பொதுவாக மிகவும் தாமதமாகவே கண்டுபிடிக்கப்படும் ஒரு நோய்க்கான முன்னறிவிப்பு சைகை
புற்றுநோய் சிகிச்சையின் மிகக் கடினமான சவால்களில் ஒன்றில் ஆராய்ச்சியாளர்கள் முக்கியமான முன்னேற்றம் ஏற்பட்டிருக்கலாம் என்று தெரிவித்துள்ளனர்: பாங்க்ரியாஸ் புற்றுநோய் மருத்துவப் படங்களில் தெளிவாகத் தோன்றுவதற்கு முன்பும், அறிகுறிகள் மூலம் கண்டறிதல் ஏற்படுவதற்கு முன்பும் அதைக் கண்டுபிடிப்பது. Gut என்ற இதழில் விவரிக்கப்பட்ட ஆய்வில், செயற்கை நுண்ணறிவு மாதிரி முதலில் சாதாரணமாகப் படிக்கப்பட்ட சுமார் 2,000 CT ஸ்கான்களை மதிப்பாய்வு செய்ய பயன்படுத்தப்பட்டது. அந்த முறை பாங்க்ரியாஸில் உள்ள மிகச் சிறிய முறைகேடுகளை கண்டறிந்தது; அவை பின்னர் கட்டி உருவாக்கத்துடன் தொடர்புடையதாக இருந்தன. இதனால், இந்த நோய் வழக்கமான கண்டறிதலுக்கு பல ஆண்டுகளுக்கு முன்னதாகவே detectable traces விடக்கூடும் என்பதற்கான சாத்தியம் உருவாகிறது.
இது முக்கியம், ஏனெனில் பாங்க்ரியாஸ் புற்றுநோய் மிகக் கொடிய முக்கிய புற்றுநோய்களில் ஒன்றாகவே உள்ளது. இந்த நோய் பெரும்பாலும் அமைதியாக முன்னேறி, ஆரம்பத்தில் குறைவான, அல்லது எதுவும் இல்லாத, அறிகுறிகளை மட்டுமே ஏற்படுத்துகிறது. ஒரு கட்டி imaging-ல் தெளிவாகத் தெரியும் நேரத்தில் அல்லது tissue sampling மூலம் உறுதிப்படுத்தப்படும் நேரத்தில், நோயாளிகளுக்குக் கிடைக்கும் சிகிச்சை வாய்ப்புகள் ஏற்கனவே குறைந்திருக்கலாம். இந்த ஆய்வின் வாக்குறுதி, மருத்துவர்களை மாற்றும் ஒரு பிரமாண்ட தீர்வில் அல்ல; மாறாக, மனித வாசகர்கள் வழக்கமான ஸ்கான்களில் எளிதில் காண முடியாத கட்டமைப்பு எச்சரிக்கை சைகைகளை machine-learning system அடையாளம் காணக்கூடும் என்பதில்தான் உள்ளது.
முன்னதாகக் கண்டறிதல் முடிவுகளை ஏன் மாற்ற முடியும்
இந்தப் பணியின் பின்னணி கிளினிக்கல் தர்க்கம் எளிதானது. பாங்க்ரியாஸ் புற்றுநோயில் survival, நோய் எப்போது கண்டுபிடிக்கப்படுகிறது என்பதுடன் நெருக்கமாக தொடர்புடையது. அறிக்கையில் மேற்கோள் காட்டப்பட்ட ஆராய்ச்சியாளர்களின் படி, அமெரிக்காவில் five-year survival rate சுமார் 12% முதல் 13% வரை மட்டுமே உள்ளது; இதற்கு முக்கிய காரணம் மருத்தவர்கள் பெரும்பாலும் புற்றுநோய் முன்னேறிய பிறகே அதை கண்டறிவதுதான். அந்தச் சூழலில், காலத்தில் ஏற்படும் சிறிய மாற்றமும் பெரும் விளைவுகளை ஏற்படுத்தலாம்.
புதிய மாதிரி, CT ஸ்கான்களில் மருத்துவர்கள் கட்டிகளை பொதுவாகக் கண்டறிவதற்கு மூன்று ஆண்டுகள் முன்பே ஆபத்து சைகைகளை உணர்ந்ததாகக் கூறப்படுகிறது. இதன் அர்த்தம் AI ஆண்டுகளுக்கு முன்பே தெளிவான புற்றுநோய் mass-ஐ காண்கிறது என்பதல்ல. அதற்குப் பதிலாக, பாங்க்ரியாஸ் அமைப்பில் உள்ள நுண்ணிய மாற்றங்களை அது பிடிக்கக்கூடும்; அவை வெளிப்படையான கட்டி தெரியும் முன்பே தோன்றியிருக்கலாம். இந்தக் கண்டறிதல்கள் பெரிய அளவில் சோதனையில் நிலைத்தால், மருத்துவர்கள் surveillance, follow-up imaging, மற்றும் தேவையெனில் intervention ஆகியவற்றுக்கு புதிய காலவெளியைப் பெறலாம்; அப்போது நோய் இன்னும் சிகிச்சைக்குத் தகுந்த நிலையில் இருக்கும்.
பாங்க்ரியாஸ் புற்றுநோய்க்கு இது மிக முக்கியமான வேறுபாடு. பல மற்ற புற்றுநோய்கள் கடந்த பல தசாப்தங்களில் screening மேம்பாடுகள் மற்றும் முன்னதாகக் கண்டறிதல் முறைகளின் பலனை பெற்றுள்ளன. ஆனால் பாங்க்ரியாஸ் புற்றுநோய்க்கு அத்தகைய breakthrough கிடைக்கவில்லை. மற்ற oncology துறைகளில் முடிவுகளை மாற்றிய screening playbook-க்கு இந்த நோய் அபூர்வமாக எதிர்ப்புத் தந்துள்ளது.
ஆய்வு உண்மையில் என்ன செய்தது
source material-ல் கூறப்பட்டபடி, இந்த ஆய்வு ஒரு பெரிய retrospective imaging set-ஐ சார்ந்தது. ஆராய்ச்சியாளர்கள் சுமார் 2,000 CT ஸ்கான்களை AI system-க்கு வழங்கினர். அந்த ஸ்கான்கள் முன்பு சாதாரணமாகக் கருதப்பட்டவை; வாசிக்கப்பட்ட நேரத்தில் நோயின் தெளிவான அறிகுறிகள் எதுவும் இல்லை. பின்னர் model பாங்க்ரியாஸில் உள்ள patterns மற்றும் மிகச் சிறிய முறைகேடுகளைத் தேடி, அவை பின்னர் tumor ஆக வளர்ந்த tissue-உடன் ஒத்திசைந்தன.
இந்த framing முக்கியம். அறிக்கையிடப்பட்ட முடிவு, model எல்லா வழக்குகளிலும் active cancer-ஐ diagnose செய்தது என்பதல்ல; அல்லது இந்த tool radiologists-ஐ மாற்றத் தயாராக உள்ளது என்பதற்கான சான்றும் அல்ல. இது CT imaging-இல் அளவிடக்கூடிய, machine-detectable prediagnostic signature இருக்கக்கூடும் என்பதற்கான சான்று. அதை standard clinical workflows தொடர்ந்து பிடிக்கவில்லை.
நடைமுறையில், அத்தகைய system second-pass review layer ஆகப் பயன்படுத்தப்படலாம். மருத்துவமனைகள் ஏற்கனவே மிகப்பெரிய அளவில் imaging data உருவாக்குகின்றன; பல நோயாளிகள் pancreatic disease-க்கு தொடர்பில்லாத காரணங்களுக்காக abdominal CT ஸ்கான்கள் எடுக்கின்றனர். AI system அதிக கவனம் பெற வேண்டிய ஸ்கான்களை நம்பகமாகக் குறிக்க முடிந்தால், புதிய screening infrastructure-ஐ முழுமையாக உருவாக்காமல் routine imaging-ஐ early-risk detection வாய்ப்பாக மாற்ற முடியும்.
இது clinical practice-ல் எங்கே பொருந்தலாம்
இறுதியில் செயல்படுத்தும் முறை எச்சரிக்கையுடன் இருக்கும். இப்படிப்பட்ட tool தனித்தனி diagnosis அளிப்பதற்கு பதிலாக, கூடுதல் பரிசீலனைக்கான நோயாளிகளை அடையாளம் காண பயன்படுத்தப்படலாம். flagged scan உண்மையான risk-ஐ, சாதாரண வேறுபாட்டை, அல்லது false positive-ஐ பிரதிபலிக்கிறதா என்பதை radiologists மற்றும் oncologists இன்னும் தீர்மானிக்க வேண்டியிருக்கும். follow-up-இல் repeat imaging, specialist referral, அல்லது கூடுதல் diagnostic work இடம்பெறலாம்.
இந்த எச்சரிக்கையான அணுகுமுறை பாங்க்ரியாஸ் நோயில் மிகவும் முக்கியம், ஏனெனில் இரு பக்கங்களிலும் stake மிக உயர்ந்தது. missed cancer பேரழிவை ஏற்படுத்தலாம், ஆனால் false alarms நோயாளிகளுக்கும் health systems-க்கும் பெரிய சுமையைக் கொண்டுவரும். clinically useful ஆக இருக்க வேண்டுமானால், எந்த system-க்கும் நிறுவனங்கள், scanners, patient populations மற்றும் imaging protocols அனைத்திலும் வலுவான validation தேவைப்படும். முன்பே சேகரிக்கப்பட்ட ஸ்கான்களில் retrospective success ஒரு முக்கிய படியாகும்; ஆனால் அது real-world practice-இல் prospective performance-க்கு சமம் அல்ல.
workflow பற்றிய கேள்வியும் உள்ளது. AI tools பெரும்பாலும் raw accuracy-யால் மட்டுமல்ல, மருத்துவ வழக்கங்களில் எவ்வாறு பொருந்துகின்றன என்பதாலும் வெற்றி பெறவோ தோல்வியடையவோ செய்கின்றன. முக்கியமாக, system time pressure-இல் பணிபுரியும் மருத்துவர்களுக்கு பயன்படக்கூடிய, விளக்கக்கூடிய, மற்றும் செயல்படுத்தக்கூடிய விதத்தில் முடிவுகளை காட்ட வேண்டும். அது மேலும் தெளிவில்லாத alerts மட்டும் சேர்த்தால் adoption மெதுவாகலாம். அது உண்மையில் அதிக ஆபத்துள்ள ஸ்கான்களின் ஒரு பகுதியை மட்டும் குறி வைத்தால், அது மிகச் சிறப்பாக மாறலாம்.
இந்த முடிவு ஏன் தனித்து நிற்கிறது
இந்த ஆய்வின் பரந்த முக்கியத்துவம், இது மருத்துவ AI-இன் ஒரு வகையைச் சுட்டிக்காட்டுகிறது: இது automation-ஐ விட உயர்ந்த ஆம்பிஷன் கொண்டது, ஆனால் headlines-ல் மருத்துவர்களை மாற்றும் தைரியமான கூற்றுகளைக் காட்டிலும் உண்மைக்கு அருகிலுள்ளது. மாதிரியை சாதாரண clinical data-வில் மறைந்துள்ள மங்கிய signal-களை கண்டுபிடிக்கச் சொல்லப்படுகிறது; நாடகமயமான diagnostic feat ஒன்றை தனித்தாக நிகழ்த்தச் சொல்லவில்லை. AI மருத்துவத்தை மாற்றக்கூடிய நம்பகமான வழிகளில் இதுவும் ஒன்று: health systems ஏற்கனவே சேகரிக்கும் data-வில் தவறிப் போன patterns-ஐ வெளிக்கொணர்வது.
பாங்க்ரியாஸ் புற்றுநோய் incremental மேம்பாடுகள்கூட முக்கியமான வகை இலக்கு. baseline prognosis மிகவும் மோசமானதால், diagnosis-ஐ மாதங்கள் அல்லது ஆண்டுகள் முன் நகர்த்தும் tool care pathway-யின் மிக முக்கியமான கட்டத்தில் முடிவுகளை பாதிக்க முடியும். குறைந்தபட்சமாக சில நோயாளிகளுக்கேனும் earlier treatment சாத்தியமானால், அதன் தாக்கம் குறிப்பிடத்தக்கதாக இருக்கும்.
அதே நேரத்தில், இந்த ஆய்வை இறுதி பதிலாக அல்ல, ஆரம்ப அறிகுறியாகப் படிக்க வேண்டும். model survival-ஐ மேம்படுத்துகிறது என்பதைக் report நிரூபிக்கவில்லை; ஒவ்வொரு flagged abnormality-க்கும் aggressive treatment தேவை என்பதையும் அது காட்டவில்லை. ஆனாலும் standard imaging review-ல் மருத்தவர்கள் பயன்படுத்துவதற்கு முன்பே பாங்க்ரியாஸ் புற்றுநோய் அடையாளங்களை விடுவிக்கிறது என்பதற்கான வாதத்தை இது வலுப்படுத்துகிறது.
அடுத்த சோதனை hype அல்ல, validation
இப்போது உடனடி கேள்வி, இந்தக் கண்டறிதல்களை மீண்டும் பெறவும் செயல்படுத்தவும் முடியுமா என்பதே. மருத்துவ AI பெரும்பாலும் ஆய்வு நிலையில் உற்சாகத்தை உருவாக்கி, பிறகு பரந்த clinical environments-க்கு செல்லும்போது சிக்கல்களை சந்திக்கிறது. data quality, patient demographics மற்றும் clinical processes இல் உள்ள வேறுபாடுகள் உடனடியாக பலவீனங்களை வெளிப்படுத்தலாம். இந்த pancreatic model முக்கியமானதாக மாற வேண்டுமானால், ஆரம்ப dataset-ஐத் தாண்டியும் நிலையான செயல்திறனை காட்டி, அதன் outputs மேலும் noise உருவாக்குவதற்குப் பதிலாக சிறந்த முடிவுகளுக்குக் கொண்டு செல்கிறதா என்பதை நிரூபிக்க வேண்டும்.
இந்த caveats இருந்தாலும், இந்த ஆய்வு மருத்துவம் நீண்ட காலமாக தீர்க்கத் தவறிய பிரச்சினையை அணுகுகிறது. பாங்க்ரியாஸ் புற்றுநோய் பெரும்பாலும் நோய் ஏற்கனவே கிடைக்கும் தேர்வுகளை குறைத்த பிறகே கண்டுபிடிக்கப்படுவதால் கொடியதாக உள்ளது. வழக்கமான CT ஸ்கான்களில் subtle precursor changes-ஐ நம்பகமாக அடையாளம் காணும் system இருந்தால், அது இந்த சவாலை முற்றிலும் நீக்காது; ஆனால் நோயாளிகளுக்குச் சாதகமாக காலவரிசையை மாற்றக்கூடும். நேரமே மைய குறையாக இருக்கும் ஒரு புற்றுநோயில், அது பெரிய முன்னேற்றமாக இருக்கும்.
இந்தக் கட்டுரை Live Science வழங்கிய செய்தியை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on livescience.com
