இதய MRI AI மாதிரி கைமுறை லேபிள்கள் இல்லாமல் சிக்கலான இதய ஸ்கான்களை வாசிக்கிறது

ஒரு சிறப்பு AI அமைப்பு கார்டியாலஜியின் மிகக் கடினமான இமேஜிங் பிரச்சினைகளில் ஒன்றை நோக்குகிறது

கார்னெகி மெலன் பல்கலைக்கழகம் மற்றும் கிளீவ்லேண்ட் கிளினிக் ஆய்வாளர்கள், கைமுறையாக லேபிளிடப்பட்ட பயிற்சி தரவுகளை சாராமல் கார்டியாக் MRI ஸ்கான்களை விளக்கக்கூடிய ஒரு செயற்கை நுண்ணறிவு அமைப்பை உருவாக்கியுள்ளதாகக் கூறுகின்றனர்; இது மேம்பட்ட இதய இமேஜிங் பகுப்பாய்வை மருத்துவ சூழல்களில் மேலும் அளவுபடுத்தக்கூடியதாக மாற்றலாம். CMR-CLIP எனப்படும் இந்த அமைப்பு, இதயத்தின் அமைப்பு, செயல்பாடு, திசு ஆரோக்கியம், இரத்த ஓட்டம் மற்றும் சேதத்தின் அறிகுறிகளை மதிப்பிட பரவலாகப் பயன்படுத்தப்படும் கார்டியாக் மேக்னெட்டிக் ரெசொனன்ஸ் இமேஜிங்கிற்காக குறிப்பாக வடிவமைக்கப்பட்டது.

Nature Communications இல் வெளியான இந்த வேலை, நகரும் இதயப் படங்களை அவற்றை விவரிக்கும் மருத்துவ ரேடியாலஜி அறிக்கைகளுடன் இணைக்கிறது. பெரிய, கைமுறையாக லேபிளிடப்பட்ட தரவுத்தொகுப்பில் பயிற்சி அளிப்பதற்குப் பதிலாக, மாதிரி ஸ்கான்கள் மற்றும் மருத்துவர்கள் எழுதிய உரை ஆகியவற்றுக்கிடையிலான உறவிலிருந்து கற்றுக்கொள்கிறது. சோதனைகளில், இந்த அமைப்பு பொதுப் பயன்பாட்டு AI மாதிரிகளை விட சிறப்பாக செயல்பட்டதாகவும், சில சந்தர்ப்பங்களில் அவற்றின் செயல்திறனை 35% க்கும் அதிகமாக மீறியதாகவும் குழு கூறியது.

இந்த முடிவு முக்கியமானது, ஏனெனில் கார்டியாக் MRI ஒரு எளிய பட அடையாளம் காணும் பணியாக இல்லை. ஒரே பரிசோதனையில் பல பார்வைகள் மற்றும் காலப் புள்ளிகளில் பெறப்பட்ட நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான படங்கள் இருக்கலாம். இந்த ஆய்வுகளைப் புரிந்துகொள்வது மிகவும் சிறப்பு வாய்ந்ததும் நேரம் எடுத்துக்கொள்ளும் ஒன்றாகவும் இருப்பதால், உற்பத்தித்திறனை கட்டுப்படுத்தி, நிபுணர் வாசகர்கள் குறைவாக உள்ள இடங்களில் அணுகலைக் குறைக்கலாம்.

கார்டியாக் MRI ஐ தானியங்காக்குவது ஏன் கடினமாக இருந்தது

கார்டியாக் MRI பெரும்பாலும் இதயத்தை மதிப்பிடுவதற்கான தங்கத் தர கருவியாக விவரிக்கப்படுகிறது, ஏனெனில் அது ஒரே பரிசோதனையில் உடலமைப்பு மற்றும் செயல்பாட்டின் பரந்த படத்தைப் பதிவு செய்ய முடியும். ஆனால் அந்த செழுமையே தானியங்காக்குவதைக் கடினமாகவும் ஆக்குகிறது. பொதுவான படப் புரிதலுக்காக உருவாக்கப்பட்ட மாதிரிகள், நகரும், பல பார்வைகள் கொண்ட, மருத்துவ ரீதியாக சிக்கலான இதய ஸ்கான்களுக்கு இயல்பாகப் பொருந்துவதில்லை.

ஆய்வு குழுவின் மைய வாதம் என்னவென்றால், ஒரு துறை-சார்ந்த foundation model அதன் கட்டமைப்பும் பயிற்சி உத்தியும் அது பகுப்பாய்வு செய்யவுள்ள தரவின் அமைப்பை பிரதிபலிக்கும்போது சிறப்பாக செயல்படுகிறது. ஒரு பொதுப் பட மாதிரியைத் தழுவி அது நன்றாக மாற்றமடையும் என நம்புவதற்குப் பதிலாக, குழு கார்டியாக் MRI விளக்கத்தின் நடைமுறை உண்மைகளை மையமாகக் கொண்டு ஒரு அமைப்பை உருவாக்கியது.

கார்னெகி மெலனின் மெக்கானிக்கல் என்ஜினீயரிங் துறையின் இணைப் பேராசிரியரும் ஆய்வின் இணை முதன்மை ஆராய்ச்சியாளருமான டிங் ழாவ், இந்த முடிவுகள் சிறப்பு foundation models குறுகிய மருத்துவ துறைகளில் பொதுப் பயன்பாட்டு அமைப்புகளை விட மேலோங்க முடியும் என்பதை காட்டுகின்றன என்று கூறினார். மருத்துவ AI-க்கான பரந்த பாடமாக இதை ஆய்வாளர்கள் முன்வைக்கின்றனர்: மாதிரிகள், பின்னர் நுணுக்கமாகத் திருத்தப்படுவதற்குப் பதிலாக, இமேஜிங் பணிச்சூழல் மற்றும் அதனுடன் தொடர்புடைய மருத்துவ மொழியை மையமாகக் கொண்டு வடிவமைக்கப்பட வேண்டியிருக்கலாம்.

கைமுறை லேபிள்கள் இல்லாமல் மாதிரி எப்படி கற்றுக்கொள்கிறது

CMR-CLIP கார்டியாக் MRI தொடர்களை அந்த பரிசோதனைகளிலிருந்து உருவாகும் ரேடியாலஜி அறிக்கைகளுடன் இணைக்கிறது. இதனால், அமைப்பு உழைப்பு மிகுந்த குறிப்பு சேகரிப்பு முயற்சிகளுக்கு பதிலாக, ஏற்கனவே உள்ள மருத்துவ நடைமுறையிலிருந்து கற்றுக்கொள்ள முடிகிறது. நடைமுறையில், அறிக்கைகள் வழக்கமான பராமரிப்பில் உட்பொதிக்கப்பட்ட மேற்பார்வையை வழங்குகின்றன.

உயர்தர கைமுறை லேபிள்களை மருத்துவ இமேஜிங்கில் உருவாக்குவது விலையுயர்ந்தது என்பதால், இந்த அணுகுமுறை மருத்துவமனைகள் மற்றும் ஆராய்ச்சி குழுக்களுக்கு பொருத்தமானதாக இருக்கலாம். இதற்கு நிபுணர் நேரம், ஒரே மாதிரியான தரநிலைகள், மற்றும் பெரிய தரவுத்தொகுப்புகள் தேவை. இணைக்கப்பட்ட படங்களும் அறிக்கைகளும் மூலம் கற்றுக்கொள்வதன் மூலம், பயனுள்ள மருத்துவ AI கருவிகளை உருவாக்குவதில் உள்ள முக்கிய தடைப்பாடுகளில் ஒன்றை மாதிரி குறைக்கக்கூடும்.

வகைப்பாடு-வகை செயல்திறன் அளவுகோல்களைத் தாண்டியும் இந்த அமைப்பு வாக்குறுதியைக் காட்டியதாக ஆய்வாளர்கள் தெரிவித்தனர். மூல உரையின் படி, CMR-CLIP இமேஜிங் பகுப்பாய்வு, கேஸ் ரிட்ரீவல், மற்றும் மருத்துவ முடிவு ஆதரவு ஆகியவற்றிற்கான திறனை வெளிப்படுத்தியது. இவை குறுகிய கல்வி விளக்கங்களைக் கடந்து பணிச்சூழல் ஒருங்கிணைப்பை நோக்கிச் செல்கின்ற நடைமுறை பயன்பாடுகள் ஆகும்.

• தானியங்கியான ஸ்கிரீனிங் அவசர பரிசீலனை தேவைப்படும் வழக்குகளை குறிக்க உதவலாம்.
• கேஸ் ரிட்ரீவல் தற்போதைய ஸ்கானை ஒத்த முந்தைய உதாரணங்களுடன் ஒப்பிடுவதில் மருத்துவர்களுக்கு உதவலாம்.
• முடிவு-ஆதரவு கருவிகள் குறைந்த நிபுணர் திறன் உள்ள சூழல்களில் வாசகர்களுக்கு உதவக்கூடும்.

மருத்துவ விளைவுகள் மற்றும் வரம்புகள்

கிளீவ்லேண்ட் கிளினிக்கின் டேவிட் சென், இவரும் இணை முதன்மை ஆராய்ச்சியாளர், கார்டியாக் MRI விளக்கம் சிறப்பு வாய்ந்ததும் நேரம் எடுத்துக்கொள்ளும் ஒன்றுமாகும், மேலும் வாசகர்-உதவி கருவிகள் இந்த தொழில்நுட்பத்திற்கான நோயாளி அணுகலை மேம்படுத்தக்கூடும் என்று கூறினார். இது ஒரு முக்கிய வேறுபாடு: இந்த திட்டம் மருத்துவர்களை மாற்றுவதற்கானது அல்ல, அவர்களுக்கு ஆதரவாக இருப்பதாக விவரிக்கப்படுகிறது.

ஆய்வின் விளைவுகள், நிபுணத்துவம் குறைவாகவும் இமேஜிங் தேவை அதிகரித்துக் கொண்டிருக்கும் சூழல்களில் மிகவும் வலுவாக உள்ளன. ஒரு மாதிரி தற்சார்பு மதிப்பீட்டை வேகப்படுத்த, மீண்டும் மீண்டும் செய்யப்படும் பரிசீலனைப் பணியை குறைக்க, அல்லது ஒரே மாதிரித்தன்மையை மேம்படுத்த முடிந்தால், அது கார்டியாக் MRI இன் நடைமுறை வரம்பை விரிவுபடுத்த முடியும். இது நிபுணர் கார்டியாக் இமேஜர்களுக்கான அணுகல் சமமில்லாத அமைப்புகளில் குறிப்பாக பொருத்தமானதாக இருக்கும்.

அதே நேரத்தில், மூலப் பொருள் இந்த அமைப்பு கட்டுப்பாடின்றி மருத்துவப் பயன்பாட்டிற்கு தயார் எனக் கூறவில்லை, மேலும் அனைத்து பணிகளிலும், அனைத்து மக்கள்தொகைகளிலும் விரிவான செயல்திறன் எண்ணிக்கைகளையும் வழங்கவில்லை. பொதுப் பயன்பாட்டு மாதிரிகளை விட கிடைத்த முன்னேற்றங்கள் குறிப்பிடத்தக்கவை, ஆனால் அடுத்த கேள்விகள் நிறுவனங்களுக்கிடையேயான சரிபார்ப்பு, ஸ்கேனர் நெறிமுறைகள் முழுவதும் நிலைத்தன்மை, மற்றும் உண்மையான கண்டறிதல் பணிச்சூழல்களில் வெளியீடுகள் எவ்வளவு நன்றாக நிலைக்கின்றன என்பதையே பற்றியவை ஆகும்.

இந்தக் கேள்விகள் எந்த மருத்துவ AI அமைப்பிற்கும் தரநிலையானவை. மாதிரி ஆய்வு சோதனையில் துல்லியமானது என்பதற்கான ஆதாரம் மட்டும் மருத்துவமனைகளுக்கு போதாது; அது பல்வேறு நோயாளி குழுக்களிலும் இமேஜிங் சூழல்களிலும் நம்பகமாக இருக்க வேண்டும் என்பதற்கும் ஆதாரம் வேண்டும். வெளியீட்டில் கிடைக்கும் வலுவான முடிவுகள் கூட தானாகவே பெரிய அளவிலான பயன்பாட்டாக மாறிவிடாது.

மருத்துவ AI இல் பரந்த மாற்றம்

இந்த திட்டம் மருத்துவத்திற்கான செயற்கை நுண்ணறிவில் ஒரு பெரிய போக்கை பிரதிபலிக்கிறது: பொதுவான multimodal உற்சாகத்திலிருந்து விலகி, குறிப்பிட்ட மருத்துவ துறைகளுக்காக உருவாக்கப்பட்ட அமைப்புகளுக்கு நகர்தல். இங்கே, அடிப்படை பந்தயம் என்னவெனில், இதய-இமேஜிங் தரவிலும் இதய-இமேஜிங் அறிக்கைகளிலும் பயிற்சி பெற்ற ஒரு இதய-இமேஜிங் மாதிரி, மேம்பாட்டு வாழ்க்கையின் பிற்பகுதியில் ஒத்திசைக்கப்பட்ட ஒரு பரந்த மாதிரியைவிட அதிக பயனுள்ளதாக இருக்கும்.

அது ஒரு நடைமுறை நோக்குடைய திசை. மருத்துவம் சிறப்பான தரவுவகைகள், பணிச்சூழல்கள், மற்றும் சொற்றொடர்களால் நிரம்பியுள்ளது; அவை நுகர்வோர் AI அளவுகோல்களுடன் சுலபமாக பொருந்துவதில்லை. இதயத்தின் நகரும் உடலமைப்பையும் நோயை விவரிக்கப் பயன்படும் மொழியையும் புரிந்துகொள்ளும் ஒரு அமைப்பு, அளவிடக்கூடிய மருத்துவ பயன்பாட்டை வழங்குவதற்கு சிறந்த நிலையில் இருக்கலாம்.

மேலும் சரிபார்ப்பு ஆரம்ப கண்டுபிடிப்புகளை ஆதரித்தால், CMR-CLIP கைமுறை லேபிள்களை குறைவாக சார்ந்தும், வழக்கமான மருத்துவ ஆவணங்களுடன் நெருக்கமாக இணைந்தும் இருக்கும் புதிய வகை மருத்துவ foundation models இன் ஒரு பகுதியாக மாறக்கூடும். கார்டியாக் இமேஜிங்கிற்காக, இது நீண்டகால சவாலில் ஒரு முன்னேற்றமாக இருக்கும்: துறையின் மிகச் செழுமையான கண்டறிதல் கருவிகளில் ஒன்றை மென்பொருளின் உதவியுடன் எளிதாகப் புரிந்துகொள்ள, அளவுபடுத்த, மற்றும் ஆதரிக்கச் செய்வது.

உடனடி takeaway இன்னும் குறுகியது, ஆனால் அதுவும் முக்கியமானது. ஆராய்ச்சியாளர்கள், ஏற்கனவே உள்ள அறிக்கைகளுடன் புத்திசாலித்தனமாக இணைக்கப்பட்ட குறிச்சொல்லிடப்படாத மருத்துவ தரவு, பொதுப் பயன்பாட்டு மாற்றுகளை விட வலுவான கார்டியாக் MRI மாதிரியை உருவாக்கப் பயன்படலாம் என்பதை காட்டியதாகத் தெரிகிறது. நிபுணர் நேரம் விலை உயர்ந்ததும், இமேஜிங் அளவுகள் பெரியதுமான துறையில், இது கவனிக்கத்தக்க முன்னேற்றம்.

இந்தக் கட்டுரை Medical Xpress இன் செய்திப்பதிவின் அடிப்படையில் தயாரிக்கப்பட்டது. அசல் கட்டுரையைப் படிக்கவும்.