Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

तकनीकी सारांश: अवसरवादी ऑस्टियोपोरोसिस स्क्रीनिंग के लिए जनरेटिव एआई (Generative AI)

समस्या विवरण
प्रभावी उपचारों की उपलब्धता और अन्य कारणों से लिए जाने वाले लम्बर रेडियोग्राफ और कंप्यूटेड टोमोग्राफी (CT) स्कैन के बावजूद, ऑस्टियोपोरोसिस का निदान काफी कम होता है और इसका उपचार भी पर्याप्त रूप से नहीं किया जाता है। हालांकि ड्यूल-एनर्जी एक्स-रे अवशोषण (DXA) निदान के लिए स्वर्ण मानक (gold standard) है, लेकिन कई रोगी नियमित देखभाल के दौरान बोन मिनरल डेंसिटी (BMD) मूल्यांकन नहीं करवा पाते हैं। यद्यपि चिकित्सक स्पाइनल छवियों से हड्डियों की गुणवत्ता का सहज अनुमान लगाते हैं, लेकिन पिछले अध्ययन संकेत देते हैं कि ऐसे दृश्य आकलन की सटीकता, अनुभवी ऑर्थोपेडिक सर्जनों के बीच भी, केवल मध्यम स्तर की होती है। जबकि डीप लर्निंग एल्गोरिदम ने आशाजनक परिणाम दिखाए हैं, उन्हें कार्य-विशिष्ट विकास की आवश्यकता होती है। इसके विपरीत, मल्टीमॉडल जनरेटिव आर्टिफिशियल इंटेलिजेंस (AI) एक व्यापक रूप से सुलभ विकल्प प्रदान करता है जो समर्पित मॉडल प्रशिक्षण के बिना चिकित्सा छवियों की व्याख्या करने में सक्षम है। हालांकि, इन मॉडलों का अवसरवादी ऑस्टियोरोसिस स्क्रीनिंग के लिए नैदानिक प्रदर्शन, उनकी पुनरुत्पादकता (reproducibility), और "फ्यू-शॉट" प्रॉम्प्टिंग (प्रतिक्रियाओं को निर्देशित करने के लिए उदाहरण मामले प्रदान करना) का प्रभाव अभी भी कम समझा गया है।

कार्यप्रणाली (Methodology)
इस इमेज-आधारित तुलनात्मक अध्ययन ने 45 लेटरल लम्बर रेडियोग्राफ और 45 सैजिटल रिकंस्ट्रक्टेड लम्बर CT छवियों के डेटासेट का उपयोग करके मल्टीमॉडल जनरेटिव AI के नैदानिक प्रदर्शन का मूल्यांकन किया।

• संदर्भ मानक (Reference Standard): ऑस्टियोपोरोसिस और लो बोन मास को WHO DXA T-स्कोर थ्रेशोल्ड क्रमशः −2.5 और −1.0 के आधार पर परिभाषित किया गया था।
• प्रतिभागी:
  • चिकित्सक: 42 बोर्ड-प्रमाणित ऑर्थोपेडिक सर्जन और 50 गैर-विशेषज्ञ चिकित्सक (डेटा एक पिछले अध्ययन से लिया गया है)।
  • AI मॉडल: तीन सार्वजनिक रूप से उपलब्ध मल्टीमॉडल जनरेटिव AI सिस्टम: ChatGPT (OpenAI, GPT-5, जनवरी 2026 में एक्सेस किया गया), Claude 4 Opus, और Gemini 3.1 Pro।
• मूल्यांकन प्रोटोकॉल:
  • जीरो-शॉट बनाम फ्यू-शॉट: AI मॉडलों ने जीरो-शॉट स्थितियों (केवल निर्देश) और फ्यू-शॉट स्थितियों (छवियों, वर्गीकरण और YAM मानों सहित 20 लेबल किए गए संदर्भ मामले प्रदान किए गए) के तहत छवियों का मूल्यांकन किया।
  • पुनरुत्पादकता (Reproducibility): प्रत्येक AI मॉडल ने पांच स्वतंत्र चैट सत्रों में पूरे डेटासेट का मूल्यांकन किया। अंतिम वर्गीकरण बहुमत मतदान (≥3 ऑफ़ 5 प्रतिक्रियाएं) द्वारा निर्धारित किया गया था।
  • मानव-AI संयोजन: एक खोजपूर्ण पोस्ट-हॉक विश्लेषण ने विशेषज्ञ बहुमत मतों को Claude के बहुमत मतों के साथ "OR" (यदि दोनों में से कोई भी सकारात्मक है तो सकारात्मक) और "AND" (केवल यदि दोनों सकारात्मक हैं तो सकारात्मक) नियमों का उपयोग करके संयोजित किया, ताकि पूरक नैदानिक त्रुटियों का आकलन किया जा सके।
• मेट्रिक्स: प्राथमिक परिणामों में नैदानिक सटीकता, संवेदनशीलता (sensitivity), विशिष्टता (specificity), और इंट्रा-मॉडल पुनरुत्पादकता (Cohen's κ) शामिल थे।

मुख्य परिणाम

• नैदानिक सटीकता:
  • रेडियोग्राफ के लिए −1.0 T-स्कोर कटऑफ पर, Claude ने उच्चतम सटीकता (73.3%) प्राप्त की, उसके बाद Gemini (64.4%), विशेषज्ञ (57.4%), ChatGPT (55.6%), और गैर-विशेषज्ञ (44.0%) रहे। विशेषज्ञ गैर-विशेषज्ञों की तुलना में काफी बेहतर थे (P<0.001)।
  • पारंपरिक −2.5 कटऑफ पर, रेडियोग्राफ के लिए विशेषज्ञों और गैर-विशेषज्ञों के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया, हालांकि CT छवियों के लिए विशेषज्ञ काफी अधिक सटीक थे (P<0.001)।
  • AI मॉडल CT छवियों के वर्णनात्मक तुलनाओं के लिए विशेषज्ञों के समान व्यापक सटीकता प्रदर्शित करते हैं।
• प्रॉम्प्टिंग का प्रभाव:
  • सटीकता: फ्यू-शॉट प्रॉम्प्टिंग ने चिकित्सकों या AI मॉडलों के लिए नैदानिक सटीकता में लगातार सुधार नहीं किया। परिवर्तन मॉडल और स्थिति के अनुसार भिन्न थे, जो 24.4 प्रतिशत अंक की कमी से लेकर 11.1 प्रतिशत अंक की वृद्धि तक रहे।
  • पुनरुत्पादकता: फ्यू-शॉट प्रॉम्प्टिंग ने कई मॉडलों में इंट्रा-मॉडल पुनरुत्पादकता में सुधार किया, विशेष रूप से Claude (रेडियोग्राफ के लिए κ 0.543 से बढ़कर 0.855 हो गया)। सुधारित निरंतरता और अपरिवर्तित सटीकता के बीच यह अलगाव एक प्रमुख निष्कर्ष था।
• मानव-AI पूरकता (Complementarity):
  • "OR" नियम (विशेषज्ञ और Claude का संयोजन) ने −1.0 कटऑफ पर रेडियोग्राफ के लिए संवेदनशीलता को 66.7% से बढ़ाकर 80.0% और CT के लिए 83.3% से बढ़ाकर 90.0% कर दिया, हालांकि विशिष्टता (specificity) कम हो गई।
  • एरर-रेस्क्यू विश्लेषण ने आंशिक रूप से गैर-अतिव्यापी (non-overlapping) त्रुटियों की पुष्टि की: Claude ने विशेषज्ञ के 40-50% फॉल्स-नेगेटिव मामलों को सही ढंग से वर्गीकृत किया, और विशेषज्ञों ने Claude की कुछ त्रुटियों को सुधारा।

मुख्य योगदान

1. तुलनात्मक प्रदर्शन: यह अध्ययन प्रत्यक्ष प्रमाण प्रदान करता है कि चयनित जनरेटिव AI मॉडल लंबर इमेजिंग का उपयोग करके अवसरवादी ऑस्टियोपोरोसिस स्क्रीनिंग के लिए चिकित्सकों के तुलनीय, या कुछ स्थितियों में बेहतर, नैदानिक प्रदर्शन प्राप्त कर सकते हैं।
2. प्रॉम्प्टिंग प्रभाव: यह दर्शाता है कि फ्यू-शॉट प्रॉम्प्टिंग गारंटीकृत रूप से नैदानिक सटीकता में सुधार नहीं करती है, लेकिन यह इंट्रा-मॉडल पुनरुत्पादकता (निरंतरता) को महत्वपूर्ण रूप से बढ़ा सकती है, जो नैदानिक वर्कफ़्लो एकीकरण के लिए एक महत्वपूर्ण कारक है।
3. पूरकता: शोध नैदानिक पूरकता का मात्रात्मक प्रमाण प्रदान करता है, जिससे पता चलता है कि मानव और AI की त्रुटियां आंशिक रूप से गैर-अतिव्यापी हैं। यह सुझाव देता है कि निर्णयों को संयोजित करने से स्क्रीनिंग परिदृश्यों में छूटे हुए मामलों (फॉल्स-नेगेटिव) को कम किया जा सकता है, भले ही इसके लिए फॉल्स-पॉजिटिव बढ़ने की कीमत चुकानी पड़े।
4. मॉडल परिवर्तनशीलता: निष्कर्ष विभिन्न जनरेटिव AI मॉडलों के बीच प्रदर्शन और पुनरुत्पादकता में पर्याप्त परिवर्तनशीलता को उजागर करते हैं, जो यह दर्शाता है कि वे एक-दूसरे के बदले में उपयोग किए जाने वाले (interchangeable) नैदानिक उपकरण नहीं हैं।

महत्व और दावे
यह शोध निष्कर्ष निकालता है कि जनरेटिव AI को अवसरवादी ऑस्टियोपोरोसिस स्क्रीनिंग के लिए एक स्वायत्त प्रणाली के बजाय एक संभावित निर्णय-सहायता उपकरण (decision-support tool) के रूप में देखा जाना चाहिए। लेखक तर्क देते हैं कि हालांकि AI सार्वभौमिक रूप से चिकित्सकों से बेहतर प्रदर्शन नहीं कर सकता है, इसकी पूरक नैदानिक निर्णय प्रदान करने की क्षमता उन रोगियों की पहचान करने में मदद कर सकती है जिन्हें औपचारिक BMD मूल्यांकन की आवश्यकता है, जिससे अंडरडायग्नोसिस की समस्या को हल किया जा सके।

अध्ययन इस बात पर जोर देता है कि जनरेटिक AI का नैदानिक मूल्य चिकित्सक के निर्णय के साथ नैदानिक वर्कफ़्लो में इसके एकीकरण में निहित है। लेखक चेतावनी देते हैं कि सरल संयोजन नियमों में संवेदनशीलता और विशिष्टता के बीच एक ट्रेड-ऑफ (समझौता) होता है, और स्पष्ट पूरक प्रभावों के लिए स्वतंत्र समूहों (cohorts) में भावी सत्यापन (prospective validation) की आवश्यकता है। इसके अलावा, अध्ययन नोट करता है कि फ्यू-शॉट प्रॉम्प्टिंग के माध्यम से बेहतर पुनरुत्पादकता का अर्थ अनिवार्य रूप से बेहतर नैदानिक वैधता नहीं है, जो AI के प्रदर्शन के विभिन्न आयामों के रूप में सटीकता और निरंतरता का मूल्यांकन करने की आवश्यकता को रेखांकित करता है।