Clinical Text Mining with BERT for Lung Cancer Prognosis: A Comparative Survival Analysis
यह अध्ययन प्रदर्शित करता है कि BERT-एम्बेडेड क्लिनिकल टेक्स्ट को स्ट्रक्चर्ड डेटा के साथ एकीकृत करने से रैंडम फॉरेस्ट जैसे एन्सेम्बल मेथड्स के माध्यम से फेफड़ों के कैंसर के प्रोग्नोसिस प्रेडिक्शन में सुधार होता है, जबकि यह मध्यम आकार के डेटासेट के लिए क्लासिकल रिग्रेशन की निरंतर मजबूती और डीप लर्निंग मॉडल्स को प्रभावी ढंग से प्रशिक्षित करने के लिए बड़े कोहॉर्ट्स की आवश्यकता को भी रेखांकित करता है, जो कि एक क्लिनिशियन-फेसिंग विंडोज इंटरफेस के माध्यम से प्रदान किया गया 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
एक ऐसी दुनिया की कल्पना करें जहाँ डॉक्टर एक जासूस की तरह मरीज के भविष्य के स्वास्थ्य के रहस्य को सुलझाने की कोशिश कर रहे हैं। उनके पास विभिन्न प्रकार के सुरागों से भरा एक विशाल टूलबॉक्स है: कुछ व्यवस्थित और सुव्यवस्थित सूचियाँ हैं जैसे रक्त परीक्षण के नंबर और आयु (संरचित डेटा), जबकि अन्य बिखरे हुए, हस्तलिखित नोट्स हैं जहाँ डॉक्टर अपने शब्दों में वर्णन करते हैं कि एक मरीज कैसा महसूस कर रहा है (असंरचित पाठ)। लंबे समय तक, वैज्ञानिकों ने एक मरीज के जीवित रहने की अवधि का अनुमान लगाने के लिए उन व्यवस्थित सूचियों के आधार पर सरल गणित का उपयोग किया है। लेकिन हाल ही में, एक नए प्रकार के "सुपर-स्मार्ट" कंप्यूटर मस्तिष्क, जिसे आर्टिफिशियल इंटेलिजेंस (AI) कहा जाता है, का आगमन हुआ है। यह AI मानव भाषा को किसी भी मशीन से बेहतर पढ़ने और समझने के लिए प्रसिद्ध है। चिकित्सा जगत के लिए बड़ा सवाल यह है कि क्या यह नया AI, पुराने भरोसेमंद गणित की तुलना में फेफड़ों के कैंसर जैसी बीमारियों के भविष्य की बेहतर भविष्यवाणी करने में मदद कर सकता है? और यदि हम इसे व्यवस्थित सूचियाँ और बिखरे हुए नोट्स दोनों प्रदान करते हैं, तो क्या यह एक क्रिस्टल बॉल (भविष्य बताने वाला गोला) बन जाएगा, या यह केवल भ्रमित हो जाएगा?
यह अध्ययन तीन अलग-अलग "अनुमान लगाने वाली मशीनों" के बीच एक दौड़ है यह देखने के लिए कि कौन फेफड़ों के कैंसर के मरीजों के जीवित रहने की सबसे अच्छी भविष्यवाणी कर सकता है। शोधकर्ताओं ने एक बड़े संग्रह से 5s00 रोगी रिकॉर्ड लिए और उन्हें तीन अलग-अलग प्रणालियों में डाला। पहला "पुराना भरोसेमंद" था, एक क्लासिक गणितीय विधि जिसे कॉक्स रिग्रेशन (Cox regression) कहा जाता है, जिसका उपयोग डॉक्टर दशकों से कर रहे हैं। दूसरा एक "जासूसों की टीम" थी जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है, जो एक प्रकार का मशीन लर्निंग है जो व्यवस्थित सूचियों और बिखरे हुए नोट्स दोनों को देख सकता है। तीसरा एक "हाई-टेक विलक्षण प्रतिभा" (High-Tech Prodigy) था, एक डीप लर्निंग मॉडल जिसे डीपहिट (DeepHit) कहा जाता है, जिसे अविश्वसनीय रूप से जटिल पैटर्न खोजने के लिए डिज़ाइन किया गया है लेकिन इसे काम करने के लिए बहुत बड़ी मात्रा में डेटा की आवश्यकता होती है।
परिणाम थोड़े आश्चर्यजनक थे और उन्होंने हमें एक मूल्यवान सबक सिखाया कि आकार और जटिलता कितनी महत्वपूर्ण है। "पुराने भरोसेमंद" गणितीय तरीके ने अच्छा काम किया, जिसने लगभग 56.6% बार सही ढंग से मरीजों को रैंक किया। इसने पाया कि ट्यूमर कहाँ स्थित था और बीमारी का चरण महत्वपूर्ण सुराग थे। हालाँकि, "हाई-टेक विलक्षण प्रतिभा" (DeepHit) लड़खड़ा गई। इसने केवल लगभग 48.5% बार सही अनुमान लगाया, जो वास्तव में सरल गणित से भी खराब है। शोधकर्ताओं का सुझाव है कि ऐसा इसलिए हुआ क्योंकि यह 'विलक्षण प्रतिभा' एक ऐसे छात्र की तरह है जिसे सीखने के लिए एक विशाल पुस्तकालय की आवश्यकता होती; केवल 500 रिकॉर्ड के साथ, इसके पास चमकने के लिए पर्याप्त जानकारी नहीं थी।
असली विजेता "जासूसों की टीम" (रैंडम फॉरेस्ट) थी। इसने सर्वश्रेष्ठ सटीकता हासिल की, जिसका स्कोर दूसरों से बेहतर था। इसका गुप्त मंत्र क्या था? यह एकमात्र ऐसी प्रणाली थी जिसने सफलतापूर्वक बिखरे हुए, हस्तलिखित नोट्स का उपयोग किया। अध्ययन में पाया गया कि जिस तरह से डॉक्टर अपने मुक्त-पाठ (free-text) नोट्स में शब्दों का उपयोग करते थे, उनमें जीवित रहने के बारे में छिपे हुए सुराग थे जो व्यवस्थित सूचियाँ छोड़ देती थीं। उदाहरण के लिए, जिस तरह से एक डॉक्टर एक वाक्य में लक्षण का वर्णन करता था, वह कभी-कभी एक विशिष्ट लैब नंबर से अधिक महत्वपूर्ण होता था।
इसे वास्तविक डॉक्टरों के लिए उपयोगी बनाने के लिए, टीम ने एक रंगीन, आसान-से-उपयोग करने वाला कंप्यूटर प्रोग्राम (डेस्कटॉप ऐप) बनाया है जो इन भविष्यवाणियों को दिखाता है। यह जीवित रहने की संभावनाओं के ग्राफ बना सकता है, यह उजागर कर सकता है कि कौन से सुराग सबसे महत्वपूर्ण थे, और यहाँ तक कि मरीज की स्थिति का सारांश देते हुए एक छोटी कहानी भी लिख सकता है। जब उन्होंने एक नमूना मरीज पर इसका परीक्षण किया, तो ऐप ने लगभग 82% विश्वास के साथ सर्जरी को सबसे अच्छे विकल्प के रूप में अनुशंसित किया। हालाँकि, लेखकों ने नोट किया कि ऐप सभी मामलों में थोड़ा अधिक आत्मविश्वासी था, जिससे पता चलता है कि वास्तविक अस्पताल में उपयोग करने से पहले इसे कुछ सुधार (fine-tuning) की आवश्यकता है।
अंततः, यह शोध पत्र सुझाव देता है कि मरीजों के छोटे समूहों के लिए, जटिल डीप लर्निंग का उपयोग करने के बजाय सरल, समझने योग्य गणित पर टिके रहना अक्सर अधिक सुरक्षित होता है। हालाँकि, यदि आप सबसे सटीक भविष्यवाणी प्राप्त करना चाहते हैं, तो आपको एक स्मार्ट टीम की आवश्यकता है जो बिखरे हुए नोट्स को भी पढ़ सके। अध्ययन ने यह साबित नहीं किया कि डीप लर्निंग बेकार है, लेकिन इसने यह जरूर दिखाया कि इसे अपनी चालें सीखने के लिए मरीजों की बहुत बड़ी भीड़ की आवश्यकता होती है। यह एक याद दिलाता है कि भविष्य की भविष्यवाणी करने की दौड़ में, कभी-कभी सबसे अच्छा उपकरण नवीनतम वाला नहीं होता, बल्कि वह होता है जो पूरी कहानी को सुनना जानता 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।