অস্টিওপোরোসিস প্রাথমিক পর্যায়ে সনাক্ত করা কঠিন এবং তাই এটি “নীরব রোগ” হিসাবে পরিচিত। কৃত্রিম বুদ্ধিমত্তা যদি ডাক্তারের অফিসে যাওয়ার আগে রোগীর অস্টিওপরোসিস হওয়ার সম্ভাবনার ভবিষ্যদ্বাণী করতে সাহায্য করতে পারে?
Tulane ইউনিভার্সিটির গবেষকরা একটি নতুন ডিপ লার্নিং অ্যালগরিদম তৈরি করে এই দৃষ্টিভঙ্গির দিকে অগ্রগতি করেছেন যা বিদ্যমান কম্পিউটার-ভিত্তিক অস্টিওপরোসিস ঝুঁকির পূর্বাভাস পদ্ধতিকে ছাড়িয়ে যায় এবং অস্টিওপোরোসিস রোগীদের জন্য আরও ভাল অন্তর্দৃষ্টি প্রদান করতে পারে এবং ঝুঁকিতে থাকা রোগীদের জন্য আরও ভাল ফলাফল প্রদান করে।
তাদের ফলাফল সম্প্রতি প্রকাশিত হয়েছে আর্টিফিশিয়াল ইন্টেলিজেন্স ফ্রন্টিয়ার.
ডিপ লার্নিং মডেলগুলি মানুষের নিউরাল নেটওয়ার্কগুলিকে অনুকরণ করার এবং বিশেষ প্রোগ্রামিংয়ের প্রয়োজন ছাড়াই বড় ডেটা সেটগুলিতে প্রবণতা আবিষ্কার করার ক্ষমতার জন্য মনোযোগ আকর্ষণ করেছে। গবেষকরা লুইসিয়ানা অস্টিওপোরোসিস স্টাডিতে 40 বছরের বেশি বয়সী 8,000 এর বেশি অংশগ্রহণকারীদের ডেটা ব্যবহার করে চারটি প্রথাগত মেশিন লার্নিং অ্যালগরিদম এবং একটি প্রথাগত রিগ্রেশন মডেলের বিপরীতে একটি গভীর নিউরাল নেটওয়ার্ক (ডিএনএন) মডেল পরীক্ষা করেছেন। DNN সর্বোত্তম সামগ্রিক ভবিষ্যদ্বাণীমূলক কর্মক্ষমতা অর্জন করেছে, যথার্থ ইতিবাচক সনাক্তকরণ এবং ত্রুটি এড়াতে প্রতিটি মডেলের ক্ষমতা স্কোর করে পরিমাপ করা হয়েছে।
যত আগে অস্টিওপরোসিসের ঝুঁকি ধরা পড়ে, তত বেশি সময় রোগীদের প্রতিরোধমূলক ব্যবস্থা নিতে হয়। আমরা এটা দেখে খুশি হয়েছিলাম যে আমাদের DNN মডেলটি বার্ধক্য জনসংখ্যার অস্টিওপরোসিস ঝুঁকির সঠিকভাবে পূর্বাভাস দেওয়ার ক্ষেত্রে অন্যান্য মডেলকে ছাড়িয়ে গেছে। “
চুয়ানকিউ, প্রধান লেখক, গবেষণা সহকারী অধ্যাপক, সেন্টার ফর বায়োমেডিকাল ইনফরমেটিক্স অ্যান্ড জিনোমিক্স, তুলেন ইউনিভার্সিটি স্কুল অফ মেডিসিন
বাস্তব-বিশ্বের স্বাস্থ্য ডেটার একটি বড় নমুনা ব্যবহার করে অ্যালগরিদম পরীক্ষা করার সময়, গবেষকরা অস্টিওপরোসিসের ঝুঁকির পূর্বাভাস দেওয়ার জন্য সবচেয়ে গুরুত্বপূর্ণ 10টি কারণ চিহ্নিত করতে সক্ষম হয়েছেন: ওজন, বয়স, লিঙ্গ, ধরার শক্তি, উচ্চতা, বিয়ার খাওয়া, ডায়াস্টোলিক রক্তচাপ, অ্যালকোহল সেবন, ধূমপান বছরের অভিজ্ঞতা এবং আয়ের স্তর।
উল্লেখযোগ্যভাবে, এই 10টি ঝুঁকির কারণগুলি ব্যবহার করে সরলীকৃত ডিএনএন মডেলটি প্রায় সমস্ত ঝুঁকির কারণ সহ সম্পূর্ণ মডেলের পাশাপাশি সঞ্চালিত হয়েছে।
যদিও Qiu স্বীকার করেছেন যে কৃত্রিম বুদ্ধিমত্তা প্ল্যাটফর্মগুলি জনসাধারণের দ্বারা অস্টিওপরোসিসের ঝুঁকির পূর্বাভাস দেওয়ার আগে অনেক কাজ করা বাকি আছে, তিনি বলেছিলেন যে গভীর শিক্ষার মডেলগুলির সুবিধাগুলি চিহ্নিত করা সেই দিকে একটি পদক্ষেপ।
“আমাদের চূড়ান্ত লক্ষ্য হল লোকেরা তাদের তথ্য প্রবেশ করানো এবং একটি অত্যন্ত নির্ভুল অস্টিওপরোসিস ঝুঁকির স্কোর অর্জন করে, যাতে তারা তাদের হাড়কে শক্তিশালী করতে এবং আরও ক্ষতি কমাতে চিকিৎসা নিতে পারে,” চিউ বলেন।
উৎস:
জার্নাল রেফারেন্স:
কিউ সি।, ইত্যাদি(2024) অস্টিওপোরোসিস ঝুঁকি পূর্বাভাসের জন্য গভীর শিক্ষা এবং মেশিন লার্নিং অ্যালগরিদমগুলির তুলনা। কৃত্রিম বুদ্ধিমত্তার কাটিং প্রান্ত। doi.org/10.3389/frai.2024.1355287.
