एआई अब फेफड़ों के कैंसर के साथ-साथ प्रयोगशाला निदान का भी वर्गीकरण करता है

एआई समर्थन के साथ स्वास्थ्य सेवा की ओर

गहरी शिक्षा कैंसर को प्रयोगशाला निदान के रूप में अच्छी तरह से परिभाषित करती है

पश्चिम में, फेफड़े का कैंसर कैंसर का सबसे घातक प्रकार है। प्रयोगशाला निदान विशेषज्ञ एक माइक्रोस्कोप के तहत ऊतक के नमूनों की जांच करते हैं और ट्यूमर के विकास के चरण को निर्धारित करने और उपचार निर्धारित करने के लिए उन्हें वर्गीकृत करते हैं। प्रत्येक मामले में, कैंसर अपने तरीके से अद्वितीय है, इसलिए दवा की व्याख्या करना एक मुश्किल काम हो सकता है। बेहद मुश्किल है। क्या कृत्रिम बुद्धिमत्ता बचाव में आ सकती है?
हाँ, हाँ, और ...

बीबीसी से मेरा भाई जॉन बैटसन शेरलॉक

गहरी सीख

हाल ही में, कंप्यूटर विज़न के क्षेत्र में बड़े बदलाव लाते हुए, गहरी सीखने की तकनीकों के बीच एक छवि विश्लेषण तकनीक उभरी है। यह स्वचालित रूप से अद्वितीय छवि विशेषताओं की पहचान करता है और एक दृढ़ तंत्रिका नेटवर्क (SNA) कहा जाता है। नेटवर्क छवियों में अद्वितीय छवियों की स्वचालित पहचान के लिए, वे डेटा प्रोसेसिंग का उपयोग करते हुए एक दृष्टिकोण का उपयोग करते हैं और इस काम को एक व्यक्ति से बेहतर प्रदर्शन करते हैं यदि हम इमेजनेट और सीआईएफएआर -10 डेटाबेस को मैन्युअल रूप से संदर्भ के रूप में चिह्नित करते हैं। यदि आप विशेषज्ञों की टिप्पणियों के साथ बड़ी संख्या में दवाओं की आभासी छवियों का उपयोग करते हैं, तो एसएनए को छवियों के अनुसार विभिन्न प्रकार के फेफड़ों के कैंसर को वर्गीकृत करने के लिए सिखाया जा सकता है, और इस प्रकार फेफड़े के एडेनोकार्सिनोमा का पता लगाने और वर्गीकरण की प्रक्रिया को सुविधाजनक बनाया जा सकता है।

फेफड़ों की तैयारी की आभासी छवियों को वर्गीकृत करने के लिए मॉडल स्लाइडिंग विंडो

एआई बनाना

डार्टमाउथ के जिसेल स्कूल ऑफ मेडिसिन में हसनपुर लैब के वैज्ञानिकों ने नेचर साइंटिफिक रिपोर्ट्स में एक वैज्ञानिक लेख प्रकाशित किया, जिसमें एक तंत्रिका नेटवर्क के बारे में बात की गई जो फेफड़ों के कैंसर के ऊतकीय उपप्रकारों को वर्गीकृत कर सकता है: रेंगना, अकड़ना, पैपिलरी, माइक्रोप्रिलरी और सॉलिड। मॉडल को प्रत्येक विशेषता प्रकार के लिए क्लासिक नमूनों के एक सेट का उपयोग करके 4,000 से अधिक टिप्पणी की गई आभासी स्लाइड और ठीक-ट्यून पर प्रशिक्षित किया गया था। इन क्लासिक नमूनों पर प्रशिक्षित मॉडल ने अच्छा प्रदर्शन किया: सभी श्रेणियों के लिए 0.97 से अधिक या उसके बराबर ऑपरेटिंग विशेषता की वक्र के तहत एक क्षेत्र के साथ।

क्लासिक फेफड़ों के कैंसर के नमूनों के लिए एआई प्रदर्शन संकेतक

एआई बनाम विशेषज्ञ?

इस एआई और प्रयोगशाला निदान विशेषज्ञों के काम की तुलना करने के लिए, वैज्ञानिकों ने स्वतंत्र परीक्षण में उनके प्रदर्शन को मापा। गहरे शिक्षण मॉडल और तीन चिकित्सा चिकित्सकों ने दवाओं के 143 पूर्ण आभासी चित्रों को वास्तविक मामलों के साथ वर्गीकृत किया। कप्पा गुणांक और समझौते के दो संकेतकों के अनुसार, उन्होंने जिस मॉडल को प्रशिक्षित किया वह सभी मामलों में नैदानिक ​​डॉक्टरों को दरकिनार कर दिया, जैसा कि रिपोर्ट से इस तालिका में दिखाया गया है:

तालिका 2: दवाओं के 143 पूर्ण आभासी चित्रों में प्रचलित उपप्रकारों के वर्गीकरण में विशेषज्ञों और हमारे मॉडल की तुलना। अच्छे समझौते (आर। एग्रीमेंट) का अर्थ है कमेंटेटर की सहमति जिसमें अन्य तीन में से कम से कम दो हैं। 95% विश्वास अंतराल कोष्ठक में दिखाया गया है।

तुलना करने के लिए, मॉडल द्वारा पाई गई विशेषता प्रकारों को ग्राफ द्वारा स्लाइड द्वारा प्रस्तुत किया गया था, साथ ही विशेषज्ञों ने कई चयनित छवियों के लिए टिप्पणी की थी। मैच बहुत सटीक हैं:

ऊतकीय चित्र का दृश्य, विशेषज्ञों द्वारा टिप्पणी की गई ((एआई-आईवी) उन लोगों की तुलना में, जिन्होंने गहन शिक्षा के मॉडल (द्वि-iv) का निर्धारण किया।

इसका क्या मतलब है?

डीप लर्निंग एक बेहद शक्तिशाली तरीका बन गया है, जो मेडिकल इमेजेस के विश्लेषण जैसी जटिल समस्याओं को हल करते हुए भी एक व्यक्ति के बराबर काम कर सकता है। गहरी लर्निंग एल्गोरिदम पर आधारित एक फेफड़ों का कैंसर क्लासिफायर रोगियों को समूहों में विभाजित कर सकता है और चिकित्सा विश्लेषण के लिए मामलों को प्राथमिकता दे सकता है। यह अस्पष्ट चित्र वाले मामलों में दूसरे मत के रूप में भी काम कर सकता है। यद्यपि भविष्य में ये विधियां विशेषज्ञ के काम के समय लेने वाले हिस्से को स्वचालित कर सकती हैं, लेकिन अभ्यास में उपयोग किए जाने से पहले बहुत कुछ किया जाना बाकी है। इस मॉडल को विभिन्न संगठनों के कई डेटाबेस पर परीक्षण करने की आवश्यकता है। इसकी उपयुक्तता की पुष्टि नैदानिक ​​परीक्षणों द्वारा की जानी चाहिए। क्या यह संभावना है कि एक स्वचालित प्रणाली प्रयोगशाला निदान विशेषज्ञों की जगह लेगी? शायद एक बार, लेकिन जल्द ही नहीं। सभी एआई सिस्टम को डॉक्टरों, रोगियों, और चिकित्सा समुदाय पर भरोसा करने से पहले नैदानिक ​​सेटिंग में पूरी तरह से जांच की जानी चाहिए।

हेल्थकेयर के लिए एआई एल्गोरिदम बनाना एक ऊंचे पहाड़ पर चढ़ने जैसा है। हम आधे रास्ते में हो सकते हैं, लेकिन अभी भी एक लंबा रास्ता तय करना है, और यह आसान नहीं है।

फेफड़े के हिस्टोपैथोलॉजी के साथ एक स्कैन को वर्गीकृत करने के लिए कोड सार्वजनिक रूप से जीथब पर उपलब्ध है ।