नियमित अस्पताल इमेजिंग चिकित्सा AI का वह गायब घटक हो सकती है
चिकित्सा इमेजिंग के लिए आर्टिफिशियल इंटेलिजेंस सिस्टम अक्सर सावधानी से तैयार किए गए शोध डेटासेट से बनाए जाते हैं, लेकिन Nature Medicine में उजागर एक नए अध्ययन का तर्क है कि सबसे बड़े प्रदर्शन लाभ कहीं कम क्यूरेटेड स्रोत से आ सकते हैं: वास्तविक स्वास्थ्य प्रणालियों के भीतर हर दिन बनने वाले नियमित स्कैन।
रिसर्च ब्रीफिंग के अनुसार, शोधकर्ताओं ने 5.24 मिलियन क्लिनिकल कंप्यूटेड टोमोग्राफी और मैग्नेटिक रेज़ोनेंस इमेजिंग सीरीज पर एक त्रि-आयामी विज़ुअल फाउंडेशन मॉडल प्रशिक्षित किया। सार्वजनिक इंटरनेट छवियों या छोटी विशेषीकृत संग्रहों से सीखने के बजाय, मॉडल को सीधे देखभाल में उपयोग होने वाली रोजमर्रा की न्यूरोइमेजिंग की धारा से बनाया गया। लेखकों के अनुसार, परिणाम अत्याधुनिक निदान प्रदर्शन के साथ-साथ शुरुआती संकेत थे कि यह सिस्टम वास्तविक क्लिनिकल वातावरण में रिपोर्ट निर्माण और ट्रायेज का समर्थन कर सकता है।
यह काम चिकित्सा AI में एक व्यापक बदलाव की ओर इशारा करता है। पिछले कई वर्षों से, फाउंडेशन मॉडल विकास में प्रमुख धारणा यह रही है कि केवल पैमाना ही निर्णायक कारक है और बड़े सार्वजनिक डेटासेट को लगभग किसी भी डाउनस्ट्रीम उपयोग के लिए अनुकूलित किया जा सकता है। यह अध्ययन सुझाव देता है कि न्यूरोइमेजिंग के लिए डोमेन-विशिष्ट पैमाना, कच्चे वॉल्यूम जितना ही महत्वपूर्ण है। लाखों वास्तविक CT और MRI अध्ययनों से प्रशिक्षित एक मॉडल मस्तिष्क की संरचना और रोग का एक साझा निरूपण सीखता हुआ प्रतीत होता है, जिसे सामान्य-उद्देश्य प्रशिक्षण डेटा आसानी से दोहरा नहीं सकता।
वास्तविक दुनिया का डेटा तस्वीर कैसे बदलता है
न्यूरोइमेजिंग पारंपरिक AI पाइपलाइनों के लिए एक कठिन समस्या है। ब्रेन स्कैन सपाट नहीं, बल्कि आयतनात्मक होते हैं, वे उपकरणों और प्रोटोकॉल में भिन्न होते हैं, और चिकित्सकीय रूप से महत्वपूर्ण निष्कर्ष सूक्ष्म, फैले हुए, या कई स्लाइस में बंटे हो सकते हैं। नियमित अभ्यास के त्रि-आयामी डेटा पर सीधे प्रशिक्षित एक फाउंडेशन मॉडल के पास इन पैटर्नों को उस तरह समझने का अवसर होता है जैसा छोटे सुपरवाइज्ड डेटासेट अक्सर नहीं कर पाते।
ब्रीफिंग में कहा गया है कि मॉडल ने CT और MRI दोनों में न्यूरोएनाटॉमी और रोग का एक साझा निरूपण सीखा। यह महत्वपूर्ण है क्योंकि दोनों मोडैलिटी अलग-अलग जानकारी कैप्चर करती हैं और अलग-अलग क्लिनिकल संदर्भों में उपयोग होती हैं। CT अक्सर आपातकालीन देखभाल और तीव्र न्यूरोलॉजिकल मूल्यांकन में केंद्रीय भूमिका निभाता है, जबकि MRI अधिक विस्तृत संरचनात्मक मूल्यांकन के लिए इस्तेमाल होता है। दोनों प्रारूपों में प्रशिक्षण एक ऐसा मॉडल बनाने में मदद कर सकता है जो एक ही कार्य या स्कैनर प्रकार तक सीमित होने के बजाय देखभाल के विभिन्न सेटिंग्स में अधिक उपयोगी हो।
पेपर द्वारा खींचा गया यह अंतर उल्लेखनीय है। लेखकों के अनुसार, मॉडल ने सार्वजनिक इंटरनेट और चिकित्सा डेटा पर प्रशिक्षित फाउंडेशन मॉडलों की तुलना में बेहतर निदान प्रदर्शन किया। यह तुलना उस तर्क को और बल देती है जिसे कई चिकित्सक और इन्फॉर्मेटिक्स शोधकर्ता कुछ समय से चुपचाप रखे हुए हैं: अत्यधिक प्रासंगिक संस्थागत डेटा, यदि सही तरीके से शासित और संसाधित किया जाए, तो अन्य डोमेनों से उधार ली गई सामान्यीकृत स्केल से अधिक मूल्यवान हो सकता है।
व्यवहार में, नियमित स्वास्थ्य-प्रणाली डेटा अव्यवस्थित होता है। इसमें अधिग्रहण में विविधता, रोगी आबादी में अंतर, और वास्तविक क्लिनिकल कार्यप्रवाहों के निशान होते हैं। इन गुणों को आमतौर पर बाधाएँ माना जाता है। यहाँ, वे ताकत बन गए होंगे, क्योंकि जिन मॉडलों को तैनात किया जाना है, उन्हें अंततः उसी अव्यवस्थित वातावरण में काम करना होगा।
निदान से वर्कफ़्लो समर्थन तक
बेंचमार्क प्रदर्शन से आगे, अध्ययन दो व्यावहारिक उपयोगों की ओर भी संकेत करता है जिनमें स्वास्थ्य प्रणालियों की तुरंत रुचि होती है: प्रारंभिक रिपोर्ट निर्माण और ट्रायेज। दोनों अभी भी संवेदनशील अनुप्रयोग हैं, लेकिन वे दिखाते हैं कि यह क्षेत्र किस दिशा में जा रहा है।
प्रारंभिक रिपोर्ट निर्माण का अर्थ रेडियोलॉजिस्टों की जगह लेना नहीं है। इसका अर्थ है कि एक AI सिस्टम संभावित निष्कर्षों का सार प्रस्तुत करने, अवलोकनों को व्यवस्थित करने, या एक ऐसा ड्राफ्ट तैयार करने में मदद कर सकता है जिसे चिकित्सक समीक्षा करके संपादित करता है। उच्च-आयतन इमेजिंग विभागों में, आंशिक सहायता भी टर्नअराउंड समय घटा सकती है और जटिल मामलों में पहले चरण को अधिक मानकीकृत बना सकती है।
ट्रायेज अलग है, लेकिन उतना ही महत्वपूर्ण। यदि कोई इमेजिंग AI उन मामलों की पहचान कर सकता है जिनमें तात्कालिक असामान्यताओं की संभावना अधिक है, तो वे अध्ययन विशेषज्ञ समीक्षा के लिए पहले सामने लाए जा सकते हैं। स्ट्रोक, हेमरेज, मास इफ़ेक्ट, या अन्य समय-संवेदनशील न्यूरोलॉजिकल स्थितियों में, मिनटों का महत्व होता है। पेपर ट्रायेज उपयोग का वर्णन इस तरह करता है मानो उसका मूल्यांकन वास्तविक स्वास्थ्य प्रणालियों में संचालनात्मक तैनाती को ध्यान में रखकर किया गया हो, न कि केवल एक अकादमिक अभ्यास के रूप में।
यह संयोजन, मजबूत निदान के साथ वर्कफ़्लो सहायता, ही इस अध्ययन को एक और सटीकता शीर्षक से अधिक महत्वपूर्ण बनाता है। इमेजिंग AI अक्सर प्रयोगशाला की संभावनाओं से नियमित उपयोग तक पहुँचने में संघर्ष करता है, क्योंकि कोई मॉडल किसी संकीर्ण कार्य पर प्रभावशाली दिख सकता है, फिर भी क्लिनिकल संचालन में फिट नहीं बैठता। जो सिस्टम श्रृंखला के कई चरणों का समर्थन कर सकते हैं, उनके अपनाए जाने के लिए आवश्यक लागत और एकीकरण प्रयास को उचित ठहराने की संभावना अधिक होती है।
यह अध्ययन क्या स्थापित करता है और क्या नहीं
रिसर्च ब्रीफिंग पूर्ण संचालनात्मक मार्गदर्शिका के बजाय एक संक्षिप्त सारांश प्रदान करती है, इसलिए कई प्रश्न खुले रह जाते हैं। अंश यह नहीं बताता कि किन निदान कार्यों ने सर्वोत्तम परिणाम दिए, प्रदर्शन संस्थानों के बीच कैसे बदला, या किन किनारे के मामलों में मॉडल ने कैसा व्यवहार किया। यह रिपोर्ट निर्माण और ट्रायेज को भी प्रारंभिक बताती है, जो एक महत्वपूर्ण सावधानी है ऐसे क्षेत्र में जहाँ शुरुआती प्रदर्शनों को आसानी से बढ़ा-चढ़ाकर बताया जा सकता है।
फिर भी, प्रशिक्षण सेट का पैमाना अनदेखा करना कठिन है। पाँच मिलियन से अधिक CT और MRI सीरीज ऐसा डेटा संसाधन हैं जिसे केवल बड़े स्वास्थ्य सिस्टम या बहु-संस्थागत सहयोग ही वास्तव में इकट्ठा कर सकते हैं। इससे उद्योग के सामने एक रणनीतिक मुद्दा खड़ा होता है। यदि सबसे सक्षम चिकित्सा फाउंडेशन मॉडल खुले तौर पर उपलब्ध डेटासेट के बजाय स्वास्थ्य-प्रणाली अभिलेखागार पर निर्भर करते हैं, तो प्रतिस्पर्धा का अगला चरण केवल मॉडल आर्किटेक्चर के बजाय नैदानिक डेटा पहुँच, शासन और भरोसेमंद संबंधों के इर्द-गिर्द केंद्रित हो सकता है।
यह अध्ययन अस्पतालों के लिए AI विक्रेताओं का मूल्यांकन करते समय एक व्यावहारिक सबक भी मजबूत करता है। प्रदर्शन के दावे बहुत हद तक इस पर निर्भर कर सकते हैं कि मॉडल ने किस तरह के डेटा से सीखा है। देखभाल के दौरान एकत्र किए गए नियमित स्कैन पर प्रशिक्षित टूल, उपभोक्ता या शोध इमेजरी से अनुकूलित किए गए टूल की तुलना में अलग तरह से सामान्यीकृत हो सकता है। खरीदारों को शायद अब “फाउंडेशन मॉडल” को एक-दूसरे के स्थान पर इस्तेमाल करने से पहले प्रामाणिकता, प्रतिनिधित्व और सत्यापन के बारे में अधिक सटीक प्रश्न पूछने होंगे।
चिकित्सा AI किस दिशा में बढ़ रही है, इसका संकेत
ब्रीफिंग इस काम को स्वास्थ्य AI में एक व्यापक आंदोलन से जोड़ती है: सार्वजनिक वेब से तरीकों को ज्यों-का-त्यों आयात करने के बजाय स्वास्थ्य-प्रणाली-स्तरीय डेटा से सामान्य-उद्देश्य क्लिनिकल मॉडल बनाना। यह दृष्टिकोण अधिक कठिन है क्योंकि इसमें डेटा इन्फ्रास्ट्रक्चर, गोपनीयता नियंत्रण, संस्थागत समन्वय और मोडैलिटी-विशिष्ट इंजीनियरिंग की आवश्यकता होती है। लेकिन यही वह रास्ता भी हो सकता है जो ऐसे टूल पैदा करे जिन पर चिकित्सक वास्तव में भरोसा करें।
न्यूरोइमेजिंग के लिए, निहितार्थ स्पष्ट है। भविष्य शायद उन मॉडलों का कम होगा जो बस अधिक छवियाँ देखते हैं, और अधिक उन मॉडलों का होगा जो सही छवियों से सीखते हैं: वे जो रोगी देखभाल की दैनिक वास्तविकता में उत्पन्न होती हैं। यदि ये सिस्टम रिपोर्टिंग और ट्रायेज का समर्थन करते हुए अत्याधुनिक प्रदर्शन दिखाते रहते हैं, तो वे केवल नाम से नहीं, बल्कि अस्पताल के अभ्यास में भी बुनियादी बन सकते हैं।
यह लेख Nature Medicine की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on nature.com