এআই লিভার ক্যান্সার টুল বাস্তব দুনিয়ায় শক্তিশালী ফল দেখিয়েছে

লিভার CT স্ক্যানের জন্য এআই রিডার পূর্ববর্তী পরীক্ষার বাইরে গিয়ে নিয়মিত ব্যবহারে পৌঁছেছে

Nature Medicine-এ 19 আগস্ট 2026-এ প্রকাশিত এক বড় গবেষণায় এমন একটি artificial intelligence system-এর বর্ণনা রয়েছে, যা contrast-enhanced computed tomography, বা CE-CT, ব্যবহার করে লিভার ম্যালিগন্যান্সি নির্ণয়ে সহায়তা করার জন্য তৈরি। Liver DiagnOsis Network, বা LiON, নামের এই সিস্টেমটি clinical imaging কাজের বাস্তবতার সঙ্গে মিলিয়ে বানানো হয়েছিল: স্ক্যান আসে বিপুল পরিমাণে, phase ভিন্ন হতে পারে, patient context গুরুত্বপূর্ণ, এবং দেরি হওয়া বা বাদ পড়া findings গুরুতর ফল বয়ে আনতে পারে।

পেপারটি এই সমস্যাটিকে সরাসরি তুলে ধরে। লিভার ম্যালিগন্যান্সি সাধারণত CE-CT দিয়ে মূল্যায়ন করা হয়, কিন্তু বাস্তব radiology workflows-এ lesion বাদ পড়া বা diagnosis দেরি হওয়ার জায়গা এখনো থাকে। LiON-কে একটি scalable “diagnostic safety net” হিসেবে তৈরি করা হয়েছে, যা flexible multiphase imaging process করতে পারে, clinical data যুক্ত করতে পারে, এবং বিদ্যমান workflows-এর ভেতরেই কাজ করতে পারে, সেগুলোকে প্রতিস্থাপন করার জন্য নয়।

এই বাস্তবমুখী দৃষ্টিভঙ্গি গুরুত্বপূর্ণ। অনেক medical AI project retrospective metric-এ ভালো ফল দেখায়, কিন্তু দৈনন্দিন চিকিৎসায় চালু করলে তাদের মূল্য প্রমাণ করতে পারে না। এই study আলাদা, কারণ এতে বড় পরিসরের development ও validation-এর সঙ্গে routine clinical practice-এ একটি single-arm trial রয়েছে, যা সফটওয়্যারটি সাধারণ রোগীদের ওপর সাধারণ কাজের সময় কীভাবে কাজ করে তার আরও বাস্তবসম্মত ছবি দেয়।

বড় dataset এবং শক্তিশালী diagnostic performance

abstract অনুযায়ী, LiON-কে 6,443 রোগীর তথ্য দিয়ে training দেওয়া হয় এবং multicenter ও real-world cohort থেকে নেওয়া 22,251 রোগীর ওপর retrospective validation করা হয়। ওই বিশ্লেষণগুলোতে model malignancy diagnosis-এর জন্য receiver operating characteristic curve-এর নিচের area, বা AUC, 0.975 অর্জন করেছে; 95% confidence interval ছিল 0.971 থেকে 0.979।

গবেষণাটি আরও জানায়, clinically গুরুত্বপূর্ণ subgroup-এও model শক্তিশালী performance ধরে রেখেছে। hepatic steatosis-যুক্ত রোগীদের মধ্যে LiON 0.971 AUC পেয়েছে। cirrhosis-যুক্ত রোগীদের মধ্যে, যেখানে imaging interpretation বিশেষভাবে কঠিন এবং ঝুঁকিপূর্ণ, AUC ছিল 0.924। এই সংখ্যাগুলো দেখায় যে modelটি কোনো সংকীর্ণ idealized রোগী-গোষ্ঠীর ওপর নির্ভর করেনি এবং যেসব অবস্থায় লিভার imaging জটিল হয়ে যায়, সেখানেও এটি কার্যকর ছিল।

এই কারণেই পেপারটি নজর কাড়বে। লিভার oncology ও hepatology-তে, কেবল পরিষ্কার dataset-এ ভালো কাজ করা model-এর clinical value সীমিত। বিভিন্ন cohort এবং সহ-বিদ্যমান liver disease-এও কার্যকর model স্বাস্থ্য ব্যবস্থা বাস্তবে কাজে লাগাতে পারে—এর অনেক কাছাকাছি।

মূল পরীক্ষা ছিল নিয়মিত ব্যবহার, শুধু retrospective benchmarking নয়

পেপারের আরও শক্তিশালী ইঙ্গিতটি এসেছে prospective-style deployment study থেকে। গবেষকেরা routine clinical practice-এ 10,333 রোগী নিয়ে একটি single-arm trial পরিচালনা করেন, যেখানে LiON বিদ্যমান workflow-এর ভেতরে একটি অতিরিক্ত এআই রিডার হিসেবে কাজ করে। এআই মানুষের বিরুদ্ধে আলাদা প্রতিযোগিতায় জিততে পারে কি না, সেটি নয়; বরং radiologist-রা স্বাভাবিক কাজ চালিয়ে যাওয়ার সময় এই system অতিরিক্ত মূল্য দিতে পারে কি না, সেটাই ছিল প্রশ্ন।

trial তার primary endpoint পূরণ করেছে। ওই endpoint অনুযায়ী malignancy diagnosis AUC-এর 95% confidence interval-এর lower bound 0.900-এর উপরে হতে হতো। LiON 0.952 AUC পেয়েছে, 95% confidence interval ছিল 0.942 থেকে 0.961।

এই সংখ্যাগুলো গুরুত্বপূর্ণ, কারণ এগুলো দেখায় model শুধু curated retrospective review-এ নয়, operational conditions-এও টিকে গেছে। অন্য কথায়, সাধারণ hospital imaging-এর জটিল পরিবেশে প্রবেশের পরেও system উচ্চ diagnostic discrimination বজায় রেখেছে বলে মনে হয়।

এআই কীভাবে চিকিৎসা বদলাল

secondary outcome-গুলো রিপোর্টের সম্ভবত সবচেয়ে গুরুত্বপূর্ণ অংশ, বিশেষ করে চিকিৎসক ও হাসপাতাল নেতাদের জন্য। গবেষণাটি বলছে, AI-human collaboration 51টি আগে চোখ এড়িয়ে যাওয়া lesion শনাক্ত করেছে, যার মধ্যে 15টি malignancy ছিল। পাশাপাশি 37টি সংশোধিত radiology report এবং 22টি multidisciplinary team escalation ঘটিয়েছে।

এগুলো কোনো abstract performance metric নয়। স্বাস্থ্য ব্যবস্থা আসলে যেগুলো নিয়ে ভাবে, সেগুলোই downstream effect: এমন findings যা অন্যথায় মিস হতে পারত, AI review-এর পরে বদলানো report, এবং বিস্তৃত clinical discussion-এর জন্য উপরে তোলা case। যদিও দেওয়া লেখায় পূর্ণ outcome data নেই, workflow-সংক্রান্ত এই ফলাফলগুলো ইঙ্গিত দেয় যে modelটি কেবল scoring engine নয়, বরং backstop হিসেবে কাজ করেছে।

medical AI adoption-এর বর্তমান পর্যায়ে এই পার্থক্যটি কেন্দ্রীয়। সবচেয়ে আশাব্যঞ্জক systems এখন increasingly autonomous diagnostician হিসেবে নয়, বরং second reader হিসেবে উপস্থাপিত হচ্ছে, যারা oversight ধরতে পারে, review standardize করতে পারে, এবং ব্যস্ত দলগুলোর সূক্ষ্ম কিন্তু গুরুত্বপূর্ণ findings মিস করার ঝুঁকি কমাতে পারে।

এই study লিভার imaging-এর বাইরেও কেন গুরুত্বপূর্ণ

LiON-এর design clinical AI development-এ broader shift-ও দেখায়। পেপারটি flexible multiphase processing, clinical data integration, এবং workflow compatibility-তে জোর দেয়। একসঙ্গে এগুলো imaging AI-এর তিনটি পুনরাবৃত্ত ব্যর্থতার পয়েন্ট মোকাবিলা করে: rigid scan protocol-এর ওপর নির্ভরতা, আশেপাশের রোগী-প্রসঙ্গের দুর্বল ব্যবহার, এবং radiologist workflow-এর সঙ্গে খারাপ সামঞ্জস্য।

এই দাবিগুলো abstract ছাড়িয়ে টিকে থাকলে, LiON imaging AI system মূল্যায়নের একটি reference point হয়ে উঠতে পারে। ক্ষেত্রটি এখন increasingly multicenter validation, real-world cohort, এবং live clinical deployment থেকে evidence চাইছে, কেবল একটি retrospective benchmark-এর ওপর নির্ভর করছে না। এই study বড় পরিসরে সেই সব শর্তই পূরণ করেছে।

এটি এমন এক সময়ে এসেছে যখন হাসপাতালগুলো সীমিত staff ও infrastructure দিয়ে আরও বেশি কিছু করার চাপে আছে। পরিবর্তনশীল imaging input-এর সঙ্গে কাজ করতে পারে এবং review-এর দ্বিতীয় স্তর যোগ করতে পারে এমন একটি এআই system, radiology operation-কে মৌলিকভাবে নতুনভাবে সাজানো ছাড়াই quality উন্নত করতে চাওয়া কেন্দ্রগুলোর কাছে আকর্ষণীয় হতে পারে।

সতর্কতা এখনো জরুরি

দেওয়া source text generalizability, implementation cost, বা দীর্ঘমেয়াদি রোগী ফলাফলের প্রভাব বিচার করার জন্য প্রয়োজনীয় সব তথ্য দেয় না। উদাহরণস্বরূপ, false positive workflow burden-এ কী প্রভাব ফেলেছে, বিভিন্ন institution-এ performance কীভাবে বদলেছে, বা আগেভাগে শনাক্তকরণ measurable treatment benefit-এ রূপান্তরিত হয়েছে কি না—এসব এখানে নেই। এই প্রশ্নগুলোই নির্ধারণ করবে শক্তিশালী একটি study ব্যাপক clinical adoption-এ পরিণত হবে কি না।

তবু abstract-এ সংক্ষেপিত evidence medical AI paper-এর জন্য অস্বাভাবিকভাবে substantial: হাজার হাজার training case, 22,000-এর বেশি retrospective validation case, এবং routine-practice trial-এ 10,000-এর বেশি রোগী। আরও গুরুত্বপূর্ণ, reported benefit শুধু headline AUC-এ সীমাবদ্ধ ছিল না। system report বদলেছে, overlooked lesion উন্মোচিত করেছে, এবং case multidisciplinary review-এর জন্য উপরে তুলেছে।

যে ক্ষেত্রটি ক্লিনিকে প্রায়ই প্রতিশ্রুতির চেয়ে কম দিতে পারে বলে সমালোচিত, সেখানে scale, workflow integration, এবং real-world signal-এর এই সমন্বয় উল্লেখযোগ্য। LiON diagnostic imaging-এ এআই নিয়ে সব প্রশ্নের নিষ্পত্তি নাও করতে পারে, কিন্তু এটি সাম্প্রতিক সবচেয়ে পরিষ্কার উদাহরণগুলোর একটি, যেখানে একটি imaging model-কে কেবল accuracy-এর জন্য নয়, বরং practical clinical usefulness-এর জন্যও পরীক্ষা করা হয়েছে।

এই নিবন্ধটি Nature Medicine-এর প্রতিবেদনকে ভিত্তি করে লেখা। মূল নিবন্ধটি পড়ুন.