এআই অ্যাসিস্ট্যান্ট রাডার রেডিওলজি রিপোর্ট থেকে শিখে অ্যাবডোমিনাল সিটি স্ক্যান পড়ে

চিকিৎসাবিজ্ঞানের সবচেয়ে কঠিন স্ক্যানের জন্য একটি জেনারালিস্ট এআই অ্যাসিস্ট্যান্ট

একটি অ্যাবডোমিনাল সিটি স্ক্যান বিশাল পরিমাণ ক্লিনিক্যাল তথ্য একটি মাত্র স্টাডিতে সংকুচিত করে। দৃষ্টিক্ষেত্রের ভেতরে ডজনখানেক অঙ্গ একে অন্যের ওপর অবস্থান করে, আর তাদের মধ্যে শত শত রোগ লুকিয়ে থাকতে পারে। রেডিওলজিস্টরা ব্যাপকভাবে পেটকে চিকিৎসাবিজ্ঞানের সবচেয়ে কঠিন অঞ্চলগুলোর একটি হিসেবে বিবেচনা করেন, এবং অভিজ্ঞ বিশেষজ্ঞদেরও যা দেখছেন তা বুঝতে সময় লাগে।

সেই কাজের চাপ কিছুটা কমাতে গবেষকরা RADAR নামের একটি নতুন এআই অ্যাসিস্ট্যান্ট উপস্থাপন করেছেন — Rapid Abdominal Diagnosis with AI and Radiology। একটি অঙ্গ বা একটি রোগকে লক্ষ্য করার বদলে RADAR হলো একটি জেনারালিস্ট সিস্টেম, যা অ্যাবডোমিনাল সিটি স্ক্যান বিশ্লেষণ করে ডাক্তারদের রোগনির্ণয়ে সহায়তা করার জন্য ডিজাইন করা হয়েছে। কাজটি Science-এ প্রকাশিত হয়েছে, যার DOI 10.1126/science.aec6129, এবং নিবন্ধটি পিয়ার রিভিউ, ফ্যাক্ট-চেক এবং Science X সম্পাদকদের পর্যালোচনার মধ্য দিয়ে গেছে।

কেন অ্যাবডোমিনাল ইমেজিং এআই-এর জন্য কঠিন সমস্যা

পেট আক্ষরিক ও শারীরবৃত্তীয়ভাবে একটি চলমান লক্ষ্য। পেটে অবস্থিত অঙ্গগুলোর আকার ও অবস্থান এক রোগী থেকে আরেক রোগীর মধ্যে ব্যাপকভাবে ভিন্ন হয়, তাই একটি মডেল কেবল মুখস্থ করে বলতে পারে না কোনো গঠন কোথায় থাকা উচিত। অস্বাভাবিকতা প্রায়ই সুস্থ টিস্যু থেকে সূক্ষ্ম, কম-কনট্রাস্ট পার্থক্য হিসেবে দেখা যায়, অর্থাৎ গুরুত্বপূর্ণ সংকেতটি ক্ষীণ হতে পারে। সেই পার্থক্যগুলো নির্ভরযোগ্যভাবে চিহ্নিত করতে শিখতে রেডিওলজিস্টদের বছরের পর বছর অভিজ্ঞতা লাগে।

বেশিরভাগ মেডিকেল এআই সিস্টেম ইমেজিংয়ের কাছে যায় সংকীর্ণ পরিসরে। এগুলো সাধারণত একটি নির্দিষ্ট কাজের জন্য তৈরি এবং সুপারভাইজড লার্নিংয়ের মাধ্যমে প্রশিক্ষিত, এমন একটি প্রক্রিয়া যেখানে প্রথমে চিকিৎসা বিশেষজ্ঞদের হাতে ডেটা লেবেল করতে হয়। সেই লেবেলিং ধাপটি ধীর, ব্যয়বহুল ও স্কেল করা কঠিন — এবং এটি একটি একক মডেল কতটা বিস্তৃতভাবে প্রয়োগ করা যাবে তা সীমিত করে।

সরাসরি রেডিওলজি রিপোর্ট থেকে শেখা

RADAR ভিন্ন পথ নেয়। এটি একটি স্কেলযোগ্য ভিশন-ল্যাঙ্গুয়েজ ফ্রেমওয়ার্কের ওপর নির্মিত, যা সরাসরি ক্লিনিক্যাল রিপোর্টের ওপর প্রশিক্ষিত, আগে থেকে বিশেষজ্ঞদের হাতে ডেটা ট্যাগ বা লেবেল করার প্রয়োজন ছাড়াই। কার্যত, সিস্টেমটি একটি ইমেজে যা দেখা যায় এবং রেডিওলজিস্টরা তা বর্ণনা করতে যে ভাষা ব্যবহার করেন, তার মধ্যকার সম্পর্ক শেখে।

সেই প্রশিক্ষণের পরিসর উল্লেখযোগ্য:

• ৪,২৪,৯১১টি পরীক্ষা কভার করা ক্লিনিক্যাল রিপোর্ট
• ১৫ লাখ ইমেজ-টেক্সট জোড়া
• ১ কোটিরও বেশি অ্যানাটমি-নির্দিষ্ট জোড়া

যেহেতু মডেলটি রেডিওলজিস্টরা রুটিন কেয়ারের অংশ হিসেবে ইতিমধ্যেই তৈরি করা ফ্রি টেক্সটের ওপর নির্ভর করে, তাই এই পাইপলাইন মেডিকেল এআই উন্নয়নের অন্যতম বড় বাধা এড়িয়ে যায়। গবেষকরা ফ্রেমওয়ার্কটিকে স্কেলযোগ্য বলে বর্ণনা করেছেন, যা ইঙ্গিত দেয় এটি একটি গবেষণার জন্য হাতে সাজানো ডেটাসেটের ওপর নির্ভর না করে বাস্তব ক্লিনিক্যাল উপাদানের বড় পরিমাণ শোষণ করতে পারে।

আটটি হাসপাতালে বাস্তব-বিশ্বের পরীক্ষা

প্রতিবেদিত পারফরম্যান্স এসেছে সাজানো গবেষণা ইমেজের বদলে বাস্তব-বিশ্বের হাসপাতাল পরীক্ষা থেকে। RADAR গড় ডায়াগনস্টিক নির্ভুলতা স্কোর, যা AUC হিসেবে মাপা হয়, অর্জন করেছে ০.৯১৩ — এমন একটি ফলাফল যা বিদ্যমান মেডিকেল ভিশন-ল্যাঙ্গুয়েজ এআই মডেলগুলোকে ছাড়িয়ে গেছে।

শিরোনামের সংখ্যার মতোই গুরুত্বপূর্ণ হলো এটি কোথায় টিকে ছিল। ফলাফলগুলো মূল সেটিংয়ের বাইরে আটটি ভিন্ন হাসপাতালে সাধারণীকৃত হয়েছে, জরুরি বিভাগের কেসগুলোতে টিকে থেকেছে এবং বৈচিত্র্যময় রোগী জনগোষ্ঠীতে বজায় থেকেছে। মেডিকেল এআই-এর জন্য এই ধরনের ধারাবাহিকতা গুরুত্বপূর্ণ, কারণ যে মডেল কেবল তার প্রশিক্ষণ পরিবেশের মতো ডেটায় ভালো পারফর্ম করে, তার ক্লিনিক্যাল মূল্য সীমিত।

Science-এ প্রকাশিত ফলাফল অনুযায়ী, RADAR ১৮টি অ্যানাটমিক্যাল গঠন এবং ১৪৬টি ইমেজিং সাইন ও রোগ সঠিকভাবে চিহ্নিত করেছে, তা যেখানেই বা যেভাবেই পরীক্ষা করা হোক না কেন।

এই বিস্তার কী কভার করে

অ্যানাটমিক্যাল গঠন ও ইমেজিং সাইনের সমন্বয় এমন একটি সিস্টেমের দিকে ইঙ্গিত করে যা একটি স্ক্যানকে একক-উদ্দেশ্য ডিটেক্টরের বদলে একজন সাধারণ রেডিওলজিস্টের মতো পড়ে। একটি অঙ্গ সম্পর্কে একটি প্রশ্নের উত্তর দেওয়ার বদলে মডেলটি পেটের একটি বিস্তৃত চিত্র ব্যাখ্যা করার অবস্থানে রয়েছে।

RADAR রেডিওলজিস্টদের জন্য কী বদলাতে পারে

প্রকল্পের পেছনে বর্ণিত প্রেরণা হলো কাজের চাপ। অ্যাবডোমিনাল সিটি চাহিদাপূর্ণ, এবং এটি সাবধানে পড়তে যে সময় লাগে তা রেডিওলজি বিভাগের সবসময় থাকে না। একটি জেনারালিস্ট অ্যাসিস্ট্যান্ট যা বিস্তৃত ডায়াগনস্টিক ব্যাখ্যা তৈরি করতে পারে, জটিল স্টাডি নিয়ে কাজ করার সময় ক্লিনিশিয়ানদের জন্য একটি সূচনা বিন্দু দিতে পারে।

গবেষকরা RADAR-কে এমন একটি অ্যাসিস্ট্যান্ট হিসেবে উপস্থাপন করেছেন যা ডাক্তারদের রোগনির্ণয়ে সহায়তা করে, তাদের বিচারবোধের প্রতিস্থাপন নয়। এই পার্থক্যটি মেডিকেল এআই-এর বর্তমান কাজের অনেকটাতেই দেখা যায়, যেখানে ব্যবহারিক লক্ষ্য প্রায়ই চূড়ান্ত সিদ্ধান্ত দেওয়ার বদলে বাছাই, অগ্রাধিকার নির্ধারণ ও সারসংক্ষেপ করা।

এই ক্ষেত্রে যা বিশেষভাবে লক্ষণীয় তা হলো পরিসর ও দৃঢ়তার সমন্বয়। প্রায় ৪,২৫,০০০ পরীক্ষার ওপর প্রশিক্ষিত এবং আটটি হাসপাতালে যাচাইকৃত একটি একক ফ্রেমওয়ার্ক এই ক্ষেত্রে আধিপত্য বিস্তার করা সংকীর্ণ, কাজ-নির্দিষ্ট টুলগুলোর বাইরে একটি অর্থবহ পদক্ষেপ।

এক নজরে সংখ্যাগুলো

• সিস্টেম: RADAR (Rapid Abdominal Diagnosis with AI and Radiology)
• প্রশিক্ষণ ডেটা: ৪,২৪,৯১১টি পরীক্ষা; ১৫ লাখ ইমেজ-টেক্সট জোড়া; ১ কোটিরও বেশি অ্যানাটমি-নির্দিষ্ট জোড়া
• গড় ডায়াগনস্টিক নির্ভুলতা (AUC): ০.৯১৩
• চিহ্নিত: ১৮টি অ্যানাটমিক্যাল গঠন এবং ১৪৬টি ইমেজিং সাইন ও রোগ
• যাচাই: আটটি হাসপাতাল, জরুরি বিভাগের কেস এবং বৈচিত্র্যময় রোগী জনগোষ্ঠী
• প্রকাশনা: Science (DOI: 10.1126/science.aec6129)

অ্যাবডোমিনাল ইমেজিংয়ের পরিমাণ বাড়তে থাকলে, চিকিৎসাবিজ্ঞানের সবচেয়ে জটিল স্ক্যানগুলোর একটি নেভিগেট করতে রেডিওলজিস্টদের সহায়তা করা টুলগুলো নিবিড় মনোযোগ আকর্ষণ করবে। RADAR-এর প্রতিবেদিত ফলাফল গবেষকদের একটি স্পষ্ট বেঞ্চমার্ক দেয় — এবং ক্লিনিশিয়ানরা প্রতিদিন যে রিপোর্ট লেখেন, তার ওপর সরাসরি জেনারালিস্ট মেডিকেল এআই প্রশিক্ষণের একটি টেমপ্লেট দেয়।

এই নিবন্ধটি Medical Xpress-এর রিপোর্টিংয়ের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।