এআই মডেল একাধিক ডেটা উত্স জুড়ে অত্যন্ত নির্ভুল ডেটা সহ ডিমেনশিয়া নির্ণয়ের বিপ্লব ঘটায়

জার্নালে প্রকাশিত সাম্প্রতিক এক গবেষণায় ড প্রাকৃতিক ঔষধগবেষকরা একটি কৃত্রিম বুদ্ধিমত্তা (AI) মডেল তৈরি এবং যাচাই করেছেন যা প্রাথমিক এবং ব্যক্তিগতকৃত ব্যবস্থাপনার উন্নতির জন্য ডিমেনশিয়া (গুরুতর জ্ঞানীয় হ্রাস) এর বিভিন্ন কারণগুলির মধ্যে সঠিকভাবে পার্থক্য করতে মাল্টিমডাল ডেটা ব্যবহার করে।

অধ্যয়ন: কৃত্রিম বুদ্ধিমত্তার উপর ভিত্তি করে মাল্টিমোডাল ডেটা ব্যবহার করে ডিমেনশিয়ার কারণগুলির পার্থক্য নির্ণয়ইমেজ ক্রেডিট: পপটিকা/শাটারস্টক

পটভূমি

ডিমেনশিয়া প্রতি বছর প্রায় 10 মিলিয়ন মানুষকে প্রভাবিত করে এবং উল্লেখযোগ্য ক্লিনিকাল এবং আর্থ-সামাজিক চ্যালেঞ্জ তৈরি করে। সঠিক রোগ নির্ণয় কার্যকরী চিকিৎসার জন্য গুরুত্বপূর্ণ কিন্তু বিভিন্ন ধরনের ওভারল্যাপিং উপসর্গের কারণে এটি চ্যালেঞ্জিং হতে পারে। জনসংখ্যার বয়স বাড়ার সাথে সাথে ওষুধের পরীক্ষায় সঠিক ডায়াগনস্টিকসের প্রয়োজনীয়তা বৃদ্ধি পায়, উন্নত সরঞ্জামগুলির প্রয়োজনীয়তা জরুরী হয়ে ওঠে। বিশেষজ্ঞদের ঘাটতি সমস্যাটিকে আরও বাড়িয়ে তোলে, স্কেলেবল সমাধানের প্রয়োজনীয়তা তুলে ধরে। স্বাস্থ্যসেবা ফলাফলের উপর AI মডেলগুলির প্রভাব এবং ক্লিনিকাল অনুশীলনে তাদের সংহতকরণের মূল্যায়ন করার জন্য আরও গবেষণা প্রয়োজন।

গবেষণা সম্পর্কে

গবেষণায় নয়টি দল থেকে 51,269 জন অংশগ্রহণকারী জড়িত এবং জনসংখ্যা, চিকিৎসা ইতিহাস, পরীক্ষাগারের ফলাফল, শারীরিক এবং স্নায়বিক পরীক্ষা, ওষুধ, নিউরোসাইকোলজিকাল পরীক্ষা, কার্যকরী মূল্যায়ন এবং মাল্টি-সিকোয়েন্স ম্যাগনেটিক রেজোন্যান্স ইমেজিং (MRI) স্ক্যান সহ ব্যাপক তথ্য সংগ্রহ করেছে। অংশগ্রহণকারীরা বা তাদের তথ্যদাতারা লিখিত অবহিত সম্মতি প্রদান করেছিলেন এবং প্রোটোকলটি প্রাতিষ্ঠানিক নীতিশাস্ত্র পর্যালোচনা বোর্ড দ্বারা অনুমোদিত হয়েছিল। দলটির মধ্যে সাধারণ জ্ঞান (এনসি) (স্বাস্থ্যকর মস্তিষ্কের কার্যকারিতা, 19,849 ব্যক্তি), হালকা জ্ঞানীয় প্রতিবন্ধকতা (এমসিআই) (হালকা জ্ঞানীয় হ্রাস, 9,357 ব্যক্তি), এবং ডিমেনশিয়া (22,063 ব্যক্তি) অন্তর্ভুক্ত রয়েছে।

কআমাদের ডিমেনশিয়া ডিফারেনশিয়াল ডায়াগনোসিস মডেলটি একাধিক ডেটা পদ্ধতি ব্যবহার করে তৈরি করা হয়েছিল, যার মধ্যে স্বতন্ত্র-স্তরের জনসংখ্যা, স্বাস্থ্যের ইতিহাস, স্নায়বিক পরীক্ষা, শারীরিক/স্নায়বিক পরীক্ষা এবং মাল্টি-সিকোয়েন্স এমআরআই স্ক্যান রয়েছে।এই ডেটা উত্সগুলি (যেখানে পাওয়া যায়) নয়টি স্বাধীন দল থেকে এসেছে: 4RTNI, ADNI, AIBL, FHS, LBDSU, NACC, NIFD, OASIS এবং PPMI (সারণী 1 এবং S1) মডেল প্রশিক্ষণের জন্য, আমরা NACC, AIBL, PPMI, NIFD, LBDSU, OASIS এবং 4RTNI থেকে ডেটা একত্রিত করেছি। আমরা অভ্যন্তরীণ পরীক্ষার জন্য NACC ডেটাসেটের একটি উপসেট ব্যবহার করি। বাহ্যিক বৈধতার জন্য, আমরা ADNI এবং FHS কোহর্ট ব্যবহার করেছি। খ, ট্রান্সফরমার হল মডেলের ভারা। প্রতিটি বৈশিষ্ট্য একটি নির্দিষ্ট দৈর্ঘ্যের ভেক্টরে প্রক্রিয়া করা হয় একটি মোডালিটি-নির্দিষ্ট এমবেডিং (এমবি) কৌশল ব্যবহার করে এবং ট্রান্সফরমারে ইনপুট হিসাবে খাওয়ানো হয়। ট্রান্সফরমারকে আউটপুট পূর্বাভাস স্তরের সাথে সংযোগ করতে একটি রৈখিক স্তর ব্যবহার করুন। গ, NACC পরীক্ষার ডেটা সেটের একটি উপসেট এলোমেলোভাবে AI মডেলের সাথে বর্ধিত নিউরোলজিস্টদের কর্মক্ষমতা এবং AI মডেল বৃদ্ধি ছাড়াই তাদের কর্মক্ষমতার তুলনামূলক বিশ্লেষণ পরিচালনা করার জন্য নির্বাচন করা হয়েছিল। একইভাবে, আমরা অনুশীলনকারী নিউরোরাডিওলজিস্টদের সাথে একটি তুলনামূলক মূল্যায়ন করেছি যারা তাদের ডায়াগনস্টিক পারফরম্যান্সের উপর AI বর্ধিতকরণের প্রভাব মূল্যায়ন করার জন্য NACC টেস্ট কোহর্ট থেকে নিশ্চিত ডিমেনশিয়া মামলাগুলির একটি এলোমেলো নমুনা পেয়েছিল। উভয় মূল্যায়নের জন্য, মডেল এবং চিকিত্সক উভয়েরই মাল্টিমোডাল ডেটার একই সেটে অ্যাক্সেস রয়েছে। অবশেষে, আমরা NACC, ADNI, এবং FHS কোহর্ট দ্বারা প্রদত্ত বায়োমার্কার প্রোফাইল এবং প্যাথলজি গ্রেডগুলির সাথে তুলনা করে মডেলের ভবিষ্যদ্বাণীগুলিকে মূল্যায়ন করেছি৷

ডিমেনশিয়ার ক্ষেত্রে আরও বিভক্ত করা হয়েছিল আলঝেইমার রোগ (AD) (স্মৃতি হ্রাস ডিমেনশিয়া, 17,346 ক্ষেত্রে), লেউই বডি ডিমেনশিয়া (হ্যালুসিনেশন এবং আন্দোলনের সমস্যা), এবং পারকিনসন্স ডিজিজ (ডিমেনশিয়ার সাথে আন্দোলনের ব্যাধি) (এলবিডি, 2,003 ক্ষেত্রে), ভাস্কুলার ডিমেনশিয়া (ভিডি) ) (সেরিব্রাল রক্ত ​​​​প্রবাহ হ্রাসের কারণে জ্ঞানীয় হ্রাস, 2,032 ক্ষেত্রে), প্রিয়ন ডিজিজ (পিআরডি) (দ্রুত নিউরোডিজেনারেটিভ ডিজিজ, 114 ক্ষেত্রে), ফ্রন্টোটেম্পোরাল ডিমেনশিয়া (এফটিডি) (ব্যক্তিত্ব এবং ভাষা দক্ষতা হ্রাস, 3,076 ক্ষেত্রে), স্বাভাবিক চাপ হাইড্রোসেফালাস (এনপিএইচ) ) (তরল জমে স্মৃতিভ্রংশের মতো উপসর্গ দেখা দেয়, ১৩৮টি ক্ষেত্রে), সিস্টেমিক এবং বাহ্যিক কারণের কারণে ডিমেনশিয়া (SEF, 808 কেস), মানসিক রোগ (PSY, 2,700 কেস) ), আঘাতজনিত মস্তিষ্কের আঘাত (TBI, 265 ক্ষেত্রে) এবং অন্যান্য কারণ (ODE, 1,234 কেস)।

গবেষণায় ন্যাশনাল অ্যালঝাইমার ডিজিজ সমন্বয় কেন্দ্র (এনএসিসি), আলঝেইমার ডিজিজ নিউরোইমেজিং ইনিশিয়েটিভ (এডিএনআই), ফ্রন্টোটেম্পোরাল ডিমেনশিয়া (এফটিডি) নিউরোইমেজিং ইনিশিয়েটিভ (এনআইএফডি), এবং পারকিনসন্স ডিজিজ প্রগ্রেশন মার্কারস ইনিশিয়েটিভ (পিপিএমআই), অস্ট্রেলিয়ান এজিং লাইফস্টাইল, বায়োমার্কার্স এবং ফ্ল্যাগশিপ। (AIBL), ওপেন অ্যাকসেস ইমেজিং স্টাডি সিরিজ-3 (OASIS), 4-রিপিট টাওপ্যাথি নিউরোইমেজিং ইনিশিয়েটিভ (4RTNI), স্ট্যানফোর্ড ডেটা দ্য লিউই বডি ডিমেনশিয়া সেন্টার অফ এক্সিলেন্স অ্যাট ইউনিভার্সিটি (LBDSU) এবং ফ্রেমিংহাম হার্ট স্টাডি (FHS) থেকে। যোগ্যতার জন্য NC, MCI, বা ডিমেনশিয়া রোগ নির্ণয়ের প্রয়োজন, যেখানে NACC ডেটা বেসলাইন হিসাবে রয়েছে। ইউনিফাইড ডেটা সেট (ইউডিএস) অভিধান ব্যবহার করে অন্যান্য সমগোত্রের ডেটা স্বাভাবিক করা হয়েছিল। উদ্ভাবনী মডেল প্রশিক্ষণ পদ্ধতিগুলি অনুপস্থিত বৈশিষ্ট্য বা লেবেলগুলিকে সম্বোধন করে, নির্ভরযোগ্য ডেটা ব্যবহার নিশ্চিত করে এবং নমুনার আকার সর্বাধিক করে।

গবেষণা ফলাফল

এই অধ্যয়নটি ক্লিনিকাল ম্যানেজমেন্টের পথের সাথে সামঞ্জস্যপূর্ণ, স্নায়ুবিজ্ঞানীদের দ্বারা সংজ্ঞায়িত তেরটি ডায়গনিস্টিক বিভাগে ডিমেনশিয়াকে কঠোরভাবে শ্রেণীবদ্ধ করার জন্য মাল্টিমোডাল ডেটা ব্যবহার করে। LBD এবং পারকিনসন্স ডিজিজ ডিমেনশিয়া অনুরূপ যত্নের পথের কারণে LBD হিসাবে শ্রেণীবদ্ধ করা হয়, যেখানে VD স্ট্রোক বিশেষজ্ঞদের দ্বারা পরিচালিত স্ট্রোকের লক্ষণগুলির সাথে কেস অন্তর্ভুক্ত করে। সিজোফ্রেনিয়া এবং বিষণ্নতার মতো মানসিক ব্যাধিগুলিকে PSY হিসাবে শ্রেণীবদ্ধ করা হয়।

মডেলটি NC, MCI এবং ডিমেনশিয়া পরীক্ষার ক্ষেত্রে ভাল পারফর্ম করেছে, মাইক্রো-অ্যাভারেজ রিসিভার অপারেটিং ক্যারেক্টিস্টিক কার্ভ (AUROC) এর অধীনে একটি এলাকা 0.94 এ পৌঁছেছে এবং যথার্থ-রিকল কার্ভ (AUPR) এর অধীনে একটি এলাকা 0.90 এ পৌঁছেছে। এটি আলঝাইমার ডিজিজ নিউরোইমেজিং ইনিশিয়েটিভ (এডিএনআই) এবং ফ্রেমিংহাম হার্ট স্টাডি (এফএইচএস) ডেটাসেটে ক্যাটবুস্টকে ছাড়িয়ে গেছে, এটির উচ্চতর ডায়গনিস্টিক নির্ভুলতা তুলে ধরে।

শ্যাপলি বিশ্লেষণ মূল বৈশিষ্ট্যগুলি চিহ্নিত করেছে যা ডায়াগনস্টিক সিদ্ধান্তগুলিকে প্রভাবিত করে: জ্ঞানীয় অবস্থা, মন্ট্রিল কগনিটিভ অ্যাসেসমেন্ট (MoCA) স্কোর, এবং মেমরি টাস্ক পারফরম্যান্স NC মেমরি-সম্পর্কিত বৈশিষ্ট্যগুলির জন্য ব্যবহার করা যেতে পারে, কার্যকরী দুর্বলতা, এবং T1-ওয়েটেড MRI MCI-এর জন্য ব্যবহার করা যেতে পারে ভবিষ্যদ্বাণী; কার্যকরী বৈকল্য, লোয়ার মিনি-মেন্টাল স্টেট এক্সামিনেশন (এমএমএসই) স্কোর এবং এপোলিপোপ্রোটিন E4 (APOE4) অ্যালিল ডিমেনশিয়ার পূর্বাভাস দেয়।

মডেলটি অসম্পূর্ণ ডেটার প্রতি স্থিতিস্থাপকতা দেখায়, বৈশিষ্ট্যগুলি অনুপস্থিত থাকা সত্ত্বেও নির্ভরযোগ্য স্কোর বজায় রাখে। প্রচুর পরিমাণে ডেটার অভাব থাকা সত্ত্বেও, ADNI এবং FHS-এর মতো বাহ্যিক ডেটাসেটগুলিতে বৈধতা ভাল পারফরম্যান্স করেছে, ওজনযুক্ত গড় AUROC এবং AUPR স্কোর যথাক্রমে ADNI-এর জন্য 0.91 এবং 0.86 এবং FHS-এর জন্য 0.68 এবং 0.53।

প্রোড্রোমাল অ্যালঝাইমার ডিজিজ (AD) এর সাথে সঙ্গতি মূল্যায়ন করার সময়, মডেলটি ধারাবাহিকভাবে AD- সম্পর্কিত MCI ক্ষেত্রে AD এর উচ্চ সম্ভাবনাকে দায়ী করে, যার ফলে প্রাথমিক রোগ সনাক্তকরণে এর উপযোগিতা বৃদ্ধি পায়। এনএসিসি, এডিএনআই এবং এফএইচএস ডেটাসেটে ক্লিনিক্যাল ডিমেনশিয়া রেটিং (সিডিআর) এর সাথে তুলনা করে দেখা গেছে যে সিডিআর স্কোরগুলি সিডিআর স্কোরের সাথে অত্যন্ত সম্পর্কযুক্ত ছিল, ক্রমবর্ধমান ক্লিনিকাল ডিমেনশিয়া মূল্যায়নের প্রতি এই মডেলের সংবেদনশীলতা তুলে ধরে।

মডেলটি ডিমেনশিয়ার দশটি ভিন্ন কারণের জন্য শক্তিশালী ডায়াগনস্টিক শক্তি দেখিয়েছে, মাইক্রো-গড় AUROC এবং AUPR মান যথাক্রমে 0.96 এবং 0.70। যদিও AUPR স্কোরের পার্থক্য কম প্রচলিত বা জটিল ডিমেনশিয়া শনাক্ত করার ক্ষেত্রে চ্যালেঞ্জের পরামর্শ দেয়, মডেলটি জনসংখ্যাগত উপগোষ্ঠী জুড়ে দৃঢ়ভাবে পারফর্ম করেছে।

AD, FTD, এবং LBD বায়োমার্কারগুলির সাথে মডেল-পূর্বাভাসিত সম্ভাবনাগুলি সারিবদ্ধ করার পরে, মডেলটি বায়োমার্কার-নেতিবাচক এবং ইতিবাচক গোষ্ঠীগুলির মধ্যে স্পষ্ট পার্থক্য দেখিয়েছে, ডিমেনশিয়া প্যাথোফিজিওলজি ক্যাপচার করার ক্ষেত্রে এর কার্যকারিতা যাচাই করে। ময়নাতদন্তের তথ্যের সাথে যাচাইকরণটি নিউরোপ্যাথোলজিকাল মার্কারগুলির সাথে সম্ভাব্যতা স্কোরগুলি সারিবদ্ধ করার মডেলের ক্ষমতাকে আরও সমর্থন করে।

AI-বর্ধিত ক্লিনিশিয়ান মূল্যায়ন ডায়গনিস্টিক কর্মক্ষমতাতে উল্লেখযোগ্য উন্নতি দেখায়, উন্নত AUROC এবং AUPR স্কোর সহ সমস্ত বিভাগে, ক্লিনিকাল ডিমেনশিয়া রোগ নির্ণয়কে উন্নত করার মডেলের সম্ভাব্যতা প্রদর্শন করে।

উপসংহারে

এই গবেষণাটি মাল্টিমোডাল ডেটা ব্যবহার করে ডিমেনশিয়া ডিফারেনশিয়াল ডায়াগনসিসের জন্য একটি কৃত্রিম বুদ্ধিমত্তা মডেল প্রবর্তন করে। পূর্ববর্তী মডেলগুলির বিপরীতে, এই মডেলটি ডিমেনশিয়ার বিভিন্ন কারণগুলির মধ্যে পার্থক্য করতে পারে, যেমন AD, VD এবং LBD, যা ব্যক্তিগতকৃত চিকিত্সার কৌশলগুলির জন্য অত্যন্ত গুরুত্বপূর্ণ। মডেলের ভবিষ্যদ্বাণীগুলি বিভিন্ন গোষ্ঠী দ্বারা যাচাই করা হয়েছিল এবং বায়োমার্কার এবং ময়নাতদন্তের ডেটা দ্বারা নিশ্চিত করা হয়েছিল। নিউরোলজিস্ট মূল্যায়নের সাথে মডেলের ভবিষ্যদ্বাণীগুলিকে একত্রিত করা শুধুমাত্র স্নায়ু বিশেষজ্ঞদের দ্বারা মূল্যায়নের চেয়ে ভাল পারফর্ম করেছে, ডায়াগনস্টিক নির্ভুলতা উন্নত করার সম্ভাব্যতা তুলে ধরে। এই মডেলটি প্রতিটি ইটিওলজির জন্য একটি সম্ভাব্যতা স্কোর প্রদান করে মিশ্র ডিমেনশিয়াকে মোকাবেলা করে, যার ফলে ক্লিনিকাল সিদ্ধান্ত গ্রহণের উন্নতি হয়।