एआई | डीप लर्निंग के ज़रिए फेफड़ों में कोविड-19 का पता लगाना
"मैं माता-पिता को अपने डॉक्टरों से बात करने के लिए प्रोत्साहित करता हूं कि वे अपने बच्चों को गंभीर RSV बीमारी से कैसे बचाएं, या तो गर्भावस्था के दौरान दिए गए टीके का उपयोग करें, या जन्म के बाद अपने बच्चे को दिए जाने वाले RSV टीकाकरण का उपयोग करें"
रोग नियंत्रण एवं रोकथाम केंद्र (सीडीसी) के निदेशक तथा विषैले पदार्थ एवं रोग रजिस्ट्री एजेंसी के प्रशासक
पिछले कुछ वर्षों में, शोधकर्ताओं ने मेडिकल इमेजिंग में मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस को लागू करने में बहुत प्रगति की है। एक क्षेत्र जिसने आशाजनक परिणाम दिखाए हैं, वह है फेफड़ों की अल्ट्रासाउंड छवियों का विश्लेषण करने और COVID-19 के लक्षणों का पता लगाने के लिए डीप न्यूरल नेटवर्क (DNN) का उपयोग करना। हालाँकि, इन जटिल मॉडलों को प्रशिक्षित करने के लिए सटीक एनोटेशन के साथ उच्च गुणवत्ता वाले चिकित्सा डेटा की बहुत अधिक मात्रा की आवश्यकता होती है, जिसे प्राप्त करना मुश्किल हो सकता है।
डॉ. मुयिनतु बेल के नेतृत्व में जॉन्स हॉपकिन्स विश्वविद्यालय के शोधकर्ताओं की एक टीम ने वास्तविक रोगी डेटा और मॉडलिंग सॉफ़्टवेयर से उत्पन्न नकली अल्ट्रासाउंड छवियों दोनों का उपयोग करके फेफड़ों के अल्ट्रासाउंड में कोविड-19 विशेषताओं का पता लगाने के लिए डीएनएन को प्रशिक्षित करने के लिए विभिन्न रणनीतियों की जांच की। उनका लक्ष्य सबसे प्रभावी प्रशिक्षण दृष्टिकोण निर्धारित करना था जब वास्तविक दुनिया का डेटा सीमित हो, जैसा कि अक्सर महामारी की शुरुआत में होता था।
जर्नल कम्युनिकेशन्स मेडिसिन में प्रकाशित उनके निष्कर्ष इस बारे में मूल्यवान जानकारी प्रदान करते हैं कि कैसे सिम्युलेटेड मेडिकल डेटा स्वास्थ्य सेवा अनुप्रयोगों के लिए डीप लर्निंग मॉडल के प्रशिक्षण में सीमाओं को संबोधित करने में मदद कर सकता है। वास्तविक रोगी उदाहरणों का उपयोग करके उचित सत्यापन के साथ, सिम्युलेटेड डेटा सीमित एनोटेटेड वास्तविक दुनिया के उदाहरणों के पूरक या विकल्प के रूप में आशाजनक साबित होता है। खोजी गई रणनीतियाँ मेडिकल स्कैन की व्याख्या करने और निदान में सहायता करने के लिए कृत्रिम बुद्धिमत्ता के उन्नत अनुप्रयोगों में मदद कर सकती हैं।
मेडिकल इमेज विश्लेषण में डीप न्यूरल नेटवर्क को लागू करने में एक बाधा जटिल मॉडलों को प्रशिक्षित करने के लिए आवश्यक उच्च-गुणवत्ता वाले एनोटेटेड डेटा की विशाल मात्रा है। हज़ारों मेडिकल छवियों को मैन्युअल रूप से एनोटेट और लेबल करने में विशेषज्ञों को बहुत समय और प्रयास लगता है। यहां तक कि जब वास्तविक दुनिया के डेटासेट एकत्र किए जाते हैं, तो छवि गुणवत्ता, रोगी जनसांख्यिकी और उपकरण जैसे चर ऐसे तरीकों से भिन्न हो सकते हैं जो मॉडल की सामान्यीकरण करने की क्षमता को प्रभावित करते हैं।
जॉन्स हॉपकिन्स टीम ने अपने डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए कोविड-19 रोगियों से वास्तविक दुनिया के फेफड़ों के अल्ट्रासाउंड क्लिप और मॉडलिंग सॉफ़्टवेयर के साथ उत्पन्न नकली अल्ट्रासाउंड छवियों दोनों का उपयोग करने का पता लगाया। सिमुलेशन ने ज्ञात जमीनी सच्चाई के साथ, असीमित एनोटेट छवियों को कुशलतापूर्वक उत्पन्न करने की अनुमति दी। हालाँकि, पिछले अध्ययनों में पाया गया कि सिमुलेशन और वास्तविकता के बीच डोमेन अंतर के कारण अकेले नकली डेटा वास्तविक रोगी उदाहरणों पर अच्छी तरह से स्थानांतरित नहीं होता है।
शोधकर्ताओं ने डीएनएन को प्रशिक्षित करने के लिए सात अलग-अलग रणनीतियों की जांच की ताकि बी-लाइन पैटर्न को खंडित किया जा सके और पता लगाया जा सके, जो फेफड़ों के अल्ट्रासाउंड में कोविड-19 का एक प्रमुख संकेत है, या तो वास्तविक डेटा, नकली डेटा या संयोजनों का उपयोग करके:
1. केवल नकली डेटा
2. केवल वास्तविक दुनिया का डेटासेट
3. 1 और 2 का संयोजन
4. विभाजित वास्तविक दुनिया डेटासेट (अधिकांश पर प्रशिक्षण, उपसमूह पर परीक्षण)
5. 1 और 4 का संयोजन
6. 2 और 4 का संयोजन
7. 1, 2 और 4 का संयोजन
उन्होंने कोविड-19 रोगियों से प्राप्त वास्तविक अल्ट्रासाउंड क्लिप में बी-लाइनों को सही ढंग से विभाजित करने की प्रत्येक रणनीति की क्षमता का परीक्षण किया। अतिरिक्त प्रयोगों ने छवि वृद्धि जैसे कि घुमाव और कंट्रास्ट/धुंधलेपन में परिवर्तन के प्रभाव का पता लगाया।
अध्ययन ने वास्तविक दुनिया के चिकित्सा डेटा के सीमित होने पर गहन शिक्षण मॉडलों को प्रभावी ढंग से प्रशिक्षित करने पर कई महत्वपूर्ण निष्कर्ष निकाले:
- प्रशिक्षण के दौरान डेटा वृद्धि ने मॉडल के प्रदर्शन में उल्लेखनीय सुधार किया, विशेष रूप से बी-लाइनों को विभाजित करने के लिए। इससे प्रशिक्षण और परीक्षण डेटा वितरण के बीच अंतर को संबोधित करने में मदद मिली।
- जब परीक्षण मामलों के समान वितरण से वास्तविक डेटा उपलब्ध नहीं था, तो अन्य डोमेन (रणनीति 3) से सिम्युलेटेड और वास्तविक डेटासेट को संयोजित करना सबसे अच्छा काम करता था, जो केवल सिम्युलेटेड या केवल वास्तविक दृष्टिकोण से बेहतर प्रदर्शन करता था।
– जब आंशिक रूप से ओवरलैपिंग वास्तविक परीक्षण/प्रशिक्षण डेटा का उपयोग किया गया (रणनीति 4-7), जिसमें सिम्युलेटेड उदाहरण शामिल थे, तो वास्तविक-केवल की तुलना में परिणामों में और सुधार हुआ, विशेष रूप से शुरुआती प्रशिक्षण चरणों में।
– सभी डेटा स्रोतों (रणनीति 7) को संयोजित करने से सबसे अधिक सुसंगत प्रदर्शन हुआ, जबकि वास्तविक-केवल दृष्टिकोणों की तुलना में कम प्रशिक्षण पुनरावृत्तियों की आवश्यकता पड़ी।
- परीक्षण मामलों (रणनीति 2) की तुलना में अलग-अलग वितरणों से वास्तविक डेटा पर पूरी तरह निर्भर रहने से सिमुलेशन के साथ संयोजनों के सापेक्ष खराब प्रदर्शन हुआ।
कुल मिलाकर, सावधानीपूर्वक निर्मित सिम्युलेटेड डेटा को शामिल करने से पूरी तरह से एनोटेट किए गए वास्तविक दुनिया के उदाहरणों में सीमाओं को संबोधित करने में मदद मिली, संभवतः प्रभावी प्रशिक्षण डेटासेट आकार और विविधता को बढ़ाकर। कुछ मामलों में सिमुलेशन को शामिल करने से प्रशिक्षण दक्षता में भी सुधार हुआ।
परिणाम डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए वास्तविक और सिम्युलेटेड मेडिकल इमेजिंग डेटा दोनों को प्रभावी ढंग से लागू करने पर मूल्यवान मार्गदर्शन प्रदान करते हैं - एक महत्वपूर्ण क्षेत्र क्योंकि कृत्रिम बुद्धिमत्ता स्वास्थ्य सेवा में अपनी भूमिका का विस्तार कर रही है। कुछ प्रमुख निष्कर्ष इस प्रकार हैं:
– जब वास्तविक दुनिया के उदाहरण सीमित होते हैं, तो सिम्युलेटेड डेटा एक पूरक के रूप में आशाजनक साबित होता है, जो केवल वास्तविक दृष्टिकोणों की तुलना में प्रदर्शन में सुधार करता है।
- विभिन्न डोमेन से सिम्युलेटेड और वास्तविक डेटा का संयोजन अकेले सिम्युलेटेड की तुलना में बेहतर काम करता है, संभवतः बढ़ती विविधता के कारण।
– प्रशिक्षण के दौरान डेटा संवर्द्धन को शामिल करने से उपलब्ध प्रशिक्षण और इच्छित परीक्षण मामलों के बीच अंतर को कम करने में मदद मिलती है।
– बड़े, अधिक व्यापक सिम्युलेटेड डेटासेट पूरी तरह से ओवरलैपिंग वास्तविक उदाहरणों की आवश्यकता के बिना मॉडल को प्रशिक्षित करने की अनुमति दे सकते हैं।
आगे बढ़ते हुए, अधिक यथार्थवादी सिमुलेशन जो अधिक नैदानिक परिवर्तनशीलता को पकड़ते हैं, डीप लर्निंग मॉडल को और भी बेहतर तरीके से सामान्य बनाने में मदद कर सकते हैं। वास्तविक रोगी मामलों का उपयोग करके निरंतर सत्यापन भी महत्वपूर्ण होगा। जैसे-जैसे एनोटेटेड मेडिकल उदाहरणों को कुशलतापूर्वक उत्पन्न करने के लिए बेहतर उपकरण सामने आते हैं, सिमुलेशन-संवर्धित प्रशिक्षण सीमाओं को संबोधित करने और एआई-सहायता प्राप्त निदान में तेजी लाने की क्षमता रखता है। कुल मिलाकर, अध्ययन डीप लर्निंग के साथ वास्तविक और सिम्युलेटेड हेल्थकेयर डेटा दोनों का प्रभावी ढंग से लाभ उठाने के लिए एक मूल्यवान ढांचा प्रदान करता है।
संदर्भ
संबंधित लेख देखने के लिए टैग पर क्लिक करें:
AI | COVID-19 | निदान | मशीन लर्निंग | चिकित्सा | सार्वजनिक स्वास्थ्य | श्वसन | SARS-COV2
- Millions of new solar system objects to be found...
on June, 2025 at 1:34 amAstronomers have revealed new research showing that millions of new solar system objects are likely to be detected by a brand-new facility, which is expected to come online later this year.
- Tea, berries, dark chocolate and apples could...on June, 2025 at 3:50 pm
New research has found that those who consume a diverse range of foods rich in flavonoids, such as tea, berries, dark chocolate, and apples, could lower their risk of developing serious health conditions and have the potential to live longer.
- Being in nature can help people with chronic back...on June, 2025 at 3:50 pm
Researchers asked patients, some of whom had experienced lower back pain for up to 40 years, if being in nature helped them coped better with their lower back pain. They found that people able to spend time in their own gardens saw some health and wellbeing benefits. However, those able to immerse […]
- Scientists say next few years vital to securing...on June, 2025 at 3:50 pm
Collapse of the West Antarctic Ice Sheet could be triggered with very little ocean warming above present-day, leading to a devastating four meters of global sea level rise to play out over hundreds of years according to a new study. However, the authors emphasize that immediate actions to reduce […]
- First direct observation of the trapped waves...on June, 2025 at 3:50 pm
A new study has finally confirmed the theory that the cause of extraordinary global tremors in September -- October 2023 was indeed two mega tsunamis in Greenland that became trapped standing waves. Using a brand-new type of satellite altimetry, the researchers provide the first observations to […]
- DNA floating in the air tracks wildlife, viruses...on June, 2025 at 3:48 pm
Environmental DNA from the air, captured with simple air filters, can track everything from illegal drugs to the wildlife it was originally designed to study.
