AI மார்பகப் புற்றுநோய் உயிர்வாழ்வு மாதிரி தனிப்பயனாக்கப்பட்ட பராமரிப்பை மேம்படுத்த இலக்கு

சின்சினாட்டி பல்கலைக்கழக புற்றுநோய் மையத்தின் ஆய்வுக் குழு, மார்பகப் புற்றுநோய் உயிர்வாழ்வை கணிக்க செயற்கை நுண்ணறிவு உதவியுடன் உருவாக்கப்பட்ட அணுகுமுறையை விவரித்துள்ளது. இது நிறுவப்பட்ட புள்ளியியல் முறைகளை deep-learning கட்டமைப்புடன் இணைக்கிறது. Journal of Statistical Theory and Practice இதழில் வெளியான இந்தப் பணி, மருத்துவர்களுக்கு ஆபத்தை விரிவாக மதிப்பிடவும் தனிப்பயனாக்கப்பட்ட பராமரிப்பு முடிவுகளுக்கு ஆதரவளிக்கவும் நோக்கம்கொண்டது.

புற்றுநோய் சிகிச்சையில் உயிர்வாழ்வு கணிப்பு முக்கியமானதாய் இருந்தாலும் சிக்கலான பகுதியாகும். ஒரே மாதிரியான நோயறிதல் கொண்ட நோயாளிகளிடையே மருத்துவ அம்சங்கள், கட்டியின் உயிரியல் மற்றும் மரபணு பண்புகளில் வேறுபாடுகள் இருக்கலாம். வழக்கமான உயிர்வாழ்வு மாதிரிகள் எதிர்பார்க்கப்படும் விளைவுகளை மதிப்பிட உதவும். ஆனால் ஒருவரின் முன்னறிவிப்பை பாதிக்கும் பல மாறிகளுக்கிடையிலான சிக்கலான உறவுகளை அவை எப்போதும் பதிவு செய்யாது என்று ஆராய்ச்சியாளர்கள் கூறுகின்றனர்.

முன்மொழியப்பட்ட அமைப்பு “fusion” உத்தியை அடிப்படையாகக் கொண்டது. எந்த ஒரு முறையும் தனியாக போதுமானது என்று கருதாமல், பல புள்ளியியல் அணுகுமுறைகளை deep learning உடன் இணைக்கிறது. நோயாளியின் ஆபத்தை இன்னும் துல்லியமாக பிரதிபலித்து, ஒரே பரந்த பிரிவில் சேர்க்கப்படக்கூடிய நோயாளிகளுக்குள் சிறிய குழுக்களை அடையாளம் காண்பதே குழுவின் நோக்கம்.

கணிப்பு மாதிரிகளுக்கு ஏன் கூடுதல் விவரம் தேவை

மார்பகப் புற்றுநோய் ஒரே மாதிரியான நோய் அல்ல; சிகிச்சைத் திட்டம் ஒரே ஒரு நோயறிதல் அல்லது நிலையைக் காட்டிலும் பல அம்சங்களைச் சார்ந்தது. மருத்துவத் தகவல், உயிரியல் குறியீடுகள், மரபணுக் காரணிகள் அனைத்தும் முக்கியமாக இருக்கலாம். இந்தச் சிக்கல் கணிப்பு கருவிகளுக்கு ஒரு நடைமுறை சிக்கலை உருவாக்குகிறது: ஒரு மாதிரி பரந்த வடிவங்களை அறிந்துகொள்ளலாம்; ஆனால் குறிப்பிட்ட நோயாளியின் நிலையை மாற்றக்கூடிய தொடர்புகளை தவறவிடலாம்.

ஆய்வின் தொடர்பு ஆசிரியரும் பல்கலைக்கழகத்தின் Department of Biostatistics, Health Information and Data Science-இன் முனைவர் பட்ட மாணவியுமான Wedad Alatebi, புள்ளியியல் முறைகளை deep learning உடன் இணைத்தால் இத்தகைய உறவுகளைச் சிறப்பாகப் பதிவு செய்ய முடியுமா என்பதைத் திட்டம் ஆய்வு செய்ததாகக் கூறினார். இங்கு deep learning, நோயாளித் தரவுகளில் கைமுறையாக வரையறுப்பது கடினமான சிக்கலான வடிவங்களை அடையாளம் காணப் பயன்படுத்தப்படுகிறது.

இணை ஆசிரியர் Anand Seth கூறுகையில், தொடக்கத்தில் ஒரே மாதிரியாகத் தோன்றும் நோயாளிகளுக்குள் கூடுதல் குறிப்பிட்ட ஆபத்துக் குழுக்களை இந்த இணைந்த அணுகுமுறை உருவாக்க முடியும். இதன் மருத்துவப் பயன் நுணுக்கமான மதிப்பெண் மட்டுமல்ல. ஆபத்துக் குழுக்களுக்கிடையிலான தெளிவான வேறுபாடு, குறிப்பிட்ட நோயாளிக் குழுவுக்கேற்ப சிகிச்சை முடிவுகளை வடிவமைக்க மருத்துவர்களுக்கு உதவக்கூடும்.

புள்ளியியல் மற்றும் AI முறைகளுக்கு இடையே பாலம்

பாரம்பரிய புள்ளியியல் உயிர்வாழ்வு பகுப்பாய்வு இன்னும் மதிப்புமிக்கது; நோயாளிக் காரணிகளையும் விளைவுகளையும் இணைக்கும் கட்டமைக்கப்பட்ட முறையை அது வழங்குகிறது. புதிய பணி deep learning-ஐ அந்த அடித்தளத்துக்கு முழுமையான மாற்றாக முன்வைக்கவில்லை. மாறாக, கிடைக்கும் தகவலிலிருந்து மிகவும் சிக்கலான வடிவங்களைக் கற்றுக்கொள்ளும் கட்டமைப்புக்குள் புள்ளியியல் முறைகளை அமைக்கிறது.

ஆராய்ச்சியாளர்களின்படி, மாதிரி முதலில் மருத்துவத் தகவலை நோயாளி ஆபத்தை சிறப்பாக பிரதிபலிக்கும் வடிவமாக மாற்றுகிறது. பின்னர், விரிவான கணிப்பு செயல்முறையின் ஒரு பகுதியாக deep-learning கட்டமைப்பைப் பயன்படுத்துகிறது. தனித்தனி எளிய உறவுகளை மட்டும் சாராமல், காரணிகளின் சேர்க்கைகளுக்கு மாதிரி உணர்திறன் கொண்டதாக இருக்க வேண்டும் என்பதே இதன் நோக்கம்.

எதிர்கால மருத்துவப் பயன்பாட்டுக்கான சாத்தியத்தில் இந்த வேறுபாடு முக்கியமானது. உயிர்வாழ்வு மாதிரி தனித்து ஒரு சிகிச்சை முடிவு அல்ல; அது முடிவு ஆதரவு கருவி. பொருத்தமான நோயாளிக் குழுக்களில் கணிப்பை மேம்படுத்துகிறதா, மருத்துவர்கள் அதன் விளைவுகளை மருத்துவத் தீர்ப்பு, நோயாளி விருப்பங்கள் மற்றும் பிற ஆதாரங்களுடன் பொறுப்புடன் பயன்படுத்த முடியுமா என்பதில்தான் அதன் மதிப்பு இருக்கும்.

மரபணுத் தகவலைக் கணக்கில் எடுத்தல்

கட்டியின் மரபணுத் தகவல் உயிர்வாழ்வு மாதிரிகளை மேம்படுத்தலாம். ஆனால் மரபணு பரிசோதனைக்கான அணுகல் சமமாக இல்லை. உலகின் சில பகுதிகளில் மருத்துவமனைகள் மற்றும் சுகாதார அமைப்புகளுக்கு பரிசோதனையைப் பெறுவது கடினமாகவோ அதிக செலவாகவோ இருக்கலாம். இந்த வரம்பை சமாளிக்க, சின்சினாட்டி குழு தனது மாதிரியில் உருவகப்படுத்தப்பட்ட gene-expression தரவைச் சேர்த்தது.

முழுமையான பரிசோதனை சாத்தியமில்லாதபோது, கட்டியின் மரபியலின் சாத்தியமான பங்களிப்பைக் கணக்கில் கொள்ள இந்த உருவகப்படுத்தப்பட்ட தகவல் ஒரு வழியாகும் என்று ஆராய்ச்சியாளர்கள் கூறுகின்றனர். தரவு சார்ந்த புற்றுநோய் கருவிகளைப் பயன்படுத்துவதில் உள்ள உண்மையான கட்டுப்பாட்டை இது சுட்டிக்காட்டுகிறது: விரிவான பரிசோதனைகள் தேவைப்படும் மாதிரி, அந்தப் பரிசோதனைகள் கிடைக்காத இடங்களில் குறைவாகப் பயனுள்ளதாக இருக்கலாம்.

அதே நேரத்தில், உருவகப்படுத்தப்பட்ட தரவு கவனமான சரிபார்ப்பின் தேவையை நீக்காது. இந்த முறை அதிக வலுவான மற்றும் துல்லியமான கணிப்புக்கான சாத்தியமான பாதையாகவே விளக்கப்பட்டுள்ளது; நிறுவப்பட்ட மருத்துவத் தரநிலையாக அல்ல. ஆய்வுக் கட்டமைப்பிலிருந்து வழக்கமான பராமரிப்புக்கு மாறுவதற்கு முன் பல்வேறு நோயாளிகள் மற்றும் மருத்துவ சூழல்களில் இதன் செயல்திறனைச் சோதிக்க வேண்டும்.

இந்த ஆய்வு என்ன பொருள் தரலாம்

சரிபார்க்கப்பட்டால், நோயாளிகளை மேலும் துல்லியமான ஆபத்துக் குழுக்களாகப் பிரிக்கும் மாதிரி சிகிச்சை மற்றும் பின்தொடர்பு குறித்து தனிப்பட்ட கலந்துரையாடல்களுக்கு உதவக்கூடும். உயிர்வாழ்வு விளைவுகளை மதிப்பிடும்போது நோயாளியின் பல அம்சங்களை மருத்துவர்கள் சிறப்பாகப் புரிந்துகொள்வதே இதன் மைய வாக்குறுதி.

மருத்துவ AI-யின் பரந்த திசையையும் இந்த ஆய்வு காட்டுகிறது: ஒரு முறை அல்லது மற்றொரு முறை என்று தேர்வு செய்வதற்குப் பதிலாக, இயந்திரக் கற்றல் அமைப்புகளை புள்ளியியல் நுட்பங்களுடன் இணைத்தல். பல மாறிகள் முன்னறிவிப்பை வடிவமைக்கும் மார்பகப் புற்றுநோய் பராமரிப்பில், மருத்துவ ரீதியாகப் பொருள் கொண்ட முடிவுகளைத் தக்கவைத்தபடி கூடுதல் கணிப்பு விவரத்தை வழங்க முடிந்தால் இந்தக் கலப்பு அணுகுமுறை பயனுள்ளதாக இருக்கலாம்.

தற்போது, தனிப்பயனாக்கப்பட்ட பராமரிப்பு இலக்கைக் கொண்ட ஆய்வு நிலை மாதிரியாகவே இதைப் புரிந்துகொள்வது சிறந்தது. சிக்கலான மருத்துவ மற்றும் உயிரியல் உறவுகளை கையாள்வதற்கான கட்டமைப்பை முன்மொழிவதே இதன் பங்களிப்பு. மரபணுத் தரவைப் பெறுவது கடினமான சூழல்களும் இதில் அடங்கும். நடைமுறையை இது மாற்றுமா என்பது அடுத்தடுத்த சரிபார்ப்புகளிலும், மேம்பட்ட கணிப்புகள் நோயாளிகளுக்கான சிறந்த முடிவுகளாக மாறுகின்றனவா என்பதிலும் தங்கியுள்ளது.

இந்தக் கட்டுரை Medical Xpress-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.