أخبار

منذ انطلاق برنامج IBM Watson عام ٢٠٠٧، دأب البشر على تطوير الذكاء الاصطناعي الطبي. يتمتع نظام الذكاء الاصطناعي الطبي الفعال والفعال بإمكانيات هائلة لإعادة صياغة جميع جوانب الطب الحديث، مما يتيح رعاية صحية أذكى وأكثر دقة وكفاءة وشمولية، ويحقق الرفاهية للعاملين في المجال الطبي والمرضى، وبالتالي يُحسّن صحة الإنسان بشكل كبير. على مدار السنوات الست عشرة الماضية، ورغم تراكم خبرات باحثي الذكاء الاصطناعي الطبي في مجالات صغيرة متنوعة، إلا أنهم لم يتمكنوا حتى الآن من تحويل الخيال العلمي إلى واقع ملموس.

هذا العام، مع التطور الثوري لتكنولوجيا الذكاء الاصطناعي مثل ChatGPT، أحرز الذكاء الاصطناعي الطبي تقدمًا كبيرًا في العديد من الجوانب. اختراق غير مسبوق في قدرة الذكاء الاصطناعي الطبي: أطلقت مجلة Nature باستمرار البحث في نموذج اللغة الطبية الكبيرة والنموذج الأساسي للصور الطبية؛ أصدرت Google Med-PaLM وخليفتها، ووصلت إلى مستوى الخبراء في أسئلة امتحان ممارس الطب الأمريكي. ستركز المجلات الأكاديمية الرئيسية على الذكاء الاصطناعي الطبي: أصدرت Nature نظرة عامة على النموذج الأساسي للذكاء الاصطناعي الطبي العام؛ بعد سلسلة من المراجعات للذكاء الاصطناعي في الطب في وقت سابق من هذا العام، نشرت مجلة نيو إنجلاند الطبية (NEJM) أول مراجعة صحية رقمية لها في 30 نوفمبر، وأطلقت العدد الأول من مجلة NEJM الفرعية NEJM AI في 12 ديسمبر. أصبحت تربة هبوط الذكاء الاصطناعي الطبي أكثر نضجًا: نشرت مجلة JAMA الفرعية مبادرة مشاركة بيانات الصور الطبية العالمية؛ تعمل إدارة الغذاء والدواء الأمريكية (FDA) على تطوير مسودة إرشادات لتنظيم الذكاء الاصطناعي الطبي.

فيما يلي، نستعرض التقدم الكبير الذي أحرزه الباحثون في جميع أنحاء العالم في اتجاه الذكاء الاصطناعي الطبي القابل للاستخدام في عام 2023

النموذج الأساسي للذكاء الاصطناعي الطبي

لا شك أن بناء نموذج الذكاء الاصطناعي الطبي الأساسي هو محور البحث الأكثر سخونة هذا العام. نشرت مجلات نيتشر مقالات مراجعة حول النموذج الأساسي الشامل للرعاية الصحية ونموذج اللغة الكبير للرعاية الصحية خلال العام. استعرضت مجلة تحليل الصور الطبية، وهي المجلة الرائدة في هذا المجال، وتطلعت إلى تحديات وفرص أبحاث النماذج الأساسية في تحليل الصور الطبية، واقترحت مفهوم "سلالة النموذج الأساسي" لتلخيص وتوجيه تطوير أبحاث النماذج الأساسية للذكاء الاصطناعي الطبي. أصبح مستقبل نماذج الذكاء الاصطناعي الأساسية للرعاية الصحية أكثر وضوحًا. بالاعتماد على الأمثلة الناجحة لنماذج اللغات الكبيرة مثل ChatGPT، باستخدام أساليب تدريب مسبق ذاتية الإشراف أكثر تقدمًا وتراكمًا هائلاً لبيانات التدريب، يحاول الباحثون في مجال الذكاء الاصطناعي الطبي بناء 1) نماذج أساسية خاصة بالأمراض، 2) نماذج أساسية عامة، و3) نماذج كبيرة متعددة الوسائط تدمج مجموعة واسعة من الأوضاع ذات معلمات هائلة وقدرات فائقة.

نموذج الذكاء الاصطناعي لاكتساب البيانات الطبية

بالإضافة إلى نماذج الذكاء الاصطناعي الكبيرة التي تلعب دورًا هامًا في تحليل البيانات السريرية الأولية، ظهرت أيضًا تقنية نماذج الذكاء الاصطناعي التوليدية في جمع البيانات السريرية الأولية. ويمكن تحسين عملية جمع البيانات وسرعتها وجودتها بشكل ملحوظ باستخدام خوارزميات الذكاء الاصطناعي.

في وقت سابق من هذا العام، نشرت مجلة Nature Biomedical Engineering دراسة من جامعة Straits في تركيا ركزت على استخدام الذكاء الاصطناعي التوليدي لحل مشكلة التشخيص بمساعدة الصور المرضية في التطبيقات السريرية. تشكل القطع الأثرية في أنسجة المقطع المجمدة أثناء الجراحة عقبة أمام التقييم التشخيصي السريع. على الرغم من أن الأنسجة المغطاة بالفورمالين والبارافين (FFPE) توفر عينة ذات جودة أعلى، إلا أن عملية إنتاجها تستغرق وقتًا طويلاً وغالبًا ما تستغرق من 12 إلى 48 ساعة، مما يجعلها غير مناسبة للاستخدام في الجراحة. لذلك اقترح فريق البحث خوارزمية تسمى AI-FFPE، والتي يمكنها جعل مظهر الأنسجة في المقطع المجمد مشابهًا لـ FFPE. نجحت الخوارزمية في تصحيح قطع أثرية المقاطع المجمدة، وتحسين جودة الصورة، والاحتفاظ بالميزات السريرية ذات الصلة في نفس الوقت. في التحقق السريري، تعمل خوارزمية AI-FFPE على تحسين دقة تشخيص علماء الأمراض بشكل كبير للأنواع الفرعية للأورام، مع تقصير وقت التشخيص السريري بشكل كبير.

نشرت مجلة Cell Reports Medicine تقريرًا عن بحث أجراه فريق من الكلية السريرية الثالثة بجامعة جيلين، وقسم الأشعة، ومستشفى تشونغشان التابع لجامعة فودان، وجامعة شنغهاي للعلوم والتكنولوجيا [25]. تقترح هذه الدراسة إطار عمل متعدد الأغراض لدمج التعلم العميق وإعادة البناء التكراري (Hybrid DL-IR) يتميز بتنوع ومرونة عاليين، مما يُظهر أداءً ممتازًا في إعادة بناء الصور في التصوير بالرنين المغناطيسي السريع، والتصوير المقطعي المحوسب منخفض الجرعة، والتصوير المقطعي بالإصدار البوزيتروني السريع. يمكن للخوارزمية تحقيق مسح متعدد التسلسلات لعضو واحد بالرنين المغناطيسي في 100 ثانية، وتقليل جرعة الإشعاع إلى 10% فقط من صورة التصوير المقطعي المحوسب، والقضاء على الضوضاء، ويمكنها إعادة بناء الآفات الصغيرة من التقاط PET بتسريع يتراوح بين 2 و4 مرات، مع تقليل تأثير تشوهات الحركة.

الذكاء الاصطناعي الطبي بالتعاون مع العاملين في المجال الطبي

كما دفع التطور السريع للذكاء الاصطناعي الطبي المهنيين الطبيين إلى التفكير بجدية واستكشاف كيفية التعاون مع الذكاء الاصطناعي لتحسين العمليات السريرية. في يوليو من هذا العام، اقترح DeepMind وفريق بحثي متعدد المؤسسات بشكل مشترك نظام ذكاء اصطناعي يسمى تأخير سير العمل السريري الموجه التكميلي (CoDoC). يتم تشخيص عملية التشخيص أولاً بواسطة نظام ذكاء اصطناعي تنبئي، ثم يتم الحكم عليه بواسطة نظام ذكاء اصطناعي آخر بناءً على النتيجة السابقة، وإذا كان هناك شك، يتم التشخيص أخيرًا من قبل الطبيب لتحسين دقة التشخيص وكفاءة التوازن. عندما يتعلق الأمر بفحص سرطان الثدي، قلل CoDoC معدلات الإيجابيات الكاذبة بنسبة 25٪ بنفس معدل السلبيات الكاذبة، مع تقليل عبء عمل الطبيب بنسبة 66٪، مقارنةً بعملية "التحكيم المزدوج القراءة" الحالية في المملكة المتحدة. فيما يتعلق بتصنيف السل، انخفضت معدلات الإيجابيات الكاذبة بنسبة 5 إلى 15 في المائة بنفس معدل السلبيات الكاذبة مقارنةً بالذكاء الاصطناعي المستقل وسير العمل السريري.

وبالمثل، قدمت آني واي نج وآخرون، من شركة خيرون في لندن بالمملكة المتحدة، قارئات ذكاء اصطناعي إضافية (بالتعاون مع فاحصين بشريين) لإعادة فحص النتائج عندما لا توجد نتائج استرجاعية في عملية التحكيم ذات القراءة المزدوجة، مما أدى إلى تحسين مشكلة الكشف الفائت في الفحص المبكر لسرطان الثدي، ولم يكن للعملية أي إيجابيات خاطئة تقريبًا. وفي دراسة أخرى، قادها فريق في كلية الطب بجامعة تكساس ماكجفرن وأُجريت في أربعة مراكز للسكتة الدماغية، طبقت تقنية الذكاء الاصطناعي القائمة على تصوير الأوعية الدموية المقطعي المحوسب (CTA) لأتمتة اكتشاف السكتة الدماغية الإقفارية الانسدادية الوعائية الكبيرة (LVO). ويتلقى الأطباء وأخصائيو الأشعة تنبيهات في الوقت الفعلي على هواتفهم المحمولة في غضون دقائق من اكتمال التصوير المقطعي المحوسب، لإخطارهم باحتمالية وجود LVO. تعمل عملية الذكاء الاصطناعي هذه على تحسين سير العمل داخل المستشفى للسكتة الدماغية الإقفارية الحادة، مما يقلل من الوقت من الباب إلى الفخذ من القبول إلى العلاج ويوفر فرصًا للإنقاذ الناجح. نُشرت النتائج في JAMA Neurology.

نموذج رعاية صحية قائم على الذكاء الاصطناعي لتحقيق فائدة شاملة

سيشهد عام 2023 أيضًا الكثير من العمل الجيد الذي يستخدم الذكاء الاصطناعي الطبي للعثور على ميزات غير مرئية للعين البشرية من البيانات المتاحة بسهولة أكبر، مما يتيح التشخيص الشامل والفحص المبكر على نطاق واسع. في بداية العام، نشرت مجلة Nature Medicine دراسات أجراها مركز Zhongshan للعيون التابع لجامعة Sun Yat-sen والمستشفى التابع الثاني لجامعة Fujian الطبية. باستخدام الهواتف الذكية كمحطات تطبيق، استخدموا صور فيديو تشبه الرسوم المتحركة لتحفيز نظرة الأطفال وتسجيل سلوك نظراتهم وملامح وجوههم، وقاموا بتحليل النماذج غير الطبيعية باستخدام نماذج التعلم العميق لتحديد 16 مرضًا للعين بنجاح، بما في ذلك إعتام عدسة العين الخلقي وتدلي الجفون الخلقي والجلوكوما الخلقية، بمتوسط ​​دقة فحص يزيد عن 85٪. يوفر هذا وسيلة تقنية فعالة وسهلة الاستخدام للفحص المبكر على نطاق واسع لضعف وظيفة الرؤية لدى الرضع وأمراض العيون ذات الصلة.

في نهاية العام، نشرت مجلة "نيتشر ميديسن" تقريرًا عن عملٍ أنجزته أكثر من عشر مؤسسات طبية وبحثية حول العالم، بما في ذلك معهد شنغهاي لأمراض البنكرياس والمستشفى التابع الأول لجامعة تشجيانغ. طبّق المؤلف الذكاء الاصطناعي على فحص سرطان البنكرياس للأشخاص الذين لا تظهر عليهم أعراض في مراكز الفحص البدني والمستشفيات وغيرها، للكشف عن سمات الآفات في صور الأشعة المقطعية البسيطة التي يصعب اكتشافها بالعين المجردة، وذلك لتحقيق كشف مبكر فعال وغير جراحي لسرطان البنكرياس. وبمراجعة بيانات أكثر من 20,000 مريض، حدد النموذج أيضًا 31 حالة من الآفات التي لم تُكتشف سريريًا، مما حسّن النتائج السريرية بشكل ملحوظ.

مشاركة البيانات الطبية

في عام 2023، ظهرت العديد من آليات تبادل البيانات المثالية والحالات الناجحة في جميع أنحاء العالم، مما يضمن التعاون متعدد المراكز وانفتاح البيانات تحت فرضية حماية خصوصية البيانات وأمنها.

أولاً، وبمساعدة تقنية الذكاء الاصطناعي نفسها، ساهم باحثو الذكاء الاصطناعي في مشاركة البيانات الطبية. نشر تشي تشانغ وآخرون من جامعة روتجرز في الولايات المتحدة مقالاً في مجلة نيتشر كوميونيكيشنز، يقترحون فيه إطار عمل تعليمي اتحادي (DSL) قائم على شبكات عدائية اصطناعية موزعة، يستخدم الذكاء الاصطناعي التوليدي لتدريب البيانات المُولّدة المحددة من مراكز متعددة، ثم يستبدل البيانات الحقيقية لتلك المراكز بالبيانات المُولّدة. يضمن هذا تدريب الذكاء الاصطناعي بناءً على البيانات الضخمة متعددة المراكز مع حماية خصوصية البيانات. كما قام الفريق نفسه بتوفير مجموعة بيانات مفتوحة المصدر لصور الأمراض المُولّدة وتعليقاتها التوضيحية. يمكن لنموذج التجزئة المُدرّب على مجموعة البيانات المُولّدة تحقيق نتائج مماثلة للبيانات الحقيقية.

نشر فريق داي تشيونغهاي من جامعة تسينغهوا ورقة بحثية في مجلة npj Digital Health، مقترحًا تقنية التعلم التتابعي، التي تستخدم بيانات ضخمة متعددة المواقع لتدريب نماذج الذكاء الاصطناعي، مع الأخذ في الاعتبار مبدأ سيادة البيانات المحلية وعدم وجود اتصال شبكي بين المواقع. وتوازن هذه التقنية بين أمن البيانات وخصوصيتها والسعي لتحسين أداء الذكاء الاصطناعي. وفي وقت لاحق، تعاون الفريق نفسه مع المستشفى الأول التابع لجامعة قوانغتشو الطبية و24 مستشفى في جميع أنحاء البلاد في تطوير واعتماد نظام CAIMEN، وهو نظام لتشخيص أورام المنصف باستخدام التصوير المقطعي المحوسب للصدر، ويعتمد على التعلم الفيدرالي. وقد حقق هذا النظام، الذي يمكن تطبيقه على 12 ورمًا منصفيًا شائعًا، دقة أفضل بنسبة 44.9% عند استخدامه منفردًا مقارنةً باستخدامه من قِبل خبراء بشريين، ودقة تشخيص أفضل بنسبة 19% عند الاستعانة بالخبراء البشر.

من ناحية أخرى، هناك العديد من المبادرات الجارية لبناء مجموعات بيانات طبية آمنة وعالمية وواسعة النطاق. في نوفمبر 2023، نشرت أوجستينا ساينز وآخرون من قسم المعلوماتية الطبية الحيوية في كلية الطب بجامعة هارفارد عبر الإنترنت في مجلة لانسيت للصحة الرقمية إطار عمل عالمي لمشاركة بيانات الصور الطبية يسمى بيانات الذكاء الاصطناعي لجميع الرعاية الصحية (MAIDA). وهم يعملون مع مؤسسات الرعاية الصحية في جميع أنحاء العالم لتقديم إرشادات شاملة بشأن جمع البيانات وإخفاء الهوية، باستخدام نموذج الشريك الفيدرالي الأمريكي (FDP) لتوحيد مشاركة البيانات. وهم يخططون لإصدار مجموعات البيانات التي تم جمعها تدريجيًا في مناطق مختلفة وإعدادات سريرية حول العالم. ومن المتوقع إصدار أول مجموعة بيانات في أوائل عام 2024، مع المزيد في المستقبل مع توسع الشراكة. ويمثل هذا المشروع محاولة مهمة لبناء مجموعة عالمية وواسعة النطاق ومتنوعة من بيانات الذكاء الاصطناعي المتاحة للجمهور.

في أعقاب هذا الاقتراح، قدّم البنك الحيوي البريطاني مثالاً يُحتذى به. فقد أصدر البنك الحيوي البريطاني في 30 نوفمبر بيانات جديدة من تسلسل الجينوم الكامل لمشاركيه البالغ عددهم 500 ألف مشارك. تُعد قاعدة البيانات هذه، التي تنشر التسلسل الكامل للجينوم لكل متطوع بريطاني، أكبر قاعدة بيانات كاملة للجينوم البشري في العالم. ويمكن للباحثين حول العالم طلب الوصول إلى هذه البيانات مجهولة الهوية واستخدامها لاستكشاف الأساس الجيني للصحة والمرض. لطالما كانت البيانات الجينية شديدة الحساسية للتحقق في الماضي، ويثبت هذا الإنجاز التاريخي للبنك الحيوي البريطاني إمكانية بناء قاعدة بيانات عالمية واسعة النطاق مفتوحة، خالية من أي قيود على الخصوصية. وبفضل هذه التكنولوجيا وقاعدة البيانات، من المؤكد أن الذكاء الاصطناعي الطبي سيُحدث نقلة نوعية.

التحقق والتقييم للذكاء الاصطناعي الطبي

بالمقارنة مع التطور السريع لتكنولوجيا الذكاء الاصطناعي الطبي، فإن تطوير التحقق من الذكاء الاصطناعي الطبي وتقييمه بطيء بعض الشيء. غالبًا ما يتجاهل التحقق والتقييم في مجال الذكاء الاصطناعي العام المتطلبات الحقيقية للأطباء والمرضى للذكاء الاصطناعي. التجارب السريرية العشوائية التقليدية شاقة للغاية ولا تواكب التطور السريع لأدوات الذكاء الاصطناعي. يُعد تحسين نظام التحقق والتقييم المناسب لأدوات الذكاء الاصطناعي الطبي في أسرع وقت ممكن أهم عامل لتعزيز الذكاء الاصطناعي الطبي ليتجاوز البحث والتطوير إلى المجال السريري.

في ورقة بحثية من جوجل حول Med-PaLM، نُشرت في مجلة Nature، نشر الفريق أيضًا معيار تقييم MultiMedQA، المُستخدم لتقييم قدرة نماذج اللغة الكبيرة على اكتساب المعرفة السريرية. يجمع المعيار ست مجموعات بيانات طبية مهنية قائمة للأسئلة والأجوبة، تُغطي المعرفة الطبية المهنية والبحث وجوانب أخرى، بالإضافة إلى قاعدة بيانات بحثية للأسئلة الطبية عبر الإنترنت، تُركز على أسئلة وأجوبة الطبيب والمريض عبر الإنترنت، سعيًا لتدريب الذكاء الاصطناعي على تأهيل طبيب من جوانب متعددة. بالإضافة إلى ذلك، يقترح الفريق إطار عمل قائم على التقييم البشري، يأخذ في الاعتبار أبعادًا متعددة للواقع والفهم والمنطق والتحيز المحتمل. يُعد هذا أحد أبرز الجهود البحثية المُمثلة لتقييم الذكاء الاصطناعي في مجال الرعاية الصحية التي نُشرت هذا العام.

ومع ذلك، هل حقيقة أن نماذج اللغة الكبيرة تُظهر مستوى عالٍ من المعرفة السريرية المشفرة تعني أن نماذج اللغة الكبيرة كفؤة للمهام السريرية في العالم الحقيقي؟ تمامًا كما أن طالب الطب الذي يجتاز امتحان الطبيب المهني بدرجة مثالية لا يزال بعيدًا عن أن يكون طبيبًا رئيسيًا منفردًا، فإن معايير التقييم التي اقترحتها جوجل قد لا تكون إجابة مثالية لموضوع تقييم الذكاء الاصطناعي الطبي لنماذج الذكاء الاصطناعي. في وقت مبكر من عامي 2021 و2022، اقترح الباحثون إرشادات إعداد التقارير مثل Decid-AI وSPIRIT-AI وINTRPRT، على أمل توجيه التطوير المبكر والتحقق من صحة الذكاء الاصطناعي الطبي بشرط مراعاة عوامل مثل التطبيق العملي السريري والسلامة والعوامل البشرية والشفافية / القدرة على التفسير. في الآونة الأخيرة، نشرت مجلة Nature Medicine دراسة أجراها باحثون من جامعة أكسفورد وجامعة ستانفورد حول ما إذا كان يجب استخدام "التحقق الخارجي" أو "التحقق المحلي المتكرر". "للتحقق من صحة أدوات الذكاء الاصطناعي.

تُعدّ الطبيعة غير المتحيزة لأدوات الذكاء الاصطناعي أيضًا اتجاهًا تقييميًا مهمًا حظي باهتمام هذا العام في مقالات كلٍّ من مجلة العلوم ومجلة نيو إنجلاند الطبية (NEJM). غالبًا ما يُظهر الذكاء الاصطناعي تحيزًا لاقتصاره على بيانات التدريب. قد يعكس هذا التحيز عدم المساواة الاجتماعية، والذي يتطور بدوره إلى تمييز خوارزمي. أطلقت المعاهد الوطنية للصحة مؤخرًا مبادرة Bridge2AI، التي تُقدّر تكلفتها بـ 130 مليون دولار، لبناء مجموعات بيانات متنوعة (بما يتماشى مع أهداف مبادرة MAIDA المذكورة أعلاه) يمكن استخدامها للتحقق من عدم تحيز أدوات الذكاء الاصطناعي الطبية. لم تُراعِ MultiMedQA هذه الجوانب. لا تزال مسألة كيفية قياس نماذج الذكاء الاصطناعي الطبية والتحقق من صحتها بحاجة إلى نقاش موسع ومتعمق.

في يناير، نشرت مجلة "نيتشر ميديسن" مقال رأي بعنوان "الجيل القادم من الطب المبني على الأدلة" بقلم فيفيك سوبياه من مركز إم دي أندرسون للسرطان بجامعة تكساس، يستعرض فيه قيود التجارب السريرية التي كُشفت في سياق جائحة كوفيد-19، ويشير إلى التناقض بين الابتكار والالتزام بعملية البحث السريري. وأخيرًا، يُشير المقال إلى مستقبل إعادة هيكلة التجارب السريرية - الجيل القادم من التجارب السريرية باستخدام الذكاء الاصطناعي، أي استخدام الذكاء الاصطناعي من عدد كبير من بيانات الأبحاث التاريخية، وبيانات العالم الحقيقي، والبيانات السريرية متعددة الوسائط، وبيانات الأجهزة القابلة للارتداء للعثور على أدلة رئيسية. هل يعني هذا أن تقنية الذكاء الاصطناعي وعمليات التحقق السريري باستخدام الذكاء الاصطناعي قد تعزز بعضها البعض وتتطور معًا في المستقبل؟ هذا هو السؤال المفتوح والمثير للتفكير لعام 2023.

تنظيم الذكاء الاصطناعي الطبي

كما يفرض تقدم تقنية الذكاء الاصطناعي تحديات على تنظيم الذكاء الاصطناعي، ويستجيب صانعو السياسات في جميع أنحاء العالم بعناية وحذر. في عام 2019، نشرت إدارة الغذاء والدواء الأمريكية لأول مرة إطارًا تنظيميًا مقترحًا لتغييرات البرامج على الأجهزة الطبية التي تعمل بالذكاء الاصطناعي (مسودة مناقشة)، موضحة بالتفصيل نهجها المحتمل لمراجعة ما قبل التسويق لتعديلات البرامج التي تعتمد على الذكاء الاصطناعي والتعلم الآلي. في عام 2021، اقترحت إدارة الغذاء والدواء الأمريكية "خطة عمل للذكاء الاصطناعي/التعلم الآلي كجهاز طبي"، والتي أوضحت خمسة تدابير تنظيمية طبية محددة للذكاء الاصطناعي. هذا العام، أعادت إدارة الغذاء والدواء الأمريكية إصدار تقديم ما قبل التسويق لميزات برامج الجهاز لتوفير معلومات حول توصيات تقديم ما قبل التسويق لتقييم إدارة الغذاء والدواء الأمريكية لسلامة وفعالية ميزات برامج الجهاز، بما في ذلك بعض ميزات الأجهزة البرمجية التي تستخدم نماذج التعلم الآلي المدربة من خلال أساليب التعلم الآلي. تطورت السياسة التنظيمية لإدارة الغذاء والدواء الأمريكية من اقتراح أولي إلى إرشادات عملية.

بعد نشر "مساحة بيانات الصحة الأوروبية" في يوليو من العام الماضي، أصدر الاتحاد الأوروبي قانون الذكاء الاصطناعي مجددًا. يهدف الأول إلى تحقيق أقصى استفادة من بيانات الصحة لتوفير رعاية صحية عالية الجودة، والحد من أوجه عدم المساواة، ودعم البيانات للوقاية والتشخيص والعلاج والابتكار العلمي وصنع القرار والتشريع، مع ضمان تحكم أكبر لمواطني الاتحاد الأوروبي في بياناتهم الصحية الشخصية. يوضح الثاني أن نظام التشخيص الطبي هو نظام ذكاء اصطناعي عالي المخاطر، ويحتاج إلى اعتماد إشراف قوي ومستهدف، وإشراف على دورة الحياة الكاملة، وإشراف ما قبل التقييم. نشرت وكالة الأدوية الأوروبية (EMA) مسودة ورقة تفكير حول استخدام الذكاء الاصطناعي لدعم تطوير الأدوية وتنظيمها واستخدامها، مع التركيز على تحسين مصداقية الذكاء الاصطناعي لضمان سلامة المرضى وسلامة نتائج البحوث السريرية. بشكل عام، يتبلور النهج التنظيمي للاتحاد الأوروبي تدريجيًا، وقد تكون تفاصيل التنفيذ النهائية أكثر تفصيلًا وصرامة. وعلى النقيض تماما من التنظيم الصارم الذي يفرضه الاتحاد الأوروبي، فإن المخطط التنظيمي للذكاء الاصطناعي في المملكة المتحدة يوضح أن الحكومة تخطط لاتباع نهج مرن وعدم سن مشاريع قوانين جديدة أو إنشاء هيئات تنظيمية جديدة في الوقت الحالي.

في الصين، أصدر مركز المراجعة الفنية للأجهزة الطبية (NMPA) التابع للإدارة الوطنية للمنتجات الطبية سابقًا وثائق مثل "نقاط مراجعة برمجيات اتخاذ القرار بمساعدة التعلم العميق" و"المبادئ التوجيهية لمراجعة تسجيل الأجهزة الطبية التي تعمل بالذكاء الاصطناعي (مسودة للتعليق)" و"التعميم بشأن المبادئ التوجيهية لتصنيف وتعريف منتجات برمجيات الذكاء الاصطناعي الطبية (رقم 47 في عام 2021)". هذا العام، صدر مرة أخرى "ملخص نتائج تصنيف منتجات الأجهزة الطبية الأولى لعام 2023". تجعل هذه السلسلة من الوثائق تعريف وتصنيف وتنظيم منتجات البرمجيات الطبية للذكاء الاصطناعي أكثر وضوحًا وسهولة في التشغيل، وتوفر إرشادات واضحة لاستراتيجيات تحديد موقع المنتج وتسجيله لمختلف المؤسسات في الصناعة. توفر هذه الوثائق إطارًا وقرارات إدارية للتنظيم العلمي للأجهزة الطبية بالذكاء الاصطناعي. ومن الجدير بالتطلع إلى أن جدول أعمال مؤتمر الصين للذكاء الاصطناعي الطبي الذي عُقد في هانغتشو في الفترة من 21 إلى 23 ديسمبر قد أنشأ منتدى خاصًا حول الحوكمة الطبية الرقمية والتطوير عالي الجودة للمستشفيات العامة ومنتدى تطوير صناعة معايير تكنولوجيا اختبار وتقييم الأجهزة الطبية بالذكاء الاصطناعي. في ذلك الوقت، سيحضر مسؤولون من اللجنة الوطنية للتنمية والإصلاح والهيئة الوطنية للأجهزة الطبية الاجتماع وقد يصدرون معلومات جديدة.

خاتمة

في عام ٢٠٢٣، بدأ الذكاء الاصطناعي الطبي بالاندماج في جميع مراحل العملية الطبية، بدءًا من المنبع والمصب، ليشمل جمع بيانات المستشفيات، ودمجها، وتحليلها، وتشخيصها وعلاجها، وفحص المجتمع، ويتعاون بشكل عضوي مع العاملين في المجال الطبي/مكافحة الأمراض، مما يُظهر إمكانية تعزيز صحة الإنسان. وقد بدأت أبحاث الذكاء الاصطناعي الطبي القابلة للاستخدام تلوح في الأفق. في المستقبل، لا يعتمد تقدم الذكاء الاصطناعي الطبي على التطور التكنولوجي فحسب، بل يتطلب أيضًا التعاون الكامل من جانب الصناعة والجامعات والبحوث الطبية، ودعم صانعي السياسات والجهات التنظيمية. يُعد هذا التعاون متعدد المجالات مفتاحًا لتحقيق خدمات طبية متكاملة مع الذكاء الاصطناعي، وسيعزز بلا شك تطوير صحة الإنسان.