రేడియాలజీ నివేదికల నుంచి నేర్చుకుని ఉదర కోత (CT) స్కాన్లను చదివే AI సహాయకుడు RADAR

వైద్యంలో అత్యంత కఠినమైన స్కాన్ కోసం ఒక సాధారణవాద AI సహాయకుడు

ఉదర కోత (CT) స్కాన్ ఒకే అధ్యయనంలో భారీ మొత్తంలో క్లినికల్ వివరాలను కుదించి ఇస్తుంది. వీక్షణ క్షేత్రంలో డజన్ల కొద్దీ అవయవాలు ఒకదానిపై ఒకటి అతుక్కొని ఉంటాయి, వాటి మధ్య వందలాది పరిస్థితులు దాక్కోగలవు. ఉదరాన్ని వైద్యంలో చదవడానికి అత్యంత కష్టతరమైన ప్రాంతాలలో ఒకటిగా రేడియాలజిస్టులు విస్తృతంగా పరిగణిస్తారు, అనుభవజ్ఞులైన నిపుణులకు కూడా తాము చూస్తున్నదాన్ని విశ్లేషించడానికి సమయం అవసరం.

ఆ పనిభారాన్ని తగ్గించడంలో సహాయపడటానికి, పరిశోధకులు RADAR — Rapid Abdominal Diagnosis with AI and Radiology అనే కొత్త AI సహాయకుడిని ప్రవేశపెట్టారు. ఒకే అవయవాన్ని లేదా ఒకే వ్యాధిని లక్ష్యంగా చేసుకోవడం బదులు, RADAR అనేది ఉదర కోత (CT) స్కాన్లను విశ్లేషించి, వైద్యులు నిర్ధారణకు చేరుకోవడంలో సహాయపడేందుకు రూపొందించిన సాధారణవాద వ్యవస్థ. ఈ పని Scienceలో ప్రచురితమైంది, దాని DOI 10.1126/science.aec6129, మరియు ఈ వ్యాసం పీర్ రివ్యూ చేయబడింది, వాస్తవ-పరిశీలన చేయబడింది మరియు Science X సంపాదకులచే సమీక్షించబడింది.

AIకి ఉదర ఇమేజింగ్ ఎందుకు కఠినమైన సమస్య

పొట్ట అనేది అక్షరాలా మరియు శరీర నిర్మాణపరంగా కదిలే లక్ష్యం. ఉదరంలో ఇమిడి ఉన్న అవయవాల ఆకారం, స్థానం ఒక రోగి నుంచి మరొక రోగికి విస్తృతంగా మారుతుంటాయి, కాబట్టి ఒక నిర్మాణం ఎక్కడ ఉండాలో ఒక మాడల్ కేవలం గుర్తుపెట్టుకోలేదు. అసాధారణతలు తరచుగా ఆరోగ్యకరమైన కణజాలం నుంచి సూక్ష్మమైన, తక్కువ కాంట్రాస్ట్ తేడాలుగా కనిపిస్తాయి, అంటే ముఖ్యమైన సంకేతం మసకగా ఉండవచ్చు. ఆ తేడాలను నమ్మదగిన విధంగా గుర్తించడం నేర్చుకోవడానికి రేడియాలజిస్టులకు సంవత్సరాల అనుభవం అవసరం.

చాలా వైద్య AI వ్యవస్థలు ఇమేజింగ్ను ఇరుకైన లక్ష్యంతో చేరుతాయి. అవి సాధారణంగా ఒక నిర్దిష్ట పని కోసం నిర్మించబడతాయి మరియు పర్యవేక్షిత అభ్యాసం (supervised learning) ద్వారా శిక్షణ పొందుతాయి, ఈ ప్రక్రియలో మొదట వైద్య నిపుణులు డేటాను చేతితో లేబుల్ చేయాల్సి ఉంటుంది. ఆ లేబులింగ్ దశ నెమ్మదిగా, ఖరీదైనదిగా మరియు స్కేల్ చేయడానికి కష్టంగా ఉంటుంది — మరియు అది ఒకే మాడల్ను ఎంత విస్తృతంగా వర్తించగలమో పరిమితం చేస్తుంది.

రేడియాలజీ నివేదికల నుంచి నేరుగా నేర్చుకోవడం

RADAR వేరే మార్గాన్ని తీసుకుంటుంది. ఇది క్లినికల్ నివేదికలపై నేరుగా శిక్షణ పొందిన స్కేలబుల్ విజన్-లాంగ్వేజ్ ఫ్రేమ్వర్క్పై నిర్మించబడింది, ముందుగా నిపుణులు డేటాను చేతితో ట్యాగ్ చేయాల్సిన అవసరం లేదు. ప్రభావంగా, ఒక చిత్రంలో కనిపించే దానికి మరియు రేడియాలజిస్టులు దానిని వివరించడానికి ఉపయోగించే భాషకు మధ్య ఉన్న సంబంధాన్ని ఈ వ్యవస్థ నేర్చుకుంటుంది.

ఆ శిక్షణ పరిమాణం గమనార్హం:

• 424,911 పరీక్షలను కవర్ చేసే క్లినికల్ నివేదికలు
• 1.5 మిలియన్ ఇమేజ్-టెక్స్ట్ జంటలు
• 15 మిలియన్లకు పైగా శరీర నిర్మాణ-నిర్దిష్ట జంటలు

ఈ మాడల్ రేడియాలజిస్టులు సాధారణ సంరక్షణలో ఇప్పటికే ఉత్పత్తి చేసే స్వేచ్ఛా పాఠ్యాన్ని ఆధారంగా తీసుకుంటుంది కాబట్టి, ఈ పైప్లైన్ వైద్య AI అభివృద్ధిలో అతిపెద్ద అడ్డంకులలో ఒకటైన దానిని దాటుతుంది. పరిశోధకులు ఈ ఫ్రేమ్వర్క్ను స్కేలబుల్గా వర్ణిస్తారు, ఒక అధ్యయనం కోసం సేకరించిన చేతితో సిద్ధం చేసిన డేటాసెట్పై ఆధారపడకుండా, భారీ మొత్తంలో నిజమైన క్లినికల్ సామగ్రిని స్వీకరించగలదని సూచిస్తారు.

ఎనిమిది ఆసుపత్రులలో వాస్తవ-ప్రపంచ పరీక్షలు

నివేదించబడిన పనితీరు సేకరించిన పరిశోధన చిత్రాలపై కాకుండా నిజమైన ఆసుపత్రి పరీక్షలపై జరిపిన పరీక్షల నుంచి వచ్చింది. RADAR సగటు నిర్ధారణ ఖచ్చితత్వ స్కోరు, AUCగా కొలవబడినది, 0.913 సాధించింది — ఇది ఇప్పటికే ఉన్న వైద్య విజన్-లాంగ్వేజ్ AI మాడళ్లను మించిపోయిన ఫలితం.

ముఖ్యాంశ సంఖ్యతో పాటు అంతే ముఖ్యమైనది అది ఎక్కడ నిలబడింది అనేది. ఫలితాలు అసలు సెట్టింగ్ను మించి ఎనిమిది వివిధ ఆసుపత్రులలో సాధారణీకరించబడ్డాయి, అత్యవసర గది కేసులకు కూడా నిలిచాయి, మరియు విభిన్న రోగి జనాభాలలో కొనసాగాయి. వైద్య AIకి, ఆ రకమైన స్థిరత్వం ముఖ్యం, ఎందుకంటే దాని శిక్షణ వాతావరణాన్ని పోలిన డేటాపై మాత్రమే బాగా పనిచేసే మాడల్కు క్లినికల్ విలువ పరిమితం.

Scienceలోని ఫలితాల ప్రకారం, RADAR ఎక్కడ లేదా ఎలా పరీక్షించబడినా సంబంధం లేకుండా 18 శరీర నిర్మాణ నిర్మాణాలతో పాటు 146 ఇమేజింగ్ సంకేతాలు మరియు వ్యాధులను ఖచ్చితంగా గుర్తించింది.

ఈ విస్తృతి ఏమి కవర్ చేస్తుంది

శరీర నిర్మాణ నిర్మాణాలు మరియు ఇమేజింగ్ సంకేతాల కలయిక ఒకే-ఉద్దేశ్య డిటెక్టర్ కంటే సాధారణ రేడియాలజిస్ట్ లాగా స్కాన్ను చదివే వ్యవస్థను సూచిస్తుంది. ఒక అవయవం గురించి ఒక ప్రశ్నకు సమాధానం ఇవ్వడం బదులు, ఈ మాడల్ ఉదరం యొక్క విస్తృత చిత్రాన్ని అర్థం చేసుకునే స్థానంలో ఉంది.

RADAR రేడియాలజిస్టులకు ఏమి మార్చగలదు

ఈ ప్రాజెక్టు వెనుక చెప్పబడిన ప్రేరణ పనిభారం. ఉదర కోత (CT) డిమాండ్ చేసేది, మరియు దానిని జాగ్రత్తగా చదవడానికి రేడియాలజీ విభాగాలకు ఎప్పుడూ ఉండని సమయం పడుతుంది. విస్తృత నిర్ధారణ వ్యాఖ్యానాలను ఉత్పత్తి చేయగల సాధారణవాద సహాయకుడు, క్లినిషియన్లు సంక్లిష్ట అధ్యయనాలను పరిష్కరించేటప్పుడు ఒక ప్రారంభ బిందువును అందించగలడు.

పరిశోధకులు RADARను వైద్యులు నిర్ధారణలకు చేరుకోవడంలో సహాయపడే సహాయకుడిగా చిత్రీకరిస్తారు, వారి తీర్పుకు ప్రత్యామ్నాయంగా కాదు. ఈ భేదం వైద్య AIలోని ప్రస్తుత పనిలో చాలా వరకు కనిపిస్తుంది, ఇక్కడ ఆచరణాత్మక లక్ష్యం తరచుగా తుది నిర్ణయం ఇవ్వడం కాకుండా క్రమబద్ధీకరించడం, ప్రాధాన్యత ఇవ్వడం మరియు సారాంశం చేయడం.

ఈ సందర్భంలో విశిష్టంగా నిలిచేది పరిధి మరియు దృఢత్వం కలయిక. దాదాపు 425,000 పరీక్షలపై శిక్షణ పొందిన — మరియు ఎనిమిది ఆసుపత్రులలో ధృవీకరించబడిన — ఒకే ఫ్రేమ్వర్క్, ఈ రంగంలో ఆధిపత్యం చెలాయించిన ఇరుకైన, పని-నిర్దిష్ట సాధనాలను మించిన అర్థవంతమైన అడుగును సూచిస్తుంది.

ఒక చూపులో సంఖ్యలు

• వ్యవస్థ: RADAR (Rapid Abdominal Diagnosis with AI and Radiology)
• శిక్షణ డేటా: 424,911 పరీక్షలు; 1.5 మిలియన్ ఇమేజ్-టెక్స్ట్ జంటలు; 15 మిలియన్లకు పైగా శరీర నిర్మాణ-నిర్దిష్ట జంటలు
• సగటు నిర్ధారణ ఖచ్చితత్వం (AUC): 0.913
• గుర్తించినవి: 18 శరీర నిర్మాణ నిర్మాణాలు మరియు 146 ఇమేజింగ్ సంకేతాలు మరియు వ్యాధులు
• ధృవీకరణ: ఎనిమిది ఆసుపత్రులు, అత్యవసర గది కేసులు మరియు విభిన్న రోగి జనాభాలు
• ప్రచురణ: Science (DOI: 10.1126/science.aec6129)

ఉదర ఇమేజింగ్ పరిమాణాలు పెరుగుతూనే ఉన్నందున, వైద్యంలోని అత్యంత సంక్లిష్టమైన స్కాన్లలో ఒకటైన దానిని నావిగేట్ చేయడంలో రేడియాలజిస్టులకు సహాయపడే సాధనాలు దగ్గరి దృష్టిని ఆకర్షిస్తాయి. RADAR నివేదించిన ఫలితాలు పరిశోధకులకు స్పష్టమైన బెంచ్మార్క్ను — మరియు క్లినిషియన్లు ప్రతిరోజూ రాసే నివేదికలపై నేరుగా సాధారణవాద వైద్య AIకి శిక్షణ ఇవ్వడానికి ఒక టెంప్లేట్ను — అందిస్తాయి.

ఈ వ్యాసం Medical Xpress నివేదనపై ఆధారపడింది. అసలు వ్యాసాన్ని చదవండి.