ரேடியாலஜி அறிக்கைகளிலிருந்து கற்றுக்கொண்டு வயிற்று CT ஸ்கேன்களைப் படிக்கும் AI உதவியாளர் RADAR

மருத்துவத்தின் மிகக் கடினமான ஸ்கேனுக்கான பொது நோக்க AI உதவியாளர்

ஒரு வயிற்று CT ஸ்கேன் ஒரே ஆய்வில் மிகப்பெரிய அளவிலான மருத்துவ விவரங்களைச் சுருக்குகிறது. பார்வைப் புலத்திற்குள் டஜன் கணக்கான உறுப்புகள் ஒன்றுடன் ஒன்று மேற்பொருந்துகின்றன, அவற்றுக்கு இடையே நூற்றுக்கணக்கான நிலைகள் மறைந்திருக்கலாம். வயிற்றுப் பகுதியை மருத்துவத்தில் படிக்க மிகக் கடினமான பகுதிகளில் ஒன்றாக ரேடியாலஜிஸ்டுகள் பரவலாகக் கருதுகின்றனர், அனுபவம் வாய்ந்த நிபுணர்களுக்கும் தாங்கள் பார்ப்பதைப் புரிந்துகொள்ள நேரம் தேவைப்படுகிறது.

அந்தப் பணிச்சுமையைக் குறைக்க உதவ, ஆராய்ச்சியாளர்கள் RADAR — Rapid Abdominal Diagnosis with AI and Radiology என்ற புதிய AI உதவியாளரை அறிமுகப்படுத்தியுள்ளனர். ஒரே உறுப்பு அல்லது ஒரே நோயை இலக்காகக் கொள்ளாமல், வயிற்று CT ஸ்கேன்களைப் பகுப்பாய்வு செய்து மருத்துவர்கள் நோயறிதலுக்கு வர உதவும் வகையில் வடிவமைக்கப்பட்ட ஒரு பொது நோக்க அமைப்பு RADAR ஆகும். இந்த ஆய்வு Science இதழில் வெளியிடப்பட்டது, DOI 10.1126/science.aec6129, மேலும் இந்தக் கட்டுரை சக மதிப்பாய்வு, உண்மைச் சரிபார்ப்பு மற்றும் Science X ஆசிரியர்களின் மதிப்பாய்வுக்கு உட்படுத்தப்பட்டது.

AI-க்கு வயிற்று இமேஜிங் ஏன் கடினமான பிரச்சினை

வயிறு என்பது உண்மையிலும் அமைப்பியலிலும் நகரும் இலக்கு. வயிற்றில் அமைந்துள்ள உறுப்புகள் நோயாளிக்கு நோயாளி வடிவத்திலும் நிலையிலும் பெரிதும் மாறுபடுகின்றன, எனவே ஒரு மாதிரியால் ஒரு அமைப்பு எங்கு இருக்க வேண்டும் என்பதை வெறுமனே மனப்பாடம் செய்ய முடியாது. அசாதாரணங்கள் பெரும்பாலும் ஆரோக்கியமான திசுக்களிலிருந்து நுட்பமான, குறைந்த மாறுபாட்டு வேறுபாடுகளாகத் தோன்றுகின்றன, அதாவது முக்கியமான சமிக்ஞை மங்கலாக இருக்கலாம். அந்த வேறுபாடுகளை நம்பகமாகக் கண்டறியக் கற்றுக்கொள்ள ரேடியாலஜிஸ்டுகளுக்கு பல ஆண்டுகள் அனுபவம் தேவைப்படுகிறது.

பெரும்பாலான மருத்துவ AI அமைப்புகள் இமேஜிங்கைக் குறுகிய நோக்கத்துடன் அணுகுகின்றன. அவை பொதுவாக ஒரு குறிப்பிட்ட பணிக்காகக் கட்டமைக்கப்பட்டு, மேற்பார்வைக் கற்றல் மூலம் பயிற்சி பெறுகின்றன; இந்தச் செயல்முறைக்கு மருத்துவ நிபுணர்கள் முதலில் தரவைக் கையால் லேபிளிட வேண்டும். அந்த லேபிளிடும் படி மெதுவானது, விலை உயர்ந்தது மற்றும் அளவீட்டுக்குக் கடினமானது — மேலும் இது ஒரு மாதிரியை எவ்வளவு பரந்த அளவில் பயன்படுத்தலாம் என்பதைக் கட்டுப்படுத்துகிறது.

ரேடியாலஜி அறிக்கைகளிலிருந்து நேரடியாகக் கற்றுக்கொள்வது

RADAR வேறு பாதையை எடுக்கிறது. நிபுணர்கள் தரவைக் கையால் குறியிடவோ லேபிளிடவோ தேவையில்லாமல், மருத்துவ அறிக்கைகளில் நேரடியாகப் பயிற்சி பெற்ற ஒரு அளவீட்டு நோக்கு-மொழி கட்டமைப்பின் மீது இது கட்டமைக்கப்பட்டுள்ளது. உண்மையில், ஒரு படத்தில் தோன்றுவதற்கும் ரேடியாலஜிஸ்டுகள் அதை விவரிக்கப் பயன்படுத்தும் மொழிக்கும் இடையிலான தொடர்பை இந்த அமைப்பு கற்றுக்கொள்கிறது.

அந்தப் பயிற்சியின் அளவு குறிப்பிடத்தக்கது:

• 424,911 பரிசோதனைகளை உள்ளடக்கிய மருத்துவ அறிக்கைகள்
• 1.5 மில்லியன் படம்-உரை இணைகள்
• 15 மில்லியனுக்கும் மேற்பட்ட உடற்கூறு சார்ந்த இணைகள்

வழக்கமான பராமரிப்பின் ஒரு பகுதியாக ரேடியாலஜிஸ்டுகள் ஏற்கனவே உருவாக்கும் சுதந்திர உரையை இந்த மாதிரி பயன்படுத்துவதால், மருத்துவ AI மேம்பாட்டில் உள்ள மிகப்பெரிய தடைகளில் ஒன்றை இந்தப் பாதை தவிர்க்கிறது. இந்தக் கட்டமைப்பை ஆராய்ச்சியாளர்கள் அளவீட்டுக்குரியது என்று விவரிக்கின்றனர்; ஒரு ஆய்வுக்காக கையால் தொகுக்கப்பட்ட தரவுத்தொகுப்பைச் சார்ந்திராமல், பெரிய அளவிலான உண்மையான மருத்துவப் பொருளை உள்வாங்க முடியும் என்பதை இது குறிக்கிறது.

எட்டு மருத்துவமனைகளில் நிஜ உலக சோதனை

தொகுக்கப்பட்ட ஆராய்ச்சிப் படங்களை விட, நிஜ உலக மருத்துவமனை பரிசோதனைகளில் இருந்து தெரிவிக்கப்பட்ட செயல்திறன் பெறப்பட்டது. RADAR சராசரி நோயறிதல் துல்லிய மதிப்பெண்ணாக AUC-இல் 0.913-ஐ எட்டியது — இது தற்போதுள்ள மருத்துவ நோக்கு-மொழி AI மாதிரிகளை விட சிறப்பாகச் செயல்பட்டது.

தலைப்புச் செய்தி எண்ணைப் போலவே அது எங்கு நிலைத்தது என்பதும் முக்கியம். முடிவுகள் அசல் சூழலைத் தாண்டி எட்டு வெவ்வேறு மருத்துவமனைகளில் பொதுமைப்படுத்தப்பட்டன, அவசர சிகிச்சைப் பிரிவு நிகழ்வுகளுக்கும் பொருந்தின, மேலும் பல்வேறு நோயாளி மக்கள்தொகைகளிலும் நீடித்தன. மருத்துவ AI-க்கு அந்த வகையான நிலைத்தன்மை முக்கியம், ஏனெனில் தனது பயிற்சிச் சூழலை ஒத்த தரவுகளில் மட்டுமே சிறப்பாகச் செயல்படும் மாதிரிக்கு மருத்துவ மதிப்பு குறைவு.

Science இதழில் உள்ள கண்டுபிடிப்புகளின்படி, RADAR எங்கு அல்லது எவ்வாறு சோதிக்கப்பட்டாலும், 18 உடற்கூறு அமைப்புகளையும் 146 இமேஜிங் அறிகுறிகள் மற்றும் நோய்களையும் துல்லியமாகக் கண்டறிந்தது.

இந்தப் பரப்பளவு எதை உள்ளடக்குகிறது

உடற்கூறு அமைப்புகள் மற்றும் இமேஜிங் அறிகுறிகளின் கலவையானது, ஒரே நோக்கக் கண்டறிவானை விட ஒரு பொது ரேடியாலஜிஸ்ட் போல ஒரு ஸ்கேனைப் படிக்கும் அமைப்பைக் குறிக்கிறது. ஒரு உறுப்பு பற்றிய ஒரு கேள்விக்கு பதிலளிப்பதற்குப் பதிலாக, வயிற்றின் பரந்த படத்தை விளக்கும் நிலையில் இந்த மாதிரி அமைக்கப்பட்டுள்ளது.

ரேடியாலஜிஸ்டுகளுக்கு RADAR எதை மாற்றக்கூடும்

இந்தத் திட்டத்தின் பின்னணியில் கூறப்பட்டுள்ள நோக்கம் பணிச்சுமை. வயிற்று CT கோரிக்கை மிகுந்தது, அதைக் கவனமாகப் படிக்க ரேடியாலஜி துறைகளிடம் எப்போதும் இல்லாத நேரம் தேவைப்படுகிறது. பரந்த நோயறிதல் விளக்கங்களை உருவாக்கக்கூடிய ஒரு பொது நோக்க உதவியாளர், சிக்கலான ஆய்வுகளை மேற்கொள்ளும் மருத்துவர்களுக்கு ஒரு தொடக்கப் புள்ளியை வழங்க முடியும்.

மருத்துவர்களின் தீர்ப்புக்கு மாற்றாக அல்லாமல், நோயறிதல்களை எட்ட உதவும் ஒரு உதவியாளராகவே ஆராய்ச்சியாளர்கள் RADAR-ஐ வரையறுக்கின்றனர். இந்த வேறுபாடு மருத்துவ AI-இல் தற்போதைய பணிகளில் பெரும்பாலும் ஊடுருவியுள்ளது; அங்கு நடைமுறை இலக்கு பெரும்பாலும் வகைப்படுத்துதல், முன்னுரிமை அளித்தல் மற்றும் சுருக்குதல் ஆகும், இறுதி முடிவை வழங்குவது அல்ல.

இந்த நிகழ்வில் தனித்துத் தெரிவது நோக்கத்தின் பரப்பளவு மற்றும் வலிமையின் கலவையாகும். கிட்டத்தட்ட 425,000 பரிசோதனைகளில் பயிற்சி பெற்ற — மேலும் எட்டு மருத்துவமனைகளில் சரிபார்க்கப்பட்ட — ஒரே கட்டமைப்பு, இந்தத் துறையில் ஆதிக்கம் செலுத்திய குறுகிய, பணி-சார்ந்த கருவிகளைத் தாண்டி ஒரு அர்த்தமுள்ள படியைக் குறிக்கிறது.

ஒரு பார்வையில் எண்கள்

• அமைப்பு: RADAR (Rapid Abdominal Diagnosis with AI and Radiology)
• பயிற்சித் தரவு: 424,911 பரிசோதனைகள்; 1.5 மில்லியன் படம்-உரை இணைகள்; 15 மில்லியனுக்கும் மேற்பட்ட உடற்கூறு சார்ந்த இணைகள்
• சராசரி நோயறிதல் துல்லியம் (AUC): 0.913
• கண்டறியப்பட்டவை: 18 உடற்கூறு அமைப்புகள் மற்றும் 146 இமேஜிங் அறிகுறிகள் மற்றும் நோய்கள்
• சரிபார்ப்பு: எட்டு மருத்துவமனைகள், அவசர சிகிச்சைப் பிரிவு நிகழ்வுகள் மற்றும் பல்வேறு நோயாளி மக்கள்தொகைகள்
• வெளியீடு: Science (DOI: 10.1126/science.aec6129)

வயிற்று இமேஜிங் அளவுகள் தொடர்ந்து வளரும்போது, மருத்துவத்தின் மிகச் சிக்கலான ஸ்கேன்களில் ஒன்றை ரேடியாலஜிஸ்டுகள் வழிநடத்த உதவும் கருவிகள் அதிக கவனத்தை ஈர்க்கும். RADAR-இன் தெரிவிக்கப்பட்ட முடிவுகள் ஆராய்ச்சியாளர்களுக்கு ஒரு தெளிவான அளவுகோலை வழங்குகின்றன — மேலும் மருத்துவர்கள் தினமும் எழுதும் அறிக்கைகளில் நேரடியாக பொது நோக்க மருத்துவ AI-ஐப் பயிற்றுவிப்பதற்கான ஒரு வார்ப்புருவையும்.

இந்தக் கட்டுரை Medical Xpress-இன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.