रेडिओलॉजी अहवालांमधून शिकणारा एआय सहाय्यक RADAR उदराच्या सीटी स्कॅन वाचतो

वैद्यकशास्त्रातील सर्वात कठीण स्कॅनसाठी सर्वसमावेशक एआय सहाय्यक

उदराचा सीटी स्कॅन एका तपासणीत प्रचंड क्लिनिकल तपशील संकुचित करतो. दृश्यक्षेत्रात डझनभर अवयव एकमेकांवर आच्छादित होतात आणि त्यांच्यामध्ये शेकडो आजार लपलेले असू शकतात. रेडिओलॉजिस्ट उदराला वैद्यकशास्त्रातील वाचण्यासाठी सर्वात कठीण भागांपैकी एक मानतात आणि अनुभवी तज्ञांनाही जे दिसत आहे ते उलगडण्यासाठी वेळ लागतो.

हा भार कमी करण्यासाठी, संशोधकांनी RADAR — Rapid Abdominal Diagnosis with AI and Radiology नावाचा नवीन एआय सहाय्यक सादर केला आहे. एका अवयवावर किंवा एका आजारावर लक्ष केंद्रित करण्याऐवजी, RADAR ही उदराच्या सीटी स्कॅनचे विश्लेषण करण्यासाठी आणि डॉक्टरांना निदानापर्यंत पोहोचण्यास मदत करण्यासाठी तयार केलेली सर्वसमावेशक प्रणाली आहे. हे काम Science मध्ये प्रकाशित झाले असून त्याचा DOI 10.1126/science.aec6129 आहे, आणि लेख सहकर्मी-पुनरावलोकन, तथ्य-तपासणी आणि Science X संपादकांद्वारे पुनरावलोकन केलेला आहे.

उदर इमेजिंग एआयसाठी कठीण समस्या का आहे

पोट हे अक्षरशः आणि शारीरिकदृष्ट्या हलते लक्ष्य आहे. उदरात वसलेल्या अवयवांचा आकार आणि स्थान एका रुग्णापासून दुसऱ्यापर्यंत मोठ्या प्रमाणात बदलते, त्यामुळे एखाद्या रचनेने कुठे असावे हे मॉडेल केवळ लक्षात ठेवू शकत नाही. असामान्यता बऱ्याचदा निरोगी ऊतकांपेक्षा सूक्ष्म, कमी-कॉन्ट्रास्ट फरकांमध्ये दिसतात, म्हणजे महत्त्वाचा सिग्नल अस्पष्ट असू शकतो. ते फरक विश्वासार्हपणे ओळखायला शिकण्यासाठी रेडिओलॉजिस्टना वर्षानुवर्षांचा अनुभव लागतो.

बहुतेक वैद्यकीय एआय प्रणाली इमेजिंगकडे अरुंद कार्यक्षेत्रासह पाहतात. त्या सामान्यतः विशिष्ट कार्यासाठी तयार केल्या जातात आणि पर्यवेक्षित शिक्षणाद्वारे प्रशिक्षित केल्या जातात, या प्रक्रियेत वैद्यकीय तज्ञांना प्रथम डेटा हाताने लेबल करावा लागतो. ही लेबलिंग पायरी संथ, खर्चिक आणि मोठ्या प्रमाणात वाढवणे कठीण असते — आणि ती एका मॉडेलचा वापर किती व्यापक होऊ शकतो हे मर्यादित करते.

रेडिओलॉजी अहवालांमधून थेट शिकणे

RADAR वेगळा मार्ग घेतो. तो क्लिनिकल अहवालांवर थेट प्रशिक्षित केलेल्या स्केलेबल व्हिजन-लँग्वेज फ्रेमवर्कवर आधारित आहे, ज्यासाठी तज्ञांनी आधी डेटा हाताने टॅग किंवा लेबल करण्याची आवश्यकता नाही. परिणामी, प्रतिमेत जे दिसते आणि रेडिओलॉजिस्ट ते वर्णन करण्यासाठी वापरतात त्या भाषेतील संबंध प्रणाली शिकते.

त्या प्रशिक्षणाचे प्रमाण लक्षणीय आहे:

• ४,२४,९११ तपासण्या समाविष्ट करणारे क्लिनिकल अहवाल
• १५ लाख प्रतिमा-मजकूर जोड्या
• १५ दशलक्षाहून अधिक शरीररचना-विशिष्ट जोड्या

मॉडेल रेडिओलॉजिस्ट नियमित काळजीचा भाग म्हणून आधीच तयार करत असलेल्या मुक्त मजकुरावर आधारित असल्याने, ही प्रक्रिया वैद्यकीय एआय विकासातील सर्वात मोठ्या अडथळ्यांपैकी एक टाळते. संशोधक या फ्रेमवर्कचे वर्णन स्केलेबल असे करतात, जे एका अभ्यासासाठी हाताने तयार केलेल्या डेटासेटवर अवलंबून न राहता मोठ्या प्रमाणात वास्तविक क्लिनिकल सामग्री शोषून घेऊ शकते असे सूचित करते.

आठ रुग्णालयांमध्ये वास्तविक-जगातील चाचणी

नोंदवलेली कामगिरी निवडक संशोधन प्रतिमांऐवजी वास्तविक-जगातील रुग्णालयीन तपासण्यांवरील चाचण्यांमधून आली. RADAR ने AUC म्हणून मोजलेला सरासरी निदान अचूकता गुण ०.९१३ मिळवला — हा निकाल विद्यमान वैद्यकीय व्हिजन-लँग्वेज एआय मॉडेल्सपेक्षा चांगला ठरला.

मुख्य आकड्याइतकेच तो कुठे टिकून राहिला हेही महत्त्वाचे आहे. निकाल मूळ सेटिंगपलीकडे आठ वेगवेगळ्या रुग्णालयांमध्ये सामान्यीकृत झाले, आपत्कालीन कक्षातील प्रकरणांसाठी टिकले आणि विविध रुग्ण लोकसंख्यांमध्ये कायम राहिले. वैद्यकीय एआयसाठी अशी सातत्य महत्त्वाची आहे, कारण जे मॉडेल केवळ त्याच्या प्रशिक्षण वातावरणासारख्या डेटावर चांगले काम करते त्याचे क्लिनिकल मूल्य मर्यादित असते.

Science मधील निष्कर्षांनुसार, RADAR ने कुठे आणि कसे चाचणी केली गेली याची पर्वा न करता १८ शारीरिक रचना तसेच १४६ इमेजिंग चिन्हे आणि आजार अचूकपणे ओळखले.

व्याप्ती काय समाविष्ट करते

शारीरिक रचना आणि इमेजिंग चिन्हांचे संयोजन असे सूचित करते की ही प्रणाली स्कॅन एका उद्देश-विशिष्ट डिटेक्टरपेक्षा सर्वसाधारण रेडिओलॉजिस्टसारखा वाचते. एका अवयवाबद्दल एका प्रश्नाचे उत्तर देण्याऐवजी, मॉडेल उदराचे व्यापक चित्र समजून घेण्यासाठी स्थित आहे.

RADAR रेडिओलॉजिस्टसाठी काय बदलू शकतो

या प्रकल्पामागील नमूद प्रेरणा कामाचा भार आहे. उदराचा सीटी मागणी करणारा आहे, आणि तो काळजीपूर्वक वाचण्यासाठी रेडिओलॉजी विभागांकडे नेहमी नसते इतका वेळ लागतो. व्यापक निदानात्मक अर्थ लावू शकणारा सर्वसमावेशक सहाय्यक गुंतागुंतीच्या तपासण्या हाताळताना चिकित्सकांना प्रारंभ बिंदू देऊ शकतो.

संशोधक RADAR चे वर्णन डॉक्टरांना निदानापर्यंत पोहोचण्यास मदत करणारा सहाय्यक म्हणून करतात, त्यांच्या निर्णयाचा पर्याय म्हणून नाही. हा फरक वैद्यकीय एआयमधील सध्याच्या बऱ्याच कामात आढळतो, जिथे व्यावहारिक उद्दिष्ट अंतिम निर्णय देण्याऐवजी वर्गीकरण, प्राधान्यक्रम आणि सारांश देणे असते.

या प्रकरणात व्याप्ती आणि मजबुतीचे संयोजन ठळकपणे दिसते. जवळपास ४,२५,००० तपासण्यांवर प्रशिक्षित आणि आठ रुग्णालयांमध्ये मान्यताप्राप्त एकच फ्रेमवर्क, या क्षेत्रावर वर्चस्व गाजवणाऱ्या अरुंद, कार्य-विशिष्ट साधनांच्या पलीकडे एक अर्थपूर्ण पाऊल दर्शवते.

एका दृष्टिक्षेपात आकडे

• प्रणाली: RADAR (Rapid Abdominal Diagnosis with AI and Radiology)
• प्रशिक्षण डेटा: ४,२४,९११ तपासण्या; १५ लाख प्रतिमा-मजकूर जोड्या; १५ दशलक्षाहून अधिक शरीररचना-विशिष्ट जोड्या
• सरासरी निदान अचूकता (AUC): ०.९१३
• ओळखले: १८ शारीरिक रचना आणि १४६ इमेजिंग चिन्हे व आजार
• मान्यता: आठ रुग्णालये, आपत्कालीन कक्षातील प्रकरणे आणि विविध रुग्ण लोकसंख्या
• प्रकाशन: Science (DOI: 10.1126/science.aec6129)

उदर इमेजिंगचे प्रमाण वाढत राहिल्याने, वैद्यकशास्त्रातील सर्वात गुंतागुंतीच्या स्कॅनपैकी एक नेव्हिगेट करण्यास रेडिओलॉजिस्टना मदत करणारी साधने लक्ष वेधून घेतील. RADAR चे नोंदवलेले निकाल संशोधकांना स्पष्ट मानदंड देतात — आणि चिकित्सक दररोज लिहितात त्या अहवालांवर थेट सर्वसमावेशक वैद्यकीय एआय प्रशिक्षित करण्यासाठी एक नमुना देतात.

हा लेख Medical Xpress च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.