নতুন এআই পদ্ধতি চিকিৎসা চিত্রগুলিতে অনিশ্চয়তা ক্যাপচার করে

বায়োমেডিসিনে, সেগমেন্টেশনের সাথে অঙ্গ বা কোষের মতো মেডিকেল ইমেজে গুরুত্বপূর্ণ কাঠামোর পিক্সেল টীকা করা জড়িত। এআই মডেলগুলি রোগ বা অস্বাভাবিকতার লক্ষণ দেখাতে পারে এমন পিক্সেলগুলি হাইলাইট করে চিকিত্সকদের সাহায্য করতে পারে।

যাইহোক, এই মডেলগুলি প্রায়ই মেডিকেল ইমেজ প্রশ্নের শুধুমাত্র একটি উত্তর প্রদান করে বিভাজন সাধারণত কালো এবং সাদা থেকে দূরে থাকুন। পাঁচজন বিশেষজ্ঞ মানব টীকাকারী পাঁচটি ভিন্ন বিভাজন প্রদান করতে পারে এবং ফুসফুসের সিটি ইমেজগুলিতে নোডুল সীমানার উপস্থিতি বা ব্যাপ্তি নিয়ে দ্বিমত পোষণ করতে পারে।

“পছন্দ থাকা সিদ্ধান্ত গ্রহণে সাহায্য করতে পারে। এমনকি শুধুমাত্র একটি মেডিকেল ইমেজে অনিশ্চয়তা দেখা কারো সিদ্ধান্তকে প্রভাবিত করতে পারে, তাই সেই অনিশ্চয়তাকে বিবেচনায় নেওয়া গুরুত্বপূর্ণ,” বলেছেন মারিয়েন রাকিক, এমআইটি-তে কম্পিউটার বিজ্ঞানে পিএইচডি। প্রার্থী

রাকিক এমআইটি, ব্রড ইনস্টিটিউট অফ এমআইটি এবং হার্ভার্ড এবং ম্যাসাচুসেটস জেনারেল হাসপাতালে অন্যদের সাথে একটি গবেষণাপত্রের সহ-লেখক যা একটি নতুন কৃত্রিম বুদ্ধিমত্তার সরঞ্জাম বর্ণনা করে যা অনিশ্চয়তাকে ক্যাপচার করতে পারে।

সিস্টেম, “টাইচে” (যার নামকরণ করা হয়েছে সুযোগের গ্রীক দেবতার নামানুসারে), একাধিক বিশ্বাসযোগ্য বিভাজন প্রদান করে, প্রতিটি চিকিৎসা চিত্রের সামান্য ভিন্ন ক্ষেত্রগুলিকে হাইলাইট করে। ব্যবহারকারীরা Tyche আউটপুট অপশনের সংখ্যা নির্দিষ্ট করতে পারে এবং তাদের উদ্দেশ্যে সবচেয়ে উপযুক্ত বিকল্পগুলি নির্বাচন করতে পারে।

গুরুত্বপূর্ণভাবে, Tyche পুনরায় প্রশিক্ষণের প্রয়োজন ছাড়াই নতুন সেগমেন্টেশন কাজগুলি পরিচালনা করতে পারে। প্রশিক্ষণ হল একটি ডেটা-নিবিড় প্রক্রিয়া যার মধ্যে মডেলটিকে অনেক উদাহরণ দেখানো জড়িত এবং এর জন্য মেশিন শেখার ব্যাপক অভিজ্ঞতা প্রয়োজন।

যেহেতু Tyche কোন পুনঃপ্রশিক্ষণের প্রয়োজন নেই, এটি চিকিত্সকদের জন্য সহজ হবে বায়োমেডিকাল গবেষক কিছু অন্যান্য পদ্ধতির তুলনায় ব্যবহার করা সহজ। ফুসফুসের এক্স-রেতে ক্ষত শনাক্ত করা থেকে শুরু করে মস্তিষ্কের এমআরআই-তে অস্বাভাবিকতা চিহ্নিত করা পর্যন্ত বিভিন্ন কাজে এটি “বাক্সের বাইরে” প্রয়োগ করা যেতে পারে।

শেষ পর্যন্ত, সিস্টেমটি অন্যান্য AI সরঞ্জামগুলি মিস করতে পারে এমন সম্ভাব্য সমালোচনামূলক তথ্যের প্রতি দৃষ্টি আকর্ষণ করে রোগ নির্ণয় বা বায়োমেডিকাল গবেষণায় সহায়তা করতে পারে।

হার্ভার্ড মেডিক্যাল স্কুলের সহকারী অধ্যাপক, সিনিয়র লেখক অ্যাড্রিয়ান ডালকা যোগ করেছেন: “অস্পষ্টতা যথেষ্ট অধ্যয়ন করা হয়নি। যদি আপনার মডেলটি একটি নোডুলকে সম্পূর্ণরূপে উপেক্ষা করে এবং তিনজন বিশেষজ্ঞ বলে যে এটি বিদ্যমান, এবং দুইজন বিশেষজ্ঞ বলেন যে এটি নেই, তাহলে এটি হতে পারে ম্যাসাচুসেটস জেনারেল হসপিটাল (এমজিএইচ) এবং এমআইটি কম্পিউটার সায়েন্স অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ল্যাবরেটরি (সিএসএআইএল) এর একজন গবেষণা বিজ্ঞানী বলেছেন যেটির প্রতি আপনার মনোযোগ দেওয়া উচিত।

তাদের সহ-লেখকদের মধ্যে রয়েছে হ্যালি ওং, একজন স্নাতক ছাত্র। বৈদ্যুতিক প্রকৌশলী এবং কম্পিউটার বিজ্ঞান; বেথ সিমিনি, জৈবিক চিত্র বিশ্লেষণের সহযোগী পরিচালক, ডগাল ডুগাল্ড সি. জ্যাকসন কম্পিউটার সায়েন্স অ্যান্ড ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং; Rakic ​​IEEE কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন কনফারেন্সে Tyche উপস্থাপন করবে, যেখানে Tyche একটি হাইলাইট হিসাবে নির্বাচিত হয়েছিল।

অস্পষ্টতা সমাধান করুন

মেডিকেল ইমেজ সেগমেন্টেশনের জন্য কৃত্রিম বুদ্ধিমত্তা সিস্টেম প্রায়ই নিউরাল নেটওয়ার্ক ব্যবহার করে। শিথিলভাবে মানুষের মস্তিষ্কের উপর ভিত্তি করে, নিউরাল নেটওয়ার্ক এটি একটি মেশিন লার্নিং মডেল যা ডেটা প্রক্রিয়া করার জন্য ব্যবহৃত নোড বা নিউরনের অনেক আন্তঃসংযুক্ত স্তরের সমন্বয়ে গঠিত।

ব্রড ইনস্টিটিউট এবং ম্যাসাচুসেটস জেনারেল হাসপাতালের সহযোগীদের সাথে কথা বলার পরে যারা এই সিস্টেমগুলি ব্যবহার করছিলেন, গবেষকরা বুঝতে পেরেছিলেন যে দুটি প্রধান সমস্যা ছিল যা তাদের কার্যকারিতা সীমিত করেছিল। এই মডেলগুলি অনিশ্চয়তা ক্যাপচার করতে পারে না, এবং তাদের অবশ্যই সামান্য ভিন্ন বিভাজন কাজের জন্য পুনরায় প্রশিক্ষণ দিতে হবে।

রাকিক বলেন, কিছু পন্থা একটি বিপত্তি কাটিয়ে ওঠার চেষ্টা করে, কিন্তু একক সমাধান দিয়ে উভয় সমস্যার সমাধান করা বিশেষভাবে কঠিন প্রমাণিত হয়েছে।

“আপনি যদি অস্পষ্টতার জন্য অ্যাকাউন্ট করতে চান তবে আপনাকে প্রায়শই অত্যন্ত জটিল মডেলগুলি ব্যবহার করতে হবে। আমরা যে পদ্ধতিটি প্রস্তাব করি, আমরা একটি অপেক্ষাকৃত ছোট মডেল ব্যবহার করা সহজ করার লক্ষ্য রাখি যাতে এটি দ্রুত ভবিষ্যদ্বাণী করতে পারে,” তিনি বলেছিলেন।

গবেষকরা একটি সাধারণ নিউরাল নেটওয়ার্ক আর্কিটেকচার পরিবর্তন করে Tyche তৈরি করেছেন।

ব্যবহারকারী প্রথমে বিভক্ত কাজগুলি দেখানো কিছু উদাহরণ সহ Tyche প্রদান করে। উদাহরণস্বরূপ, একটি উদাহরণে বিভিন্ন মানব বিশেষজ্ঞদের দ্বারা বিভক্ত কার্ডিয়াক এমআরআই থেকে ক্ষতগুলির বেশ কয়েকটি চিত্র অন্তর্ভুক্ত থাকতে পারে যাতে মডেলটি কাজটি শিখতে পারে এবং অস্পষ্টতা রয়েছে কিনা তা আবিষ্কার করতে পারে।

গবেষকরা দেখেছেন যে মডেলটির জন্য ভাল ভবিষ্যদ্বাণী করার জন্য মাত্র 16টি উদাহরণ চিত্র (একটি “প্রসঙ্গ সেট” বলা হয়) যথেষ্ট ছিল, কিন্তু ব্যবহার করা যেতে পারে এমন উদাহরণের সংখ্যার কোন সীমা ছিল না। প্রসঙ্গ সেটগুলি পুনরায় প্রশিক্ষণ ছাড়াই নতুন কাজগুলি সমাধান করতে Tycheকে সক্ষম করে৷

Tyche কে অনিশ্চয়তা ক্যাপচার করার অনুমতি দেওয়ার জন্য, গবেষকরা একটি মেডিকেল ইমেজ ইনপুট এবং প্রসঙ্গগুলির একটি সেটের উপর ভিত্তি করে একাধিক ভবিষ্যদ্বাণী আউটপুট করতে নিউরাল নেটওয়ার্ককে সংশোধন করেছেন। তারা নেটওয়ার্কের স্তরগুলিকে টিউন করেছে যাতে ডেটা এক স্তর থেকে অন্য স্তরে চলে যাওয়ার সাথে সাথে প্রতিটি ধাপে উত্পন্ন প্রার্থী বিভাগগুলি একে অপরের সাথে এবং প্রসঙ্গ সেটের উদাহরণগুলির সাথে “কথা বলতে” পারে।

এইভাবে, মডেলটি নিশ্চিত করে যে প্রার্থীর বিভাজনগুলি একটু আলাদা কিন্তু এখনও কাজটি সমাধান করে।

“এটি পাশা ঘূর্ণায়মান মত। যদি আপনার মডেল একটি দুই, একটি তিন বা একটি চার রোল করতে পারে, কিন্তু আপনি একটি দুই এবং একটি চার পেয়েছেন জানেন না, যে কোনো একটি আবার আসতে পারে,” তিনি বলেন.

তারা সেরা ভবিষ্যদ্বাণীগুলির গুণমানকে সর্বাধিক করে পুরষ্কার অর্জনের জন্য প্রশিক্ষণ প্রক্রিয়াটিকেও সংশোধন করেছে৷

ব্যবহারকারী যদি পাঁচটি ভবিষ্যদ্বাণীর জন্য জিজ্ঞাসা করে, শেষ পর্যন্ত তারা Tyche দ্বারা উত্পন্ন পাঁচটি মেডিকেল ইমেজ সেগমেন্টেশন দেখতে পাবে, এমনকি যদি তাদের মধ্যে একটি অন্যদের থেকে ভাল হতে পারে।

গবেষকরা Tyche এর একটি সংস্করণও তৈরি করেছেন যা মেডিকেল ইমেজ সেগমেন্টেশনের জন্য বিদ্যমান প্রাক-প্রশিক্ষিত মডেলগুলির সাথে ব্যবহার করা যেতে পারে। এই ক্ষেত্রে, Tyche ছবিতে সামান্য রূপান্তর প্রয়োগ করে একাধিক প্রার্থীকে আউটপুট করতে মডেলটিকে সক্ষম করে।

আরও ভাল, দ্রুত ভবিষ্যদ্বাণী

গবেষকরা যখন টীকে মেডিকেল ইমেজগুলির একটি ডেটাসেট ব্যবহার করে পরীক্ষা করেন, তখন তারা দেখতে পান যে এর ভবিষ্যদ্বাণীগুলি মানব টীকাকারের বৈচিত্র্যকে ধরে রেখেছে এবং এর সেরা ভবিষ্যদ্বাণীগুলি যে কোনও বেসলাইন মডেলকে ছাড়িয়ে গেছে। Tyche বেশিরভাগ মডেলের চেয়ে দ্রুত সঞ্চালন করে।

“একাধিক প্রার্থীকে রপ্তানি করা এবং তারা একে অপরের থেকে আলাদা তা নিশ্চিত করা সত্যিই আপনাকে একটি সুবিধা দেয়,” রাকিক বলেছিলেন।

গবেষকরা আরও খুঁজে পেয়েছেন যে Tyche বড়, বিশেষ ডেটাসেট ব্যবহার করে প্রশিক্ষিত আরও জটিল মডেলগুলিকে ছাড়িয়ে যেতে পারে।

ভবিষ্যতের কাজের জন্য, তারা সম্ভবত পাঠ্য বা একাধিক ধরণের চিত্র সহ প্রসঙ্গগুলির আরও নমনীয় সেট ব্যবহার করার চেষ্টা করার পরিকল্পনা করেছে। উপরন্তু, তারা Tyche এর সবচেয়ে খারাপ-কেস ভবিষ্যদ্বাণীগুলি উন্নত করার উপায়গুলি অন্বেষণ করার এবং সিস্টেমটিকে উন্নত করার আশা করছে যাতে এটি সেরা বিভাজন প্রার্থীদের সুপারিশ করতে পারে।

অধ্যয়ন হল প্রকাশ এ arXiv প্রিপ্রিন্ট সার্ভার।

এই গল্পটি এমআইটি নিউজ দ্বারা পুনরুত্পাদন করা হয়েছে (web.mit.edu/pressoffice/), একটি জনপ্রিয় ওয়েবসাইট যা MIT গবেষণা, উদ্ভাবন এবং শিক্ষার খবর কভার করে।