نیا AI نظام طبی تحقیق کو تیز کرنے میں مدد کرتا ہے۔

طبی امیجز میں دلچسپی کے علاقوں کی تیزی سے تشریح کی اجازت دے کر، یہ ٹول سائنسدانوں کو نئے علاج کی تحقیق کرنے یا بیماری کی ترقی کا نقشہ بنانے میں مدد کر سکتا ہے۔

AI ایپلی کیشن طبی تصویر کی تشخیص کی حمایت کرتی ہے۔ تصویر: مڈجرنی

طبی امیجز میں دلچسپی کے علاقوں کی تشریح کرنا، ایک ایسا عمل جسے سیگمنٹیشن کہا جاتا ہے، اکثر طبی محققین کا پہلا قدم ہوتا ہے جب بائیو میڈیکل امیجنگ پر مشتمل ایک نیا مطالعہ کرتے ہیں۔

مثال کے طور پر، اس بات کا تعین کرنے کے لیے کہ مریض کے ہپپوکیمپس کا سائز عمر کے ساتھ کیسے بدلتا ہے، سائنسدانوں کو دماغی اسکینوں کی ایک سیریز میں ہر ہپپوکیمپس کا نقشہ بنانا چاہیے۔ بہت سے ڈھانچے اور امیجنگ کی اقسام کو دیکھتے ہوئے، یہ اکثر وقت گزارنے والا دستی عمل ہوتا ہے، خاص طور پر جب دلچسپی والے علاقوں کی حد بندی ناقص ہوتی ہے۔

اس عمل کو آسان بنانے کے لیے، MIT کے محققین نے ایک AI پر مبنی نظام تیار کیا ہے جو سائنسدانوں کو تصاویر پر کلک، ڈوڈلنگ، یا ڈرائنگ باکسز کے ذریعے نئے بائیو میڈیکل امیجنگ ڈیٹاسیٹ کو تیزی سے تقسیم کرنے کی اجازت دیتا ہے۔ AI ماڈل ان تعاملات کو انقطاع کی پیش گوئی کرنے کے لیے استعمال کرتا ہے۔

جیسا کہ صارف زیادہ تصاویر کو ٹیگ کرتا ہے، مطلوبہ تعاملات کی تعداد کم ہوتی جاتی ہے، بالآخر صفر پر گر جاتی ہے۔ اس کے بعد ماڈل صارف کے کسی اضافی ان پٹ کے بغیر نئی تصاویر کو درست طریقے سے تقسیم کر سکتا ہے۔

یہ اس لیے ممکن ہے کیونکہ ماڈل فن تعمیر کو خاص طور پر اس لیے ڈیزائن کیا گیا ہے کہ اس کے بعد کی تصویروں کے لیے پیشین گوئیاں کرنے کے لیے پہلے سے منقسم تصویروں سے معلومات کا فائدہ اٹھایا جائے۔ دیگر میڈیکل امیج سیگمنٹیشن ماڈلز کے برعکس، یہ سسٹم صارفین کو ہر تصویر کے لیے کام کو دہرائے بغیر پورے ڈیٹاسیٹ کو الگ کرنے کی اجازت دیتا ہے۔

مزید برآں، اس انٹرایکٹو ٹول کو تربیت کے لیے پہلے سے سیگمنٹڈ ڈیٹاسیٹ کی ضرورت نہیں ہے، لہذا صارفین کو مشین لرننگ کی مہارت یا پیچیدہ کمپیوٹیشنل وسائل کی ضرورت نہیں ہے۔ وہ ماڈل کو دوبارہ تربیت دیے بغیر سسٹم کو نئے سیگمنٹیشن ٹاسک کے لیے استعمال کر سکتے ہیں۔

طویل مدت میں، یہ آلہ نئے علاج میں تحقیق کو تیز کر سکتا ہے اور کلینیکل ٹرائلز اور طبی تحقیق کے اخراجات کو کم کر سکتا ہے۔ اسے ڈاکٹروں کے ذریعہ طبی ایپلی کیشنز کی کارکردگی کو بہتر بنانے کے لیے بھی استعمال کیا جا سکتا ہے، جیسے کہ تابکاری کے علاج کی منصوبہ بندی۔

"بہت سے سائنس دان اپنی تحقیق کے لیے روزانہ صرف چند تصاویر کو سیگمنٹ کرنے کے قابل ہو سکتے ہیں کیونکہ دستی سیگمنٹیشن بہت وقت طلب ہے۔ ہم امید کرتے ہیں کہ یہ نظام کلینیکل محققین کو ایسے مطالعات کرنے کی اجازت دے کر نئے سائنسی مواقع کھولے گا جو وہ موثر ٹولز کی کمی کی وجہ سے پہلے نہیں کر سکتے تھے،" ہیلی وونگ نے کہا، الیکٹریکل انجینئرنگ میں پی ایچ ڈی کی طالبہ، کمپیوٹر سائنس کے ماڈل پیپر میں ایک ماڈل مصنف۔

طبقہ کی اصلاح

فی الحال دو اہم طریقے ہیں جو محققین طبی امیجز کے نئے سیٹوں کو تقسیم کرنے کے لیے استعمال کرتے ہیں:

انٹرایکٹو سیگمنٹیشن: صارف AI سسٹم میں ایک تصویر داخل کرتا ہے اور دلچسپی کے علاقوں کو نشان زد کرتا ہے۔ ماڈل ان تعاملات کی بنیاد پر ایک طبقہ کی پیش گوئی کرتا ہے۔ MIT ٹیم، ScribblePrompt کی طرف سے پہلے تیار کردہ ایک ٹول ایسا کرنے کی اجازت دیتا ہے، لیکن اسے ہر نئی تصویر کے لیے دہرایا جانا چاہیے۔

ٹاسک پر مبنی آٹومیٹک سیگمنٹیشن : سیگمنٹیشن کو خودکار کرنے کے لیے ایک خصوصی AI ماڈل بنائیں۔ اس طریقہ کار کے لیے تربیتی ڈیٹاسیٹ بنانے کے لیے سیکڑوں تصاویر کو دستی طور پر الگ کرنا، پھر مشین لرننگ ماڈل کی تربیت کی ضرورت ہوتی ہے۔ ہر بار جب کوئی نیا کام آتا ہے، صارف کو اس پورے پیچیدہ عمل کو دوبارہ شروع کرنا پڑتا ہے، اور اگر ماڈل غلط ہے، تو اسے براہ راست ترمیم کرنے کا کوئی طریقہ نہیں ہے.

نیا نظام، MultiverSeg، دونوں جہانوں کے بہترین کو یکجا کرتا ہے۔ یہ تعاملات (جیسے ڈوڈلنگ) کی بنیاد پر ایک نئی تصویر کے لیے ایک سیگمنٹ کی پیشین گوئی کرتا ہے لیکن بعد میں حوالہ کے لیے ہر سیگمنٹ شدہ تصویر کو سیاق و سباق کے سیٹ میں محفوظ کرتا ہے۔

جیسا کہ صارفین نئی تصاویر اپ لوڈ کرتے ہیں اور انہیں نشان زد کرتے ہیں، ماڈل کم کام کے ساتھ زیادہ درست پیشین گوئیاں کرنے کے لیے سیاق و سباق کے سیٹ پر انحصار کرتا ہے۔ آرکیٹیکچرل ڈیزائن کسی بھی سائز کے سیاق و سباق کے سیٹ کی اجازت دیتا ہے، جس سے ٹول بہت سی ایپلی کیشنز کے لیے لچکدار ہو جاتا ہے۔

"کچھ وقت پر، بہت سے کاموں کے لیے، آپ کو کوئی اضافی تعامل فراہم کرنے کی ضرورت نہیں ہوگی۔ اگر سیاق و سباق کے سیٹ میں کافی مثالیں موجود ہیں، تو ماڈل خود ہی اس حصے کی درست پیش گوئی کر سکتا ہے،" وونگ بتاتے ہیں۔

ماڈل کو متنوع ڈیٹا سیٹس پر تربیت دی جاتی ہے تاکہ یہ یقینی بنایا جا سکے کہ صارف کے تاثرات کی بنیاد پر پیشین گوئیاں بتدریج بہتر ہو رہی ہیں۔ صارفین کو نئے ڈیٹا کے لیے ماڈل کو دوبارہ تربیت دینے کی ضرورت نہیں ہے - بس نئی طبی تصاویر لوڈ کریں اور لیبل لگانا شروع کریں۔

دوسرے جدید ترین ٹولز کے مقابلے ٹیسٹ میں، MultiverSeg کارکردگی اور درستگی میں بہتر کارکردگی کا مظاہرہ کرتا ہے۔

کم کام، بہتر نتائج

موجودہ ٹولز کے برعکس، MultiverSeg کو فی تصویر کم ان پٹ کی ضرورت ہوتی ہے۔ 9ویں تصویر تک، اسے کام کے مخصوص ماڈل سے زیادہ درست سیگمنٹیشن پیدا کرنے کے لیے صرف 2 کلکس کی ضرورت ہے۔

کچھ قسم کی تصاویر جیسے ایکس رے کے ساتھ، صارف کو صرف 1-2 تصاویر کو دستی طور پر تقسیم کرنے کی ضرورت ہو سکتی ہے اس سے پہلے کہ ماڈل کافی درست ہو جائے تاکہ باقی کی پیشن گوئی کی جا سکے۔

انٹرایکٹیویٹی صارفین کو پیشین گوئیوں میں ترمیم کرنے کی اجازت دیتی ہے، جب تک وہ مطلوبہ درستگی تک نہیں پہنچ جاتے۔ پچھلے نظام کے مقابلے میں، MultiverSeg نے صرف 2/3 سٹروک اور 3/4 کلکس کے ساتھ 90% درستگی حاصل کی۔

"MultiverSeg کے ساتھ، صارفین ہمیشہ AI پیشین گوئیوں کو بہتر بنانے کے لیے تعاملات شامل کر سکتے ہیں۔ یہ اب بھی عمل کو نمایاں طور پر تیز کرتا ہے کیونکہ ترمیم شروع سے شروع کرنے سے کہیں زیادہ تیز ہے،" وونگ نے مزید کہا۔

مستقبل میں، ٹیم کلینکل پریکٹس میں ٹول کی جانچ کرنا چاہتی ہے، فیڈ بیک کی بنیاد پر بہتری لانا چاہتی ہے، اور اس کی سیگمنٹیشن صلاحیتوں کو 3D بائیو میڈیکل امیجنگ تک بڑھانا چاہتی ہے۔

تحقیق کو جزوی طور پر کوانٹا کمپیوٹر، انکارپوریٹڈ، یو ایس نیشنل انسٹی ٹیوٹ آف ہیلتھ (NIH) اور میساچوسٹس لائف سائنسز سینٹر کے ہارڈ ویئر نے تعاون کیا۔

(ماخذ: ایم آئی ٹی نیوز)

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