Development and Validation of SERRATE: A Deep Learning-Based Tool for Diagnosis of Sessile Serrated Lesions in Colonoscopy Images
यह अध्ययन SERRATE प्रस्तुत करता है, जो व्हाइट-लाइट और नैरो-बैंड इमेजिंग के संतुलित डेटासेट पर प्रशिक्षित स्विन ट्रांसफॉर्मर मॉडल का उपयोग करने वाला एक डीप लर्निंग-आधारित टूल है, जो कोलोरेक्टल कैंसर की रोकथाम में सुधार के लिए सेसाइल सेरेटेड लीजन्स को अन्य पॉलिप प्रकारों से अलग करने में नैदानिक रूप से प्रासंगिक सटीकता प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अपने शरीर को एक विशाल, घुमावदार बगीचे के रूप में कल्पना करें जहाँ एक छिपा हुआ माली कभी-कभी छोटे, चालाक बीज बोता है। इनमें से अधिकांश बीज साधारण खरपतवार के रूप में उगते हैं, लेकिन कुछ "स्लीपर एजेंट" होते हैं—वे शुरू में निर्दोष दिखते हैं लेकिन बाद में खतरनाक, आक्रामक लताओं में बदल सकते हैं जो बगीचे का दम घोट देती हैं। चिकित्सा की दुनिया में, यह बगीचा कोलन (बड़ी आंत) है, और वे चालाक बीज 'सेसाइल सेरेटेड लीजन' (SSL) कहलाते हैं। क्योंकि ये SSL सपाट होते हैं, आसपास के ऊतकों के साथ घुल-मिल जाते हैं, और अक्सर हानिरहित हाइपरप्लास्टिक पॉलिप्स जैसे ही दिखते हैं। चूंकि इन्हें पहचानना बहुत कठिन है, इसलिए डॉक्टर कभी-कभी उन्हें मिस कर देते हैं या उन्हें हानिरक्षित वृद्धि समझ लेते हैं, जिससे ये स्लीपर एजेंट बाद में समस्या पैदा करने के लिए पीछे रह जाते हैं।
इसे हल करने के लिए, वैज्ञानिक डॉक्टरों के लिए "स्मार्ट चश्मे" बनाने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग कर रहे हैं। AI को एक अत्यंत सूक्ष्म अवलोकन करने वाले प्रशिक्षु के रूप में सोचें जिसने पॉलिप्स की लाखों तस्वीरों को देखा है ताकि वह एक हानिरहित खरपतवार और एक खतरनाक स्लीपर एजेंट के बीच अंतर करना सीख सके। हालाँकि, अब तक, इनमें से अधिकांश डिजिटल प्रशिक्षुओं को मुख्य रूप से स्पष्ट खरपतवारों पर प्रशिक्षित किया गया था और उन्हें कठिन SSL के साथ पर्याप्त अभ्यास नहीं मिला था, जिससे वे गलतियाँ करते थे। यह नया अध्ययन एक ताज़ा, विशेष रूप से प्रशिक्षित प्रशिक्षु, SERRATE को पेश करता है, जिसे नुकसान पहुँचाने से पहले इन मायावी SSL को पहचानने के लिए डिज़ाइन किया गया है।
पेकिंग यूनियन मेडिकल कॉलेज अस्पताल और यूनिवर्सिटी ऑफ मैसाचुसेट्स लोवेल के शोधकर्ताओं के नेतृत्व में SERRATE के पीछे की टीम ने निर्णय लिया कि वे अपने AI मॉडल को एक बहुत ही निष्पक्ष और संतुलित दृष्टिकोण का उपयोग करके बनाएंगे। केवल कंप्यूटर को आसानी से पहचाने जाने वाले हजारों पॉलिप्स खिलाने के बजाय, उन्होंने सावधानीपूर्वक तीन प्रकार के मिश्रण वाली छवियों का एक "कक्षा" एकत्र किया: खतरनाक SSL, सामान्य एडेनोमा, और हानिरहित हाइपरप्लास्टिक पॉलिप्स। उन्होंने एक परिष्कृत प्रकार के AI आर्किटेक्चर का उपयोग किया जिसे Swin Transformer कहा जाता है, जो एक जासूस की तरह है जो न केवल चित्र के केंद्र को देखता है बल्कि उसके परिवेश पर भी बारीकी से ध्यान देता है।
शोधकर्ताओं ने पॉलिप्स को देखने के दो अलग-अलग तरीकों का परीक्षण किया: मानक व्हाइट लाइट (जैसे एक सामान्य टॉर्च) और नैरो-बैंड इमेजिंग (NBI), जो रक्त वाहिकाओं और सतह के पैटर्न को उजागर करने के लिए विशेष रंगीन रोशनी का उपयोग करती है। उन्होंने इस पर भी प्रयोग किया कि AI कितना "संदर्भ" (context) देखता है। छवि को घाव के चारों ओर कसकर क्रॉप करने के बजाय, उन्होंने AI को पॉलिप सहित उसके आस-पास के थोड़े स्वस्थ ऊतक (घाव के आकार का 1.5 या 2 गुना) देखने दिया।
परिणाम उत्साहजनक थे। जब SERRATE मॉडल का परीक्षण उसी अस्पताल की नई, अनदेखी छवियों पर किया गया (एक प्रोस्पेक्टिव इंटरनल वैलिडेशन), तो यह काफी तेज साबित हुआ। विशेष NBI लाइट और "2x कॉन्टेक्स्ट" दृश्य का उपयोग करते हुए, मॉडल ने पॉलिप्स की सही पहचान करने में 82.42% सटीकता हासिल की। SSL, एडेनोमा और हाइपरप्लास्टिक पॉलिप्स के बीच अंतर करने की तीन-तरफा दौड़ में, मॉडल ने 73.44% बार सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि जब लक्ष्य केवल "खतरनाक" पॉलिप्स (SSL और एडेनोमा) को "सुरक्षित" पॉलिप्स (हाइपरप्लास्टिक पॉलिप्स) से अलग करना था, तो मॉडल ने 91.07% सटीकता प्राप्त की।
हालाँकि, यह कहानी अभी तक एक पूर्ण परी कथा नहीं है। जब शोधकर्ताओं ने नीदरलैंड के अस्पतालों (बाहरी POLAR डेटासेट) के छवियों के एक पूरी तरह से अलग सेट पर इस मॉडल का परीक्षण किया, तो प्रदर्शन गिर गया। तीन-तरफा वर्गीकरण के लिए सटीकता घटकर 69.46% रह गई। यह सुझाव देता है कि हालांकि मॉडल अपनी घरेलू कक्षा में एक प्रतिभाशाली छात्र है, फिर भी यह थोड़ा भ्रमित हो जाता है जब रोशनी, कैमरा या वातावरण बदल जाता है। लेखक बताते हैं कि ऐसा संभवतः इसलिए है क्योंकि विभिन्न अस्पताल अलग-अलग उपकरणों का उपयोग करते हैं, जिससे एक "डोमेन शिफ्ट" पैदा होता है जिसे AI ने अभी तक पूरी तरह से संभालना नहीं सीखा है।
इस बाधा के बावजूद, अध्ययन बताता है कि AI को दृश्य का व्यापक दृश्य देने से—पॉलिप और उसके पड़ोसियों को देखने से—उसे बेहतर अनुमान लगाने में मदद मिलती है। मॉडल ने यह भी दिखाया कि वह 100% मामलों में पॉलिप्स के स्थान की पहचान करने में सक्षम था, जिसमें से 92% भविष्यवाणियां उच्च आत्मविश्वास के साथ की गईं। शोधकर्ता निष्कर्ष निकालते हैं कि SERRATE एक महत्वपूर्ण कदम है, जो एक ऐसा उपकरण प्रदान करता है जो डॉक्टरों को उन कठिन स्लीपर एजेंटों को अधिक बार पकड़ने में मदद कर सकता है। हालाँकि, वे सावधानी बरतते हैं कि यह कोई जादू की छड़ी नहीं है जो डॉक्टर की जगह ले लेती है; बल्कि, यह एक शक्तिशाली सहायक है जिसे दुनिया के हर अस्पताल में पूरी तरह से काम करने के लिए और अधिक प्रशिक्षण की आवश्यकता है। टीम अब आगे के अध्ययन करने की योजना बना रही है ताकि यह देखा जा सके कि यह उपकरण वास्तविक कोलोनोस्कोपी के दौरान वास्तविक समय में कैसा प्रदर्शन करता है, इस उम्मीद में कि इस डिजिटल प्रशिक्षु को कोलोरेक्टल कैंसर के खिलाफ लड़ाई में एक विश्वसनीय साथी में बदला जा सके।
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।