சுகாதார-அமைப்பு ஸ்கேன்கள் வலிமையான நியூரோஇமேஜிங் ஏஐயை உருவாக்க உதவுகின்றன

வழக்கமான மருத்துவமனை இமேஜிங் மருத்துவ ஏஐயில் காணாமல் போன முக்கிய கூறாக இருக்கலாம்

மருத்துவ இமேஜிங்கிற்கான செயற்கை நுண்ணறிவு அமைப்புகள் பெரும்பாலும் கவனமாக தொகுக்கப்பட்ட ஆராய்ச்சி தரவுத்தொகுப்புகளிலிருந்து உருவாக்கப்படுகின்றன, ஆனால் Nature Medicine இல் சிறப்பாகக் குறிப்பிடப்பட்ட ஒரு புதிய ஆய்வு, மிகப்பெரிய செயல்திறன் முன்னேற்றங்கள் மிகவும் குறைவாகத் தேர்ந்தெடுக்கப்பட்ட ஒன்றிலிருந்து வரக்கூடும் என வாதிடுகிறது: நிஜ சுகாதார அமைப்புகளுக்குள் தினமும் உருவாகும் வழக்கமான ஸ்கேன்கள்.

ஆராய்ச்சி விளக்கத்தின்படி, ஆய்வாளர்கள் 5.24 மில்லியன் கிளினிக்கல் கணிப்பொறி தொமோகிராஃபி மற்றும் காந்த அதிர்வெண் இமேஜிங் தொடர்களில் ஒரு மூன்று பரிமாண காட்சித் foundation model-ஐ பயிற்சி செய்தனர். பொதுத் இணையப் படங்கள் அல்லது சிறிய நிபுணத்துவ சேகரிப்புகளிலிருந்து கற்றுக்கொள்வதற்குப் பதிலாக, அந்த model பராமரிப்பில் பயன்படுத்தப்படும் தினசரி நியூரோஇமேஜிங்கின் ஓட்டத்திலிருந்து நேரடியாக உருவாக்கப்பட்டது. அதன் விளைவாக, ஆசிரியர்கள் தெரிவிப்பதன்படி, state-of-the-art நோயறிதல் செயல்திறன் கிடைத்ததுடன், நிஜ மருத்துவ சூழல்களில் report generation மற்றும் triage-ஐ system ஆதரிக்க முடியும் என்பதற்கான ஆரம்ப அறிகுறிகளும் இருந்தன.

இந்த வேலை மருத்துவ ஏஐயில் ஒரு பரந்த மாற்றத்தை சுட்டிக்காட்டுகிறது. பல ஆண்டுகளாக, foundation model மேம்பாட்டில் பிரதானக் கருதுகோள், அளவே தீர்மானிக்கும் காரணி என்றும், பெரிய பொதுத் தரவுத்தொகுப்புகளை கிட்டத்தட்ட எந்த downstream பயன்பாட்டிற்கும் மாற்றிக்கொள்ள முடியும் என்றும் இருந்தது. இந்த ஆய்வு, நியூரோஇமேஜிங்கிற்கு domain-specific scale, raw volume-க்கு இணையான முக்கியத்துவம் உடையது என்பதை முன்வைக்கிறது. மில்லியன் கணக்கான உண்மை CT மற்றும் MRI ஆய்வுகளுக்கு வெளிப்பட்ட ஒரு model, பொதுப் பயிற்சி தரவு எளிதாக மீண்டும் உருவாக்க முடியாத வகையில் மூளை அமைப்பு மற்றும் நோயின் பகிர்ந்த representation-ஐ கற்றுக்கொள்வது போலத் தெரிகிறது.

உண்மை உலகத் தரவு படத்தை எப்படி மாற்றுகிறது

நியூரோஇமேஜிங் பாரம்பரிய ஏஐ pipelines-க்கு கடினமான பிரச்சினை. மூளை ஸ்கேன்கள் தட்டையாக இல்லாமல் volumetric ஆக உள்ளன, அவை உபகரணங்களுக்கும் protocols-க்கும் இடையில் மாறுபடுகின்றன, மேலும் மருத்துவ ரீதியாக முக்கியமான கண்டுபிடிப்புகள் நுட்பமானவையாக, பரவலானவையாக, அல்லது பல slices-களில் பரவியவையாக இருக்கலாம். வழக்கமான பயிற்சி நடைமுறையிலிருந்து நேரடியாக பெறப்பட்ட மூன்று பரிமாண தரவில் பயிற்சி செய்யப்பட்ட foundation model, சிறிய supervised datasets பெரும்பாலும் முடியாத வகையில் இந்த patterns-ஐ உள்வாங்கும் வாய்ப்பைக் கொண்டுள்ளது.

அந்த briefing, model CT மற்றும் MRI இரண்டிலும் neuroanatomy மற்றும் disease-க்கு ஒரு shared representation-ஐ கற்றுக்கொண்டதாகக் கூறுகிறது. இது முக்கியமானது, ஏனெனில் இரண்டு modalities வேறுபட்ட தகவல்களைப் பிடிக்கின்றன மற்றும் வேறுபட்ட clinical contexts-இல் பயன்படுத்தப்படுகின்றன. CT பெரும்பாலும் அவசர சிகிச்சை மற்றும் திடீர் நரம்பியல் மதிப்பீட்டில் மையப் பங்கு வகிக்கிறது, அதேசமயம் MRI மிக விரிவான structural assessment-க்கு பயன்படுத்தப்படுகிறது. இரு வடிவங்களிலும் பயிற்சி அளிப்பது, ஒரு task அல்லது scanner type-க்கு மட்டுமே கட்டுப்படாமல், பல்வேறு care settings-களில் பரவலாக பயனுள்ள model-ஐ உருவாக்க உதவலாம்.

இந்த paper வலியுறுத்தும் மாறுபாடு குறிப்பிடத்தக்கது. பொதுத் இணையம் மற்றும் மருத்துவ தரவுகளில் பயிற்சி பெற்ற foundation models-ஐ விட சிறந்த diagnostic performance-ஐ authors report செய்கிறார்கள். பல மருத்தவர்களும் informatics researchers-உம் நீண்ட காலமாக அமைதியாக முன்வைத்து வரும் கருத்துக்கு இது வலு சேர்க்கிறது: மிகத் தொடர்புடைய institutional data, சரியான முறையில் நிர்வகிக்கப்பட்டு செயலாக்கப்பட்டால், பிற domains-இலிருந்து கடன் வாங்கப்பட்ட generic scale-ஐ விட மதிப்புமிக்கதாக இருக்கலாம்.

நடைமுறையில், வழக்கமான health-system data ஒழுங்கற்றது. அதில் acquisition-இல் வேறுபாடு, patient populations-இல் வித்தியாசங்கள், மற்றும் real clinical workflows-இன் artifacts உள்ளன. இவை பொதுவாக தடைகளாகக் கருதப்படுகின்றன. இங்கு அவை பலமாக மாறியிருக்கலாம், ஏனெனில் deployment-க்கு நோக்கமாக உருவாக்கப்படும் models இறுதியில் அதே குழப்பமான சூழலில்தான் செயல்பட வேண்டியுள்ளது.

நோயறிதலிலிருந்து workflow support வரை

Benchmark செயல்திறனைத் தாண்டி, இந்த ஆய்வு health systems உடனடியாக கவலைப்படும் இரண்டு நடைமுறை பயன்பாடுகளையும் சுட்டிக்காட்டுகிறது: preliminary report generation மற்றும் triage. இரண்டும் இன்னும் sensitive applications ஆகவே உள்ளன, ஆனால் துறை எந்த திசையில் செல்கிறது என்பதை அவை காட்டுகின்றன.

Preliminary report generation என்பது radiologists-ஐ மாற்றுவதை அர்த்தப்படுத்துவதில்லை. அது, ஒரு ஏஐ system சாத்தியமான findings-ஐ சுருக்க, observations-ஐ ஒழுங்குபடுத்த, அல்லது clinician review செய்து திருத்தக்கூடிய draft-ஐ தயாரிக்க உதவ முடியும் என்பதைக் குறிக்கிறது. அதிக அளவு imaging departments-இல், பகுதியளவிலான உதவியே கூட turnaround times-ஐ குறைத்து, சிக்கலான cases-இன் முதல் pass-ஐ ஒரே மாதிரியாக்க முடியும்.

Triage வேறுபட்டது, ஆனால் அதே அளவு முக்கியமானது. ஒரு imaging ஏஐ அவசர அசாதாரணங்கள் இருக்கக்கூடிய வாய்ப்பு அதிகமான cases-ஐ அடையாளம் காண முடிந்தால், அந்த ஆய்வுகள் specialist review-க்கு விரைவில் முன்வைக்கப்படலாம். stroke, hemorrhage, mass effect, அல்லது பிற நேரம் முக்கியமான நரம்பியல் நிலைகளில், நிமிடங்கள் முக்கியமானவை. அந்த paper real health systems-இல் enabled ஆன triage பயன்பாட்டை விவரிக்கிறது, இது model purely academic exercise-ஆக அல்லாமல் operational deployment-ஐ கருத்தில் கொண்டு மதிப்பீடு செய்யப்பட்டதாகக் காட்டுகிறது.

அந்த இணைப்பு, வலுவான diagnosis plus workflow assistance, இந்த study-ஐ இன்னொரு accuracy headline-ஐ விட முக்கியமானதாக ஆக்குகிறது. Imaging ஏஐ பெரும்பாலும் laboratory promise-இலிருந்து routine use-க்கு நகர்வதில் சிரமப்படுகிறது, ஏனெனில் ஒரு model ஒரு குறுகிய task-இல் சிறப்பாகத் தோன்றலாம், ஆனால் clinical operations-இல் பொருந்தாமல் போகலாம். சங்கிலியின் பல படிகளுக்கு ஆதரவளிக்கக்கூடிய systems, adoption-க்கு தேவையான செலவு மற்றும் integration effort-ஐ நியாயப்படுத்த அதிக வாய்ப்புடையவை.

இந்த ஆய்வு என்னை நிறுவுகிறது, என்னை நிறுவவில்லை

ஆராய்ச்சி விளக்கம் முழுமையான operational playbook-ஐ விட ஒரு சுருக்கமான summary-ஐ வழங்குவதால், பல கேள்விகள் திறந்தவையாகவே உள்ளன. எந்த diagnostic tasks மிகச் சிறந்த முடிவுகளைத் தூண்டின, நிறுவனங்களுக்கு இடையில் செயல்திறன் எவ்வாறு மாறியது, அல்லது edge cases-இல் model எவ்வாறு நடந்துகொண்டது என்பதைக் குறிப்பு குறிப்பிடவில்லை. அது report generation மற்றும் triage-ஐ preliminary எனவும் விவரிக்கிறது, இது early demonstrations எளிதாக மிகைப்படுத்தப்படக்கூடிய ஒரு துறையில் முக்கியமான qualifier ஆகும்.

அப்படியிருந்தாலும், training set-இன் அளவை புறக்கணிக்க முடியாது. ஐந்து மில்லியனுக்கும் மேற்பட்ட CT மற்றும் MRI தொடர்கள், பெரிய health systems அல்லது multi-institution collaborations மட்டுமே நடைமுறையில் உருவாக்கக்கூடிய data resource-ஐ குறிக்கின்றன. இது தொழில்துறைக்கு ஒரு strategic issue-ஐ எழுப்புகிறது. மிகச் சிறந்த மருத்துவ foundation models திறந்தவெளியில் கிடைக்கும் datasets-ஐ விட health-system archives-ஐ சார்ந்திருந்தால், அடுத்த போட்டி அலை pure model architecture-ஐ விட clinical data access, governance, மற்றும் trust relationships-ஐ மையமாகக் கொள்ளலாம்.

இந்த ஆய்வு hospitals ஏஐ vendors-ஐ மதிப்பிடும்போது ஒரு நடைமுறை பாடத்தையும் வலுப்படுத்துகிறது. ஒரு model எந்த வகை data-இலிருந்து கற்றது என்பதையே performance claims மிகையாக சார்ந்திருக்கலாம். பராமரிப்பில் சேகரிக்கப்பட்ட வழக்கமான scans-இல் பயிற்சி பெற்ற tool, consumer அல்லது research imagery-இலிருந்து மாற்றியமைக்கப்பட்ட ஒன்றிலிருந்து வேறுபட்ட முறையில் generalize ஆகலாம். ஒரு “foundation model” மற்றொன்றுடன் பரிமாறிக்கொள்ளக்கூடியது என்று கருதுவதற்கு முன், buyers provenance, representativeness, மற்றும் validation பற்றி கூர்மையான கேள்விகளை எழுப்ப வேண்டும்.

மருத்துவ ஏஐ எந்த திசையில் செல்கிறது என்பதற்கான அறிகுறி

இந்த வேலை, public web-இலிருந்து methods-ஐ wholesale-ஆக இறக்குமதி செய்வதற்குப் பதிலாக, health-system scale data-இலிருந்து general-purpose clinical models-ஐ உருவாக்கும் health AI-இன் பரந்த இயக்கத்துடன் தொடர்புபடுத்தப்படுகிறது. இந்த அணுகுமுறை கடினமானது, ஏனெனில் data infrastructure, privacy controls, institutional coordination, மற்றும் modality-specific engineering ஆகியவை தேவைப்படுகின்றன. ஆனால் இது மருத்தவர்கள் உண்மையில் நம்பக்கூடிய tools-ஐ உருவாக்கும் பாதையாகவும் இருக்கலாம்.

நியூரோஇமேஜிங்கிற்கான கருத்து தெளிவானது. எதிர்காலம், வெறும் அதிகமான images-ஐப் பார்க்கும் models-க்கு குறைவாகவும், சரியான images-இலிருந்து கற்றுக்கொள்கின்ற models-க்கு அதிகமாகவும் சொந்தமாக இருக்கலாம்: நோயாளி பராமரிப்பின் அன்றாட உண்மையில் உருவாகும் images. அத்தகைய systems reporting மற்றும் triage-ஐ ஆதரித்தபடியே state-of-the-art performance-ஐ தொடர்ந்து காட்டினால், அவை பெயரிலேயே அல்ல, hospital practice-இலும் அடிப்படையாக மாறலாம்.

இந்த கட்டுரை Nature Medicine வெளியிட்ட செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.