správy

Odkedy IBM Watson vznikol v roku 2007, ľudstvo neustále vyvíja umelú inteligenciu (AI) v medicíne. Použiteľný a výkonný systém umelej inteligencie v medicíne má obrovský potenciál zmeniť všetky aspekty modernej medicíny, umožniť inteligentnejšiu, presnejšiu, efektívnejšiu a inkluzívnejšiu starostlivosť, priniesť blaho zdravotníckym pracovníkom a pacientom a tým výrazne zlepšiť ľudské zdravie. Hoci sa za posledných 16 rokov nahromadili výskumníci v oblasti umelej inteligencie v rôznych malých oblastiach, v tejto fáze ešte nedokázali premeniť sci-fi na realitu.

Tento rok, s revolučným rozvojom technológie umelej inteligencie, ako je ChatGPT, dosiahla lekárska umelá inteligencia v mnohých aspektoch veľký pokrok. Bezprecedentný prielom v schopnostiach lekárskej umelej inteligencie: Časopis Nature neustále spúšťa výskum modelu rozsiahleho lekárskeho jazyka a základného modelu lekárskeho obrazu; Google vydáva Med-PaLM a jeho nástupcu, čím dosahuje expertnú úroveň v otázkach skúšky US Medical Practitioner. Hlavné akademické časopisy sa zamerajú na lekársku umelú inteligenciu: Nature zverejňuje pohľad na základný model všeobecnej lekárskej umelej inteligencie; Po sérii recenzií umelej inteligencie v medicíne začiatkom tohto roka publikoval New England Journal of Medicine (NEJM) 30. novembra svoju prvú recenziu digitálneho zdravia a 12. decembra vydal prvé číslo podčasopisu NEJM s názvom NEJM AI. Pôda pre lekársku umelú inteligenciu je ďalej zrelšia: Podčasopis JAMA publikoval globálnu iniciatívu zdieľania údajov z lekárskych obrazov; Americký Úrad pre kontrolu potravín a liečiv (FDA) vypracováva návrh usmernení pre reguláciu lekárskej umelej inteligencie.

Nižšie uvádzame prehľad významného pokroku, ktorý výskumníci na celom svete dosiahli v roku 2023 smerom k použiteľnej lekárskej umelej inteligencii.

Základný model lekárskej umelej inteligencie

Konštrukcia základného modelu lekárskej umelej inteligencie je nepochybne najhorúcejšou oblasťou výskumu tohto roka. Časopisy Nature v priebehu roka publikovali recenzné články o univerzálnom základnom modeli zdravotnej starostlivosti a modeli zdravotnej starostlivosti vo veľkých jazykoch. Medical Image Analysis, popredný časopis v tomto odvetví, zhodnotil a tešil sa na výzvy a príležitosti výskumu základných modelov v analýze lekárskych obrazov a navrhol koncept „rodokmeňa základného modelu“ na zhrnutie a usmernenie vývoja výskumu základných modelov lekárskej umelej inteligencie. Budúcnosť základných modelov umelej inteligencie pre zdravotnú starostlivosť je čoraz jasnejšia. Výskumníci v oblasti lekárskej umelej inteligencie sa snažia vytvoriť 1) základné modely špecifické pre dané ochorenie, 2) všeobecné základné modely a 3) multimodálne rozsiahle modely, ktoré integrujú širokú škálu režimov s masívnymi parametrami a vynikajúcimi schopnosťami.

Model umelej inteligencie pre získavanie lekárskych údajov

Okrem rozsiahlych modelov umelej inteligencie, ktoré zohrávajú dôležitú úlohu v úlohách analýzy klinických údajov v následných fázach, sa v rámci získavania klinických údajov v predchádzajúcich fázach objavila aj technológia reprezentovaná generatívnymi modelmi umelej inteligencie. Algoritmy umelej inteligencie môžu výrazne zlepšiť proces, rýchlosť a kvalitu získavania údajov.

Začiatkom tohto roka publikovala spoločnosť Nature Biomedical Engineering štúdiu tureckej Straits University, ktorá sa zamerala na využitie generatívnej umelej inteligencie na riešenie problému patologickej diagnostiky pomocou zobrazovania v klinických aplikáciách. Artefakty v tkanive zmrazených rezov počas operácie sú prekážkou rýchleho diagnostického vyhodnotenia. Hoci tkanivo zaliate vo formalíne a parafíne (FFPE) poskytuje vzorku vyššej kvality, jeho výrobný proces je časovo náročný a často trvá 12 – 48 hodín, čo ho robí nevhodným na použitie v chirurgii. Výskumný tím preto navrhol algoritmus s názvom AI-FFPE, ktorý dokáže vzhľad tkaniva v zmrazenom reze priblížiť k FFPE. Algoritmus úspešne opravil artefakty zmrazených rezov, zlepšil kvalitu obrazu a zároveň zachoval klinicky relevantné vlastnosti. Pri klinickej validácii algoritmus AI-FFPE výrazne zlepšuje diagnostickú presnosť patológov pre podtypy nádorov a zároveň výrazne skracuje čas klinickej diagnózy.

Časopis Cell Reports Medicine informuje o výskumnej práci tímu z Tretej klinickej fakulty Univerzity Jilin, Rádiologického oddelenia, Nemocnice Zhongshan pridruženej k Univerzite Fudan a Šanghajskej univerzity vedy a techniky [25]. Táto štúdia navrhuje univerzálny rámec pre hlboké učenie a iteratívnu rekonštrukciu (Hybrid DL-IR) s vysokou všestrannosťou a flexibilitou, ktorý vykazuje vynikajúci výkon rekonštrukcie obrazu pri rýchlej MRI, CT s nízkou dávkou žiarenia a rýchlom PET. Algoritmus dokáže dosiahnuť viacsekvenčné skenovanie jedného orgánu v MR za 100 sekúnd, znížiť dávku žiarenia iba na 10 % CT obrazu, eliminovať šum a dokáže rekonštruovať malé lézie z PET snímok s 2 až 4-násobným zrýchlením a zároveň znížiť vplyv artefaktov pohybu.

Lekárska umelá inteligencia v spolupráci so zdravotníckymi pracovníkmi

Rýchly rozvoj medicínskej umelej inteligencie viedol aj zdravotníckych pracovníkov k vážnemu zváženiu a preskúmaniu možností spolupráce s umelou inteligenciou na zlepšení klinických procesov. V júli tohto roku spoločnosť DeepMind a multiinštitucionálny výskumný tím spoločne navrhli systém umelej inteligencie s názvom Complementary Driven Clinical Workflow Delay (CoDoC). Diagnostický proces je najprv diagnostikovaný prediktívnym systémom umelej inteligencie, potom je posúdený iným systémom umelej inteligencie na základe predchádzajúceho výsledku a v prípade pochybností diagnózu nakoniec stanoví klinický lekár, aby sa zlepšila presnosť diagnostiky a vyvážila efektívnosť. Pokiaľ ide o skríning rakoviny prsníka, CoDoC znížil mieru falošne pozitívnych výsledkov o 25 % pri rovnakej miere falošne negatívnych výsledkov a zároveň znížil pracovnú záťaž klinického lekára o 66 % v porovnaní so súčasným procesom „dvojitého čítania arbitrácie“ v Spojenom kráľovstve. Pokiaľ ide o klasifikáciu tuberkulózy, miera falošne pozitívnych výsledkov sa znížila o 5 až 15 percent pri rovnakej miere falošne negatívnych výsledkov v porovnaní s nezávislou umelou inteligenciou a klinickými pracovnými postupmi.

Podobne Annie Y. Ng a kol. zo spoločnosti Kheiron Company v Londýne v Spojenom kráľovstve zaviedli ďalšie čítačky s umelou inteligenciou (v spolupráci s ľudskými examinátormi) na opätovné preskúmanie výsledkov, keď v procese arbitráže dvojitého čítania neboli zistené žiadne výsledky z opakovaného čítania, čo zlepšilo problém zmeškanej detekcie pri včasnom skríningu rakoviny prsníka a proces nemal takmer žiadne falošne pozitívne výsledky. Ďalšia štúdia, vedená tímom na Lekárskej fakulte McGovern University of Texas a dokončená v štyroch centrách pre mozgovú príhodu, aplikovala technológiu umelej inteligencie založenú na počítačovej tomografii (CTA) na automatizáciu detekcie rozsiahlej vaskulárnej okluzívnej ischemickej cievnej mozgovej príhody (LVO). Lekári a rádiológovia dostávajú upozornenia v reálnom čase na svoje mobilné telefóny do niekoľkých minút od dokončenia CT zobrazovania, ktoré ich informujú o možnej prítomnosti LVO. Tento proces umelej inteligencie zlepšuje pracovné postupy v nemocniciach pri akútnej ischemickej cievnej mozgovej príhode, skracuje čas od prijatia do liečby od dverí po slabiny a poskytuje príležitosti na úspešnú záchranu. Zistenia sú publikované v časopise JAMA Neurology.

Model zdravotnej starostlivosti s umelou inteligenciou pre univerzálny úžitok

V roku 2023 sa uskutoční aj veľa dobrých prác, ktoré využívajú lekársku umelú inteligenciu na vyhľadávanie prvkov, ktoré sú pre ľudské oko neviditeľné, z ľahšie dostupných údajov, čo umožní univerzálnu diagnostiku a včasný skríning vo veľkom meradle. Začiatkom roka publikovala spoločnosť Nature Medicine štúdie, ktoré vypracovalo Očné centrum Zhongshan Univerzity Sun Yat-sena a Druhá pridružená nemocnica Lekárskej univerzity Fujian. Pomocou smartfónov ako aplikačných terminálov použili videozáznamy podobné kresleným filmom na vyvolanie pohľadu detí a zaznamenanie správania sa pohľadu detí a črt tváre a ďalej analyzovali abnormálne modely pomocou modelov hlbokého učenia, aby úspešne identifikovali 16 očných ochorení vrátane vrodeného šedého zákalu, vrodenej ptózy a vrodeného glaukómu s priemernou presnosťou skríningu viac ako 85 %. To poskytuje efektívne a ľahko popularizovateľné technické prostriedky na rozsiahly včasný skríning porúch zrakových funkcií u dojčiat a súvisiacich očných ochorení.

Koncom roka časopis Nature Medicine informoval o práci viac ako 10 lekárskych a výskumných inštitúcií po celom svete vrátane Šanghajského inštitútu pankreatických ochorení a Prvej pridruženej nemocnice Univerzity Zhejiang. Autor aplikoval umelú inteligenciu na skríning rakoviny pankreasu u asymptomatických ľudí v centrách fyzikálneho vyšetrenia, nemocniciach atď. na detekciu znakov lézií na snímkach CT vyšetrenia, ktoré je ťažké zistiť voľným okom, a tým dosiahnuť efektívnu a neinvazívnu včasnú detekciu rakoviny pankreasu. Pri preskúmaní údajov od viac ako 20 000 pacientov model identifikoval aj 31 prípadov klinicky prehliadnutých lézií, čo výrazne zlepšilo klinické výsledky.

Zdieľanie lekárskych údajov

V roku 2023 sa na celom svete objavilo mnoho ďalších dokonalých mechanizmov zdieľania údajov a úspešných prípadov, ktoré zabezpečujú spoluprácu viacerých centier a otvorenosť údajov pod predpokladom ochrany súkromia a bezpečnosti údajov.

Po prvé, s pomocou samotnej technológie umelej inteligencie (AI) výskumníci v oblasti AI prispeli k zdieľaniu lekárskych údajov. Qi Chang a ďalší z Rutgers University v Spojených štátoch publikovali článok v Nature Communications, v ktorom navrhli federálny vzdelávací rámec DSL založený na distribuovaných syntetických adverzárnych sieťach, ktorý využíva generatívnu AI na trénovanie špecifických generovaných údajov z multicentier a potom nahrádza skutočné údaje z multicentier vygenerovanými údajmi. Zabezpečuje trénovanie AI založené na veľkých dátach z multicentier a zároveň chráni súkromie údajov. Ten istý tím tiež sprístupnil súbor údajov vygenerovaných patologických obrázkov a ich zodpovedajúcich anotácií ako otvorený zdrojový kód. Model segmentácie trénovaný na vygenerovanom súbore údajov môže dosiahnuť podobné výsledky ako skutočné údaje.

Tím Dai Qionghai z Univerzity Tsinghua publikoval článok o npj Digital Health, v ktorom navrhol Relay Learning, ktorý využíva big data z viacerých lokalít na trénovanie modelov umelej inteligencie za predpokladu lokálnej dátovej suverenity a absencie sieťového pripojenia medzi lokalitami. Vyvažuje obavy o bezpečnosť údajov a súkromie so snahou o výkon umelej inteligencie. Ten istý tím následne spoločne vyvinul a validoval CAIMEN, systém diagnostiky panmediastinálnych nádorov hrudníka pomocou CT založený na federálnom učení, v spolupráci s Prvou pridruženou nemocnicou Lekárskej univerzity v Guangzhou a 24 nemocnicami po celej krajine. Systém, ktorý možno použiť na 12 bežných mediastinálnych nádorov, dosiahol o 44,9 percenta lepšiu presnosť pri samostatnom použití ako pri použití iba ľudskými expertmi a o 19 percent lepšiu presnosť diagnostiky, keď mu asistovali ľudskí experti.

Na druhej strane prebieha niekoľko iniciatív na vybudovanie bezpečných, globálnych a rozsiahlych súborov lekárskych údajov. V novembri 2023 Agustina Saenz a ďalší z Katedry biomedicínskej informatiky na Harvardskej lekárskej fakulte publikovali online v časopise Lancet Digital Health globálny rámec pre zdieľanie údajov z lekárskych obrazov s názvom Údaje z umelej inteligencie pre všetku zdravotnú starostlivosť (MAIDA). Spolupracujú so zdravotníckymi organizáciami na celom svete na poskytovaní komplexných usmernení o zbere údajov a anonymizácii s využitím šablóny amerického federálneho demonštračného partnera (FDP) na štandardizáciu zdieľania údajov. Plánujú postupne zverejňovať súbory údajov zhromaždené v rôznych regiónoch a klinických prostrediach po celom svete. Prvý súbor údajov by mal byť zverejnený začiatkom roka 2024 a ďalšie budú pribúdať s rozširovaním partnerstva. Projekt je dôležitým pokusom o vybudovanie globálneho, rozsiahleho a rozmanitého súboru verejne dostupných údajov o umelej inteligencii.

V nadväznosti na tento návrh sa britská biobanka vydala príkladom. Britská biobanka 30. novembra zverejnila nové údaje zo sekvenovania celého genómu svojich 500 000 účastníkov. Databáza, ktorá publikuje kompletnú sekvenciu genómu každého z 500 000 britských dobrovoľníkov, je najväčšou kompletnou databázou ľudského genómu na svete. Výskumníci z celého sveta môžu požiadať o prístup k týmto anonymizovaným údajom a použiť ich na skúmanie genetického základu zdravia a chorôb. Genetické údaje boli v minulosti vždy veľmi citlivé na overenie a tento historický úspech britskej biobanky dokazuje, že je možné vybudovať otvorenú a globálnu rozsiahlu databázu bez ochrany súkromia. S touto technológiou a databázou lekárska umelá inteligencia určite prinesie ďalší skok.

Overovanie a hodnotenie lekárskej umelej inteligencie

V porovnaní s rýchlym rozvojom samotnej technológie lekárskej umelej inteligencie je vývoj overovania a hodnotenia lekárskej umelej inteligencie mierne pomalý. Validácia a hodnotenie vo všeobecnej oblasti umelej inteligencie často ignorujú skutočné požiadavky lekárov a pacientov na umelú inteligenciu. Tradičné randomizované kontrolované klinické štúdie sú príliš prácne na to, aby sa vyrovnali rýchlej iterácii nástrojov umelej inteligencie. Najdôležitejšie je čo najskôr zlepšiť systém overovania a hodnotenia vhodný pre nástroje umelej inteligencie v medicíne a podporiť tak medicínsku umelú inteligenciu, aby skutočne preskočila výskum a vývoj do klinickej praxe.

Vo výskumnej práci spoločnosti Google o Med-PaLM, publikovanej v časopise Nature, tím tiež publikoval hodnotiaci benchmark MultiMedQA, ktorý sa používa na posúdenie schopnosti modelov s rozsiahlymi jazykmi získavať klinické znalosti. Benchmark kombinuje šesť existujúcich profesionálnych súborov lekárskych otázok a odpovedí, ktoré pokrývajú profesionálne lekárske znalosti, výskum a ďalšie aspekty, ako aj online vyhľadávací súbor databázy lekárskych otázok, ktorý zohľadňuje online otázky a odpovede medzi lekárom a pacientom a snaží sa z umelej inteligencie vyškoliť kvalifikovaného lekára z mnohých hľadísk. Tím navyše navrhuje rámec založený na ľudskom hodnotení, ktorý zohľadňuje viacero rozmerov faktov, porozumenia, uvažovania a možnej skreslenosti. Ide o jeden z najreprezentatívnejších výskumných projektov zameraných na hodnotenie umelej inteligencie v zdravotníctve publikovaných tento rok.

Znamená však skutočnosť, že modely vo veľkých jazykoch vykazujú vysokú úroveň kódovania klinických znalostí, že modely vo veľkých jazykoch sú kompetentné pre klinické úlohy v reálnom svete? Rovnako ako študent medicíny, ktorý úspešne absolvuje skúšku odborného lekára s perfektným skóre, je stále ďaleko od samostatného hlavného lekára, hodnotiace kritériá navrhované spoločnosťou Google nemusia byť dokonalou odpoveďou na tému hodnotenia modelov umelej inteligencie v medicíne. Už v rokoch 2021 a 2022 výskumníci navrhli smernice pre podávanie správ, ako napríklad Decid-AI, SPIRIT-AI a INTRPRT, v nádeji, že usmernia skorý vývoj a validáciu lekárskej umelej inteligencie za podmienky zohľadnenia faktorov, ako je klinická praktickosť, bezpečnosť, ľudské faktory a transparentnosť/interpretovateľnosť. Nedávno časopis Nature Medicine publikoval štúdiu výskumníkov z Oxfordskej univerzity a Stanfordskej univerzity o tom, či na validáciu nástrojov umelej inteligencie použiť „externú validáciu“ alebo „opakujúcu sa lokálnu validáciu“.

Nestranná povaha nástrojov umelej inteligencie je tiež dôležitým smerom hodnotenia, ktorému sa tento rok venovala pozornosť v článkoch v časopisoch Science aj NEJM. Umelá inteligencia často vykazuje skreslenie, pretože je obmedzená na tréningové dáta. Toto skreslenie môže odrážať sociálnu nerovnosť, ktorá sa ďalej vyvíja do algoritmickej diskriminácie. Národné inštitúty zdravia nedávno spustili iniciatívu Bridge2AI, ktorej náklady sa odhadujú na 130 miliónov dolárov, s cieľom vytvoriť rôznorodé súbory údajov (v súlade s cieľmi vyššie uvedenej iniciatívy MAIDA), ktoré možno použiť na overenie neskreslenosti nástrojov umelej inteligencie v medicíne. Tieto aspekty MultiMedQA nezohľadňuje. Otázka, ako merať a overovať modely umelej inteligencie v medicíne, si stále vyžaduje rozsiahlu a hĺbkovú diskusiu.

V januári publikoval časopis Nature Medicine článok s názvom „Ďalšia generácia medicíny založenej na dôkazoch“ od Viveka Subbiaha z University of Texas MD Anderson Cancer Center, v ktorom skúma obmedzenia klinických skúšok odhalené v kontexte pandémie COVID-19 a poukazuje na rozpor medzi inováciou a dodržiavaním klinického výskumného procesu. Napokon poukazuje na budúcnosť reštrukturalizácie klinických skúšok – ďalšiu generáciu klinických skúšok využívajúcich umelú inteligenciu, teda využitie umelej inteligencie z veľkého množstva historických výskumných údajov, údajov z reálneho sveta, multimodálnych klinických údajov a údajov z nositeľných zariadení na nájdenie kľúčových dôkazov. Znamená to, že technológia umelej inteligencie a procesy klinickej validácie umelej inteligencie sa môžu v budúcnosti vzájomne posilňovať a spoločne vyvíjať? Toto je otvorená a podnetná otázka roku 2023.

Regulácia lekárskej umelej inteligencie

Pokrok v technológii umelej inteligencie predstavuje aj výzvy pre reguláciu umelej inteligencie a tvorcovia politík na celom svete na ne reagujú opatrne a starostlivo. V roku 2019 FDA prvýkrát zverejnil Návrh regulačného rámca pre softvérové ​​zmeny zdravotníckych pomôcok s umelou inteligenciou (diskusný návrh), v ktorom podrobne opísal svoj potenciálny prístup k predmarketovému preskúmaniu úprav softvéru riadeného umelou inteligenciou a strojovým učením. V roku 2021 FDA navrhol „Akčný plán pre softvér založený na umelej inteligencii/strojovom učení ako zdravotnícku pomôcku“, ktorý objasnil päť konkrétnych regulačných opatrení pre medicínske zariadenia zamerané na umelú inteligenciu. Tento rok FDA opätovne vydal Predmarketové podanie pre funkcie softvéru zariadenia, aby poskytol informácie o odporúčaniach pre predmarketové podanie na hodnotenie bezpečnosti a účinnosti funkcií softvéru zariadenia zo strany FDA vrátane niektorých funkcií softvéru zariadenia, ktoré používajú modely strojového učenia trénované metódami strojového učenia. Regulačná politika FDA sa vyvinula z počiatočného návrhu na praktické usmernenie.

Po zverejnení Európskeho priestoru zdravotníckych údajov v júli minulého roka EÚ opäť prijala zákon o umelej inteligencii. Cieľom prvého z nich je čo najlepšie využiť zdravotné údaje na poskytovanie vysokokvalitnej zdravotnej starostlivosti, zníženie nerovností a podporu údajov na prevenciu, diagnostiku, liečbu, vedecké inovácie, rozhodovanie a legislatívu a zároveň zabezpečiť, aby občania EÚ mali väčšiu kontrolu nad svojimi osobnými zdravotnými údajmi. Druhý zákon jasne uvádza, že systém lekárskej diagnostiky je vysoko rizikový systém umelej inteligencie a musí prijať cielený prísny dohľad, dohľad nad celým životným cyklom a dohľad pred hodnotením. Európska agentúra pre lieky (EMA) zverejnila návrh diskusného dokumentu o používaní umelej inteligencie na podporu vývoja, regulácie a používania liekov s dôrazom na zlepšenie dôveryhodnosti umelej inteligencie s cieľom zabezpečiť bezpečnosť pacientov a integritu výsledkov klinického výskumu. Celkovo sa regulačný prístup EÚ postupne formuje a konečné implementačné detaily môžu byť podrobnejšie a prísnejšie. V ostrom kontraste s prísnou reguláciou EÚ britský regulačný plán pre umelú inteligenciu jasne uvádza, že vláda plánuje zvoliť mierny prístup a zatiaľ neprijímať nové zákony ani nezriaďovať nové regulačné orgány.

V Číne Centrum pre technické preskúmanie zdravotníckych pomôcok (NMPA) Národného úradu pre zdravotnícke výrobky už predtým vydalo dokumenty, ako napríklad „Body preskúmania softvéru na asistované rozhodovanie s hlbokým učením“, „Základné zásady pre registračné preskúmanie zdravotníckych pomôcok s umelou inteligenciou (návrh na pripomienkovanie)“ a „Obežník o základných zásadách pre klasifikáciu a definíciu softvérových produktov s umelou inteligenciou pre zdravotnícke výrobky (č. 47 v roku 2021)“. Tento rok bolo opäť zverejnené „Zhrnutie výsledkov prvej klasifikácie zdravotníckych pomôcok za rok 2023“. Táto séria dokumentov sprehľadňuje a uľahčuje používanie softvérových produktov pre zdravotnícke pomôcky s umelou inteligenciou a poskytuje jasné usmernenia pre stratégie umiestňovania a registrácie produktov rôznych podnikov v tomto odvetví. Tieto dokumenty poskytujú rámec a riadiace rozhodnutia pre vedeckú reguláciu zdravotníckych pomôcok s umelou inteligenciou v Číne, ktorá sa konala v Chang-čou od 21. do 23. decembra, a je na programe konferencie o umelej inteligencii v medicíne v Číne, ktorá sa konala v Chang-čou od 21. do 23. decembra, bolo zriadené špeciálne fórum pre digitálne riadenie medicíny a vysokokvalitný rozvoj verejných nemocníc a fórum pre rozvoj štandardizácie technológií testovania a hodnotenia zdravotníckych pomôcok s umelou inteligenciou. V tom čase sa stretnutia zúčastnia predstavitelia Národnej rozvojovej a reformnej komisie a NMPA, ktorí môžu zverejniť nové informácie.

Záver

V roku 2023 sa medicínska umelá inteligencia začala integrovať do celého procesu v oblasti medicíny, vrátane zberu údajov z nemocníc, ich fúzie, analýzy, diagnostiky a liečby a skríningu komunity, a organicky spolupracovala s lekárskymi pracovníkmi/pracovníkmi zaoberajúcimi sa kontrolou chorôb, čo ukazuje potenciál priniesť blaho ľudskému zdraviu. Začína sa rozvíjať využiteľný výskum v oblasti medicínskej umelej inteligencie. V budúcnosti bude pokrok v oblasti medicínskej umelej inteligencie závisieť nielen od samotného technologického rozvoja, ale bude si vyžadovať aj plnú spoluprácu priemyslu, univerzít a medicínskeho výskumu a podporu tvorcov politík a regulačných orgánov. Táto medziodborová spolupráca je kľúčom k dosiahnutiu zdravotníckych služieb integrovaných s umelou inteligenciou a určite podporí rozvoj ľudského zdravia.