हालैका अध्ययनहरूले महत्त्वपूर्ण रोगहरूको चिकित्सकीय रूपमा निदान गर्न कृत्रिम बुद्धिमत्ता प्रणालीको क्षमता देखाएको छ।
कृत्रिम बुद्धिमत्ता (AI) प्रणाली केहि समय को लागी वरिपरि भएको छ र अब समय संग स्मार्ट र राम्रो हुँदैछ। AI अनुप्रयोगहरू धेरै क्षेत्रहरू छन् र अब धेरैजसो क्षेत्रहरूको अभिन्न अंग हो। एआई एक आवश्यक र उपयोगी घटक हुन सक्छ चिकित्सा विज्ञान र अनुसन्धानले स्वास्थ्य सेवा उद्योगलाई प्रभाव पार्ने अपार सम्भावना छ।
चिकित्सा निदान मा कृत्रिम बुद्धिमत्ता?
समय स्वास्थ्य सेवामा सबैभन्दा बहुमूल्य स्रोत हो र रोगको अन्तिम परिणामको लागि प्रारम्भिक उपयुक्त निदान धेरै महत्त्वपूर्ण छ। स्वास्थ्य सेवा प्राय: लामो र समय र स्रोत खपत गर्ने प्रक्रिया हो, प्रभावकारी निदानमा ढिलाइ हुन्छ र सही उपचारमा ढिलाइ हुन्छ। AI बिरामीहरूको निदानमा गति र शुद्धता समावेश गरेर डाक्टरहरूद्वारा उपलब्धता र समय व्यवस्थापन बीचको खाडल भर्न मद्दत गर्न सक्छ। यसले विशेष गरी न्यून र मध्यम आय भएका देशहरूमा स्रोत र स्वास्थ्यकर्मीहरूको सीमितता हटाउन मद्दत गर्न सक्छ। एआई एक जस्तै सिक्ने र सोच्ने प्रक्रिया हो मानव गहिरो शिक्षा भनिने अवधारणा मार्फत। गहिरो सिकाइले आफै निर्णय रूखहरू सिर्जना गर्न नमूना डेटाको फराकिलो सेटहरू प्रयोग गर्दछ। यस गहिरो सिकाइको साथ, एआई प्रणालीले वास्तवमा मानिसले जस्तै सोच्न सक्छ, यदि राम्रो छैन, र त्यसैले एआईलाई चिकित्सा कार्यहरू पूरा गर्न उपयुक्त मान्न सकिन्छ। बिरामीहरूको निदान गर्दा, एआई प्रणालीहरूले समान रोगहरू भएका बिरामीहरू बीचको ढाँचाहरू खोजिरहन्छन्। समय बित्दै जाँदा, यी ढाँचाहरूले रोगहरू प्रकट हुनु अघि भविष्यवाणी गर्नको लागि आधार निर्माण गर्न सक्छन्।
भर्खरको अध्ययनमा1 प्रकाशित गरिएको छ सेल, अनुसन्धानकर्ताहरूले प्रयोग गरेका छन् कृत्रिम सामान्य तर अन्धो रेटिना रोगहरू, सम्भावित रूपमा छिटो निदान र उपचार भएका बिरामीहरूलाई स्क्रिन गर्न नयाँ कम्प्युटेशनल उपकरण विकास गर्न बुद्धिमत्ता र मेसिन लर्निङ प्रविधिहरू। अन्वेषकहरूले एआई-आधारित न्यूरल नेटवर्क प्रयोग गरी 200,000 भन्दा बढी आँखा स्क्यानहरूको समीक्षा गर्न प्रयोग गरे जुन एक गैर-आक्रामक टेक्नोलोजीको साथ गरिएको थियो जसले रेटिनाको 2D र 3D प्रतिनिधित्वहरू सिर्जना गर्न रेटिनाबाट बाउन्स गर्छ। त्यसपछि उनीहरूले 'ट्रान्सफर लर्निङ' नामक प्रविधि प्रयोग गरे जसमा एउटा समस्या समाधान गर्न प्राप्त भएको ज्ञान कम्प्युटरद्वारा भण्डारण गरी विभिन्न तर सम्बन्धित समस्याहरूमा लागू गरिन्छ। उदाहरणका लागि, रेटिना, कोर्निया वा अप्टिक नर्भ जस्ता आँखाको अलग शारीरिक संरचनाहरू पहिचान गर्न अनुकूलित एआई न्यूरल नेटवर्कले पूरै आँखाको छविहरू जाँच गर्दा तिनीहरूलाई छिटो र प्रभावकारी रूपमा पहिचान गर्न र मूल्याङ्कन गर्न सक्छ। यस प्रक्रियाले AI प्रणालीलाई परम्परागत विधिहरू भन्दा धेरै सानो डाटासेटसँग बिस्तारै सिक्न अनुमति दिन्छ जसमा ठूला डाटासेटहरू आवश्यक पर्दछ जुन महँगो र समय खपत हुन्छ।
अध्ययनले अपरिवर्तनीय अन्धोपनका दुई सामान्य कारणहरूमा केन्द्रित थियो जुन चाँडै पत्ता लाग्दा उपचार गर्न सकिन्छ। मेशिनबाट प्राप्त निदानहरू समान स्क्यानहरूको समीक्षा गर्ने पाँच नेत्र रोग विशेषज्ञहरूको निदानसँग तुलना गरिएको थियो। चिकित्सा निदान गर्नुको अतिरिक्त, एआई प्लेटफर्मले रेफरल र उपचार सिफारिस पनि उत्पन्न गर्यो जुन अघिल्लो अध्ययनमा गरिएको थिएन। यो प्रशिक्षित एआई प्रणालीले एक राम्रो प्रशिक्षित नेत्र रोग विशेषज्ञ जस्तै काम गर्यो र 30 प्रतिशत भन्दा बढी सटीकता संग, बिरामीलाई उपचारको लागि रेफर गर्ने वा नगर्ने बारे 95 सेकेन्ड भित्र निर्णय उत्पन्न गर्न सक्छ। तिनीहरूले बाल्यकाल निमोनियाको निदान गर्न एआई उपकरणको पनि परीक्षण गरे, जुन विश्वभरका बालबालिका (५ वर्ष मुनिका) मा छातीको एक्स-रेको मेसिन विश्लेषणको आधारमा मृत्युको प्रमुख कारण हो। चाखलाग्दो कुरा के छ भने, कम्प्यूटर प्रोग्रामले भाइरल र बीच फरक गर्न सक्षम थियो बैक्टीरियल निमोनिया 90 प्रतिशत भन्दा बढी शुद्धता संग। यो महत्त्वपूर्ण छ किनभने भाइरल निमोनिया यसको पाठ्यक्रम पछि शरीर द्वारा स्वाभाविक रूपमा छुटकारा पाउन सकिन्छ, तर अर्कोतर्फ ब्याक्टेरियल निमोनिया एक अधिक गम्भीर स्वास्थ्य खतरा हुन जान्छ र एन्टिबायोटिक संग तत्काल उपचार आवश्यक छ।
अर्को ठूलो छलांग मा2 चिकित्सा निदानको लागि कृत्रिम बुद्धिमत्ता प्रणालीहरूमा, वैज्ञानिकहरूले पत्ता लगाए कि व्यक्तिको रेटिनाबाट खिचिएका तस्बिरहरूलाई मेसिन-लर्निङ एल्गोरिदम वा सफ्टवेयरद्वारा विश्लेषण गर्न सकिन्छ जसले हृदय रोगको संकेत गर्ने संकेतहरू पहिचान गरेर हृदयाघात हृदय जोखिमको भविष्यवाणी गर्न सक्छ। तस्बिरमा खिचिएका आँखामा रहेका रक्तनलीको अवस्थाले उमेर, लिङ्ग, जातीय, रक्तचाप, पहिलेको हृदयाघात र धुम्रपान गर्ने बानीको सही अनुमान लगाउने देखाइएको थियो र यी सबै तत्वहरूले सामूहिक रूपमा व्यक्तिमा मुटुसम्बन्धी रोगहरूको भविष्यवाणी गर्छन्।
सूचना ब्लकको रूपमा आँखा
आँखाको तस्बिर हेरेर स्वास्थ्य पत्ता लगाउने विचार केही समयदेखि चल्दै आएको छ । यो राम्रोसँग स्थापित छ कि मानव आँखाको पछाडिको भित्री पर्खालमा धेरै रक्त वाहिकाहरू छन् जसले शरीरको समग्र स्वास्थ्यलाई प्रतिबिम्बित गर्दछ। क्यामेरा र माइक्रोस्कोपको सहायताले यी रक्तनलीहरूको उपस्थिति अध्ययन र विश्लेषण गरेर व्यक्तिको रक्तचाप, उमेर, धुम्रपान गर्ने वा धुम्रपान नगर्ने आदि बारे धेरै जानकारीको अनुमान गर्न सकिन्छ र यी सबै व्यक्तिको मुटुको स्वास्थ्यका महत्त्वपूर्ण सूचकहरू हुन्। । हृदय रोग (CVD) विश्वव्यापी रूपमा मृत्युको नम्बर एक कारण हो र अन्य कुनै पनि रोग वा अवस्थाको तुलनामा CVD बाट धेरै मानिसहरू मर्छन्। यो कम र मध्यम आय भएका देशहरूमा बढी प्रचलित छ र अर्थव्यवस्था र मानवजातिमा ठूलो बोझ हो। कार्डियोभास्कुलर जोखिम जीन, उमेर, जाति, लिङ्ग, व्यायाम र आहार संग संयोजन मा कारक को एक भीड मा निर्भर गर्दछ। सम्भावित जोखिमहरूलाई सम्बोधन गर्न जीवनशैलीमा महत्त्वपूर्ण परिवर्तन गरेर सुर्तीजन्य पदार्थको प्रयोग, मोटोपना, शारीरिक निष्क्रियता र अस्वस्थ आहारजस्ता व्यवहारिक जोखिमहरूलाई सम्बोधन गरेर अधिकांश हृदय रोगहरूलाई रोक्न सकिन्छ।
रेटिनल छविहरू प्रयोग गरेर स्वास्थ्य निदान
गुगल र यसको आफ्नै स्वास्थ्य प्रविधि कम्पनी भेरिली लाइफ साइन्सेसका अन्वेषकहरूले गरेको यो अध्ययनले देखाएको छ कि लगभग 280,000 बिरामीहरूको रेटिना फोटोहरूको ठूलो डाटासेटमा आर्टिफिसियल इन्टेलिजेन्स एल्गोरिथ्म प्रयोग गरिएको थियो र यो एल्गोरिथ्मले दुई पूर्ण रूपमा हृदय जोखिम कारकहरू सफलतापूर्वक भविष्यवाणी गर्न सक्षम थियो। लगभग 12000 र 1000 बिरामीहरूको स्वतन्त्र डेटासेटहरू उचित रूपमा राम्रो शुद्धताका साथ। एल्गोरिथ्मले छवि र हृदयघातको जोखिम बीचको सम्बन्धलाई मापन गर्न रेटिनाको सम्पूर्ण फोटो प्रयोग गर्यो। यो एल्गोरिथ्मले बिरामीको ७० प्रतिशत समयमा हृदयघातको घटनाको भविष्यवाणी गर्न सक्छ र वास्तवमा धुम्रपान गर्ने र धुम्रपान नगर्ने व्यक्तिलाई पनि यो परीक्षणमा ७१ प्रतिशत समय छुट्याउन सकिन्छ। एल्गोरिदमले मुटुको अवस्थालाई संकेत गर्ने उच्च रक्तचापको पनि भविष्यवाणी गर्न सक्छ र सिस्टोलिक रक्तचापको भविष्यवाणी गर्न सक्छ - मुटुको धड्कन हुँदा नसाहरूमा हुने दबाब - उच्च रक्तचाप भएका वा नभएका अधिकांश बिरामीहरूको दायरा भित्र। यस भविष्यवाणीको शुद्धता, लेखकहरूका अनुसार प्रयोगशालामा गरिएको हृदय परीक्षणसँग धेरै मिल्दोजुल्दो छ, जहाँ बिरामीको इतिहाससँग समानान्तर हेर्दा कोलेस्ट्रोलको स्तर मापन गर्न बिरामीबाट रगत निकालिन्छ। यस अध्ययनमा एल्गोरिदम, मा प्रकाशित प्रकृति बायोमेडिकल ईन्जिनियरि।, प्रायः सम्भाव्यतामा पनि प्रमुख हृदयघातको घटनाको भविष्यवाणी गर्न सक्छ - जस्तै हृदयघात।
यी अध्ययनहरूको एक अत्यन्तै रोचक र महत्त्वपूर्ण पक्ष यो थियो कि कम्प्युटरले निदानमा पुग्न छविमा कहाँ हेरिरहेको छ भनेर बताउन सक्छ, जसले हामीलाई भविष्यवाणी प्रक्रिया बुझ्न अनुमति दिन्छ। उदाहरण, Google द्वारा गरिएको अध्ययनले "रेटिनाको कुन भागहरू" भविष्यवाणी गर्ने एल्गोरिदममा योगदान पुर्यायो, अर्को शब्दमा एल्गोरिदमले कसरी भविष्यवाणी गरिरहेको थियो भनेर ठ्याक्कै देखाएको छ। यो बुझाइ यस विशेष अवस्थामा मेसिन लर्निङ विधिलाई बुझ्नको लागि मात्र होइन, यो सम्पूर्ण पद्धतिलाई पारदर्शी बनाएर विश्वास र विश्वास उत्पन्न गर्नको लागि पनि महत्त्वपूर्ण छ।
चुनौतीहरू
त्यस्ता मेडिकल छविहरू यसको चुनौतीहरूसँग आउँछन् किनभने यी छविहरूमा धेरै सुविधाहरू, रंग, मान, आकारहरू इत्यादिको कारणले गर्दा त्यस्ता छविहरूमा आधारित संघहरूलाई अवलोकन र परिमाण निर्धारण गर्न सरल छैन। यो अध्ययनले मानव शरीर रचना (शरीरको आन्तरिक आकारविज्ञान) र रोगहरू बीचको सम्बन्ध, संघ र सम्बन्धहरू बाहिर निकाल्न गहिरो सिकाइ प्रयोग गर्दछ जसरी एक स्वास्थ्य सेवा पेशेवरले गर्छ जब उसले बिरामीको लक्षणहरू रोगसँग सम्बन्धित हुन्छ। । यी एल्गोरिदमहरूलाई क्लिनिकल सेटिङमा प्रयोग गर्न सक्नु अघि थप परीक्षणहरू आवश्यक पर्दछ।
छलफल र चुनौतिहरूको बावजुद, AI सँग मानव विशेषज्ञहरूका लागि गाह्रो हुने डेटाको विशाल मात्रा समावेश गरी विश्लेषण र वर्गीकरण गरेर रोग निदान र व्यवस्थापनमा क्रान्ति ल्याउने ठूलो क्षमता छ। यसले छिटो, लागत-प्रभावी, गैर-आक्रामक वैकल्पिक छवि-आधारित डायग्नोस्टिक उपकरणहरू प्रदान गर्दछ। AI प्रणालीको सफलताको लागि महत्त्वपूर्ण कारकहरू उच्च कम्प्युटेशनल शक्ति र मानिसहरूको अधिक अनुभव हुनेछ। सम्भावित भविष्यमा नयाँ चिकित्सा अन्तर्दृष्टि र निदान मानव निर्देशन वा निरीक्षण बिना AI संग प्राप्त गर्न सकिन्छ।
***
{तपाइँले उद्धृत स्रोत(हरू) को सूचीमा दिइएको DOI लिङ्कमा क्लिक गरेर मूल अनुसन्धान पत्र पढ्न सक्नुहुन्छ}
स्रोत (हरू)
1. केर्मानी DS et al। 2018. छवि-आधारित गहिरो शिक्षा द्वारा चिकित्सा निदान र उपचार योग्य रोगहरू पहिचान गर्दै। सेल। १७२(५)। https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al। 2018. गहिरो सिकाइ मार्फत रेटिना फन्डस फोटोग्राफहरूबाट कार्डियोभास्कुलर जोखिम कारकहरूको भविष्यवाणी। प्रकृति बायोमेडिकल ईन्जिनियरिङ्। २. https://doi.org/10.1038/s41551-018-0195-0
