Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

तकनीकी सारांश: AI का उपयोग करके इंट्राऑपरेटिव फ्लॉपी आइरिस सिंड्रोम (IFIS) की पहचान करना

समस्या विवरण
इंट्राऑपरेटिव फ्लॉपी आइरिस सिंड्रोम (IFIS) एक ऐसी स्थिति है जो खराब पुतली फैलाव (pupillary dilation) और एक लचीली आइरिस द्वारा पहचानी जाती है, जो मोतियाबिंद सर्जरी के दौरान यांत्रिक खिंचाव का विरोध करती है। यह इंट्राऑपरेटिव जटिलताओं के जोखिम को काफी बढ़ा देता है, जिसमें आइरिस की चोट, घाव का खुलना (wound dehiscence), पोस्टीरियर कैप्सूल का फटना और विट्रियस लॉस शामिल हैं, जो दीर्घकालिक दृष्टि हानि का कारण बन सकते हैं। वर्तमान में, IFIS के पूर्व-ऑपरेटिव पूर्वानुमान के लिए मुख्य रूप से नैदानिक जोखिम कारकों पर निर्भर किया जाता है, विशेष रूप से अल्फा-1-अँटागोनिस्ट दवाओं के उपयोग पर। हालांकि, IFIS के मामलों का एक बड़ा हिस्सा उन रोगियों में भी देखा जाता है जिनमें ऐसी दवाओं का कोई इतिहास नहीं होता है, और केवल नैदानिक मूल्यांकन सूक्ष्म शारीरिक संकेतकों को पहचानने में विफल हो सकता है। इस अध्ययन का उद्देश्य यह मूल्यांकन करना है कि क्या आर्टिफिशियल इंटेलिजेंस (AI) एल्गोरिदम नियमित पूर्व-ऑपरेटिव अग्र खंड इमेजिंग (anterior segment imaging) का उपयोग करके वर्तमान तरीकों की तुलना में IFIS के जोखिम वाले रोगियों की अधिक प्रभावी ढंग से पहचान कर सकते हैं।

कार्यप्रणाली (Methodology)
इस अध्ययन में रबिन मेडिकल सेंटर में अप्रैल 2016 से नवंबर 2022 के बीच मोतियाबिंद सर्जरी कराने वाले 2,220 रोगियों (3,239 आँखें) के एक रेट्रोस्पेक्टिव कोहॉर्ट का उपयोग किया गया। डेटासेट को प्रशिक्षण (60%), सत्यापन (20%), और परीक्षण (20%) सेटों में विभाजित किया गया था, यह सुनिश्चित करते हुए कि एक ही रोगी की छवियां विभिन्न सेटों में न आएं ताकि 'डेटा लीकेज' से बचा जा सके।

• डेटा अधिग्रहण: पूर्व-ऑपरेटिव छवियां Tomey OA-2000 ऑप्टिकल बायोमीटर का उपयोग करके प्राप्त की गईं, जो इन्फ्रारेड (IR) छवियों और स्वैप्ट-सोर्स ऑप्टिकल कोहेरेंस टोमोग्राफी (SS-OCT) छवियों दोनों को कैप्चर करता है। IFIS निदान की पुष्टि उस सर्जिकल रिपोर्ट के आधार पर की गई जहाँ ऑपरेटिंग सर्जन ने स्पष्ट रूप से सिंड्रोम की उपस्थिति दर्ज की थी।
• इमेज प्रोसेसिंग: इन्फ्रारेड छवियों (मूल रूप से 360×330 ग्रेस्केल) को 224×224 पिक्सेल में रीसाइज किया गया, पुतली के केंद्र पर केंद्रित किया गया, और RGB टेंसर में परिवर्तित किया गया। क्लास इम्बैलेंस (वर्ग असंतुलन) को संबोधित करने के लिए प्रशिक्षण सेट में डेटा ऑग्मेंटेशन तकनीकें, जिनमें हॉरिजॉन्टल/वर्टिकल फ्लिप और "पिज्जा-स्लाइसिंग" (छवियों को 4 या 8 स्लाइस में काटना) शामिल हैं, लागू की गईं।
• मॉडल आर्किटेक्चर:
  • इन्फ्रारेड वर्गीकरण: चार कनवल्शनल न्यूरल नेटवर्क (CNN) आर्किटेक्चर का मूल्यांकन किया गया: ConvNeXt-large-224, ResNet-50, EfficientNet-b7, और MobileNet। सभी को ImageNet-1K पर प्री-ट्रेन किया गया था और 20 एपोच के लिए फाइन-ट्यून किया गया था।
  • OCT वर्गीकरण: एक ResNet-50 मॉडल को एंटीरियर सेगमेंट OCT छवियों पर प्रशिक्षित किया गया।
  • विसंगति पहचान (Anomaly Detection): डेटासेट के भीतर IFIS को एक विसंगति के रूप में पहचानने के लिए एक EfficientAd मॉडल (स्टूडेंट-टीचर आर्किटेक्चर) का उपयोग किया गया।
  • एन्सेम्बल रणनीति: OCT छवियों के लिए, एक ही आँख की कई छवियों पर 'मेजॉरिटी वोटिंग' लागू की गई ताकि अंतिम वर्गीकरण निर्धारित किया जा सके।
• मानव बेसलाइन: दो अनुभवी मोतियाबिंद सर्जनों ने, जो सभी नैदानिक डेटा से अनभिज्ञ (masked) थे, इन्फ्रारेड छवियों के 100 उपसमुच्चय का मैन्युअल मूल्यांकन करके मानव प्रदर्शन बेसलाइन स्थापित की।
• सांख्यिकीय विश्लेषण: प्रदर्शन का मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के नीचे के क्षेत्र (AUC), संवेदनशीलता (sensitivity), विशिष्टता (specificity), और सटीकता (accuracy) का उपयोग करके किया गया। नैदानिक चरों (जैसे, अल्फा-1-अँटागोनिस्ट का उपयोग, पुतली का आकार, अग्र कक्ष गहराई) को IFIS के घटित होने के साथ सह-संबंधित करने के लिए मल्टीवेरिएट लॉजिस्टिक रिग्रेशन भी किया गया।

मुख्य परिणाम

• नैदानिक जनसांख्यिकी: कोहॉर्ट में 243 आँखें (7.5%) पुष्ट IFIS के साथ थीं। IFIS और गैर-IFIS समूहों के बीच आयु (IFIS में अधिक), अल्फा-1-अँटागोनिस्ट का उपयोग (14.3% बनाम 4.7%), अग्र कक्ष गहराई (IFIS में उथली), लेंस की मोटाई (IFIS में अधिक चौड़ी), और पुतली का आकार (IFIS में छोटी) के संबंध में महत्वपूर्ण अंतर पाए गए।
• मल्टीवेरिएट लॉजिस्टिक रिग्रेशन: नैदानिक चरों पर आधारित एक मॉडल ने 70% का AUC प्राप्त किया। प्रमुख भविष्यवक्ताओं में अल्फा-1-अँटागोनिस्ट का उपयोग (OR 1.14), लिंग, और पुतली का आकार शामिल थे।
• मानव ग्रेडर्स: दो अनुभवी सर्जनों ने इन्फ्रारेड छवियों का आकलन करते समय क्रमशः 55% और 49% के AUC प्राप्त किए, जो अतिरिक्त डेटा के बिना केवल दृश्य रूप से IFIS की भविष्यवाणी करने की सीमित क्षमता को दर्शाता है।
• AI मॉडल प्रदर्शन:
  • इन्फ्रारेड वर्गीकरण: ConvNeXt-large-224 मॉडल ने 65.5% के AUC के साथ CNNs में सर्वश्रेष्ठ प्रदर्शन किया। अन्य मॉडल (EfficientNet-b7, MobileNet, ResNet-50) कम प्रदर्शन करते रहे, जिनका AUC 39.8% से 54.6% के बीच था। मॉडल क्लास इम्बैलेंस के साथ संघर्ष करते रहे, जो उच्च वेटेड रिकॉल के बावजूद कम बाइनरी रिकॉल (जैसे, ConvNeX के लिए 4.26%) प्रदर्शित करते हैं।
  • OCT वर्गीकरण: व्यक्तिगत छवियों पर ResNet-50 मॉडल (OCT छवियों पर) ने 57.8% का AUC प्राप्त किया, जो मेजॉरिटी वोटिंग लागू करने पर बढ़कर 61.7% हो गया।
  • विसंगति पहचान: EfficientAd मॉडल ने 53.3% (परिणाम अनुभाग में 53.5%) का AUC प्राप्त किया, जिसमें परफेक्ट रिकॉल (100%) लेकिन कम प्रिसिजन (26.8%) और सटीकता (26.9%) देखी गई।

मुख्य योगदान और महत्व
यह अध्ययन दर्शाता है कि AI एल्गोरिदम नेत्र रोग विशेषज्ञों को नियमित पूर्व-ऑपरेटिव इमेजिंग का उपयोग करके IFIS के जोखिम वाले रोगियों की पहचान करने में सहायता कर सकते हैं, जो संभावित रूप से केवल इमेज विश्लेषण पर निर्भर अनुभवी सर्जनों के प्रदर्शन से बेहतर है। विशेष रूप से:

1. मानव दृश्य मूल्यांकन की श्रेष्ठता: सर्वश्रेष्ठ AI मॉडल (ConvNeXt-large-224) ने 65.5% का AUC प्राप्त किया, जो केवल इन्फ्ररेड छवियों से IFIS की भविष्यवाणी करने में मानव ग्रेडर्स के प्रदर्शन (49–55%) से बेहतर रहा।
2. इमेजिंग मोडैलिटीज का एकीकरण: यह शोध दोनों इन्फ्ररेड और OCT इमेजिंग के उपयोग की पुष्टि करता है, जहाँ मल्टीवेरिएट लॉजिस्टिक रिग्रेशन (नैदानिक डेटा) ने उच्चतम AUC (70%) प्राप्त किया, जो यह सुझाव देता है कि AI इमेज विश्लेषण नैदानिक जोखिम कारक मूल्यांकन को बदलने के बजाय उसका पूरक बनता है।
3. क्लास इम्बैलेंस को संबोधित करना: अध्ययन IFIS का पता लगाने में कठिनाई को उजागर करता है क्योंकि इसकी व्यापकता कम (~7.5%) है और इसके परिणामस्वरूप क्लास इंबैलेंस होता है, जो मॉडल की प्रिसिजन और रिकॉल को गंभीर रूप से प्रभावित करता है। लेखक नोट करते हैं कि जबकि विसंगति पहचान (anomaly detection) ने पूर्ण संवेदनशीलता (sensitivity) प्रदान की, इसे प्रिसिजन को संतुलित करने के लिए और अधिक अनुकूलन की आवश्यकता थी।

सीमाएं और भविष्य की दिशाएं
लेखक कई सीमाओं को स्वीकार करते हैं, जिनमें असंतुलित डेटासेट, सर्जन द्वारा IFIS की गंभीरता की रिपोर्टिंग में भिन्नता, और ग्रेस्केल इन्फ्ररेड छवियों का उपयोग शामिल है जिनमें रंग की जानकारी (जैसे, आइरिस का रंग, जो पहले IFIS जोखिम से जुड़ा था) का अभाव है। पेपर निष्कर्ष निकालता है कि हालांकि AI आशाजनक है, लेकिन नैदानिक कार्यान्वयन से पहले भविष्यवाणी सटीकता और सामान्यीकरण को सुधारने के लिए अन्य इमेजिंग मोडैलिटीज और आगे के मॉडल अनुकूलन पर और अधिक शोध की आवश्यकता है। यह अध्ययन यह दावा नहीं करता है कि AI वर्तमान में नैदानिक निर्णय का स्थान ले सकता है, बल्कि यह सुरक्षित सर्जिकल योजना के लिए एक संभावित पूरक उपकरण के रूप में कार्य करता है।