কার্ডিয়াক MRI AI মডেল ম্যানুয়াল লেবেল ছাড়াই জটিল হৃদ্‌যন্ত্রের স্ক্যান পড়ে

একটি বিশেষায়িত AI সিস্টেম কার্ডিওলজির সবচেয়ে কঠিন ইমেজিং সমস্যাগুলির একটির দিকে নজর দেয়

কার্নেগি মেলন বিশ্ববিদ্যালয় এবং ক্লিভল্যান্ড ক্লিনিকের গবেষকেরা বলেছেন, তারা এমন একটি কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা তৈরি করেছেন যা ম্যানুয়ালি লেবেল করা প্রশিক্ষণ ডেটার ওপর নির্ভর না করেই কার্ডিয়াক MRI স্ক্যান ব্যাখ্যা করতে পারে, যা উন্নত হৃদ্‌যন্ত্রের ইমেজিং বিশ্লেষণকে ক্লিনিকাল পরিবেশে আরও স্কেলযোগ্য করে তুলতে পারে। CMR-CLIP নামের এই সিস্টেমটি বিশেষভাবে কার্ডিয়াক ম্যাগনেটিক রেজোন্যান্স ইমেজিং-এর জন্য তৈরি, যা হৃদ্‌যন্ত্রের গঠন, কার্যকারিতা, টিস্যুর স্বাস্থ্য, রক্তপ্রবাহ এবং ক্ষতির লক্ষণ মূল্যায়নে ব্যাপকভাবে ব্যবহৃত হয়।

Nature Communications-এ প্রকাশিত এই কাজ চলমান হৃদ্‌যন্ত্রের ছবি এবং সেগুলিকে বর্ণনা করা ক্লিনিকাল রেডিওলজি রিপোর্টকে একত্র করে। বড়, হাতে লেবেল করা ডেটাসেটে প্রশিক্ষণ দেওয়ার বদলে, মডেলটি স্ক্যান এবং ক্লিনিশিয়ানদের লেখা পাঠ্যের মধ্যকার সম্পর্ক থেকে শেখে। পরীক্ষায়, দলটি জানিয়েছে যে সিস্টেমটি সাধারণ-উদ্দেশ্য AI মডেলগুলিকে ছাড়িয়ে গেছে এবং কিছু ক্ষেত্রে তাদের পারফরম্যান্স 35% এরও বেশি অতিক্রম করেছে।

এই ফলাফল গুরুত্বপূর্ণ, কারণ কার্ডিয়াক MRI কোনো সহজ ইমেজ-রিকগনিশন কাজ নয়। একটি একক পরীক্ষায় বহু ভিউ এবং সময়বিন্দুতে সংগৃহীত শত শত বা হাজার হাজার ছবি থাকতে পারে। এই গবেষণাগুলির ব্যাখ্যা অত্যন্ত বিশেষায়িত এবং সময়সাপেক্ষ, যা থ্রুপুট সীমিত করে এবং যেখানে বিশেষজ্ঞ পাঠক কম, সেখানে প্রবেশাধিকারও সংকুচিত করতে পারে।

কার্ডিয়াক MRI স্বয়ংক্রিয় করা কেন কঠিন ছিল

কার্ডিয়াক MRI প্রায়ই হৃদ্‌যন্ত্র মূল্যায়নের জন্য একটি গোল্ড-স্ট্যান্ডার্ড টুল হিসেবে বর্ণিত হয়, কারণ এটি এক পরীক্ষায় অ্যানাটমি ও কার্যকারিতার বিস্তৃত চিত্র ধরতে পারে। কিন্তু এই সমৃদ্ধিই অটোমেশনকে কঠিন করে তোলে। সাধারণ ইমেজ বোঝার জন্য তৈরি মডেলগুলি স্বাভাবিকভাবে চলমান, বহু-ভিউ, ক্লিনিক্যালি জটিল হৃদ্‌যন্ত্রের স্ক্যানের সঙ্গে মানিয়ে নেওয়া হয় না।

গবেষণা দলের মূল যুক্তি হলো, একটি ডোমেইন-নির্দিষ্ট foundation model তখনই ভালো কাজ করে, যখন এর আর্কিটেকচার এবং প্রশিক্ষণ কৌশল সেই ডেটার কাঠামোকে প্রতিফলিত করে যা এটি বিশ্লেষণ করতে যাচ্ছে। একটি সাধারণ ইমেজ মডেলকে মানিয়ে নিয়ে সেটি ভালোভাবে স্থানান্তরিত হবে বলে আশা করার পরিবর্তে, দলটি কার্ডিয়াক MRI ব্যাখ্যার বাস্তবতাকে কেন্দ্র করে একটি সিস্টেম তৈরি করেছে।

কার্নেগি মেলনের ডিপার্টমেন্ট অব মেকানিক্যাল ইঞ্জিনিয়ারিং-এর অ্যাসোসিয়েট প্রফেসর এবং গবেষণার সহ-প্রধান তদন্তকারী ডিং ঝাও বলেন, এই ফলাফল দেখায় যে বিশেষায়িত foundation models সংকীর্ণ ক্লিনিকাল ডোমেইনে সাধারণ-উদ্দেশ্য সিস্টেমের চেয়ে ভালো পারফর্ম করতে পারে। গবেষকেরা এটিকে চিকিৎসা AI-এর জন্য একটি বৃহত্তর শিক্ষা হিসেবে তুলে ধরছেন: মডেলগুলোকে কেবল পরে টিউন না করে, ইমেজিং ওয়ার্কফ্লো এবং সংশ্লিষ্ট ক্লিনিকাল ভাষাকে কেন্দ্র করে ডিজাইন করতে হতে পারে।

ম্যানুয়াল লেবেল ছাড়াই মডেল কীভাবে শেখে

CMR-CLIP কার্ডিয়াক MRI সিকোয়েন্সগুলিকে সেই পরীক্ষাগুলি থেকে তৈরি রেডিওলজি রিপোর্টের সঙ্গে যুক্ত করে। এতে সিস্টেমটি শ্রমসাধ্য অ্যানোটেশন অভিযানের বদলে বিদ্যমান ক্লিনিকাল অনুশীলন থেকে শিখতে পারে। কার্যত, রিপোর্টগুলো রুটিন কেয়ারের মধ্যে অন্তর্নিহিত সুপারভিশন প্রদান করে।

এই পদ্ধতি হাসপাতাল এবং গবেষণা দলের জন্য গুরুত্বপূর্ণ হতে পারে, কারণ মেডিকেল ইমেজিংয়ে উচ্চ-মানের ম্যানুয়াল লেবেল তৈরি করা ব্যয়বহুল। এর জন্য বিশেষজ্ঞের সময়, সঙ্গত মানদণ্ড এবং বড় ডেটাসেট প্রয়োজন। জোড়া ছবি এবং রিপোর্ট থেকে শেখার মাধ্যমে, মডেলটি কার্যকর ক্লিনিকাল AI টুল তৈরি করার প্রধান বাধাগুলোর একটি কমাতে পারে।

গবেষকেরা আরও জানিয়েছেন যে সিস্টেমটি কেবল শ্রেণিবিন্যাসভিত্তিক পারফরম্যান্স বেঞ্চমার্কের বাইরেও সম্ভাবনা দেখিয়েছে। সূত্র পাঠ্য অনুযায়ী, CMR-CLIP ইমেজিং বিশ্লেষণ, কেস রিট্রিভাল, এবং ক্লিনিকাল সিদ্ধান্ত সহায়তার জন্য সম্ভাবনা প্রদর্শন করেছে। এগুলো বাস্তবসম্মত ব্যবহার, যা সংকীর্ণ একাডেমিক প্রদর্শনের বদলে ওয়ার্কফ্লো ইন্টিগ্রেশনের দিকে ইঙ্গিত করে।

• স্বয়ংক্রিয় স্ক্রিনিং জরুরি পর্যালোচনার প্রয়োজন এমন কেস চিহ্নিত করতে সাহায্য করতে পারে।
• কেস রিট্রিভাল ক্লিনিশিয়ানদের বর্তমান স্ক্যানের সঙ্গে অনুরূপ আগের উদাহরণ তুলনা করতে সাহায্য করতে পারে।
• ডিসিশন-সাপোর্ট টুল সীমিত বিশেষজ্ঞ সক্ষমতার পরিবেশে পাঠকদের সহায়তা করতে পারে।

ক্লিনিকাল প্রভাব এবং সীমাবদ্ধতা

ক্লিভল্যান্ড ক্লিনিকের ডেভিড চেন, যিনি সহ-প্রধান তদন্তকারীও, বলেছেন কার্ডিয়াক MRI ব্যাখ্যা বিশেষায়িত এবং সময়সাপেক্ষ, এবং রিডার-সহায়ক টুল রোগীদের এই প্রযুক্তিতে প্রবেশাধিকার বাড়াতে পারে। এটি একটি গুরুত্বপূর্ণ পার্থক্য: প্রকল্পটি ক্লিনিশিয়ানদের বিকল্প নয়, বরং সহায়তা হিসেবে বর্ণিত হয়েছে।

গবেষণার প্রভাব সবচেয়ে শক্তিশালী সেইসব পরিবেশে, যেখানে বিশেষজ্ঞতা সীমিত কিন্তু ইমেজিংয়ের চাহিদা বাড়ছে। যদি কোনো মডেল ট্রায়াজ দ্রুত করতে পারে, পুনরাবৃত্ত পর্যালোচনার কাজ কমাতে পারে, বা সামঞ্জস্যতা বাড়াতে পারে, তবে এটি কার্ডিয়াক MRI-এর ব্যবহারিক পরিসর বাড়াতে পারে। বিশেষজ্ঞ কার্ডিয়াক ইমেজারের প্রাপ্যতা যেখানে অসম, সেখানে এটি বিশেষভাবে প্রাসঙ্গিক হবে।

একই সঙ্গে, উৎস উপকরণে দাবি করা হয়নি যে সিস্টেমটি সীমাহীন ক্লিনিকাল মোতায়েনের জন্য প্রস্তুত, এবং সব কাজ ও জনগোষ্ঠীর জন্য বিস্তারিত পারফরম্যান্স পরিসংখ্যানও দেওয়া হয়নি। সাধারণ মডেলের তুলনায় রিপোর্টকৃত অগ্রগতি উল্লেখযোগ্য, কিন্তু পরবর্তী প্রশ্নগুলো হবে প্রতিষ্ঠান-জুড়ে যাচাই, স্ক্যানার প্রোটোকল জুড়ে দৃঢ়তা, এবং বাস্তব নির্ণয়মূলক ওয়ার্কফ্লোতে আউটপুট কতটা ভালো টিকে থাকে তা নিয়ে।

এই প্রশ্নগুলো যেকোনো মেডিকেল AI সিস্টেমের জন্য স্বাভাবিক। হাসপাতালগুলো শুধু এটুকু প্রমাণ চায় না যে মডেল গবেষণামূলক পরীক্ষায় সঠিক, বরং এটাও যে এটি বিভিন্ন রোগী গোষ্ঠী এবং ইমেজিং পরিবেশে নির্ভরযোগ্য থাকে। প্রকাশনায় শক্তিশালী ফলাফল মানেই স্বয়ংক্রিয়ভাবে বৃহৎ পরিসরে মোতায়েন নয়।

চিকিৎসা AI-তে বৃহত্তর পরিবর্তন

এই প্রকল্প চিকিৎসার জন্য কৃত্রিম বুদ্ধিমত্তায় একটি বৃহত্তর প্রবণতাকে প্রতিফলিত করে: সাধারণ multimodal উচ্ছ্বাস থেকে সরে এসে নির্দিষ্ট ক্লিনিকাল ডোমেইনের জন্য তৈরি সিস্টেমের দিকে এগোনো। এখানে মূল বাজি হলো, হৃদ্‌যন্ত্র-ইমেজিং ডেটা এবং হৃদ্‌যন্ত্র-ইমেজিং রিপোর্টে প্রশিক্ষিত একটি হৃদ্‌যন্ত্র-ইমেজিং মডেল, উন্নয়নের শেষ পর্যায়ে মানিয়ে নেওয়া একটি বিস্তৃত মডেলের তুলনায় বেশি উপযোগী হবে।

এটি একটি বাস্তববাদী দিক। চিকিৎসাবিদ্যা বিশেষায়িত ডেটার ধরন, ওয়ার্কফ্লো এবং শব্দভাণ্ডারে পরিপূর্ণ, যা ভোক্তা AI বেঞ্চমার্কের সঙ্গে সহজে মেলে না। এমন একটি সিস্টেম, যা হৃদ্‌যন্ত্রের চলমান অ্যানাটমি এবং রোগ বর্ণনা করতে ব্যবহৃত ভাষা বোঝে, তা পরিমাপযোগ্য ক্লিনিকাল উপযোগিতা দেওয়ার জন্য আরও ভালো অবস্থানে থাকতে পারে।

যদি আরও যাচাই প্রাথমিক ফলাফলকে সমর্থন করে, CMR-CLIP ম্যানুয়াল লেবেলের ওপর কম নির্ভরশীল এবং নিয়মিত ক্লিনিকাল ডকুমেন্টেশনের সঙ্গে আরও ঘনিষ্ঠভাবে সামঞ্জস্যপূর্ণ নতুন ধরনের মেডিকেল foundation models-এর অংশ হয়ে উঠতে পারে। কার্ডিয়াক ইমেজিংয়ের ক্ষেত্রে, এটি দীর্ঘদিনের একটি চ্যালেঞ্জে অগ্রগতি নির্দেশ করবে: ক্ষেত্রটির সবচেয়ে সমৃদ্ধ ডায়াগনস্টিক টুলগুলোর একটিকে সফটওয়্যারের সাহায্যে ব্যাখ্যা, স্কেল, এবং সমর্থন করা সহজ করা।

তাৎক্ষণিক takeaway আরও সংকীর্ণ হলেও গুরুত্বপূর্ণ। গবেষকেরা সম্ভবত দেখিয়েছেন যে, বিদ্যমান রিপোর্টের সঙ্গে বুদ্ধিমত্তার সঙ্গে জোড়া লাগানো unlabeled clinical data, সাধারণ-উদ্দেশ্য বিকল্পগুলির চেয়ে শক্তিশালী কার্ডিয়াক MRI মডেল তৈরিতে ব্যবহার করা যেতে পারে। যে ক্ষেত্রে বিশেষজ্ঞ সময় ব্যয়বহুল এবং ইমেজিং ভলিউম বড়, সেখানে এটি নজর রাখার মতো একটি উন্নয়ন।

এই প্রবন্ধটি Medical Xpress-এর রিপোর্টিংয়ের ওপর ভিত্তি করে। মূল প্রবন্ধটি পড়ুন.