গবেষকরা পক্ষপাত কমাতে এবং প্যাথলজি এআই অ্যালগরিদমের নির্ভুলতা উন্নত করতে অন্তর্নিহিত মডেল ব্যবহার করেন

উন্নত কৃত্রিম বুদ্ধিমত্তা (AI) সিস্টেমগুলি রোগ সনাক্তকরণ, নির্ণয় এবং চিকিত্সার ক্ষেত্রে পরিবর্তনের প্রতিশ্রুতি দেখিয়েছে; তবে, AI মডেলগুলি বিকাশের জন্য ব্যবহৃত প্যাথলজি ডেটাসেটগুলিতে কিছু রোগীর জনসংখ্যা কম উপস্থাপন করা যেতে পারে তাদের কর্মক্ষমতা গুণমান এবং স্বাস্থ্য বৈষম্য প্রসারিত.

ম্যাসাচুসেটস জেনারেল হাসপাতাল ব্রিগ্যামের গবেষকদের নেতৃত্বে একটি নতুন গবেষণায় হাইলাইট করা হয়েছে যে মান গণনা প্যাথলজি হিস্টোলজি চিত্রগুলির সাথে যুক্ত জনসংখ্যার উপর নির্ভর করে সিস্টেমগুলি ভিন্নভাবে কাজ করে, তবে একটি বড় “বেস মডেল” এই পার্থক্যগুলিকে আংশিকভাবে প্রশমিত করতে সহায়তা করতে পারে।

জরিপের ফলাফল 19 এপ্রিল প্রকাশিত হয়েছিল প্রাকৃতিক ওষুধ, আরও বৈচিত্র্যময় প্রশিক্ষণ ডেটা সেট এবং এআই সিস্টেমের জনসংখ্যা-স্তরিত মূল্যায়নের প্রয়োজনীয়তা তুলে ধরে তা নিশ্চিত করার জন্য রোগীর জনসংখ্যা তাদের ব্যবহার থেকে ন্যায়সঙ্গতভাবে উপকৃত.

“স্বতন্ত্র পরীক্ষার ডেটার উপর ভিত্তি করে বিভিন্ন রোগীর জনসংখ্যার জুড়ে প্যাথলজিতে কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদমের কার্যকারিতার কোনও বিস্তৃত বিশ্লেষণ করা হয়নি,” বলেছেন সংশ্লিষ্ট লেখক ফয়সাল মাহমুদ, পিএইচডি, প্যাথলজি বিভাগের কম্পিউটেশনাল প্যাথলজি বিভাগ৷

“এই গবেষণা, প্যাথলজি এআই গবেষণা এবং অভ্যন্তরীণ ম্যাসাচুসেটস জেনারেল হাসপাতাল ব্রিগ্যাম কোহর্টে ব্যাপকভাবে ব্যবহৃত একটি সর্বজনীনভাবে উপলব্ধ ডেটাসেটের উপর ভিত্তি করে, বিভিন্ন জাতি, বীমা প্রকার এবং বয়সের রোগীদের মধ্যে উল্লেখযোগ্য কর্মক্ষমতা পার্থক্য প্রকাশ করে৷ আমরা প্রশিক্ষিত উন্নত গভীর শিক্ষার মডেলগুলি প্রদর্শন করি৷ “বেস মডেল” নামক একটি স্ব-তত্ত্বাবধান পদ্ধতি এই কর্মক্ষমতা পার্থক্য কমাতে পারে এবং নির্ভুলতা উন্নত করতে পারে৷

বহুল ব্যবহৃত ক্যান্সার জিনোম অ্যাটলাস এবং EBRAINS ব্রেইন টিউমার অ্যাটলাসের তথ্যের উপর ভিত্তি করে, যার মধ্যে প্রাথমিকভাবে সাদা রোগীদের ডেটা অন্তর্ভুক্ত রয়েছে, গবেষকরা স্তন ক্যান্সারের উপপ্রকার, ফুসফুসের ক্যান্সারের উপপ্রকার এবং গ্লিওমা IDH1 মিউটেশন পূর্বাভাসের জন্য পদ্ধতি তৈরি করেছেন, যা চিকিত্সার জন্য গুরুত্বপূর্ণ। কারণগুলির গণনাগত প্যাথলজি মডেল)। উত্তর)।

গবেষকরা যখন ম্যাসাচুসেটস জেনারেল হসপিটাল ব্রিঘাম এবং দ্য ক্যান্সার জিনোম অ্যাটলাসের 4,300 টিরও বেশি ক্যান্সার রোগীর হিস্টোলজিক্যাল স্লাইড ব্যবহার করে এই মডেলগুলির নির্ভুলতা পরীক্ষা করেন এবং ফলাফলগুলিকে রেসের ভিত্তিতে স্তরিত করেন, তখন তারা দেখতে পান যে মডেলগুলির কার্যকারিতা সাদা রোগীদের তুলনায় বেশি নির্ভুল ছিল। কালো রোগীদের মধ্যে। দলটি স্তন এবং ফুসফুসের ক্যান্সারের উপপ্রকার এবং মডেলগুলি পরীক্ষা করেছে যা গ্লিওমাতে IDH1 মিউটেশনের পূর্বাভাস দিয়েছে এবং সঠিক শ্রেণীবিভাগ তৈরিতে যথাক্রমে 3.7%, 10.9% এবং 16% পার্থক্য খুঁজে পেয়েছে।

গবেষকরা পক্ষপাত কমানোর জন্য প্রমিত মেশিন লার্নিং পদ্ধতির মাধ্যমে পর্যবেক্ষণ করা পার্থক্যগুলি কমানোর চেষ্টা করেছিলেন, যেমন মডেল প্রশিক্ষণের সময় উপস্থাপিত গোষ্ঠীগুলির উদাহরণগুলিকে জোর দেওয়া;

পরিবর্তে, ব্যবহার করে স্ব-তত্ত্বাবধানে মৌলিক মডেল, উন্নত কৃত্রিম বুদ্ধিমত্তার একটি উদীয়মান রূপ যা বিস্তৃত পরিসরে ক্লিনিকাল কার্য সম্পাদনের জন্য বড় ডেটা সেটে প্রশিক্ষিত। এই মডেলগুলি হিস্টোলজিকাল চিত্রগুলির আরও সমৃদ্ধ উপস্থাপনাকে এনকোড করে যা মডেল পক্ষপাতের সম্ভাবনা হ্রাস করে।

পরিলক্ষিত উন্নতি সত্ত্বেও, কর্মক্ষমতা ফাঁকগুলি স্পষ্ট থাকে, প্যাথলজির অন্তর্নিহিত মডেলগুলির আরও পরিমার্জনের প্রয়োজনীয়তা প্রতিফলিত করে। অতিরিক্তভাবে, গবেষণাটি নির্দিষ্ট জনসংখ্যার গোষ্ঠীর অল্প সংখ্যক রোগীর দ্বারা সীমাবদ্ধ ছিল।

গবেষকরা অধ্যয়ন চালিয়ে যাচ্ছেন কিভাবে মাল্টিমোডাল বেস মডেল-যা বিভিন্ন আকারে ডেটা অন্তর্ভুক্ত করে, যেমন জিনোমিক্স বা ইলেকট্রনিক হেলথ রেকর্ড-এই মডেলগুলিকে উন্নত করতে পারে।

ওষুধে কৃত্রিম বুদ্ধিমত্তার সরঞ্জামগুলির উত্থানের ফলে স্বাস্থ্যসেবা পরিষেবাগুলির বিতরণকে সক্রিয়ভাবে পুনর্নির্মাণের সম্ভাবনা রয়েছে। AI এর উদ্ভাবনী সম্ভাবনা অবশ্যই গুণমান এবং নিরাপত্তার প্রতিশ্রুতির সাথে ভারসাম্যপূর্ণ হতে হবে। MGH Brigham দায়িত্বশীল কৃত্রিম বুদ্ধিমত্তার একজন নেতা, ওষুধে কৃত্রিম বুদ্ধিমত্তার একীকরণকে জানাতে উদীয়মান প্রযুক্তির উপর কঠোর গবেষণা পরিচালনা করে।

“সামগ্রিকভাবে, এই অধ্যয়নের ফলাফলগুলি ওষুধে ন্যায্য AI মডেলগুলি বিকাশের জন্য একটি আহ্বান, “এটি বিজ্ঞানীদের জন্য তাদের গবেষণায় আরও বৈচিত্র্যময় ডেটা সেট ব্যবহার করার আহ্বান৷ নীতি এজেন্সিগুলিকে তাদের মূল্যায়ন নির্দেশিকাতে এই মডেলগুলির জনসংখ্যাগত স্তরবিন্যাস অন্তর্ভুক্ত করতে এই মডেলগুলিকে অনুমোদন এবং স্থাপন করার আগে নিশ্চিত করতে হবে যে AI সিস্টেমগুলি সমস্ত রোগী গোষ্ঠীকে সমানভাবে উপকৃত করবে।”