તાજેતરના અભ્યાસોએ મહત્વપૂર્ણ રોગોનું તબીબી નિદાન કરવામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમની ક્ષમતા દર્શાવી છે.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) સિસ્ટમ્સ ઘણા સમયથી આસપાસ હતા અને હવે સમય સાથે વધુ સ્માર્ટ અને વધુ સારા બની રહ્યા છે. AI એપ્લીકેશનો બહુવિધ વિસ્તારો છે અને હવે મોટાભાગના ક્ષેત્રોનું અભિન્ન અંગ છે. AI એક આવશ્યક અને ઉપયોગી ઘટક હોઈ શકે છે તબીબી વિજ્ઞાન અને સંશોધનમાં આરોગ્યસંભાળ ઉદ્યોગને અસર કરવાની અપાર સંભાવના છે.
તબીબી નિદાનમાં કૃત્રિમ બુદ્ધિ?
આરોગ્ય સંભાળમાં સમય એ સૌથી મૂલ્યવાન સંસાધન છે અને રોગના અંતિમ પરિણામ માટે વહેલું યોગ્ય નિદાન ખૂબ જ મહત્વપૂર્ણ છે. હેલ્થકેર ઘણીવાર લાંબી અને સમય અને સંસાધન લેતી પ્રક્રિયા હોય છે, જે અસરકારક નિદાનમાં વિલંબ કરે છે અને બદલામાં સાચી સારવારમાં વિલંબ કરે છે. AI દર્દીઓના નિદાનમાં ઝડપ અને ચોકસાઈનો સમાવેશ કરીને ડોકટરો દ્વારા ઉપલબ્ધતા અને સમય વ્યવસ્થાપન વચ્ચેના અંતરને ભરવામાં મદદ કરી શકે છે. તે ખાસ કરીને ઓછી અને મધ્યમ આવક ધરાવતા દેશોમાં સંસાધનો અને આરોગ્યસંભાળ વ્યવસાયિકોની મર્યાદાઓને દૂર કરવામાં મદદ કરી શકે છે. AI એ શીખવાની અને વિચારવાની પ્રક્રિયા છે મનુષ્યો ડીપ-લર્નિંગ નામના કોન્સેપ્ટ દ્વારા. ડીપ લર્નિંગ જાતે નિર્ણય વૃક્ષો બનાવવા માટે નમૂનાના ડેટાના વ્યાપક સેટનો ઉપયોગ કરે છે. આ ઊંડા શિક્ષણ સાથે, AI સિસ્ટમ વાસ્તવમાં મનુષ્યોની જેમ જ વિચારી શકે છે, જો વધુ સારું ન હોય, અને તેથી AIને તબીબી કાર્યો કરવા માટે યોગ્ય માનવામાં આવે છે. દર્દીઓનું નિદાન કરતી વખતે, AI સિસ્ટમ્સ સમાન બિમારીઓ ધરાવતા દર્દીઓમાં પેટર્ન શોધતી રહે છે. સમય જતાં, આ પેટર્ન રોગો પ્રગટ થાય તે પહેલાં આગાહી કરવા માટે પાયો બનાવી શકે છે.
તાજેતરના અભ્યાસમાં1 માં પ્રકાશિત સેલ, સંશોધકોએ ઉપયોગ કર્યો છે કૃત્રિમ સામાન્ય પરંતુ અંધ રેટિના રોગો, સંભવિત ઝડપી નિદાન અને સારવાર ધરાવતા દર્દીઓને સ્ક્રીન કરવા માટે એક નવું કોમ્પ્યુટેશનલ ટૂલ વિકસાવવા માટે બુદ્ધિ અને મશીન લર્નિંગ તકનીકો. સંશોધકોએ AI-આધારિત ન્યુરલ નેટવર્કનો ઉપયોગ બિન-આક્રમક ટેક્નોલોજી સાથે હાથ ધરવામાં આવેલા 200,000 થી વધુ આંખના સ્કેન્સની સમીક્ષા કરવા માટે કર્યો હતો જે પેશીઓની 2D અને 3D રજૂઆતો બનાવવા માટે રેટિનામાંથી પ્રકાશ ઉછાળે છે. ત્યારપછી તેઓએ 'ટ્રાન્સફર લર્નિંગ' નામની ટેકનિકનો ઉપયોગ કર્યો જેમાં એક સમસ્યાના ઉકેલ માટે મેળવેલ જ્ઞાન કોમ્પ્યુટર દ્વારા સંગ્રહિત કરવામાં આવે છે અને વિવિધ પરંતુ સંબંધિત સમસ્યાઓ પર લાગુ કરવામાં આવે છે. ઉદાહરણ તરીકે, નેત્રપટલ, કોર્નિયા અથવા ઓપ્ટિક નર્વ જેવી આંખની અલગ એનાટોમિકલ સ્ટ્રક્ચર્સને ઓળખવા માટે ઑપ્ટિમાઇઝ કરેલ AI ન્યુરલ નેટવર્ક, જ્યારે તે આખી આંખની છબીઓનું પરીક્ષણ કરે છે ત્યારે તેને વધુ ઝડપથી અને અસરકારક રીતે ઓળખી શકે છે અને તેનું મૂલ્યાંકન કરી શકે છે. આ પ્રક્રિયા એઆઈ સિસ્ટમને પરંપરાગત પદ્ધતિઓ કરતાં ખૂબ જ નાના ડેટાસેટ સાથે ધીમે ધીમે શીખવાની મંજૂરી આપે છે જેમાં મોટા ડેટાસેટ્સની જરૂર પડે છે જે તેમને ખર્ચાળ અને સમય માંગી લે છે.
આ અભ્યાસમાં ઉલટાવી ન શકાય તેવા અંધત્વના બે સામાન્ય કારણો પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું હતું જે વહેલી શોધાય ત્યારે સારવાર કરી શકાય છે. મશીન દ્વારા મેળવેલા નિદાનની સરખામણી પાંચ નેત્ર ચિકિત્સકોના નિદાન સાથે કરવામાં આવી હતી જેમણે સમાન સ્કેનની સમીક્ષા કરી હતી. તબીબી નિદાન કરવા ઉપરાંત, AI પ્લેટફોર્મ રેફરલ અને સારવારની ભલામણ પણ જનરેટ કરે છે જે અગાઉના કોઈપણ અભ્યાસમાં કરવામાં આવી નથી. આ પ્રશિક્ષિત AI સિસ્ટમ સારી રીતે પ્રશિક્ષિત નેત્ર ચિકિત્સકની જેમ જ કાર્ય કરે છે અને 30 ટકાથી વધુ ચોકસાઈ સાથે, દર્દીને સારવાર માટે રીફર કરવો જોઈએ કે નહીં તે અંગે 95 સેકન્ડની અંદર નિર્ણય જનરેટ કરી શકે છે. તેઓએ છાતીના એક્સ-રેના મશીન વિશ્લેષણના આધારે બાળપણના ન્યુમોનિયાના નિદાન માટે AI સાધનનું પણ પરીક્ષણ કર્યું, જે વિશ્વભરમાં બાળકોમાં (5 વર્ષથી ઓછી ઉંમરના) મૃત્યુનું મુખ્ય કારણ છે. રસપ્રદ વાત એ છે કે, કોમ્પ્યુટર પ્રોગ્રામ વાયરલ અને વચ્ચે તફાવત કરવામાં સક્ષમ હતો બેક્ટેરિયલ 90 ટકાથી વધુ ચોકસાઈ સાથે ન્યુમોનિયા. આ નિર્ણાયક છે કારણ કે વાયરલ ન્યુમોનિયા તેના અભ્યાસક્રમ પછી કુદરતી રીતે શરીર દ્વારા છૂટકારો મેળવે છે, બીજી તરફ બેક્ટેરિયલ ન્યુમોનિયા આરોગ્ય માટે વધુ ગંભીર ખતરો છે અને એન્ટિબાયોટિક્સ સાથે તાત્કાલિક સારવારની જરૂર છે.
બીજી મોટી છલાંગમાં2 તબીબી નિદાન માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમ્સમાં, વૈજ્ઞાનિકોએ શોધી કાઢ્યું છે કે વ્યક્તિના રેટિનાના ફોટોગ્રાફ્સનું વિશ્લેષણ મશીન-લર્નિંગ અલ્ગોરિધમ્સ અથવા સોફ્ટવેર દ્વારા હૃદય રોગના સંકેતોને ઓળખીને કાર્ડિયોવેસ્ક્યુલર હાર્ટ રિસ્કની આગાહી કરવા માટે કરી શકાય છે. ફોટોગ્રાફ્સમાં કેપ્ચર થયેલી આંખની રક્ત વાહિનીઓની સ્થિતિ વય, લિંગ, વંશીયતા, બ્લડ પ્રેશર, અગાઉના કોઈપણ હાર્ટ એટેક અને ધૂમ્રપાનની આદતોની ચોક્કસ આગાહી કરવા માટે બતાવવામાં આવી હતી અને આ તમામ પરિબળો સામૂહિક રીતે વ્યક્તિમાં હૃદય સંબંધિત રોગોની આગાહી કરે છે.
માહિતી બ્લોક તરીકે આંખ
આરોગ્યનું નિદાન કરવા માટે આંખના ફોટોગ્રાફ્સ જોઈને કેટલાક સમયથી વિચાર આવતો હતો. તે સારી રીતે સ્થાપિત છે કે માનવ આંખોની પાછળની આંતરિક દિવાલમાં ઘણી બધી રક્તવાહિનીઓ હોય છે જે શરીરના એકંદર આરોગ્યને પ્રતિબિંબિત કરે છે. કેમેરા અને માઈક્રોસ્કોપ વડે આ રક્તવાહિનીઓના દેખાવનો અભ્યાસ અને પૃથ્થકરણ કરીને વ્યક્તિનું બ્લડ પ્રેશર, ઉંમર, ધુમ્રપાન ન કરનાર કે ધૂમ્રપાન ન કરનાર વગેરે વિશે ઘણી બધી માહિતીનું અનુમાન લગાવી શકાય છે અને આ બધા વ્યક્તિના હૃદયના સ્વાસ્થ્યના મહત્વપૂર્ણ સૂચક છે. . કાર્ડિયોવાસ્ક્યુલર ડિસીઝ (CVD) એ વૈશ્વિક સ્તરે મૃત્યુનું નંબર એક કારણ છે અને અન્ય કોઈપણ રોગ અથવા સ્થિતિની તુલનામાં વધુ લોકો CVD થી મૃત્યુ પામે છે. આ ઓછી અને મધ્યમ આવક ધરાવતા દેશોમાં વધુ પ્રચલિત છે અને તે અર્થતંત્ર અને માનવજાત પર મોટો બોજ છે. કાર્ડિયોવેસ્ક્યુલર જોખમ કસરત અને આહાર સાથે સંયોજનમાં જીન્સ, ઉંમર, વંશીયતા, લિંગ જેવા ઘણા પરિબળો પર આધારિત છે. સંભવિત જોખમોને સંબોધવા માટે જીવનશૈલીમાં નોંધપાત્ર ફેરફારો કરીને તમાકુનો ઉપયોગ, સ્થૂળતા, શારીરિક નિષ્ક્રિયતા અને બિનઆરોગ્યપ્રદ આહાર જેવા વર્તણૂકીય જોખમોને સંબોધીને મોટાભાગના કાર્ડિયોવેસ્ક્યુલર રોગોને અટકાવી શકાય છે.
રેટિના છબીઓનો ઉપયોગ કરીને આરોગ્ય નિદાન
Google અને તેની પોતાની હેલ્થ ટેક્નોલોજી કંપની વેરીલી લાઈફ સાયન્સના સંશોધકો દ્વારા હાથ ધરવામાં આવેલા આ અભ્યાસમાં દર્શાવવામાં આવ્યું છે કે લગભગ 280,000 દર્દીઓના રેટિના ફોટોગ્રાફ્સના વિશાળ ડેટાસેટ પર આર્ટિફિશિયલ ઈન્ટેલિજન્સ અલ્ગોરિધમનો ઉપયોગ કરવામાં આવ્યો હતો અને આ અલ્ગોરિધમ બે સંપૂર્ણ રીતે હૃદયના જોખમી પરિબળોની સફળતાપૂર્વક આગાહી કરવામાં સક્ષમ હતું. વ્યાજબી રીતે સારી ચોકસાઈ સાથે લગભગ 12000 અને 1000 દર્દીઓના સ્વતંત્ર ડેટાસેટ્સ. એલ્ગોરિધમે ઇમેજ અને હાર્ટ એટેકના જોખમ વચ્ચેના જોડાણને માપવા માટે રેટિનાના સમગ્ર ફોટોગ્રાફનો ઉપયોગ કર્યો હતો. આ અલ્ગોરિધમ દર્દીમાં કાર્ડિયોવેસ્ક્યુલર ઘટનાના 70 ટકા સમયની આગાહી કરી શકે છે અને હકીકતમાં ધુમ્રપાન કરનાર અને ધૂમ્રપાન ન કરનાર પણ આ પરીક્ષણમાં 71 ટકા સમય અલગ કરી શકાય છે. અલ્ગોરિધમ હાઈ બ્લડ પ્રેશરની આગાહી પણ કરી શકે છે જે હૃદયની સ્થિતિ દર્શાવે છે અને સિસ્ટોલિક બ્લડ પ્રેશરનું અનુમાન કરી શકે છે - જ્યારે હૃદય ધબકે છે ત્યારે વાહિનીઓમાં દબાણ - હાઈ બ્લડ પ્રેશર ધરાવતા અથવા વગરના મોટાભાગના દર્દીઓની શ્રેણીમાં. લેખકોના મતે, આ આગાહીની સચોટતા પ્રયોગશાળામાં કાર્ડિયોવેસ્ક્યુલર તપાસ જેવી જ છે, જ્યાં દર્દીના ઇતિહાસ સાથે સમાંતર દેખાતા કોલેસ્ટ્રોલના સ્તરને માપવા માટે દર્દી પાસેથી લોહી લેવામાં આવે છે. આ અભ્યાસમાં અલ્ગોરિધમ, માં પ્રકાશિત નેચર બાયોમેડિકલ એન્જિનિયરિંગ, મોટાભાગે મોટી કાર્ડિયોવેસ્ક્યુલર ઘટનાની પણ આગાહી કરી શકે છે - દા.ત. હાર્ટ એટેક.
આ અભ્યાસોનું એક અત્યંત રસપ્રદ અને નિર્ણાયક પાસું એ હતું કે કમ્પ્યુટર નિદાન પર પહોંચવા માટે ઇમેજમાં તે ક્યાં જોઈ રહ્યું છે તે કહી શકે છે, જે અમને આગાહી પ્રક્રિયાને સમજવાની મંજૂરી આપે છે. ઉદાહરણ તરીકે, Google દ્વારા કરવામાં આવેલા અભ્યાસે બરાબર દર્શાવ્યું હતું કે "રેટીનાના કયા ભાગો" અનુમાન અલ્ગોરિધમમાં ફાળો આપે છે, બીજા શબ્દોમાં કહીએ તો એલ્ગોરિધમ કેવી રીતે આગાહી કરી રહ્યું હતું. આ સમજ માત્ર આ ચોક્કસ કિસ્સામાં મશીન લર્નિંગ પદ્ધતિને સમજવા માટે જ નહીં, પરંતુ તેને પારદર્શક બનાવીને આ સમગ્ર પદ્ધતિમાં વિશ્વાસ અને વિશ્વાસ પેદા કરવા માટે પણ મહત્વપૂર્ણ છે.
પડકારો
આવી તબીબી છબીઓ તેના પડકારો સાથે આવે છે કારણ કે આવી છબીઓ પર આધારિત સંગઠનોનું અવલોકન કરવું અને પછી તેનું પ્રમાણ નક્કી કરવું એ સીધું નથી કારણ કે આ ઈમેજોમાં ઘણી વિશેષતાઓ, રંગો, મૂલ્યો, આકારો વગેરે છે. આ અભ્યાસ માનવ શરીરરચના (શરીરના આંતરિક મોર્ફોલોજી) અને રોગ વચ્ચેના જોડાણો, સંગઠનો અને સંબંધોને દોરવા માટે ઊંડા શિક્ષણનો ઉપયોગ કરે છે જે રીતે આરોગ્ય સંભાળ વ્યવસાયી કરે છે જ્યારે તે અથવા તેણી રોગ સાથેના દર્દીઓના લક્ષણોને સંબંધિત કરે છે. . આ અલ્ગોરિધમ્સને ક્લિનિકલ સેટિંગમાં ઉપયોગમાં લઈ શકાય તે પહેલાં વધુ પરીક્ષણની જરૂર છે.
ચર્ચાઓ અને પડકારો હોવા છતાં, માનવ નિષ્ણાતો માટે અઘરા એવા અસંખ્ય ડેટાને સંડોવતા પૃથક્કરણો અને વર્ગીકરણ કરીને AI માં રોગના નિદાન અને વ્યવસ્થાપનમાં ક્રાંતિ લાવવાની વિશાળ સંભાવના છે. તે ઝડપી, ખર્ચ-અસરકારક, બિન-આક્રમક વૈકલ્પિક છબી-આધારિત ડાયગ્નોસ્ટિક સાધનો પ્રદાન કરે છે. AI સિસ્ટમની સફળતા માટેના મહત્વના પરિબળો ઉચ્ચ કોમ્પ્યુટેશનલ પાવર અને લોકોનો વધુ અનુભવ હશે. સંભવિત ભવિષ્યમાં નવી તબીબી આંતરદૃષ્ટિ અને નિદાન માનવ દિશા કે દેખરેખ વિના AI દ્વારા પ્રાપ્ત કરી શકાય છે.
***
{તમે ટાંકેલા સ્ત્રોત(ઓ)ની સૂચિમાં નીચે આપેલ DOI લિંક પર ક્લિક કરીને મૂળ સંશોધન પેપર વાંચી શકો છો}
સ્રોત (ઓ)
1. કર્માની ડીએસ એટ અલ. 2018. છબી-આધારિત ડીપ લર્નિંગ દ્વારા તબીબી નિદાન અને સારવાર યોગ્ય રોગોની ઓળખ કરવી. કોષ. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. પોપ્લીન આર એટ અલ. 2018. ઊંડા શિક્ષણ દ્વારા રેટિના ફંડસ ફોટોગ્રાફ્સમાંથી કાર્ડિયોવેસ્ક્યુલર જોખમ પરિબળોની આગાહી. નેચર બાયોમેડિકલ એન્જિનિયરિંગ. 2. https://doi.org/10.1038/s41551-018-0195-0
