The importance of local medical data for developing artificial intelligence in medicine: the case of the TAMES AI project

Although artificial intelligence (AI) systems for medical diagnostics have demonstrated high performance under controlled research conditions, their implementation in diverse clinical settings remains problematic owing to dataset shift, population heterogeneity and insufficient local validation. Thyroid nodule assessment is a clear example: diagnostic algorithms trained mainly on data from North American and European populations may often fail to deliver the expected performance when applied in regions that differ in iodine status, genetic characteristics and healthcare infrastructure, such as Central Asia. Using the TAMES AI (Thyroid-AI Malignancy Evaluation System) project as a case, this article analyzes the methodological and strategic importance of multimodal clinical data from local sources for the development of medical artificial intelligence systems.

Хотя системы искусственного интеллекта (ИИ) для медицинской диагностики продемонстрировали высокие результаты в контролируемых условиях научных исследований, их внедрение в различных клинических условиях остаётся проблематичным из-за сдвига распределения данных (dataset shift), гетерогенности популяции и недостаточной локальной валидации. Наглядным примером служит оценка узлов щитовидной железы: диагностические алгоритмы, обученные преимущественно на данных популяций Северной Америки и Европы, при применении в регионах, отличающихся уровнем обеспеченности йодом, генетическими особенностями и инфраструктурой здравоохранения, например в Центральной Азии, зачастую могут не давать ожидаемых результатов. В статье на примере проекта TAMES AI (Thyroid-AI Malignancy Evaluation System) анализируется методологическое и стратегическое значение мультимодальных клинических данных из локальных источников при разработке систем медицинского искусственного интеллекта.

Tibbiy diagnostika uchun sun’iy intellekt (SI) tizimlari nazorat qilinadigan ilmiy tadqiqot sharoitlarida yuqori natijalarni namoyon etgan bo‘lsa-da, ularni turli klinik sharoitlarga joriy etish ma’lumotlar taqsimotining siljishi (dataset shift), aholi populyatsiyasining geterogenligi va mahalliy validatsiyaning yetarli emasligi sababli muammoli bo‘lib qolmoqda. Qalqonsimon bez tugunlarini baholash bunga yaqqol misol bo‘la oladi: asosan Shimoliy Amerika va Yevropa populyatsiyalari ma’lumotlari asosida o‘qitilgan diagnostik algoritmlar yod bilan ta’minlanganlik darajasi, genetik xususiyatlari va sog‘liqni saqlash infratuzilmasi jihatidan farq qiluvchi, masalan, Markaziy Osiyo kabi mintaqalarda qo‘llanganda ko‘pincha kutilgan darajadagi natijalarni bermasligi mumkin. Ushbu maqolada TAMES AI (Thyroid-AI Malignancy Evaluation System) loyihasi misolida tibbiy sun’iy intellekt tizimlarini ishlab chiqishda mahalliy manbalardan olingan multimodal klinik ma’lumotlarning metodologik va strategik ahamiyati tahlil qilinadi.