नई एआई प्रणाली नैदानिक ​​अनुसंधान में तेजी लाने में मदद करती है

चिकित्सा छवियों में रुचि के क्षेत्रों की त्वरित व्याख्या की अनुमति देकर, यह उपकरण वैज्ञानिकों को नए उपचारों पर शोध करने या रोग की प्रगति का मानचित्रण करने में मदद कर सकता है।

एआई एप्लिकेशन मेडिकल इमेज डायग्नोसिस का समर्थन करता है। फोटो: मिडजर्नी

चिकित्सा छवियों में रुचि के क्षेत्रों को चिह्नित करना, जिसे सेगमेंटेशन के रूप में जाना जाता है, अक्सर पहला कदम होता है जो नैदानिक ​​शोधकर्ता बायोमेडिकल इमेजिंग से संबंधित एक नया अध्ययन करते समय उठाते हैं।

उदाहरण के लिए, यह निर्धारित करने के लिए कि उम्र बढ़ने के साथ मरीज़ के हिप्पोकैम्पस का आकार कैसे बदलता है, वैज्ञानिकों को मस्तिष्क स्कैन की एक श्रृंखला में प्रत्येक हिप्पोकैम्पस का मानचित्रण करना होगा। इमेजिंग की कई संरचनाओं और प्रकारों को देखते हुए, यह अक्सर एक समय लेने वाली मैन्युअल प्रक्रिया होती है, खासकर जब रुचि के क्षेत्रों का ठीक से सीमांकन न किया गया हो।

इस प्रक्रिया को सरल बनाने के लिए, एमआईटी के शोधकर्ताओं ने एक एआई-आधारित प्रणाली विकसित की है जो वैज्ञानिकों को नए बायोमेडिकल इमेजिंग डेटासेट को क्लिक, डूडलिंग या छवियों पर बॉक्स बनाकर तेज़ी से विभाजित करने की अनुमति देती है। एआई मॉडल विभाजन की भविष्यवाणी करने के लिए इन इंटरैक्शन का उपयोग करता है।

जैसे-जैसे उपयोगकर्ता अधिक छवियों को टैग करता है, आवश्यक इंटरैक्शन की संख्या घटती जाती है, अंततः शून्य हो जाती है। फिर मॉडल उपयोगकर्ता से किसी अतिरिक्त इनपुट के बिना नई छवियों को सटीक रूप से विभाजित कर सकता है।

यह इसलिए संभव है क्योंकि मॉडल आर्किटेक्चर को विशेष रूप से पहले से विभाजित छवियों से प्राप्त जानकारी का उपयोग करके बाद की छवियों के लिए पूर्वानुमान लगाने के लिए डिज़ाइन किया गया है। अन्य चिकित्सा छवि विभाजन मॉडलों के विपरीत, यह प्रणाली उपयोगकर्ताओं को प्रत्येक छवि के लिए कार्य दोहराए बिना पूरे डेटासेट को विभाजित करने की अनुमति देती है।

इसके अतिरिक्त, इस इंटरैक्टिव टूल को प्रशिक्षित करने के लिए किसी पूर्व-खंडित डेटासेट की आवश्यकता नहीं होती है, इसलिए उपयोगकर्ताओं को मशीन लर्निंग विशेषज्ञता या जटिल कम्प्यूटेशनल संसाधनों की आवश्यकता नहीं होती है। वे मॉडल को पुनः प्रशिक्षित किए बिना ही नए विभाजन कार्य के लिए सिस्टम का उपयोग कर सकते हैं।

लंबी अवधि में, यह उपकरण नए उपचारों पर शोध को गति दे सकता है और नैदानिक ​​परीक्षणों और चिकित्सा अनुसंधान की लागत को कम कर सकता है। इसका उपयोग डॉक्टर विकिरण उपचार योजना जैसे नैदानिक ​​अनुप्रयोगों की दक्षता में सुधार के लिए भी कर सकते हैं।

"कई वैज्ञानिक अपने शोध के लिए प्रतिदिन केवल कुछ छवियों को ही विभाजित कर पाते हैं क्योंकि मैन्युअल विभाजन बहुत समय लेने वाला काम है। हमें उम्मीद है कि यह प्रणाली नैदानिक ​​शोधकर्ताओं को ऐसे अध्ययन करने की अनुमति देकर नए वैज्ञानिक अवसर प्रदान करेगी जो वे पहले प्रभावी उपकरणों के अभाव में नहीं कर पाते थे," इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर विज्ञान में पीएचडी की छात्रा और इस मॉडल का परिचय देने वाले एक शोधपत्र की प्रमुख लेखिका हैली वोंग ने कहा।

खंड अनुकूलन

वर्तमान में दो मुख्य विधियां हैं जिनका उपयोग शोधकर्ता चिकित्सा छवियों के नए सेटों को विभाजित करने के लिए करते हैं:

इंटरैक्टिव सेगमेंटेशन: एक उपयोगकर्ता एआई सिस्टम में एक छवि इनपुट करता है और रुचि के क्षेत्रों को चिह्नित करता है। मॉडल उन इंटरैक्शन के आधार पर एक सेगमेंट की भविष्यवाणी करता है। एमआईटी टीम द्वारा पहले विकसित एक उपकरण, स्क्रिबलप्रॉम्प्ट, ऐसा करने की अनुमति देता है, लेकिन इसे प्रत्येक नई छवि के लिए दोहराया जाना चाहिए।

कार्य-आधारित स्वचालित विभाजन : विभाजन को स्वचालित करने के लिए एक विशिष्ट AI मॉडल बनाएँ। इस विधि में प्रशिक्षण डेटासेट बनाने के लिए सैकड़ों छवियों को मैन्युअल रूप से विभाजित करना और फिर मशीन लर्निंग मॉडल को प्रशिक्षित करना शामिल है। हर बार जब कोई नया कार्य आता है, तो उपयोगकर्ता को इस पूरी जटिल प्रक्रिया को फिर से शुरू करना पड़ता है, और यदि मॉडल गलत है, तो उसे सीधे संपादित करने का कोई तरीका नहीं है।

नया सिस्टम, मल्टीवर्सेग, दोनों ही दुनिया के बेहतरीन पहलुओं को एक साथ लाता है। यह इंटरेक्शन (जैसे डूडलिंग) के आधार पर एक नई इमेज के लिए एक सेगमेंट का अनुमान लगाता है, लेकिन साथ ही हर सेगमेंटेड इमेज को बाद में संदर्भ के लिए एक संदर्भ सेट में सेव भी करता है।

जैसे-जैसे उपयोगकर्ता नई तस्वीरें अपलोड करते हैं और उन्हें चिह्नित करते हैं, मॉडल कम मेहनत में अधिक सटीक पूर्वानुमान लगाने के लिए संदर्भ सेट पर निर्भर करता है। वास्तुशिल्प डिज़ाइन किसी भी आकार के संदर्भ सेट की अनुमति देता है, जिससे यह उपकरण कई अनुप्रयोगों के लिए लचीला हो जाता है।

वोंग बताते हैं, "किसी समय, कई कार्यों के लिए, आपको कोई अतिरिक्त इंटरैक्शन प्रदान करने की आवश्यकता नहीं होगी। यदि संदर्भ सेट में पर्याप्त उदाहरण हैं, तो मॉडल स्वयं ही खंड का सटीक अनुमान लगा सकता है।"

मॉडल को विविध डेटासेट पर प्रशिक्षित किया जाता है ताकि यह सुनिश्चित किया जा सके कि उपयोगकर्ता प्रतिक्रिया के आधार पर पूर्वानुमानों में क्रमिक सुधार हो। उपयोगकर्ताओं को नए डेटा के लिए मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं है - बस नई मेडिकल इमेज लोड करें और लेबलिंग शुरू करें।

अन्य अत्याधुनिक उपकरणों के साथ तुलनात्मक परीक्षणों में, मल्टीवर्सेग दक्षता और सटीकता में बेहतर प्रदर्शन करता है।

कम काम, बेहतर परिणाम

मौजूदा टूल्स के विपरीत, मल्टीवर्सेग को प्रति इमेज कम इनपुट की आवश्यकता होती है। 9वीं इमेज तक, कार्य-विशिष्ट मॉडल की तुलना में अधिक सटीक सेगमेंटेशन उत्पन्न करने के लिए इसे केवल 2 क्लिक की आवश्यकता होती है।

एक्स-रे जैसी कुछ प्रकार की छवियों के साथ, उपयोगकर्ता को केवल 1-2 छवियों को मैन्युअल रूप से विभाजित करने की आवश्यकता हो सकती है, इससे पहले कि मॉडल बाकी की भविष्यवाणी करने के लिए पर्याप्त सटीक हो।

अन्तरक्रियाशीलता उपयोगकर्ताओं को पूर्वानुमानों को संशोधित करने की अनुमति देती है, और तब तक दोहराती रहती है जब तक कि वे वांछित सटीकता तक नहीं पहुँच जाते। पिछली प्रणाली की तुलना में, मल्टीवर्सेग ने केवल 2/3 स्ट्रोक और 3/4 क्लिक के साथ 90% सटीकता प्राप्त की।

वोंग ने आगे कहा, "मल्टीवर्सेग के साथ, उपयोगकर्ता एआई पूर्वानुमानों को बेहतर बनाने के लिए हमेशा इंटरैक्शन जोड़ सकते हैं। इससे प्रक्रिया में काफ़ी तेज़ी आती है क्योंकि संपादन बिल्कुल नए सिरे से शुरू करने की तुलना में बहुत तेज़ होता है।"

भविष्य में, टीम इस उपकरण का परीक्षण नैदानिक ​​अभ्यास में करना चाहती है, फीडबैक के आधार पर इसमें सुधार करना चाहती है, तथा इसकी विभाजन क्षमताओं को 3D बायोमेडिकल इमेजिंग तक विस्तारित करना चाहती है।

इस शोध को आंशिक रूप से क्वांटा कंप्यूटर, इंक., यू.एस. नेशनल इंस्टीट्यूट ऑफ हेल्थ (एनआईएच) और मैसाचुसेट्स लाइफ साइंसेज सेंटर के हार्डवेयर द्वारा समर्थित किया गया था।

(स्रोत: एमआईटी न्यूज़)

स्रोत: https://vietnamnet.vn/he-thong-ai-moi-ho-tro-day-nhanh-nghien-cuu-lam-sang-2450462.html