Artificial intelligence-derived quantitative blastocyst morphology for objective embryo assessment and fetal heart tone stratification
यह रेट्रोस्पेक्टिव मल्टीसेंटर अध्ययन प्रदर्शित करता है कि ब्लास्टोसिस्ट का एआई-व्युत्पन्न मात्रात्मक रूपात्मक विश्लेषण, विशेषज्ञ मूल्यांकन के साथ सहमति और भ्रूण की हृदय गति के पूर्वानुमान, दोनों में पारंपरिक मैनुअल कंसेंसस ग्रेडिंग से बेहतर प्रदर्शन करता है।
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
उन शांत, जलवायु-नियंत्रित प्रयोगशालाओं में जहाँ गर्भ के बाहर जीवन की शुरुआत होती है, भ्रूणविज्ञानी (embryologists) एक अत्यंत सूक्ष्म और उच्च जोखिम वाले कार्य का सामना करते हैं। उन्हें प्रारंभिक मानव भ्रूणों की सूक्ष्म छवियों को देखना होता है और यह निर्णय लेना होता है कि किनमें बच्चा बनने की सबसे अच्छी संभावना है। यह निर्णय 'ब्लास्टोसिस्ट ग्रेडिंग' नामक एक प्रणाली पर निर्भर करता है, जहाँ विशेषज्ञ भ्रूण के आकार और संरचना का परीक्षण करते हैं। वे तीन मुख्य चीजों को देखते हैं: भ्रूण कितना विस्तारित हुआ है, कोशिकाओं का वह समूह जो बच्चे के रूप में विकसित होगा (इन्नर सेल मास), और कोशिकाओं की बाहरी परत जो प्लेसेंटा (अपरा) बनाएगी (ट्रोफोएक्टोडर्म)। दशकों से, यह एक मानवीय प्रयास रहा है, जो माइक्रोस्कोप के माध्यम से देखने वाले वैज्ञानिक की प्रशिक्षित आँखों और अनुभव पर निर्भर करता है। फिर भी, मानवीय दृष्टि त्रुटिपूर्ण हो सकती है; दो विशेषज्ञ एक ही छवि को देख सकते हैं और अलग-अलग गुणों को देख सकते हैं, जिससे असंगत निर्णय हो सकते हैं। जैसे-जैसे प्रजनन उपचारों की मांग बढ़ रही है, इन नन्हे, विकसित होते जीवन को पढ़ने के लिए अधिक वस्तुनिष्ठ और सुसंगत तरीके की आवश्यकता अनिवार्य हो गई है।
दक्षिण कोरिया के शोधकर्ताओं की एक टीम का एक नया अध्ययन यह पता लगाता है कि क्या आर्टिफिशियल इंटेलिजेंस (AI) इस महत्वपूर्ण मूल्यांकन के लिए एक स्पष्ट और अधिक विश्वसनीय लेंस प्रदान कर सकता है। शोधकर्ताओं ने कंप्यूटर से केवल यह अनुमान लगाने के लिए नहीं कहा कि कौन सा भ्रूण सफल होगा। इसके बजाय, उन्होंने एक डिजिटल टूल बनाया जो भ्रूण की शारीरिक रचना के लिए एक सटीक मापने वाले टेप की तरह कार्य करता है। एक 'डीप लर्निंग मॉडल' का उपयोग करते हुए, सॉफ्टवेयर ने पहले भ्रूण के बाहरी खोल, आंतरिक कोशिका समूह और बाहरी कोशिका परत की विशिष्ट सीमाओं की पहचान की। इन डिजिटल आकृतियों से, सिस्टम ने सत्रह अलग-अलग माप निकाले, जैसे कि खोल की मोटाई, आंतरिक कोशिका समूह का गोलपन, और किनारे पर कोशिकाओं की संख्या। टीम ने फिर यह परीक्षण किया कि क्या ये ठोस आंकड़े दो चीजों में मानव विशेषज्ञों से बेहतर काम कर सकते हैं: एक भ्रूण को क्या ग्रेड मिलना चाहिए इस पर सहमति बनाना, और यह भविष्यवाणी करना कि क्या भ्रत्व भ्रूण अंततः धड़कते दिल (fetal heart tone) को प्रदर्शित करेगा, जो एक प्रमुख मील का पत्थर है।
इस अध्ययन में सात अलग-अलग फर्टिलिटी केंद्रों से एकत्र किए गए दस हजार से अधिक भ्रूण चित्रों का विश्लेषण किया गया। जब शोधकर्ताओं ने कंप्यूटर की ग्रेडिंग की तुलना मानव भ्रूणविज्ञानी के पैनल द्वारा दी गई सर्वसम्मत ग्रेड से की, तो परिणाम चौंकाने वाले थे। विकास के चरण और आंतरिक कोशिका समूह की गुणवत्ता के लिए, आर्टिफिशियल इंटेलिजेंस मॉडल मानव सर्वसम्मति के साथ किसी भी एकल मानव भ्रूणविज्ञानी की तुलना में अधिक बार सहमत हुआ। जबकि मानव विशेषज्ञों के बीच पर्याप्त सहमति थी, कंप्यूटर ने लगभग पूर्ण सहमति का स्तर प्राप्त किया। यह सुझाव देता है कि छवियों से प्राप्त मात्रात्मक माप, एक एकल पर्यवेक्षक की व्यक्तिपरक व्याख्या की तुलना में भ्रूण की संरचनात्मक वास्तविकता को अधिक निरंतरता से पकड़ते हैं। कंप्यूटर ने केवल मानव राय की नकल नहीं की; इसने एक स्थिर, पुनरुत्पादक मानक प्रदान किया जिसने विभिन्न डॉक्टरों के बीच प्राकृतिक भिन्नता को कम कर दिया।
हालाँकि, सबसे महत्वपूर्ण निष्कर्ष भ्रूण के हृदय की धड़कन (fetal heart tone) की भविष्यवाणी से संबंधित था। शोधकर्ताओं ने सत्रह मात्रात्मक मापों का उपयोग करके यह भविष्यवाणी करने के लिए एक मशीन लर्निंग मॉडल को प्रशिक्षित किया कि क्या भ्रूण में धड़कन विकसित होगी। उन्होंने फिर इस AI मॉडल की तुलना केवल पारंपरिक मानव सर्वसम्मत ग्रेडों पर आधारित मॉडल से की। AI मॉडल ने, भ्रूण के आकार के कच्चे आंकड़ों का उपयोग करते हुए, काफी बेहतर प्रदर्शन किया। इसने पारंपरिक मानव ग्रेडिंग प्रणाली की तुलना में अधिक सटीकता से उन भ्रूणों के बीच अंतर किया जो धड़कन विकसित करेंगे और जो नहीं करेंगे। यह समझने के लिए कि यह कैसे काम करता है, शोधकर्ताओं ने AI की निर्णय लेने की प्रक्रिया को एक सरल फ्लोचार्ट में तोड़ दिया। उन्होंने पाया कि भ्रूण के किनारे की कोशिकाओं की संख्या और उसके बाहरी खोल की मोटाई सबसे शक्तिशाली संकेतक थे। उदाहरण के लिए, विशिष्ट संख्या में किनारे की कोशिकाओं और बहुत पतले बाहरी खोल वाले भ्रूणों में अन्य की तुलना में धड़कन विकसित होने की दर बहुत अधिक थी।
जब शोधकर्ताओं ने देखा कि दो प्रणालियाँ उच्च और निम्न सफलता के समूहों को कितनी अच्छी तरह अलग करती हैं, तो अंतर स्पष्ट था। मानव सर्वसम्मत ग्रेड भ्रूणों को लगभग 16.7% से 36.2% तक हृदय गति वाले समूहों में विभाजित कर सकते थे। इसके विपरीत, AI-संचालित मात्रात्मक मॉडल ने एक बहुत व्यापक अलगाव बनाया, जिसमें समूह 11.8% से 46.8% तक थे। इस व्यापक रेंज का अर्थ है कि AI उन भ्रूणों के एक उपसमूह की पहचान कर सकता था जो मानव प्रणाली की तुलना में काफी अधिक सफल होने की संभावना रखते थे। कंप्यूटर ने केवल यह नहीं कहा कि "यह अच्छा है" या "यह बुरा है"; इसने संभावना का एक सूक्ष्म पैमाना प्रदान किया, जिससे यह देखने के लिए एक अधिक विस्तृत दृष्टिकोण मिला कि किन भ्रूणों में सबसे मजबूत क्षमता है।
अध्ययन ने यह भी पुष्टि की कि कंप्यूटर द्वारा उपयोग किए गए आंकड़े जैविक रूप से तर्कसंगत थे। AI के लिए जो संकेतक सबसे महत्वपूर्ण थे, जैसे कि बाहरी खोल की मोटाई और आंतरिक कोशिका समूह की सघनता, वे उन तथ्यों के अनुरूप हैं जो वैज्ञानिक पहले से ही स्वस्थ विकास के बारे में जानते हैं। एक पतला खोल अक्सर यह संकेत देता है कि भ्रूण फूटने (hatch) के लिए तैयार है, और एक सघन आंतरिक समूह बच्चे के निर्माण की मजबूत क्षमता का सुझाव देता है। तथ्य यह है कि AI शुद्ध डेटा विश्लेषण के माध्यम से, बिना जीव विज्ञान के नियमों को स्पष्ट रूप से बताए, इन्हीं निष्कर्षों पर पहुँचा, यह निष्कर्षों को वजन देता है। यह सुझाव देता है कि ये मापने योग्य विशेषताएं वास्तव में एक स्वस्थ भ्रूण के भौतिक हस्ताक्षर हैं।
इन आशाजनक परिणामों के बावजूद, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह मानव निर्णय का प्रतिस्थापन नहीं है, और न ही यह जीवित जन्म की गारंटी है। अध्ययन का ध्यान धड़कन की उपस्थिति पर था, जो एक सकारात्मक संकेत है लेकिन गर्भावस्था का अंतिम परिणाम नहीं है। AI मॉडल ने माँ की आयु या गर्भाशय की स्थिति जैसे अन्य महत्वपूर्ण कारकों को ध्यान में नहीं रखा। इसके अलावा, अध्ययन एक ही देश के डेटा का उपयोग करके किया गया था, और परिणामों को अन्य आबादी में भी परीक्षण करने की आवश्यकता हो सकती है। शोधकर्ताओं ने यह भी स्वीकार किया कि कोशिकाओं की बाहरी परत को ग्रेड देने के मामले में कंप्यूटर मनुष्यों की तुलना में थोड़ा कम सुसंगत था, संभवतः इसलिए क्योंकि एक एकल सपाट छवि उस परत के पूर्ण त्रि-आयामी आकार को नहीं दिखा सकती है।
यह कार्य जो प्रदर्शित करता है वह यह है कि आर्टिफिशियल इंटेलिजेंस प्रयोगशाला में एक शक्तिशाली, वस्तुनिष्ठ भागीदार के रूप में कार्य कर सकता है। भ्रूण ग्रेडिंग की दृश्य कला को सटीक, पुनरुत्पादक मापों के सेट में बदलकर, यह तकनीक मानवीय असंगति को कम करने और उन सूक्ष्म पैटर्न को उजागर करने का एक तरीका प्रदान करती है जिन्हें अन्यथा अनदेखा किया जा सकता है। अध्ययन बताता है कि भ्रूणविज्ञानियों के गहरे अनुभव को AI के कठोर, डेटा-संचालित अंतर्दृष्टि के साथ जोड़कर प्रजनन उपचार में बेहतर निर्णय लिए जा सकते हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ भ्रूण का चयन केवल इस आधार पर नहीं होगा कि एक आँख क्या देखती है, बल्कि इस पर आधारित होगा कि डेटा उस नन्हीं, विकसित होती जिंदगी के बारे में क्या खुलासा करता 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।