Mass General Brigham ஆய்வாளர்கள், உயிரியல் வயது மற்றும் புற்றுநோய் உயிர்வாழ்வு விளைவுகளுடன் தொடர்புடைய குறியீடுகளை முகப் புகைப்படத்தில் பகுப்பாய்வு செய்யும் செயற்கை நுண்ணறிவு கருவிகளை உருவாக்கியுள்ளனர். Lancet Digital Health இதழில் வெளியான இந்தப் பணி, தீவிர சிகிச்சைக்கு முன் நோயாளியின் உடல் கையிருப்பை அளவிடுவதற்கான புதிய சாத்தியமான வழியைச் சுட்டிக்காட்டுகிறது—அதேவேளை சரிபார்ப்பு, தனியுரிமை மற்றும் உரிய மருத்துவப் பயன்பாடு குறித்த முக்கிய கேள்விகளையும் எழுப்புகிறது.
இந்த அமைப்பு FAHR-Face என அழைக்கப்படுகிறது; இது Foundation Artificial Intelligence for Health Recognition என்பதன் சுருக்கமாகும். இது 40 மில்லியனுக்கும் அதிகமான முகப் படங்களில் பயிற்றுவிக்கப்பட்டு, பின்னர் இரண்டு தனித்தனி கருவிகளுக்கான அடிப்படையாகப் பயன்படுத்தப்பட்டது. FAHR-FaceAge முகப் புகைப்படத்திலிருந்து உயிரியல் வயதை மதிப்பிடுகிறது; FAHR-FaceSurvival புற்றுநோயாளிகளின் உயிர்வாழ்வு விளைவுகளை கணிக்கிறது.
காலவரிசை வயதிலிருந்து உடல் கையிருப்புக்கு
காலவரிசை வயதைப் பதிவு செய்வது எளிது; ஆனால் அறுவை சிகிச்சை, கதிர்வீச்சு அல்லது முறையான சிகிச்சையை ஒருவர் எவ்வளவு நன்றாகத் தாங்குவார் என்பதை அது முழுமையாக விளக்காது. ஒரே வயதுடைய இருவருக்கு பலவீனம், மீள்திறன் மற்றும் அடிப்படை நோய் ஆகியவற்றின் அளவுகள் குறிப்பிடத்தக்க வகையில் மாறுபடலாம். தீவிர சிகிச்சையின் சுமைகளுக்கு எதிராக அதன் சாத்தியமான பயன்களை மருத்துவர்களும் நோயாளிகளும் எடைபோடும் போது, இந்த வேறுபாடுகள் முக்கியமாக இருக்கலாம்.
ஆய்வாளர்களின் கூற்றுப்படி, புகைப்படத்தைத் தனித்த நோயறிதலாகப் பயன்படுத்துவது நோக்கம் அல்ல. மாறாக, வழக்கமான ஒரு படத்திலிருந்து பெறப்படும் அளவிடக்கூடிய மதிப்பீடு, நிறுவப்பட்ட மருத்துவ மதிப்பீட்டை எதிர்காலத்தில் பூர்த்தி செய்யக்கூடும். ஆய்வின் தொடர்புடைய ஆசிரியரும் கதிர்வீச்சு புற்றுநோயியல் நிபுணருமான Raymond Mak, மருத்துவரின் தீர்ப்பை மாற்றுவதற்குப் பதிலாக தனிப்பயனாக்கப்பட்ட முடிவெடுப்புக்கு ஆதரவளிப்பதே இதன் நோக்கம் என்றார்.
இந்த வேறுபாடு அடிப்படையானது. விளைவுகளுடன் தொடர்புடைய புள்ளிவிவர வடிவங்களை அடையாளம் காணும் மாதிரி, ஒரு குறிப்பிட்ட நோயாளியில் அந்த வடிவங்கள் ஏன் உள்ளன என்பதை நிரூபிக்காது; அந்த நபருக்கு எந்த சிகிச்சை வழங்கப்பட வேண்டும் என்பதையும் தீர்மானிக்காது. அதிகபட்சமாக, மருத்துவ வரலாறு, செயல்திறன் நிலை, ஆய்வக முடிவுகள், படமெடுப்பு மற்றும் மருத்துவரின் பரிசோதனை ஆகியவற்றை உள்ளடக்கிய விரிவான மதிப்பீட்டில் இது ஒரு தரநிலைப்படுத்தப்பட்ட குறியீட்டைச் சேர்க்கலாம்.
ஆய்வு கண்டறிந்தது என்ன
மாதிரியின் உயிரியல் வயது மதிப்பீட்டுக்கும் நோயாளியின் காலவரிசை வயதுக்கும் இடையிலான இடைவெளி, உயிர்வாழ்வுடன் தனித்தையாகத் தொடர்புடையது என்று வளர்ச்சி மற்றும் சரிபார்ப்பு ஆய்வு கண்டறிந்தது. நடைமுறையில், இந்த மாதிரி அளந்தபடி, ஒருவரின் நாட்காட்டி வயதைவிட உயிரியல் ரீதியாக வயதானவராகவோ இளையவராகவோ தோன்றுவது, நோய் முன்கணிப்புக்கு பொருத்தமான தகவலைக் கொண்டிருக்கலாம் என ஆய்வு தெரிவிக்கிறது.
FAHR-FaceAge முந்தைய வயது மதிப்பீட்டு அல்காரிதம்களை விடத் துல்லியமானதாக இருந்ததாகவும், புகைப்படங்களில் காணப்படும் பொதுவான மாறுபாடுகளிலும் இரு கருவிகளும் வலுவாக இருந்ததாகவும் குழு தெரிவித்தது. எதிர்கால நடைமுறைப் பயன்பாட்டுக்கு இது முக்கியமானது: மருத்துவப் புகைப்படங்கள் எப்போதும் ஒரே மாதிரியான ஒளி, நிலை அல்லது படத் தரத்தில் எடுக்கப்படுவதில்லை.
முகப் படத்திலிருந்து புற்றுநோய் உயிர்வாழ்வு கணிப்பை நேரடியாக உருவாக்குவதன் மூலம் FAHR-FaceSurvival இந்தக் கருத்தை மேலும் முன்னெடுக்கிறது. ஒவ்வொரு மாதிரியின் வெளியீடுகளையும் அதிகமாகப் பாதித்த முகப் பகுதிகளின் காட்சிப்படுத்தல்களை கட்டுரை விவரிக்கிறது. இத்தகைய காட்சி விளக்கங்கள் மாதிரி செயல்பாட்டை ஆய்வு செய்யும் ஆராய்ச்சியாளர்களுக்கு பயனுள்ளதாக இருக்கலாம்; ஆனால் அவை நோயின் எளிய வரைபடமாகக் கருதப்படக்கூடாது. AI அமைப்புகள் விளக்குவதற்கு கடினமான நுட்பமான அம்சங்களின் சேர்க்கைகளை நம்பக்கூடும்; அவை நேரடி உயிரியல் காரணத்தைவிட உடல்நலத்துடன் தொடர்புடைய காரணிகளைப் பிரதிபலிக்கலாம்.
சாத்தியமான மதிப்பு—தேவையான பாதுகாப்புகள்
புகைப்பட அடிப்படையிலான மதிப்பீடு ஈர்க்கக்கூடியதாக இருக்கலாம்; ஏனெனில் அது ஊடுருவாததும், பெருமளவில் பயன்படுத்தக்கூடியதுமாக இருக்கலாம். சுயாதீனமாகச் சரிபார்க்கப்பட்டால், மிகவும் கவனமான பலவீன மதிப்பீடு அல்லது தீவிர சிகிச்சையின் அபாயங்கள் மற்றும் நன்மைகள் குறித்த கலந்துரையாடல் தேவைப்படும் நோயாளிகளை மருத்துவர்கள் அடையாளம் காண இது உதவலாம். நிபுணர் வளங்கள் குறைவாக உள்ள இடங்களில் சில மதிப்பீடுகளை மேலும் சீராகவும் இது மாற்றக்கூடும்.
ஆனால் இத்தகைய தொழில்நுட்பத்தைப் பயன்படுத்துவதற்கு உயர்ந்த அளவுகோல் தேவைப்படும். செயல்திறன், வளர்ச்சி சூழலில் மட்டுமல்லாமல், பல்வேறு நோயாளர் மக்கள்தொகைகளிலும் உண்மையான மருத்துவப் பணிச்சூழல்களிலும் பரிசோதிக்கப்பட வேண்டும். முடிவு எப்போது நம்பகமானது, அதை பிற ஆதாரங்களுடன் எவ்வாறு இணைக்க வேண்டும், எப்போது புறக்கணிக்க வேண்டும் என்பதற்கான தெளிவான தகவல் மருத்துவர்களுக்குத் தேவைப்படும்.
முகப் படங்களும் மிகவும் உணர்திறன் மிக்க பயோமெட்ரிக் தரவாகும். எந்த மருத்துவச் செயல்படுத்தலுக்கும் ஒப்புதல், சேமிப்பு, அணுகல் மற்றும் இரண்டாம் நிலைப் பயன்பாடு தொடர்பான வலுவான பாதுகாப்புகள் தேவைப்படும். பல்வேறு மக்கள்தொகைக் குழுக்களிடையே மாதிரியின் செயல்திறன் சமமாக உள்ளதா, புற்றுநோய் சிகிச்சையில் உள்ள வேறுபாடுகளைப் பிழைகள் அதிகரிக்குமா என்பதையும் மருத்துவமனைகளும் ஒழுங்குமுறை அமைப்புகளும் ஆய்வு செய்ய வேண்டும்.
முடிவெடுப்பு ஆதரவுக்கான ஆய்வுத் திசை
FAHR-Face மருத்துவ AI-யில் உருவாகும் பரந்த மாற்றத்தை விளக்குகிறது: பெரிய அளவில் பயிற்றுவிக்கப்பட்ட அடித்தள மாதிரிகள் குறுகிய மருத்துவப் பணிகளுக்குத் தழுவப்படுகின்றன. பரந்த முன்பயிற்சி, பின்னர் சிறப்புக் கருவிகளுக்கு ஆதரவளிக்கக்கூடிய பயனுள்ள காட்சி பிரதிநிதித்துவங்களைப் பிடிக்கக்கூடும் என்பதே நம்பிக்கை. ஈர்க்கக்கூடிய தொழில்நுட்ப முடிவு பாதுகாப்பான, புரிந்துகொள்ளக்கூடிய மற்றும் மருத்துவ ரீதியாக அர்த்தமுள்ள ஒன்றாக மாறுவதை உறுதி செய்வதே சவால்.
தற்போது, முகப் புகைப்படங்கள் வெளிப்படையான வயதைத் தாண்டி அளவிடக்கூடிய உடல்நலத் தகவலைக் கொண்டிருக்கலாம் என்பதற்கான சான்றாகவே இந்தக் கண்டுபிடிப்புகளைப் பார்ப்பது சிறந்தது. அந்தத் தகவலை வழக்கமான சிகிச்சையாக மாற்றுவது மேலும் சரிபார்ப்பு மற்றும் கவனமான நிர்வாகத்தைப் பொறுத்தது. மருத்துவர்களின் தீர்ப்பை மாற்றாமல், அதற்கு ஆதரவளிப்பதே நோக்கம் என்ற ஆய்வாளர்களின் கூற்று, முக்கியமான சிகிச்சை முடிவுகளைப் பாதிக்கக்கூடிய தொழில்நுட்பத்திற்கு பொருத்தமான எல்லையை அமைக்கிறது.
இந்தக் கட்டுரை Medical Xpress-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on medicalxpress.com
