧିତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା ପ୍ରୟାସ ମଧ୍ୟରୁ ଗୋଟିଏ।

ତଥାପି, ବଡ଼ ଭାଷା ମଡେଲଗୁଡ଼ିକ କ୍ଲିନିକାଲ୍ ଜ୍ଞାନର ଉଚ୍ଚ ସ୍ତରର ଏନକୋଡିଂ ଦେଖାଉଥିବାର ଅର୍ଥ କ’ଣ ବଡ଼ ଭାଷା ମଡେଲଗୁଡ଼ିକ ବାସ୍ତବ-ବିଶ୍ୱ କ୍ଲିନିକାଲ୍ କାର୍ଯ୍ୟ ପାଇଁ ସକ୍ଷମ? ଯେପରି ଜଣେ ଡାକ୍ତରୀ ଛାତ୍ର ଯିଏ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସ୍କୋର ସହିତ ବୃତ୍ତିଗତ ଡାକ୍ତରୀ ପରୀକ୍ଷା ପାସ୍ କରନ୍ତି ସେ ଏପର୍ଯ୍ୟନ୍ତ ଏକକ ମୁଖ୍ୟ ଡାକ୍ତରଙ୍କଠାରୁ ବହୁତ ଦୂରରେ, Google ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ମୂଲ୍ୟାଙ୍କନ ମାନଦଣ୍ଡ AI ମଡେଲଗୁଡ଼ିକ ପାଇଁ ଡାକ୍ତରୀ AI ମୂଲ୍ୟାଙ୍କନ ବିଷୟର ଏକ ଉତ୍ତମ ଉତ୍ତର ହୋଇନପାରେ। 2021 ଏବଂ 2022 ପୂର୍ବରୁ, ଗବେଷକମାନେ ଡେସିଡ୍-AI, SPIRIT-AI ଏବଂ INTRPRT ଭଳି ରିପୋର୍ଟିଂ ନିର୍ଦ୍ଦେଶାବଳୀ ପ୍ରସ୍ତାବ ଦେଇଛନ୍ତି, ଯାହା କ୍ଲିନିକାଲ୍ ବ୍ୟବହାରିକତା, ସୁରକ୍ଷା, ମାନବ କାରକ ଏବଂ ସ୍ୱଚ୍ଛତା/ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟତା ଭଳି କାରଣଗୁଡ଼ିକୁ ବିଚାର କରିବା ସର୍ତ୍ତରେ ଡାକ୍ତରୀ AI ର ପ୍ରାରମ୍ଭିକ ବିକାଶ ଏବଂ ବୈଧତାକୁ ମାର୍ଗଦର୍ଶନ କରିବାକୁ ଆଶା କରୁଛି। ନିକଟରେ, ନେଚର ମେଡିସିନ୍ ପତ୍ରିକା ଅକ୍ସଫୋର୍ଡ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଏବଂ ଷ୍ଟାନଫୋର୍ଡ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଗବେଷକମାନଙ୍କ ଦ୍ୱାରା "ବାହ୍ୟ ବୈଧତା" କିମ୍ବା "ପୁନରାବୃତ୍ତି ସ୍ଥାନୀୟ ବୈଧତା" ବ୍ୟବହାର କରିବା କି ନାହିଁ ସେ ବିଷୟରେ ଏକ ଅଧ୍ୟୟନ ପ୍ରକାଶ କରିଛି। "AI ଉପକରଣଗୁଡ଼ିକୁ ବୈଧ କରିବା ପାଇଁ"।

AI ଉପକରଣଗୁଡ଼ିକର ନିରପେକ୍ଷ ପ୍ରକୃତି ମଧ୍ୟ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମୂଲ୍ୟାଙ୍କନ ଦିଗ ଯାହା ଏହି ବର୍ଷ ବିଜ୍ଞାନ ଏବଂ NEJM ଉଭୟ ଲେଖାରୁ ଧ୍ୟାନ ଆକର୍ଷଣ କରିଛି। AI ପ୍ରାୟତଃ ପକ୍ଷପାତ ପ୍ରଦର୍ଶନ କରେ କାରଣ ଏହା ତାଲିମ ତଥ୍ୟ ପର୍ଯ୍ୟନ୍ତ ସୀମିତ। ଏହି ପକ୍ଷପାତ ସାମାଜିକ ଅସମାନତାକୁ ପ୍ରତିଫଳିତ କରିପାରେ, ଯାହା ଆହୁରି ଆଲଗୋରିଦମିକ୍ ବୈଷମ୍ୟରେ ବିକଶିତ ହୁଏ। ଜାତୀୟ ସ୍ୱାସ୍ଥ୍ୟ ପ୍ରତିଷ୍ଠାନଗୁଡ଼ିକ ସମ୍ପ୍ରତି Bridge2AI ପଦକ୍ଷେପ ଆରମ୍ଭ କରିଛନ୍ତି, ଯାହାର ମୂଲ୍ୟ $130 ନିୟୁତ ହେବ ବୋଲି ଆକଳନ କରାଯାଇଛି, ଯାହା ଉପରେ ଉଲ୍ଲେଖ କରାଯାଇଥିବା MAIDA ପଦକ୍ଷେପର ଲକ୍ଷ୍ୟ ସହିତ ସମାନ) ବିବିଧ ଡାଟାସେଟ୍ ନିର୍ମାଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହା ଚିକିତ୍ସା AI ଉପକରଣଗୁଡ଼ିକର ନିରପେକ୍ଷତାକୁ ବୈଧ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ। ଏହି ଦିଗଗୁଡ଼ିକୁ MultiMedQA ଦ୍ୱାରା ବିଚାର କରାଯାଇ ନାହିଁ। ଚିକିତ୍ସା AI ମଡେଲଗୁଡ଼ିକୁ କିପରି ମାପ ଏବଂ ବୈଧ କରାଯିବ ସେ ପ୍ରଶ୍ନ ପାଇଁ ଏବେ ବି ବ୍ୟାପକ ଏବଂ ଗଭୀର ଆଲୋଚନା ଆବଶ୍ୟକ।

ଜାନୁଆରୀ ମାସରେ, ନେଚର ମେଡିସିନ୍ ଟେକ୍ସାସ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଏମଡି ଆଣ୍ଡରସନ୍ କ୍ୟାନସର ସେଣ୍ଟରର ବିବେକ ସୁବିୟାଙ୍କ ଦ୍ୱାରା "ଦ ନେକ୍ସଟ୍ ଜେନେରେସନ୍ ଅଫ୍ ଏଭିଡେନ୍ସ-ବେସ୍ଡ୍ ମେଡିସିନ୍" ନାମକ ଏକ ମତାମତ ପ୍ରକାଶ କରିଥିଲା, ଯେଉଁଥିରେ କୋଭିଡ୍-୧୯ ମହାମାରୀ ପରିପ୍ରେକ୍ଷୀରେ ପ୍ରକାଶିତ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣର ସୀମା ସମୀକ୍ଷା କରାଯାଇଥିଲା ଏବଂ ନବସୃଜନ ଏବଂ କ୍ଲିନିକାଲ୍ ଗବେଷଣା ପ୍ରକ୍ରିୟାର ପାଳନ ମଧ୍ୟରେ ବିରୋଧାଭାସ ଦର୍ଶାଯାଇଥିଲା। ଶେଷରେ, ଏହା କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣର ପୁନଃଗଠନର ଏକ ଭବିଷ୍ୟତକୁ ସୂଚିତ କରିଥିଲା ​​- କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ବ୍ୟବହାର କରି ପରବର୍ତ୍ତୀ ପିଢ଼ିର କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ, ଅର୍ଥାତ୍, ପ୍ରମୁଖ ପ୍ରମାଣ ଖୋଜିବା ପାଇଁ ବହୁ ସଂଖ୍ୟକ ଐତିହାସିକ ଗବେଷଣା ତଥ୍ୟ, ବାସ୍ତବ ବିଶ୍ୱ ତଥ୍ୟ, ମଲ୍ଟି-ମୋଡାଲ୍ କ୍ଲିନିକାଲ୍ ଡାଟା, ପିନ୍ଧିବାଯୋଗ୍ୟ ଡିଭାଇସ୍ ଡାଟାରୁ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ବ୍ୟବହାର। ଏହାର ଅର୍ଥ କ'ଣ ଯେ AI ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏବଂ AI କ୍ଲିନିକାଲ୍ ବୈଧତା ପ୍ରକ୍ରିୟା ଭବିଷ୍ୟତରେ ପାରସ୍ପରିକ ଭାବରେ ସୁଦୃଢ଼ ​​ଏବଂ ସହ-ବିକଶିତ ହୋଇପାରେ? ଏହା 2023 ର ଖୋଲା ଏବଂ ଚିନ୍ତାପ୍ରବଣ ପ୍ରଶ୍ନ।

ମେଡିକାଲ୍ AI ର ନିୟନ୍ତ୍ରଣ

AI ପ୍ରଯୁକ୍ତିର ଉନ୍ନତି ମଧ୍ୟ AI ର ନିୟନ୍ତ୍ରଣ ପାଇଁ ଚ୍ୟାଲେଞ୍ଜ ସୃଷ୍ଟି କରୁଛି, ଏବଂ ବିଶ୍ୱବ୍ୟାପୀ ନୀତି ନିର୍ଦ୍ଧାରକମାନେ ସତର୍କତାର ସହିତ ପ୍ରତିକ୍ରିୟା ଦେଉଛନ୍ତି। 2019 ରେ, FDA ପ୍ରଥମେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଚିକିତ୍ସା ଡିଭାଇସ୍ ପାଇଁ ସଫ୍ଟୱେର୍ ପରିବର୍ତ୍ତନ ପାଇଁ ଏକ ପ୍ରସ୍ତାବିତ ନିୟାମକ ଢାଞ୍ଚା (ଆଲୋଚନା ଡ୍ରାଫ୍ଟ) ପ୍ରକାଶ କରିଥିଲା, AI ଏବଂ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ-ଚାଳିତ ସଫ୍ଟୱେର୍ ପରିବର୍ତ୍ତନର ପ୍ରିମାର୍କେଟ୍ ସମୀକ୍ଷା ପାଇଁ ଏହାର ସମ୍ଭାବ୍ୟ ଆଭିମୁଖ୍ୟକୁ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରିଥିଲା। 2021 ରେ, FDA "କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା/ମେସିନ୍ ଲର୍ଣ୍ଣିଂ-ଆଧାରିତ ସଫ୍ଟୱେର୍ ଏକ ମେଡିକାଲ୍ ଡିଭାଇସ୍ କାର୍ଯ୍ୟ ଯୋଜନା ଭାବରେ" ପ୍ରସ୍ତାବ ଦେଇଥିଲା, ଯାହା ପାଞ୍ଚଟି ନିର୍ଦ୍ଦିଷ୍ଟ AI ଚିକିତ୍ସା ନିୟାମକ ପଦକ୍ଷେପ ସ୍ପଷ୍ଟ କରିଥିଲା। ଏହି ବର୍ଷ, FDA ଡିଭାଇସ୍ ସଫ୍ଟୱେର୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକର ସୁରକ୍ଷା ଏବଂ ପ୍ରଭାବର FDA ର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପ୍ରିମାର୍କେଟ୍ ଦାଖଲ ସୁପାରିଶ ବିଷୟରେ ସୂଚନା ପ୍ରଦାନ କରିବା ପାଇଁ ଡିଭାଇସ୍ ସଫ୍ଟୱେର୍ ବୈଶିଷ୍ଟ୍ୟ ପାଇଁ ପ୍ରିମାର୍କେଟ୍ ଦାଖଲ ପୁନଃ ଜାରି କରିଥିଲା, ଯେଉଁଥିରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ମାଧ୍ୟମରେ ତାଲିମପ୍ରାପ୍ତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ବ୍ୟବହାର କରୁଥିବା କିଛି ସଫ୍ଟୱେର୍ ଡିଭାଇସ୍ ବୈଶିଷ୍ଟ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ। FDA ର ନିୟାମକ ନୀତି ଏକ ପ୍ରାରମ୍ଭିକ ପ୍ରସ୍ତାବରୁ ବ୍ୟବହାରିକ ମାର୍ଗଦର୍ଶନ ପର୍ଯ୍ୟନ୍ତ ବିକଶିତ ହୋଇଛି।

ଗତ ବର୍ଷ ଜୁଲାଇରେ ୟୁରୋପୀୟ ସ୍ୱାସ୍ଥ୍ୟ ତଥ୍ୟ ସ୍ଥାନ ପ୍ରକାଶନ ପରେ, EU ପୁଣି ଥରେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଆଇନ ପ୍ରଣୟନ କରିଛି। ପ୍ରଥମଟି ସ୍ୱାସ୍ଥ୍ୟ ତଥ୍ୟର ସର୍ବୋତ୍ତମ ବ୍ୟବହାର କରି ଉଚ୍ଚମାନର ସ୍ୱାସ୍ଥ୍ୟସେବା ପ୍ରଦାନ କରିବା, ଅସମାନତା ହ୍ରାସ କରିବା ଏବଂ ପ୍ରତିରୋଧ, ନିର୍ଣ୍ଣୟ, ଚିକିତ୍ସା, ବୈଜ୍ଞାନିକ ଉଦ୍ଭାବନ, ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଏବଂ ଆଇନ ପାଇଁ ତଥ୍ୟକୁ ସମର୍ଥନ କରିବା, ଏହା ନିଶ୍ଚିତ କରିବା ଯେ EU ନାଗରିକମାନଙ୍କର ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ସ୍ୱାସ୍ଥ୍ୟ ତଥ୍ୟ ଉପରେ ଅଧିକ ନିୟନ୍ତ୍ରଣ ରହିବ। ପରବର୍ତ୍ତୀଟି ସ୍ପଷ୍ଟ କରେ ଯେ ଚିକିତ୍ସା ନିର୍ଣ୍ଣୟ ବ୍ୟବସ୍ଥା ଏକ ଉଚ୍ଚ-ବିପଦପୂର୍ଣ୍ଣ AI ବ୍ୟବସ୍ଥା, ଏବଂ ଏହାକୁ ଲକ୍ଷ୍ୟଧାରୀ ଦୃଢ଼ ତଦାରଖ, ସମଗ୍ର ଜୀବନଚକ୍ର ତଦାରଖ ଏବଂ ପ୍ରାକ-ମୂଲ୍ୟାୟନ ତଦାରଖ ଗ୍ରହଣ କରିବାକୁ ପଡିବ। ୟୁରୋପୀୟ ଔଷଧ ଏଜେନ୍ସି (EMA) ଔଷଧ ବିକାଶ, ନିୟନ୍ତ୍ରଣ ଏବଂ ବ୍ୟବହାରକୁ ସମର୍ଥନ କରିବା ପାଇଁ AI ବ୍ୟବହାର ଉପରେ ଏକ ଡ୍ରାଫ୍ଟ ପ୍ରତିଫଳନ ପତ୍ର ପ୍ରକାଶ କରିଛି, ରୋଗୀ ସୁରକ୍ଷା ଏବଂ କ୍ଲିନିକାଲ୍ ଗବେଷଣା ଫଳାଫଳର ଅଖଣ୍ଡତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ AI ର ବିଶ୍ୱସନୀୟତାକୁ ଉନ୍ନତ କରିବା ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି। ସାମଗ୍ରିକ ଭାବରେ, EU ର ନିୟାମକ ଆଭିମୁଖ୍ୟ ଧୀରେ ଧୀରେ ଆକାର ନେଉଛି, ଏବଂ ଚୂଡ଼ାନ୍ତ କାର୍ଯ୍ୟାନ୍ୱୟନ ବିବରଣୀ ଅଧିକ ବିସ୍ତୃତ ଏବଂ କଠୋର ହୋଇପାରେ। EUର କଠୋର ନିୟମାବଳୀର ସମ୍ପୂର୍ଣ୍ଣ ବିପରୀତ, UKର AI ନିୟାମକ ବ୍ଲୁପ୍ରିଣ୍ଟ ସ୍ପଷ୍ଟ କରୁଛି ଯେ ସରକାର ଏକ ନରମ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରିବାକୁ ଯୋଜନା କରୁଛି ଏବଂ ବର୍ତ୍ତମାନ ପାଇଁ ନୂତନ ବିଲ୍ ପ୍ରଣୟନ କରିବ ନାହିଁ କିମ୍ବା ନୂତନ ନିୟାମକ ସ୍ଥାପନ କରିବ ନାହିଁ।

ଚୀନ୍‌ରେ, ନ୍ୟାସନାଲ୍ ମେଡିକାଲ୍ ପ୍ରଡକ୍ଟସ୍ ଆଡମିନିଷ୍ଟ୍ରେସନ୍‌ର ମେଡିକାଲ୍ ଡିଭାଇସ୍ ଟେକ୍ନିକାଲ୍ ରିଭ୍ୟୁ ସେଣ୍ଟର୍ (NMPA) ପୂର୍ବରୁ "ଡିପ୍ ଲର୍ଣ୍ଣିଂ ଆସିଷ୍ଟେଡ୍ ଡିସିସନ୍ ସଫ୍ଟୱେର୍‌ର ସମୀକ୍ଷା ପଏଣ୍ଟ୍", "କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ମେଡିକାଲ୍ ଡିଭାଇସ୍‌ଗୁଡ଼ିକର ପଞ୍ଜୀକରଣ ସମୀକ୍ଷା ପାଇଁ ମାର୍ଗଦର୍ଶିକା ନୀତି (ମନ୍ତବ୍ୟ ପାଇଁ ଡ୍ରାଫ୍ଟ)" ଏବଂ "କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ମେଡିକାଲ୍ ସଫ୍ଟୱେର୍ ଉତ୍ପାଦଗୁଡ଼ିକର ବର୍ଗୀକରଣ ଏବଂ ପରିଭାଷା ପାଇଁ ମାର୍ଗଦର୍ଶିକା ନୀତି ଉପରେ ସର୍କୁଲାର୍ (2021ରେ ନମ୍ବର 47)" ଭଳି ଦଲିଲ୍ ଜାରି କରିଛି। ଏହି ବର୍ଷ, "2023 ରେ ପ୍ରଥମ ଚିକିତ୍ସା ଉପକରଣ ଉତ୍ପାଦ ବର୍ଗୀକରଣ ଫଳାଫଳର ସାରାଂଶ" ପୁନର୍ବାର ପ୍ରକାଶିତ ହୋଇଥିଲା। ଏହି ଧାରାବାହିକ ଦଲିଲଗୁଡ଼ିକ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଚିକିତ୍ସା ସଫ୍ଟୱେର୍ ଉତ୍ପାଦଗୁଡ଼ିକର ପରିଭାଷା, ବର୍ଗୀକରଣ ଏବଂ ନିୟନ୍ତ୍ରଣକୁ ସ୍ପଷ୍ଟ ଏବଂ ପରିଚାଳନା କରିବାକୁ ସହଜ କରିଥାଏ, ଏବଂ ଶିଳ୍ପର ବିଭିନ୍ନ ଉଦ୍ୟୋଗଗୁଡ଼ିକର ଉତ୍ପାଦ ସ୍ଥିତି ଏବଂ ପଞ୍ଜୀକରଣ ରଣନୀତି ପାଇଁ ସ୍ପଷ୍ଟ ମାର୍ଗଦର୍ଶନ ପ୍ରଦାନ କରିଥାଏ। ଏହି ଦଲିଲଗୁଡ଼ିକ AI ଚିକିତ୍ସା ଉପକରଣଗୁଡ଼ିକର ବୈଜ୍ଞାନିକ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଏକ ଢାଞ୍ଚା ଏବଂ ପରିଚାଳନା ନିଷ୍ପତ୍ତି ପ୍ରଦାନ କରିଥାଏ। ଏହା ଅପେକ୍ଷା କରିବା ଯୋଗ୍ୟ ଯେ ଡିସେମ୍ବର 21 ରୁ 23 ପର୍ଯ୍ୟନ୍ତ ହାଙ୍ଗଜୋଉରେ ଅନୁଷ୍ଠିତ ଚୀନ୍ ଚିକିତ୍ସା କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସମ୍ମିଳନୀର ଏଜେଣ୍ଡା ଡିଜିଟାଲ୍ ଚିକିତ୍ସା ଶାସନ ଏବଂ ସରକାରୀ ହସ୍ପିଟାଲଗୁଡ଼ିକର ଉଚ୍ଚ-ଗୁଣବତ୍ତା ବିକାଶ ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଚିକିତ୍ସା ଉପକରଣ ପରୀକ୍ଷଣ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ମାନକୀକରଣ ଶିଳ୍ପ ବିକାଶ ଫୋରମ୍ ଉପରେ ଏକ ବିଶେଷ ଫୋରମ୍ ସ୍ଥାପନ କରିବ। ସେହି ସମୟରେ, ଜାତୀୟ ବିକାଶ ଏବଂ ସଂସ୍କାର କମିଶନ ଏବଂ NMPA ର ଅଧିକାରୀମାନେ ବୈଠକରେ ଯୋଗଦେବେ ଏବଂ ନୂତନ ସୂଚନା ପ୍ରକାଶ କରିପାରନ୍ତି।

ଉପସଂହାର

2023 ମସିହାରେ, ମେଡିକାଲ୍ AI ସମ୍ପୂର୍ଣ୍ଣ ମେଡିକାଲ୍ ଅପଷ୍ଟ୍ରିମ୍ ଏବଂ ଡାଉନଷ୍ଟ୍ରିମ୍ ପ୍ରକ୍ରିୟାରେ ସମନ୍ୱିତ ହେବା ଆରମ୍ଭ କରିଛି, ଯେଉଁଥିରେ ହସ୍ପିଟାଲ୍ ତଥ୍ୟ ସଂଗ୍ରହ, ଫ୍ୟୁଜନ୍, ବିଶ୍ଳେଷଣ, ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ଚିକିତ୍ସା, ଏବଂ ସମ୍ପ୍ରଦାୟ ସ୍କ୍ରିନିଂ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଛି, ଏବଂ ମାନବ ସ୍ୱାସ୍ଥ୍ୟରେ ମଙ୍ଗଳ ଆଣିବାର ସମ୍ଭାବନା ଦେଖାଇ ଚିକିତ୍ସା/ରୋଗ ନିୟନ୍ତ୍ରଣ କର୍ମୀଙ୍କ ସହିତ ଜୈବିକ ଭାବରେ ସହଯୋଗ କରିଛି। ବ୍ୟବହାରଯୋଗ୍ୟ ମେଡିକାଲ୍ AI ଗବେଷଣା ଆରମ୍ଭ ହେଉଛି। ଭବିଷ୍ୟତରେ, ମେଡିକାଲ୍ AIର ପ୍ରଗତି କେବଳ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିକାଶ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ, ବରଂ ଶିଳ୍ପ, ବିଶ୍ୱବିଦ୍ୟାଳୟ ଏବଂ ମେଡିକାଲ୍ ଗବେଷଣାର ପୂର୍ଣ୍ଣ ସହଯୋଗ ଏବଂ ନୀତି ନିର୍ଦ୍ଧାରକ ଏବଂ ନିୟାମକଙ୍କ ସମର୍ଥନ ମଧ୍ୟ ଆବଶ୍ୟକ। ଏହି କ୍ରସ୍-ଡୋମେନ୍ ସହଯୋଗ ହେଉଛି AI-ସମ୍ମିଶ୍ରିତ ମେଡିକାଲ୍ ସେବା ହାସଲ କରିବାର ଚାବିକାଠି, ଏବଂ ନିଶ୍ଚିତ ଭାବରେ ମାନବ ସ୍ୱାସ୍ଥ୍ୟର ବିକାଶକୁ ପ୍ରୋତ୍ସାହିତ କରିବ।