மருத்துவ ரீதியாக முக்கியமான நோய்களைக் கண்டறிவதில் செயற்கை நுண்ணறிவு அமைப்புகளின் திறனை சமீபத்திய ஆய்வுகள் காட்டுகின்றன
செயற்கை நுண்ணறிவு (AI) அமைப்புகள் சில காலமாக இருந்து வருகிறது, இப்போது காலப்போக்கில் சிறந்து விளங்குகிறது. AI பயன்பாடுகள் பல பகுதிகள் மற்றும் இப்போது பெரும்பாலான துறைகளின் ஒருங்கிணைந்த பகுதியாக உள்ளது. AI இன் இன்றியமையாத மற்றும் பயனுள்ள கூறுகளாக இருக்கலாம் மருத்துவம் அறிவியல் மற்றும் ஆராய்ச்சி, சுகாதாரத் துறையில் தாக்கத்தை ஏற்படுத்தும் அபரிமிதமான ஆற்றலைக் கொண்டுள்ளது.
மருத்துவ நோயறிதலில் செயற்கை நுண்ணறிவு?
உடல்நலப் பராமரிப்பில் நேரம் மிகவும் மதிப்புமிக்க ஆதாரம் மற்றும் ஒரு நோயின் இறுதி விளைவுக்கு சரியான நோயறிதல் மிகவும் முக்கியமானது. ஹெல்த்கேர் என்பது ஒரு நீண்ட மற்றும் நேரத்தையும் வளத்தையும் உட்கொள்ளும் செயல்முறையாகும், இது பயனுள்ள நோயறிதலை தாமதப்படுத்துகிறது மற்றும் சரியான சிகிச்சையை தாமதப்படுத்துகிறது. AI நோயாளிகளின் நோயறிதலில் வேகம் மற்றும் துல்லியத்தை இணைப்பதன் மூலம் மருத்துவர்களால் கிடைக்கும் மற்றும் நேர மேலாண்மைக்கு இடையே உள்ள இடைவெளியை நிரப்ப உதவும். குறிப்பாக குறைந்த மற்றும் நடுத்தர வருமான நாடுகளில் உள்ள வளங்கள் மற்றும் சுகாதார நிபுணர்களின் வரம்புகளை கடக்க இது உதவும். AI என்பது கற்றல் மற்றும் சிந்திக்கும் ஒரு செயல்முறையாகும் மனிதர்கள் ஆழ்ந்த கற்றல் என்ற கருத்து மூலம். ஆழமான கற்றல் பரந்த அளவிலான மாதிரித் தரவுகளைப் பயன்படுத்தி முடிவு மரங்களை உருவாக்குகிறது. இந்த ஆழமான கற்றல் மூலம், ஒரு AI அமைப்பு உண்மையில் மனிதர்களைப் போலவே சிந்திக்க முடியும், சிறப்பாக இல்லாவிட்டாலும், எனவே AI மருத்துவப் பணிகளைச் செய்வதற்கு ஏற்றதாகக் கருதப்படலாம். நோயாளிகளைக் கண்டறியும் போது, AI அமைப்புகள் அதே நோய்களைக் கொண்ட நோயாளிகளிடையே வடிவங்களைத் தேடுகின்றன. காலப்போக்கில், இந்த வடிவங்கள் நோய்கள் வெளிப்படுவதற்கு முன்பே அவற்றைக் கணிக்க ஒரு அடித்தளத்தை உருவாக்க முடியும்.
சமீபத்திய ஆய்வில்1 வெளியிடப்பட்டது செல், ஆராய்ச்சியாளர்கள் பயன்படுத்தியுள்ளனர் செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் நுட்பங்கள், பொதுவான ஆனால் கண்மூடித்தனமான விழித்திரை நோய்களைக் கொண்ட நோயாளிகளைத் திரையிடுவதற்கு ஒரு புதிய கணக்கீட்டு கருவியை உருவாக்குதல், நோயறிதல் மற்றும் சிகிச்சையை விரைவுபடுத்துதல். திசுவின் 200,000D மற்றும் 2D பிரதிநிதித்துவங்களை உருவாக்க விழித்திரையில் இருந்து ஒளியைத் துள்ளும் ஆக்கிரமிப்பு அல்லாத தொழில்நுட்பத்துடன் நடத்தப்பட்ட 3 க்கும் மேற்பட்ட கண் ஸ்கேன்களை ஆய்வு செய்ய ஆராய்ச்சியாளர்கள் AI- அடிப்படையிலான நரம்பியல் வலையமைப்பைப் பயன்படுத்தினர். பின்னர் அவர்கள் 'பரிமாற்றக் கற்றல்' என்ற நுட்பத்தைப் பயன்படுத்தினர், அதில் ஒரு சிக்கலைத் தீர்ப்பதில் பெறப்பட்ட அறிவு ஒரு கணினி மூலம் சேமிக்கப்பட்டு வெவ்வேறு ஆனால் தொடர்புடைய சிக்கல்களுக்குப் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, விழித்திரை, கார்னியா அல்லது பார்வை நரம்பு போன்ற கண்ணின் தனித்துவமான உடற்கூறியல் கட்டமைப்புகளை அடையாளம் காண உகந்ததாக இருக்கும் ஒரு AI நரம்பியல் நெட்வொர்க், முழுக் கண்ணின் படங்களையும் ஆய்வு செய்யும்போது அவற்றை விரைவாகவும் திறமையாகவும் அடையாளம் கண்டு மதிப்பிட முடியும். பெரிய தரவுத்தொகுப்புகள் தேவைப்படும் பாரம்பரிய முறைகளைக் காட்டிலும் சிறிய தரவுத்தொகுப்புடன் படிப்படியாகக் கற்றுக்கொள்ள AI அமைப்பை இந்தச் செயல்முறை அனுமதிக்கிறது.
மீளமுடியாத குருட்டுத்தன்மைக்கான இரண்டு பொதுவான காரணங்களில் இந்த ஆய்வு கவனம் செலுத்துகிறது, அவை ஆரம்பத்திலேயே கண்டறியப்பட்டால் சிகிச்சையளிக்க முடியும். இயந்திரம் மூலம் பெறப்பட்ட நோயறிதல்கள் அதே ஸ்கேன்களை மதிப்பாய்வு செய்த ஐந்து கண் மருத்துவர்களின் நோயறிதலுடன் ஒப்பிடப்பட்டன. மருத்துவ நோயறிதலைச் செய்வதோடு கூடுதலாக, AI இயங்குதளம் பரிந்துரை மற்றும் சிகிச்சைப் பரிந்துரையையும் உருவாக்கியுள்ளது, இது முந்தைய எந்த ஆய்விலும் செய்யப்படவில்லை. இந்த பயிற்சியளிக்கப்பட்ட AI அமைப்பு நன்கு பயிற்சி பெற்ற கண் மருத்துவரைப் போலவே செயல்பட்டது மற்றும் 30 சதவீதத்திற்கும் அதிகமான துல்லியத்துடன், நோயாளியை சிகிச்சைக்கு பரிந்துரைக்க வேண்டுமா இல்லையா என்பது குறித்து 95 வினாடிகளுக்குள் முடிவெடுக்க முடியும். மார்பு எக்ஸ்-கதிர்களின் இயந்திர பகுப்பாய்வுகளின் அடிப்படையில் குழந்தைகள் (5 வயதுக்குட்பட்ட) உலகளவில் இறப்புக்கான முக்கிய காரணமான குழந்தைப் பருவ நிமோனியாவைக் கண்டறிவதில் AI கருவியையும் அவர்கள் சோதித்தனர். சுவாரஸ்யமாக, கணினி நிரல் வைரஸ் மற்றும் வைரஸ் ஆகியவற்றை வேறுபடுத்த முடிந்தது பாக்டீரியா 90 சதவீதத்திற்கும் அதிகமான துல்லியத்துடன் நிமோனியா. இது மிகவும் முக்கியமானது, ஏனெனில் வைரஸ் நிமோனியா அதன் போக்கிற்குப் பிறகு இயற்கையாகவே உடலால் அகற்றப்பட்டாலும், பாக்டீரியா நிமோனியா ஒரு தீவிரமான உடல்நல அச்சுறுத்தலாக உள்ளது மற்றும் நுண்ணுயிர் எதிர்ப்பிகளுடன் உடனடி சிகிச்சை தேவைப்படுகிறது.
மற்றொரு பெரிய பாய்ச்சலில்2 மருத்துவ நோயறிதலுக்கான செயற்கை நுண்ணறிவு அமைப்புகளில், விஞ்ஞானிகள் ஒரு நபரின் விழித்திரையில் எடுக்கப்பட்ட புகைப்படங்களை இயந்திர கற்றல் வழிமுறைகள் அல்லது மென்பொருள் மூலம் பகுப்பாய்வு செய்து இதய நோயைக் குறிக்கும் சமிக்ஞைகளைக் கண்டறிந்து இருதய இதய அபாயத்தைக் கணிக்க முடியும் என்று கண்டறிந்தனர். புகைப்படங்களில் பதிவாகியுள்ள கண்ணில் உள்ள இரத்த நாளங்களின் நிலை, வயது, பாலினம், இனம், இரத்த அழுத்தம், முந்தைய மாரடைப்பு மற்றும் புகைபிடிக்கும் பழக்கம் போன்றவற்றை துல்லியமாக கணிப்பதாகக் காட்டப்பட்டுள்ளது.
ஒரு தகவல் தொகுதியாக கண்
கண்ணின் புகைப்படங்களைப் பார்த்து ஆரோக்கியத்தைக் கண்டறிய வேண்டும் என்ற எண்ணம் சில காலமாக உள்ளது. மனிதக் கண்களின் பின்புற உட்புறச் சுவரில் உடலின் ஒட்டுமொத்த ஆரோக்கியத்தைப் பிரதிபலிக்கும் இரத்த நாளங்கள் நிறைய உள்ளன என்பது நன்கு நிறுவப்பட்டுள்ளது. கேமரா மற்றும் நுண்ணோக்கி மூலம் இந்த இரத்த நாளங்களின் தோற்றத்தை ஆய்வு செய்து பகுப்பாய்வு செய்வதன் மூலம், ஒரு நபரின் இரத்த அழுத்தம், வயது, புகைப்பிடிப்பவர் அல்லது புகைபிடிக்காதவர் போன்ற பல தகவல்களைக் கணிக்க முடியும், இவை அனைத்தும் ஒரு நபரின் இதய ஆரோக்கியத்தின் முக்கிய குறிகாட்டிகள் . கார்டியோவாஸ்குலர் நோய் (CVD) என்பது உலகளவில் இறப்புக்கான முதல் காரணியாகும், மேலும் வேறு எந்த நோய் அல்லது நிலையையும் விட அதிகமான மக்கள் CVD களால் இறக்கின்றனர். இது குறைந்த மற்றும் நடுத்தர வருமானம் கொண்ட நாடுகளில் அதிகமாக உள்ளது மற்றும் பொருளாதாரம் மற்றும் மனித குலத்தின் மீது பெரும் சுமையாக உள்ளது. கார்டியோவாஸ்குலர் ஆபத்து மரபணுக்கள், வயது, இனம், பாலினம், உடற்பயிற்சி மற்றும் உணவு ஆகியவற்றுடன் இணைந்து பல காரணிகளைப் பொறுத்தது. புகையிலை பயன்பாடு, உடல் பருமன், உடல் உழைப்பின்மை மற்றும் ஆரோக்கியமற்ற உணவு போன்ற நடத்தை அபாயங்களை நிவர்த்தி செய்வதன் மூலம் சாத்தியமான அபாயங்களை நிவர்த்தி செய்ய குறிப்பிடத்தக்க வாழ்க்கை முறை மாற்றங்களைச் செய்வதன் மூலம் பெரும்பாலான இருதய நோய்களைத் தடுக்கலாம்.
விழித்திரை படங்களைப் பயன்படுத்தி உடல்நலக் கண்டறிதல்
கூகுள் மற்றும் அதன் சொந்த சுகாதார தொழில்நுட்ப நிறுவனமான வெரிலி லைஃப் சயின்சஸ் ஆராய்ச்சியாளர்களால் நடத்தப்பட்ட இந்த ஆய்வில், சுமார் 280,000 நோயாளிகளின் விழித்திரை புகைப்படங்களின் பெரிய தரவுத்தொகுப்பில் ஒரு செயற்கை நுண்ணறிவு அல்காரிதம் பயன்படுத்தப்பட்டது மற்றும் இந்த அல்காரிதம் இரண்டில் இதய ஆபத்து காரணிகளை வெற்றிகரமாக கணிக்க முடிந்தது. நியாயமான நல்ல துல்லியத்துடன் சுமார் 12000 மற்றும் 1000 நோயாளிகளின் சுயாதீன தரவுத்தொகுப்புகள். படத்திற்கும் மாரடைப்பு அபாயத்திற்கும் இடையிலான தொடர்பைக் கணக்கிட, விழித்திரையின் முழுப் புகைப்படத்தையும் அல்காரிதம் பயன்படுத்தியது. இந்த அல்காரிதம் ஒரு நோயாளிக்கு 70 சதவிகிதம் இருதய நிகழ்வைக் கணிக்க முடியும், உண்மையில் புகைப்பிடிப்பவர் மற்றும் புகைப்பிடிக்காதவர்களும் இந்த சோதனையில் 71 சதவிகித நேரத்தை வேறுபடுத்தி அறியலாம். இந்த வழிமுறையானது இதய நிலையைக் குறிக்கும் உயர் இரத்த அழுத்தத்தைக் கணிக்க முடியும் மற்றும் சிஸ்டாலிக் இரத்த அழுத்தத்தைக் கணிக்க முடியும் - இதயம் துடிக்கும் போது இரத்த நாளங்களில் ஏற்படும் அழுத்தம் - உயர் இரத்த அழுத்தம் உள்ள அல்லது இல்லாத பெரும்பாலான நோயாளிகளின் வரம்பிற்குள். இந்த கணிப்பின் துல்லியம், ஆசிரியர்களின் கூற்றுப்படி, ஆய்வகத்தில் இருதய சோதனைக்கு மிகவும் ஒத்திருக்கிறது, அங்கு நோயாளியின் வரலாற்றுடன் இணையாக இருக்கும் கொழுப்பின் அளவை அளவிட நோயாளியிடமிருந்து இரத்தம் எடுக்கப்படுகிறது. இந்த ஆய்வில் உள்ள அல்காரிதம் வெளியிடப்பட்டது நேச்சர் பயோமெடிக்கல் இன்ஜினியரிங், பெரும்பாலான சாத்தியக்கூறுகளில் ஒரு பெரிய இருதய நிகழ்வின் நிகழ்வையும் கணிக்க முடியும் - எ.கா. மாரடைப்பு.
இந்த ஆய்வுகளின் மிகவும் சுவாரஸ்யமான மற்றும் முக்கியமான அம்சம் என்னவென்றால், ஒரு நோயறிதலுக்கு வருவதற்கு ஒரு படத்தில் எங்கு பார்க்கிறது என்பதை கணினியால் சொல்ல முடியும், இது கணிப்பு செயல்முறையைப் புரிந்துகொள்ள அனுமதிக்கிறது. உதாரணம், கூகுளின் ஆய்வு "விழித்திரையின் எந்தப் பகுதிகள்" முன்னறிவிப்பு அல்காரிதத்திற்கு பங்களித்தது என்பதை சரியாகக் காட்டியது, வேறுவிதமாகக் கூறினால், அல்காரிதம் எவ்வாறு கணிக்கிறது. இந்தப் புரிதல் இந்த குறிப்பிட்ட விஷயத்தில் இயந்திரக் கற்றல் முறையைப் புரிந்துகொள்வதற்கு மட்டுமல்லாமல், இந்த முழு முறையின் மீதும் நம்பிக்கையையும் நம்பிக்கையையும் உருவாக்குவதற்கும் முக்கியமானது.
சவால்கள்
இத்தகைய மருத்துவப் படங்கள் அதன் சவால்களுடன் வருகின்றன, ஏனெனில் இந்த படங்களில் உள்ள பல அம்சங்கள், வண்ணங்கள், மதிப்புகள், வடிவங்கள் போன்றவற்றின் காரணமாக, அத்தகைய படங்களை அடிப்படையாகக் கொண்ட தொடர்புகளைக் கவனிப்பது மற்றும் அளவிடுவது நேரடியானதல்ல. இந்த ஆய்வு மனித உடற்கூறியல் (உடலின் உள் உருவவியல்) மற்றும் நோய் ஆகியவற்றுக்கு இடையேயான தொடர்புகள், தொடர்புகள் மற்றும் உறவுகளை வரைவதற்கு ஆழ்ந்த கற்றலைப் பயன்படுத்துகிறது. . இந்த அல்காரிதம்களை மருத்துவ அமைப்பில் பயன்படுத்துவதற்கு முன் கூடுதல் சோதனைகள் தேவை.
விவாதங்கள் மற்றும் சவால்கள் இருந்தபோதிலும், மனித வல்லுனர்களுக்கு கடினமான தரவுகளை பகுப்பாய்வுகள் மற்றும் வகைப்பாடுகள் செய்வதன் மூலம் நோய் கண்டறிதல் மற்றும் நிர்வாகத்தில் புரட்சியை ஏற்படுத்தும் பெரும் ஆற்றலை AI கொண்டுள்ளது. இது வேகமான, செலவு குறைந்த, ஆக்கிரமிப்பு அல்லாத மாற்று பட அடிப்படையிலான கண்டறியும் கருவிகளை வழங்குகிறது. AI அமைப்புகளின் வெற்றிக்கான முக்கியமான காரணிகள் அதிக கணக்கீட்டு சக்தி மற்றும் மக்களின் அதிக அனுபவம் ஆகும். எதிர்காலத்தில் புதிய மருத்துவ நுண்ணறிவு மற்றும் நோயறிதல் மனித வழிகாட்டுதல் அல்லது மேற்பார்வை இல்லாமல் AI மூலம் அடைய முடியும்.
***
{மேற்கோள் காட்டப்பட்ட ஆதாரங்களின் பட்டியலில் கீழே கொடுக்கப்பட்டுள்ள DOI இணைப்பைக் கிளிக் செய்வதன் மூலம் அசல் ஆய்வுக் கட்டுரையைப் படிக்கலாம்}
ஆதாரம் (ங்கள்)
1. கெர்மனி டிஎஸ் மற்றும் பலர். 2018. பட அடிப்படையிலான ஆழமான கற்றல் மூலம் மருத்துவ நோயறிதல் மற்றும் சிகிச்சையளிக்கக்கூடிய நோய்களைக் கண்டறிதல். செல். 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. பாப்ளின் ஆர் மற்றும் பலர். 2018. ஆழ்ந்த கற்றல் மூலம் விழித்திரை ஃபண்டஸ் புகைப்படங்களிலிருந்து இருதய ஆபத்து காரணிகளின் கணிப்பு. நேச்சர் பயோமெடிக்கல் இன்ஜினியரிங். 2. https://doi.org/10.1038/s41551-018-0195-0
