मैसाचुसेट्स अस्पताल और डीपमाइंड ने स्वतंत्र रूप से चिकित्सा में एआई ब्लैक बॉक्स खोला

निदान करने में कृत्रिम बुद्धि का उपयोग कोने के चारों ओर है। और करीब से भी यह लगता है। आखिरकार, अटलांटिक के दोनों किनारों पर दो शोध टीमों ने चिकित्सा में एआई के "ब्लैक बॉक्स" की समस्या को हल करने में कामयाब रहे।

ब्लैक बॉक्स के साथ समस्या यह है कि परिणाम प्रदान करते समय AI सिस्टम, और चिकित्सा में यह निदान और आगे की चिकित्सा की सिफारिश करता है, वह औचित्य प्रदान नहीं करता है, विशेष रूप से, यूएस फूड एंड ड्रग एडमिनिस्ट्रेशन (FDA) की आवश्यकता होती है ।

पिछले साल दिसंबर में, मैसाचुसेट्स जनरल हॉस्पिटल (मैसाचुसेट्स जनरल हॉस्पिटल) ने बताया कि यह एआई को इंट्राक्रैनील रक्तस्राव के निदान को "समझाने" में सक्षम था। पांच महीने पहले, 2014 में Google द्वारा अधिग्रहित ब्रिटिश कंपनी डीपमाइंड ने नेत्र रोगों के निदान में एक समान सफलता की घोषणा की थी।

दोनों टीमों का मुख्य कार्य स्कैनर की छवियों का मूल्यांकन करने और विशेषज्ञ चिकित्सक के रूप में निर्णय लेने के लिए प्रणाली को सिखाना था।

संकेतों का एटलस

अस्पताल की वेबसाइट पर एक प्रेस विज्ञप्ति के अनुसार , मैसाचुसेट्स अस्पताल रेडियोलॉजी विभाग के डॉक्टरों ने हार्वर्ड इंजीनियरिंग और एप्लाइड साइंसेज के स्नातक छात्रों के साथ मिलकर एक एआई मॉडल विकसित किया जो इंट्राक्रैनील रक्तस्राव को वर्गीकृत कर सकता है। सिस्टम को प्रशिक्षित करने के लिए, टीम ने 904 सीटी स्कैन (कंप्यूटेड टोमोग्राफी) का उपयोग किया, जिनमें से प्रत्येक में लगभग 40 व्यक्तिगत चित्र थे। पांच न्यूरोरियाडोलॉजिस्टों की एक टीम ने स्थान के आधार पर, हेमोरेज के पांच उपप्रकारों में से एक की उपस्थिति के लिए प्रत्येक छवियों को चिह्नित किया, साथ ही साथ प्रति हेमोरेज की अनुपस्थिति भी। इस गहन शिक्षण प्रणाली की सटीकता में सुधार करने के लिए, टीम में एकीकृत क्रियाएं हैं जो रेडियोलॉजिस्ट द्वारा छवियों के विश्लेषण की प्रक्रिया की नकल करती हैं, जिसमें छिपे हुए मतभेदों को प्रकट करने के लिए कंट्रास्ट और चमक जैसे मापदंडों को समायोजित करना शामिल है, और सीटी स्कैन के आसन्न वर्गों को स्क्रॉल करना यह निर्धारित करने के लिए कि क्या वास्तव में दिखाई दिया है। एक छवि में, एक वास्तविक समस्या को दर्शाता है या यह किसी भी विकृति के बारे में बात नहीं कर रहा है।

सिस्टम मॉडल बनाने के तुरंत बाद, शोधकर्ताओं ने सीटी स्कैन के दो अलग-अलग सेटों के साथ इसका परीक्षण किया: इंट्राक्रानियल रक्तस्राव के साथ 100 स्कैन और इसके बिना 100, सिस्टम विकसित होने से पहले लिया गया था, और 79 स्कैन हेमोरेज और इसके बिना 117, मॉडल बनाने के बाद लिया गया था। पहले लिए गए डेटासेट के मामले में, मॉडल रेडियोलॉजिस्ट द्वारा किए गए विश्लेषण के स्तर पर इंट्राक्रैनियल रक्तस्राव को निर्धारित करने और वर्गीकृत करने में सटीक था। दूसरे सेट का विश्लेषण करते समय, उसने साबित किया कि यह उस व्यक्ति से भी बेहतर हो सकता है जो इस क्षेत्र में विशेषज्ञ नहीं है।

"ब्लैक बॉक्स" समस्या को हल करने के लिए, टीम ने सिस्टम की जांच की और उन चित्रों को प्रशिक्षण डेटा सेट से बचाया जो कि रक्तस्राव के पांच उपप्रकारों में से प्रत्येक के लक्षण को स्पष्ट रूप से दर्शाते हैं। विशिष्ट विशेषताओं के इस एटलस का उपयोग करते हुए, सिस्टम छवियों के एक समूह का प्रतिनिधित्व कर सकता है जो सीटी स्कैन के विश्लेषण में उपयोग किया जाता है ताकि यह समझा जा सके कि क्या आधार निर्णय किए गए थे।

यह चित्रण प्रणाली को प्रशिक्षित करने के लिए उपयोग की जाने वाली छवियों के एटलस से समान लक्षणों (दाएं) के साथ छवियों को दिखाते हुए, सबराचोनोइड हेमोरेज (शीर्ष बाएं) और इंट्रावेंट्रिकुलर के निदान की व्याख्या करने के लिए प्रणाली की क्षमता को दर्शाता है।

रेडियोलॉजिस्ट माइकल लियो ने कहा, "तीव्र स्ट्रोक के लक्षणों के साथ रोगियों के तत्काल उचित उपचार के बाद इंट्राक्रैनियल रक्तस्राव की तीव्र मान्यता, गंभीर स्वास्थ्य प्रभावों को कम कर सकती है और मृत्यु को रोक सकती है"। - कई प्रयोगशालाओं में विशेष रूप से रात में या सप्ताहांत पर विशेष रूप से प्रशिक्षित न्यूरोडायडोलॉजिस्ट नहीं होते हैं, जो यह तय करने के लिए गैर-विशेषज्ञों की आवश्यकता होती है कि रोगी के लक्षण हेमरेज के कारण हैं या नहीं। न्यूरोडाडियालॉजिस्ट द्वारा प्रशिक्षित एक विश्वसनीय "आभासी दूसरी राय" की उपलब्धता, गैर-विशेषज्ञों के परिणामों में सुधार कर सकती है और यह सुनिश्चित करने में मदद करती है कि रोगियों को सही उपचार प्राप्त हो। "

ऊतक विभाजन नक्शा

अगस्त 2018 में, ब्रिटिश कंपनी डीपमाइंड ने नेचर मेडिसिन रिसोर्स पर एक अध्ययन प्रकाशित किया था जिसमें उसने कहा था कि उसने "एआई मॉडल" विकसित करके "ब्लैक बॉक्स" समस्या को हल किया था जो एक पेशेवर चिकित्सा स्तर पर काम कर सकता था, जो हालांकि, लोगों को उपचार प्रक्रिया से बाहर नहीं करता है, लेकिन, इसके विपरीत, लेकिन डॉक्टरों को और अधिक प्रभावी बनाने में मदद करता है, जैसा कि ऊपर वर्णित मामले में है।

एक प्रकाशित अध्ययन के अनुसार, डीपमाइंड टीम ने नेत्र रोग मूरफिल्ड्स आई हॉस्पिटल के खिलाफ लड़ाई के लिए केंद्र के साथ नेत्र रोगों के क्षेत्र में काम किया और ऑप्टिकल कोहेरियन टोमोग्राफी (ओसीटी) की 3 डी छवियों के निदान के लिए एक मॉडल विकसित किया। एक साथ काम करने वाले दो अलग-अलग तंत्रिका नेटवर्क बनाकर "ब्लैक बॉक्स" खोलना संभव था। पहला, तीन-आयामी अवक्षेपण वास्तुकला (U-Net) का उपयोग करते हुए, कच्चे OCT स्कैन को आंख के ऊतक के विभाजन मानचित्र में बदल देता है। प्रशिक्षण के लिए, 877 नैदानिक ​​ओसीटी स्कैन का उपयोग किया गया था, जिनमें से प्रत्येक में 128 खंड थे, केवल तीन प्रतिनिधि मैन्युअल रूप से खंडित थे। सेगमेंटिंग नेटवर्क विभिन्न लक्षण (रक्तस्राव, फोकल घाव आदि) पाता है और एक मानचित्र बनाता है। कंपनी के ब्लॉग पर एप्लाइड एआई के प्रमुख मुस्तफा सुलेमान के अनुसार, यह ऑप्टोमेट्रिस्ट को यह सोचने में मदद करता है कि सिस्टम "कैसे सोचता है"।

दूसरा तंत्रिका नेटवर्क, जो वर्गीकृत करता है, प्रस्तावित मानचित्र का विश्लेषण करता है और उपचार करने वाले कर्मचारियों को निदान और उपचार की सिफारिशें प्रदान करता है। डेवलपर्स इसे मौलिक रूप से महत्वपूर्ण मानते हैं कि नेटवर्क सिफारिशों को प्रतिशत के रूप में दिखाता है, जिससे डॉक्टरों को अपने विश्लेषण में सिस्टम के "विश्वास" का मूल्यांकन करने की अनुमति मिलती है। मुस्तफा सुलेमान कहते हैं, "यह सुविधा महत्वपूर्ण है, क्योंकि ऑप्टोमेट्रिस्ट मरीजों को मिलने वाले उपचार के बारे में निर्णय लेने में महत्वपूर्ण भूमिका निभाते हैं।" उनके अनुसार, प्रणाली की प्रमुख विशेषता, जो इसे व्यवहार में उपयोगी बनाती है, डॉक्टरों के लिए एआई की सिफारिशों का सावधानीपूर्वक अध्ययन करने का अवसर है। प्रणाली को डायबिटिक रेटिनोपैथी, उम्र से संबंधित धब्बेदार अध: पतन और कई दर्जन अन्य बीमारियों जैसे रोगों के निदान में तेजी लाने से दृष्टि के पूर्ण नुकसान को रोकने में मदद करने के लिए डिज़ाइन किया गया है।

चित्रण का वर्णन। सेगमेंटिंग और वर्गीकृत नेटवर्क के एक जटिल का उपयोग करके गणना प्राप्त करना। चित्रण से पता चलता है कि कैसे एक खंडित नेटवर्क के 5 नमूनों और एक वर्गीकरण नेटवर्क के 5 नमूनों को एक स्कैन के लिए 25 पूर्वानुमान बनाने के लिए एक साथ उपयोग किया जाता है। प्रत्येक सैंपल सेग्मेंटेड नेटवर्क शुरू में OCT के आधार पर मान्यताओं का खंडित नक्शा प्रदान करता है जिसकी जाँच की जा रही है। पांच मान्यताओं में से प्रत्येक के लिए, वर्गीकरण नेटवर्क के पैटर्न प्रत्येक मार्कर के लिए संभावना प्रदान करते हैं। यहां, शोष के स्थान के मार्कर को विस्तार से प्रस्तुत किया गया है।

दोनों शोध दल इस उम्मीद को व्यक्त करते हैं कि उनके द्वारा विकसित सिस्टम डॉक्टरों को प्रतिस्थापित नहीं करेगा, लेकिन उन्हें निर्णय लेने में अधिक प्रभावी होने में मदद करेगा, जिसका अर्थ है कि वे थोड़े समय में अधिक रोगियों की मदद करने में मदद करेंगे। अगला कदम अस्पताल के स्कैनर में सीधे विकास का उपयोग करना है।