Fact-checked
х

সমস্ত আইলাইভ সামগ্রী চিকিত্সাগতভাবে পর্যালোচনা করা হয় অথবা যতটা সম্ভব তাত্ত্বিক নির্ভুলতা নিশ্চিত করতে প্রকৃতপক্ষে পরীক্ষা করা হয়েছে।

আমাদের কঠোর নির্দেশিকাগুলি রয়েছে এবং কেবলমাত্র সম্মানিত মিডিয়া সাইটগুলি, একাডেমিক গবেষণা প্রতিষ্ঠানগুলির সাথে লিঙ্ক করে এবং যখনই সম্ভব, তাত্ত্বিকভাবে সহকর্মী গবেষণা পর্যালোচনা। মনে রাখবেন যে বন্ধনীগুলিতে ([1], [2], ইত্যাদি) এই গবেষণায় ক্লিকযোগ্য লিঙ্কগুলি রয়েছে।

আপনি যদি মনে করেন যে আমাদের কোনও সামগ্রী ভুল, পুরানো, বা অন্যথায় সন্দেহজনক, এটি নির্বাচন করুন এবং Ctrl + Enter চাপুন।

রেডিওলজিস্টরা অদূর ভবিষ্যতে মস্তিষ্কের টিউমার সনাক্ত করতে AI ব্যবহার করতে সক্ষম হবেন

, মেডিকেল সম্পাদক
সর্বশেষ পর্যালোচনা: 02.07.2025
প্রকাশিত: 2024-11-19 11:43

"বায়োলজি মেথডস অ্যান্ড প্রোটোকলস "-এ প্রকাশিত "ডিপ লার্নিং অ্যান্ড ট্রান্সফার লার্নিং ফর ব্রেন টিউমার ডিটেকশন অ্যান্ড ক্লাসিফিকেশন" শীর্ষক একটি গবেষণাপত্রে বলা হয়েছে যে বিজ্ঞানীরা কৃত্রিম বুদ্ধিমত্তা (এআই) মডেলগুলিকে মস্তিষ্কের টিউমার এবং সুস্থ টিস্যুর মধ্যে পার্থক্য করার প্রশিক্ষণ দিতে পারেন। এআই মডেলগুলি ইতিমধ্যেই এমআরআই ছবিতে মস্তিষ্কের টিউমার সনাক্ত করতে পারে প্রায় একজন মানব রেডিওলজিস্টের মতোই।

চিকিৎসায় AI প্রয়োগের ক্ষেত্রে গবেষকরা অবিচল অগ্রগতি অর্জন করেছেন। রেডিওলজিতে AI বিশেষভাবে আশাব্যঞ্জক, যেখানে চিকিৎসা চিত্র প্রক্রিয়াকরণের জন্য টেকনিশিয়ানদের অপেক্ষা করা রোগীর চিকিৎসা বিলম্বিত করতে পারে। কনভোলিউশনাল নিউরাল নেটওয়ার্ক হল শক্তিশালী হাতিয়ার যা গবেষকদের স্বীকৃতি এবং শ্রেণীবিভাগের জন্য বৃহৎ চিত্রের সেটে AI মডেলগুলিকে প্রশিক্ষণ দিতে সাহায্য করে।

এইভাবে, নেটওয়ার্কগুলি চিত্রগুলির মধ্যে পার্থক্য করতে "শিখতে" পারে। তাদের "শিক্ষা স্থানান্তর" করার ক্ষমতাও রয়েছে। বিজ্ঞানীরা একটি নতুন কিন্তু সম্পর্কিত প্রকল্পের জন্য একটি কাজের জন্য প্রশিক্ষিত একটি মডেল পুনরায় ব্যবহার করতে পারেন।

যদিও ছদ্মবেশী প্রাণী সনাক্তকরণ এবং মস্তিষ্কের টিউমার শ্রেণীবদ্ধকরণের ক্ষেত্রে খুব ভিন্ন ধরণের ছবি জড়িত, গবেষকরা পরামর্শ দিয়েছেন যে প্রাকৃতিক ছদ্মবেশের কারণে লুকিয়ে থাকা একটি প্রাণী এবং আশেপাশের সুস্থ টিস্যুর সাথে মিশে যাওয়া ক্যান্সার কোষের একটি গ্রুপের মধ্যে একটি সমান্তরালতা রয়েছে।

নেটওয়ার্ক কীভাবে ছদ্মবেশী বস্তু সনাক্ত করতে পারে তা বোঝার জন্য সাধারণীকরণের শেখা প্রক্রিয়া - বিভিন্ন বস্তুকে একটি একক শনাক্তকারীর অধীনে গোষ্ঠীবদ্ধ করা - গুরুত্বপূর্ণ। টিউমার সনাক্তকরণের জন্য এই ধরনের শেখা বিশেষভাবে কার্যকর হতে পারে।

জনসাধারণের জন্য উপলব্ধ এমআরআই ডেটার এই পূর্ববর্তী গবেষণায়, গবেষকরা পরীক্ষা করেছেন যে কীভাবে নিউরাল নেটওয়ার্ক মডেলগুলিকে মস্তিষ্কের ক্যান্সারের ডেটার উপর প্রশিক্ষণ দেওয়া যেতে পারে, নেটওয়ার্কের টিউমার সনাক্তকরণ দক্ষতা উন্নত করার জন্য আড়ালযুক্ত প্রাণী সনাক্ত করার জন্য একটি অনন্য স্থানান্তর শেখার পদক্ষেপ প্রবর্তন করেছেন।

জনসাধারণের জন্য উপলব্ধ অনলাইন ক্যান্সার ডেটা উৎস থেকে প্রাপ্ত এমআরআই এবং সুস্থ মস্তিষ্কের নিয়ন্ত্রণ চিত্র (ক্যাগল, এনআইএইচ ক্যান্সার ইমেজ আর্কাইভ এবং বোস্টনের ভিএ হেলথ সিস্টেম সহ) ব্যবহার করে, গবেষকরা সুস্থ এবং ক্যান্সারযুক্ত এমআরআই-এর মধ্যে পার্থক্য করার জন্য, ক্যান্সার দ্বারা প্রভাবিত এলাকা সনাক্ত করার জন্য এবং ক্যান্সারের প্রোটোটাইপিক্যাল চেহারা (ক্যান্সার টিউমারের ধরণ) সনাক্ত করার জন্য নেটওয়ার্কগুলিকে প্রশিক্ষণ দিয়েছেন।

গবেষকরা দেখেছেন যে নেটওয়ার্কগুলি মাত্র এক বা দুটি মিথ্যা নেতিবাচক পরীক্ষার মাধ্যমে স্বাভাবিক মস্তিষ্কের ছবি সনাক্ত করতে এবং ক্যান্সারযুক্ত এবং সুস্থ মস্তিষ্কের মধ্যে পার্থক্য করতে প্রায় নিখুঁত ছিল। প্রথম নেটওয়ার্কটি মস্তিষ্কের ক্যান্সার সনাক্তকরণে গড় নির্ভুলতা 85.99% দেখিয়েছে, যেখানে দ্বিতীয়টির নির্ভুলতা 83.85%।

নেটওয়ার্কের একটি প্রধান বৈশিষ্ট্য হল এর সিদ্ধান্তগুলি ব্যাখ্যা করার একাধিক উপায়, যা চিকিৎসা পেশাদার এবং রোগীদের মডেলগুলির উপর আস্থা বৃদ্ধি করে। গভীর মডেলগুলি প্রায়শই যথেষ্ট স্বচ্ছ হয় না এবং ক্ষেত্রটি পরিপক্ক হওয়ার সাথে সাথে নেটওয়ার্কগুলির সিদ্ধান্তগুলি ব্যাখ্যা করার ক্ষমতা গুরুত্বপূর্ণ হয়ে ওঠে।

এই গবেষণার জন্য ধন্যবাদ, নেটওয়ার্কটি এখন এমন ছবি তৈরি করতে পারে যা টিউমারের শ্রেণীবিভাগের নির্দিষ্ট ক্ষেত্রগুলিকে ইতিবাচক বা নেতিবাচক হিসাবে দেখায়। এটি রেডিওলজিস্টদের নেটওয়ার্কের ফলাফলের বিরুদ্ধে তাদের সিদ্ধান্তগুলি পরীক্ষা করার অনুমতি দেবে, আত্মবিশ্বাস যোগ করবে যেন কাছাকাছি একজন দ্বিতীয় "রোবোটিক" রেডিওলজিস্ট এমআরআই-এর সেই অংশের দিকে ইঙ্গিত করছেন যা একটি টিউমার নির্দেশ করে।

ভবিষ্যতে, গবেষকরা বিশ্বাস করেন যে গভীর নেটওয়ার্ক মডেল তৈরির উপর মনোযোগ দেওয়া গুরুত্বপূর্ণ হবে যার সিদ্ধান্তগুলি স্বজ্ঞাত উপায়ে বর্ণনা করা যেতে পারে যাতে AI ক্লিনিকাল অনুশীলনে স্বচ্ছ সহায়ক ভূমিকা পালন করতে পারে।

যদিও নেটওয়ার্কগুলির সকল ক্ষেত্রে মস্তিষ্কের টিউমারের ধরণগুলির মধ্যে পার্থক্য করতে অসুবিধা হয়েছিল, তবুও এটি স্পষ্ট ছিল যে নেটওয়ার্কের মধ্যে ডেটা কীভাবে উপস্থাপন করা হয়েছিল তার মধ্যে তাদের অন্তর্নিহিত পার্থক্য ছিল। নেটওয়ার্কগুলিকে ছদ্মবেশ সনাক্ত করার জন্য প্রশিক্ষণ দেওয়া হওয়ায় নির্ভুলতা এবং স্পষ্টতা উন্নত হয়েছিল। স্থানান্তর শেখার ফলে নির্ভুলতা বৃদ্ধি পেয়েছিল।

যদিও পরীক্ষিত সেরা মডেলটি স্ট্যান্ডার্ড মানব সনাক্তকরণের তুলনায় 6% কম নির্ভুল ছিল, তবুও গবেষণাটি এই শেখার দৃষ্টান্তের মাধ্যমে অর্জিত পরিমাণগত উন্নতি সফলভাবে প্রদর্শন করে। গবেষকরা বিশ্বাস করেন যে এই দৃষ্টান্ত, ব্যাখ্যাযোগ্যতা পদ্ধতির ব্যাপক প্রয়োগের সাথে মিলিত হয়ে, ভবিষ্যতের ক্লিনিকাল এআই গবেষণায় প্রয়োজনীয় স্বচ্ছতা আনতে সাহায্য করবে।

"এআই-এর অগ্রগতির ফলে আরও সঠিকভাবে প্যাটার্ন সনাক্ত করা এবং সনাক্ত করা সম্ভব হয়েছে," গবেষণাপত্রের প্রধান লেখক আরাশ ইয়াজদানবাখশ বলেন।

"এর ফলে, চিত্র-ভিত্তিক রোগ নির্ণয় এবং স্ক্রিনিং উন্নত হয়, তবে AI কীভাবে কোনও কাজ সম্পাদন করে সে সম্পর্কে আরও ব্যাখ্যা প্রয়োজন। AI ব্যাখ্যাযোগ্যতার উপর চাপ সাধারণভাবে মানব-AI মিথস্ক্রিয়া উন্নত করে। এটি চিকিৎসা পেশাদার এবং চিকিৎসার উদ্দেশ্যে ডিজাইন করা AI-এর মধ্যে বিশেষভাবে গুরুত্বপূর্ণ।"

"রোগ নির্ণয়, রোগের অগ্রগতি ট্র্যাক করা এবং চিকিৎসা পর্যবেক্ষণে সহায়তা করার জন্য স্পষ্ট এবং ব্যাখ্যাযোগ্য মডেলগুলি আরও উপযুক্ত।"


ILive চিকিৎসা পরামর্শ, রোগ নির্ণয় বা চিকিত্সা সরবরাহ করে না।
পোর্টালে প্রকাশিত তথ্য শুধুমাত্র রেফারেন্সের জন্য এবং বিশেষজ্ঞের সাথে পরামর্শ ছাড়াই ব্যবহার করা উচিত নয়।
সাইটটির নিয়ম এবং নীতি যত্ন সহকারে পড়ুন। আপনি আমাদের সাথে যোগাযোগ করতে পারেন!
কপিরাইট © 2011 - 2025 iLive। সর্বস্বত্ব সংরক্ষিত.