Deep Learning Based Automated Assessment of Ulcerative Colitis Endoscopic Severity Using Local Global Transformer and Graph Convolutional Networks
यह अध्ययन एल-जीटीएसी-नेट (L-GTACNet) का प्रस्ताव करता है, जो मेयो एंडोस्कोपिक स्कोर के आधार पर अल्सरेटिव कोलाइटिस की गंभीरता के स्वचालित, वस्तुनिष्ठ मूल्यांकन में 94.8% सटीकता प्राप्त करने के लिए इमेज एन्हांसमेंट तकनीकों के साथ लोकल-ग्लोबल ट्रांसफॉर्मर्स और ग्राफ कन्वोल्यूशनल नेटवर्क को संयोजित करने वाला एक हाइब्रिड डीप लर्निंग फ्रेमवर्क 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 शरीर के भीतर, कोलन (बड़ी आंत) एक लंबी, लचीली नली है जो भोजन से पानी और पोषक तत्वों को अवशोषित करती है। जब इसकी परत पुरानी सूजन का शिकार हो जाती है, तो अल्सरेटिव कोलाइटिस नामक स्थिति विकसित हो जाती है। यह बीमारी स्थिर नहीं रहती; यह कभी बढ़ती है और कभी शांत होती है, जिससे ऊतक लाल, सूजे हुए और नाजुक हो जाते हैं। सूजन कितनी गंभीर है, इसे समझने के लिए डॉक्टर एक लचीली नली पर लगे कैमरे, जिसे कोलोनोस्कोप कहा जाता है, का उपयोग करके कोलन के अंदर सीधे देखते हैं। वे जो देखते हैं, उसे एक स्कोर देते हैं, जो एक स्वस्थ, चिकनी सतह से लेकर रक्तस्राव वाले और खुले घावों से ढके हुए सतह तक होता है। यह स्कोर, जिसे मेयो एंडोस्कोपिक स्कोर (Mayo Endoscopic Score) कहा जाता है, उपचार के निर्णयों का मार्गदर्शन करता है। हालाँकि, इन छवियों को देखना कठिन है। शरीर के भीतर प्रकाश व्यवस्था असमान हो सकती है, ऊतक व्यक्ति दर व्यक्ति अलग दिखते हैं, और हल्की जलन तथा मध्यम क्षति के बीच का अंतर सूक्ष्म हो सकता है। अनुभवी डॉक्टर भी किसी मामले की सटीक गंभीरता पर असहमत हो सकते हैं, जिससे देखभाल में विसंगति आ सकती है।
शोधकर्ताओं की एक टीम ने एक नया कंप्यूटर सिस्टम विकसित किया है जिसे मानव असहमति और दृश्य अस्पष्टता की इस समस्या को हल करने के लिए डिज़ाइन किया गया है। उन्होंने एक ऐसा टूल बनाया है जो कोलोनोस्कोपी छवियों को देख सकता है और उच्च सटीकता के साथ सही गंभीरता स्कोर स्वतः ही निर्धारित कर सकता है। L-GTACNet नामक यह सिस्टम दो अलग-अलग तरह के देखने के तरीकों को जोड़कर काम करता है। सबसे पहले, यह एक ऐसी विधि का उपयोग करता है जो 'स्मार्ट चश्मे' की तरह कार्य करती है, जो असमान प्रकाश व्यवस्था को ठीक करती है और कंट्रास्ट को बढ़ाती है ताकि हल्की लालिमा या ऊतक के छोटे अंतराल स्पष्ट हो सकें। इसके बाद, यह छवि का एक साथ दो तरह से विश्लेषण करता है। यह सूक्ष्म विवरणों को करीब से देखता है, जैसे कि लालिमा का एक एकल पैच या एक छोटा कटाव, जबकि साथ ही साथ पूरे दृश्य में सूजन कैसे फैली हुई है, इसे देखने के लिए पीछे हटकर व्यापक परिप्रेक्ष्य को भी समझता है। यह विभिन्न स्थानों को आपस में जोड़ता है, यह समझते हुए कि एक क्षेत्र में छोटी समस्याओं का समूह पास के एक बड़े पैटर्न से संबंधित हो सकता है। इन स्थानीय विवरणों और वैश्विक पैटर्न को बुनकर, कंप्यूटर बीमारी के प्रत्येक चरण के विशिष्ट दृश्य संकेतों को पहचानना सीख जाता है।
शोधकर्ताओं ने इस प्रणाली का परीक्षण ग्यारह हजार से अधिक कोलोनोस्कोपी छवियों के एक बड़े संग्रह का उपयोग करके किया, जो पाँच सौ से अधिक रोगियों से ली गई थीं। इन छवियों को विशेषज्ञ डॉक्टरों द्वारा सावधानीपूर्वक लेबल किया गया था, जिन्होंने प्रत्येक फ्रेम में सूजन की गंभीरता निर्धारित की थी। कंप्यूटर को इनमें से अधिकांश छवियों पर प्रशिक्षित किया गया था और फिर एक अलग समूह पर इसका परीक्षण किया गया जिसे इसने पहले कभी नहीं देखा था, जिससे यह सुनिश्चित हुआ कि इसका प्रदर्शन वास्तविक है और केवल याद रखने (memorization) का परिणाम नहीं है। परिणाम आश्चर्यजनक थे। सिस्टम ने लगभग 95 प्रतिशत मामलों में बीमारी की गंभीरता की सही पहचान की। यह एक स्वस्थ कोलन और हल्के सूजन वाले कोलन के बीच, साथ ही सबसे गंभीर मामलों की पहचान करने में विशेष रूप से अच्छा था जहाँ ऊतक फटे हुए और रक्तस्राव वाले थे। जब कंप्यूटर ने गलतियाँ कीं, तो वे आमतौर पर छोटी थीं, जैसे कि एक हल्के मामले को मध्यम मामले के रूप में भ्रमित करना, बजाय इसके कि कोई बड़ी त्रुटि हो जैसे कि एक स्वस्थ कोलन को गंभीर बताना। यह सुझाव देता है कि सिस्टम बीमारी की क्रमिक प्रगति की प्रकृति को समझता है।
इस दृष्टिकोण को जो बात विशेष रूप से आशाजनक बनाती है, वह केवल इसकी सटीकता नहीं है, बल्कि अपने काम को दिखाने की इसकी क्षमता भी है। सिस्टम केवल एक संख्या आउटपुट नहीं करता है; यह छवि के उन विशिष्ट क्षेत्रों को हाइलाइट करता है जो इसके निर्णय का कारण बने। जब कंप्यूटर एक गंभीर मामले की पहचान करता है, तो यह रक्तस्राव वाले अल्सर और कच्चे, क्षतिग्रस्त ऊतकों पर अपना ध्यान केंद्रित करता है, और कोलन के स्वस्थ हिस्सों को अनदेखा कर देता है। जब यह एक हल्के मामले को देखता है, तो यह सूक्ष्म लालिमा और सामान्य रक्त वाहिका पैटर्न के नुकसान पर ध्यान केंद्रित करता है। यह पारदर्शिता डॉक्टरों को यह देखने की अनुमति देती है कि कंप्यूटर वास्तव में क्या देख रहा है, जो इस टूल में विश्वास बनाने में मदद करता है। शोधकर्ताओं ने पाया कि सिस्टम उन्हीं विशेषताओं पर ध्यान देता था जिन्हें मानव विशेषज्ञ देखते हैं, जैसे कि रक्तस्राव की उपस्थिति, ऊतक की बनावट और क्षति का विस्तार।
हालाँकि इस अध्ययन में सिस्टम ने असाधारण रूप से अच्छा प्रदर्शन किया, लेकिन शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह अभी मानव डॉक्टरों को बदलने के लिए तैयार नहीं है। परीक्षण छवियों के एक विशिष्ट सेट पर किया गया था, और वास्तविक दुनिया के चिकित्सा अभ्यास में कई अन्य चर शामिल होते हैं, जैसे कि विभिन्न प्रकार के कैमरे और अलग-अलग रोगी स्थितियाँ। अध्ययन बताता है कि यह तकनीक एक शक्तिशाली सहायक बन सकती है, जो एक दूसरा मत (second opinion) प्रदान कर सकती है जो सुसंगत और निष्पक्ष हो। यह सुनिश्चित करने में मदद कर सकती है कि प्रत्येक रोगी को उनकी स्थिति के विश्वसनीय मूल्यांकन के आधार पर देखभाल का सही स्तर मिले। फिलहाल, यह एक परिष्कृत उपकरण के रूप में खड़ा है जिसने कोलन में सूजन की सूक्ष्म भाषा को समझना सीख लिया है, जो जटिल दृश्य डेटा को एक स्पष्ट, कार्रवाई योग्य स्कोर में बदल देता है, जो एक दिन डॉक्टरों को उनके रोगियों के लिए बेहतर निर्णय लेने में मदद कर सकता 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।