novaĵoj

Ekde la komenco de IBM Watson en 2007, homoj senĉese okupiĝas pri la disvolviĝo de medicina artefarita inteligenteco (AI). Uzebla kaj potenca medicina AI-sistemo havas grandegan potencialon transformi ĉiujn aspektojn de moderna medicino, ebligante pli inteligentan, pli precizan, efikan kaj inkluzivan zorgadon, alportante bonfarton al medicinaj laborantoj kaj pacientoj, kaj tiel multe plibonigante homan sanon. En la pasintaj 16 jaroj, kvankam esploristoj pri medicina AI amasiĝis en diversaj malgrandaj kampoj, en ĉi tiu stadio ili ankoraŭ ne kapablis realigi sciencfikcion.

Ĉi-jare, kun la revolucia disvolviĝo de AI-teknologio kiel ChatGPT, medicina AI faris grandan progreson en multaj aspektoj. Senprecedenca sukceso en la kapablo de medicina AI: La revuo Nature kontinue lanĉis la esploradon pri medicinaj grandaj lingvaj modeloj kaj bazaj modeloj de medicinaj bildoj; Google publikigas Med-PaLM kaj ĝian posteulon, atingante fakulan nivelon en la usonaj ekzamenaj demandoj por medicinaj kuracistoj. Gravaj akademiaj revuoj fokusiĝos pri medicina AI: Nature publikigas la perspektivon pri la baza modelo de ĝenerala medicina AI; Post serio de recenzoj pri AI en medicino pli frue ĉi-jare, la New England Journal of Medicine (NEJM) publikigis sian unuan ciferecan sanrecenzon la 30-an de novembro, kaj lanĉis la unuan numeron de la NEJM-subrevuo NEJM AI la 12-an de decembro. La surteriĝa grundo por medicina AI plu maturiĝas: La subrevuo JAMA publikigis la tutmondan iniciaton por kunhavigo de medicinaj bildoj; La Usona Administracio pri Nutraĵoj kaj Medikamentoj (FDA) ellaboras skizajn gvidliniojn por la reguligo de medicina AI.

Sube, ni revizias la signifan progreson, kiun esploristoj tra la mondo faris en la direkto de uzebla medicina AI en 2023.

Medicina AI Baza Modelo

La konstruado de bazaj modeloj por medicina artefarita inteligenteco estas sendube la plej varmega esplorfokuso de ĉi tiu jaro. La revuoj "Nature" publikigis recenzajn artikolojn pri la Universala Baza modelo de sanservo kaj la granda lingvomodelo de sanservo dum la jaro. "Medical Image Analysis", la ĉefa revuo en la industrio, recenzis kaj antaŭĝojis pri la defioj kaj ŝancoj de baza modelesplorado en medicina bildanalizo, kaj proponis la koncepton de "genealogio de baza modelo" por resumi kaj gvidi la disvolviĝon de baza modelesplorado de medicina artefarita inteligenteco. La estonteco de bazaj artefaritaj inteligentecaj inteligentecaj modeloj por sanservo fariĝas pli klara. Bazante sin sur la sukcesaj ekzemploj de grandaj lingvomodeloj kiel ChatGPT, uzante pli progresintajn mem-kontrolitajn antaŭtrejnadajn metodojn kaj vastan akumuladon de trejnadaj datumoj, esploristoj en la kampo de medicina artefarita inteligenteco provas konstrui 1) malsan-specifajn bazajn modelojn, 2) ĝeneralajn bazajn modelojn, kaj 3) multimodalajn grandajn modelojn, kiuj integras vastan gamon da reĝimoj kun masivaj parametroj kaj superaj kapabloj.

Medicina Datumakiro AI-Modelo

Aldone al la grandaj AI-modeloj, kiuj ludas gravan rolon en la postaj klinikaj datumanalizaj taskoj, en la postaj klinikaj datumakiroj aperis ankaŭ la teknologio reprezentita de generaj AI-modeloj. La procezo, rapideco kaj kvalito de datumakiro povas esti signife plibonigitaj per AI-algoritmoj.

Komence de ĉi tiu jaro, Nature Biomedical Engineering publikigis studon de la Universitato de Markolo en Turkio, kiu fokusiĝis al la uzo de generativa AI por solvi la problemon de patologia bild-helpata diagnozo en klinikaj aplikoj. Artefaktoj en frostigita histo dum kirurgio estas obstaklo al rapida diagnoza taksado. Kvankam formalino- kaj parafino-enigita (FFPE) histo provizas pli altkvalitan specimenon, ĝia produktada procezo estas tempopostula kaj ofte daŭras 12-48 horojn, igante ĝin netaŭga por uzo en kirurgio. La esplorteamo tial proponis algoritmon nomatan AI-FFPE, kiu povas igi la aspekton de la histo en la frostigita sekcio simila al FFPE. La algoritmo sukcese korektis la artefaktojn de frostigitaj sekcioj, plibonigis la bildkvaliton kaj samtempe retenis la klinike gravajn trajtojn. En klinika validigo, la AI-FFPE-algoritmo signife plibonigas la diagnozan precizecon de patologiistoj por tumoraj subtipoj, samtempe multe mallongigante la klinikan diagnozan tempon.

Cell Reports Medicine raportas esplorlaboron faritan de teamo de la Tria Klinika Kolegio de la Universitato de Ĝjilino, la Radiologia Fako, la Hospitalo Zhongshan Filiigita al la Universitato Fudan, kaj la Ŝanhaja Universitato de Scienco kaj Teknologio [25]. Ĉi tiu studo proponas ĝeneraluzeblan kadron por profunda lernado kaj iteracia rekonstrua fuzio (Hibrida DL-IR) kun alta versatileco kaj fleksebleco, montrante bonegan bildrekonstruan rendimenton en rapida MR, malaltdoza CT, kaj rapida PET. La algoritmo povas atingi MR-unuorganan plursekvencan skanadon en 100 sekundoj, redukti la radiadan dozon al nur 10% de la CT-bildo, kaj elimini bruon, kaj povas rekonstrui malgrandajn lezojn el PET-akiro kun 2- ĝis 4-obla akcelo, samtempe reduktante la efikon de movaj artefaktoj.

Medicina AI en Kunlaboro kun Medicinaj Laboristoj

La rapida disvolviĝo de medicina artefarita inteligenteco ankaŭ igis medicinajn profesiulojn serioze konsideri kaj esplori kiel kunlabori kun artefarita inteligenteco por plibonigi klinikajn procezojn. En julio de ĉi tiu jaro, DeepMind kaj mult-institucia esplorteamo komune proponis artefaritan inteligentecon (AI) sistemon nomatan Complementary Driven Clinical Workflow Delay (CoDoC). La diagnoza procezo unue estas diagnozita per prognoza AI-sistemo, poste taksita de alia AI-sistemo laŭ la antaŭa rezulto, kaj se estas dubo, la diagnozo estas fine farita de klinikisto por plibonigi diagnozan precizecon kaj ekvilibran efikecon. Kiam temas pri mamakancera rastrumo, CoDoC reduktis la indicojn de falspozitivaj rezultoj je 25% kun la sama indico de falsnegativaj rezultoj, samtempe reduktante la laborŝarĝon de klinikistoj je 66%, kompare kun la nuna "duobla-lega arbitracio" procezo en Britio. Rilate al tuberkuloza klasifiko, la indicoj de falspozitivaj rezultoj reduktiĝis je 5 ĝis 15 procentoj kun la sama indico de falsnegativaj rezultoj kompare kun sendependa AI kaj klinikaj laborfluoj.

Simile, Annie Y. Ng kaj aliaj, de la kompanio Kheiron en Londono, Britio, enkondukis pliajn AI-legilojn (en kunlaboro kun homaj ekzamenantoj) por reekzameni la rezultojn kiam ne estis revokrezultoj en la duobla-legada arbitracia procezo, kio plibonigis la problemon de maltrafita detekto en frua mamakancera rastrumo, kaj la procezo preskaŭ ne havis falsajn pozitivojn. Alia studo, gvidata de teamo ĉe la Medicina Fakultato McGovern de la Universitato de Teksaso kaj kompletigita en kvar-apopleksiaj centroj, aplikis komputitan tomografian angiografion (CTA) bazitan sur AI-teknologio por aŭtomatigi la detekton de granda vaskula fermiĝa iskemia apopleksio (LVO). Klinikistoj kaj radiologoj ricevas realtempajn alarmojn per siaj poŝtelefonoj ene de minutoj post kompletigo de CT-bildigo, sciigante ilin pri la ebla ĉeesto de LVO. Ĉi tiu AI-procezo plibonigas enhospitalajn laborfluojn por akuta iskemia apopleksio, reduktante la pordo-ĝis-ingvenan tempon de akcepto ĝis traktado kaj provizante ŝancojn por sukcesa savo. La rezultoj estas publikigitaj en JAMA Neurology.

Modelo de Sanservo kun AI por Universala Profito

En 2023 ankaŭ estos multaj bonaj laboroj, kiuj uzas medicinan artefaritan inteligentecon por trovi trajtojn nevideblajn al la homa okulo el pli facile haveblaj datumoj, ebligante universalan diagnozon kaj fruan ekzamenadon je granda skalo. Komence de la jaro, Nature Medicine publikigis studojn faritajn de la Okula Centro Zhongshan de la Universitato Sun Jat-sen kaj la Dua Filiigita Hospitalo de la Medicina Universitato de Fuĝjano. Uzante inteligentajn telefonojn kiel aplikaĵajn terminalojn, ili uzis desegnofilmajn bildojn por indukti la rigardon de infanoj kaj registri ilian rigardkonduton kaj vizaĝajn trajtojn, kaj plue analizis nenormalajn modelojn uzante profundajn lernadajn modelojn por sukcese identigi 16 okulmalsanojn, inkluzive de denaskaj kataraktoj, denaska ptozo kaj denaska glaŭkomo, kun averaĝa ekzamena precizeco de pli ol 85%. Ĉi tio provizas efikan kaj facile popularigeblan teknikan rimedon por grandskala frua ekzamenado de vida funkcia kripliĝo ĉe beboj kaj rilataj okulmalsanoj.

Fine de la jaro, Nature Medicine raportis laboron faritan de pli ol 10 medicinaj kaj esploraj institucioj tra la mondo, inkluzive de la Ŝanhaja Instituto pri Pankreata Malsano kaj la Unua Filiigita Hospitalo de la Universitato de Ĝeĝjango. La aŭtoro aplikis artefaritan inteligentecon al la ekzamenado de pankreata kancero ĉe sensimptomaj homoj en fizikaj ekzamencentroj, hospitaloj, ktp., por detekti la lezajn trajtojn en simplaj skanadaj komputilaj tomografioj, kiujn malfacilas detekti per la nuda okulo sole, por atingi efikan kaj neinvazian fruan detekton de pankreata kancero. Reviziante datumojn de pli ol 20 000 pacientoj, la modelo ankaŭ identigis 31 kazojn de klinike netrafitaj lezoj, kio signife plibonigis la klinikajn rezultojn.

Kunhavigo de Medicinaj Datumoj

En 2023, multaj pli perfektaj dateninterŝanĝaj mekanismoj kaj sukcesaj kazoj aperis tra la mondo, certigante multcentran kunlaboron kaj datenmalfermecon sub la premiso protekti datenprivatecon kaj sekurecon.

Unue, per la helpo de la artefarita inteligenteco (AI) teknologio mem, esploristoj pri AI kontribuis al la dividado de medicinaj datumoj. Qi Chang kaj aliaj de la Universitato Rutgers en Usono publikigis artikolon en Nature Communications, proponante federacian lernan kadron DSL bazitan sur distribuitaj sintezaj konfliktaj retoj, kiu uzas generan AI por trejni la specifajn generitajn datumojn de multcentroj, kaj poste anstataŭigas la realajn datumojn de multcentroj per la generitaj datumoj. Certigu AI-trejnadon bazitan sur multcentraj grandaj datumoj, samtempe protektante datumprivatecon. La sama teamo ankaŭ malfermitkode publikigis datumbazon de generitaj patologiaj bildoj kaj iliaj respondaj komentoj. La segmentiga modelo trejnita sur la generita datumbazo povas atingi similajn rezultojn al la realaj datumoj.

La teamo de Dai Qionghai de la Universitato Tsinghua publikigis artikolon pri npj Cifereca Sano, proponante Relay Learning (Relajsan Lernadon), kiu uzas plurlokajn grandajn datumojn por trejni AI-modelojn sub la premiso de loka datumsuvereneco kaj neniu transloka retkonekto. Ĝi balancas datumsekurecon kaj privatecajn zorgojn kun la strebo al AI-efikeco. La sama teamo poste komune evoluigis kaj validigis CAIMEN, tut-mediastinan tumordiagnozan sistemon por toraka CT bazitan sur federacia lernado, en kunlaboro kun la Unua Filiigita Hospitalo de la Medicina Universitato de Guangzhou kaj 24 hospitaloj tra la lando. La sistemo, kiu povas esti aplikita al 12 oftaj mediastinaj tumoroj, atingis 44.9 procentojn pli bonan precizecon kiam uzata sole ol kiam uzata nur de homaj fakuloj, kaj 19 procentojn pli bonan diagnozan precizecon kiam homaj fakuloj estis helpataj de ĝi.

Aliflanke, pluraj iniciatoj estas survoje por konstrui sekurajn, tutmondajn, grandskalajn medicinajn datumarojn. En novembro 2023, Agustina Saenz kaj aliaj el la Departemento de Biomedicina Informadiko ĉe la Medicina Fakultato de Harvard publikigis interrete en Lancet Digital Health tutmondan kadron por dividi medicinajn bilddatumojn nomatajn Artefarita Inteligenteco-Datumoj por Ĉiuj Sanservoj (MAIDA). Ili kunlaboras kun sanorganizoj tra la mondo por provizi ampleksan gvidlinion pri datenkolektado kaj senidentigo, uzante la ŝablonon de la Usona Federacia Demonstra Partnero (FDP) por normigi la dividadon de datumaroj. Ili planas iom post iom publikigi datumarojn kolektitajn en malsamaj regionoj kaj klinikaj kuntekstoj tra la mondo. La unua datumaro estas atendata esti publikigita komence de 2024, kun pli venos dum la partnereco vastiĝos. La projekto estas grava provo konstrui tutmondan, grandskalan kaj diversan aron de publike haveblaj AI-datumoj.

Sekvante la proponon, la Brita Biobanko donis ekzemplon. La 30-an de novembro, la Brita Biobanko publikigis novajn datumojn el la tuta genoma sekvencado de siaj 500 000 partoprenantoj. La datumbazo, kiu publikigas la kompletan genoman sekvencon de ĉiu el la 500 000 britaj volontuloj, estas la plej granda kompleta homa genoma datumbazo en la mondo. Esploristoj tra la mondo povas peti aliron al ĉi tiuj senidentigitaj datumoj kaj uzi ilin por esplori la genetikan bazon de sano kaj malsano. Genetikaj datumoj ĉiam estis tre sentemaj por konfirmo en la pasinteco, kaj ĉi tiu historia atingo de la Brita Biobanko pruvas, ke eblas konstrui malferman, privatec-liberan tutmondan grandskalan datumbazon. Per ĉi tiu teknologio kaj datumbazo, medicina AI certe enkondukos la sekvan salton.

Konfirmo kaj Takso de Medicina AI

Kompare kun la rapida disvolviĝo de medicina artefarita inteligenteco-teknologio mem, la disvolviĝo de konfirmo kaj taksado de medicina artefarita inteligenteco estas iom malrapida. Validigo kaj taksado en la ĝenerala kampo de artefarita inteligenteco ofte ignoras la realajn bezonojn de klinikistoj kaj pacientoj pri artefarita inteligenteco. Tradiciaj hazardigitaj kontrolitaj klinikaj provoj estas tro penigaj por egali la rapidan ripeton de artefaritaj inteligentecaj iloj. Plibonigi la konfirmo- kaj taksadsistemon taŭgan por medicinaj artefaritaj inteligentecaj iloj kiel eble plej baldaŭ estas la plej grava afero por antaŭenigi medicinan artefaritan inteligentecon por vere transsalti esploradon kaj disvolvon al klinika alteriĝo.

En la esplora artikolo de Google pri Med-PaLM, publikigita en Nature, la teamo ankaŭ publikigis la taksadkomparnon MultiMedQA, kiu estas uzata por taksi la kapablon de grandaj lingvomodeloj akiri klinikan scion. La komparnormo kombinas ses ekzistantajn profesiajn medicinajn demando-respondajn datumarojn, kovrantajn profesian medicinan scion, esploradon kaj aliajn aspektojn, same kiel datumbazon de interreta serĉado de medicinaj demandoj, konsiderante interretajn kuracisto-pacientajn demando-respondajn demandojn, provante trejni artefaritan inteligentecon en kvalifikitan kuraciston el multaj aspektoj. Krome, la teamo proponas kadron bazitan sur homa taksado, kiu konsideras plurajn dimensiojn de faktoj, kompreno, rezonado kaj eblaj biasoj. Ĉi tio estas unu el la plej reprezentaj esploraj klopodoj por taksi artefaritan inteligentecon en sanservo publikigitaj ĉi-jare.

Tamen, ĉu la fakto, ke grandaj lingvomodeloj montras altnivelan klinikan kodadan scion, signifas, ke grandaj lingvomodeloj estas kompetentaj por realmondaj klinikaj taskoj? Same kiel medicina studento, kiu sukcesas en la profesia kuracista ekzameno kun perfekta poentaro, ankoraŭ estas malproksima de sola ĉefa kuracisto, la taksaj kriterioj proponitaj de Google eble ne estas perfekta respondo al la temo de taksado de medicina AI por AI-modeloj. Jam en 2021 kaj 2022, esploristoj proponis raportajn gvidliniojn kiel Decid-AI, SPIRIT-AI kaj INTRPRT, esperante gvidi la fruan disvolviĝon kaj validigon de medicina AI kondiĉe ke oni konsideru faktorojn kiel klinika praktikeco, sekureco, homaj faktoroj kaj travidebleco/interpretebleco. Ĵus, la revuo Nature Medicine publikigis studon de esploristoj de la Universitato de Oksfordo kaj Universitato Stanford pri ĉu uzi "eksteran validigon" aŭ "ripetiĝantan lokan validigon" por validigi AI-ilojn.

La senantaŭjuĝa naturo de AI-iloj estas ankaŭ grava taksada direkto, kiu ricevis atenton ĉi-jare kaj de artikoloj en Science kaj de NEJM. AI ofte montras antaŭjuĝon ĉar ĝi limiĝas al trejnaj datumoj. Ĉi tiu antaŭjuĝo povas reflekti socian malegalecon, kiu plue evoluas al algoritma diskriminacio. La Naciaj Institutoj pri Sano ĵus lanĉis la iniciaton Bridge2AI, taksita je kosto de 130 milionoj da dolaroj, por konstrui diversajn datumarojn (konforme al la celoj de la supre menciita iniciato MAIDA), kiuj povas esti uzataj por validigi la senantaŭjuĝecon de medicinaj AI-iloj. Ĉi tiujn aspektojn ne konsideras MultiMedQA. La demando pri kiel mezuri kaj validigi medicinajn AI-modelojn ankoraŭ bezonas ampleksan kaj profundan diskuton.

En januaro, Nature Medicine publikigis opinian artikolon titolitan "La Sekva Generacio de Evidence-Bazita Medicino" de Vivek Subbiah de la Universitato de Teksaso MD Anderson Cancer Center, reviziante la limojn de klinikaj provoj malkaŝitaj en la kunteksto de la COVID-19-pandemio kaj montrante la kontraŭdiron inter novigado kaj sindevigo al la klinika esplora procezo. Fine, ĝi indikas estontecon de restrukturado de klinikaj provoj - la sekva generacio de klinikaj provoj uzantaj artefaritan inteligentecon, tio estas, la uzon de artefarita inteligenteco el granda nombro da historiaj esploraj datumoj, realmondaj datumoj, multmodalaj klinikaj datumoj, datumoj de porteblaj aparatoj por trovi ŝlosilajn pruvojn. Ĉu tio signifas, ke AI-teknologio kaj AI-klinikaj validigaj procezoj povus reciproke plifortiĝi kaj kunevolui en la estonteco? Jen la malferma kaj pripensema demando de 2023.

Reguligo de Medicina AI

La antaŭeniro de AI-teknologio ankaŭ prezentas defiojn al la reguligo de AI, kaj politikofaristoj tra la mondo respondas zorge kaj zorge. En 2019, la FDA unue publikigis Proponitan Reguligan Kadron por Programaraj Ŝanĝoj al Artefarita Inteligenteco Medicinaj Aparatoj (Diskuta Skizo), detaligante sian eblan aliron al antaŭmerkata revizio de AI kaj maŝinlernad-movitaj programaraj modifoj. En 2021, la FDA proponis la "Artefarita Inteligenteco/Maŝinlernad-bazita Programaro kiel Medicina Aparato Agadplano", kiu klarigis kvin specifajn AI-medicinajn reguligajn mezurojn. Ĉi-jare, la FDA reeldonis la Antaŭmerkatan Submetiĝon por Aparataj Programaraj Trajtoj por provizi informojn pri antaŭmerkataj submetaĵrekomendoj por la taksado fare de FDA de la sekureco kaj efikeco de aparataj programaraj trajtoj, inkluzive de iuj programaraj trajtoj, kiuj uzas maŝinlernadajn modelojn trejnitajn per maŝinlernadaj metodoj. La reguliga politiko de la FDA evoluis de komenca propono al praktika gvido.

Post la publikigo de la Eŭropa Spaco pri Sanaj Datumoj en julio de la pasinta jaro, EU denove realigis la Leĝon pri Artefarita Inteligenteco. La unua celas plej bone utiligi sanajn datumojn por provizi altkvalitan sanservon, redukti malegalecojn kaj subteni datumojn por preventado, diagnozo, kuracado, scienca novigado, decidiĝo kaj leĝaro, samtempe certigante, ke EU-civitanoj havu pli grandan kontrolon super siaj personaj sanaj datumoj. La dua klarigas, ke la medicina diagnoza sistemo estas alt-riska AI-sistemo, kaj ĝi bezonas adopti celitan fortan superrigardon, tut-vivciklan superrigardon kaj antaŭ-taksan superrigardon. La Eŭropa Agentejo pri Medikamentoj (EMA) publikigis Skizon de Reflekta Dokumento pri la uzo de AI por subteni la disvolviĝon, reguligon kaj uzon de medikamentoj, kun emfazo pri plibonigo de la kredindeco de AI por certigi la sekurecon de pacientoj kaj la integrecon de la rezultoj de klinika esplorado. Ĝenerale, la reguliga aliro de EU iom post iom formiĝas, kaj la finaj efektivigaj detaloj povas esti pli detalaj kaj striktaj. En akra kontrasto al la strikta reguligo de EU, la reguliga skizo pri AI de Britio klarigas, ke la registaro planas preni mildan aliron kaj ne realigi novajn leĝprojektojn aŭ starigi novajn reguligantojn nuntempe.

En Ĉinio, la Centro por Teknika Revizio de Medicinaj Aparatoj (NMPA) de la Nacia Administracio de Medicinaj Produktoj antaŭe eldonis dokumentojn kiel "Reviziaj Punktoj de Programaro por Profunda Lernado kaj Helpo al Decidoj", "Gvidprincipoj por la Registra Revizio de Medicinaj Aparatoj kun Artefarita Inteligenteco (Skizo por Komentoj)" kaj "Cirkulero pri Gvidprincipoj por la Klasifiko kaj Difino de Medicinaj Programaraj Produktoj kun Artefarita Inteligenteco (N-ro 47 en 2021)". Ĉi-jare, la "Resumo de la rezultoj de la unua klasifiko de medicinaj aparatoj en 2023" denove estis publikigita. Ĉi tiu serio de dokumentoj klarigas kaj faciligas la uzadon de la difino, klasifiko kaj reguligo de artefaritinteligentecaj medicinaj programaraj produktoj, kaj provizas klarajn gvidliniojn por la produkta poziciigo kaj registradstrategioj de diversaj entreprenoj en la industrio. Ĉi tiuj dokumentoj provizas kadron kaj administradajn decidojn por la scienca reguligo de AI-medicinaj aparatoj. Indas antaŭĝoji, ke la tagordo de la Ĉina Medicina Artefaritinteligenteca Konferenco, okazinta en Hangzhou de la 21a ĝis la 23a de decembro, starigas specialan forumon pri cifereca medicina regado kaj altkvalita disvolviĝo de publikaj hospitaloj kaj forumon pri artefaritinteligenteca testado kaj taksado de artefaritinteligentecaj medicinaj aparatoj, normigado de teknologioj. Tiam, oficistoj de la Nacia Komisiono pri Disvolviĝo kaj Reformo kaj la NMPA ĉeestos la kunvenon kaj eble publikigos novajn informojn.

Konkludo

En 2023, medicina artefarita inteligenteco (AI) komencis integriĝi en la tutan medicinan procezon, kaj supren kaj malsupren, kovrante hospitalan datenkolektadon, kunfandadon, analizon, diagnozon kaj kuracadon, kaj komunuman ekzamenadon, kaj organike kunlaboris kun medicinaj/malsankontrolaj laborantoj, montrante la potencialon alporti bonfarton al homa sano. Uzebla medicina AI-esplorado komencas aperi. En la estonteco, la progreso de medicina AI ne nur dependas de la teknologia disvolviĝo mem, sed ankaŭ bezonas la plenan kunlaboron de industrio, universitato kaj medicina esplorado kaj la subtenon de politikofaristoj kaj reguligantoj. Ĉi tiu transdomajna kunlaboro estas la ŝlosilo por atingi AI-integrajn medicinajn servojn, kaj certe antaŭenigos la disvolviĝon de homa sano.