एक विशेषीकृत AI प्रणाली कार्डिओलॉजीतील सर्वात कठीण इमेजिंग समस्यांपैकी एकाला लक्ष्य करते
कार्नेगी मेलॉन विद्यापीठ आणि क्लीव्हलँड क्लिनिकच्या संशोधकांचे म्हणणे आहे की त्यांनी एक अशी कृत्रिम बुद्धिमत्ता प्रणाली विकसित केली आहे जी मॅन्युअली लेबल केलेल्या प्रशिक्षण डेटावर अवलंबून न राहता कार्डियाक MRI स्कॅन समजू शकते, ज्यामुळे प्रगत हृदय इमेजिंग विश्लेषण क्लिनिकल सेटिंग्जमध्ये अधिक स्केलेबल होऊ शकते. CMR-CLIP नावाची ही प्रणाली विशेषतः कार्डियाक मॅग्नेटिक रिझोनन्स इमेजिंगसाठी तयार करण्यात आली होती, ही पद्धत हृदयाची रचना, कार्य, ऊतकांचे आरोग्य, रक्तप्रवाह आणि नुकसानाची चिन्हे यांचे मूल्यांकन करण्यासाठी मोठ्या प्रमाणावर वापरली जाते.
Nature Communications मध्ये प्रकाशित हे काम, हालचाल करणाऱ्या हृदय प्रतिमा आणि त्यांचे वर्णन करणाऱ्या क्लिनिकल रेडिओलॉजी अहवालांना एकत्र जोडते. मोठ्या, हाताने लेबल केलेल्या डेटासेटवर प्रशिक्षण देण्याऐवजी, मॉडेल स्कॅन आणि क्लिनिशियननी लिहिलेल्या मजकुरामधील संबंधांमधून शिकते. चाचणीत, टीमने सांगितले की प्रणालीने सर्वसाधारण AI मॉडेल्सपेक्षा चांगली कामगिरी केली आणि काही प्रकरणांमध्ये त्यांना 35% हून अधिकने मागे टाकले.
हा निकाल महत्त्वाचा आहे कारण कार्डियाक MRI हे साधे प्रतिमा-ओळख काम नाही. एका एकमेव तपासणीत अनेक दृश्ये आणि वेळबिंदूंवर घेतलेल्या शेकडो किंवा हजारो प्रतिमा असू शकतात. या अभ्यासांचे अर्थ लावणे अत्यंत विशेषीकृत आणि वेळखाऊ आहे, ज्यामुळे throughput मर्यादित होतो आणि जिथे तज्ज्ञ वाचक कमी आहेत तिथे प्रवेशावर मर्यादा येऊ शकते.
कार्डियाक MRI स्वयंचलित करणे कठीण का राहिले आहे
कार्डियाक MRI ला अनेकदा हृदयाचे मूल्यांकन करण्यासाठी gold-standard साधन म्हटले जाते, कारण ते एका तपासणीत शरीररचना आणि कार्याचे विस्तृत चित्र टिपू शकते. पण तीच समृद्धी स्वयंचलनाला कठीणही बनवते. सर्वसाधारण प्रतिमा समजण्यासाठी तयार केलेले मॉडेल्स हालणाऱ्या, बहुविध-दृष्टीकोनातील, क्लिनिकलदृष्ट्या गुंतागुंतीच्या हृदय स्कॅन्ससाठी नैसर्गिकरीत्या जुळवलेले नसतात.
संशोधन पथकाचा मुख्य युक्तिवाद असा आहे की डोमेन-विशिष्ट foundation model तेव्हा अधिक चांगले काम करते, जेव्हा त्याची रचना आणि प्रशिक्षण धोरण ते विश्लेषित करणार असलेल्या डेटाच्या संरचनेचे प्रतिबिंब असते. एक सामान्य प्रतिमा मॉडेल रूपांतरित करून ते चांगले हस्तांतरित होईल अशी आशा ठेवण्याऐवजी, गटाने कार्डियाक MRI व्याख्येच्या वास्तवांभोवती प्रणाली उभारली.
कार्नेगी मेलॉनच्या डिपार्टमेंट ऑफ मेकॅनिकल इंजिनिअरिंगमधील सहयोगी प्राध्यापक आणि अभ्यासातील सह-प्रधान तपासक डिंग झाओ म्हणाले की हे निष्कर्ष दर्शवतात की विशेषीकृत foundation models अरुंद क्लिनिकल डोमेन्समध्ये सर्वसाधारण प्रणालींपेक्षा चांगली कामगिरी करू शकतात. संशोधक हे वैद्यकीय AI साठी व्यापक धडा म्हणून मांडतात: मॉडेल्सना केवळ नंतर ट्यून करण्याऐवजी इमेजिंग वर्कफ्लो आणि संबंधित क्लिनिकल भाषेभोवती डिझाइन करावे लागेल.
मॅन्युअल लेबल्सशिवाय मॉडेल कसे शिकते
CMR-CLIP कार्डियाक MRI अनुक्रमांना त्या तपासण्यांमधून तयार झालेल्या रेडिओलॉजी अहवालांशी जोडते. त्यामुळे प्रणालीला मेहनतीच्या अॅनोटेशन मोहिमांऐवजी विद्यमान क्लिनिकल प्रॅक्टिसमधून शिकता येते. प्रत्यक्षात, अहवाल नियमित देखभालीत अंतर्भूत supervision पुरवतात.
हा दृष्टिकोन रुग्णालये आणि संशोधन गटांसाठी महत्त्वाचा ठरू शकतो, कारण वैद्यकीय इमेजिंगमध्ये उच्च-गुणवत्तेची मॅन्युअल लेबल्स तयार करणे महाग असते. यासाठी तज्ज्ञांचा वेळ, सातत्यपूर्ण मानके, आणि मोठ्या डेटासेटची आवश्यकता असते. जुळलेल्या प्रतिमा आणि अहवालांमधून शिकून, हे मॉडेल उपयुक्त क्लिनिकल AI साधने तयार करण्यातील एक प्रमुख अडथळा कमी करू शकते.
संशोधकांनी असेही नोंदवले की प्रणालीने वर्गीकरण-शैलीच्या कार्यप्रदर्शन बेंचमार्क्सपलीकडेही आशादायक कामगिरी दाखवली. स्त्रोत मजकुरानुसार, CMR-CLIP ने इमेजिंग विश्लेषण, केस रिट्रीव्हल, आणि क्लिनिकल निर्णय सहाय्यासाठी क्षमता दर्शवली. ही व्यावहारिक उपयोगप्रकरणे आहेत जी अरुंद शैक्षणिक प्रदर्शने न राहता वर्कफ्लो एकत्रीकरणाकडे निर्देश करतात.
- स्वयंचलित स्क्रीनिंग तातडीने पुनरावलोकन आवश्यक असलेली प्रकरणे ओळखण्यात मदत करू शकते.
- केस रिट्रीव्हल सध्याच्या स्कॅनची तुलना समान पूर्वीच्या उदाहरणांशी करण्यात क्लिनिशियनना मदत करू शकते.
- निर्णय-सहाय्य साधने मर्यादित तज्ज्ञ क्षमतेच्या सेटिंग्जमध्ये वाचकांना मदत करू शकतात.
क्लिनिकल परिणाम आणि मर्यादा
क्लीव्हलँड क्लिनिकमधील डेविड चेन, जे सह-प्रधान तपासकही आहेत, यांनी सांगितले की कार्डियाक MRI व्याख्या विशेषीकृत आणि वेळखाऊ आहे आणि वाचक-सहाय्यक साधने रुग्णांचा या तंत्रज्ञानापर्यंतचा प्रवेश सुधारू शकतात. हा एक महत्त्वाचा फरक आहे: हा प्रकल्प क्लिनिशियनच्या पर्याय म्हणून नव्हे, तर त्यांच्या सहाय्यासाठी वर्णन केला जातो.
अभ्यासाचे परिणाम विशेषतः अशा वातावरणात मजबूत आहेत जिथे कौशल्य मर्यादित आहे पण इमेजिंगची मागणी वाढत आहे. जर एखादे मॉडेल triage वेगवान करू शकले, पुनरावृत्तीच्या पुनरावलोकनाचे काम कमी करू शकले, किंवा सुसंगतता सुधारू शकले, तर ते कार्डियाक MRI चे व्यावहारिक पोहोच वाढवू शकते. विशेषतः जिथे तज्ज्ञ कार्डियाक इमेजर्सचा प्रवेश असमान आहे तिथे हे अधिक संबंधित ठरेल.
त्याच वेळी, स्त्रोत सामग्रीत असे म्हटलेले नाही की प्रणाली अमर्यादित क्लिनिकल तैनातीसाठी तयार आहे, तसेच सर्व कार्ये आणि लोकसंख्यांमध्ये तपशीलवार कार्यप्रदर्शन आकडेही दिलेले नाहीत. सर्वसाधारण मॉडेल्सपेक्षा नोंदवलेले फायदे उल्लेखनीय आहेत, पण पुढचे प्रश्न संस्थांदरम्यानची पडताळणी, स्कॅनर प्रोटोकॉल्सवरील मजबुती, आणि प्रत्यक्ष निदान वर्कफ्लोमध्ये आउटपुट किती चांगले टिकतात याविषयी असतील.
हे प्रश्न कोणत्याही वैद्यकीय AI प्रणालीसाठी मानक आहेत. रुग्णालयांना केवळ एवढाच पुरावा हवा नसतो की मॉडेल संशोधन चाचणीत अचूक आहे, तर ते वेगवेगळ्या रुग्ण लोकसंख्यांमध्ये आणि इमेजिंग वातावरणांमध्ये विश्वासार्ह राहते याचाही पुरावा हवा असतो. प्रकाशनातील मजबूत निकाल आपोआप मोठ्या प्रमाणावर तैनातीमध्ये रूपांतरित होत नाहीत.
वैद्यकीय AI मधील व्यापक बदल
हा प्रकल्प वैद्यकासाठी कृत्रिम बुद्धिमत्तेतील मोठ्या प्रवाहाचे प्रतिबिंब आहे: सर्वसाधारण multimodal उत्साहापासून दूर जाऊन विशिष्ट क्लिनिकल डोमेन्ससाठी बनवलेल्या प्रणालींकडे वळणे. या प्रकरणात, मूलभूत पण निर्णायक पैज अशी आहे की हृदय-इमेजिंग डेटावर आणि हृदय-इमेजिंग अहवालांवर प्रशिक्षित हृदय-इमेजिंग मॉडेल, विकासाच्या शेवटी रूपांतरित केलेल्या व्यापक मॉडेलपेक्षा अधिक उपयुक्त ठरेल.
ही एक व्यावहारिक दिशा आहे. वैद्यकशास्त्रात विशेषीकृत डेटा प्रकार, वर्कफ्लोज, आणि शब्दसंग्रह खूप आहेत, जे ग्राहक AI बेंचमार्क्सशी सहज जुळत नाहीत. हालणाऱ्या हृदयाच्या शरीररचनेला आणि रोगाचे वर्णन करण्यासाठी वापरल्या जाणाऱ्या भाषेला समजणारी प्रणाली मोजता येईल अशी क्लिनिकल उपयुक्तता देण्यासाठी अधिक चांगल्या स्थितीत असू शकते.
जर पुढील पडताळणी प्रारंभिक निष्कर्षांना पाठबळ देत असेल, तर CMR-CLIP मॅन्युअल लेबल्सवर कमी अवलंबून असलेल्या आणि नियमित क्लिनिकल दस्तऐवजीकरणाशी अधिक जवळून जुळणाऱ्या वैद्यकीय foundation models च्या नव्या वर्गाचा भाग बनू शकते. कार्डियाक इमेजिंगसाठी, याचा अर्थ क्षेत्रातील सर्वात समृद्ध निदान साधनांपैकी एकाला सॉफ्टवेअरच्या मदतीने समजणे, स्केल करणे, आणि समर्थित करणे सोपे करण्याच्या दीर्घकालीन आव्हानावर प्रगती होईल.
तातडीचा निष्कर्ष अधिक मर्यादित आहे, पण तरीही महत्त्वाचा आहे. संशोधकांनी बहुधा दाखवले आहे की विद्यमान अहवालांसोबत हुशारीने जोडलेला unlabeled clinical data सर्वसाधारण पर्यायांपेक्षा अधिक मजबूत कार्डियाक MRI मॉडेल तयार करण्यासाठी वापरता येऊ शकतो. ज्या क्षेत्रात तज्ज्ञांचा वेळ महाग असतो आणि इमेजिंगचे प्रमाण मोठे असते, तिथे हे लक्ष ठेवण्यासारखे विकास आहे.
हा लेख Medical Xpress च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.
Originally published on medicalxpress.com
