สารสนเทศภาพทางการแพทย์หรือที่รู้จักกันในชื่อสารสนเทศรังสีวิทยาหรือสารสนเทศภาพทางการแพทย์เป็นสาขาย่อยของสารสนเทศชีวการแพทย์ที่มุ่งปรับปรุงประสิทธิภาพ ความแม่นยำ ความสามารถในการใช้งาน และความน่าเชื่อถือของบริการภาพทางการแพทย์ภายในองค์กรด้านการดูแลสุขภาพ^{[ 1 ]}มุ่งเน้นการศึกษาเกี่ยวกับวิธีการดึง วิเคราะห์ ปรับปรุง และแลกเปลี่ยนข้อมูลเกี่ยวกับและที่มีอยู่ในภาพทางการแพทย์ทั่วทั้งองค์กรทางการแพทย์

เนื่องจากรังสีวิทยาเป็นสาขาเฉพาะทางที่ต้องใช้ข้อมูลจำนวนมากและเทคโนโลยีขั้นสูง ผู้เชี่ยวชาญในสาขาการแพทย์นี้จึงกลายเป็นผู้นำด้านสารสนเทศทางการแพทย์ (Imaging Informatics) อย่างไรก็ตาม ด้วยการแพร่หลายของภาพดิจิทัลในวงการแพทย์ ซึ่งรวมถึงสาขาต่างๆ เช่นโรคหัวใจจักษุวิทยาผิวหนังศัลยกรรมระบบทางเดินอาหารสูติศาสตร์ นรีเวชวิทยาและพยาธิวิทยาความ ก้าวหน้าในด้านสารสนเทศทางการแพทย์จึงถูกทดสอบและนำไปประยุกต์ใช้ในสาขาอื่นๆ ของการแพทย์ด้วยเช่น กันผู้เล่นและผู้จำหน่ายต่างๆ ในอุตสาหกรรมที่เกี่ยวข้องกับการถ่ายภาพทางการแพทย์ รวมถึงผู้เชี่ยวชาญด้านไอทีและผู้เชี่ยวชาญด้านสารสนเทศชีวการแพทย์อื่นๆ กำลังมีส่วนร่วมและสนับสนุนในสาขาที่กำลังขยายตัวนี้

สารสนเทศทางการแพทย์ด้านการถ่ายภาพนั้นอยู่ตรงจุดตัดของหลายสาขาที่กว้างขวาง:

• วิทยาศาสตร์ชีวภาพ – ครอบคลุมวิทยาศาสตร์พื้นฐาน เช่นชีวเคมีจุลชีววิทยาสรีรวิทยาและพันธุศาสตร์
• บริการทางคลินิก – ครอบคลุมถึงการปฏิบัติทางการแพทย์ การวิจัยข้างเตียงผู้ป่วย ซึ่งรวมถึงการศึกษาผลลัพธ์และความคุ้มค่า และนโยบายสาธารณสุข
• วิทยาศาสตร์สารสนเทศ – เกี่ยวข้องกับการได้มา การดึงข้อมูล การจัดทำรายการ และการเก็บรักษาข้อมูล
• ฟิสิกส์การแพทย์ / วิศวกรรมชีวการแพทย์ – เกี่ยวข้องกับการใช้อุปกรณ์และเทคโนโลยีเพื่อวัตถุประสงค์ทางการแพทย์
• วิทยาศาสตร์ทางปัญญา – การศึกษาปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ความสามารถในการใช้งาน และการแสดงข้อมูลด้วยภาพ
• วิทยาการคอมพิวเตอร์ – การศึกษาการใช้อัลกอริธึมคอมพิวเตอร์สำหรับแอปพลิเคชันต่างๆ เช่นการวินิจฉัยโรคด้วยคอมพิวเตอร์และคอมพิวเตอร์วิชั่น

เนื่องจากความหลากหลายของผู้เล่นในอุตสาหกรรมและสาขาวิชาชีพที่เกี่ยวข้องกับสารสนเทศทางการแพทย์ด้านการถ่ายภาพ ทำให้เกิดความต้องการมาตรฐานและโปรโตคอลใหม่ๆ ซึ่งรวมถึงDICOM (Digital Imaging and Communications in Medicine), Health Level 7 (HL7), องค์การมาตรฐานสากล (ISO) และโปรโตคอล ปัญญาประดิษฐ์

งานวิจัยในปัจจุบันเกี่ยวกับสารสนเทศทางการแพทย์ด้านภาพวินิจฉัยโรคเน้นไปที่ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) เทคโนโลยีใหม่เหล่านี้ถูกนำมาใช้เพื่อพัฒนาระบบอัตโนมัติ การจำแนกประเภทโรค เทคนิคการแสดงภาพขั้นสูง และการปรับปรุงความแม่นยำในการวินิจฉัย อย่างไรก็ตาม การบูรณาการ AI และ ML เผชิญกับความท้าทายหลายประการเกี่ยวกับการจัดการข้อมูลและความปลอดภัย

แม้ว่าสาขาสารสนเทศภาพจะอาศัยพลังของการคำนวณสมัยใหม่ แต่รากฐานของมันย้อนกลับไปถึงช่วงต้นศตวรรษที่ 20 เมื่อวันที่ 8 พฤศจิกายน พ.ศ. 2438 นักฟิสิกส์ชาวเยอรมันWilhelm Conrad Röntgenได้สังเกตเทคนิคการถ่ายภาพแบบใหม่ที่เขาเรียกว่า " รังสีเอ็กซ์ " ในระหว่างการทดลองของเขา การค้นพบนี้นำไปสู่การสร้างสาขาการถ่ายภาพทางการแพทย์ และในทางกลับกันก็ก่อให้เกิดนวัตกรรมใหม่ๆ ของมนุษย์^{[ 2 ]}

รังสีเอกซ์เป็นเทคโนโลยีการถ่ายภาพทางการแพทย์เพียงอย่างเดียวเป็นเวลาหลายทศวรรษหลังจากการค้นพบ อย่างไรก็ตาม การมาถึงของช่วงกลางศตวรรษที่ 20 หมายถึงการขยายตัวของสาขาการถ่ายภาพทางการแพทย์ รูปแบบใหม่ ๆ ได้แก่: การตรวจเอกซเรย์คอมพิวเตอร์ (CT) เพื่อแสดงภาพเนื้อเยื่ออ่อนด้วยความละเอียดสูง; การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ซึ่งเป็นมาตรฐานที่ทันสมัยสำหรับการถ่ายภาพเนื้อเยื่ออ่อน; อัลตราซาวนด์ที่ใช้คลื่นเสียงเพื่อสร้างภาพที่มีราคาถูกกว่า; การถ่ายภาพนิวเคลียร์และเครื่องสแกนแบบไฮบริดสำหรับการถ่ายภาพเชิงฟังก์ชันและการถ่ายภาพที่มีความละเอียดเชิงพื้นที่สูงขึ้นซึ่งสร้างขึ้นโดยการรวมหลายรูปแบบ^{[ 3 ]}

เมื่อเทคนิคการถ่ายภาพเหล่านี้มีความซับซ้อนมากขึ้น ปริมาณข้อมูลที่ผู้เชี่ยวชาญด้านการถ่ายภาพทางการแพทย์ต้องประมวลผลก็เพิ่มขึ้นเช่นกัน นอกจากนี้การปฏิวัติทางดิจิทัลในช่วงกลางถึงปลายศตวรรษที่ 20 ยังทำให้ข้อมูลที่เทคนิคเหล่านี้สามารถรวบรวมได้เพิ่มมากขึ้น ส่งผลให้ปัจจัยจำกัดหลักสำหรับสาขาการถ่ายภาพทางการแพทย์กลายเป็นความไม่สามารถของมนุษย์ในการตีความข้อมูลจำนวนมากได้อย่างแม่นยำ^{[ 4 ]}ดังนั้นจึงเกิดความต้องการความช่วยเหลือจากคอมพิวเตอร์ในการวิเคราะห์ จัดเก็บ และจัดการภาพดิจิทัลที่ซับซ้อน ระบบสารสนเทศการถ่ายภาพสมัยใหม่ได้รับการพัฒนาขึ้นเพื่อตอบสนองความต้องการเหล่านี้

สารสนเทศทางการแพทย์ด้านภาพเป็นสาขาที่กว้างขวางและมีหลายด้านที่น่าสนใจทำให้การพัฒนาสาขานี้เป็นผลรวมของการพัฒนาเทคโนโลยีต่างๆ มากมาย นวัตกรรมที่สำคัญหลายประการสำหรับสาขานี้มีดังต่อไปนี้:

การพัฒนา PACSทำให้การใช้ระบบจัดเก็บและเรียกค้นภาพในทางการแพทย์เป็นที่นิยม^{[ 5 ]}ยิ่งไปกว่านั้น เทคโนโลยีใหม่นี้ยังต้องการการพัฒนาเทคโนโลยีอื่นๆ อีกด้วย ทั่วโลกตระหนักได้อย่างรวดเร็วว่าจำเป็นต้องมีการกำหนดมาตรฐานการถ่ายภาพดิจิทัล เนื่องจากผลกระทบที่ PACS มีต่อวงการแพทย์สมาคมรังสีวิทยาแห่งอเมริกา (ACR) และสมาคมผู้ผลิตอุปกรณ์ไฟฟ้าแห่งชาติ (NEMA) ได้จัดตั้งคณะกรรมการมาตรฐานการถ่ายภาพและการสื่อสารดิจิทัล (ซึ่งต่อมากลายเป็น DICOM) เพื่อตอบสนองต่อข้อกังวลนี้^{[ 6 ]}

ผลกระทบของยุคดิจิทัลต่อรังสีวิทยาทำให้เกิดข้อมูลจำนวนมากที่ต้องได้รับการจัดการ เพื่อรับมือกับเรื่องนี้ จึงมีการนำเทคโนโลยีสารสนเทศมาใช้ เช่นระบบสารสนเทศรังสีวิทยา (RIS) ^{[ 7 ]}และระบบสารสนเทศโรงพยาบาล (HIS) ระบบเหล่านี้จะทำงานร่วมกับ PACS และเทคโนโลยีการถ่ายภาพอื่นๆ เพื่อปรับปรุงการจัดการข้อมูลผู้ป่วยให้มีประสิทธิภาพยิ่งขึ้น ดังแสดงในรูปทางด้านขวา^{[ 8 ]}

แนวคิดของการตรวจจับด้วยคอมพิวเตอร์ช่วย (CAD) และการวินิจฉัยด้วยคอมพิวเตอร์ช่วย (CADx) คือกระบวนการวิเคราะห์และตีความข้อมูลภาพทางการแพทย์สามารถทำให้เป็นอัตโนมัติได้ โดยอาจมีความแม่นยำสูงกว่าการตรวจจับและวินิจฉัยโดยมนุษย์ ความสนใจในเรื่องนี้ย้อนกลับไปถึงปี 1966 เมื่อการถ่ายภาพรังสีวิทยาเริ่มเป็นระบบดิจิทัลเป็นครั้งแรก^{[ 9 ]}การนำระบบ CAD ไปใช้ที่ประสบความสำเร็จครั้งแรกเกิดขึ้นในปี 1994 ที่มหาวิทยาลัยชิคาโกเพื่อใช้ในการตรวจแมมโมแกรมตามมาด้วยระบบ CAD เชิงพาณิชย์ระบบแรกในปี 1998 ที่เรียกว่า ImageChecker M1000 ^{[ 6 ]}เมื่อเข้าสู่ศตวรรษที่ 21 เทคนิคการเรียนรู้ของเครื่องได้ถูกนำมาใช้เพื่อสร้างระบบ CAD และ CADx เวอร์ชันหนึ่ง^{[ 10 ]}การพัฒนาเทคโนโลยีเหล่านี้ในอนาคตเป็นสิ่งที่มีประโยชน์ เนื่องจากเป็นทางออกสำหรับข้อจำกัดของมนุษย์ในการประมวลผลภาพทางการแพทย์^{[ 4 ]}แม้ว่าระบบ CAD ที่มีความแม่นยำสูงและเป็นอัตโนมัติอย่างสมบูรณ์ยังไม่เกิดขึ้นจริง แต่ความก้าวหน้าล่าสุดในปัญญาประดิษฐ์อาจทำให้สามารถนำไปใช้งานได้อย่างมีประสิทธิภาพ^{[ 11 ]}

ในสาขาสารสนเทศทางการแพทย์ด้านภาพ จำเป็นอย่างยิ่งที่จะต้องตรวจสอบให้แน่ใจว่าข้อมูลที่เกี่ยวข้องกับมาตรฐานอุตสาหกรรมและโปรโตคอลการแบ่งปันข้อมูลนั้นทันสมัยอยู่เสมอ ความก้าวหน้าอย่างรวดเร็วในสาขานี้ทำให้จำเป็นต้องมีแนวทางที่รอบคอบเพื่อรักษาความสม่ำเสมอ ส่งเสริมการทำงานร่วมกัน และรับประกันการเผยแพร่ข้อมูลภาพอย่างมีประสิทธิภาพ ด้วยเหตุนี้ จึงมีหลายแง่มุมที่สำคัญที่ต้องได้รับการพิจารณาอย่างเข้มงวด:

มาตรฐาน Digital Imaging and Communications in Medicine (DICOM) กำหนดโครงสร้างข้อมูลที่ซับซ้อนซึ่งผสานรวมข้อมูลภาพทางการแพทย์เข้ากับข้อมูลระบุตัวตนผู้ป่วยที่เกี่ยวข้องไว้ในชุดข้อมูลเดียวกัน คล้ายกับเมตาเดต้าที่ฝังอยู่ในภาพ JPEG หน่วยข้อมูล DICOM เหล่านี้ประกอบด้วยคุณลักษณะมากมาย โดยเฉพาะอย่างยิ่งข้อมูลพิกเซล ซึ่งในวิธีการถ่ายภาพบางประเภท จะสอดคล้องกับภาพแต่ละภาพ หรืออาจเป็นอาร์เรย์ของเฟรมที่แสดงข้อมูลการเคลื่อนไหวหรือปริมาตร ดังที่เห็นได้ในภาพเคลื่อนไหวหรือการสแกนหลายมิติในเวชศาสตร์นิวเคลียร์ สถาปัตยกรรมนี้รองรับการรวมข้อมูลที่ซับซ้อนและหลากหลายเข้าไว้ในไฟล์ DICOM เดียว มาตรฐานนี้รองรับอัลกอริทึมการบีบอัดข้อมูลพิกเซลที่หลากหลาย รวมถึง JPEG และ JPEG 2000 และอนุญาตให้มีการบีบอัดชุดข้อมูลแบบองค์รวมได้ในเบื้องต้น DICOM กำหนดวิธีการเข้ารหัสข้อมูลไว้สามแบบ โดยเน้นการแสดงค่าอย่างชัดเจน ยกเว้นในกรณีพิเศษบางประการตามที่อธิบายไว้ในส่วนที่ 5 ของคู่มือ DICOM โดยทั่วไปแล้ว ไฟล์ข้อมูลที่ใช้กันอย่างแพร่หลายในแอปพลิเคชันต่างๆ จะมีส่วนหัวที่บรรจุคุณลักษณะและข้อมูลสำคัญเกี่ยวกับแอปพลิเคชันต้นทาง

ขั้นตอนการทำงานที่เสนอจะผสานรวมการใช้ DICOM Structured Reporting (SR) ซึ่งการวัดที่สำคัญจะถูกเข้ารหัสเป็นวัตถุ DICOM SR จากนั้นวัตถุเหล่านี้จะถูกใช้เพื่อกรอกเทมเพลต SR ที่กำหนดไว้ล่วงหน้า ส่งผลให้เกิดการสร้างรายงานมาตรฐานที่ประกอบด้วยองค์ประกอบข้อมูลแยกส่วน รายงานนี้จะถูกส่งไปยังระบบเวชระเบียนอิเล็กทรอนิกส์ (EMR) ในภายหลัง ข้อมูลแยกส่วนที่ดึงมาจากรายงานเหล่านี้ช่วยให้สามารถติดตามตัวชี้วัดของผู้ป่วยแต่ละรายในระยะยาว ส่งต่อไปยังทะเบียนข้อมูล หรือใช้ประโยชน์เพื่อวัตถุประสงค์ในการวิจัยทางคลินิก^{[ 12 ]}

DDInteract ถูกสร้างขึ้นเพื่อเสริมสร้างความร่วมมือระหว่างบุคลากรทางการแพทย์และผู้ป่วย โดยมีเป้าหมายเพื่อค้นหาวิธีการรักษาที่เหมาะสมที่สุดซึ่งช่วยลดอันตรายจากปฏิกิริยาระหว่างยา ส่วนติดต่อผู้ใช้ของ DDInteract ถูกจัดระเบียบอย่างเป็นระบบออกเป็นสี่ส่วนที่แตกต่างกัน

ข้อมูลยาอาจถูกแสดงในรูปแบบต่างๆ ของ Fast Health Interoperability Resources (FHIR) ซึ่งจำเป็นต้องมีการวิเคราะห์อย่างละเอียดโดย DDInteract โดยเฉพาะอย่างยิ่ง MedicationRequest ใช้สำหรับยาที่แพทย์สั่งจ่ายให้กับผู้ป่วย MedicationDispense ครอบคลุมยาที่ได้จ่ายให้กับผู้ป่วยแล้ว และ MedicationStatement เกี่ยวข้องกับยาที่ผู้ป่วยแจ้งว่าเคยรับประทานหรือกำลังรับประทานอยู่ เป็นไปได้ที่ยาชนิดเดียวกันจะถูกแสดงในรูปแบบข้อมูลหลายรูปแบบ โดยข้อมูลที่ซ้ำซ้อนจะถูกรวมเข้าเป็นบันทึกเดียวตามวันที่ล่าสุดและลำดับชั้นที่กำหนดไว้ระหว่างประเภทของข้อมูล

เพื่อเพิ่มประสิทธิภาพในการดึงข้อมูลจากเซิร์ฟเวอร์ FHIR จึงไม่ได้พิจารณาข้อมูลยาในทุกกรณี จะรวมเฉพาะข้อมูลยาที่ใช้งานอยู่หรือเคยใช้งานภายใน 100 วันที่ผ่านมาเท่านั้น โดยยึดตามระเบียบปฏิบัติทั่วไปของสหรัฐอเมริกาที่อนุญาตให้จ่ายยาได้ไม่เกินสามเดือน

ระบบการจัดการคุณภาพ (QMS) เป็นโครงสร้างแบบบูรณาการที่ประกอบด้วยสถาปัตยกรรมขององค์กร การจัดสรรทรัพยากร ความเชี่ยวชาญของบุคลากร และคลังเอกสารและขั้นตอนต่างๆ ที่ร่วมกันส่งเสริมความมั่นใจและยกระดับคุณภาพในผลิตภัณฑ์และบริการขององค์กร โดยกำหนดชุดของการดำเนินการที่ประสานงานกันอย่างเป็นระบบซึ่งจำเป็นต่อการกำกับดูแลและเพิ่มประสิทธิภาพของพารามิเตอร์คุณภาพ ชุดมาตรฐาน ISO 9000 ถือเป็นแบบแผนที่โดดเด่นและได้รับการรับรองในระดับสากลสำหรับการนำ QMS ไปใช้ ในขณะที่มาตรฐาน ISO 15189 เป็นกรอบการทำงานเฉพาะที่ออกแบบมาโดยเฉพาะสำหรับความต้องการของห้องปฏิบัติการทางคลินิก^{[ 13 ]}

การทบทวนอย่างเป็นระบบได้ประเมินอย่างละเอียดถี่ถ้วนถึงการออกแบบ มาตรฐานการรายงาน ความเสี่ยงของอคติ และความถูกต้องของข้อกล่าวอ้างในงานวิจัยที่เปรียบเทียบประสิทธิภาพของอัลกอริธึมการเรียนรู้เชิงลึกสำหรับการวินิจฉัยภาพทางการแพทย์กับความเชี่ยวชาญของแพทย์ การทบทวนนี้ดำเนินการโดยใช้ข้อมูลจากฐานข้อมูลที่สำคัญตั้งแต่ปี 2010 ถึงเดือนมิถุนายน 2019 โดยมุ่งเป้าไปที่งานวิจัยที่เกี่ยวข้องกับโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ซึ่งโดดเด่นในด้านความสามารถในการแยกแยะคุณลักษณะที่สำคัญสำหรับการจำแนกภาพในบริบททางการแพทย์ได้อย่างอิสระ การตรวจสอบพบว่ามีงานวิจัยทางคลินิกแบบสุ่มน้อยมากในหัวข้อนี้ โดยพบเพียง 10 งานวิจัย ซึ่งมีเพียง 2 งานวิจัยที่ได้รับการตีพิมพ์ แสดงให้เห็นถึงความเสี่ยงของอคติต่ำและการปฏิบัติตามโปรโตคอลการรายงานที่น่าชื่นชม ในบรรดางานวิจัยที่ไม่ใช่แบบสุ่ม 81 งานวิจัย มีเพียงส่วนน้อยที่เป็นการศึกษาแบบไปข้างหน้าหรือได้รับการตรวจสอบในสภาพแวดล้อมทางคลินิกจริง โดยส่วนใหญ่มีความเสี่ยงของอคติสูง การปฏิบัติตามมาตรฐานการรายงานต่ำกว่าเกณฑ์ และการเข้าถึงข้อมูลและรหัสทำได้ยากมาก การทบทวนนี้เน้นย้ำถึงความจำเป็นในการเพิ่มจำนวนการศึกษาเชิงคาดการณ์และการทดลองแบบสุ่ม โดยสนับสนุนการลดอคติ เพิ่มความเกี่ยวข้องทางคลินิก เพิ่มความโปร่งใส และสรุปผลอย่างรอบคอบในสาขาที่กำลังเติบโตของการประยุกต์ใช้การเรียนรู้เชิงลึกกับภาพทางการแพทย์^{[ 14 ]}

การเติบโตแบบทวีคูณของข้อมูลดิจิทัลควบคู่ไปกับความสามารถในการประมวลผลที่เพิ่มขึ้นได้เร่งความก้าวหน้าของปัญญาประดิษฐ์ (AI) อย่างเห็นได้ชัด ซึ่งปัจจุบันกำลังถูกนำมาใช้ในด้านการดูแลสุขภาพมากขึ้นเรื่อยๆ แอปพลิเคชัน AI เหล่านี้มุ่งเป้าไปที่การปรับปรุงการวินิจฉัย การรักษา และการพยากรณ์โรคผ่านแบบจำลองการจำแนกและการทำนายที่ซับซ้อน อย่างไรก็ตาม วิวัฒนาการของเทคโนโลยีเหล่านี้ถูกขัดขวางโดยการขาดมาตรฐานการรายงานที่เข้มงวดเกี่ยวกับการจัดหาข้อมูล สถาปัตยกรรมแบบจำลอง และวิธีการที่ใช้ในการประเมินและตรวจสอบความถูกต้องของแบบจำลอง เพื่อเป็นการตอบสนอง เราจึงเสนอ MINIMAR (Minimum Information for Medical AI Reporting) ซึ่งเป็นโครงการริเริ่มที่ออกแบบมาเพื่อกำหนดพารามิเตอร์ที่สำคัญสำหรับการทำความเข้าใจการทำนายที่ขับเคลื่อนด้วย AI กลุ่มประชากรเป้าหมาย อคติโดยธรรมชาติ และความสามารถในการสรุปผลของเทคโนโลยีเหล่านี้ เราขอเรียกร้องให้มีการนำโปรโตคอลมาตรฐานมาใช้เพื่อให้แน่ใจว่าการใช้งาน AI ในด้านการดูแลสุขภาพได้รับการรายงานอย่างถูกต้องและมีความรับผิดชอบ ซึ่งจะช่วยอำนวยความสะดวกในการพัฒนาและใช้งานเครื่องมือสนับสนุนการตัดสินใจทางคลินิกที่เกี่ยวข้อง ในขณะเดียวกันก็แก้ไขข้อกังวลที่สำคัญเกี่ยวกับความแม่นยำและอคติ^{[ 15 ]}

มาตรฐานที่เสนอตามข้อกำหนดพื้นฐานควรต้องเป็นไปตามเกณฑ์สำคัญหลายประการ: ประการแรก ควรครอบคลุมรายละเอียดที่ครอบคลุมเกี่ยวกับประชากรที่ได้มาซึ่งข้อมูลการฝึกอบรม โดยระบุแหล่งที่มาของข้อมูลและวิธีการที่ใช้ในการเลือกกลุ่มตัวอย่าง ประการที่สอง ควรมีการบันทึกข้อมูลประชากรของข้อมูลการฝึกอบรมไว้อย่างชัดเจน เพื่ออำนวยความสะดวกในการเปรียบเทียบอย่างเป็นรูปธรรมกับลักษณะทางประชากรของประชากรที่แบบจำลองตั้งใจจะใช้งาน ประการที่สาม ควรมีการเปิดเผยสถาปัตยกรรมของแบบจำลองและกระบวนการพัฒนาอย่างละเอียด เพื่อให้สามารถตีความวัตถุประสงค์ของแบบจำลองได้อย่างชัดเจน เปรียบเทียบกับแบบจำลองที่คล้ายคลึงกัน และเพื่อให้สามารถทำซ้ำได้อย่างแม่นยำ ประการที่สี่ กระบวนการประเมิน การเพิ่มประสิทธิภาพ และการตรวจสอบความถูกต้องของแบบจำลองจะต้องได้รับการรายงานอย่างโปร่งใส เพื่อชี้แจงวิธีการเพิ่มประสิทธิภาพแบบจำลองในระดับท้องถิ่น และเพื่อสนับสนุนการทำซ้ำและการแบ่งปันทรัพยากร^{[ 15 ]}

• ความแม่นยำในการวินิจฉัยที่ดีขึ้น: ปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่งการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ได้พลิกโฉมการถ่ายภาพทางการแพทย์โดยเพิ่มความแม่นยำในการวินิจฉัยอย่างมีนัยสำคัญ เทคโนโลยีเหล่านี้มีความโดดเด่นในการระบุคุณลักษณะที่เกี่ยวข้องจากข้อมูลภาพโดยอัตโนมัติ ซึ่งช่วยเสริมกลยุทธ์การวินิจฉัย การพยากรณ์โรค และการรักษา
• ประสิทธิภาพในการดำเนินงาน: ความสามารถของ AI ในการวิเคราะห์ชุดข้อมูลภาพขนาดใหญ่ได้อย่างรวดเร็วนั้นเหนือกว่าความสามารถของมนุษย์ และมีศักยภาพที่จะลดช่วงเวลาระหว่างการถ่ายภาพและการวินิจฉัย ซึ่งท้ายที่สุดแล้วจะเป็นประโยชน์ต่อการดูแลผู้ป่วย
• ความสม่ำเสมอและความสามารถในการทำซ้ำ: โครงการริเริ่มต่างๆ เช่น MINIMAR มีความสำคัญอย่างยิ่ง เนื่องจากส่งเสริมการรายงานและการใช้งาน AI ในด้านการดูแลสุขภาพอย่างเป็นมาตรฐาน ซึ่งจะช่วยปรับปรุงความสม่ำเสมอและความสามารถในการทำซ้ำของเครื่องมือวินิจฉัยที่ขับเคลื่อนด้วย AI ในสภาพแวดล้อมทางคลินิกต่างๆ

• การตรวจสอบความถูกต้องทางคลินิกที่ไม่เพียงพอ: ช่องว่างที่สำคัญในการตรวจสอบความถูกต้องทางคลินิกสำหรับเครื่องมือ AI นั้นเห็นได้ชัดจากจำนวนการทดลองทางคลินิกแบบสุ่มที่มีจำกัด ซึ่งเปรียบเทียบประสิทธิภาพของระบบ AI โดยตรงกับแพทย์ผู้เชี่ยวชาญ และหลายการศึกษาแสดงให้เห็นถึงความเสี่ยงสูงต่ออคติและการปฏิบัติตามมาตรฐานการรายงานที่กำหนดไว้ไม่ดี
• การเข้าถึงทรัพยากร: ปัญหาที่พบได้ทั่วไปคือการเข้าถึงชุดข้อมูลและอัลกอริธึมที่ใช้ในการวิจัย AI มีจำกัด ซึ่งเป็นอุปสรรคต่อความสามารถของชุมชนวิทยาศาสตร์ในวงกว้างในการตรวจสอบ ยืนยันผล และสร้างสรรค์นวัตกรรมจากงานวิจัยที่มีอยู่
• ความโปร่งใสและข้อกังวลด้านจริยธรรม: การพัฒนา AI ในด้านการถ่ายภาพทางการแพทย์เผชิญกับความท้าทายในเรื่องความโปร่งใสเกี่ยวกับวิธีการสร้าง ฝึกฝน และตรวจสอบความถูกต้องของแบบจำลอง นอกจากนี้ ยังมีข้อกังวลอย่างมากเกี่ยวกับศักยภาพของแบบจำลองเหล่านี้ในการเผยแพร่ความลำเอียงที่มีอยู่ หรือสร้างความลำเอียงใหม่หากไม่ได้รับการตรวจสอบอย่างเหมาะสม

• การขยายขอบเขตการทดลองที่เข้มงวด: สาขานี้ต้องการการเพิ่มจำนวนการทดลองแบบสุ่มที่มีการออกแบบอย่างดีและมีกลุ่มเป้าหมายที่ชัดเจน เพื่อประเมินและตรวจสอบความถูกต้องของการประยุกต์ใช้ AI ในการตั้งค่าทางคลินิกอย่างละเอียดถี่ถ้วน
• การกำหนดมาตรฐานการรายงาน: การนำมาตรฐานการรายงานที่ครอบคลุมมาใช้ตามที่เสนอโดยโครงการริเริ่มต่างๆ เช่น MINIMAR จะช่วยแก้ไขปัญหาด้านความโปร่งใส ลดอคติ และเพิ่มความสามารถในการนำแอปพลิเคชัน AI ไปใช้ได้ทั่วไป พร้อมทั้งรับประกันว่าตรงตามมาตรฐานทางวิทยาศาสตร์และจริยธรรมที่เข้มงวด
• การส่งเสริมแนวปฏิบัติด้านข้อมูลเปิด: การสนับสนุนให้มีการเข้าถึงชุดข้อมูล AI และรหัสการสร้างแบบจำลองอย่างเปิดกว้างมากขึ้น จะช่วยส่งเสริมสภาพแวดล้อมการทำงานร่วมกัน ซึ่งจะช่วยเพิ่มการตรวจสอบ การทำซ้ำ และการพัฒนาเทคโนโลยี AI ส่งผลให้บทบาทของ AI ในด้านการดูแลสุขภาพมีความมั่นคงยิ่งขึ้น

โดยสรุปแล้ว แม้ว่า AI จะมอบโอกาสสำคัญในการพัฒนาสารสนเทศทางการแพทย์ด้านภาพ แต่การใช้ประโยชน์จากโอกาสเหล่านี้อย่างเต็มที่จำเป็นต้องมีการตรวจสอบอย่างเข้มงวด การปฏิบัติตามกรอบการรายงานที่แข็งแกร่ง และความมุ่งมั่นอย่างครอบคลุมในการพิจารณาประเด็นด้านจริยธรรม ขั้นตอนเหล่านี้มีความสำคัญอย่างยิ่งในการรับประกันว่าเครื่องมือที่ขับเคลื่อนด้วย AI จะบรรลุเป้าหมายในการเพิ่มประสิทธิภาพและประสิทธิผลในการวินิจฉัยทางการแพทย์

หัวข้อสำคัญที่เกี่ยวข้องกับสารสนเทศทางการแพทย์ด้านการถ่ายภาพ ได้แก่:

• ระบบจัดเก็บและสื่อสารภาพทางการแพทย์ (PACS) และระบบส่วนประกอบต่างๆ
• สารสนเทศภาพสำหรับองค์กร
• เวชระเบียนอิเล็กทรอนิกส์ ที่รองรับรูปภาพ
• ระบบสารสนเทศทางรังสีวิทยา (RIS) และระบบสารสนเทศโรงพยาบาล (HIS)
• การรับภาพดิจิทัล
• การประมวลผล และปรับปรุงภาพ
• เรดิโอมิกส์
• การบีบอัดข้อมูลภาพ
• การแสดงภาพสามมิติและมัลติมีเดีย
• การรู้จำเสียงพูด
• การวินิจฉัยโรคโดยใช้คอมพิวเตอร์ช่วย (CAD)
• การออกแบบสิ่งอำนวยความสะดวกด้านการถ่ายภาพ
• คำศัพท์และออนโทโลยี สำหรับการสร้างภาพ
• การวิเคราะห์ข้อมูลจากฐานข้อมูลภาพทางการแพทย์
• การเปลี่ยนแปลงกระบวนการตีความทางรังสีวิทยา (TRIP) ^{[ 17 ]}
• DICOM , HL7 , FHIRและมาตรฐานอื่นๆ
• การสร้างแบบจำลอง เวิร์กโฟลว์และกระบวนการและการจำลองกระบวนการ
• การประกันคุณภาพ
• ความสมบูรณ์และความปลอดภัยของเอกสารสำคัญ
• รังสีวิทยาทางไกล
• การศึกษาด้านสารสนเทศรังสีวิทยา
• การถ่ายภาพดิจิทัล

สารสนเทศทางการแพทย์ด้านภาพมีแอปพลิเคชันมากมายในสาขาการแพทย์

สารสนเทศภาพทางการแพทย์มีความโดดเด่นมากที่สุดในสาขารังสีวิทยา การใช้ AI ช่วยให้รังสีแพทย์สามารถใช้สารสนเทศภาพทางการแพทย์เพื่อลดภาระงานและประหยัดเวลาในการวิเคราะห์ภาพ การศึกษาที่ตีพิมพ์ใน "Current Medical Imaging" พบว่าในการถ่ายภาพ CT ที่ได้รับความช่วยเหลือจาก AI เวลาในการอ่านเพื่อตรวจหาเนื้องอกในปอดและน้ำในช่องเยื่อหุ้มปอดลดลงมากกว่า 44% สำหรับรังสีแพทย์^{[ 18 ]}

สารสนเทศภาพทางการแพทย์ภายในสาขาโรคหัวใจช่วยในการจำแนกลักษณะโมเลกุลของโรคหัวใจและหลอดเลือด และการรวมความรู้เกี่ยวกับโรคหัวใจและหลอดเลือด^{[ 19 ]}ซึ่งหมายความว่าผ่านการสกัดข้อมูล การสร้างภาพ และการวิเคราะห์ข้อมูลและภาพเหล่านี้ด้วยการเรียนรู้ของเครื่อง นักวิจัยสามารถจำแนกโรคตามลักษณะหรือคุณสมบัติที่ค้นพบได้ ด้วยการจำแนกประเภทนี้ นักวิจัยจึงสามารถรวมข้อมูลโรคหัวใจและหลอดเลือดนี้ไว้ในแพลตฟอร์มเดียวเพื่อการวิเคราะห์และการเรียกค้นข้อมูลอย่างต่อเนื่อง

สารสนเทศภาพทางการแพทย์ในพยาธิวิทยาโดยรวมช่วยให้สามารถตรวจจับและวิเคราะห์โรคได้หลากหลาย การใช้งานที่โดดเด่นที่สุดในพยาธิวิทยาคือการตรวจจับและวิเคราะห์มะเร็งชนิดต่างๆ การวินิจฉัยมะเร็งด้วยตนเองเป็นกระบวนการที่ยุ่งยากและขึ้นอยู่กับดุลพินิจ ซึ่งรวมถึงการตรวจสอบเซลล์จำนวนนับล้านเซลล์ ด้วยระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) ต่างๆ ผู้เชี่ยวชาญสามารถลดภาระงานในการเลือกบริเวณเนื้อเยื่อด้วยตนเอง โดยใช้เครื่องมือ Whole-Slide Imaging (WSI) เพื่อเพิ่มข้อมูลที่วิเคราะห์ให้ได้มากที่สุด มีแบบจำลองการทำนายหลายแบบที่มุ่งเป้าไปที่การระบุบริเวณที่สนใจภายใน WSI ซึ่งต้องมีการฝึกฝนก่อนใช้งาน แบบจำลองที่ไม่ต้องมีการกำกับดูแลกำลังได้รับการนำเสนอ แต่ปัจจุบันยังไม่แพร่หลายมากนัก ตัวอย่างของแบบจำลองที่ไม่ต้องมีการกำกับดูแลที่ใช้คือการตรวจจับรอยพับของเนื้อเยื่อโดยใช้วิธีการที่ไม่ต้องมีการกำกับดูแลเพื่อจัดกลุ่มพิกเซลในภาพ ซึ่งแสดงถึงความแตกต่างระหว่างค่าความอิ่มตัวและความเข้มของแต่ละพิกเซล เนื่องจากเป็นแบบจำลองที่ไม่ต้องมีการกำกับดูแล วิธีนี้จึงมีข้อจำกัดบางประการ ข้อจำกัดเหล่านี้คือมีความไวต่ำสำหรับรอยพับของเนื้อเยื่อประเภทต่างๆ ภายในภาพ และมีความจำเพาะต่ำสำหรับภาพที่ไม่มีรอยพับของเนื้อเยื่อ^{[ 20 ]}

ในสหรัฐอเมริกาและบางประเทศ รังสีแพทย์ที่ต้องการศึกษาต่อในสาขาเฉพาะทางนี้สามารถเข้ารับการฝึกอบรมในระดับเฟลโลว์ชิปด้านสารสนเทศทางการแพทย์ (Medical Imaging Informatics ) ได้ การฝึกอบรมเฟลโลว์ชิปด้านสารสนเทศทางการแพทย์นี้ จะดำเนินการหลังจากสำเร็จการรับรองจากคณะกรรมการผู้เชี่ยวชาญด้านรังสีวินิจฉัย และสามารถดำเนินการควบคู่ไปกับการฝึกอบรมเฟลโลว์ชิปด้านรังสีวิทยาเฉพาะทางอื่นๆ ได้

คณะกรรมการสารสนเทศภาพทางการแพทย์แห่งอเมริกา (ABII) ยังจัดการสอบรับรองสำหรับผู้เชี่ยวชาญด้านสารสนเทศภาพทางการแพทย์ด้วย นอกจากนี้ยังมีใบรับรอง PARCA (PACS Administrators Registry and Certification Association) สำหรับผู้เชี่ยวชาญด้านสารสนเทศภาพทางการแพทย์อีกด้วย^{[ 21 ]}

คณะกรรมการการแพทย์ป้องกันแห่งอเมริกา (ABPM) เสนอการสอบรับรองสำหรับเวชสารสนเทศคลินิกสำหรับแพทย์ที่ได้รับการรับรองจากคณะกรรมการผู้เชี่ยวชาญทางการแพทย์แห่งอเมริกาใบอนุญาตประกอบวิชาชีพแพทย์ และปริญญาแพทยศาสตร์ มีสองเส้นทางที่จะมีสิทธิ์เข้ารับการสอบ ได้แก่ เส้นทางปฏิบัติ (เปิดรับสมัครจนถึงปี 2022) สำหรับผู้ที่ยังไม่สำเร็จการฝึกอบรมระดับเฟลโลว์ด้านเวชสารสนเทศคลินิกที่ได้รับการรับรองจาก ACGME และเส้นทางเฟลโลว์ที่ได้รับการรับรองจาก ACGME ซึ่งมีระยะเวลาอย่างน้อย 24 เดือน^{[ 22 ]}

การขยาย มาตรฐาน DICOMช่วยให้การนำระบบจัดเก็บและสื่อสารภาพ (PACS) มาใช้อย่างแพร่หลายถือเป็นก้าวสำคัญในการเปลี่ยนแปลงทางดิจิทัลของสารสนเทศภาพทางการแพทย์ การกำหนดมาตรฐานนี้ซึ่งเริ่มแพร่หลายในช่วงปลายทศวรรษ 1990 และได้รับการจัดตั้งขึ้นในช่วงต้นทศวรรษ 2000 ได้เพิ่มความสามารถในการจัดเก็บ เรียกค้น และแบ่งปันภาพทางการแพทย์ระหว่างระบบต่างๆ ซึ่งช่วยเพิ่มประสิทธิภาพในการปฏิบัติงานด้านการถ่ายภาพทางการแพทย์^{[ 23 ]}

การนำระบบการรายงานแบบมีโครงสร้างมาใช้มีจุดมุ่งหมายเพื่อสร้างมาตรฐานให้รายงานมีความกระชับและสม่ำเสมอ ซึ่งส่งผลต่อการดูแลผู้ป่วย การนำBI-RADS (Breast Imaging–Reporting and Data System) มาใช้ถือเป็นตัวอย่างที่โดดเด่น ซึ่งส่งผลให้รายงานการตรวจแมมโมแกรม มีความสอดคล้องกันมากขึ้น ความสำเร็จครั้งนี้กินเวลาหลายปี เนื่องจากระบบเหล่านี้ได้รับการปรับปรุงและนำมาใช้กันอย่างแพร่หลายมากขึ้นในช่วงต้นทศวรรษ 2010 ^{[ 23 ]}

การตระหนักว่าหน่วยประมวลผลกราฟิก (GPU) สามารถใช้เพื่อเร่งความเร็วเครือข่ายประสาทเทียมเกิดขึ้นประมาณปี 2012 ความก้าวหน้านี้ทำให้เกิดการพัฒนาอย่างรวดเร็วของ เทคนิค การเรียนรู้เชิงลึกซึ่งช่วยเร่งงานต่างๆ เช่นการแบ่งส่วนภาพการจดจำคุณลักษณะและการสร้างอัลกอริทึมจากชุดข้อมูลขนาดใหญ่ของภาพที่มีคำอธิบายประกอบยุคของ AI นี้ได้เปิดใช้งานอัลกอริทึมประสิทธิภาพสูงที่สามารถช่วยเหลืองานวินิจฉัยได้หลายร้อยงาน^{[ 23 ]}

สาขาเรดิโอมิกส์ซึ่งเกี่ยวข้องกับการสกัดคุณลักษณะเชิงปริมาณจากภาพทางการแพทย์ที่ไม่สามารถมองเห็นได้ด้วยตาเปล่า มีการเติบโตอย่างมีนัยสำคัญในช่วงปลายทศวรรษ 2010 แนวทางนี้ทำให้สามารถวิเคราะห์ข้อมูลภาพได้ลึกซึ้งยิ่งขึ้น ซึ่งสามารถเชื่อมโยงกับรูปแบบทางพันธุกรรมและข้อมูลทางการแพทย์อื่นๆ เพื่อเพิ่มความแม่นยำในการวินิจฉัยและการทำนาย^{[ 23 ]}

การพัฒนาและ การอนุมัติ จาก FDAสำหรับเครื่องตรวจจับการนับโฟตอน (PCD) สำหรับ การสแกน เอกซเรย์คอมพิวเตอร์ (CT) ในปี 2022 ถือเป็นนวัตกรรมที่สำคัญ เครื่องตรวจจับเหล่านี้มีกระบวนการที่มีประสิทธิภาพมากขึ้นในการแปลงรังสีเอกซเรย์เป็นสัญญาณไฟฟ้า ทำให้สามารถแยกแยะวัสดุได้ดีขึ้น และอาจลดปริมาณรังสีสำหรับผู้ป่วยได้ ภาพทางด้านขวาแสดงการสแกนสมองเดียวกันสองครั้ง โดยใช้เทคโนโลยี CT แบบเก่าและแบบใหม่ตามลำดับ^{[ 24 ]}

งานวิจัยปัจจุบันในด้านสารสนเทศภาพทางการแพทย์มุ่งเน้นไปที่การบูรณาการและการพัฒนาปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ภายในเทคโนโลยีการถ่ายภาพทางการแพทย์ ความพยายามมุ่งเน้นไปที่การเพิ่มความแม่นยำในการวินิจฉัย การปรับปรุงการวิเคราะห์เชิงทำนาย และการทำให้กระบวนการวิเคราะห์ภาพเป็นไปโดยอัตโนมัติการเรียนรู้เชิงลึก ซึ่งเป็นส่วนย่อยของ ML มีบทบาทสำคัญอย่างยิ่งในการเปลี่ยนแปลงการถ่ายภาพรังสีโดยมีการพัฒนาอัลกอริทึมเพิ่มขึ้นเรื่อยๆ สำหรับงานต่างๆ เช่น การตรวจจับเนื้องอก การแบ่งส่วนอวัยวะ และการระบุความผิดปกติ ความก้าวหน้าเหล่านี้ไม่เพียงแต่มีเป้าหมายเพื่อเพิ่มประสิทธิภาพและความแม่นยำในการวินิจฉัยเท่านั้น แต่ยังมุ่งมั่นที่จะลดภาระงานของรังสีแพทย์โดยการทำให้งานประจำเป็นไปโดยอัตโนมัติ^{[ 11 ] [ 25 ]}

เมื่อมองไปข้างหน้า ทิศทางในอนาคตของสารสนเทศภาพคาดว่าจะเน้นไปที่แนวทางสหวิทยาการมากขึ้น โดยบูรณาการพันธุศาสตร์ พยาธิวิทยา และข้อมูลจากอุปกรณ์สวมใส่ เพื่อให้ได้มุมมองที่ครอบคลุมมากขึ้นเกี่ยวกับสุขภาพของผู้ป่วย แนวคิดของ "รังสีพันธุศาสตร์" ซึ่งเชื่อมโยงคุณลักษณะของภาพกับข้อมูลทางพันธุกรรม เป็นพื้นที่ที่ได้รับความสนใจเพิ่มขึ้น ซึ่งอาจนำไปสู่การรักษาทางการแพทย์ที่เฉพาะเจาะจงและแม่นยำยิ่งขึ้น นอกจากนี้ การพัฒนามาตรฐานการทำงานร่วมกันและโปรโตคอลการแลกเปลี่ยนข้อมูลที่ปลอดภัยอย่างต่อเนื่องจะเป็นสิ่งสำคัญในการทำให้การบูรณาการข้อมูลภาพเป็นไปอย่างราบรื่นในแพลตฟอร์มการดูแลสุขภาพต่างๆ ซึ่งจะช่วยส่งเสริมการวิจัยร่วมกันและการปฏิบัติทางคลินิกทั่วโลก^{[ 23 ] [ 24 ]}

มีความท้าทายหลายประการในสาขาสารสนเทศทางการแพทย์ด้านภาพ:

1. การจัดการข้อมูล : ปริมาณข้อมูลมหาศาลที่เกิดจากภาพคุณภาพสูงจำนวนมากก่อให้เกิดปัญหาในการจัดเก็บและประสิทธิภาพ การจัดการ การจัดเก็บ และการเรียกค้นภาพเหล่านี้อย่างมีประสิทธิภาพเป็นสิ่งสำคัญ นี่เป็นความท้าทายในแง่ของโครงสร้างพื้นฐานและการพัฒนาระบบที่สามารถจัดการและประมวลผลชุดข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ^{[ 26 ]}
2. การบูรณาการ : การดูแลสุขภาพเป็นสาขาที่ปรับตัวเข้ากับการเปลี่ยนแปลงได้ช้ามาก เนื่องจากระบบทั้งหมดต้องได้รับการทดสอบอย่างละเอียดถี่ถ้วนและต้องทำงานร่วมกับระบบที่มีอยู่โดยไม่มีปัญหาใดๆ^{[ 26 ]}
3. ความปลอดภัย : ความปลอดภัยส่วนบุคคลและการจัดการข้อมูลอย่างปลอดภัยเป็นสิ่งที่น่าเป็นห่วงเสมอ ความกังวลนี้ยิ่งเพิ่มมากขึ้นในวงการแพทย์ เนื่องจากมาตรฐานและข้อกำหนดด้านความปลอดภัยสูงกว่ามาก การถ่ายภาพทางการแพทย์มักเกี่ยวข้องกับการแบ่งปันข้อมูลผู้ป่วยที่ละเอียดอ่อนผ่านเครือข่าย ดังนั้นมาตรการรักษาความปลอดภัยที่แข็งแกร่งจึงจำเป็นอย่างยิ่งในการป้องกันการรั่วไหลของข้อมูลและรับรองการปฏิบัติตามกฎหมายคุ้มครองความเป็นส่วนตัว ซึ่งรวมถึงการส่งข้อมูลอย่างปลอดภัย การเข้ารหัสข้อมูลขณะจัดเก็บ และการควบคุมการเข้าถึงอย่างเข้มงวด
4. การบูรณาการปัญญาประดิษฐ์ : แม้ว่า AI จะมีศักยภาพอย่างมากในการเพิ่มความแม่นยำและประสิทธิภาพในการวินิจฉัยภาพ แต่การบูรณาการเข้ากับขั้นตอนการทำงานทางคลินิกนั้นเต็มไปด้วยความท้าทาย ซึ่งรวมถึงความต้องการชุดข้อมูลที่มีคุณภาพสูงและมีคำอธิบายประกอบสำหรับการฝึกอบรมโมเดล AI ความเสี่ยงของอคติทางอัลกอริทึม และลักษณะกล่องดำของระบบ AI บางระบบที่อาจทำให้มองไม่เห็นวิธีการตัดสินใจ นอกจากนี้ยังมีความสงสัยในหมู่ผู้เชี่ยวชาญด้านการดูแลสุขภาพเกี่ยวกับความน่าเชื่อถือและความแม่นยำของ AI ซึ่งอาจขัดขวางการนำไปใช้^{[ 26 ]}
5. ประเด็นด้านจริยธรรมและกฎหมาย : การนำเทคโนโลยีการถ่ายภาพขั้นสูงมาใช้ทำให้เกิดคำถามด้านจริยธรรมเกี่ยวกับขอบเขตที่ AI ควรมีส่วนร่วมในการวินิจฉัยผู้ป่วย และศักยภาพของ AI ในการทดแทนรังสีแพทย์ที่เป็นมนุษย์ ผลกระทบทางกฎหมาย โดยเฉพาะอย่างยิ่งเกี่ยวกับการปฏิบัติที่ผิดพลาดและความรับผิดเมื่อมีการใช้ AI ยังไม่ได้รับการแก้ไข ประเด็นเหล่านี้จำเป็นต้องมีแนวทางที่ชัดเจนและกรอบจริยธรรมที่แข็งแกร่งเพื่อควบคุมการใช้ AI ในการถ่ายภาพทางการแพทย์^{[ 26 ]}

การแก้ไขปัญหาเหล่านี้จำเป็นต้องอาศัยความร่วมมืออย่างเป็นระบบระหว่างผู้พัฒนาเทคโนโลยี ผู้ให้บริการด้านการดูแลสุขภาพ หน่วยงานกำกับดูแล และผู้มีส่วนได้ส่วนเสียอื่นๆ ความก้าวหน้าทางเทคโนโลยีต้องสมดุลกับข้อพิจารณาด้านความเหมาะสม จริยธรรม และความเท่าเทียม เพื่อให้มั่นใจว่าสารสนเทศทางการแพทย์ด้านภาพสามารถบรรลุเป้าหมายในการยกระดับการดูแลผู้ป่วยและผลลัพธ์การรักษาได้

ในช่วงไม่กี่ปีที่ผ่านมา มีความก้าวหน้าอย่างมากในเทคโนโลยีซอฟต์แวร์ที่เกี่ยวข้องกับสารสนเทศภาพทางการแพทย์ พัฒนาการที่โดดเด่นอย่างหนึ่งคือการบูรณาการอัลกอริธึมการเรียนรู้ของเครื่องเข้ากับซอฟต์แวร์ภาพ ทำให้สามารถวิเคราะห์และตีความภาพทางการแพทย์ได้โดยอัตโนมัติ ตัวอย่างเช่น Rajpurkar et al. (2017) ได้แสดงให้เห็นถึงประสิทธิภาพของอัลกอริธึมการเรียนรู้เชิงลึกในการตรวจจับโรคปอดบวมจากภาพเอกซเรย์ทรวงอก ซึ่งแสดงให้เห็นถึงศักยภาพของการเรียนรู้ของเครื่องในการวิเคราะห์ภาพทางการแพทย์^{[ 27 ]}อัลกอริธึมเหล่านี้แสดงให้เห็นผลลัพธ์ที่น่าสนใจในงานต่างๆ เช่น การตรวจจับรอยโรค การจำแนกประเภทโรค และการประเมินการตอบสนองต่อการรักษา ยิ่งไปกว่านั้น การนำเทคนิคการประมวลผลภาษาธรรมชาติ (NLP) มาใช้ยังช่วยอำนวยความสะดวกในการดึงข้อมูลเชิงลึกที่มีค่าจากรายงานรังสีวิทยาที่ไม่มีโครงสร้าง เพิ่มประสิทธิภาพของการวิเคราะห์ข้อมูลและกระบวนการตัดสินใจ

ความก้าวหน้าในเทคโนโลยีฮาร์ดแวร์มีบทบาทสำคัญในการกำหนดภูมิทัศน์ของสารสนเทศภาพ การวิวัฒนาการของวิธีการถ่ายภาพ เช่น การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) การถ่ายภาพด้วยคอมพิวเตอร์ (CT) และการถ่ายภาพด้วยโพซิตรอน (PET) ส่งผลให้ความละเอียดของภาพ ความเร็วในการได้มาซึ่งภาพ และความแม่นยำในการวินิจฉัยดีขึ้น^{[ 28 ]}นอกจากนี้ การย่อขนาดของอุปกรณ์ถ่ายภาพทำให้สามารถถ่ายภาพ ณ จุดดูแลผู้ป่วยได้ ทำให้สามารถประเมินผู้ป่วยแบบเรียลไทม์ในสถานพยาบาลต่างๆ ได้ ตัวอย่างเช่น การพัฒนาอุปกรณ์อัลตราซาวนด์แบบพกพาได้ปฏิวัติการถ่ายภาพ ณ จุดดูแลผู้ป่วย โดยมอบเครื่องมือแบบพกพาและใช้งานง่ายสำหรับแพทย์ในการตรวจข้างเตียง (Smith, 2018) การเพิ่มขึ้นของอุปกรณ์สวมใส่และแอปพลิเคชันด้านสุขภาพเคลื่อนที่ได้ขยายขอบเขตของสารสนเทศภาพให้กว้างขึ้น อำนวยความสะดวกในการถ่ายภาพระยะไกลและการติดตามผู้ป่วยโดยใช้เซ็นเซอร์และกล้อง^{[ 28 ]}

ควบคู่ไปกับนวัตกรรมทางเทคโนโลยี ความก้าวหน้าทางด้านระเบียบวิธีได้ขยายขีดความสามารถของสารสนเทศภาพ หนึ่งในพัฒนาการคือการบูรณาการเทคนิคการถ่ายภาพหลายรูปแบบ ซึ่งรวมข้อมูลจากการถ่ายภาพหลายรูปแบบเพื่อให้ข้อมูลเสริมเกี่ยวกับโครงสร้างทางกายวิภาคและสรีรวิทยา ตัวอย่างเช่น การศึกษาล่าสุดได้แสดงให้เห็นถึงประสิทธิภาพของการรวมข้อมูล MRI, CT และอัลตราซาวนด์เพื่อการวินิจฉัยและการวางแผนการรักษาที่ดีขึ้นในผู้ป่วยมะเร็ง (Gupta et al., 2020) ^{[ 29 ]}ด้วยการรวมข้อมูลจากแหล่งเหล่านี้ แพทย์สามารถเข้าใจสภาพของผู้ป่วยได้อย่างครอบคลุมมากขึ้น นำไปสู่การวินิจฉัยที่แม่นยำยิ่งขึ้นและแผนการรักษาเฉพาะบุคคล

• สมาคมสารสนเทศภาพทางการแพทย์
• คณะกรรมการสารสนเทศด้านการถ่ายภาพแห่งอเมริกา