Development and external validation of deep learning models for spontaneous preterm birth prediction from mid-trimester cervical ultrasound
इस अध्ययन ने मिड-ट्राइमेस्टर सर्वाइकल अल्ट्रासाउंड का उपयोग करके स्पोंटेनियस प्रीटर्म बर्थ (स्वतः पूर्वप्रसूति) की भविष्यवाणी करने के लिए डीप लर्निंग और मल्टीमॉडल मॉडल विकसित और बाहरी रूप से मान्य किए, जिसमें यह पाया गया कि जबकि आंतरिक प्रदर्शन मध्यम था, बाहरी सत्यापन के परिणाम खराब रहे जो संभवतः प्रीटर्म बर्थ की विषमता के कारण थे, जो सबटाइप-विशिष्ट मॉडलिंग और अतिरिक्त बायोमार्कर की आवश्यकता का सुझाव देते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मानव शरीर की कल्पना एक हलचल भरे शहर के रूप में करें, और गर्भावस्था को एक नए जीवन के निर्माण के लिए चल रही एक भव्य निर्माण परियोजना के रूप में। इस परियोजना की सफलता के लिए, शहर का "द्वार"—गर्भाशय ग्रीवा (सर्विक्स)—को निर्माण की समय सीमा के अंत तक मजबूती से बंद रहना चाहिए। लेकिन कभी-कभी, यह द्वार बहुत जल्दी खुल जाता है, जिससे समय से पहले आगमन हो जाता है। इसे प्रीटर्म बर्थ (समय पूर्व जन्म) कहा जाता है, और यह नवजात शिशुओं के जीवित रहने के संघर्ष का सबसे बड़ा कारण है। वैज्ञानिक एक "मौसम पूर्वानुमान" बनाने की कोशिश कर रहे हैं ताकि यह अनुमान लगाया जा सके कि क्या द्वार बहुत जल्दी खुल जाएगा। उन्होंने द्वार की लंबाई (जैसे किसी दरवाजे के फ्रेम को मापना) को देखने और शरीर में रासायनिक संकेतों की जांच करने की कोशिश की, लेकिन ये तरीके एकदम सटीक नहीं हैं, खासकर उन माताओं के लिए जो पूरी तरह स्वस्थ दिखती हैं। हाल ही में, एक नया विचार उभरा: शायद द्वार की दीवार की बनावट (टेक्सचर), जो अल्ट्रासाउंड चित्रों में दिखाई देती है, में कुछ गुप्त संकेत छिपे हैं जिन्हें मानवीय आंख नहीं देख सकती, लेकिन एक कंप्यूटर देख सकता है। यह बिल्कुल वैसा ही है जैसे यह अनुमान लगाने की कोशिश करना कि कोई पुल केवल उसकी लंबाई को मापकर नहीं, बल्कि कंक्रीट में मौजूद सूक्ष्म दरारों और अनाज के पैटर्न का विश्लेषण करके कि वह ढह जाएगा या नहीं।
शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ मिलाया कि क्या एक अत्यंत बुद्धिमान कंप्यूटर अल्ट्रासाउंड के इन चित्रों को देखकर यह सटीक भविष्यवाणी कर सकता है कि बच्चे का जन्म समय से पहले होगा या नहीं। उन्होंने कई अलग-अलग प्रकार के "डिजिटल जासूस" बनाए। कुछ को छवि की बनावट (टेक्सचर) में विशिष्ट पैटर्न खोजने के लिए प्रशिक्षित किया गया था (जैसे कि उंगलियों के निशान खोजने वाला एक जासूस), जबकि अन्य 'डीप-लर्निंग' मॉडल थे (जैसे कि एक छात्र जो हजारों तस्वीरों को तब तक घूरता रहता है जब तक कि वह अपने आप नियम न समझ ले)। उन्होंने इन छवि संकेतों को मानक चिकित्सा तथ्यों, जैसे कि माँ की आयु या स्वास्थ्य इतिहास के साथ मिलाने का भी प्रयास किया। उन्होंने अपने सर्वश्रेष्ठ जासूसों का परीक्षण एक अस्पताल में महिलाओं के एक बड़े समूह पर किया, और फिर, महत्वपूर्ण रूपude, उन्होंने उन्हीं जासूसों को एक अलग शहर में, एक अलग मशीन से स्कैन की गई महिलाओं के एक पूरी तरह से अलग समूह पर आजमाया। यह अंतिम परीक्षा है: क्या जासूस एक नए मोहल्ले में नया मामला सुलझा सकता है, या उसने केवल पहले वाले को रट लिया था?
परिणाम थोड़े वास्तविकता का अहसास कराने वाले थे। जब शोधकर्ताओं ने अपने सर्वश्रेष्ठ "टेक्सचर जासूस" का परीक्षण महिलाओं के पहले समूह पर किया, तो इसने अच्छा काम किया, और लगभग 71% बार सही ढंग से अंतर किया कि किन महिलाओं का प्रीटर्म बर्थ होगा और किनका नहीं। यह आशाजनक लग रहा था! हालांकि, जब वे उसी जासूस को एक अलग अल्ट्रासाउंड मशीन पर स्कैन की गई महिलाओं के दूसरे समूह के पास ले गए, तो इसका प्रदर्शन गिरकर धराशायी हो गया। यह लगभग 52% तक गिर गया, जो कि सिक्का उछालकर अनुमान लगाने से मुश्किल से बेहतर है। डीप-लर्निंग मॉडल, जो अधिक उन्नत होने चाहिए थे, वे भी इससे बेहतर नहीं कर सके; मशीन बदलने पर वे भी लड़खड़ा गए। यह स्पष्ट है कि पहले अस्पताल में कंप्यूटर ने जो "फिंगरप्रिंट" सीखा था, वह उस विशेष मशीन और उन विशेष महिलाओं के लिए बहुत विशिष्ट था। नया वातावरण मिलने पर कंप्यूटर भ्रमित हो गया, ठीक वैसे ही जैसे एक छात्र जो परीक्षा के उत्तर रट लेता है लेकिन जब शिक्षक फॉन्ट या प्रश्न का प्रारूप बदल देता है, तो असफल हो जाता है।
कहानी पूरी तरह से विफलता के साथ समाप्त नहीं हुई, हालांकि। शोधकर्ताओं ने गौर किया कि जब उन्होंने एक विशिष्ट उपसमूह को देखा: वे महिलाएं जिन्हें पहले से ही "उच्च जोखिम" वाला माना जाता था क्योंकि उनका प्रीटर्म बर्थ का इतिहास रहा है या उनकी गर्भाशय ग्रीवा छोटी रही है। इस विशिष्ट समूह में, एक सरल मॉडल जिसने केवल नैदानिक तथ्यों (जैसे चिकित्सा इतिहास) और गर्भाशय ग्रीवा की लंबाई को देखा, उसने बाहरी समूह में 85% की सटीकता के साथ काफी अच्छा प्रदर्शन किया। हालांकि, शोधकर्ता यहाँ बहुत सतर्क हैं। यह सफलता बहुत कम मामलों पर आधारित थी—बाहरी समूह में केवल तीन उच्च-जोखिम वाली महिलाओं का ही प्रीटर्म बर्थ हुआ था। चूंकि संख्या इतनी कम थी, इसलिए परिणाम एक धुंधली तस्वीर की तरह थे; वे एक संभावित पैटर्न का सुझाव देते हैं, लेकिन वे एक स्पष्ट, सिद्ध चित्र नहीं हैं। इमेज-आधारित मॉडल, चाहे वे टेक्सचर वाले हों या डीप लर्निंग वाले, इन उच्च-जोखिम वाली महिलाओं के लिए कोई अतिरिक्त मूल्य जोड़ने में विफल रहे।
तो, निष्कर्ष क्या है? एक सार्वभौमिक कंप्यूटर प्रोग्राम का सपना जो किसी भी मध्य-गर्भावस्था के अल्ट्रासाउंड को देख सके और किसी के लिए भी प्रीटर्म बर्थ की भविष्यवाणी कर सके, अभी मुख्य मंच के लिए तैयार नहीं है। मॉडल किसी विशेष मशीन और उन लोगों के विशिष्ट समूह के प्रति बहुत संवेदनशील थे जिन पर उन्हें प्रशिक्षित किया गया था। लेखकों का सुझाव है कि प्रीटर्म बर्थ केवल एक चीज़ नहीं है; यह एक जटिल सिंड्रोम है जिसके कई अलग-अलग कारण हैं, जैसे कि एक शहर में द्वार खुलने के कई अलग-अलग कारण हो सकते हैं। एक साधारण छवि से उन सभी की भविष्यवाणी करने की कोशिश करना काम नहीं कर रहा है। इसके बजाय, भविष्य विशिष्ट प्रकार के प्रीटर्म बर्थ को अलग-अलग भविष्यवाणी करने और अल्ट्रासाउंड छवियों को अन्य सुरागों, जैसे कि आनुवंशिक डेटा या रासायनिक मार्करों के साथ मिलाने में निहित हो सकता है, ताकि एक स्पष्ट तस्वीर मिल सके। फिलहाल, कंप्यूटर की "आंख" अभी भी एक एकल मशीन के पेड़ों में खोए बिना पूरे जंगल को देखना सीख रही है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।