Nachricht

Seit der Einführung von IBM Watson im Jahr 2007 wird die Entwicklung medizinischer künstlicher Intelligenz (KI) kontinuierlich vorangetrieben. Ein praxistaugliches und leistungsstarkes medizinisches KI-System birgt enormes Potenzial, alle Aspekte der modernen Medizin grundlegend zu verändern, eine intelligentere, präzisere, effizientere und umfassendere Versorgung zu ermöglichen, das Wohlbefinden von medizinischem Personal und Patienten zu steigern und so die menschliche Gesundheit deutlich zu verbessern. Obwohl sich in den letzten 16 Jahren in verschiedenen kleinen Bereichen medizinische KI-Forscher angesammelt haben, ist es ihnen bisher noch nicht gelungen, Science-Fiction in die Realität umzusetzen.

Dieses Jahr hat die medizinische KI mit der revolutionären Entwicklung von KI-Technologien wie ChatGPT in vielen Bereichen große Fortschritte gemacht. Beispielloser Durchbruch bei den Fähigkeiten der medizinischen KI: Das Journal Nature hat kontinuierlich die Forschung zu medizinischen Großsprachenmodellen und medizinischen Bildbasismodellen vorangetrieben; Google hat Med-PaLM und dessen Nachfolger veröffentlicht und damit Expertenniveau bei den Prüfungsfragen für US-amerikanische Mediziner erreicht. Wichtige wissenschaftliche Zeitschriften werden sich auf medizinische KI konzentrieren: Nature gibt einen Ausblick auf das Basismodell allgemeiner medizinischer KI; Nach einer Reihe von Übersichtsartikeln zu KI in der Medizin Anfang des Jahres veröffentlichte das New England Journal of Medicine (NEJM) am 30. November seinen ersten Überblick über digitale Gesundheit und brachte am 12. Dezember die erste Ausgabe des NEJM-Subjournals NEJM AI heraus. Der Boden für medizinische KI ist weiter gereift: Das Subjournal JAMA hat die globale Initiative zum Austausch medizinischer Bilddaten veröffentlicht; Die US-amerikanische Food and Drug Administration (FDA) entwickelt einen Richtlinienentwurf zur Regulierung medizinischer KI.

Im Folgenden untersuchen wir die bedeutenden Fortschritte, die Forscher weltweit in Richtung nutzbarer medizinischer KI im Jahr 2023 gemacht haben.

Medizinisches KI-Basismodell

Die Entwicklung eines Basismodells für medizinische KI ist zweifellos der wichtigste Forschungsschwerpunkt dieses Jahres. Die Nature-Zeitschriften veröffentlichten im Laufe des Jahres Übersichtsartikel zum universellen Basismodell des Gesundheitswesens und zum großen Sprachmodell des Gesundheitswesens. Medical Image Analysis, das führende Fachjournal der Branche, untersuchte und analysierte die Herausforderungen und Chancen der Grundlagenforschung in der medizinischen Bildanalyse und schlug das Konzept „Basismodell-Stammbaum“ vor, um die Entwicklung der Grundlagenforschung für medizinische KI zusammenzufassen und zu leiten. Die Zukunft grundlegender KI-Modelle für das Gesundheitswesen zeichnet sich ab. Aufbauend auf den erfolgreichen Beispielen großer Sprachmodelle wie ChatGPT, unter Verwendung fortschrittlicherer selbstüberwachter Vortrainingsmethoden und einer enormen Ansammlung von Trainingsdaten versuchen Forscher im Bereich der medizinischen KI, 1) krankheitsspezifische Basismodelle, 2) allgemeine Basismodelle und 3) multimodale Großmodelle zu entwickeln, die ein breites Spektrum an Modi mit umfangreichen Parametern und überlegenen Fähigkeiten integrieren.

KI-Modell zur medizinischen Datenerfassung

Neben den großen KI-Modellen, die bei der nachgelagerten Analyse klinischer Daten eine große Rolle spielen, hat sich auch bei der vorgelagerten Erfassung klinischer Daten die Technologie der generativen KI-Modelle etabliert. Prozess, Geschwindigkeit und Qualität der Datenerfassung können durch KI-Algorithmen deutlich verbessert werden.

Anfang des Jahres veröffentlichte Nature Biomedical Engineering eine Studie der türkischen Straits University, die sich mit dem Einsatz generativer KI zur Lösung des Problems der pathologischen bildgestützten Diagnose in klinischen Anwendungen befasste. Artefakte in Gefrierschnittgewebe während einer Operation erschweren eine schnelle diagnostische Auswertung. Formalin- und paraffineingebettetes (FFPE) Gewebe liefert zwar eine höhere Probenqualität, sein Herstellungsprozess ist jedoch zeitaufwändig und dauert oft 12 bis 48 Stunden, sodass es für den Einsatz in der Chirurgie ungeeignet ist. Das Forschungsteam schlug daher einen Algorithmus namens AI-FFPE vor, der das Erscheinungsbild des Gewebes im Gefrierschnitt einem FFPE ähnlich machen kann. Der Algorithmus korrigierte erfolgreich die Artefakte der Gefrierschnitte, verbesserte die Bildqualität und behielt gleichzeitig die klinisch relevanten Merkmale bei. In der klinischen Validierung verbessert der AI-FFPE-Algorithmus die diagnostische Genauigkeit von Pathologen für Tumorsubtypen erheblich und verkürzt gleichzeitig die Zeit bis zur klinischen Diagnose erheblich.

Cell Reports Medicine berichtet über die Forschungsarbeit eines Teams des Third Clinical College der Jilin University, der Abteilung für Radiologie des Zhongshan Hospital der Fudan University und der Shanghai University of Science and Technology [25]. Diese Studie schlägt ein universelles Deep-Learning- und iteratives Rekonstruktionsfusions-Framework (Hybrid DL-IR) mit hoher Vielseitigkeit und Flexibilität vor, das eine hervorragende Bildrekonstruktionsleistung bei schneller MRT, Niedrigdosis-CT und schneller PET zeigt. Der Algorithmus kann MR-Einzelorgan-Multisequenz-Scans in 100 Sekunden durchführen, die Strahlendosis auf nur 10 % des CT-Bildes reduzieren und Rauschen eliminieren. Außerdem kann er kleine Läsionen aus der PET-Aufnahme mit 2- bis 4-facher Beschleunigung rekonstruieren und gleichzeitig die Auswirkungen von Bewegungsartefakten reduzieren.

Medizinische KI in Zusammenarbeit mit medizinischem Personal

Die rasante Entwicklung medizinischer KI hat auch dazu geführt, dass Mediziner ernsthaft darüber nachdenken und erforschen, wie sie mithilfe von KI klinische Prozesse verbessern können. Im Juli dieses Jahres haben DeepMind und ein multiinstitutionelles Forschungsteam gemeinsam ein KI-System namens Complementary Driven Clinical Workflow Delay (CoDoC) vorgeschlagen. Der Diagnoseprozess wird zunächst von einem prädiktiven KI-System diagnostiziert, dann von einem anderen KI-System auf Grundlage des vorherigen Ergebnisses beurteilt, und im Zweifelsfall wird die Diagnose schließlich von einem Kliniker gestellt, um die Diagnosegenauigkeit zu verbessern und die Effizienz auszugleichen. Beim Brustkrebs-Screening reduzierte CoDoC die Rate falsch positiver Ergebnisse um 25 % bei gleicher Rate falsch negativer Ergebnisse und verringerte gleichzeitig die Arbeitsbelastung der Kliniker um 66 % im Vergleich zum aktuellen „Double-Read-Arbitration“-Verfahren in Großbritannien. Bei der TB-Klassifizierung wurde die Rate falsch positiver Ergebnisse bei gleicher Rate falsch negativer Ergebnisse im Vergleich zu unabhängigen KI- und klinischen Arbeitsabläufen um 5 bis 15 % reduziert.

Auf ähnliche Weise führten Annie Y. Ng et al. von der Kheiron Company in London (GB) zusätzliche KI-Lesegeräte (in Zusammenarbeit mit menschlichen Prüfern) ein, um die Ergebnisse erneut zu prüfen, wenn im Schiedsverfahren für doppelte Lesevorgänge keine Recall-Ergebnisse vorlagen. Dadurch wurde das Problem der Fehlerkennung bei der Brustkrebsfrüherkennung verbessert, und das Verfahren hatte fast keine falsch positiven Ergebnisse. In einer anderen Studie, die von einem Team der University of Texas McGovern Medical School geleitet und in vier Schlaganfallzentren durchgeführt wurde, wurde auf Computertomographie-Angiographie (CTA) basierende KI-Technologie eingesetzt, um die Erkennung eines großen vaskulären okklusiven ischämischen Schlaganfalls (LVO) zu automatisieren. Kliniker und Radiologen erhalten innerhalb weniger Minuten nach Abschluss der CT-Aufnahmen Echtzeitwarnungen auf ihre Mobiltelefone, die sie auf das mögliche Vorhandensein eines LVO aufmerksam machen. Dieses KI-Verfahren verbessert die Arbeitsabläufe im Krankenhaus bei akutem ischämischem Schlaganfall, verkürzt die Zeit von der Aufnahme bis zur Behandlung und bietet Chancen für eine erfolgreiche Rettung. Die Ergebnisse wurden in JAMA Neurology veröffentlicht.

Ein KI-Gesundheitsmodell zum Nutzen aller

Auch im Jahr 2023 wird es zahlreiche erfolgreiche Arbeiten geben, bei denen mithilfe medizinischer KI in leichter verfügbaren Daten Merkmale gefunden werden, die für das menschliche Auge unsichtbar sind. So werden eine universelle Diagnose und frühzeitige Untersuchung im großen Maßstab möglich. Anfang des Jahres veröffentlichte Nature Medicine Studien des Zhongshan Eye Center der Sun Yat-sen University und des Second Affiliated Hospital der Fujian Medical University. Mithilfe von Smartphones als Anwendungsterminals induzierten sie mithilfe von cartoonartigen Videobildern den Blick von Kindern und zeichneten deren Blickverhalten und Gesichtszüge auf. Anschließend analysierten sie abnormale Modelle mithilfe von Deep-Learning-Modellen und konnten so 16 Augenkrankheiten, darunter angeborenen Katarakt, angeborene Ptosis und angeborenen Glaukom, erfolgreich identifizieren. Die durchschnittliche Screening-Genauigkeit lag bei über 85 %. Dies bietet ein wirksames und leicht zu popularisierendes technisches Mittel für die groß angelegte Früherkennung von Sehstörungen bei Säuglingen und damit verbundenen Augenkrankheiten.

Ende des Jahres berichtete Nature Medicine über eine Arbeit von über zehn medizinischen und Forschungseinrichtungen weltweit, darunter das Shanghai Institute of Pancreatic Disease und das First Affiliated Hospital der Zhejiang University. Der Autor setzte KI beim Bauchspeicheldrüsenkrebs-Screening asymptomatischer Patienten in Untersuchungszentren, Krankenhäusern usw. ein, um Läsionsmerkmale in einfachen CT-Bildern zu erkennen, die mit bloßem Auge nur schwer zu erkennen sind. So konnte eine effiziente und nicht-invasive Früherkennung von Bauchspeicheldrüsenkrebs erreicht werden. Bei der Auswertung von Daten von über 20.000 Patienten identifizierte das Modell zudem 31 Fälle klinisch übersehener Läsionen, was die klinischen Ergebnisse deutlich verbesserte.

Weitergabe medizinischer Daten

Im Jahr 2023 sind weltweit viele weitere perfekte Mechanismen und erfolgreiche Fälle zum Datenaustausch entstanden, die eine multizentrische Zusammenarbeit und Datenoffenheit unter der Prämisse des Schutzes von Datenschutz und -sicherheit gewährleisten.

Erstens haben KI-Forscher mithilfe der KI-Technologie selbst zum Austausch medizinischer Daten beigetragen. Qi Chang und andere von der Rutgers University in den USA veröffentlichten einen Artikel in Nature Communications, in dem sie ein föderales Lernframework (DSL) auf Basis verteilter synthetischer kontradiktorischer Netzwerke vorschlagen. Dieses nutzt generative KI, um die spezifischen generierten Daten mehrerer Zentren zu trainieren und dann die realen Daten der mehreren Zentren durch die generierten Daten zu ersetzen. So wird ein KI-Training auf Basis multizentrischer Big Data gewährleistet und gleichzeitig der Datenschutz gewahrt. Dasselbe Team stellt außerdem einen Datensatz generierter pathologischer Bilder und der dazugehörigen Anmerkungen als Open Source zur Verfügung. Das anhand des generierten Datensatzes trainierte Segmentierungsmodell kann ähnliche Ergebnisse wie die realen Daten erzielen.

Das Team von Dai Qionghai von der Tsinghua-Universität veröffentlichte ein Papier über npj Digital Health und schlägt darin Relay Learning vor, das Big Data von mehreren Standorten nutzt, um KI-Modelle unter der Prämisse lokaler Datensouveränität und ohne standortübergreifende Netzwerkverbindungen zu trainieren. Dabei werden Datenschutz- und Privatsphärebelange mit dem Streben nach KI-Leistung in Einklang gebracht. Dasselbe Team entwickelte und validierte anschließend gemeinsam mit dem First Affiliated Hospital der Guangzhou Medical University und 24 Krankenhäusern im ganzen Land CAIMEN, ein auf föderalem Lernen basierendes Thorax-CT-Diagnosesystem für panmediastinale Tumore. Das System, das auf 12 häufige Mediastinaltumore angewendet werden kann, erreichte bei alleiniger Anwendung eine um 44,9 Prozent höhere Genauigkeit als bei alleiniger Anwendung durch menschliche Experten und eine um 19 Prozent höhere Diagnosegenauigkeit mit Unterstützung menschlicher Experten.

Andererseits laufen mehrere Initiativen zum Aufbau sicherer, globaler und umfangreicher medizinischer Datensätze. Im November 2023 veröffentlichten Agustina Saenz und andere Mitarbeiter der Abteilung für Biomedizinische Informatik der Harvard Medical School online in Lancet Digital Health ein globales Framework zum Teilen medizinischer Bilddaten mit dem Namen „Artificial Intelligence Data for All Healthcare“ (MAIDA). Sie arbeiten mit Gesundheitsorganisationen auf der ganzen Welt zusammen, um umfassende Leitlinien zur Datenerfassung und De-Identifizierung bereitzustellen, wobei sie die Vorlage des US Federal Demonstration Partner (FDP) zur Standardisierung des Datenaustauschs verwenden. Sie planen, schrittweise Datensätze zu veröffentlichen, die in verschiedenen Regionen und klinischen Umgebungen auf der ganzen Welt erfasst wurden. Der erste Datensatz soll Anfang 2024 veröffentlicht werden, weitere sollen mit der Ausweitung der Partnerschaft folgen. Das Projekt ist ein wichtiger Versuch, einen globalen, umfangreichen und vielfältigen Satz öffentlich verfügbarer KI-Daten aufzubauen.

Im Zuge dieses Vorschlags ging die UK Biobank mit gutem Beispiel voran. Am 30. November veröffentlichte sie neue Daten aus der Gesamtgenomsequenzierung ihrer 500.000 Teilnehmer. Die Datenbank, die die vollständige Genomsequenz jedes einzelnen der 500.000 britischen Freiwilligen veröffentlicht, ist die weltweit größte vollständige menschliche Genomdatenbank. Forscher weltweit können Zugriff auf diese anonymisierten Daten beantragen und sie zur Erforschung der genetischen Grundlagen von Gesundheit und Krankheit nutzen. Genetische Daten waren in der Vergangenheit stets hochsensibel zu überprüfen, und dieser historische Erfolg der UK Biobank beweist, dass der Aufbau einer offenen, datenschutzfreien, globalen Großdatenbank möglich ist. Mit dieser Technologie und Datenbank wird die medizinische KI mit Sicherheit den nächsten Sprung nach vorn einleiten.

Verifizierung und Evaluierung medizinischer KI

Im Vergleich zur rasanten Entwicklung der medizinischen KI-Technologie selbst verläuft die Entwicklung der Verifizierung und Evaluierung medizinischer KI etwas langsamer. Validierung und Evaluierung im allgemeinen KI-Bereich ignorieren oft die tatsächlichen Anforderungen von Klinikern und Patienten an KI. Herkömmliche randomisierte kontrollierte klinische Studien sind zu aufwendig, um mit der schnellen Iteration von KI-Tools Schritt zu halten. Um medizinische KI wirklich voranzubringen und die Forschung und Entwicklung bis zur klinischen Anwendung voranzutreiben, ist die schnellstmögliche Verbesserung des für medizinische KI-Tools geeigneten Verifizierungs- und Evaluierungssystems von entscheidender Bedeutung.

In Googles Forschungsbericht zu Med-PaLM, der in Nature veröffentlicht wurde, veröffentlichte das Team auch den MultiMedQA-Evaluierungs-Benchmark, der die Fähigkeit großer Sprachmodelle zur Aneignung klinischen Wissens beurteilt. Der Benchmark kombiniert sechs bestehende professionelle medizinische Q&A-Datensätze, die medizinisches Fachwissen, Forschung und andere Aspekte abdecken, sowie einen Datensatz einer Online-Suchdatenbank mit medizinischen Fragen, der Online-Fragen und -Antworten zwischen Arzt und Patient berücksichtigt und versucht, KI unter vielen Aspekten zu einem qualifizierten Arzt auszubilden. Darüber hinaus schlägt das Team ein auf menschlicher Beurteilung basierendes Rahmenwerk vor, das mehrere Dimensionen von Fakten, Verständnis, Argumentation und möglicher Voreingenommenheit berücksichtigt. Dies ist eine der repräsentativsten Forschungsarbeiten zur Bewertung von KI im Gesundheitswesen, die dieses Jahr veröffentlicht wurden.

Bedeutet die Tatsache, dass große Sprachmodelle ein hohes Maß an Kodierung klinischen Wissens aufweisen, jedoch, dass große Sprachmodelle für klinische Aufgaben in der realen Welt geeignet sind? So wie ein Medizinstudent, der die Facharztprüfung mit Bestnote besteht, noch weit davon entfernt ist, alleiniger Chefarzt zu sein, sind die von Google vorgeschlagenen Bewertungskriterien möglicherweise keine ideale Antwort auf die Frage der Bewertung medizinischer KI-Modelle. Bereits 2021 und 2022 haben Forscher Berichtsrichtlinien wie Decid-AI, SPIRIT-AI und INTRPRT vorgeschlagen, um die frühe Entwicklung und Validierung medizinischer KI unter Berücksichtigung von Faktoren wie klinischer Praktikabilität, Sicherheit, menschlichen Faktoren und Transparenz/Interpretierbarkeit zu unterstützen. Erst kürzlich veröffentlichte die Fachzeitschrift Nature Medicine eine Studie von Forschern der Universitäten Oxford und Stanford zur Frage, ob zur Validierung von KI-Tools eine „externe Validierung“ oder eine „wiederkehrende lokale Validierung“ verwendet werden sollte.

Die Unvoreingenommenheit von KI-Tools ist ein weiterer wichtiger Bewertungsschwerpunkt, der in diesem Jahr sowohl in Science- als auch in NEJM-Artikeln Beachtung fand. KI weist häufig Verzerrungen auf, da sie auf Trainingsdaten beschränkt ist. Diese Verzerrung kann soziale Ungleichheit widerspiegeln, die sich zu algorithmischer Diskriminierung entwickelt. Die National Institutes of Health haben kürzlich die Initiative Bridge2AI gestartet, deren Kosten auf 130 Millionen US-Dollar geschätzt werden. Ziel ist es, vielfältige Datensätze (im Einklang mit den Zielen der oben genannten MAIDA-Initiative) zu erstellen, mit denen die Unvoreingenommenheit medizinischer KI-Tools überprüft werden kann. Diese Aspekte werden von MultiMedQA nicht berücksichtigt. Die Frage, wie medizinische KI-Modelle gemessen und validiert werden können, bedarf noch einer umfassenden und gründlichen Diskussion.

Im Januar veröffentlichte Nature Medicine einen Meinungsartikel mit dem Titel „Die nächste Generation evidenzbasierter Medizin“ von Vivek Subbiah vom MD Anderson Cancer Center der University of Texas. Darin untersucht er die im Zusammenhang mit der COVID-19-Pandemie offengelegten Grenzen klinischer Studien und weist auf den Widerspruch zwischen Innovation und der Einhaltung des klinischen Forschungsprozesses hin. Abschließend wird eine Zukunft der Umstrukturierung klinischer Studien aufgezeigt – die nächste Generation klinischer Studien unter Einsatz künstlicher Intelligenz, d. h. der Nutzung künstlicher Intelligenz aus einer großen Menge historischer Forschungsdaten, realer Daten, multimodaler klinischer Daten und Daten tragbarer Geräte, um wichtige Beweise zu finden. Bedeutet dies, dass sich KI-Technologie und klinische KI-Validierungsprozesse in Zukunft gegenseitig verstärken und gemeinsam weiterentwickeln könnten? Dies ist die offene und zum Nachdenken anregende Frage des Jahres 2023.

Regulierung der medizinischen KI

Die Weiterentwicklung der KI-Technologie stellt auch die Regulierung von KI vor Herausforderungen, und politische Entscheidungsträger weltweit reagieren sorgfältig und umsichtig darauf. 2019 veröffentlichte die FDA erstmals einen vorgeschlagenen Regulierungsrahmen für Softwareänderungen an Medizinprodukten mit künstlicher Intelligenz (Diskussionsentwurf), in dem sie ihren möglichen Ansatz für die vormarktliche Überprüfung von KI- und maschinell lernenden Softwareänderungen detailliert darlegte. 2021 schlug die FDA den „Aktionsplan für auf künstlicher Intelligenz/maschinellem Lernen basierende Software als Medizinprodukt“ vor, der fünf spezifische KI-Regulierungsmaßnahmen für Medizinprodukte erläuterte. In diesem Jahr veröffentlichte die FDA die „Premarket Submission for Device Software Features“ erneut, um Informationen zu Empfehlungen für die vormarktliche Einreichung zur Bewertung der Sicherheit und Wirksamkeit von Gerätesoftwarefunktionen durch die FDA bereitzustellen, einschließlich einiger Softwaregerätefunktionen, die mit Methoden des maschinellen Lernens trainierte Modelle des maschinellen Lernens verwenden. Die Regulierungspolitik der FDA hat sich von einem anfänglichen Vorschlag zu einer praktischen Anleitung entwickelt.

Nach der Veröffentlichung des Europäischen Gesundheitsdatenraums im Juli letzten Jahres hat die EU erneut den Künstlichen Intelligenz-Gesetzes verabschiedet. Dieser zielt darauf ab, Gesundheitsdaten optimal zu nutzen, um eine qualitativ hochwertige Gesundheitsversorgung zu gewährleisten, Ungleichheiten abzubauen und Daten für Prävention, Diagnose, Behandlung, wissenschaftliche Innovation, Entscheidungsfindung und Gesetzgebung zu unterstützen. Gleichzeitig soll sichergestellt werden, dass die EU-Bürger mehr Kontrolle über ihre persönlichen Gesundheitsdaten haben. Der Künstliche Intelligenz-Gesetzesentwurf macht deutlich, dass das medizinische Diagnosesystem ein risikoreiches KI-System ist und einer gezielten, strengen Überwachung, einer Überwachung des gesamten Lebenszyklus und einer Überwachung vor der Bewertung bedarf. Die Europäische Arzneimittel-Agentur (EMA) hat den Entwurf eines Reflexionspapiers zum Einsatz von KI zur Unterstützung der Arzneimittelentwicklung, -regulierung und -anwendung veröffentlicht. Der Schwerpunkt liegt dabei auf der Verbesserung der Glaubwürdigkeit von KI, um die Patientensicherheit und die Integrität klinischer Forschungsergebnisse zu gewährleisten. Insgesamt nimmt der Regulierungsansatz der EU allmählich Gestalt an, und die endgültigen Umsetzungsdetails könnten detaillierter und strenger ausfallen. Im krassen Gegensatz zu den strengen EU-Vorschriften macht der britische KI-Regulierungsplan deutlich, dass die Regierung einen sanften Ansatz verfolgen und vorerst keine neuen Gesetze erlassen oder neue Regulierungsbehörden einrichten will.

In China hat das Medical Device Technical Review Center (NMPA) der National Medical Products Administration bereits Dokumente wie „Review Points of Deep Learning Assisted Decision Software“, „Guiding Principles for the Registration Review of Artificial Intelligence Medical Devices (Draft for Comment)“ und „Circular on Guiding Principles for the Classification and Definition of Artificial Intelligence Medical Software Products (No. 47 in 2021)“ herausgegeben. Auch in diesem Jahr wurde die „Zusammenfassung der ersten Ergebnisse der Produktklassifizierung für Medizinprodukte im Jahr 2023“ veröffentlicht. Diese Dokumentenreihe macht die Definition, Klassifizierung und Regulierung von Medizinsoftwareprodukten mit künstlicher Intelligenz verständlicher und einfacher anzuwenden und bietet klare Leitlinien für die Produktpositionierung und Registrierungsstrategien verschiedener Unternehmen der Branche. Sie bietet einen Rahmen und Managemententscheidungen für die wissenschaftliche Regulierung von Medizinprodukten mit künstlicher Intelligenz. Mit Spannung erwartet wird die Tagesordnung der China Medical Artificial Intelligence Conference, die vom 21. bis 23. Dezember in Hangzhou stattfindet und ein spezielles Forum zur digitalen medizinischen Governance und zur qualitativ hochwertigen Entwicklung öffentlicher Krankenhäuser sowie ein Branchenentwicklungsforum zur Standardisierung von Test- und Evaluierungstechnologien für Medizinprodukte mit künstlicher Intelligenz vorsieht. Vertreter der Nationalen Entwicklungs- und Reformkommission und der NMPA werden an der Tagung teilnehmen und möglicherweise neue Informationen veröffentlichen.

Abschluss

Im Jahr 2023 wird sich die medizinische KI in alle medizinischen Prozesse integrieren, von der Datenerfassung, -fusion, -analyse, -diagnose und -behandlung bis hin zum gemeindenahen Screening. Sie arbeitet eng mit medizinischem Personal und der Seuchenbekämpfung zusammen und zeigt das Potenzial, die menschliche Gesundheit zu verbessern. Die Forschung zu nutzbarer medizinischer KI beginnt zu dämmern. Der zukünftige Fortschritt der medizinischen KI hängt nicht nur von der technologischen Entwicklung selbst ab, sondern erfordert auch die umfassende Zusammenarbeit von Industrie, Universitäten und medizinischer Forschung sowie die Unterstützung von Politik und Regulierungsbehörden. Diese bereichsübergreifende Zusammenarbeit ist der Schlüssel zur Realisierung KI-integrierter medizinischer Dienste und wird die Entwicklung der menschlichen Gesundheit mit Sicherheit fördern.