berita

Sejak IBM Watson bermula pada tahun 2007, manusia terus mengejar pembangunan kecerdasan buatan perubatan (AI). Sistem AI perubatan yang boleh digunakan dan berkuasa mempunyai potensi yang besar untuk membentuk semula semua aspek perubatan moden, membolehkan penjagaan yang lebih bijak, lebih tepat, cekap dan inklusif, membawa kesejahteraan kepada pekerja perubatan dan pesakit, dan dengan itu meningkatkan kesihatan manusia dengan ketara. Dalam tempoh 16 tahun yang lalu, walaupun penyelidik AI perubatan telah terkumpul dalam pelbagai bidang kecil, pada peringkat ini, mereka masih belum dapat membawa fiksyen sains kepada realiti.

Tahun ini, dengan pembangunan revolusioner teknologi AI seperti ChatGPT, AI perubatan telah mencapai kemajuan besar dalam banyak aspek. Kejayaan AI perubatan yang belum pernah berlaku sebelum ini: Jurnal Alam telah melancarkan penyelidikan model bahasa besar perubatan dan model asas imej perubatan; Google mengeluarkan Med-PaLM dan penggantinya, mencapai tahap pakar dalam soalan peperiksaan Pengamal perubatan AS. Jurnal akademik utama akan memberi tumpuan kepada AI perubatan: Alam semula jadi mengeluarkan pandangan tentang model asas AI perubatan am; Berikutan siri ulasan AI dalam Perubatan awal tahun ini, New England Journal of Medicine (NEJM) menerbitkan ulasan kesihatan digital pertamanya pada 30 November, dan melancarkan terbitan pertama sub-jurnal NEJM AI NEJM pada 12 Disember. Tanah pendaratan AI Perubatan lebih matang: sub-jurnal JAMA menerbitkan inisiatif perkongsian data imej perubatan global; Pentadbiran Makanan dan Dadah AS (FDA) sedang membangunkan draf garis panduan untuk pengawalseliaan AI perubatan.

Di bawah, kami menyemak kemajuan ketara yang telah dicapai oleh penyelidik di seluruh dunia ke arah AI perubatan yang boleh digunakan pada tahun 2023

Model Asas AI Perubatan

Pembinaan model asas AI perubatan sudah pasti menjadi tumpuan penyelidikan paling hangat tahun ini. Jurnal Nature telah menerbitkan artikel ulasan tentang model Universal Asas penjagaan kesihatan dan model bahasa besar penjagaan kesihatan pada tahun tersebut. Analisis Imej Perubatan, jurnal teratas dalam industri, menyemak dan menantikan cabaran dan peluang penyelidikan model asas dalam analisis imej perubatan, dan mencadangkan konsep "silsilah model asas" untuk meringkaskan dan membimbing pembangunan penyelidikan model asas AI perubatan . Masa depan model AI asas untuk penjagaan kesihatan semakin jelas. Dengan menggunakan contoh model bahasa besar yang berjaya seperti ChatGPT, menggunakan kaedah pra-latihan penyeliaan kendiri yang lebih maju dan pengumpulan data latihan yang luas, penyelidik dalam bidang AI perubatan cuba membina 1) model asas khusus penyakit, 2) model asas umum, dan 3) model besar multimodal yang menyepadukan pelbagai parameter besar dan mod unggul.

Model AI Pemerolehan Data Perubatan

Sebagai tambahan kepada model AI besar yang memainkan peranan besar dalam tugas analisis data klinikal hiliran, dalam pemerolehan data klinikal huluan, teknologi yang diwakili oleh model AI generatif juga telah muncul. Proses, kelajuan dan kualiti pemerolehan data boleh dipertingkatkan dengan ketara oleh algoritma AI.

Awal tahun ini, Nature Biomedical Engineering menerbitkan kajian dari Universiti Selat Turki yang memfokuskan pada penggunaan AI generatif untuk menyelesaikan masalah diagnosis berbantukan imej patologi dalam aplikasi klinikal. Artifak dalam tisu bahagian beku semasa pembedahan adalah penghalang kepada penilaian diagnostik yang cepat. Walaupun tisu tertanam formalin dan parafin (FFPE) menyediakan sampel yang lebih berkualiti, proses pengeluarannya memakan masa dan selalunya mengambil masa 12-48 jam, menjadikannya tidak sesuai digunakan dalam pembedahan. Oleh itu, pasukan penyelidik mencadangkan algoritma yang dipanggil AI-FFPE, yang boleh membuat penampilan tisu di bahagian beku serupa dengan FFPE. Algoritma ini berjaya membetulkan artifak bahagian beku, meningkatkan kualiti imej dan mengekalkan ciri yang berkaitan secara klinikal pada masa yang sama. Dalam pengesahan klinikal, algoritma AI-FFPE meningkatkan dengan ketara ketepatan diagnostik ahli patologi untuk subtipe tumor, sambil memendekkan masa diagnosis klinikal.

Perubatan Laporan Sel melaporkan kerja penyelidikan oleh pasukan dari Kolej Klinikal Ketiga Universiti Jilin, Jabatan Radiologi, Hospital Zhongshan Bergabung dengan Universiti Fudan, dan Universiti Sains dan Teknologi Shanghai [25]. Kajian ini mencadangkan rangka kerja gabungan pembelajaran mendalam dan lelaran tujuan umum (Hybrid DL-IR) dengan fleksibiliti dan fleksibiliti tinggi, menunjukkan prestasi pembinaan semula imej yang sangat baik dalam MRI pantas, CT dos rendah dan PET pantas. Algoritma ini boleh mencapai pengimbasan berbilang jujukan organ Tunggal MR dalam 100 saat, mengurangkan dos sinaran kepada hanya 10% daripada imej CT, dan menghilangkan bunyi bising, dan boleh membina semula lesi kecil daripada pemerolehan PET dengan pecutan 2 hingga 4 kali, sambil mengurangkan kesan artifak gerakan.

AI Perubatan dengan Kerjasama dengan Pekerja Perubatan

Perkembangan pesat AI perubatan juga telah menyebabkan profesional perubatan mempertimbangkan dan meneroka dengan serius cara bekerjasama dengan AI untuk menambah baik proses klinikal. Pada Julai tahun ini, DeepMind dan pasukan penyelidikan pelbagai institusi bersama-sama mencadangkan sistem AI yang dipanggil Kelewatan Aliran Kerja Klinikal Didorong Pelengkap (CoDoC) . Proses diagnostik pertama kali didiagnosis oleh sistem AI ramalan, kemudian dinilai oleh sistem AI yang lain pada hasil sebelumnya, dan jika terdapat keraguan, diagnosis akhirnya dibuat oleh doktor untuk meningkatkan ketepatan diagnostik dan kecekapan keseimbangan. Apabila bercakap tentang pemeriksaan kanser payudara, CoDoC mengurangkan kadar positif palsu sebanyak 25% dengan kadar negatif palsu yang sama, sambil mengurangkan beban kerja doktor sebanyak 66%, berbanding proses "timbangtara baca dua kali" semasa di UK. Dari segi klasifikasi TB, kadar positif palsu dikurangkan sebanyak 5 hingga 15 peratus dengan kadar negatif palsu yang sama berbanding AI bebas dan aliran kerja klinikal.

Begitu juga, Annie Y. Ng et al., Syarikat Kheiron di London, UK, memperkenalkan pembaca AI tambahan (dengan kerjasama pemeriksa manusia) untuk memeriksa semula keputusan apabila tiada keputusan ingat semula dalam proses timbang tara baca dua kali, yang meningkatkan masalah pengesanan terlepas dalam pemeriksaan awal kanser payudara, dan proses itu hampir tiada positif palsu. Satu lagi kajian, yang diketuai oleh pasukan di Sekolah Perubatan Universiti Texas McGovern dan disiapkan di empat pusat strok, menggunakan teknologi AI berasaskan computed tomography angiography (CTA) untuk mengautomasikan pengesanan strok iskemia oklusif vaskular besar (LVO). Pakar klinik dan ahli radiologi menerima makluman masa nyata pada telefon mudah alih mereka dalam beberapa minit selepas pengimejan CT selesai, memberitahu mereka tentang kemungkinan kehadiran LVO. Proses AI ini menambah baik aliran kerja dalam hospital untuk strok iskemia akut, mengurangkan masa dari pintu ke pangkal paha daripada kemasukan ke rawatan dan menyediakan peluang untuk penyelamatan yang berjaya. Penemuan ini diterbitkan dalam JAMA Neurology.

Model Penjagaan Kesihatan AI untuk Faedah Universal

2023 juga akan menyaksikan banyak kerja baik yang menggunakan AI perubatan untuk mencari ciri yang tidak dapat dilihat oleh mata manusia daripada data yang lebih mudah didapati, membolehkan diagnosis universal dan pemeriksaan awal pada skala. Pada awal tahun, Nature Medicine menerbitkan kajian yang dilakukan oleh Pusat Mata Zhongshan Universiti Sun Yat-sen dan Hospital Gabungan Kedua Universiti Perubatan Fujian. Menggunakan telefon pintar sebagai terminal aplikasi, mereka menggunakan imej video seperti kartun untuk mendorong pandangan kanak-kanak dan merekodkan tingkah laku pandangan dan ciri wajah kanak-kanak, dan seterusnya menganalisis model abnormal menggunakan model pembelajaran mendalam untuk berjaya mengenal pasti 16 penyakit mata, termasuk katarak kongenital, ptosis kongenital dan glaukoma kongenital, dengan ketepatan saringan purata lebih daripada 85%. Ini menyediakan cara teknikal yang berkesan dan mudah untuk mempopularkan saringan awal berskala besar kecacatan fungsi penglihatan bayi dan penyakit mata yang berkaitan.

Pada penghujung tahun, Nature Medicine melaporkan kerja yang dilakukan oleh lebih daripada 10 institusi perubatan dan penyelidikan di seluruh dunia, termasuk Institut Penyakit Pankreas Shanghai dan Hospital Gabungan Pertama Universiti Zhejiang. Penulis menggunakan AI pada pemeriksaan kanser pankreas orang tanpa gejala di pusat pemeriksaan fizikal, hospital, dan lain-lain, untuk mengesan ciri-ciri lesi dalam imej CT imbasan biasa yang sukar dikesan dengan mata kasar sahaja, supaya dapat mencapai pengesanan awal kanser pankreas yang cekap dan tidak invasif. Dalam menyemak data daripada lebih 20,000 pesakit, model itu juga mengenal pasti 31 kes lesi yang terlepas secara klinikal, yang meningkatkan hasil klinikal dengan ketara.

Perkongsian Data Perubatan

Pada tahun 2023, banyak lagi mekanisme perkongsian data yang sempurna dan kes yang berjaya telah muncul di seluruh dunia, memastikan kerjasama pelbagai pusat dan keterbukaan data di bawah premis melindungi privasi dan keselamatan data.

Pertama, dengan bantuan teknologi AI itu sendiri, penyelidik AI telah menyumbang kepada perkongsian data perubatan. Qi Chang dan lain-lain dari Universiti Rutgers di Amerika Syarikat menerbitkan artikel dalam Nature Communications, mencadangkan rangka kerja pembelajaran persekutuan DSL berdasarkan rangkaian musuh sintetik teragih, yang menggunakan AI generatif untuk melatih data yang dijana khusus bagi berbilang pusat, dan kemudian menggantikan data sebenar berbilang pusat dengan data yang dijana. Pastikan latihan AI berdasarkan data besar berbilang pusat sambil melindungi privasi data. Pasukan yang sama juga sumber terbuka set data imej patologi yang dijana dan anotasi sepadannya. Model pembahagian yang dilatih pada set data yang dijana boleh mencapai hasil yang serupa dengan data sebenar.

Pasukan Dai Qionghai dari Universiti Tsinghua menerbitkan kertas kerja mengenai npj Digital Health, mencadangkan Relay Learning, yang menggunakan data besar berbilang tapak untuk melatih model AI di bawah premis kedaulatan data tempatan dan tiada sambungan rangkaian merentas tapak. Ia mengimbangi keselamatan data dan kebimbangan privasi dengan mengejar prestasi AI. Pasukan yang sama kemudiannya bersama-sama membangunkan dan mengesahkan CAIMEN, sistem diagnosis tumor pan-mediastinal CT dada berdasarkan pembelajaran persekutuan, dengan kerjasama Hospital Gabungan Pertama Universiti Perubatan Guangzhou dan 24 hospital di seluruh negara. Sistem itu, yang boleh digunakan untuk 12 tumor mediastinal biasa, mencapai ketepatan 44.9 peratus lebih baik apabila digunakan secara bersendirian berbanding apabila digunakan oleh pakar manusia sahaja, dan 19 peratus ketepatan diagnosis lebih baik apabila pakar manusia dibantu olehnya.

Sebaliknya, beberapa inisiatif sedang dijalankan untuk membina set data perubatan berskala besar yang selamat, global. Pada November 2023, Agustina Saenz dan yang lain daripada Jabatan Informatik Bioperubatan di Sekolah Perubatan Harvard menerbitkan dalam talian dalam Lancet Digital Health rangka kerja global untuk berkongsi data imej perubatan yang dipanggil Data Kecerdasan Buatan untuk Semua Penjagaan Kesihatan (MAIDA). Mereka bekerjasama dengan organisasi penjagaan kesihatan di seluruh dunia untuk menyediakan panduan komprehensif tentang pengumpulan data dan nyah pengenalan, menggunakan templat Rakan Kongsi Demonstrasi Persekutuan (FDP) AS untuk menyeragamkan perkongsian data. Mereka merancang untuk mengeluarkan secara beransur-ansur set data yang dikumpul di rantau yang berbeza dan Tetapan klinikal di seluruh dunia. Set data pertama dijangka dikeluarkan pada awal 2024, dengan lebih banyak lagi akan datang apabila perkongsian berkembang. Projek ini merupakan percubaan penting untuk membina set data AI yang tersedia secara umum secara global, berskala besar dan pelbagai.

Berikutan cadangan itu, UK Biobank telah menunjukkan contoh. UK Biobank mengeluarkan data baharu pada 30 November daripada keseluruhan penjujukan genom bagi 500,000 pesertanya. Pangkalan data, yang menerbitkan jujukan genom lengkap setiap 500,000 sukarelawan British, adalah pangkalan data genom manusia lengkap terbesar di dunia. Penyelidik di seluruh dunia boleh meminta akses kepada data yang tidak dikenal pasti ini dan menggunakannya untuk menyiasat asas genetik kesihatan dan penyakit. Data genetik sentiasa sangat sensitif untuk pengesahan pada masa lalu, dan pencapaian bersejarah UK Biobank ini membuktikan bahawa adalah mungkin untuk membina pangkalan data berskala besar global yang terbuka dan bebas privasi. Dengan teknologi dan pangkalan data ini, AI perubatan pasti akan memulakan lonjakan seterusnya.

Pengesahan dan Penilaian AI Perubatan

Berbanding dengan perkembangan pesat teknologi AI perubatan itu sendiri, pembangunan pengesahan dan penilaian AI perubatan adalah sedikit perlahan. Pengesahan dan penilaian dalam bidang AI am sering mengabaikan keperluan sebenar doktor dan pesakit untuk AI. Ujian klinikal terkawal rawak tradisional terlalu sukar untuk dipadankan dengan lelaran pantas alatan AI. Memperbaik sistem pengesahan dan penilaian yang sesuai untuk alat AI perubatan secepat mungkin adalah perkara paling penting untuk mempromosikan AI perubatan supaya benar-benar melonjakkan penyelidikan dan pembangunan ke pendaratan klinikal.

Dalam kertas penyelidikan Google tentang Med-PaLM, yang diterbitkan dalam Nature, pasukan itu juga menerbitkan penanda aras penilaian MultiMedQA, yang digunakan untuk menilai keupayaan model bahasa besar untuk memperoleh pengetahuan klinikal. Penanda aras itu menggabungkan enam set data Soal Jawab perubatan profesional sedia ada, meliputi pengetahuan perubatan profesional, penyelidikan dan aspek lain, serta set data pangkalan data soalan perubatan carian dalam talian, mempertimbangkan Soal Jawab dalam talian pesakit doktor, cuba melatih AI menjadi doktor yang berkelayakan dari banyak aspek. Di samping itu, pasukan itu mencadangkan rangka kerja berdasarkan penilaian manusia yang mengambil kira pelbagai dimensi fakta, pemahaman, penaakulan dan kemungkinan berat sebelah. Ini adalah salah satu usaha penyelidikan yang paling mewakili untuk menilai AI dalam penjagaan kesihatan yang diterbitkan tahun ini.

Walau bagaimanapun, adakah hakikat bahawa model bahasa besar menunjukkan tahap pengetahuan klinikal pengekodan yang tinggi bermakna model bahasa besar adalah kompeten untuk tugas klinikal dunia sebenar? Sama seperti pelajar perubatan yang lulus peperiksaan doktor profesional dengan skor sempurna masih jauh daripada ketua doktor solo, kriteria penilaian yang dicadangkan oleh Google mungkin bukan jawapan yang sempurna untuk topik penilaian AI perubatan untuk model AI. Seawal 2021 dan 2022, penyelidik telah mencadangkan garis panduan pelaporan seperti Decid-AI, SPIRIT-AI, dan INTRPRT, dengan harapan dapat membimbing pembangunan awal dan pengesahan AI perubatan di bawah syarat mempertimbangkan faktor seperti praktikal klinikal, keselamatan, faktor manusia dan ketelusan/kebolehtafsiran. Baru-baru ini, jurnal Nature Medicine menerbitkan kajian oleh penyelidik dari Universiti Oxford dan Universiti Stanford sama ada untuk menggunakan "pengesahan luaran" atau "pengesahan tempatan berulang. "Untuk mengesahkan alat AI.

Sifat tidak berat sebelah alat AI juga merupakan hala tuju penilaian penting yang telah mendapat perhatian tahun ini daripada kedua-dua artikel Sains dan NEJM. AI sering menunjukkan berat sebelah kerana ia terhad kepada data latihan. Bias ini mungkin mencerminkan ketidaksamaan sosial, yang seterusnya berkembang menjadi diskriminasi algoritma. Institut Kesihatan Nasional baru-baru ini melancarkan inisiatif Bridge2AI, dianggarkan bernilai $130 juta, untuk membina set data yang pelbagai (selaras dengan matlamat inisiatif MAIDA yang disebutkan di atas) yang boleh digunakan untuk mengesahkan ketidakbiasaan alat AI perubatan. Aspek-aspek ini tidak dipertimbangkan oleh MultiMedQA. Persoalan tentang cara mengukur dan mengesahkan model AI perubatan masih memerlukan perbincangan yang meluas dan mendalam.

Pada bulan Januari, Nature Medicine menerbitkan satu pendapat yang dipanggil "The Next Generation of Evidence-Based Medicine" daripada Vivek Subbiah dari Pusat Kanser MD Anderson Universiti Texas, mengkaji had ujian klinikal yang didedahkan dalam konteks pandemik COVID-19 dan menunjukkan percanggahan antara inovasi dan pematuhan kepada proses penyelidikan klinikal. Akhir sekali, ia menunjukkan masa depan penstrukturan semula ujian klinikal - ujian klinikal generasi akan datang menggunakan kecerdasan buatan, iaitu, penggunaan kecerdasan buatan daripada sejumlah besar data penyelidikan sejarah, data dunia sebenar, data klinikal pelbagai mod, data peranti boleh pakai untuk mencari bukti utama. Adakah ini bermakna teknologi AI dan proses pengesahan klinikal AI mungkin saling memperkukuh dan berkembang bersama pada masa hadapan? Ini adalah soalan terbuka dan merangsang pemikiran 2023.

Peraturan AI Perubatan

Kemajuan teknologi AI juga menimbulkan cabaran kepada peraturan AI, dan penggubal dasar di seluruh dunia bertindak balas dengan berhati-hati dan berhati-hati. Pada 2019, FDA pertama kali menerbitkan Rangka Kerja Kawal Selia yang Dicadangkan untuk Perubahan Perisian kepada Peranti Perubatan Kecerdasan Buatan (Draf Perbincangan), memperincikan pendekatan potensinya untuk semakan prapasaran AI dan pengubahsuaian perisian dipacu pembelajaran mesin. Pada 2021, FDA mencadangkan "Perisian Berasaskan Kecerdasan Buatan/Pembelajaran Mesin sebagai Pelan Tindakan Peranti Perubatan", yang menjelaskan lima langkah kawal selia perubatan AI khusus. Tahun ini, FDA mengeluarkan semula Penyerahan Prapasaran untuk Ciri Perisian Peranti untuk memberikan maklumat tentang pengesyoran penyerahan prapasaran untuk penilaian FDA tentang keselamatan dan keberkesanan ciri perisian peranti, termasuk beberapa ciri peranti perisian yang menggunakan model pembelajaran mesin yang dilatih melalui kaedah pembelajaran mesin. Dasar pengawalseliaan FDA telah berkembang daripada cadangan awal kepada panduan praktikal.

Berikutan penerbitan Ruang Data Kesihatan Eropah pada Julai tahun lalu, EU sekali lagi telah menggubal Akta Kepintaran Buatan. Yang pertama bertujuan untuk menggunakan data kesihatan yang terbaik untuk menyediakan penjagaan kesihatan berkualiti tinggi, mengurangkan ketidaksamaan dan data sokongan untuk pencegahan, diagnosis, rawatan, inovasi saintifik, membuat keputusan dan perundangan, sambil memastikan warga EU mempunyai kawalan yang lebih besar ke atas data kesihatan peribadi mereka. Yang terakhir menjelaskan bahawa sistem diagnosis perubatan ialah sistem AI berisiko tinggi, dan ia perlu menggunakan penyeliaan kukuh yang disasarkan, penyeliaan kitaran sepanjang hayat dan penyeliaan pra-penilaian. Agensi Ubat Eropah (EMA) telah menerbitkan Draf Kertas Refleksi mengenai penggunaan AI untuk menyokong pembangunan, pengawalseliaan dan penggunaan ubat, dengan penekanan pada meningkatkan kredibiliti AI untuk memastikan keselamatan pesakit dan integriti hasil penyelidikan klinikal. Secara keseluruhan, pendekatan kawal selia EU secara beransur-ansur terbentuk, dan butiran pelaksanaan akhir mungkin lebih terperinci dan ketat. Berbeza dengan peraturan ketat EU, pelan tindakan kawal selia AI UK menjelaskan bahawa kerajaan merancang untuk mengambil pendekatan lembut dan tidak menggubal rang undang-undang baharu atau menubuhkan pengawal selia baharu buat masa ini.

Di China, Pusat Semakan Teknikal Peranti Perubatan (NMPA) Pentadbiran Produk Perubatan Kebangsaan sebelum ini telah mengeluarkan dokumen seperti "Titik Semakan Perisian Keputusan Berbantukan Pembelajaran Mendalam", "Prinsip Panduan untuk Semakan Pendaftaran Peranti Perubatan Kecerdasan Buatan (Draf untuk Ulasan)" dan "Pekeliling Prinsip Panduan untuk Pengelasan dan Takrifan Perisian Perubatan 4 dalam Pengelasan dan Takrifan Perubatan 4". Pada tahun ini, "Ringkasan keputusan klasifikasi produk peranti perubatan pertama pada tahun 2023" dikeluarkan sekali lagi. Siri dokumen ini menjadikan definisi, klasifikasi dan peraturan produk perisian perubatan kecerdasan buatan lebih jelas dan lebih mudah untuk dikendalikan, serta menyediakan panduan yang jelas untuk strategi penentududukan dan pendaftaran produk pelbagai perusahaan dalam industri. Dokumen ini menyediakan rangka kerja dan keputusan pengurusan AI bagi peranti perubatan yang mencari ke hadapan di China. Persidangan Kecerdasan Buatan yang diadakan di Hangzhou dari 21 hingga 23 Disember menubuhkan forum khas mengenai tadbir urus perubatan digital dan pembangunan hospital awam yang berkualiti tinggi dan forum pembangunan industri standardisasi teknologi dan ujian peranti perubatan kecerdasan buatan Pada masa itu, pegawai dari Suruhanjaya Pembangunan dan Pembaharuan Negara dan NMPA akan menghadiri mesyuarat itu dan mungkin mengeluarkan maklumat baharu.

Kesimpulan

Pada tahun 2023, AI perubatan telah mula menyepadukan ke dalam keseluruhan proses huluan dan hiliran perubatan, meliputi pengumpulan data hospital, gabungan, analisis, diagnosis dan rawatan, dan pemeriksaan komuniti, dan bekerjasama secara organik dengan pekerja perubatan/penyakit kawalan, yang menunjukkan potensi untuk membawa kesejahteraan kepada kesihatan manusia. Penyelidikan AI perubatan yang boleh digunakan mula menjelma. Pada masa hadapan, kemajuan AI perubatan bukan sahaja bergantung kepada pembangunan teknologi itu sendiri, tetapi juga memerlukan kerjasama penuh industri, universiti dan penyelidikan perubatan serta sokongan pembuat dasar dan pengawal selia. Kerjasama merentas domain ini adalah kunci untuk mencapai perkhidmatan perubatan bersepadu AI, dan pastinya akan menggalakkan pembangunan kesihatan manusia.