Deep Learning-Based Automated Hill Grading of Gastroesophageal Flap Valve: Model Development and Correlation Validation Against High-Resolution Esophageal Manometry

मानव शरीर के भीतर, वह जोड़ जहाँ भोजन नली पेट से मिलती है, एक महत्वपूर्ण द्वारपाल के रूप में कार्य करता है। यह वाल्व, जिसे एसोफैगोगैस्ट्रिक जंक्शन (esophagogastric junction) कहा जाता है, इस तरह डिज़ाइन किया गया है कि भोजन नीचे जा सके और पेट का एसिड वापस ऊपर न आ सके। जब यह द्वार मजबूती से बंद होने में विफल रहता है, तो एसिड बाहर निकल आता है, जिससे गैस्ट्रोएसोफेगल रिफ्लक्स डिजीज (gastroesophageal reflux disease) नामक एक सामान्य और अक्सर दर्दनाक स्थिति पैदा होती है। यह समझने के लिए कि द्वार क्यों विफल हो रहा है, डॉक्टर इस जंक्शन पर फ्लैप वाल्व बनाने वाली ऊतकों की परतों (tissue folds) को सीधे देखने के लिए एक कैमरे का उपयोग करते हैं। वे इस वाल्व के आकार को एक तंग, स्वस्थ सील से लेकर एक खुले, अप्रभावी अंतराल तक रैंक करने के लिए लंबे समय से एक मानक प्रणाली का उपयोग करते आए हैं। हालांकि, आंखों से इन सूक्ष्म आकारों का निर्णय लेना कठिन हो सकता है और यह एक डॉक्टर से दूसरे डॉक्टर के बीच भिन्न हो सकता है, जिससे यह तय करना मुश्किल हो जाता है कि किन रोगियों को अधिक मजबूत उपचार की आवश्यकता है।

शोधकर्ताओं की एक टीम ने अब एक कंप्यूटर सिस्टम बनाया है जो इन आंतरिक छवियों को देख सकता है और वाल्व की स्थिति को उच्च स्तर की निरंतरता के साथ वर्गीकृत कर सकता है। एक परिष्कृत आर्टिफिशियल इंटेलिजेंस मॉडल को इन ऊतकों की परतों के विशिष्ट आकारों को पहचानने के लिए प्रशिक्षित करके, वैज्ञानिकों ने एक ऐसा उपकरण बनाया है जो एक अनुभवी विशेषज्ञ के निर्णय की नकल करता है। हजारों छवियोंों वाले एक अध्ययन में, कंप्यूटर ने वाल्व के स्वास्थ्य के चार अलग-अलग ग्रेड को पहचानना सीखा, जो वरिष्ठ डॉक्टरों की सटीकता से मेल खाता है और कम अनुभव वाले डॉक्टरों से बेहतर प्रदर्शन करता है। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने सिद्ध किया कि कंप्यूटर द्वारा दिए गए ग्रेड केवल रैंडम अनुमान नहीं थे; वे एक अलग, विशेष परीक्षण द्वारा वाल्व के भीतर लिए गए दबाव के वस्तुनिष्ठ मापों से बारीकी से मेल खाते थे। यह संबंध बताता है कि कंप्यूटर वास्तव में वाल्व की भौतिक यांत्रिकी को समझ रहा है, जो एसिड रिफ्लक्स से जूझ रहे लाखों लोगों के लिए देखभाल को मानकीकृत करने का एक नया तरीका प्रदान करता है।

इस सिस्टम को बनाने की यात्रा वास्तविक दुनिया की चिकित्सा छवियों के एक विशाल संग्रह के साथ शुरू हुई। शोधकर्ताओं ने चीन के एक अस्पताल में मरीजों के मानक एंडोस्कोपिक परीक्षणों के दौरान वाल्व की 7,600 से अधिक स्पष्ट तस्वीरें एकत्र कीं। इन छवियोंों ने वाल्व की स्थितियों के पूरे स्पेक्ट्रम को कवर किया, सबसे तंग सील से लेकर सबसे खुले अंतराल तक। यह सुनिश्चित करने के लिए कि कंप्यूटर सही ढंग से सीखे, टीम को पहले इस पर सहमति बनानी थी कि प्रत्येक छवि क्या दिखा रही है। वे वरिष्ठ डॉक्टरों को लेकर आए, जिनमें से प्रत्येक के पास विशेष प्रशिक्षण के कई वर्ष थे, ताकि छवियों को लेबल किया जा सके। विशेषज्ञों के बीच भी, कुछ स्वाभाविक असहमति थी, जो चिकित्सा में एक आम चुनौती है जब मानवीय आंखें सूक्ष्म दृश्य विवरणों की व्याख्या करती हैं। शोधकर्ताओं ने इस सामूहिक विशेषज्ञता का उपयोग एक विश्वसनीय उत्तरों का सेट बनाने के लिए किया, जिसका उपयोग फिर आर्टिफिशियल इंटेलिजेंस को सिखाने के लिए किया गया।

उन्होंने जिस कंप्यूटर मॉडल को चुना वह ResNet-152 नामक एक डीप लर्निंग आर्किटेक्चर पर आधारित था, जो एक प्रकार का न्यूरल नेटवर्क है जिसे छवियों में जटिल पैटर्न पहचानने के लिए डिज़ाइन किया गया है। सिस्टम को हजारों लेबल की गई तस्वीरों के माध्यम से अभ्यास कराया गया, और कई चक्रों के दौरान इसके आंतरिक सेटिंग्स को तब तक समायोजित किया गया जब तक कि यह वाल्व के सही ग्रेड की लगातार पहचान नहीं कर सका। प्रशिक्षण प्रक्रिया में कंप्यूटर को छवियां दिखाना, उसे अनुमान लगाने देना और गलत होने पर उसे सुधारना शामिल था। समय के साथ, मॉडल ने उन विशिष्ट दृश्य विशेषताओं पर ध्यान केंद्रित करना सीखा जो एक स्वस्थ, तंग वाल्व को ढीले या क्षतिग्रस्त वाल्व से अलग करती हैं। शोधकर्ताओं ने दुर्लभ मामलों पर भी बारीकी से ध्यान दिया, जहाँ वाल्व गंभीर रूप से समझौतापूर्ण स्थिति में था, यह सुनिश्चित करने के लिए कि कंप्यूटर केवल सबसे सामान्य, आसानी से दिखने वाले उदाहरणों को ही न पहचान ले।

जब टीम ने अंतिम मॉडल का परीक्षण छवियों के एक नए सेट पर किया जिसे उसने पहले कभी नहीं देखा था, तो परिणाम चौंकाने वाले थे। कंप्यूटर ने 85 प्रतिशत से अधिक मामलों में वाल्व के ग्रेड की सही पहचान की। इसने वाल्व के सबसे सामान्य प्रकारों पर असाधारण रूप से अच्छा प्रदर्शन किया और अधिक कठिन, दुर्लभ मामलों में भी निरंतर सुधार दिखाया। यह देखने के लिए कि कंप्यूटर मानव डॉक्टरों की तुलना में कैसा रहा, शोधकर्ताओं ने छवियों के एक छोटे समूह का उपयोग करके एक ब्लाइंड टेस्ट आयोजित किया। उन्होंने दो जूनियर डॉक्टरों और एक सीनियर डॉक्टर को यह जाने बिना कि कंप्यूटर ने क्या निर्णय लिया है, उन्हीं तस्वीरों को ग्रेड करने के लिए कहा। आर्टिफिशियल इंटेलिजेंस ने जूनियर डॉक्टरों की तुलना में काफी बेहतर प्रदर्शन किया और सीनियर विशेषज्ञ की सटीकता के बराबर रहा। यह सुझाव देता है कि यह उपकरण एक शक्तिशाली सहायक के रूपв रूप में कार्य कर सकता है, जिससे कम अनुभवी डॉक्टर प्रक्रिया के दौरान अधिक आत्मविश्वास और सटीक मूल्यांकन करने में सक्षम हो सकते हैं।

शायद अध्ययन का सबसे सम्मोहक हिस्सा यह प्रयास था कि कंप्यूटर के दृश्य ग्रेड मरीज के स्वास्थ्य के बारे में वास्तव में क्या अर्थ रखते हैं। शोधकर्ताओं ने 92 रोगियों के एक अलग समूह को लिया और कंप्यूटर द्वारा उनके वाल्व छवियों को दिए गए ग्रेड की तुलना हाई-रेज़ोल्यूशन मैनोमेट्री टेस्ट का उपयोग करके उनके ग्रासनली (esophagus) से लिए गए वास्तविक दबाव माप से की। इस परीक्षण में एक पतली ट्यूब शामिल होती है जो वाल्व को नियंत्रित करने वाले मांसपेशी रिंग के भौतिक बल को मापती है। परिणामों ने एक स्पष्ट और महत्वपूर्ण संबंध दिखाया: जैसे-जैसे कंप्यूटर ने उच्च ग्रेड दिया जो ढीले, अधिक खुले वाल्ब का संकेत देता था, मापा गया दबाव मांसपेशियों में गिर गया। इस नकारात्मक सहसंबंध (negative correlation) ने पुष्टि की कि कंप्यूटर द्वारा सीखी गई दृश्य पैटर्न सीधे तौर पर वाल्व के भौतिक कार्य से जुड़ी थीं। कंप्यूटर केवल आकृतियों को नहीं देख रहा था; वह प्रभावी रूप से एसिड रिफ्लक्स के विरुद्ध अवरोध की मजबूती को माप रहा था।

अध्ययन ने यह भी रेखांकित किया कि यह तकनीक चिकित्सा परीक्षणों की गुणवत्ता में कैसे सुधार कर सकती है। जब डॉक्टरों ने अपनी प्रक्रियाओं के दौरान आर्टिफिशियल इंटेलिजेंस का उपयोग एक मार्गदर्शक के रूप में किया, तो वाल्व की स्पष्ट, उपयोगी छवियां कैप्चर करने की दर में काफी वृद्धि हुई। यह इंगित करता है कि यह उपकरण नए डॉक्टरों को बेहतर तस्वीरें लेने के लिए प्रशिक्षित करने और यह सुनिश्चित करने में मदद कर सकता है कि प्रत्येक रोगी को गहन परीक्षण मिले। शोधकर्ताओं ने नोट किया कि हालांकि सिस्टम अत्यधिक सटीक है, लेकिन यह पूर्ण नहीं है, विशेष रूप से उन दुर्लभ और सबसे गंभीर मामलों में जहाँ दृश्य विशेषताएं कम स्पष्ट होती हैं। उन्होंने यह भी स्वीकार किया कि मॉडल को एक एकल अस्पताल के डेटा पर प्रशिक्षित किया गया था, जिसका अर्थ है कि इसे व्यापक रूप से नियमित अभ्यास में उपयोग करने से पहले विभिन्न क्षेत्रों के रोगियों और विभिन्न उपकरणों के साथ परीक्षण करने की आवश्यकता होगी।

अंततः, यह कार्य रिफ्लक्स रोग के निदान को अधिक सटीक और व्यक्तिगत राय पर कम निर्भर बनाने की दिशा में एक कदम है। आर्टिफिशियल इंटेलिजेंस की गति और निरंतरता को मांसपेशियों के दबाव की भौतिक वास्तविकता के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो उस दृश्य ग्रेडिंग प्रणाली को मान्य करता है जिसका उपयोग डॉक्टर दशकों से कर रहे हैं। कंप्यूटर की एक तस्वीर में जो वह देखता है और वाल्व वास्तव में कैसे कार्य करता है, इसके बीच संबंध स्थापित करने की क्षमता भविष्य के उपचारों के लिए एक मजबूत आधार प्रदान करती है। जैसे-जैसे यह तकनीक परिपक्व होगी और व्यापक परिवेश में परीक्षण की जाएगी, इसमें डॉक्टरों को उपचारों को अधिक प्रभावी ढंग से तैयार करने में मदद करने का वादा है, जिससे यह सुनिश्चित होगा कि रोगियों को उनकी स्थिति के वस्तुनिष्ठ और विश्वसनीय मूल्यांकन के आधार पर सही स्तर की देखभाल मिले।