پروفسور کرتیس لانگلوتز،عضو ارشد مرکز HAI و استاد رشته رادیولوژی: تا همین اواخر، توسعه مدل‌های هوش مصنوعی پزشکی به‌شدت پرهزینه بود؛ چراکه به داده‌های آموزشی که توسط متخصصان گران‌قیمت پزشکی تهیه شده بود، نیاز داشت، برای مثال تشخیص خوش‌خیم یا بدخیم بودن یک ماموگرافی مستلزم مداخله مستقیم یک پزشک خبره بود. ظهور روش‌های نوین یادگیری خودنظارت که امروزه به طور گسترده در آموزش چت‌بات‌های تجاری به کار می‌روند، این معادله را دگرگون کرده‌اند. این روش‌ها بدون نیاز به برچسب خوردن، هزینه آموزش مدل‌های پزشکی را به طور چشمگیری کاهش داده‌اند. بااین‌حال، پژوهشگران حوزه هوش مصنوعی پزشکی در گردآوری مجموعه‌داده‌های عظیم، کندتر از همتایان خود در سایر حوزه‌ها عمل کرده‌اند؛ عمدتاً به دلیل الزام‌های سخت‌گیرانه مربوط به حفظ حریم خصوصی داده‌های بیماران. با وجود این محدودیت، یادگیری خودنظارت حتی بر پایه مجموعه‌داده‌های کوچک‌تر نیز نتایج امیدوارکننده‌ای به همراه داشته است؛ از رادیولوژی و پاتولوژی گرفته تا چشم‌پزشکی، پوست، انکولوژی، قلب و عروق و بسیاری شاخه‌های دیگر زیست‌پزشکی. بسیاری از ما لحظه شگفتی‌آوری را به یاد داریم که برای نخستین‌بار با توانمندی‌های خارق‌العاده چت‌بات‌های مبتنی بر یادگیری خودنظارت روبه‌رو شدیم. به‌زودی، شاهد لحظه‌ای مشابه در پزشکی خواهیم بود؛ یک «لحظه چت‌جی‌پی‌تی‌مانند» برای حوزه سلامت، زمانی که مدل‌های هوش مصنوعی بر پایه داده‌های سلامت باکیفیت و در مقیاسی هم‌سنگ داده‌های آموزش چت‌بات‌ها دیگر، آموزش داده می‌شوند. این نسل تازه از مدل‌های پایه زیست‌پزشکی، دقت سامانه‌های هوش مصنوعی پزشکی را به شکل معناداری افزایش خواهد داد و هم‌زمان، امکان توسعه ابزارهایی را فراهم می‌کند که بتوانند بیماری‌های نادر و کم‌شیوع را تشخیص دهند؛ بیماری‌هایی که تا امروز، به دلیل فقر داده‌های آموزشی، عملاً از دسترس بسیاری از سامانه‌های هوشمند خارج بوده‌اند.