ಇತ್ತೀಚಿನ ಅಧ್ಯಯನಗಳು ಪ್ರಮುಖ ರೋಗಗಳನ್ನು ವೈದ್ಯಕೀಯವಾಗಿ ರೋಗನಿರ್ಣಯ ಮಾಡುವಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿವೆ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ವ್ಯವಸ್ಥೆಗಳು ಸ್ವಲ್ಪ ಸಮಯದಿಂದ ಇದ್ದವು ಮತ್ತು ಈಗ ಸಮಯದೊಂದಿಗೆ ಚುರುಕಾಗುತ್ತಿವೆ ಮತ್ತು ಉತ್ತಮವಾಗುತ್ತಿವೆ. AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಬಹುಸಂಖ್ಯೆಯ ಪ್ರದೇಶಗಳಾಗಿವೆ ಮತ್ತು ಈಗ ಹೆಚ್ಚಿನ ಕ್ಷೇತ್ರಗಳ ಅವಿಭಾಜ್ಯವಾಗಿದೆ. AI ಅತ್ಯಗತ್ಯ ಮತ್ತು ಉಪಯುಕ್ತ ಅಂಶವಾಗಿರಬಹುದು ವೈದ್ಯಕೀಯ ವಿಜ್ಞಾನ ಮತ್ತು ಸಂಶೋಧನೆಯು ಆರೋಗ್ಯ ಉದ್ಯಮದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಅಪಾರ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.
ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ?
ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ ಸಮಯವು ಅತ್ಯಮೂಲ್ಯವಾದ ಸಂಪನ್ಮೂಲವಾಗಿದೆ ಮತ್ತು ರೋಗದ ಅಂತಿಮ ಫಲಿತಾಂಶಕ್ಕೆ ಸರಿಯಾದ ರೋಗನಿರ್ಣಯವು ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ. ಆರೋಗ್ಯ ರಕ್ಷಣೆಯು ಸಾಮಾನ್ಯವಾಗಿ ದೀರ್ಘ ಮತ್ತು ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸೇವಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ, ಪರಿಣಾಮಕಾರಿ ರೋಗನಿರ್ಣಯವನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಸರಿಯಾದ ಚಿಕಿತ್ಸೆಯನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ. AI ರೋಗಿಗಳ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ವೇಗ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ವೈದ್ಯರಿಂದ ಲಭ್ಯತೆ ಮತ್ತು ಸಮಯ ನಿರ್ವಹಣೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ತುಂಬಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ವಿಶೇಷವಾಗಿ ಕಡಿಮೆ ಮತ್ತು ಮಧ್ಯಮ-ಆದಾಯದ ದೇಶಗಳಲ್ಲಿ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಆರೋಗ್ಯ ವೃತ್ತಿಪರರ ಮಿತಿಗಳನ್ನು ಜಯಿಸಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ. AI ಎನ್ನುವುದು ಕಲಿಯುವ ಮತ್ತು ಯೋಚಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ ಮಾನವರು ಆಳವಾದ ಕಲಿಕೆ ಎಂಬ ಪರಿಕಲ್ಪನೆಯ ಮೂಲಕ. ಆಳವಾದ ಕಲಿಕೆಯು ಸ್ವತಃ ನಿರ್ಧಾರ ವೃಕ್ಷಗಳನ್ನು ರಚಿಸಲು ಮಾದರಿ ಡೇಟಾದ ವಿಶಾಲ ಸೆಟ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಈ ಆಳವಾದ ಕಲಿಕೆಯೊಂದಿಗೆ, AI ವ್ಯವಸ್ಥೆಯು ವಾಸ್ತವವಾಗಿ ಮನುಷ್ಯರಂತೆ ಯೋಚಿಸಬಹುದು, ಉತ್ತಮವಾಗಿಲ್ಲದಿದ್ದರೆ, ಮತ್ತು ಆದ್ದರಿಂದ ವೈದ್ಯಕೀಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು AI ಅನ್ನು ಸೂಕ್ತವೆಂದು ಪರಿಗಣಿಸಬಹುದು. ರೋಗಿಗಳನ್ನು ರೋಗನಿರ್ಣಯ ಮಾಡುವಾಗ, AI ವ್ಯವಸ್ಥೆಗಳು ಅದೇ ಕಾಯಿಲೆಗಳ ರೋಗಿಗಳಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಹುಡುಕುತ್ತಲೇ ಇರುತ್ತವೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಈ ಮಾದರಿಗಳು ಅವರು ಪ್ರಕಟವಾಗುವ ಮೊದಲು ರೋಗಗಳನ್ನು ಊಹಿಸಲು ಅಡಿಪಾಯವನ್ನು ನಿರ್ಮಿಸಬಹುದು.
ಇತ್ತೀಚಿನ ಅಧ್ಯಯನದಲ್ಲಿ1 ಪ್ರಕಟವಾದ ಸೆಲ್, ಸಂಶೋಧಕರು ಬಳಸಿದ್ದಾರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು ಸಾಮಾನ್ಯವಾದ ಆದರೆ ಕುರುಡು ಅಕ್ಷಿಪಟಲದ ಕಾಯಿಲೆಗಳಿರುವ ರೋಗಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಹೊಸ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಾಧನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು, ಸಂಭಾವ್ಯ ವೇಗದ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯನ್ನು. ಅಂಗಾಂಶದ 200,000D ಮತ್ತು 2D ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ರಚಿಸಲು ರೆಟಿನಾದಿಂದ ಬೆಳಕನ್ನು ಬೌನ್ಸ್ ಮಾಡುವ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ನಡೆಸಿದ 3 ಕ್ಕೂ ಹೆಚ್ಚು ಕಣ್ಣಿನ ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಸಂಶೋಧಕರು AI- ಆಧಾರಿತ ನರಮಂಡಲವನ್ನು ಬಳಸಿದ್ದಾರೆ. ನಂತರ ಅವರು 'ಟ್ರಾನ್ಸ್‌ಫರ್ ಲರ್ನಿಂಗ್' ಎಂಬ ತಂತ್ರವನ್ನು ಬಳಸಿದರು, ಇದರಲ್ಲಿ ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಪಡೆದ ಜ್ಞಾನವನ್ನು ಕಂಪ್ಯೂಟರ್‌ನಿಂದ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ವಿಭಿನ್ನ ಆದರೆ ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ರೆಟಿನಾ, ಕಾರ್ನಿಯಾ ಅಥವಾ ಆಪ್ಟಿಕ್ ನರಗಳಂತಹ ಕಣ್ಣಿನ ಪ್ರತ್ಯೇಕವಾದ ಅಂಗರಚನಾ ರಚನೆಗಳನ್ನು ಗುರುತಿಸಲು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲಾದ AI ನರಮಂಡಲವು ಸಂಪೂರ್ಣ ಕಣ್ಣಿನ ಚಿತ್ರಗಳನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ ಅವುಗಳನ್ನು ಹೆಚ್ಚು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು AI ಸಿಸ್ಟಮ್ ಅನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಚಿಕ್ಕದಾದ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಕ್ರಮೇಣ ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದು ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ದುಬಾರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತದೆ.
ಈ ಅಧ್ಯಯನವು ಬದಲಾಯಿಸಲಾಗದ ಕುರುಡುತನದ ಎರಡು ಸಾಮಾನ್ಯ ಕಾರಣಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ, ಇವುಗಳನ್ನು ಮೊದಲೇ ಪತ್ತೆ ಮಾಡಿದಾಗ ಚಿಕಿತ್ಸೆ ನೀಡಬಹುದು. ಅದೇ ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ ಐದು ನೇತ್ರಶಾಸ್ತ್ರಜ್ಞರ ರೋಗನಿರ್ಣಯಗಳೊಂದಿಗೆ ಯಂತ್ರದಿಂದ ಪಡೆದ ರೋಗನಿರ್ಣಯಗಳನ್ನು ಹೋಲಿಸಲಾಗಿದೆ. ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುವುದರ ಜೊತೆಗೆ, AI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ರೆಫರಲ್ ಮತ್ತು ಚಿಕಿತ್ಸಾ ಶಿಫಾರಸನ್ನು ಸಹ ರಚಿಸಿದೆ, ಇದನ್ನು ಹಿಂದಿನ ಯಾವುದೇ ಅಧ್ಯಯನದಲ್ಲಿ ಮಾಡಲಾಗಿಲ್ಲ. ಈ ತರಬೇತಿ ಪಡೆದ AI ವ್ಯವಸ್ಥೆಯು ಸುಶಿಕ್ಷಿತ ನೇತ್ರಶಾಸ್ತ್ರಜ್ಞರಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ರೋಗಿಯನ್ನು ಚಿಕಿತ್ಸೆಗಾಗಿ ಉಲ್ಲೇಖಿಸಬೇಕೆ ಅಥವಾ ಬೇಡವೇ ಎಂಬುದರ ಕುರಿತು 30 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಿರ್ಧಾರವನ್ನು 95 ಪ್ರತಿಶತಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರತೆಯೊಂದಿಗೆ ರಚಿಸಬಹುದು. ಅವರು ಬಾಲ್ಯದ ನ್ಯುಮೋನಿಯಾವನ್ನು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ AI ಉಪಕರಣವನ್ನು ಪರೀಕ್ಷಿಸಿದರು, ಎದೆಯ ಎಕ್ಸ್-ಕಿರಣಗಳ ಯಂತ್ರ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ (5 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನವರು) ವಿಶ್ವದಾದ್ಯಂತ ಸಾವಿಗೆ ಪ್ರಮುಖ ಕಾರಣವಾಗಿದೆ. ಕುತೂಹಲಕಾರಿಯಾಗಿ, ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂ ವೈರಲ್ ಮತ್ತು ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಸಾಧ್ಯವಾಯಿತು ಬ್ಯಾಕ್ಟೀರಿಯಾ 90% ಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರತೆಯೊಂದಿಗೆ ನ್ಯುಮೋನಿಯಾ. ಇದು ನಿರ್ಣಾಯಕವಾಗಿದೆ ಏಕೆಂದರೆ ವೈರಲ್ ನ್ಯುಮೋನಿಯಾವು ಅದರ ಕೋರ್ಸ್ ನಂತರ ದೇಹದಿಂದ ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೊರಹಾಕಲ್ಪಟ್ಟರೂ, ಮತ್ತೊಂದೆಡೆ ಬ್ಯಾಕ್ಟೀರಿಯಾದ ನ್ಯುಮೋನಿಯಾ ಹೆಚ್ಚು ಗಂಭೀರವಾದ ಆರೋಗ್ಯ ಬೆದರಿಕೆಯಾಗಿದೆ ಮತ್ತು ಪ್ರತಿಜೀವಕಗಳ ಮೂಲಕ ತಕ್ಷಣದ ಚಿಕಿತ್ಸೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಮತ್ತೊಂದು ಪ್ರಮುಖ ಜಿಗಿತದಲ್ಲಿ2 ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ವಿಜ್ಞಾನಿಗಳು ವ್ಯಕ್ತಿಯ ರೆಟಿನಾದ ತೆಗೆದ ಛಾಯಾಚಿತ್ರಗಳನ್ನು ಮೆಷಿನ್-ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಅಥವಾ ಸಾಫ್ಟ್‌ವೇರ್ ಮೂಲಕ ವಿಶ್ಲೇಷಿಸಬಹುದು ಎಂದು ಕಂಡುಹಿಡಿದರು. ಛಾಯಾಚಿತ್ರಗಳಲ್ಲಿ ಸೆರೆಹಿಡಿಯಲಾದ ಕಣ್ಣಿನಲ್ಲಿರುವ ರಕ್ತನಾಳಗಳ ಸ್ಥಿತಿಯು ವಯಸ್ಸು, ಲಿಂಗ, ಜನಾಂಗೀಯತೆ, ರಕ್ತದೊತ್ತಡ, ಯಾವುದೇ ಪೂರ್ವ ಹೃದಯಾಘಾತ ಮತ್ತು ಧೂಮಪಾನದ ಅಭ್ಯಾಸಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸಲು ತೋರಿಸಲಾಗಿದೆ ಮತ್ತು ಈ ಎಲ್ಲಾ ಅಂಶಗಳು ಒಟ್ಟಾರೆಯಾಗಿ ವ್ಯಕ್ತಿಯ ಹೃದಯ ಸಂಬಂಧಿ ಕಾಯಿಲೆಗಳನ್ನು ಊಹಿಸುತ್ತವೆ.
ಮಾಹಿತಿ ಬ್ಲಾಕ್ ಆಗಿ ಕಣ್ಣು
ಕಣ್ಣಿನ ಛಾಯಾಚಿತ್ರಗಳನ್ನು ನೋಡುವ ಮೂಲಕ ಆರೋಗ್ಯವನ್ನು ನಿರ್ಣಯಿಸುವ ಕಲ್ಪನೆಯು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಇದೆ. ಮಾನವನ ಕಣ್ಣುಗಳ ಹಿಂಭಾಗದ ಆಂತರಿಕ ಗೋಡೆಯು ದೇಹದ ಒಟ್ಟಾರೆ ಆರೋಗ್ಯವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಬಹಳಷ್ಟು ರಕ್ತನಾಳಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ದೃಢಪಡಿಸಲಾಗಿದೆ. ಕ್ಯಾಮರಾ ಮತ್ತು ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಮೂಲಕ ಈ ರಕ್ತನಾಳಗಳ ನೋಟವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, ವ್ಯಕ್ತಿಯ ರಕ್ತದೊತ್ತಡ, ವಯಸ್ಸು, ಧೂಮಪಾನಿ ಅಥವಾ ಧೂಮಪಾನಿಗಳಲ್ಲದ ಇತ್ಯಾದಿಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಊಹಿಸಬಹುದು ಮತ್ತು ಇವೆಲ್ಲವೂ ವ್ಯಕ್ತಿಯ ಹೃದಯದ ಆರೋಗ್ಯದ ಪ್ರಮುಖ ಸೂಚಕಗಳಾಗಿವೆ. . ಹೃದಯರಕ್ತನಾಳದ ಕಾಯಿಲೆ (CVD) ಜಾಗತಿಕವಾಗಿ ಸಾವಿನ ಮೊದಲ ಕಾರಣವಾಗಿದೆ ಮತ್ತು ಯಾವುದೇ ಇತರ ಕಾಯಿಲೆ ಅಥವಾ ಸ್ಥಿತಿಗೆ ಹೋಲಿಸಿದರೆ ಹೆಚ್ಚು ಜನರು CVD ಗಳಿಂದ ಸಾಯುತ್ತಾರೆ. ಇದು ಕಡಿಮೆ ಮತ್ತು ಮಧ್ಯಮ-ಆದಾಯದ ದೇಶಗಳಲ್ಲಿ ಹೆಚ್ಚು ಪ್ರಚಲಿತವಾಗಿದೆ ಮತ್ತು ಆರ್ಥಿಕತೆ ಮತ್ತು ಮಾನವಕುಲದ ಮೇಲೆ ದೊಡ್ಡ ಹೊರೆಯಾಗಿದೆ. ಹೃದಯರಕ್ತನಾಳದ ಅಪಾಯವು ಜೀನ್‌ಗಳು, ವಯಸ್ಸು, ಜನಾಂಗೀಯತೆ, ಲಿಂಗ, ವ್ಯಾಯಾಮ ಮತ್ತು ಆಹಾರದ ಸಂಯೋಜನೆಯಂತಹ ಅಂಶಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಸಂಭವನೀಯ ಅಪಾಯಗಳನ್ನು ಪರಿಹರಿಸಲು ಗಮನಾರ್ಹವಾದ ಜೀವನಶೈಲಿಯ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ತಂಬಾಕು, ಸ್ಥೂಲಕಾಯತೆ, ದೈಹಿಕ ನಿಷ್ಕ್ರಿಯತೆ ಮತ್ತು ಅನಾರೋಗ್ಯಕರ ಆಹಾರದಂತಹ ನಡವಳಿಕೆಯ ಅಪಾಯಗಳನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ಹೆಚ್ಚಿನ ಹೃದಯರಕ್ತನಾಳದ ಕಾಯಿಲೆಗಳನ್ನು ತಡೆಯಬಹುದು.
ರೆಟಿನಾದ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಆರೋಗ್ಯ ರೋಗನಿರ್ಣಯ
ಗೂಗಲ್ ಮತ್ತು ಅದರ ಸ್ವಂತ ಆರೋಗ್ಯ ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿ ವೆರಿಲಿ ಲೈಫ್ ಸೈನ್ಸಸ್‌ನ ಸಂಶೋಧಕರು ನಡೆಸಿದ ಈ ಅಧ್ಯಯನವು ಸುಮಾರು 280,000 ರೋಗಿಗಳ ರೆಟಿನಾದ ಛಾಯಾಚಿತ್ರಗಳ ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಲಾಗಿದೆ ಎಂದು ತೋರಿಸಿದೆ ಮತ್ತು ಈ ಅಲ್ಗಾರಿದಮ್ ಎರಡು ಹೃದಯದ ಅಪಾಯದ ಅಂಶಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಸಮಂಜಸವಾದ ಉತ್ತಮ ನಿಖರತೆಯೊಂದಿಗೆ ಸುಮಾರು 12000 ಮತ್ತು 1000 ರೋಗಿಗಳ ಸ್ವತಂತ್ರ ಡೇಟಾಸೆಟ್‌ಗಳು. ಚಿತ್ರ ಮತ್ತು ಹೃದಯಾಘಾತದ ಅಪಾಯದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಅಲ್ಗಾರಿದಮ್ ರೆಟಿನಾದ ಸಂಪೂರ್ಣ ಛಾಯಾಚಿತ್ರವನ್ನು ಬಳಸಿದೆ. ಈ ಅಲ್ಗಾರಿದಮ್ ರೋಗಿಯಲ್ಲಿ ಶೇಕಡಾ 70 ರಷ್ಟು ಹೃದಯರಕ್ತನಾಳದ ಘಟನೆಯನ್ನು ಊಹಿಸಬಹುದು ಮತ್ತು ವಾಸ್ತವವಾಗಿ ಧೂಮಪಾನಿ ಮತ್ತು ಧೂಮಪಾನಿಗಳಲ್ಲದವರು ಈ ಪರೀಕ್ಷೆಯಲ್ಲಿ 71 ಪ್ರತಿಶತದಷ್ಟು ಸಮಯವನ್ನು ಪ್ರತ್ಯೇಕಿಸಬಹುದು. ಅಲ್ಗಾರಿದಮ್ ಹೃದಯ ಸ್ಥಿತಿಯನ್ನು ಸೂಚಿಸುವ ಅಧಿಕ ರಕ್ತದೊತ್ತಡವನ್ನು ಊಹಿಸಬಹುದು ಮತ್ತು ಸಂಕೋಚನದ ರಕ್ತದೊತ್ತಡವನ್ನು ಊಹಿಸಬಹುದು - ಹೃದಯ ಬಡಿತದ ಸಮಯದಲ್ಲಿ ನಾಳಗಳಲ್ಲಿನ ಒತ್ತಡ- ಅಧಿಕ ರಕ್ತದೊತ್ತಡ ಹೊಂದಿರುವ ಅಥವಾ ಇಲ್ಲದ ಹೆಚ್ಚಿನ ರೋಗಿಗಳ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ. ಲೇಖಕರ ಪ್ರಕಾರ ಈ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಹೃದಯರಕ್ತನಾಳದ ತಪಾಸಣೆಗೆ ಹೋಲುತ್ತದೆ, ರೋಗಿಯ ಇತಿಹಾಸದೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ ಕೊಲೆಸ್ಟ್ರಾಲ್ ಮಟ್ಟವನ್ನು ಅಳೆಯಲು ರೋಗಿಯಿಂದ ರಕ್ತವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿನ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ ನೇಚರ್ ಬಯೋಮೆಡಿಕಲ್ ಎಂಜಿನಿಯರಿಂಗ್, ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆಯಲ್ಲಿ ಪ್ರಮುಖ ಹೃದಯರಕ್ತನಾಳದ ಘಟನೆಯ ಸಂಭವವನ್ನು ಊಹಿಸಬಹುದು - ಉದಾಹರಣೆಗೆ ಹೃದಯಾಘಾತ.
ಈ ಅಧ್ಯಯನಗಳ ಅತ್ಯಂತ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ನಿರ್ಣಾಯಕ ಅಂಶವೆಂದರೆ ಕಂಪ್ಯೂಟರ್ ರೋಗನಿರ್ಣಯವನ್ನು ತಲುಪಲು ಚಿತ್ರದಲ್ಲಿ ಎಲ್ಲಿ ನೋಡುತ್ತಿದೆ ಎಂಬುದನ್ನು ಹೇಳಬಹುದು, ಇದು ನಮಗೆ ಭವಿಷ್ಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಉದಾಹರಣೆ, ಗೂಗಲ್‌ನ ಅಧ್ಯಯನವು "ರೆಟಿನಾದ ಯಾವ ಭಾಗಗಳು" ಮುನ್ಸೂಚನೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ತೋರಿಸಿದೆ, ಅಂದರೆ ಅಲ್ಗಾರಿದಮ್ ಭವಿಷ್ಯವನ್ನು ಹೇಗೆ ಮಾಡುತ್ತಿದೆ. ಈ ತಿಳುವಳಿಕೆಯು ಈ ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮಾತ್ರವಲ್ಲದೆ, ಈ ಸಂಪೂರ್ಣ ವಿಧಾನದಲ್ಲಿ ಪಾರದರ್ಶಕವಾಗಿ ಮಾಡುವ ಮೂಲಕ ವಿಶ್ವಾಸ ಮತ್ತು ನಂಬಿಕೆಯನ್ನು ಹುಟ್ಟುಹಾಕಲು ಸಹ ಮುಖ್ಯವಾಗಿದೆ.
ಸವಾಲುಗಳು
ಅಂತಹ ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳು ಅದರ ಸವಾಲುಗಳೊಂದಿಗೆ ಬರುತ್ತವೆ ಏಕೆಂದರೆ ಅಂತಹ ಚಿತ್ರಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಘಗಳನ್ನು ಗಮನಿಸುವುದು ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸುವುದು ನೇರವಾಗಿರುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಈ ಚಿತ್ರಗಳಲ್ಲಿನ ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳು, ಬಣ್ಣಗಳು, ಮೌಲ್ಯಗಳು, ಆಕಾರಗಳು ಇತ್ಯಾದಿ. ಈ ಅಧ್ಯಯನವು ಮಾನವನ ಅಂಗರಚನಾಶಾಸ್ತ್ರದಲ್ಲಿನ ಬದಲಾವಣೆಗಳು (ದೇಹದ ಆಂತರಿಕ ರೂಪವಿಜ್ಞಾನ) ಮತ್ತು ರೋಗದ ನಡುವಿನ ಸಂಪರ್ಕಗಳು, ಸಂಘಗಳು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ವಿವರಿಸಲು ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಅದೇ ರೀತಿಯಲ್ಲಿ ಆರೋಗ್ಯ ವೃತ್ತಿಪರರು ಅವರು ಅಥವಾ ಅವಳು ರೋಗಿಗಳ ರೋಗಲಕ್ಷಣಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದ್ದಾಗ ಮಾಡುತ್ತಾರೆ. . ಈ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ ಬಳಸುವ ಮೊದಲು ಹೆಚ್ಚಿನ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಚರ್ಚೆಗಳು ಮತ್ತು ಸವಾಲುಗಳ ಹೊರತಾಗಿಯೂ, ಮಾನವ ತಜ್ಞರಿಗೆ ಕಷ್ಟಕರವಾದ ಅಪಾರ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿರುವ ವಿಶ್ಲೇಷಣೆಗಳು ಮತ್ತು ವರ್ಗೀಕರಣಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ರೋಗದ ರೋಗನಿರ್ಣಯ ಮತ್ತು ನಿರ್ವಹಣೆಯನ್ನು ಕ್ರಾಂತಿಗೊಳಿಸುವ ದೊಡ್ಡ ಸಾಮರ್ಥ್ಯವನ್ನು AI ಹೊಂದಿದೆ. ಇದು ವೇಗದ, ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ, ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ಪರ್ಯಾಯ ಚಿತ್ರ-ಆಧಾರಿತ ರೋಗನಿರ್ಣಯ ಸಾಧನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. AI ವ್ಯವಸ್ಥೆಗಳ ಯಶಸ್ಸಿಗೆ ಪ್ರಮುಖ ಅಂಶಗಳೆಂದರೆ ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ಶಕ್ತಿ ಮತ್ತು ಜನರ ಹೆಚ್ಚಿನ ಅನುಭವ. ಸಂಭಾವ್ಯ ಭವಿಷ್ಯದಲ್ಲಿ ಹೊಸ ವೈದ್ಯಕೀಯ ಒಳನೋಟಗಳು ಮತ್ತು ರೋಗನಿರ್ಣಯವನ್ನು ಮಾನವ ನಿರ್ದೇಶನ ಅಥವಾ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ AI ಯೊಂದಿಗೆ ಸಾಧಿಸಬಹುದು.
***
{ಉದಾಹರಿಸಿದ ಮೂಲ(ಗಳ) ಪಟ್ಟಿಯಲ್ಲಿ ಕೆಳಗೆ ನೀಡಲಾದ DOI ಲಿಂಕ್ ಅನ್ನು ಕ್ಲಿಕ್ ಮಾಡುವ ಮೂಲಕ ನೀವು ಮೂಲ ಸಂಶೋಧನಾ ಪ್ರಬಂಧವನ್ನು ಓದಬಹುದು}
ಮೂಲಗಳು)
1. ಕೆರ್ಮನಿ ಡಿಎಸ್ ಮತ್ತು ಇತರರು. 2018. ಚಿತ್ರ-ಆಧಾರಿತ ಆಳವಾದ ಕಲಿಕೆಯ ಮೂಲಕ ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆ ನೀಡಬಹುದಾದ ರೋಗಗಳನ್ನು ಗುರುತಿಸುವುದು. ಕೋಶ. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. ಪಾಪ್ಲಿನ್ ಆರ್ ಮತ್ತು ಇತರರು. 2018. ಆಳವಾದ ಕಲಿಕೆಯ ಮೂಲಕ ರೆಟಿನಲ್ ಫಂಡಸ್ ಛಾಯಾಚಿತ್ರಗಳಿಂದ ಹೃದಯರಕ್ತನಾಳದ ಅಪಾಯದ ಅಂಶಗಳ ಮುನ್ಸೂಚನೆ. ನೇಚರ್ ಬಯೋಮೆಡಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್. 2. https://doi.org/10.1038/s41551-018-0195-0
