This article describes the Cell Maps for Artificial Intelligence (CM4AI) project and its goals, methods, standards, current datasets, software releases, status, and future directions. CM4AI is the Functional Genomics Data Generation Project in the U.S. National Institute of Health (NIH) Bridge2AI program. Its overarching mission is to produce ethical, AI-ready datasets of cell architecture, inferred from multimodal data collected for human cell lines, to enable transformative biomedical AI research.

This paper argues that bioethics as a field should broaden its scope to include the ethics of war, focusing on war's public health effects. The "Introduction" section describes the bioethics literature on war, which emphasizes clinical and research topics while omitting public health. The section, "War as a public health crisis" demonstrates the need for a public health ethics approach by framing war as a public health crisis. The section, "Bioethics principles for war and public health" proposes six bioethics principles for war that address its public health dimensions: health justice, accountability, dignified lives, public health sustainability, nonmaleficence, and public health maximization. The section, "Justifying and applying bioethical principles" shows how these principles inform ethical analysis, including just war theory and military ethics. The section, "From principles to practice" envisions ways in which bioethicists can promote these principles in practice through research, teaching, and service. The "Conclusion" section urges bioethicists to engage with war as a public health crisis, including calling attention to war's impact on civilians, especially women, children, and other vulnerable groups.

Objective Voice as a health biomarker using artificial intelligence (AI) is gaining momentum in research. The noninvasiveness of voice data collection through accessible technology (such as smartphones, telehealth, and ambient recordings) or within clinical contexts means voice AI may help address health disparities and promote the inclusion of marginalized communities. However, the development of AI-ready voice datasets free from bias and discrimination is a complex task. The objective of this study is to better understand the perspectives of engaged and interested stakeholders regarding ethical and trustworthy voice AI, to inform both further ethical inquiry and technology innovation. Methods A questionnaire was administered to voice AI experts, clinicians, scholars, patients, trainees, and policy-makers who participated at the 2023 Voice AI Symposium organized by the Bridge2AI-Voice AI Consortium. The survey used a mix of Likert scale, ranking and open-ended questions. A total of 27 stakeholders participated in the study. Results The main results of the study are the identification of priorities in terms of ethical issues, an initial definition of ethically sourced data for voice AI, insights into the use of synthetic voice data, and proposals for acting on the trustworthiness of voice AI. The study shows a diversity of perspectives and adds nuance to the planning and development of ethical and trustworthy voice AI. Conclusions This study represents the first stakeholder survey related to voice as a biomarker of health published to date. This study sheds light on the critical importance of ethics and trustworthiness in the development of voice AI technologies for health applications.

Abstract Artificial intelligence (AI) methods have been proposed for the prediction of social behaviors that could be reasonably understood from patient-reported information. This raises novel ethical concerns about respect, privacy, and control over patient data. Ethical concerns surrounding clinical AI systems for social behavior verification can be divided into two main categories: (1) the potential for inaccuracies/biases within such systems, and (2) the impact on trust in patient-provider relationships with the introduction of automated AI systems for “fact-checking”, particularly in cases where the data/models may contradict the patient. Additionally, this report simulated the misuse of a verification system using patient voice samples and identified a potential LLM bias against patient-reported information in favor of multi-dimensional data and the outputs of other AI methods (i.e., “AI self-trust”). Finally, recommendations were presented for mitigating the risk that AI verification methods will cause harm to patients or undermine the purpose of the healthcare system.

Abstract Objectives Artificial intelligence (AI) proceeds through an iterative and evaluative process of development, use, and refinement which may be characterized as a lifecycle. Within this context, stakeholders can vary in their interests and perceptions of the ethical issues associated with this rapidly evolving technology in ways that can fail to identify and avert adverse outcomes. Identifying issues throughout the AI lifecycle in a systematic manner can facilitate better-informed ethical deliberation. Materials and Methods We analyzed existing lifecycles from within the current literature for ethical issues of AI in healthcare to identify themes, which we relied upon to create a lifecycle that consolidates these themes into a more comprehensive lifecycle. We then considered the potential benefits and harms of AI through this lifecycle to identify ethical questions that can arise at each step and to identify where conflicts and errors could arise in ethical analysis. We illustrated the approach in 3 case studies that highlight how different ethical dilemmas arise at different points in the lifecycle. Results, Discussion, and Conclusion Through case studies, we show how a systematic lifecycle-informed approach to the ethical analysis of AI enables mapping of the effects of AI onto different steps to guide deliberations on benefits and harms. The lifecycle-informed approach has broad applicability to different stakeholders and can facilitate communication on ethical issues for patients, healthcare professionals, research participants, and other stakeholders.

ABSTRACT Objective Advancements in non‐invasive prenatal screening (NIPS) could significantly alter prenatal screening by expanding the range of genetic conditions screened. This study aims to explore the perspectives of healthcare professionals (HCP) on the expanded use of NIPS and explore specifications for the inclusion of genetic conditions. Method Semi‐structured interviews were conducted with Canadian HCPs who counsel pregnant individuals about NIPS. The findings were organized around the four ethical pillars of Kater‐Kuiper's framework: proportionality (benefits and harms), aim of screening, justice, and societal aspects. Results Participants chose to assess the proportionality of NIPS using general terms to describe the additional conditions rather than discussing specific conditions to add. They emphasized the importance of clinical validity as crucial for expanding NIPS and ensuring its utility. Participants believed that the aim of NIPS is to enhance reproductive autonomy, and therefore that screening for late‐onset conditions could create ethical tensions between parents and the prospective children. Participants also worried that expanded use of NIPS could impact the quality of counselling provided by HCPs and affect autonomy. Justice considerations include the allocation of resources in prenatal care instead of other areas of healthcare. Societal aspects highlighted the different definitions HCPs used to describe ‘life‐limiting conditions’ that could severely affect the future child's health. Conclusion With expanded use of NIPS, clinical validity will vary for each screened condition. Specificity for each condition will influence the quality of consent. HCP estimates that clinical validity, clinical utility, availability of counselling, availability of resources, and societal impacts should be considered when adding genetic conditions to NIPS.