সম্প্রতি প্রকাশিত এক গবেষণায় ড বিজ্ঞান এবং প্রযুক্তিগবেষকরা একটি অভিনব সিস্টেম ডিজাইন করেছেন যা জিহ্বার রোগের পূর্বাভাস দিতে মেশিন লার্নিং ব্যবহার করে।
গবেষণা: মেশিন লার্নিং অ্যালগরিদমের উপর ভিত্তি করে জিহ্বা রোগের পূর্বাভাস. ছবির উৎস: fizkes/Shutterstock.com
পটভূমি
ঐতিহ্যগত জিহ্বার রোগ নির্ণয় জিহ্বার রঙ, আকৃতি, গঠন, আর্দ্রতা এবং স্বাস্থ্যের অবস্থা প্রকাশ করার জন্য অন্যান্য বৈশিষ্ট্য পর্যবেক্ষণের উপর নির্ভর করে।
ঐতিহ্যবাহী চাইনিজ মেডিসিন (টিসিএম) অনুশীলনকারীরা জিহ্বার বৈশিষ্ট্যগুলির বিষয়গত মূল্যায়নের উপর নির্ভর করে, যা সমস্যাগুলি নির্ণয় এবং পুনরুত্পাদনে বিষয়গততার দিকে পরিচালিত করে। কৃত্রিম বুদ্ধিমত্তার (AI) উত্থান জিহ্বা নির্ণয়ের প্রযুক্তিতে যুগান্তকারীর জন্য একটি শক্তিশালী চাহিদা তৈরি করেছে।
স্বয়ংক্রিয় জিহ্বার রঙ বিশ্লেষণ পদ্ধতি সুস্থ ও অসুস্থ ব্যক্তিদের সনাক্তকরণ এবং বিভিন্ন রোগ নির্ণয়ের ক্ষেত্রে উচ্চ নির্ভুলতা প্রদর্শন করেছে। কৃত্রিম বুদ্ধিমত্তা জিহ্বা ছবি ক্যাপচার, বিশ্লেষণ এবং শ্রেণীবিভাগে বিশাল অগ্রগতি করেছে।
জিহ্বা নির্ণয়ের গবেষণায় কৃত্রিম বুদ্ধিমত্তা পদ্ধতির একীকরণের লক্ষ্য স্বাস্থ্যসেবায় বৃহৎ আকারের কৃত্রিম বুদ্ধিমত্তা প্রয়োগের দীর্ঘমেয়াদী সম্ভাবনার সমাধান করার সময় নির্ভরযোগ্যতা এবং নির্ভুলতা উন্নত করা।
অধ্যয়ন সম্পর্কে
এই গবেষণাটি বিভিন্ন রঙের স্যাচুরেশন এবং তাত্ক্ষণিক জিহ্বার রঙ বিশ্লেষণ এবং রোগের পূর্বাভাসের জন্য বিভিন্ন আলোর অবস্থার অধীনে জিহ্বার রঙের বৈশিষ্ট্যগুলি বিশ্লেষণ এবং নিষ্কাশনের জন্য একটি নতুন মেশিন লার্নিং-ভিত্তিক ইমেজিং সিস্টেমের প্রস্তাব করে।
ইমেজিং সিস্টেমটি জিহ্বার রঙের পূর্বাভাস দেওয়ার জন্য রঙ-শ্রেণীবদ্ধ জিহ্বা চিত্রগুলিকে প্রশিক্ষণ দিতে ছয়টি মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে। এই অ্যালগরিদমগুলির মধ্যে রয়েছে সমর্থন ভেক্টর মেশিন (SVM), Naive Bayes (NB), ডিসিশন ট্রি (DT), k-নিকটবর্তী প্রতিবেশী (KNN), চরম গ্রেডিয়েন্ট বুস্টিং (XGBoost), এবং র্যান্ডম ফরেস্ট (RF) ক্লাসিফায়ার।
রঙের মডেলটি নিম্নরূপ: হিউম্যান ভিজ্যুয়াল সিস্টেম (এইচএসভি), লাল, সবুজ এবং নীল সিস্টেম (আরজিবি), আলোক এবং বর্ণের বিভাজন (ওয়াইসিবিসিআর, ওয়াইআইকিউ), এবং সবুজ-লাল, নীল-হলুদ অক্ষের আলোকসজ্জা (ল্যাব) )
গবেষকরা ডেটাকে একটি প্রশিক্ষণ ডেটা সেট (80%) এবং একটি টেস্টিং ডেটা সেট (20%) এ বিভক্ত করেছেন। প্রশিক্ষণ ডেটা সেটে 5,260টি চিত্র রয়েছে, হলুদ (n=1,010), লাল (n=1,102), নীল (n=1,024), সবুজ (n=945), গোলাপী (n=310), সাদা (n = 300) এ শ্রেণীবদ্ধ। ), এবং ধূসর (n=737) বিভিন্ন আলোর অবস্থা এবং স্যাচুরেশনের জন্য।
দ্বিতীয় সেটটিতে ইরাকের মসুল জেনারেল হাসপাতাল এবং হুসেন হাসপাতালের 60টি প্যাথলজিকাল জিহ্বা ছবি রয়েছে, যা ডায়াবেটিস, হাঁপানি, ছত্রাকের সংক্রমণ, রেনাল ফেইলিওর, কোভিড-১৯, অ্যানিমিয়া এবং ছত্রাকজনিত প্যাপিলির মতো বিভিন্ন রোগে আক্রান্ত রোগীদের কভার করে।
রোগীরা ক্যামেরার সামনে বসে, 20 সেন্টিমিটার দূরে, এবং একটি মেশিন লার্নিং অ্যালগরিদম তাদের জিহ্বার রঙ সনাক্ত করে এবং তাত্ক্ষণিকভাবে তাদের স্বাস্থ্যের অবস্থার পূর্বাভাস দেয়।
গবেষকরা ম্যাটল্যাব অ্যাপ ডিজাইনার প্রোগ্রাম সহ একটি ল্যাপটপ এবং জিহ্বার রঙ এবং বৈশিষ্ট্যগুলি বের করতে 1,920 x 1,080 পিক্সেল রেজোলিউশন সহ একটি ওয়েবক্যাম ব্যবহার করেছেন। চিত্র বিশ্লেষণের মধ্যে জিহ্বার চিত্রের কেন্দ্রীয় অঞ্চলকে বিভক্ত করা এবং বিশ্লেষণের জন্য বাঁশ, গোঁফ, ঠোঁট এবং দাঁত বাদ দেওয়া অন্তর্ভুক্ত ছিল।
চিত্র বিশ্লেষণের পর, সিস্টেমটি RGB স্থানকে HVS, YCbCr, YIQ এবং LAB মডেলে রূপান্তর করে। রঙের শ্রেণীবিভাগের পরে, বিভিন্ন রঙের চ্যানেলের তীব্রতা ইমেজিং মডেলগুলিকে প্রশিক্ষণের জন্য বিভিন্ন মেশিন লার্নিং অ্যালগরিদমে ইনপুট করা হয়।
পারফরম্যান্স মূল্যায়নের মেট্রিক্সের মধ্যে রয়েছে যথার্থতা, নির্ভুলতা, প্রত্যাহার, জ্যাকার্ড সূচক, এফ 1 স্কোর, জি স্কোর, জিরো-ওয়ান লস, কোহেনের কাপ্পা, হ্যামিং লস, ফাউলকস-ম্যালো ইনডেক্স এবং ম্যাথিউস পারস্পরিক সম্পর্ক সহগ (এমসিসি)।
ফলাফল
ফলাফলগুলি দেখায় যে XGBoost-এর সর্বোচ্চ নির্ভুলতা (98.7%), যখন Naïve Bayes টেকনিকের সর্বনিম্ন নির্ভুলতা (91%)। XGBoost-এর জন্য, 98% এর একটি F1 স্কোর প্রত্যাহার এবং নির্ভুলতার মধ্যে একটি চমৎকার ভারসাম্য নির্দেশ করে।
0.99 জ্যাকার্ড সূচকটি 0.01 শূন্য ক্ষতি, 0.92 জি-স্কোর, 0.01 হ্যামিং লস, 1.0 কোহেনের কাপ্পা, 0.4 এমসিসি এবং 0.98 ফাউলকেস-ম্যালো সূচকের সাথে প্রায় নিখুঁত ইতিবাচক সম্পর্ক দেখায়, এটি দেখায় যে XGBoost অত্যন্ত নির্ভরযোগ্য এবং কার্যকরীভাবে নির্ভরযোগ্য। XGBoost নির্ভুলতা, নির্ভুলতা, F1 স্কোর, প্রত্যাহার এবং MCC-তে প্রথম স্থানে রয়েছে।
এই ফলাফলগুলির উপর ভিত্তি করে, গবেষকরা একটি প্রস্তাবিত জিহ্বা ইমেজিং টুলের জন্য অ্যালগরিদম হিসাবে XGBoost ব্যবহার করেছেন যা একটি গ্রাফিকাল ইউজার ইন্টারফেসের সাথে ইন্টারফেস করে এবং বাস্তব সময়ে জিহ্বার রঙ এবং সম্পর্কিত রোগের পূর্বাভাস দেয়।
ইমেজিং সিস্টেম স্থাপনের পরে ইতিবাচক ফলাফল উত্পন্ন করেছে। মেশিন লার্নিং-ভিত্তিক সিস্টেমটি 60টি জিহ্বা চিত্রের মধ্যে 58টি নির্ভুলভাবে সনাক্ত করেছে, যার সনাক্তকরণের নির্ভুলতা 96.6%।
একটি গোলাপী জিহ্বা ভাল স্বাস্থ্য নির্দেশ করে, কিন্তু অন্যান্য রং রোগ নির্দেশ করে। হলুদ জিভের রোগীদের ডায়াবেটিক হিসাবে শ্রেণীবদ্ধ করা হয়, যখন সবুজ জিহ্বা আছে তাদের ছত্রাকজনিত রোগ নির্ণয় করা হয়।
একটি নীল জিহ্বা অ্যাজমা নির্দেশ করে; একটি কালো জিহ্বা ছত্রাকের উপস্থিতি নির্দেশ করে;
উপসংহারে
সামগ্রিকভাবে, XGBoost ব্যবহার করে পয়েন্ট-অফ-কেয়ার ইমেজিং সিস্টেম 96.6% এর ডায়গনিস্টিক নির্ভুলতা সহ, স্থাপনার পরে ইতিবাচক ফলাফল অর্জন করেছে। এই ফলাফলগুলি চিকিৎসা অ্যাপ্লিকেশনগুলিতে জিহ্বা সনাক্তকরণের জন্য কৃত্রিম বুদ্ধিমত্তা সিস্টেমের উপযোগিতাকে সমর্থন করে, এটি প্রদর্শন করে যে পদ্ধতিটি নিরাপদ, দক্ষ, ব্যবহারকারী-বান্ধব, উপভোগ্য এবং সাশ্রয়ী।
ক্যামেরার প্রতিফলন পর্যবেক্ষিত রঙে পার্থক্য সৃষ্টি করতে পারে, যা রোগ নির্ণয়কে প্রভাবিত করতে পারে। ভবিষ্যতের গবেষণায় ক্যামেরার প্রতিফলন বিবেচনা করা উচিত এবং নির্ভুলতা উন্নত করতে শক্তিশালী ইমেজ প্রসেসর, ফিল্টার এবং গভীর শিক্ষার পদ্ধতি ব্যবহার করা উচিত। এই পদ্ধতিটি পয়েন্ট-অফ-কেয়ার স্বাস্থ্য ব্যবস্থায় জিহ্বা ডায়াগনস্টিকসের ভবিষ্যতের সম্প্রসারণের পথ প্রশস্ত করে।
