Keratoconus severity detection using LSTM and machine learning techniques
यह अध्ययन OCT छवियों से रोगी के नेत्र मापदंडों का विश्लेषण करके केराटोकोनस की गंभीरता का पता लगाने के लिए दो लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) आधारित मशीन लर्निंग मॉडलों का उपयोग करता है, जो एकतरफा और द्विपक्षीय दोनों आंखों के डेटा पर विचार करके रोग की प्रगति की प्रभावी ढंग से निगरानी 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
मानव आँख प्रकाश को केंद्रित करने और स्पष्ट चित्र बनाने के लिए अपने सामने एक स्पष्ट, गुंबद के आकार की खिड़की, जिसे कॉर्निया कहा जाता है, पर निर्भर करती है। जब यह खिड़की स्वस्थ होती है, तो यह एक चिकना, नियमित वक्र बनाए रखती है। हालाँकि, केराटोकनस (keratoconus) नामक एक स्थिति कॉर्निया को पतला कर देती है और इसे बाहर की ओर एक शंकु के आकार में उभार देती है, ठीक वैसे ही जैसे एक गुब्बारे को अंदर से धकेला जा रहा हो। यह विकृति प्रकाश को बिखेर देती है, जिससे दृष्टि धुंधली होना, चमक (glare) और देखने में कठिनाई होती है, जो अक्सर किसी व्यक्ति के किशोरों या बीस के दशक में शुरू होती है। हालांकि शुरुआती चरणों में इस बीमारी को चश्मे या कॉन्टैक्ट लेंस के साथ प्रबंधित किया जा सकता है, लेकिन यह उस बिंदु तक बढ़ सकती है जहाँ अधिक आक्रामक उपचारों की आवश्यकता होती है। डॉक्टरों के लिए चुनौती यह है कि यह बीमारी अक्सर सूक्ष्म रूप से शुरू होती है, जिसमें परिवर्तन इतने मामूली होते हैं कि उन्हें मानक परीक्षणों के साथ पहचानना कठिन होता है, फिर भी दृष्टि को सुरक्षित रखने के लिए इसे जल्दी पकड़ना अत्यंत महत्वपूर्ण है।
इस समस्या के समाधान के लिए, शोधकर्ताओं ने ऑप्टिकल कोहेरेंस टोमोग्राफी (optical coherence tomography) नामक एक शक्तिशाली इमेजिंग टूल की ओर रुख किया है, जो आँख के लिए एक उच्च-रिज़ॉल्यूशन अल्ट्रासाउंड की तरह कार्य करता है, जो कॉर्निया की सतह और मोटाई के विस्तृत तीन-आयामी (3D) मानचित्र बनाता है। इन मानचित्रों का समय के साथ विश्लेषण करके, डॉक्टर यह ट्रैक कर सकते हैं कि कॉर्निया कैसे बदलता है। एक नए अध्ययन ने इसे एक कदम आगे बढ़ाया है और एक कंप्यूटर को इस प्रगति के पैटर्न को पहचानने के लिए प्रशिक्षित किया है। शोधकर्ताओं ने 'लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क' (long short-term memory network) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया, जो घटनाओं के अनुक्रम (sequences) से सीखने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे कोई व्यक्ति घटनाओं के क्रम को याद करके किसी कहानी को याद करता है। आँख के एकल स्नैपशॉट को देखने के बजाय, कंप्यूटर को रोगी के नेत्र स्कैन के इतिहास की समीक्षा करने के लिए प्रशिक्षित किया गया था, जिससे वह माप की समयरेखा के आधार पर स्थिति की गंभीरता का अनुमान लगाना सीख सके।
अध्ययन ने जापान के रोगियों के हजारों नेत्र स्कैन वाले डेटा के एक बड़े संग्रह पर ध्यान केंद्रित किया। इन स्कैन में सैकड़ों अलग-अलग माप शामिल थे, जैसे कि कॉर्निया के सामने और पीछे का वक्रता और इसकी विभिन्न परतों की मोटाई। शोधकर्ताओं ने यह देखने के लिए कि कौन सी विधि बेहतर काम करती है, इस डेटा को दो अलग-अलग दृष्टिकोणों में व्यवस्थित किया। पहले दृष्टिकोण में प्रत्येक आँख को एक अलग कहानी के रूप में माना गया, जिसमें कंप्यूटर को एक समय में एक आँख का इतिहास दिया गया ताकि उसकी गंभीरता का अनुमान लगाया जा सके। दूसरा दृष्टिकोण अधिक व्यापक था; इसने एक ही रोगी की दोनों आँखों को एक साथ देखा, यह पहचानते हुए कि हालांकि बीमारी प्रत्येक आँख को अलग तरह से प्रभावित कर सकती है, लेकिन दोनों के बढ़ने के तरीके में अक्सर एक संबंध होता है। कंप्यूटर को आँखों को तीन श्रेणियों में वर्गीकृत करने के लिए कहा गया था: स्वस्थ, बीमारी का हल्का या प्रारंभिक चरण जहाँ लक्षण मुश्किल से दिखाई देते हैं, और एक उन्नत चरण जहाँ शंकु का आकार स्पष्ट रूप से स्थापित हो जाता है।
परिणामों से पता चला कि कंप्यूटर इस कार्य में अत्यधिक कुशल हो गया। व्यक्तिगत आँखों को देखते समय, सिस्टम ने स्वस्थ आँखों और उन्नत मामलों की पहचान लगभग पूर्ण सटीकता के साथ की, उनके बीच बिना किसी त्रुटि के अंतर स्पष्ट किया। बीमारी के हल्के, प्रारंभिक चरण को पहचानने में कंप्यूटर के लिए थोड़ा कठिन था, जो अक्सर मानव डॉक्टरों के लिए पहचानना सबसे चुनौतीपूर्ण होता है, लेकिन फिर भी उसने अधिकांश मामलों में सही उत्तर दिया। जब शोधकर्ताओं ने कंप्यूटर को एक रोगी की दोनों आँखों को एक साथ देखने की अनुमति दी, तो सटीकता बहुत उच्च बनी रही, जिससे पता चलता है कि दोनों आँखों के बीच के संबंध पर विचार करना मूल्यवान संकेत प्रदान करता है। सिस्टम बीमारी के गंभीरता स्कोर (severity score) की भविष्यवाणी उच्च स्तर की सटीकता के साथ करने में सक्षम था, जो अधिकांश मामलों में वास्तविक चिकित्सा आकलन से मेल खाता था।
यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस प्रभावी रूप से डॉक्टरों के लिए "दूसरी जोड़ी आँखों" के रूप में कार्य कर सकता है, जिससे केराटोकनस के धीमे, अक्सर अदृश्य परिवर्तनों की निगरानी करने में मदद मिलती है। पिछले स्कैन के अनुक्रम से सीखकर, कंप्यूटर उन रुझानों को पहचान सकता है जो एक एकल परीक्षण में छूट सकते हैं। अध्ययन में पाया गया कि दोनों आँखों को एक साथ देखने से इस बात के छिपे हुए पैटर्न का पता चल सकता है कि बीमारी शरीर में कैसे आगे बढ़ती है, जो एक आँख को अलग से देखने की तुलना में एक अधिक पूर्ण चित्र प्रदान करता है। हालांकि यह तकनीक अभी तक डॉक्टर के निर्णय का विकल्प नहीं है, लेकिन यह बीमारी को जल्दी पकड़ने और उसकी प्रगति को अधिक विश्वसनीय रूप से ट्रैक करने के लिए एक आशाजनक उपकरण प्रदान करती है, जिससे दृष्टि को महत्वपूर्ण नुकसान होने से पहले बेहतर उपचार निर्णय लेने की संभावना बढ़ती है। शोधकर्ताओं ने उल्लेख किया कि भविष्य के कार्यों के लिए इन विधियों को विभिन्न अस्पतालों और आबादी के डेटा पर परीक्षण करने की आवश्यकता होगी ताकि यह सुनिश्चित किया जा सके कि यह प्रणाली सभी के लिए काम करे, लेकिन प्रारंभिक निष्कर्ष दृष्टि की रक्षा करने के एक शक्तिशाली नए तरीके का सुझाव देते हैं।
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।