স্বাস্থ্য-ব্যবস্থার স্ক্যান আরও শক্তিশালী নিউরোইমেজিং এআই গড়তে সাহায্য করে

নিয়মিত হাসপাতাল ইমেজিং চিকিৎসা এআইয়ের অনুপস্থিত উপাদান হতে পারে

চিকিৎসা ইমেজিংয়ের জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা প্রায়ই সতর্কভাবে সংকলিত গবেষণা ডেটাসেট থেকে তৈরি হয়, কিন্তু Nature Medicine-এ আলোচিত একটি নতুন গবেষণা যুক্তি দেয় যে সবচেয়ে বড় কর্মক্ষমতার উন্নতি অনেক কম কিউরেটেড কিছু থেকে আসতে পারে: বাস্তব স্বাস্থ্য ব্যবস্থার ভেতরে প্রতিদিন তৈরি হওয়া নিয়মিত স্ক্যান।

গবেষণা ব্রিফিং অনুযায়ী, গবেষকরা 5.24 মিলিয়ন ক্লিনিকাল কম্পিউটেড টমোগ্রাফি এবং ম্যাগনেটিক রেজোন্যান্স ইমেজিং সিরিজে একটি তিন-মাত্রিক ভিজ্যুয়াল foundation model প্রশিক্ষণ দেন। পাবলিক ইন্টারনেটের ছবি বা ছোট বিশেষায়িত সংগ্রহ থেকে শেখার বদলে, model-টি সরাসরি যত্নে ব্যবহৃত দৈনন্দিন নিউরোইমেজিংয়ের প্রবাহ থেকে তৈরি করা হয়। লেখকদের মতে, এর ফলে state-of-the-art diagnostic performance-এর পাশাপাশি প্রাথমিক সংকেতও পাওয়া যায় যে systemটি বাস্তব ক্লিনিক্যাল পরিবেশে report generation এবং triage-এ সহায়তা করতে পারে।

এই কাজটি চিকিৎসা এআই-এ একটি বৃহত্তর পরিবর্তনের ইঙ্গিত দেয়। বহু বছর ধরে, foundation model বিকাশে প্রধান ধারণা ছিল যে কেবল scale-ই নির্ধারক এবং বড় public dataset প্রায় যেকোনো downstream ব্যবহারের জন্য মানিয়ে নেওয়া যায়। এই গবেষণা প্রস্তাব করে যে neuroimaging-এর ক্ষেত্রে domain-specific scale, raw volume-এর মতোই গুরুত্বপূর্ণ। লক্ষ লক্ষ প্রকৃত CT এবং MRI অধ্যয়নের সংস্পর্শে আসা একটি model মস্তিষ্কের গঠন ও রোগের একটি shared representation শিখে নিচ্ছে বলে মনে হয়, যা সাধারণ-উদ্দেশ্যের training data সহজে পুনর্নির্মাণ করতে পারে না।

বাস্তব-জগতের ডেটা কীভাবে চিত্র বদলে দেয়

নিউরোইমেজিং প্রচলিত এআই পাইপলাইনের জন্য একটি কঠিন সমস্যা। মস্তিষ্কের স্ক্যান সমতল নয়, বরং volumetric; এগুলো যন্ত্রপাতি ও protocols-এর মধ্যে ভিন্ন হয়, এবং চিকিৎসাগতভাবে গুরুত্বপূর্ণ findings সূক্ষ্ম, বিস্তৃত, অথবা একাধিক slice-এ ছড়িয়ে থাকতে পারে। নিয়মিত practice থেকে সরাসরি প্রাপ্ত তিন-মাত্রিক data-তে প্রশিক্ষিত একটি foundation model এই patterns আত্মস্থ করার সুযোগ পায়, যা ছোট supervised dataset-গুলো প্রায়ই পারে না।

ব্রিফিং বলছে model CT এবং MRI উভয় ক্ষেত্রেই neuroanatomy ও disease-এর একটি shared representation শিখেছে। এটি গুরুত্বপূর্ণ, কারণ দুই modality ভিন্ন তথ্য ধারণ করে এবং ভিন্ন clinical context-এ ব্যবহৃত হয়। CT প্রায়ই জরুরি সেবা ও acute neurological evaluation-এ কেন্দ্রীয় ভূমিকা রাখে, আর MRI বেশি বিস্তারিত structural assessment-এর জন্য ব্যবহার হয়। দুই format জুড়ে training এমন একটি model তৈরি করতে সাহায্য করতে পারে যা একক task বা scanner type-এ বাঁধা না থেকে care setting জুড়ে বেশি উপযোগী হয়।

পত্রিকাটি যে পার্থক্য টেনে এনেছে তা উল্লেখযোগ্য। লেখকদের মতে, public internet এবং medical data-তে প্রশিক্ষিত foundation model-এর তুলনায় diagnostic performance ভালো হয়েছে। এই তুলনা অনেক চিকিৎসক ও informatics গবেষকের দীর্ঘদিনের নীরব যুক্তিকে জোর দেয়: অত্যন্ত প্রাসঙ্গিক institutional data, সঠিকভাবে শাসিত ও প্রক্রিয়াকৃত হলে, অন্যান্য domain থেকে ধার করা generic scale-এর চেয়ে বেশি মূল্যবান হতে পারে।

বাস্তবে, নিয়মিত health-system data জটিল। এতে acquisition-এর ভিন্নতা, patient population-এর পার্থক্য, এবং বাস্তব clinical workflow-এর artifacts থাকে। এই বৈশিষ্ট্যগুলো সাধারণত বাধা হিসেবে দেখা হয়। এখানে এগুলো শক্তিতে পরিণত হতে পারে, কারণ deployment-এর জন্য তৈরি model-কে শেষ পর্যন্ত একই জটিল পরিবেশেই কাজ করতে হবে।

নির্ণয় থেকে workflow সহায়তা পর্যন্ত

benchmark performance-এর বাইরে, গবেষণাটি স্বাস্থ্য ব্যবস্থার তাৎক্ষণিকভাবে গুরুত্বপূর্ণ দুটি ব্যবহারও নির্দেশ করে: preliminary report generation এবং triage। উভয়ই এখনও সংবেদনশীল ব্যবহার, কিন্তু এগুলো দেখায় ক্ষেত্রটি কোন দিকে যাচ্ছে।

Preliminary report generation মানে radiologist-দের প্রতিস্থাপন করা নয়। এর মানে হল, একটি এআই system সম্ভাব্য findings সারসংক্ষেপ করতে, observations সংগঠিত করতে, বা clinician-এর পর্যালোচনা ও সম্পাদনার জন্য একটি draft প্রস্তুত করতে সাহায্য করতে পারে। উচ্চ-আয়তনের imaging department-এ আংশিক সহায়তাও turnaround time কমাতে এবং জটিল case-এর প্রথম pass মানসম্মত করতে পারে।

Triage আলাদা, কিন্তু সমান গুরুত্বপূর্ণ। যদি একটি imaging এআই এমন case শনাক্ত করতে পারে যেখানে জরুরি অস্বাভাবিকতা থাকার সম্ভাবনা বেশি, তবে সেই study-গুলো specialist review-এর জন্য দ্রুত সামনে আনা যেতে পারে। stroke, hemorrhage, mass effect, বা অন্যান্য সময়-সংবেদনশীল neurological অবস্থায় মিনিট গুরুত্বপূর্ণ। পত্রিকাটি triage ব্যবহারের কথা বাস্তব health system-এ সক্ষম বলে বর্ণনা করেছে, যা ইঙ্গিত করে model-টি কেবল একাডেমিক অনুশীলন হিসেবে নয়, operational deployment মাথায় রেখে মূল্যায়ন করা হয়েছে।

এই সমন্বয়, শক্তিশালী diagnosis-এর সঙ্গে workflow assistance, গবেষণাটিকে আরেকটি accuracy headline-এর চেয়ে বেশি গুরুত্বপূর্ণ করে তোলে। Imaging এআই প্রায়ই laboratory promise থেকে routine use-এ যেতে গিয়ে হোঁচট খায়, কারণ একটি model সংকীর্ণ task-এ চমৎকার দেখালেও clinical operation-এর সঙ্গে মানিয়ে নিতে ব্যর্থ হতে পারে। যে system-গুলো শৃঙ্খলের একাধিক ধাপ সমর্থন করতে পারে, সেগুলোর adoption-এর জন্য প্রয়োজনীয় খরচ ও integration effort ন্যায্য প্রমাণ করার সম্ভাবনা বেশি।

এই গবেষণা কী স্থাপন করে, আর কী করে না

research briefing একটি পূর্ণ operational playbook-এর বদলে সংক্ষিপ্ত সারাংশ দেয়, তাই বেশ কিছু প্রশ্ন অমীমাংসিত থাকে। কোন diagnostic task-গুলো সেরা ফল দিয়েছে, প্রতিষ্ঠানভেদে performance কীভাবে বদলেছে, বা edge case-এ model কীভাবে আচরণ করেছে তা excerpt-এ নির্দিষ্ট করা নেই। report generation এবং triage-কে preliminary বলেও বর্ণনা করা হয়েছে, যা এমন একটি ক্ষেত্রে গুরুত্বপূর্ণ সতর্কতা যেখানে প্রাথমিক প্রদর্শন সহজেই অতিরঞ্জিত হতে পারে।

তবুও, training set-এর আকার উপেক্ষা করা কঠিন। পাঁচ মিলিয়নের বেশি CT এবং MRI series এমন একটি data resource-এর সমান, যা কেবল বড় health system বা multi-institution সহযোগিতাই বাস্তবে জোগাড় করতে পারে। এটি শিল্পের জন্য একটি strategic issue তুলে ধরে। যদি সবচেয়ে সক্ষম medical foundation model-গুলো উন্মুক্তভাবে উপলব্ধ dataset-এর বদলে health-system archive-এর ওপর নির্ভর করে, তাহলে পরবর্তী প্রতিযোগিতার ঢেউ pure model architecture-এর বদলে clinical data access, governance, এবং trust relationship-এর ওপর কেন্দ্রীভূত হতে পারে।

এই গবেষণা হাসপাতালগুলোকে AI vendor মূল্যায়নের সময় একটি বাস্তব শিক্ষা দেয়। performance claim অনেকটাই নির্ভর করতে পারে model কী ধরনের data থেকে শিখেছে তার ওপর। care-এ সংগৃহীত নিয়মিত scan-এ প্রশিক্ষিত tool, consumer বা research imagery থেকে মানিয়ে নেওয়া tool-এর তুলনায় ভিন্নভাবে generalize করতে পারে। কেনার আগে buyer-দের provenance, representativeness, এবং validation সম্পর্কে আরও কঠিন প্রশ্ন করতে হবে, এবং ধরে নেওয়া যাবে না যে একটি “foundation model” অন্যটির বিকল্প।

চিকিৎসা এআই কোন দিকে যাচ্ছে তার ইঙ্গিত

এই কাজটি public web থেকে method wholesale আমদানি করার বদলে health-system scale data থেকে general-purpose clinical model তৈরির বৃহত্তর health AI আন্দোলনের সঙ্গে যুক্ত। এই পদ্ধতি কঠিন, কারণ এর জন্য data infrastructure, privacy control, institutional coordination, এবং modality-specific engineering দরকার। তবে এটিই এমন পথও হতে পারে যা চিকিৎসকেরা সত্যিই বিশ্বাস করেন এমন tool তৈরি করে।

নিউরোইমেজিংয়ের জন্য ইঙ্গিত পরিষ্কার। ভবিষ্যৎ কম এমন model-এর হতে পারে যারা শুধু বেশি ছবি দেখে, আর বেশি এমন model-এর হতে পারে যারা সঠিক ছবি থেকে শেখে: রোগীসেবার দৈনন্দিন বাস্তবতায় তৈরি হওয়া ছবি। যদি এই system-গুলো reporting এবং triage-কে সমর্থন করেও state-of-the-art performance দেখিয়ে যায়, তবে তারা শুধু নামে নয়, হাসপাতালের চর্চাতেও ভিত্তিমূলক হয়ে উঠতে পারে।

এই নিবন্ধটি Nature Medicine-এর রিপোর্টিংয়ের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.