Mass General Brigham-এর গবেষকেরা এমন কৃত্রিম বুদ্ধিমত্তা সরঞ্জাম তৈরি করেছেন, যা মুখের ছবি বিশ্লেষণ করে জৈবিক বয়স এবং ক্যানসারে বেঁচে থাকার ফলাফলের সঙ্গে যুক্ত সংকেত শনাক্ত করে। Lancet Digital Health-এ প্রকাশিত এই কাজটি নিবিড় চিকিৎসার আগে রোগীর শারীরিক সক্ষমতা পরিমাপের একটি সম্ভাব্য নতুন পথের ইঙ্গিত দেয়—তবে একই সঙ্গে যাচাই, গোপনীয়তা এবং উপযুক্ত ক্লিনিক্যাল ব্যবহার নিয়ে গুরুত্বপূর্ণ প্রশ্নও তোলে।
এই ব্যবস্থার নাম FAHR-Face, যা Foundation Artificial Intelligence for Health Recognition-এর সংক্ষিপ্ত রূপ। ৪ কোটিরও বেশি মুখের ছবির ওপর এটিকে প্রশিক্ষণ দেওয়া হয় এবং পরে দুটি পৃথক সরঞ্জামের ভিত্তি হিসেবে ব্যবহার করা হয়। FAHR-FaceAge মুখের ছবি থেকে জৈবিক বয়স অনুমান করে, আর FAHR-FaceSurvival ক্যানসারে আক্রান্ত রোগীদের বেঁচে থাকার ফলাফল পূর্বাভাস দেয়।
কালানুক্রমিক বয়স থেকে শারীরিক সক্ষমতা
কালানুক্রমিক বয়স নথিভুক্ত করা সহজ, কিন্তু অস্ত্রোপচার, রেডিয়েশন বা সিস্টেমিক থেরাপি একজন ব্যক্তি কতটা ভালোভাবে সহ্য করতে পারবেন, তা এটি পুরোপুরি ব্যাখ্যা করে না। একই বয়সের দুজন মানুষের দুর্বলতা, স্থিতিস্থাপকতা এবং অন্তর্নিহিত অসুস্থতার মাত্রা উল্লেখযোগ্যভাবে আলাদা হতে পারে। চিকিৎসক ও রোগীরা যখন আক্রমণাত্মক চিকিৎসার সম্ভাব্য বোঝার সঙ্গে তার সুবিধা তুলনা করেন, তখন এই পার্থক্যগুলো গুরুত্বপূর্ণ হয়ে উঠতে পারে।
গবেষকদের মতে, একটি ছবিকে স্বতন্ত্র রোগনির্ণয় হিসেবে ব্যবহার করা লক্ষ্য নয়। বরং, একটি নিয়মিত ছবির ভিত্তিতে তৈরি পরিমাণগত মূল্যায়ন ভবিষ্যতে প্রতিষ্ঠিত ক্লিনিক্যাল মূল্যায়নের পরিপূরক হতে পারে। গবেষণার সংশ্লিষ্ট লেখক ও রেডিয়েশন অনকোলজিস্ট Raymond Mak বলেন, এর উদ্দেশ্য চিকিৎসকের বিচারবুদ্ধির বিকল্প হওয়া নয়, বরং ব্যক্তিকেন্দ্রিক সিদ্ধান্তে সহায়তা করা।
এই পার্থক্যটি অত্যন্ত গুরুত্বপূর্ণ। ফলাফলের সঙ্গে যুক্ত পরিসংখ্যানগত ধরন শনাক্ত করা একটি মডেল কোনো নির্দিষ্ট রোগীর ক্ষেত্রে সেই ধরনগুলো কেন আছে তা প্রতিষ্ঠা করে না, এবং ওই ব্যক্তির কোন চিকিৎসা নেওয়া উচিত তাও নির্ধারণ করে না। সর্বোচ্চ যা করতে পারে, তা হলো চিকিৎসা ইতিহাস, কার্যক্ষমতার অবস্থা, ল্যাবরেটরি ফলাফল, ইমেজিং এবং চিকিৎসকের পরীক্ষাসহ একটি বিস্তৃত মূল্যায়নে মানসম্মত একটি সংকেত যোগ করা।
গবেষণায় কী পাওয়া গেছে
উন্নয়ন ও যাচাই গবেষণায় দেখা গেছে, মডেলের জৈবিক বয়সের অনুমান এবং রোগীর কালানুক্রমিক বয়সের ব্যবধান স্বাধীনভাবে বেঁচে থাকার সঙ্গে যুক্ত ছিল। বাস্তব অর্থে, এই মডেল অনুযায়ী নিজের ক্যালেন্ডার বয়সের তুলনায় জৈবিকভাবে বেশি বা কম বয়সী দেখানো রোগের পূর্বাভাসের জন্য প্রাসঙ্গিক তথ্য বহন করতে পারে বলে গবেষণাটি ইঙ্গিত দেয়।
দলটি আরও জানায়, FAHR-FaceAge আগের বয়স-অনুমান অ্যালগরিদমগুলোর তুলনায় বেশি নির্ভুল ছিল এবং ছবির সাধারণ ভিন্নতার মধ্যেও উভয় সরঞ্জাম স্থিতিশীল ছিল। ভবিষ্যৎ ব্যবহারিক প্রয়োগের জন্য এটি গুরুত্বপূর্ণ: ক্লিনিক্যাল ছবি সব সময় একই আলো, ভঙ্গি বা ছবির মানে তোলা হয় না।
মুখের ছবি থেকে সরাসরি ক্যানসারে বেঁচে থাকার পূর্বাভাস তৈরি করে FAHR-FaceSurvival এই ধারণাকে আরও এগিয়ে নিয়ে যায়। প্রতিটি মডেলের ফলাফলে সবচেয়ে বেশি প্রভাব ফেলা মুখের অঞ্চলগুলোর ভিজ্যুয়ালাইজেশনও নিবন্ধে বর্ণনা করা হয়েছে। এই ধরনের ভিজ্যুয়াল ব্যাখ্যা মডেলের আচরণ নিয়ে গবেষণায় সহায়ক হতে পারে, কিন্তু এগুলোকে রোগের সরল মানচিত্র হিসেবে দেখা উচিত নয়। AI ব্যবস্থা এমন সূক্ষ্ম বৈশিষ্ট্যের সমন্বয়ের ওপর নির্ভর করতে পারে, যা ব্যাখ্যা করা কঠিন এবং সরাসরি জৈবিক কারণের বদলে স্বাস্থ্যের সঙ্গে সম্পর্কিত কারণ প্রতিফলিত করতে পারে।
সম্ভাব্য মূল্য—এবং প্রয়োজনীয় সুরক্ষা
ছবিভিত্তিক মূল্যায়ন আকর্ষণীয় হতে পারে, কারণ এটি অনাক্রমণাত্মক এবং বৃহৎ পরিসরে ব্যবহারযোগ্য হতে পারে। স্বাধীনভাবে যাচাই করা গেলে, আরও সতর্ক দুর্বলতা মূল্যায়ন বা নিবিড় চিকিৎসার ঝুঁকি ও সুবিধা নিয়ে আলোচনার প্রয়োজন এমন রোগীদের শনাক্ত করতে এটি চিকিৎসকদের সাহায্য করতে পারে। বিশেষজ্ঞ সম্পদ সীমিত এমন পরিবেশে কিছু মূল্যায়নকে আরও সামঞ্জস্যপূর্ণও করতে পারে।
তবে এই ধরনের প্রযুক্তি চালু করতে কঠোর মানদণ্ড প্রয়োজন হবে। শুধু উন্নয়ন পরিবেশে নয়, বিভিন্ন রোগী জনগোষ্ঠী এবং বাস্তব ক্লিনিক্যাল কর্মপ্রবাহেও এর কার্যকারিতা পরীক্ষা করতে হবে। ফলাফল কখন নির্ভরযোগ্য, অন্যান্য প্রমাণের সঙ্গে কীভাবে তা মিলিয়ে দেখতে হবে এবং কখন তা উপেক্ষা করতে হবে—এ বিষয়ে চিকিৎসকদের স্পষ্ট তথ্য দরকার হবে।
মুখের ছবিও অত্যন্ত সংবেদনশীল বায়োমেট্রিক তথ্য। যেকোনো ক্লিনিক্যাল প্রয়োগে সম্মতি, সংরক্ষণ, প্রবেশাধিকার এবং গৌণ ব্যবহারের ক্ষেত্রে শক্তিশালী সুরক্ষা দরকার হবে। বিভিন্ন জনমিতিক গোষ্ঠীতে মডেলের কার্যকারিতা সমতাপূর্ণ কি না এবং ভুল সিদ্ধান্ত ক্যানসার চিকিৎসায় বৈষম্য বাড়াতে পারে কি না, হাসপাতাল ও নিয়ন্ত্রকদের তা পরীক্ষা করতে হবে।
সিদ্ধান্ত-সহায়ক গবেষণার একটি দিক
FAHR-Face চিকিৎসাক্ষেত্রের AI-তে একটি বৃহত্তর পরিবর্তন তুলে ধরে: বৃহৎ পরিসরে প্রশিক্ষিত ফাউন্ডেশন মডেলগুলোকে এখন আরও নির্দিষ্ট ক্লিনিক্যাল কাজের জন্য অভিযোজিত করা হচ্ছে। আশা হলো, ব্যাপক প্রি-ট্রেনিং এমন দরকারি ভিজ্যুয়াল উপস্থাপনা ধরতে পারে, যা পরে বিশেষায়িত সরঞ্জামকে সহায়তা করবে। চ্যালেঞ্জ হলো, একটি চিত্তাকর্ষক প্রযুক্তিগত ফলাফলকে নিরাপদ, বোধগম্য এবং ক্লিনিক্যালভাবে অর্থবহ করে তোলা।
এই মুহূর্তে, ফলাফলগুলোকে এভাবে দেখা সবচেয়ে যুক্তিসঙ্গত যে মুখের ছবি দৃশ্যমান বয়সের বাইরে পরিমাপযোগ্য স্বাস্থ্য-সম্পর্কিত তথ্য বহন করতে পারে। সেই তথ্যকে নিয়মিত চিকিৎসায় রূপ দিতে আরও যাচাই এবং সতর্ক শাসনব্যবস্থা দরকার হবে। চিকিৎসকের বিচারকে প্রতিস্থাপন নয়, সমর্থন করাই লক্ষ্য—গবেষকদের এই বক্তব্য এমন একটি প্রযুক্তির জন্য উপযুক্ত সীমা নির্ধারণ করে, যা গুরুত্বপূর্ণ চিকিৎসা সিদ্ধান্তে প্রভাব ফেলতে পারে।
এই নিবন্ধটি Medical Xpress-এর প্রতিবেদন অবলম্বনে তৈরি। মূল নিবন্ধ পড়ুন।
Originally published on medicalxpress.com
