এআই ট্রায়াল দেখায় রেটিনা ইমেজিং সিস্টেম বংশগত রোগ নির্ণয়ে উন্নতি আনে

রেটিনাল রোগ নির্ণয়ের জন্য এআই সহকারী ট্রায়ালে শক্তিশালী ফল দেখাল

Nature Medicine-এ প্রকাশিত একটি multicenter randomized trial জানায় যে artificial intelligence-based clinician decision support system, নিয়মিত চিকিৎসা ব্যবস্থায় দ্রুত ও নির্ভুলভাবে শ্রেণিবিন্যাস করা কঠিন suspected inherited retinal diseases-এর জন্য diagnostic performance উল্লেখযোগ্যভাবে উন্নত করেছে।

Retina4IRD নামের এই system-টি specialists-দের retinal imaging থেকে সম্ভাব্য genotype categories অনুমান করতে সহায়তা করার জন্য তৈরি করা হয়েছিল। ট্রায়ালে, toolটি ব্যবহার করা specialists-রা তা ছাড়া কাজ করা specialists-দের তুলনায় top-5 genetic prediction accuracy-তে উল্লেখযোগ্যভাবে ভালো ফল পান। এই ফলাফল ophthalmology-তে দীর্ঘদিনের একটি bottleneck মোকাবিলা করে, যেখানে inherited retinal diseases-এ প্রায়ই চূড়ান্ত diagnosis-এর আগে intensive phenotyping, multidisciplinary interpretation, এবং genetic testing প্রয়োজন হয়।

Inherited retinal diseases, বা IRDs, একটি একক disorder নয়, বরং retina-কে প্রভাবিত করা genetic conditions-এর একটি সমষ্টি। এগুলোর clinical presentation একে অপরের সঙ্গে overlap করতে পারে, অর্থাৎ সম্ভাব্য কারণ সংকুচিত করার আগে চিকিৎসকদের প্রায়ই একাধিক ধরনের evidence একত্র করতে হয়। এই প্রক্রিয়া ধীর, resource-heavy, এবং care setting ভেদে অসম হতে পারে, বিশেষ করে যেখানে গভীর subspecialty expertise সীমিত।

Retina4IRD কীভাবে তৈরি করা হয়েছে

অধ্যয়ন অনুযায়ী, Retina4IRD retinal images থেকে 17 genotype categories পূর্বাভাস দেয়। গবেষণা দল RETFound দিয়ে pretrained Vision Transformer architecture ব্যবহার করে modelটি তৈরি করে, তারপর China, South Korea, এবং Poland-এর genetically confirmed patients থেকে সংগৃহীত multimodal imaging data দিয়ে তা প্রশিক্ষণ ও যাচাই করে।

Dataset-এ 1,843 genetically confirmed patients-এর color fundus photographs এবং optical coherence tomography scans ছিল, যা 3,376 eyes-এর প্রতিনিধিত্ব করে। এই আন্তর্জাতিক training and validation set গুরুত্বপূর্ণ, কারণ IRD diagnosis রোগের বৈচিত্র্য এবং বিভিন্ন স্থানের imaging practice-এর পার্থক্য দ্বারা প্রভাবিত হতে পারে। তাই external validation performance হলো systemটি যেখানে তৈরি হয়েছে সেই প্রতিষ্ঠান ছাড়িয়ে কাজ করতে পারে কিনা তার একটি মূল পরীক্ষা।

Internal validation-এ modelটি 0.904 top-5 prediction accuracy অর্জন করে, যার 95% confidence interval ছিল 0.896 থেকে 0.912। External validation-এ top-5 accuracy ছিল 0.856, যার 95% confidence interval 0.850 থেকে 0.863। এই পরিসংখ্যানগুলো দেখায় যে modelটি development environment-এর বাইরে গেলেও শক্তিশালী performance ধরে রেখেছে, যদিও internal testing-এর তুলনায় প্রত্যাশিত কিছু পতন ছিল।

অধ্যয়নটি tool-টিকে clinical judgment বা genetic sequencing-এর বিকল্প হিসেবে নয়, বরং এমন একটি decision support system হিসেবে উপস্থাপন করে, যা clinicians-কে diagnostic pathway-এ আরও আগে সম্ভাব্য genetic explanations অগ্রাধিকার দিতে সাহায্য করতে পারে।

Randomized trial specialist performance-এ লাভ দেখায়

পেপারের সবচেয়ে শক্তিশালী evidence আসে 300 জন অংশগ্রহণকারী নিয়ে করা একটি randomized controlled trial থেকে, যাদের suspected IRD ছিল। অংশগ্রহণকারীদের 1:1 অনুপাতে Retina4IRD-assisted specialist arm বা specialist-only arm-এ ভাগ করা হয়। তালিকাভুক্তদের মধ্যে 295 জনের কাছে available next-generation sequencing reports ছিল এবং তাদের final analysis-এ অন্তর্ভুক্ত করা হয়।

বিশ্লেষিতদের median age ছিল 33 বছর, এবং 114 জন অংশগ্রহণকারী, অর্থাৎ 38.6%, ছিলেন female। গবেষণার primary endpoint পূরণ হয়েছে। AI support tool ব্যবহার করা specialists-রা 88.5% top-5 genetic accuracy অর্জন করেন, যেখানে specialist-only group-এ তা ছিল 67.3%; পেপারটি এই পার্থক্যকে statistically significant বলে উল্লেখ করেছে, P 0.001-এর কম।

পেপার আরও বলে যে top-1 থেকে top-4 accuracy পর্যন্ত secondary endpoints-ও Retina4IRD-assisted arm-এর পক্ষে ছিল। সব মিলিয়ে, এই ফলাফলগুলো ইঙ্গিত করে যে systemটি কেবল একটি দীর্ঘ তালিকায় অতিরিক্ত সম্ভাবনা যোগ করেনি। এটি prediction stack জুড়ে ranking quality উন্নত করেছে, ফলে সবচেয়ে সম্ভাব্য genetic categories শীর্ষে আসার সম্ভাবনা বেড়েছে।

বাস্তবে এই পার্থক্য গুরুত্বপূর্ণ। imaging থেকে যদি বিশেষজ্ঞরা একটি ছোট, উচ্চমানের সম্ভাব্য genotype categories সেট শনাক্ত করতে পারেন, তবে downstream testing এবং interpretation আরও কেন্দ্রীভূত হতে পারে। যেখানে genetic testing capacity সীমিত, সেখানে আরও ভালো front-end triage signal specialist attention আরও দক্ষভাবে বরাদ্দ করতে সাহায্য করতে পারে।

এই ফলাফল কী পরিবর্তন আনতে পারে

পেপারের গুরুত্বটি হলো এটি কী ধরনের evidence দেয়। অনেক medical AI study retrospective validation-এ থেমে যায়, যেখানে algorithms ঐতিহাসিক ডেটায় পরীক্ষা করা হয় কিন্তু live বা quasi-live clinical workflow-এ মূল্যায়ন করা হয় না। এখানে গবেষকেরা AI-assisted এবং unassisted specialists-এর মধ্যে randomized comparison চালিয়ে আরও এগিয়েছেন।

তবে এটি deployment-সংক্রান্ত সব প্রশ্নের সমাধান করে না। সরবরাহকৃত study text-এ বলা হয়নি যে Retina4IRD নিজে থেকে final diagnosis স্থাপন করে, কিংবা genetic testing বাদ দেওয়া যায়। বরং ফলাফলগুলো rare-disease medicine-এ AI-এর একটি আরও বাস্তবসম্মত নিকট-মেয়াদি ভূমিকার দিকে ইঙ্গিত করে: যেখানে diagnosis এখন সীমিত expertise এবং সময়সাপেক্ষ review-এর ওপর নির্ভরশীল, সেখানে decision support উন্নত করা।

সীমান্ত-পার development dataset-ও একটি বড় লক্ষ্য নির্দেশ করে। IRDs এতটাই বিরল যে robust training data সংগ্রহ করা কঠিন, এবং clinically meaningful variation ধরতে প্রায়ই international collaboration দরকার হয়। যদি আরও গবেষণা বিস্তৃত population এবং care system জুড়ে ফল নিশ্চিত করে, তবে retina imaging models image acquisition এবং molecular confirmation-এর মাঝখানে increasingly important layer হয়ে উঠতে পারে।

এখনকার জন্য মূল finding সহজ। একটি randomized, multicenter setting-এ AI-based support system সন্দেহভাজন inherited retinal disease-এর পেছনের genetic category অনুমান করতে বিশেষজ্ঞদের সক্ষমতা উল্লেখযোগ্যভাবে উন্নত করেছে। এমন ক্ষেত্রে, যেখানে diagnostic delay treatment decisions, counseling, এবং ভবিষ্যৎ gene-targeted interventions-এর যোগ্যতাকে প্রভাবিত করতে পারে, এটি একটি গুরুত্বপূর্ণ পদক্ষেপ।

এই নিবন্ধটি Nature Medicine-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধ পড়ুন.