ஏஐ சோதனை ரெட்டினா இமேஜிங் அமைப்பு மரபுரிமை நோய் கண்டறிதலை மேம்படுத்துகிறது என்பதை காட்டியது

ரெட்டினல் நோய் கண்டறிதலுக்கான ஏஐ உதவியாளர் சோதனையில் வலுவான முடிவுகளை பதிவு செய்தது

Nature Medicine இல் வெளியிடப்பட்ட ஒரு multicenter randomized trial, artificial intelligence-based clinician decision support system, வழக்கமான பராமரிப்பில் விரைவாகவும் துல்லியமாகவும் வகைப்படுத்த கடினமான நோய்களைக் கொண்ட suspected inherited retinal diseases-க்கு diagnostic performance-ஐ கணிசமாக மேம்படுத்தியதாக தெரிவிக்கிறது.

Retina4IRD எனப்படும் இந்த system, retinal imaging-இல் இருந்து சாத்தியமான genotype categories-ஐ specialists கணிக்க உதவுமாறு வடிவமைக்கப்பட்டது. சோதனையில், இந்த tool-ஐ பயன்படுத்திய specialists, அதைப் பயன்படுத்தாமல் பணியாற்றிய specialists-ஐ விட top-5 genetic prediction accuracy-இல் குறிப்பிடத்தக்க அளவு உயர்ந்த முடிவுகளை பெற்றனர். இந்த முடிவு ophthalmology-இல் நீண்ட காலமாக இருந்த bottleneck-ஐ கையாள்கிறது; ஏனெனில் inherited retinal diseases-க்கு உறுதியான diagnosis-க்கு முன் பெரும்பாலும் intensive phenotyping, multidisciplinary interpretation, மற்றும் genetic testing தேவைப்படுகிறது.

Inherited retinal diseases, அல்லது IRDs, என்பது ஒரே ஒரு disorder அல்ல; retina-வை பாதிக்கும் genetic conditions-இன் ஒரு தொகுப்பு. அவற்றின் clinical presentation ஒன்றோடொன்று ஒத்திருக்கும், அதாவது சாத்தியமான காரணத்தை குறைப்பதற்கு முன் பல வகையான evidence-ஐ physicians இணைக்க வேண்டியிருக்கும். அந்த செயல்முறை மெதுவாகவும், resource-heavy ஆகவும், care settings-களுக்கிடையில் சமமில்லாததாகவும் இருக்கலாம், குறிப்பாக ஆழமான subspecialty expertise குறைவாக இருக்கும் இடங்களில்.

Retina4IRD எவ்வாறு உருவாக்கப்பட்டது

ஆய்வின் படி, Retina4IRD retinal images-இல் இருந்து 17 genotype categories-ஐ கணிக்கிறது. Research team, RETFound-ஆல் pretrained செய்யப்பட்ட Vision Transformer architecture-ஐ பயன்படுத்தி model-ஐ உருவாக்கி, பின்னர் China, South Korea, மற்றும் Poland-இல் உள்ள genetically confirmed patients-இன் multimodal imaging data-வுடன் அதை பயிற்சி செய்து சரிபார்த்தது.

Dataset-இல் 1,843 genetically confirmed patients-இன் color fundus photographs மற்றும் optical coherence tomography scans இருந்தன, இது 3,376 eyes-ஐ பிரதிநிதித்துவப்படுத்துகிறது. இந்த international training and validation set முக்கியமானது, ஏனெனில் IRD diagnosis disease diversity மற்றும் sites-க்கிடையிலான imaging practice வேறுபாடுகள் இரண்டாலும் பாதிக்கப்படலாம். எனவே, external validation performance என்பது system-ஐ அது உருவாக்கப்பட்ட நிறுவனத்தின் எல்லைக்கு வெளியே கொண்டு செல்ல முடியுமா என்பதற்கான முக்கிய சோதனை.

Internal validation-இல், model 0.904 top-5 prediction accuracy-ஐ அடைந்தது, 95% confidence interval 0.896 முதல் 0.912 வரை இருந்தது. External validation-இல் top-5 accuracy 0.856 ஆக இருந்தது, 95% confidence interval 0.850 முதல் 0.863 வரை. இந்த மதிப்புகள் model அதன் development environment-க்கு வெளியிலும் வலுவான performance-ஐ வைத்திருந்ததை காட்டுகின்றன, ஆனால் internal testing-இல் இருந்து எதிர்பார்க்கப்படும் வீழ்ச்சியுடன்.

இந்த tool-ஐ clinical judgment அல்லது genetic sequencing-க்கு மாற்றாக அல்ல, மாறாக clinicians-க்கு diagnostic pathway-இல் முன்னதாகவே அதிக சாத்தியமான genetic explanations-ஐ முன்னுரிமை அளிக்க உதவும் decision support system ஆக ஆய்வு வடிவமைக்கிறது.

Randomized trial specialist performance-இல் முன்னேற்றத்தை காட்டியது

இந்த paper-இல் மிக வலுவான evidence 300 participants-ஐ கொண்ட randomized controlled trial-இல் இருந்து வருகிறது; இவர்களுக்கு suspected IRD இருந்தது. Participants 1:1 அடிப்படையில் Retina4IRD-assisted specialist arm அல்லது specialist-only arm ஆகியவற்றில் பிரிக்கப்பட்டனர். Enroll செய்யப்பட்டவர்களில் 295 participants-க்கு available next-generation sequencing reports இருந்தன, மேலும் அவர்கள் final analysis-இல் சேர்க்கப்பட்டனர்.

Analyzed செய்யப்பட்டவர்களின் median age 33 years ஆக இருந்தது, மேலும் 114 participants, அதாவது 38.6%, female ஆக இருந்தனர். ஆய்வின் primary endpoint அடைந்தது. ஏஐ support tool-ஐ பயன்படுத்திய specialists 88.5% top-5 genetic accuracy-ஐ அடைந்தனர், specialist-only group-இல் அது 67.3% ஆக இருந்தது; இந்த வேறுபாடு statistically significant என்று paper கூறுகிறது, P 0.001-க்கும் குறைவு.

மேலும் top-1 முதல் top-4 accuracy வரை உள்ள secondary endpoints அனைத்தும் Retina4IRD-assisted arm-க்கு சாதகமாக இருந்ததாக paper கூறுகிறது. ஒன்றாகப் பார்க்கும்போது, இந்த முடிவுகள் system வெறும் நீண்ட பட்டியலில் கூடுதல் வாய்ப்புகளை சேர்த்தது மட்டுமல்ல என்பதைக் காட்டுகின்றன. அது prediction stack முழுவதிலும் ranking quality-ஐ மேம்படுத்தியது, இதனால் மிகச் சாத்தியமான genetic categories மேல்பகுதியில் தோன்றும் வாய்ப்பு அதிகரித்தது.

நடைமுறையில் அந்த வேறுபாடு முக்கியமானது. Imaging-இல் இருந்து specialist ஒருவர் குறைந்த, உயர்தரமான சாத்திய genotype categories தொகுப்பை அடையாளம் காண முடிந்தால், downstream testing மற்றும் interpretation மேலும் கவனமாக மையப்படுத்தப்படலாம். Genetic testing capacity குறைவாக இருக்கும் இடங்களில், சிறந்த front-end triage signal specialist attention-ஐ மேலும் திறமையாக பகிர உதவும்.

இந்த கண்டுபிடிப்புகள் எதை மாற்றக்கூடும்

இந்த paper-இன் முக்கியத்துவம் அது வழங்கும் evidence-இன் வகையில் உள்ளது. பல medical AI studies retrospective validation-இல் நிற்கின்றன; அங்கு algorithms வரலாற்றுத் தரவில் சோதிக்கப்படுகின்றன, ஆனால் live அல்லது quasi-live clinical workflows-இல் மதிப்பீடு செய்யப்படுவதில்லை. இங்கே, ஆராய்ச்சியாளர்கள் AI-assisted மற்றும் unassisted specialists இடையே randomized comparison நடத்தி அதற்கும் மேலே சென்றுள்ளனர்.

ஆனால் இது deployment தொடர்பான எல்லா கேள்விகளையும் முடிவுக்கு கொண்டு வரவில்லை. வழங்கப்பட்ட study text, Retina4IRD தனியாக இறுதி diagnosis-ஐ நிறுவுகிறது என்று கூறவில்லை; மேலும் genetic testing-ஐ தவிர்க்கலாம் என்றும் பரிந்துரைக்கவில்லை. அதற்கு பதிலாக, முடிவுகள் rare-disease medicine-இல் AI-க்கான மேலும் நடைமுறைப்படுத்தக்கூடிய அருகில்கால பங்கைக் காட்டுகின்றன: diagnosis தற்போது குறைந்த expertise மற்றும் நேரம் எடுத்துக் கொள்ளும் review-இல் சார்ந்துள்ள இடங்களில் decision support-ஐ மேம்படுத்துவது.

Border-crossing development dataset கூட ஒரு பரந்த நோக்கத்தை சுட்டிக்காட்டுகிறது. IRDs மிக அரிதானவை, எனவே வலுவான training data சேகரிப்பது கடினம்; clinically meaningful variation-ஐப் பிடிக்க பல சமயங்களில் international collaboration அவசியம். மேலும் ஆய்வுகள் பரந்த populations மற்றும் care systems-இல் முடிவுகளை உறுதிப்படுத்தினால், retina imaging models image acquisition மற்றும் molecular confirmation இடையில் increasingly important layer ஆக மாறக்கூடும்.

இப்போதைக்கு, முக்கிய finding தெளிவாக உள்ளது. ஒரு randomized, multicenter setting-இல், AI-based support system, suspected inherited retinal disease-க்கு பின்னால் உள்ள genetic category-ஐ கணிக்கும் specialists-இன் திறனை கணிசமாக மேம்படுத்தியது. Diagnostic delay treatment decisions, counseling, மற்றும் எதிர்கால gene-targeted interventions-க்கு eligibility-ஐ பாதிக்கும் துறையில், இது ஒரு முக்கியமான முன்னேற்றம்.

இந்த கட்டுரை Nature Medicine செய்தியளிப்பை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.