CRISP फाउंडेशन मॉडेल शस्त्रक्रियेदरम्यानच्या फ्रोझन-सेक्शन पॅथॉलॉजीमध्ये AI आणते

ऑपरेशन थिएटरच्या दबावासाठी तयार केलेले मॉडेल

इंट्राऑपरेटिव्ह पॅथॉलॉजी अचूक शस्त्रक्रियेच्या केंद्रस्थानी आहे, जे रुग्ण अजूनही टेबलावर असतानाच शस्त्रक्रियेकर्त्यांना आवश्यक असलेली ऊतक-स्तरीय माहिती देते. तथापि, त्या माहितीचा स्रोत — फ्रोझन सेक्शन — बराच काळ अडथळा ठरला आहे. हे काम निदानात्मकदृष्ट्या गुंतागुंतीचे आहे, वेळेच्या दबावाखाली नमुने समजून घेणे कठीण आहे, आणि आधुनिक संगणकीय साधने प्रशिक्षित करण्यासाठी पुरेसे मोठे उच्च-गुणवत्तेचे फ्रोझन-सेक्शन डेटासेट दुर्मिळ आहेत. या मर्यादांमुळे इंट्राऑपरेटिव्ह पॅथॉलॉजी वास्तविकतेत किती क्लिनिकल प्रभाव देऊ शकते हे मर्यादित झाले आहे.

संगणकीय पॅथॉलॉजीने अलीकडच्या वर्षांत बरीच प्रगती केली आहे, परंतु या क्षेत्राला सातत्याने विश्वासार्हतेची तूट जाणवली आहे: मोठ्या प्रमाणावरील, संभाव्य प्रमाणीकरणाच्या कमतरतेमुळे बहुतेक अल्गोरिदम नियमित शस्त्रक्रिया कार्यप्रवाहांबाहेर राहिले आहेत. Nature Medicine मध्ये नुकतेच प्रकाशित झालेल्या अभ्यासात ही तूट थेट भरून काढण्याचा प्रयत्न वर्णन केला आहे. संशोधकांनी CRISP सादर केले, जे केवळ फ्रोझन-सेक्शन स्लाइड्सवरून तयार केलेले दृष्टी-आधारित पॅथॉलॉजी फाउंडेशन मॉडेल आहे, ज्याचे स्पष्ट उद्दिष्ट पॅथॉलॉजीसाठी क्लिनिकली-देणारं मजबूत इंट्राऑपरेटिव्ह सपोर्ट (Clinically-oriented Robust Intraoperative Support for Pathology) प्रदान करणे हे आहे.

हे काम खुल्या प्रवेशाचे, स्वीकृत हस्तलिखित म्हणून लवकर प्रकाशित झाले आहे जेणेकरून सहकर्मी-पुनरावलोकित निष्कर्ष वेगाने प्रसारित होतील. या आवृत्तीला कायमस्वरूपी DOI आहे आणि ती उद्धृत करण्यायोग्य आहे, तथापि लेखक नमूद करतात की अंतिम Version of Record ने बदलण्यापूर्वी त्यात आणखी संपादने होऊ शकतात.

मोठ्या प्रमाणावर प्रशिक्षण: दहा केंद्रांमधील 100,000 फ्रोझन सेक्शन

हे फाउंडेशन मॉडेल दहा वैद्यकीय केंद्रांमधून गोळा केलेल्या 100,000 हून अधिक फ्रोझन सेक्शनचा वापर करून विकसित करण्यात आले. हा डेटासेट केवळ आकारासाठीच नव्हे तर त्याच्या रचनेसाठीही उल्लेखनीय आहे. फ्रोझन सेक्शन बहुतेक संगणकीय पॅथॉलॉजी संशोधनावर वर्चस्व गाजवणाऱ्या फॉर्मलिन-फिक्स्ड, पॅराफिन-एम्बेडेड स्लाइड्सपेक्षा वेगळे असतात — ते शस्त्रक्रियेदरम्यान वेगाने तयार केले जातात आणि त्यांची दृश्य वैशिष्ट्ये ती तातडी प्रतिबिंबित करतात. केवळ फ्रोझन-सेक्शन सामग्रीवर प्रशिक्षण देऊन, विकसकांनी वेगळ्या इमेजिंग संदर्भासाठी तयार केलेले मॉडेल जुळवून घेण्याऐवजी इंट्राऑपरेटिव्ह निर्णयप्रक्रियेच्या वास्तविक परिस्थितीशी जुळणारी प्रणाली तयार करण्याचा प्रयत्न केला.

CRISP ला क्लिनिकली ओरिएंटेड म्हणून वर्णन केले आहे, ही चौकट त्याच्या प्रशिक्षण रचना आणि मूल्यांकन धोरण या दोन्हींमधून दिसते. केवळ बेंचमार्क कामगिरीसाठी अनुकूलन करण्याऐवजी, अभ्यास खऱ्या शस्त्रक्रियेतील उपयुक्ततेला यशाचा निकष मानतो.

जवळपास 100 निदानात्मक कार्यांमध्ये पूर्वगामी चाचणी

मूल्यांकन टप्पा 15,000 हून अधिक इंट्राऑपरेटिव्ह स्लाइड्स आणि जवळपास 100 पूर्वगामी निदानात्मक कार्यांपर्यंत पसरला. ती कार्ये जाणीवपूर्वक विस्तृत क्लिनिकल प्रश्नांची श्रेणी व्यापत होती, ज्यात समाविष्ट आहेत:

• सौम्य विरुद्ध घातक भेद
• महत्त्वाची इंट्राऑपरेटिव्ह निर्णयप्रक्रिया परिस्थिती
• पॅन-कॅन्सर शोध

या कार्यांच्या मालिकेत, CRISP ने सहा संस्था, 14 ट्यूमर प्रकार आणि 24 शारीरिक स्थळांवर मजबूत सामान्यीकरण दाखवले. महत्त्वाचे म्हणजे, त्या श्रेणीत मॉडेलला प्रशिक्षणादरम्यान न भेटलेली शारीरिक स्थळे तसेच दुर्मिळ कर्करोगांचा समावेश होता — अशा कडा-प्रकरणांमध्ये संकुचितपणे प्रशिक्षित प्रणाली सहसा अपयशी ठरतात. न पाहिलेल्या स्थळांवर आणि असामान्य ट्यूमर प्रकारांवर सामान्यीकरण हे विविध विशेषज्ञता आणि रुग्णालयीन सेटिंग्जमध्ये शस्त्रक्रियेकर्त्यांना आधार देण्यासाठी असलेल्या साधनासाठी अर्थपूर्ण संकेत आहे.

3,000 हून अधिक रुग्णांमध्ये संभाव्य प्रमाणीकरण

अभ्यासातील सर्वात परिणामकारक घटक म्हणजे त्याचा संभाव्य घटक. CRISP चे मूल्यांकन 3,000 हून अधिक रुग्णांच्या संभाव्य कोहोर्टमध्ये करण्यात आले, ही अशी परिस्थिती जी मूल्यांकनाला निवडक पूर्वगामी स्लाइड्समधून वास्तविक जगातील काळजीच्या गोंधळलेल्या परिस्थितीत नेते. त्या परिस्थितीत, मॉडेलने उच्च निदानात्मक अचूकता टिकवली.

मुख्य क्लिनिकल निष्कर्ष: CRISP ने 92.6% प्रकरणांमध्ये थेट शस्त्रक्रियेच्या निर्णयांना मदत केली. हा आकडा केवळ अंदाजापेक्षा एकत्रीकरणाबद्दल बोलतो — मॉडेलचे आउटपुट केवळ संदर्भ लेबलाशी तुलना केले गेले नाही तर शस्त्रक्रियेचे पर्याय निवडले जात असतानाच्या क्षणी वापरले गेले.

मानव-AI सहयोग आणि कामाच्या ताणात घट

अभ्यासात पॅथॉलॉजिस्ट आणि मॉडेल एकत्र काम करतात तेव्हा काय होते याचीही तपासणी केली. नोंदवलेल्या निकालांनुसार, मानव-AI सहयोगाने अनेक ठोस फायदे दिले:

• निदानात्मक कामाचा ताण 35% कमी झाला
• 105 पूरक चाचण्या टाळल्या गेल्या
• सूक्ष्ममेटास्टेसिसचा शोध 87.5% अचूकतेपर्यंत पोहोचला

यातील प्रत्येक परिणाम शस्त्रक्रिया पॅथॉलॉजीमधील वेगळ्या दबावबिंदूला संबोधित करतो. कमी झालेला ताण अशा विभागांमध्ये महत्त्वाचा आहे जिथे टर्नअराउंड वेळ कमी आणि कर्मचारी मर्यादित असतात. टाळलेल्या पूरक चाचण्यांचा खर्च, संसाधन वापर आणि शस्त्रक्रियेदरम्यान अतिरिक्त चाचणीमुळे होणारा विलंब यावर परिणाम होतो. सुधारित सूक्ष्ममेटास्टेसिस शोध या क्षेत्रातील सर्वात कठीण समस्यांपैकी एक लक्ष्य करतो, जिथे ट्यूमर पेशींचे लहान साठे चुकवणे सोपे आणि दुर्लक्ष करणे परिणामकारक असू शकते.

फ्रोझन सेक्शनांनी स्वयंचलनाला का प्रतिकार केला

CRISP चे महत्त्व समजून घेण्यासाठी संगणकीय वैद्यकशास्त्रातील इतर क्षेत्रांपेक्षा इंट्राऑपरेटिव्ह पॅथॉलॉजी का मागे राहिली हे समजून घेणे आवश्यक आहे. निदानात्मक गुंतागुंत लक्षणीय आहे: फ्रोझन-सेक्शन आकारशास्त्र गोठवण्याच्या प्रक्रियेमुळे विकृत होऊ शकते, आणि पॅथॉलॉजिस्टांना मर्यादित ऊतकासह वेगाने निर्णय घ्यावे लागतात. दरम्यान, बहुतेक संस्थांमधील फ्रोझन सेक्शनचा संग्रह संशोधनासाठी उपलब्ध असलेल्या कायमस्वरूपी स्लाइड्सच्या विशाल संग्रहांच्या तुलनेत विखुरलेला आहे.

हे संयोजन — कठीण प्रतिमा, वेगवान निर्णय, पातळ डेटा — हेच असे वातावरण आहे ज्यामध्ये मोठ्या आणि प्रातिनिधिक प्रशिक्षण संग्रहांवर अवलंबून असलेल्या फाउंडेशन मॉडेल्सना स्वतःला स्थापित करणे कठीण झाले आहे. दहा केंद्रांमध्ये 100,000 हून अधिक फ्रोझन सेक्शन एकत्र करणे हे त्या संरचनात्मक अडथळ्यावर मात करण्यासाठी समन्वित, बहु-संस्थात्मक प्रयत्न दर्शवते.

शस्त्रक्रिया व्यवहारासाठी निष्कर्ष काय सुचवतात

एकत्रितपणे, हे निष्कर्ष CRISP ला AI-चालित इंट्राऑपरेटिव्ह पॅथॉलॉजीसाठी क्लिनिकली ओरिएंटेड दृष्टिकोन म्हणून स्थान देतात, ज्यात शस्त्रक्रियेचे निर्णय घेण्यास आधार देण्याची आणि संगणकीय पद्धतींना दैनंदिन व्यवहारात आणण्यास मदत करण्याची क्षमता आहे. अभ्यासाची रचना — बहु-केंद्र प्रशिक्षण, न पाहिलेली स्थळे आणि दुर्मिळ कर्करोगांसह विस्तृत पूर्वगामी चाचणी, त्यानंतर हजारो रुग्णांमध्ये संभाव्य प्रमाणीकरण — नियामक आणि रुग्णालय प्रणाली सामान्यतः ऑपरेशन थिएटरमध्ये साधनावर विश्वास ठेवण्यापूर्वी अपेक्षित असलेल्या पुरावा मार्गाशी जुळते.

प्रश्न अपरिहार्यपणे शिल्लक आहेत. विस्तृत संस्थांमध्ये टिकाऊ कामगिरी, दीर्घकालीन ड्रिफ्ट निरीक्षण, आणि वेळ-संवेदनशील शस्त्रक्रिया सेटिंग्जमध्ये फाउंडेशन मॉडेल तैनात करण्याचे व्यावहारिक लॉजिस्टिक्स ही सर्व क्षेत्रे पुढील अभ्यासात संबोधित करावी लागतील. हस्तलिखित स्वतः अंतिम Version of Record ऐवजी लवकर, उद्धृत करण्यायोग्य प्रकाशन आहे, आणि लेखक मान्य करतात की सामग्री अद्ययावत केली जाऊ शकते.

तरीही, नोंदवलेले आकडे ऑपरेशन थिएटरमध्ये मानव-AI सहयोग कसा दिसू शकतो याची ठोस कल्पना देतात: एक निदानात्मक भागीदार ज्याने बहुसंख्य प्रकरणांमध्ये शस्त्रक्रियेच्या निर्णयांना मदत केली, अंदाजे एक तृतीयांश अहवालाचा ताण शोषून घेतला, शंभराहून अधिक पूरक चाचण्या वाचवल्या, आणि सूक्ष्ममेटास्टेसिसचा शोध सुधारला. ज्या विशेषज्ञतेत मिनिटे महत्त्वाची असतात आणि अचूकता वाटाघाटीयोग्य नसते, तिथे संगणकीय पॅथॉलॉजीला आशादायक संशोधन संभावनेऐवजी शस्त्रक्रिया कार्यप्रवाहाचा नियमित भाग बनवण्याच्या दिशेने हे अर्थपूर्ण पाऊल आहे.

हा लेख Nature Medicine च्या अहवालावर आधारित आहे. मूळ लेख वाचा.