গবেষকরা কার্যকারণ মেশিন লার্নিং অন্বেষণ, স্বাস্থ্য পরিচর্যায় কৃত্রিম বুদ্ধিমত্তার একটি নতুন অগ্রগতি৷

কৃত্রিম বুদ্ধিমত্তা চিকিৎসা ক্ষেত্রে উন্নতি করছে। ইমেজিং প্রযুক্তি এবং স্বাস্থ্য ঝুঁকি গণনার বিকাশ এবং পরীক্ষার পর্যায়ে প্রচুর সংখ্যক কৃত্রিম বুদ্ধিমত্তা পদ্ধতি রয়েছে। যখনই নিদর্শনগুলি প্রচুর পরিমাণে ডেটাতে স্বীকৃত হয়, মেশিনগুলি মানবতার জন্য বিশাল সুবিধা নিয়ে আসবে বলে আশা করা হয়। কৃত্রিম বুদ্ধিমত্তা ক্লাসিক্যাল মডেল অনুসরণ করে, শেখা উদাহরণের সাথে তথ্যের তুলনা করে, উপসংহার অঙ্কন করে এবং অনুমান তৈরি করে।

এখন, এলএমইউতে ম্যানেজমেন্ট ইনস্টিটিউট ফর কৃত্রিম বুদ্ধিমত্তার (এআই) পরিচালক প্রফেসর স্টেফান ফিউরিগেলের নেতৃত্বে একটি আন্তর্জাতিক দল AI-এর তুলনামূলকভাবে নতুন ডায়াগনস্টিক এবং থেরাপিউটিক শাখার সম্ভাবনা অন্বেষণ করছে। কার্যকারণ মেশিন লার্নিং (ML) কি সাধারণত তারিখে ব্যবহৃত ML পদ্ধতির চেয়ে ভাল চিকিত্সার ফলাফল অনুমান করতে পারে?হ্যাঁ, এই গ্রুপের একটি গবেষণায় দেখা গেছে যে এটি রয়েছে প্রকাশ বিদ্যমান প্রাকৃতিক ঔষধ শিরোনাম হল “কার্যকর মেশিন লার্নিং চিকিৎসার কার্যকারিতা এবং নিরাপত্তা উন্নত করতে পারে।”

বিশেষ করে, নতুন এমএল ভেরিয়েন্টগুলি “রোগীর স্বাস্থ্যের উন্নতির জন্য ব্যক্তিগতকৃত চিকিত্সার কৌশলগুলির জন্য যথেষ্ট সুযোগ” অফার করে, মিউনিখ, কেমব্রিজ (ইউকে) এবং বোস্টন (মার্কিন) এর গবেষকরা লেখেন, যার মধ্যে স্টেফান বাউয়ার এবং নিকি কিলবার্টাস টেকনিক্যালের কম্পিউটার সায়েন্সের অধ্যাপক। মিউনিখ বিশ্ববিদ্যালয় (টিইউএম) এবং হেলমহোল্টজ এআই দলের নেতা।

চিকিত্সার সিদ্ধান্ত নেওয়ার ক্ষেত্রে মেশিন সহায়তার জন্য, লেখকরা গুণমানের একটি নিষ্পত্তিমূলক লাফের প্রত্যাশা করেন। ক্লাসিক্যাল মেশিন লার্নিং, তারা যুক্তি দেয়, প্যাটার্ন চিনতে পারে এবং পারস্পরিক সম্পর্ক আবিষ্কার করতে পারে। যাইহোক, কার্যকারণ নীতি এখনও সাধারণত মেশিনে প্রযোজ্য নয়। কেন তারা বুঝতে পারে না। যাইহোক, চিকিত্সার সিদ্ধান্ত নেওয়ার সময় উদ্ভূত সমস্যাগুলির মধ্যে অনেকগুলি কারণ এবং প্রভাবের প্রশ্ন জড়িত।

লেখকরা ডায়াবেটিসের উদাহরণ ব্যবহার করে এটিকে ব্যাখ্যা করেছেন: ক্লাসিক মেশিন লার্নিং এর লক্ষ্য হল ঝুঁকির কারণগুলির একটি সেট সহ নির্দিষ্ট রোগীর এই রোগ হওয়ার সম্ভাবনা কতটা ভবিষ্যদ্বাণী করা। কার্যকারণ এমএল দিয়ে, একজন আদর্শভাবে উত্তর দিতে পারে যে একজন রোগী যদি একটি অ্যান্টিডায়াবেটিক ওষুধ গ্রহণ করেন, অর্থাৎ কারণের প্রভাব পরিমাপ করেন (ড্রাগ প্রেসক্রিপশন)। সাধারণভাবে নির্ধারিত ওষুধ মেটফর্মিনের চেয়ে অন্য চিকিত্সা পরিকল্পনা ভাল হবে কিনা তাও আপনি অনুমান করতে পারেন।

যাইহোক, একটি অনুমানমূলক চিকিত্সার প্রভাব অনুমান করতে সক্ষম হতে, “এআই মডেলগুলিকে অবশ্যই 'প্রকৃতিতে কী হবে?' প্রশ্নের উত্তর দিতে শিখতে হবে,” ফিউরিগেলের দলের একজন ডক্টরাল ছাত্র বলেছেন।

“আমরা কার্যকারণ কাঠামো সনাক্ত করতে এবং সঠিকভাবে সমস্যা তৈরি করার জন্য যন্ত্রটিকে নিয়ম সরবরাহ করি,” ফিউরিগেল বলেছেন। তারপর মেশিনটিকে অবশ্যই হস্তক্ষেপের প্রভাবগুলি চিনতে শিখতে হবে এবং কম্পিউটারে দেওয়া ডেটাতে বাস্তব জীবনের পরিণতিগুলি কীভাবে প্রতিফলিত হয় তা বুঝতে হবে।

“মেডিসিনে কার্যকারণ মেশিন লার্নিং পদ্ধতিগুলি ব্যবহার করার জন্য আমাদের যে সফ্টওয়্যারটি দরকার তা সহজে উপলব্ধ নয়,” ফিউরিগেল বলেছিলেন। পরিবর্তে, পৃথক সমস্যার “জটিল মডেলিং” প্রয়োজন, “এআই বিশেষজ্ঞ এবং ডাক্তারদের মধ্যে ঘনিষ্ঠ সহযোগিতা” জড়িত।

TUM-এ তার সহকর্মী স্টিফান বাউয়ার এবং নিকি কিলবার্টাসের মতো, Feuerriegel এছাড়াও মিউনিখ সেন্টার ফর মেশিন লার্নিং (MCML) এবং কনরাড জুস ইনস্টিটিউট অফ এক্সিলেন্সের নির্ভরযোগ্য কৃত্রিম বুদ্ধিমত্তার জন্য মেডিসিন, সিদ্ধান্ত গ্রহণ এবং অন্যান্য বিষয়ে কৃত্রিম বুদ্ধিমত্তা সম্পর্কিত সমস্যাগুলি নিয়ে গবেষণা করেন।

Feuerriegel ব্যাখ্যা করেছেন যে কার্যকারণ মেশিন লার্নিং-এর কাজ বিটাতে বছরের পর বছর ধরে অন্যান্য প্রয়োগের ক্ষেত্রে যেমন বিপণনের মতো। “আমাদের লক্ষ্য হল এই পদ্ধতিগুলিকে অনুশীলনের কাছাকাছি নিয়ে আসা। এই কাগজটি আগামী কয়েক বছরে যে দিকের বিকাশ ঘটতে পারে তা বর্ণনা করে।”