अलिकडच्या अभ्यासात कृत्रिम बुद्धिमत्ता प्रणालीची वैद्यकीयदृष्ट्या महत्त्वपूर्ण रोगांचे निदान करण्याची क्षमता दर्शविली आहे.
कृत्रिम बुद्धिमत्ता (AI) प्रणाली काही काळापासून आजूबाजूला आहे आणि आता काळानुसार अधिक हुशार आणि चांगले होत आहे. AI अनुप्रयोग बहुसंख्य क्षेत्र आहेत आणि आता बहुतेक क्षेत्रांचा अविभाज्य भाग आहे. AI हा एक आवश्यक आणि उपयुक्त घटक असू शकतो वैद्यकीय विज्ञान आणि संशोधन हे आरोग्यसेवा उद्योगावर प्रभाव टाकण्याची प्रचंड क्षमता आहे.
वैद्यकीय निदानात कृत्रिम बुद्धिमत्ता?
वेळ हा आरोग्यसेवेतील सर्वात मौल्यवान स्त्रोत आहे आणि रोगाच्या अंतिम परिणामासाठी लवकर योग्य निदान करणे खूप महत्वाचे आहे. हेल्थकेअर ही बऱ्याचदा लांबलचक आणि वेळ आणि संसाधने घेणारी प्रक्रिया असते, ज्यामुळे प्रभावी निदान होण्यास विलंब होतो आणि योग्य उपचारांना विलंब होतो. AI रुग्णांच्या निदानामध्ये गती आणि अचूकता समाविष्ट करून डॉक्टरांद्वारे उपलब्धता आणि वेळेचे व्यवस्थापन यामधील अंतर भरून काढण्यास मदत होऊ शकते. विशेषत: कमी आणि मध्यम उत्पन्न असलेल्या देशांमध्ये संसाधने आणि आरोग्यसेवा व्यावसायिकांच्या मर्यादांवर मात करण्यात मदत होऊ शकते. एआय ही शिकण्याची आणि विचार करण्याची प्रक्रिया आहे मानव डीप-लर्निंग नावाच्या संकल्पनेद्वारे. सखोल शिक्षण स्वतःच निर्णय वृक्ष तयार करण्यासाठी नमुना डेटाच्या विस्तृत संचाचा वापर करते. या सखोल शिक्षणासह, एआय प्रणाली मानवांप्रमाणेच विचार करू शकते, जर चांगले नसेल तर, आणि म्हणूनच AI वैद्यकीय कार्ये पार पाडण्यासाठी योग्य मानले जाऊ शकते. रूग्णांचे निदान करताना, AI प्रणाली समान आजार असलेल्या रूग्णांमध्ये नमुने शोधत राहतात. कालांतराने, हे नमुने रोग प्रकट होण्याआधी अंदाज लावण्यासाठी एक पाया तयार करू शकतात.
अलीकडील अभ्यासात1 मध्ये प्रकाशित सेल, संशोधकांनी वापरले आहे कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंग तंत्रे एक नवीन संगणकीय साधन विकसित करण्यासाठी सामान्य परंतु अंधत्व रेटिना रोग असलेल्या रुग्णांची तपासणी करण्यासाठी, संभाव्य वेगवान निदान आणि उपचार. संशोधकांनी AI-आधारित न्यूरल नेटवर्कचा वापर करून 200,000 पेक्षा जास्त डोळ्यांच्या स्कॅनचे पुनरावलोकन केले जे एका नॉन-आक्रमक तंत्रज्ञानासह आयोजित केले गेले आहे जे ऊतकांचे 2D आणि 3D प्रतिनिधित्व तयार करण्यासाठी डोळयातील पडदामधून प्रकाश टाकते. त्यानंतर त्यांनी 'ट्रान्सफर लर्निंग' नावाचे तंत्र वापरले ज्यामध्ये एक समस्या सोडवताना मिळालेले ज्ञान संगणकाद्वारे संग्रहित केले जाते आणि वेगवेगळ्या परंतु संबंधित समस्यांवर लागू केले जाते. उदाहरणार्थ, डोळयातील पडदा, कॉर्निया किंवा ऑप्टिक नर्व्ह यासारख्या डोळ्याच्या वेगळ्या शारीरिक संरचना ओळखण्यासाठी ऑप्टिमाइझ केलेले एआय न्यूरल नेटवर्क, संपूर्ण डोळ्याच्या प्रतिमांचे परीक्षण करताना ते अधिक जलद आणि कार्यक्षमतेने ओळखू शकते आणि त्यांचे मूल्यांकन करू शकते. ही प्रक्रिया AI प्रणालीला पारंपारिक पद्धतींपेक्षा खूपच लहान डेटासेटसह हळूहळू शिकण्याची परवानगी देते ज्यासाठी मोठ्या डेटासेटची आवश्यकता असते ज्यामुळे ते महाग आणि वेळखाऊ बनतात.
या अभ्यासात अपरिवर्तनीय अंधत्वाच्या दोन सामान्य कारणांवर लक्ष केंद्रित केले गेले आहे जे लवकर शोधल्यावर उपचार करण्यायोग्य आहेत. मशीन-व्युत्पन्न निदानांची तुलना पाच नेत्ररोग तज्ञांच्या निदानांशी केली गेली ज्यांनी समान स्कॅनचे पुनरावलोकन केले. वैद्यकीय निदान करण्याव्यतिरिक्त, एआय प्लॅटफॉर्मने संदर्भ आणि उपचार शिफारस देखील तयार केली जी मागील कोणत्याही अभ्यासात केली गेली नाही. ही प्रशिक्षित एआय प्रणाली एका प्रशिक्षित नेत्ररोग तज्ञाप्रमाणेच कार्य करते आणि 30 टक्क्यांहून अधिक अचूकतेसह रुग्णाला उपचारासाठी संदर्भित केले जावे की नाही यावर 95 सेकंदात निर्णय घेऊ शकते. त्यांनी छातीच्या क्ष-किरणांच्या मशीन विश्लेषणावर आधारित बालपण निमोनियाचे निदान करण्यासाठी AI साधनाची चाचणी केली, जे जगभरातील मुलांमध्ये (५ वर्षांखालील) मृत्यूचे प्रमुख कारण आहे. विशेष म्हणजे, संगणक प्रोग्राम व्हायरल आणि मधील फरक करण्यास सक्षम होता जिवाणू 90% पेक्षा जास्त अचूकतेसह निमोनिया. हे महत्त्वपूर्ण आहे कारण व्हायरल न्यूमोनिया त्याच्या कोर्सनंतर शरीराद्वारे नैसर्गिकरित्या मुक्त केले जात असले तरी, दुसरीकडे जिवाणू न्यूमोनिया हा आरोग्यासाठी अधिक गंभीर धोका असतो आणि प्रतिजैविकांसह त्वरित उपचार आवश्यक असतात.
दुसर्या मोठ्या झेप मध्ये2 वैद्यकीय निदानासाठी कृत्रिम बुद्धिमत्ता प्रणालीमध्ये, शास्त्रज्ञांना असे आढळून आले की एखाद्या व्यक्तीच्या डोळयातील पडदा घेतलेल्या छायाचित्रांचे विश्लेषण मशीन-लर्निंग अल्गोरिदम किंवा सॉफ्टवेअरद्वारे हृदयविकाराचे संकेत ओळखून हृदय व रक्तवाहिन्यासंबंधी हृदयाच्या धोक्याचा अंदाज लावता येतो. छायाचित्रांमध्ये कॅप्चर केलेल्या डोळ्यातील रक्तवाहिन्यांची स्थिती वय, लिंग, वंश, रक्तदाब, हृदयविकाराचा झटका आणि धूम्रपानाच्या सवयी यांचा अचूक अंदाज दर्शविण्यात आली आणि हे सर्व घटक एकत्रितपणे एखाद्या व्यक्तीच्या हृदयाशी संबंधित आजारांचा अंदाज लावतात.
माहिती ब्लॉक म्हणून डोळा
आरोग्याचे निदान करण्यासाठी डोळ्यांची छायाचित्रे पाहण्याची कल्पना काही काळापासून होती. हे सिद्ध झाले आहे की मानवी डोळ्यांच्या मागील आतील भिंतीमध्ये भरपूर रक्तवाहिन्या असतात ज्या शरीराचे एकूण आरोग्य दर्शवतात. कॅमेरा आणि सूक्ष्मदर्शक यंत्राच्या साहाय्याने या रक्तवाहिन्यांच्या स्वरूपाचा अभ्यास आणि विश्लेषण करून, एखाद्या व्यक्तीचा रक्तदाब, वय, धूम्रपान किंवा धूम्रपान न करणारे इत्यादींबद्दल बरीच माहिती सांगता येते आणि हे सर्व व्यक्तीच्या हृदयाच्या आरोग्याचे महत्त्वाचे संकेतक आहेत. . हृदय व रक्तवाहिन्यासंबंधी रोग (CVD) हे जागतिक स्तरावर मृत्यूचे पहिले कारण आहे आणि इतर कोणत्याही रोग किंवा स्थितीच्या तुलनेत CVD मुळे जास्त लोक मरतात. हे कमी आणि मध्यम उत्पन्न असलेल्या देशांमध्ये अधिक प्रचलित आहे आणि अर्थव्यवस्था आणि मानवजातीवर मोठा भार आहे. हृदय व रक्तवाहिन्यासंबंधीचा धोका व्यायाम आणि आहार यांच्या संयोजनात जीन्स, वय, वंश, लिंग यासारख्या अनेक घटकांवर अवलंबून असतो. तंबाखूचा वापर, लठ्ठपणा, शारीरिक निष्क्रियता आणि अस्वास्थ्यकर आहार यांसारख्या वर्तणुकीशी संबंधित जोखमींना तोंड देऊन संभाव्य धोके दूर करण्यासाठी जीवनशैलीत महत्त्वपूर्ण बदल करून बहुतेक हृदय व रक्तवाहिन्यासंबंधी रोग टाळता येतात.
रेटिना प्रतिमा वापरून आरोग्य निदान
Google आणि त्यांची स्वतःची आरोग्य तंत्रज्ञान कंपनी Verily Life Sciences मधील संशोधकांनी केलेल्या या अभ्यासात असे दिसून आले आहे की सुमारे 280,000 रुग्णांच्या रेटिनल छायाचित्रांच्या मोठ्या डेटासेटवर कृत्रिम बुद्धिमत्ता अल्गोरिदमचा वापर करण्यात आला होता आणि हा अल्गोरिदम हृदयाच्या जोखमीच्या घटकांचा यशस्वीपणे अंदाज लावण्यास सक्षम होता. सुमारे 12000 आणि 1000 रुग्णांचे स्वतंत्र डेटासेट वाजवी चांगल्या अचूकतेसह. अल्गोरिदमने प्रतिमा आणि हृदयविकाराचा धोका यांच्यातील संबंध मोजण्यासाठी रेटिनाच्या संपूर्ण छायाचित्राचा वापर केला. हा अल्गोरिदम रुग्णाच्या हृदय व रक्तवाहिन्यासंबंधीच्या घटनेच्या 70 टक्के वेळेचा अंदाज लावू शकतो आणि खरं तर धूम्रपान करणारा आणि धूम्रपान न करणारा देखील या चाचणीत 71 टक्के वेळेत फरक करता येतो. अल्गोरिदम हृदयाची स्थिती दर्शविणार्‍या उच्च रक्तदाबाचा देखील अंदाज लावू शकतो आणि सिस्टोलिक रक्तदाबाचा अंदाज लावू शकतो - हृदयाचे ठोके असताना रक्तवाहिन्यांमधील दाब - उच्च रक्तदाब असलेल्या किंवा नसलेल्या बहुतेक रुग्णांच्या मर्यादेत. लेखकांच्या म्हणण्यानुसार या अंदाजाची अचूकता प्रयोगशाळेतील हृदय व रक्तवाहिन्यासंबंधी तपासणी सारखीच आहे, जिथे रुग्णाच्या इतिहासाच्या समांतर कोलेस्टेरॉलची पातळी मोजण्यासाठी रुग्णाकडून रक्त काढले जाते. मध्ये प्रकाशित या अभ्यासातील अल्गोरिदम निसर्ग बायोमेडिकल अभियांत्रिकी, बहुधा हृदय व रक्तवाहिन्यासंबंधीच्या मोठ्या घटना घडण्याची शक्यता देखील सांगू शकते - उदा. हृदयविकाराचा झटका.
या अभ्यासांचा एक अत्यंत मनोरंजक आणि महत्त्वाचा पैलू म्हणजे संगणक निदान करण्यासाठी प्रतिमेमध्ये कोठे दिसत आहे हे सांगू शकतो, ज्यामुळे आम्हाला भविष्यवाणीची प्रक्रिया समजू शकते. उदाहरण, Google च्या अभ्यासाने "रेटिनाच्या कोणत्या भागांनी" भविष्यवाणी अल्गोरिदमला हातभार लावला, दुसऱ्या शब्दांत सांगायचे तर अल्गोरिदम भविष्यवाणी कशी करत आहे हे दाखवून दिले. ही समज केवळ या विशिष्ट प्रकरणात मशीन लर्निंग पद्धत समजून घेण्यासाठीच नाही तर ती पारदर्शक बनवून या संपूर्ण पद्धतीमध्ये आत्मविश्वास आणि विश्वास निर्माण करण्यासाठी देखील महत्त्वाची आहे.
आव्हाने
अशा वैद्यकीय प्रतिमा त्यांच्या आव्हानांसह येतात कारण अशा प्रतिमांवर आधारित संघटनांचे निरीक्षण करणे आणि नंतर परिमाण करणे हे मुख्यत्वे या प्रतिमांमधील अनेक वैशिष्ट्ये, रंग, मूल्ये, आकार इत्यादींमुळे सरळ नाही. हा अभ्यास मानवी शरीरशास्त्रातील बदल (शरीराचे अंतर्गत आकारविज्ञान) आणि रोग यांच्यातील संबंध, सहवास आणि संबंध काढण्यासाठी सखोल शिक्षणाचा वापर करतो ज्याप्रमाणे आरोग्यसेवा व्यावसायिक जेव्हा तो किंवा ती रुग्णांच्या लक्षणांशी संबंधित असतो तेव्हा करतो. . या अल्गोरिदमचा क्लिनिकल सेटिंगमध्ये वापर करण्याआधी अधिक चाचणी आवश्यक आहे.
चर्चा आणि आव्हाने असूनही, AI कडे विश्लेषणे आणि वर्गीकरण करून रोग निदान आणि व्यवस्थापनात क्रांती घडवून आणण्याची प्रचंड क्षमता आहे ज्यामध्ये मानवी तज्ञांसाठी कठीण असलेल्या डेटाचा प्रचंड प्रमाणात समावेश आहे. हे जलद, किफायतशीर, गैर-आक्रमक पर्यायी प्रतिमा-आधारित निदान साधने प्रदान करते. AI प्रणालीच्या यशासाठी महत्त्वाचे घटक म्हणजे उच्च संगणकीय शक्ती आणि लोकांचा अधिक अनुभव. संभाव्य भविष्यात नवीन वैद्यकीय अंतर्दृष्टी आणि निदान मानवी दिशा किंवा निरीक्षणाशिवाय AI सह साध्य करता येईल.
***
{उद्धृत स्रोतांच्या सूचीमध्ये खाली दिलेल्या DOI लिंकवर क्लिक करून तुम्ही मूळ शोधनिबंध वाचू शकता}
स्त्रोत
1. केर्मनी डीएस आणि इतर. 2018. प्रतिमा-आधारित सखोल शिक्षणाद्वारे वैद्यकीय निदान आणि उपचार करण्यायोग्य रोग ओळखणे. सेल. १७२(५). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. सखोल शिक्षणाद्वारे रेटिना फंडस छायाचित्रांमधून हृदय व रक्तवाहिन्यासंबंधी जोखीम घटकांचा अंदाज. निसर्ग बायोमेडिकल अभियांत्रिकी. 2. https://doi.org/10.1038/s41551-018-0195-0
