novice

Vse od začetka delovanja sistema IBM Watson leta 2007 si ljudje nenehno prizadevajo za razvoj medicinske umetne inteligence (UI). Uporaben in zmogljiv sistem medicinske UI ima ogromen potencial za preoblikovanje vseh vidikov sodobne medicine, saj omogoča pametnejšo, natančnejšo, učinkovitejšo in vključujočo oskrbo, prinaša dobro počutje zdravstvenim delavcem in pacientom ter s tem močno izboljša zdravje ljudi. V zadnjih 16 letih so se raziskovalci medicinske UI sicer nabrali na različnih manjših področjih, vendar jim na tej stopnji še ni uspelo uresničiti znanstvene fantastike.

Letos je medicinska umetna inteligenca z revolucionarnim razvojem tehnologije umetne inteligence, kot je ChatGPT, dosegla velik napredek na številnih področjih. Brez primere preboj v zmogljivostih medicinske umetne inteligence: revija Nature je nenehno začela raziskovati model velikega medicinskega jezika in osnovni model medicinske slike; Google je izdal Med-PaLM in njegovega naslednika, s čimer je dosegel strokovno raven pri vprašanjih izpita za ameriškega zdravnika. Večje akademske revije se bodo osredotočile na medicinsko umetno inteligenco: Nature je objavila napoved osnovnega modela splošne medicinske umetne inteligence; po seriji pregledov umetne inteligence v medicini v začetku letošnjega leta je New England Journal of Medicine (NEJM) 30. novembra objavila svoj prvi digitalni zdravstveni pregled in 12. decembra izdala prvo številko podrevije NEJM z naslovom NEJM AI. Tla za medicinsko umetno inteligenco so še bolj zrela: podrevija JAMA je objavila globalno pobudo za izmenjavo podatkov medicinskih slik; Ameriška uprava za hrano in zdravila (FDA) pripravlja osnutek smernic za regulacijo medicinske umetne inteligence.

Spodaj bomo pregledali pomemben napredek, ki so ga raziskovalci po vsem svetu dosegli v smeri uporabne medicinske umetne inteligence v letu 2023.

Osnovni model medicinske umetne inteligence

Izgradnja osnovnega modela medicinske umetne inteligence je nedvomno najbolj vroča raziskovalna tema letošnjega leta. Revije Nature so v tem letu objavile pregledne članke o univerzalnem osnovnem modelu zdravstvenega varstva in modelu zdravstvenega varstva z velikimi jeziki. Medical Image Analysis, vodilna revija v panogi, je pregledala in se veselila izzivov in priložnosti raziskav osnovnih modelov v analizi medicinskih slik ter predlagala koncept "rodovnika osnovnega modela", da bi povzela in usmerila razvoj raziskav osnovnih modelov medicinske umetne inteligence. Prihodnost osnovnih modelov umetne inteligence za zdravstveno varstvo postaja jasnejša. Raziskovalci na področju medicinske umetne inteligence, ki se opirajo na uspešne primere modelov z velikimi jeziki, kot je ChatGPT, z uporabo naprednejših metod samonadzorovanega predhodnega učenja in obsežnega kopičenja podatkov o učenju, poskušajo zgraditi 1) osnovne modele, specifične za bolezni, 2) splošne osnovne modele in 3) multimodalne velike modele, ki integrirajo širok nabor načinov z ogromnimi parametri in vrhunskimi zmogljivostmi.

Model umetne inteligence za pridobivanje medicinskih podatkov

Poleg velikih modelov umetne inteligence, ki igrajo veliko vlogo pri nadaljnjih nalogah analize kliničnih podatkov, se je pri pridobivanju kliničnih podatkov pojavila tudi tehnologija, ki jo predstavljajo generativni modeli umetne inteligence. Algoritmi umetne inteligence lahko znatno izboljšajo postopek, hitrost in kakovost pridobivanja podatkov.

V začetku letošnjega leta je Nature Biomedical Engineering objavil študijo turške univerze Straits, ki se je osredotočila na uporabo generativne umetne inteligence za rešitev problema patološke slikovne diagnoze v kliničnih aplikacijah. Artefakti v zamrznjenem tkivu rezancev med operacijo so ovira za hitro diagnostično oceno. Čeprav tkivo, vdelano v formalin in parafin (FFPE), zagotavlja vzorec višje kakovosti, je njegov proizvodni proces dolgotrajen in pogosto traja 12–48 ur, zaradi česar je neprimerno za uporabo v kirurgiji. Raziskovalna skupina je zato predlagala algoritem, imenovan AI-FFPE, ki lahko videz tkiva v zamrznjenem rezu naredi podoben FFPE. Algoritem je uspešno popravil artefakte zamrznjenih rezancev, izboljšal kakovost slike in hkrati ohranil klinično pomembne značilnosti. V klinični validaciji algoritem AI-FFPE znatno izboljša diagnostično natančnost patologov za podtipe tumorjev, hkrati pa močno skrajša čas klinične diagnoze.

Cell Reports Medicine poroča o raziskovalnem delu ekipe s Tretje klinične fakultete Univerze Jilin, Oddelka za radiologijo, Bolnišnice Zhongshan, povezane z Univerzo Fudan, in Šanghajske univerze za znanost in tehnologijo [25]. Ta študija predlaga splošni ogrodje za globoko učenje in iterativno rekonstrukcijo (Hybrid DL-IR) z visoko vsestranskostjo in prilagodljivostjo, ki kaže odlično zmogljivost rekonstrukcije slik pri hitri MRI, CT z nizkim odmerkom in hitri PET. Algoritem lahko doseže večsekvenčno skeniranje enega organa z MR v 100 sekundah, zmanjša odmerek sevanja na samo 10 % CT slike in odpravi šum, poleg tega pa lahko rekonstruira majhne lezije iz PET posnetkov z 2- do 4-kratnim pospeškom, hkrati pa zmanjša učinek artefaktov gibanja.

Medicinska umetna inteligenca v sodelovanju z zdravstvenimi delavci

Hiter razvoj medicinske umetne inteligence je zdravstvene strokovnjake spodbudil k resnemu razmisleku in raziskovanju možnosti sodelovanja z umetno inteligenco za izboljšanje kliničnih procesov. Julija letos sta DeepMind in večinstitucionalna raziskovalna skupina skupaj predlagala sistem umetne inteligence, imenovan Complementary Driven Clinical Workflow Delay (CoDoC). Diagnostični proces najprej diagnosticira napovedni sistem umetne inteligence, nato pa drug sistem umetne inteligence oceni prejšnji rezultat, in če obstaja dvom, diagnozo dokončno postavi zdravnik, da se izboljša diagnostična natančnost in uravnoteži učinkovitost. Pri presejalnih pregledih za raka dojke je CoDoC zmanjšal stopnje lažno pozitivnih rezultatov za 25 % ob enaki stopnji lažno negativnih rezultatov, hkrati pa zmanjšal delovno obremenitev zdravnikov za 66 % v primerjavi s trenutnim postopkom "dvojnega branja arbitraže" v Združenem kraljestvu. Kar zadeva klasifikacijo tuberkuloze, so se stopnje lažno pozitivnih rezultatov zmanjšale za 5 do 15 odstotkov ob enaki stopnji lažno negativnih rezultatov v primerjavi z neodvisno umetno inteligenco in kliničnimi delovnimi procesi.

Podobno so Annie Y. Ng in sodelavci iz podjetja Kheiron v Londonu v Združenem kraljestvu uvedli dodatne bralnike z umetno inteligenco (v sodelovanju s človeškimi pregledovalci) za ponovno preučitev rezultatov, kadar v postopku arbitraže dvojnega branja ni bilo odpoklicanih rezultatov, kar je izboljšalo problem zgrešenega odkrivanja pri zgodnjem presejanju raka dojke, postopek pa skoraj ni imel lažno pozitivnih rezultatov. Druga študija, ki jo je vodila ekipa na Medicinski fakulteti McGovern Univerze v Teksasu in je bila izvedena v štirih centrih za možgansko kap, je uporabila tehnologijo umetne inteligence, ki temelji na računalniški tomografski angiografiji (CTA), za avtomatizacijo odkrivanja velike žilne okluzivne ishemične kapi (LVO). Zdravniki in radiologi v nekaj minutah po zaključku CT slikanja prejmejo opozorila v realnem času na svoje mobilne telefone, ki jih obvestijo o morebitni prisotnosti LVO. Ta postopek umetne inteligence izboljša poteke dela v bolnišnici za akutno ishemično možgansko kap, skrajša čas od vrat do dimelj od sprejema do zdravljenja in zagotovi možnosti za uspešno reševanje. Ugotovitve so objavljene v JAMA Neurology.

Model zdravstvenega varstva z umetno inteligenco za splošno korist

V letu 2023 bo opravljenih tudi veliko dobrih del, ki uporabljajo medicinsko umetno inteligenco za iskanje značilnosti, ki so človeškemu očesu nevidne, iz lažje dostopnih podatkov, kar omogoča univerzalno diagnozo in zgodnje presejanje v velikem obsegu. Na začetku leta je Nature Medicine objavil študije, ki sta jih izvedla Očesni center Zhongshan Univerze Sun Yat-sen in Druga pridružena bolnišnica Medicinske univerze Fujian. Z uporabo pametnih telefonov kot aplikacijskih terminalov so uporabili risane video slike, da bi spodbudili otrokov pogled in posneli otrokovo vedenje pogleda in obrazne poteze, ter nadalje analizirali nenormalne modele z uporabo modelov globokega učenja, da bi uspešno prepoznali 16 očesnih bolezni, vključno s prirojeno katarakto, prirojeno ptozo in prirojenim glavkomom, s povprečno natančnostjo presejanja več kot 85 %. To zagotavlja učinkovito in enostavno popularizirati tehnično sredstvo za obsežno zgodnje presejanje okvare vida pri dojenčkih in z njimi povezanih očesnih bolezni.

Konec leta je Nature Medicine poročal o delu, ki ga je opravilo več kot 10 medicinskih in raziskovalnih ustanov po vsem svetu, vključno s Šanghajskim inštitutom za bolezni trebušne slinavke in Prvo pridruženo bolnišnico Univerze Zhejiang. Avtor je uporabil umetno inteligenco za presejanje raka trebušne slinavke pri asimptomatskih ljudeh v centrih za fizični pregled, bolnišnicah itd., da bi na CT slikah, ki jih je težko zaznati samo s prostim očesom, odkril značilnosti lezij, s čimer bi dosegel učinkovito in neinvazivno zgodnje odkrivanje raka trebušne slinavke. Pri pregledu podatkov več kot 20.000 bolnikov je model odkril tudi 31 primerov klinično spregledanih lezij, kar je znatno izboljšalo klinične izide.

Deljenje medicinskih podatkov

Leta 2023 se je po svetu pojavilo veliko več popolnih mehanizmov za izmenjavo podatkov in uspešnih primerov, ki zagotavljajo sodelovanje med več središči in odprtost podatkov pod predpostavko varovanja zasebnosti in varnosti podatkov.

Najprej so raziskovalci umetne inteligence s pomočjo same tehnologije umetne inteligence prispevali k izmenjavi medicinskih podatkov. Qi Chang in drugi z Univerze Rutgers v Združenih državah Amerike so objavili članek v reviji Nature Communications, v katerem predlagajo zvezni učni okvir DSL, ki temelji na porazdeljenih sintetičnih adverzarnih omrežjih in uporablja generativno umetno inteligenco za učenje specifičnih generiranih podatkov iz več centrov, nato pa nadomesti dejanske podatke iz več centrov z generiranimi podatki. Zagotoviti je treba učenje umetne inteligence na podlagi velikih podatkov iz več centrov, hkrati pa zaščititi zasebnost podatkov. Ista ekipa je dala v odprtokodno kodo tudi nabor generiranih patoloških slik in njihove ustrezne opombe. Model segmentacije, usposobljen na generiranem naboru podatkov, lahko doseže podobne rezultate kot dejanski podatki.

Ekipa Dai Qionghai z Univerze Tsinghua je objavila članek o npj Digital Health, v katerem predlaga relejno učenje, ki uporablja velike podatke z več lokacij za učenje modelov umetne inteligence pod predpostavko lokalne podatkovne suverenosti in brez omrežnih povezav med lokacijami. To uravnoteži varnost podatkov in zasebnost s prizadevanjem za učinkovitost umetne inteligence. Ista ekipa je nato v sodelovanju s Prvo pridruženo bolnišnico Medicinske univerze Guangzhou in 24 bolnišnicami po vsej državi skupaj razvila in potrdila CAIMEN, sistem za diagnosticiranje pan-mediastinalnih tumorjev prsnega koša s CT-jem, ki temelji na zveznem učenju. Sistem, ki ga je mogoče uporabiti za 12 pogostih mediastinalnih tumorjev, je dosegel 44,9 odstotka boljšo natančnost, ko ga je uporabljal samostojno, kot ko so ga uporabljali samo človeški strokovnjaki, in 19 odstotkov boljšo natančnost diagnoze, ko so mu pomagali človeški strokovnjaki.

Po drugi strani pa poteka več pobud za izgradnjo varnih, globalnih in obsežnih naborov medicinskih podatkov. Novembra 2023 so Agustina Saenz in drugi z oddelka za biomedicinsko informatiko na medicinski fakulteti Harvard v spletni reviji Lancet Digital Health objavili globalni okvir za izmenjavo podatkov medicinskih slik, imenovan Podatki umetne inteligence za vse zdravstvene storitve (MAIDA). Sodelujejo z zdravstvenimi organizacijami po vsem svetu, da bi zagotovili celovite smernice o zbiranju podatkov in anonimizaciji, pri čemer uporabljajo predlogo ameriškega zveznega demonstracijskega partnerja (FDP) za standardizacijo izmenjave podatkov. Načrtujejo postopno objavljanje naborov podatkov, zbranih v različnih regijah in kliničnih okoljih po vsem svetu. Prvi nabor podatkov naj bi bil objavljen v začetku leta 2024, z razširitvijo partnerstva pa jih bo sledilo še več. Projekt je pomemben poskus izgradnje globalnega, obsežnega in raznolikega nabora javno dostopnih podatkov o umetni inteligenci.

Po predlogu je britanska biobanka postavila zgled. Britanska biobanka je 30. novembra objavila nove podatke iz celotnega sekvenciranja genoma svojih 500.000 udeležencev. Podatkovna baza, ki objavlja celotno zaporedje genoma vsakega od 500.000 britanskih prostovoljcev, je največja popolna podatkovna baza človeškega genoma na svetu. Raziskovalci po vsem svetu lahko zahtevajo dostop do teh anonimiziranih podatkov in jih uporabijo za preučevanje genetske osnove zdravja in bolezni. Genetski podatki so bili v preteklosti vedno zelo občutljivi za preverjanje, ta zgodovinski dosežek britanske biobanke pa dokazuje, da je mogoče zgraditi odprto in zasebnostno varno globalno podatkovno bazo obsežnih podatkov. S to tehnologijo in podatkovno bazo bo medicinska umetna inteligenca zagotovo prinesla naslednji preskok.

Preverjanje in vrednotenje medicinske umetne inteligence

V primerjavi s hitrim razvojem same tehnologije medicinske umetne inteligence je razvoj preverjanja in vrednotenja medicinske umetne inteligence nekoliko počasen. Validacija in vrednotenje na splošnem področju umetne inteligence pogosto ignorirata dejanske potrebe zdravnikov in pacientov po umetni inteligenci. Tradicionalna randomizirana kontrolirana klinična preskušanja so preveč zahtevna, da bi se kosala s hitrim ponavljanjem orodij umetne inteligence. Čim prejšnja izboljšava sistema preverjanja in vrednotenja, primernega za orodja medicinske umetne inteligence, je najpomembnejša stvar za spodbujanje medicinske umetne inteligence, da resnično preskoči raziskave in razvoj v klinično prakso.

V Googlovi raziskovalni nalogi o Med-PaLM, objavljeni v reviji Nature, je ekipa objavila tudi primerjalno merilo za ocenjevanje MultiMedQA, ki se uporablja za ocenjevanje sposobnosti modelov velikih jezikov za pridobivanje kliničnega znanja. Primerjalno merilo združuje šest obstoječih naborov podatkov o profesionalnih medicinskih vprašanjih in odgovorih, ki zajemajo profesionalno medicinsko znanje, raziskave in druge vidike, ter spletni nabor podatkov o medicinskih vprašanjih, ki upošteva spletna vprašanja in odgovore med zdravnikom in pacientom, in poskuša umetno inteligenco usposobiti za kvalificiranega zdravnika z več vidikov. Poleg tega ekipa predlaga okvir, ki temelji na človeški oceni in upošteva več dimenzij dejstev, razumevanja, sklepanja in morebitne pristranskosti. To je eno najbolj reprezentativnih raziskovalnih prizadevanj za oceno umetne inteligence v zdravstvu, objavljeno letos.

Vendar, ali dejstvo, da modeli z velikimi jeziki kažejo visoko raven kodiranja kliničnega znanja, pomeni, da so modeli z velikimi jeziki kompetentni za klinične naloge v resničnem svetu? Tako kot študent medicine, ki opravi izpit za strokovnega zdravnika z odličnim rezultatom, še vedno ni samostojni glavni zdravnik, tudi merila za ocenjevanje, ki jih predlaga Google, morda niso popoln odgovor na temo ocenjevanja medicinske umetne inteligence za modele umetne inteligence. Že v letih 2021 in 2022 so raziskovalci predlagali smernice za poročanje, kot so Decid-AI, SPIRIT-AI in INTRPRT, v upanju, da bodo vodile zgodnji razvoj in validacijo medicinske umetne inteligence pod pogojem, da se upoštevajo dejavniki, kot so klinična praktičnost, varnost, človeški dejavniki in preglednost/razumljivost. Pred kratkim je revija Nature Medicine objavila študijo raziskovalcev z univerze Oxford in univerze Stanford o tem, ali naj se za validacijo orodij umetne inteligence uporablja »zunanja validacija« ali »ponavljajoča se lokalna validacija«.

Nepristranskost orodij umetne inteligence je prav tako pomembna smer evalvacije, ki je letos deležna pozornosti tako v člankih revij Science kot tudi v člankih revije NEJM. Umetna inteligenca pogosto kaže pristranskost, ker je omejena na podatke za učenje. Ta pristranskost lahko odraža družbeno neenakost, ki se nato razvije v algoritmično diskriminacijo. Nacionalni inštituti za zdravje so pred kratkim začeli pobudo Bridge2AI, katere stroški so ocenjeni na 130 milijonov dolarjev, za izgradnjo raznolikih naborov podatkov (v skladu s cilji zgoraj omenjene pobude MAIDA), ki jih je mogoče uporabiti za potrditev nepristranskosti medicinskih orodij umetne inteligence. MultiMedQA teh vidikov ne upošteva. Vprašanje, kako meriti in validirati modele medicinske umetne inteligence, še vedno potrebuje obsežno in poglobljeno razpravo.

Januarja je revija Nature Medicine objavila mnenjski članek z naslovom »Naslednja generacija medicine, ki temelji na dokazih«, avtorja Viveka Subbiaha z Univerze v Teksasu, v katerem je pregledal omejitve kliničnih preskušanj, ki so se pojavile v kontekstu pandemije COVID-19, in opozoril na protislovje med inovacijami in upoštevanjem kliničnega raziskovalnega procesa. Nazadnje pa poudarja tudi prihodnost prestrukturiranja kliničnih preskušanj – naslednjo generacijo kliničnih preskušanj z uporabo umetne inteligence, torej uporabo umetne inteligence iz velikega števila zgodovinskih raziskovalnih podatkov, podatkov iz resničnega sveta, multimodalnih kliničnih podatkov in podatkov nosljivih naprav za iskanje ključnih dokazov. Ali to pomeni, da se bosta tehnologija umetne inteligence in postopki klinične validacije z umetno inteligenco v prihodnosti morda medsebojno krepila in sočasno razvijala? To je odprto in miselno spodbudno vprašanje leta 2023.

Regulacija medicinske umetne inteligence

Napredek tehnologije umetne inteligence predstavlja tudi izzive za regulacijo umetne inteligence, oblikovalci politik po vsem svetu pa se na to odzivajo previdno in preudarno. Leta 2019 je FDA prvič objavila Predlog regulativnega okvira za spremembe programske opreme medicinskih pripomočkov z umetno inteligenco (osnutek za razpravo), v katerem je podrobno opisala svoj potencialni pristop k pregledu umetne inteligence in sprememb programske opreme, ki jih poganja strojno učenje, pred dajanjem na trg. Leta 2021 je FDA predlagala »Akcijski načrt za programsko opremo, ki temelji na umetni inteligenci/strojnem učenju, kot medicinski pripomoček«, ki je pojasnil pet specifičnih ukrepov za regulacijo umetne inteligence v medicini. Letos je FDA ponovno izdala Predprodajno predložitev za funkcije programske opreme naprave, da bi zagotovila informacije o priporočilih za predprodajno predložitev za oceno FDA varnosti in učinkovitosti funkcij programske opreme naprave, vključno z nekaterimi funkcijami programske opreme naprave, ki uporabljajo modele strojnega učenja, usposobljene z metodami strojnega učenja. Regulativna politika FDA se je razvila iz začetnega predloga v praktične smernice.

Po objavi Evropskega prostora zdravstvenih podatkov julija lani je EU ponovno sprejela Zakon o umetni inteligenci. Prvi si prizadeva za čim boljšo uporabo zdravstvenih podatkov za zagotavljanje visokokakovostnega zdravstvenega varstva, zmanjšanje neenakosti in podporo podatkov za preprečevanje, diagnosticiranje, zdravljenje, znanstvene inovacije, odločanje in zakonodajo, hkrati pa zagotavlja, da imajo državljani EU večji nadzor nad svojimi osebnimi zdravstvenimi podatki. Drugi jasno kaže, da je sistem medicinske diagnoze sistem umetne inteligence z visokim tveganjem in da mora sprejeti ciljno usmerjen strog nadzor, nadzor celotnega življenjskega cikla in nadzor pred evalvacijo. Evropska agencija za zdravila (EMA) je objavila osnutek dokumenta za razmislek o uporabi umetne inteligence za podporo razvoju, regulaciji in uporabi zdravil, s poudarkom na izboljšanju verodostojnosti umetne inteligence za zagotovitev varnosti pacientov in integritete rezultatov kliničnih raziskav. Na splošno se regulativni pristop EU postopoma oblikuje, končne podrobnosti izvajanja pa bodo morda bolj podroben in strog. V ostrem nasprotju s strogo regulacijo EU britanski regulativni načrt za umetno inteligenco jasno kaže, da vlada načrtuje mehkejši pristop in zaenkrat ne bo sprejemala novih zakonov ali ustanavljala novih regulatorjev.

Na Kitajskem je Center za tehnični pregled medicinskih pripomočkov (NMPA) pri Nacionalni upravi za medicinske izdelke že izdal dokumente, kot so »Točke pregleda programske opreme za poglobljeno učenje s pomočjo pri odločanju«, »Vodilna načela za pregled registracije medicinskih pripomočkov z umetno inteligenco (osnutek za komentar)« in »Okrožnica o vodilnih načelih za razvrščanje in opredelitev izdelkov medicinske programske opreme z umetno inteligenco (št. 47 iz leta 2021)«. Letos je bil ponovno objavljen »Povzetek rezultatov prve klasifikacije medicinskih pripomočkov v letu 2023«. Ta serija dokumentov jasno in enostavno določa definicijo, klasifikacijo in regulacijo medicinskih programskih izdelkov z umetno inteligenco ter zagotavlja jasne smernice za strategije pozicioniranja in registracije izdelkov različnih podjetij v industriji. Ti dokumenti zagotavljajo okvir in upravljavske odločitve za znanstveno regulacijo medicinskih pripomočkov z umetno inteligenco. Veselimo se, da bo dnevni red kitajske konference o umetni inteligenci v medicini, ki bo potekala od 21. do 23. decembra v Hangzhouu, ustanovil poseben forum o digitalnem upravljanju medicine in visokokakovostnem razvoju javnih bolnišnic ter forum za razvoj industrije standardizacije tehnologije testiranja in vrednotenja medicinskih pripomočkov z umetno inteligenco. Takrat se bodo srečanja udeležili uradniki Nacionalne komisije za razvoj in reforme ter NMPA, ki bodo morda objavili nove informacije.

Zaključek

Leta 2023 se je medicinska umetna inteligenca začela vključevati v celoten medicinski proces navzgor in navzdol, ki zajema zbiranje podatkov v bolnišnicah, združevanje, analizo, diagnozo in zdravljenje ter presejalne preglede v skupnosti, in organsko sodeluje z zdravstvenimi delavci/delavci za obvladovanje bolezni, kar kaže na potencial za izboljšanje zdravja ljudi. Uporabne raziskave na področju medicinske umetne inteligence se začenjajo kazati. V prihodnosti napredek medicinske umetne inteligence ne bo odvisen le od samega tehnološkega razvoja, temveč bo potreboval tudi polno sodelovanje industrije, univerz in medicinskih raziskav ter podporo oblikovalcev politik in regulatorjev. To medsektorsko sodelovanje je ključ do doseganja zdravstvenih storitev, integriranih z umetno inteligenco, in bo zagotovo spodbudilo razvoj zdravja ljudi.