Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

एक प्रयोगशाला के शांत कोनों में, एक सूक्ष्मदर्शी (माइक्रोस्कोप) उस दुनिया को प्रकट करता है जो नग्न आंखों के लिए अदृश्य है: एक कांच की स्लाइड पर फैला रक्त का एक पतला पर्दा, जो नन्ही, गोल लाल कोशिकाओं से भरा हुआ है। उन क्षेत्रों के डॉक्टरों के लिए जहाँ मलेरिया और सिकल सेल रोग आम हैं, इन स्लाइड्स की जांच करना एक दैनिक, जीवन-मरण का कार्य है। उन्हें उन सूक्ष्म परजीवियों को पहचानना होता है जो मलेरिया का कारण बनते हैं या उन अर्धचंद्राकार, विकृत कोशिकाओं की पहचान करनी होती है जो सिकल सेल रोग का संकेत देती हैं। यह मैनुअल काम धीमा, थकाऊ है और पूरी तरह से एक प्रशिक्षित विशेषज्ञ की तेज आंखों और स्थिर हाथों पर निर्भर करता है। इस बोझ को कम करने के लिए, वैज्ञानिकों ने दशकों तक कंप्यूटर को इन छवियों को देखने और उन्हीं पैटर्न को खोजने के लिए प्रशिक्षित किया है जिन्हें इंसान देखते हैं। इस प्रक्रिया में तीन मुख्य चरण शामिल हैं: पहले, शोर (नॉइज़) को हटाने के लिए छवि को साफ करना; दूसरा, प्रत्येक कोशिका के चारों ओर एक रेखा खींचना ताकि उसे अपने पड़ोसियों से अलग किया जा सके; और तीसरा, यह तय करना कि वह कोशिका क्या है। रेखाएं खींचने का यह अंतिम चरण, जिसे सेगमेंटेशन (विभाजन) कहा जाता है, एक धुंधली तस्वीर और एक विश्वसनीय निदान के बीच का महत्वपूर्ण सेतु है। इसके बिना, कंप्यूटर कोशिकाओं को गिन नहीं सकता या यह नहीं बता सकता कि क्या किसी कोशिका के अंदर कोई परजीवी छिपा हुआ है।

एक नया व्यवस्थित समीक्षा (सिस्टमैटिक रिव्यू) पचास सत्यापित अध्ययनों को एक साथ लाता है ताकि यह जांचा जा सके कि ये कंप्यूटर सिस्टम कितनी अच्छी तरह प्रदर्शन कर रहे हैं, और विशेष रूप से इस बात पर ध्यान केंद्रित किया गया है कि क्या वे उन क्षेत्रों में काम कर सकते हैं जहाँ उनकी सबसे अधिक आवश्यकता है। मबारारा यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने पुराने, सरल तरीकों से लेकर आधुनिक, जटिल आर्टिफिशियल इंटेलिजेंस तक, विविध दृष्टिकोणों का विश्लेषण किया। उन्होंने पाया कि हालांकि शक्तिशाली नए उपकरण मौजूद हैं, लेकिन दूरदराज के क्लीनिकों के लिए एक विश्वसनीय, पोर्टेबल डिवाइस का मार्ग अभी भी बनाया जा रहा है। समीक्षा पुष्टि करती है कि कंप्यूटर अब व्यक्तिगत रक्त कोशिकाओं को अलग कर सकते हैं और परजीवियों का उच्च सटीकता के साथ पता लगा सकते हैं, लेकिन यह यह भी उजागर करती है कि ये सिस्टम तब संघर्ष करते हैं जब रोशनी बदलती है, स्लाइड पर रंग (स्टेन) असमान होता है, या जब कोशिकाएं एक अव्यवस्थित समूह में एक-दूसरे के ऊपर होती हैं। सबसे आशाजनक परिणाम उन प्रणालियों से आते हैं जो विभिन्न तकनीकों को जोड़ती हैं, फिर भी लेखक चेतावनी देते हैं कि कई अध्ययन वास्तविक फील्ड अस्पताल की अव्यवस्थित वास्तविकता के बजाय आदर्श, क्यूरेटेड छवियों पर निर्भर करते हैं।

समीक्षा इन कोशिकाओं के चारों ओर रेखाएं खींचने के लिए उपयोग की जाने वाली दो मुख्य प्रकार की तकनीक के बीच अंतर करती है। पहला समूह शास्त्रीय (क्लासिकल) तरीकों पर निर्भर करता है, जो एक सरल सेट के नियमों का पालन करने जैसा है। ये तकनीकें एक कोशिका को पृष्ठभूमि से अलग करने के लिए रंग या चमक के अंतर को देखती हैं। वे तेज़ हैं, बहुत कम कंप्यूटिंग शक्ति की आवश्यकता होती है, और साधारण, सस्ते हार्डवेयर पर चल सकती हैं। हालाँकि, लेखक नोट करते हैं कि ये विधियाँ नाजुक हैं; यदि रक्त का रंग थोड़ा भी गहरा है या माइक्रोस्कोप की रोशनी असमान है, तो कंप्यूटर कोशिका को देखने में विफल हो सकता है। दूसरा समूह डीप लर्निंग का उपयोग करता है, जो आर्टिफिशियल इंटेलिजेंस का एक रूप है जो हजारों उदाहरणों का अध्ययन करके पैटर्न पहचानना सीखता है। ये सिस्टम, जो अक्सर U-Net जैसे आर्किटेक्चर पर आधारित होते हैं, कठिन स्थितियों को संभालने में बहुत बेहतर होते हैं, जैसे कि छूती हुई या ओवरलैपिंग कोशिकाएं, या भिन्न गुणवत्ता वाली छवियां। वे छवि पूर्ण न होने पर भी सिकल सेल के सूक्ष्म आकार या परजीवी के छोटे से बिंदु को सीख सकते हैं। फिर भी, इन शक्तिशाली प्रणालियों को अधिक कंप्यूटिंग शक्ति और उन्हें प्रशिक्षित करने के लिए लेबल किए गए डेटा की बड़ी मात्रा की आवश्यकता होती है, जो संसाधन-सीमित सेटिंग्स में एक बाधा बन सकती है।

विशेष रूप से मलेरिया को देखते हुए, अध्ययन सरल गिनती से लेकर परिष्कृत पहचान तक एक स्पष्ट प्रगति दिखाते हैं। शुरुआती काम रंग और आकार का उपयोग करके संक्रमित लाल रक्त कोशिकाओं को स्वस्थ कोशिकाओं से अलग करने पर केंद्रित था। हालिया सिस्टम न केवल कोशिकाओं को खोजने के लिए बल्कि उनके भीतर परजीवी के विशिष्ट चरण की पहचान करने के लिए डीप लर्निंग का उपयोग करते हैं। एक उल्लेखनीय अध्ययन, RBCNet, ने एक डीप लर्निंग मॉडल को जो कोशिकाओं को एक साथ समूहित करता है और एक डिटेक्शन सिस्टम को जो प्रत्येक स्थान को परिष्कृत करता है, को जोड़ा, जिससे सैकड़ों रोगियों के लगभग 2,00,000 कोशिकाओं का सफलतापूर्वक विश्लेषण किया गया। एक अन्य प्रणाली ने परजीवियों का पता लगाने के लिए मोबाइल फोन माइक्रोस्कोप का उपयोग किया, जिससे यह सिद्ध हुआ कि उच्च श्रेणी के लैब उपकरण अनिवार्य रूप से आवश्यक नहीं हैं। हालाँकि, समीक्षा बताती है कि इनमें से कई सफलताएं उन डेटासेट्स पर प्राप्त की गईं जिन्हें लैब में सावधानीपूर्वक तैयार किया गया था, जिससे यह सवाल उठता है कि वे एक दूरदराज के गाँव में अलग लाइटिंग और स्टेनिंग आपूर्ति के साथ एक तकनीशियन द्वारा तैयार की गई स्लाइड पर कैसा प्रदर्शन करेंगे।

सिकल सेल रोग के लिए, चुनौती थोड़ी अलग है। निदान उन अद्वितीय, कठोर आकार वाली कोशिकाओं को पहचानने पर निर्भर करता है, जो अक्सर स्वस्थ, गोल कोशिकाओं के साथ उलझ जाती हैं। यहाँ, ओवरलैपिंग कोशिकाओं को अलग करने की क्षमता सबसे महत्वपूर्ण कारक है। समीक्षा एक विशेष रूप से सफल फील्ड-डिप्लॉयमेंट उदाहरण को उजागर करती है जहाँ एक स्मार्टफोन माइक्रोस्कोप सिस्टम ने सात सेकंड से भी कम समय में रोगी के ब्लड स्मीयर को प्रोसेस किया। एक डीप लर्निंग मॉडल का उपयोग करके छवि को स्वस्थ कोशिकाओं, सिकल कोशिकाओं और पृष्ठभूमि में विभाजित करके, सिस्टम ने एक ब्लाइंड टेस्ट में लगभग 98 प्रतिशत की सटीकता हासिल की। यह परिणाम बताता है कि सही इमेज एन्हांसमेंट और सेगमेंटेशन के संयोजन के साथ, एक पोर्टेबल डिवाइस पारंपरिक प्रयोगशाला के बाहर तीव्र, विश्वसनीय स्क्रीनिंग प्रदान कर सकता है।

इन उत्साहजनक प्रगति के बावजूद, लेखक उन महत्वपूर्ण अंतराल की पहचान करते हैं जो इन तकनीकों को स्थानिक (एंडेमिक) क्षेत्रों में मानक उपकरण बनने से रोकते हैं। सबसे बड़ी बाधा मानकीकृत डेटा की कमी है। कई अध्ययन छोटे डेटासेट्स का उपयोग करते हैं जो वास्तविक दुनिया में देखे जाने वाले रक्त नमूनों की पूरी विविधता का प्रतिनिधित्व नहीं करते हैं, और बहुत कम सिस्टम को विभिन्न अस्पतालों या विभिन्न प्रकार के माइक्रोस्कोप के साथ परीक्षण किया गया है। इन प्रणालियों की व्यावहारिक आवश्यकताओं के संबंध में भी पारदर्शिता की कमी है। कई पेपर उच्च सटीकता की रिपोर्ट करते हैं लेकिन यह बताने में विफल रहते हैं कि विश्लेषण में कितना समय लगता है, सॉफ्टवेयर को कितनी मेमोरी चाहिए, या यह कितनी बैटरी शक्ति खपत करता है। फील्ड क्लिनिक के लिए उपयोगी होने के लिए, इसे ऑफलाइन काम करना चाहिए, एक साधारण बैटरी पर चलना चाहिए, और इतनी जल्दी परिणाम देना चाहिए कि डॉक्टर वास्तविक समय में निर्णय ले सके।

समीक्षा निष्कर्ष निकालती है कि रक्त-स्मीयर विश्लेषण का भविष्य हाइब्रिड सिस्टम में निहित है जो शक्ति और व्यावहारिकता के बीच संतुलन बनाते हैं। जबकि डीप लर्निंग जटिल सेल आकारों और ओवरलैपिंग समूहों के प्रति बेहतर अनुकूलन क्षमता प्रदान करता है, शास्त्रीय तरीके अपनी गति और कम लागत के लिए महत्व रखते हैं। लेखकों के अनुसार, आगे का सबसे प्रभावी रास्ता ऐसे सिस्टम विकसित करना है जो स्टेनिंग और लाइटिंग के बदलावों के प्रति मजबूत हों, वास्तविक रोगी डेटा के साथ कई साइटों पर मान्य हों, और पोर्टेबल, कम लागत वाले हार्डवेयर पर चलने के लिए डिज़ाइन किए गए हों। जब तक ये सिस्टम लैब के नियंत्रित वातावरण की तरह फील्ड की अनिश्चितताओं को नहीं संभाल लेते, तब तक मलेरिया और सिकल सेल रोग के लिए पूरी तरह से स्वचालित, सुलभ निदान का वादा पहुंच से बाहर रहेगा। तकनीक तैयार है, लेकिन क्लिनिक तक का सेतु केवल सटीकता की नहीं; इसके लिए लचीलेपन, सरलता और उन परिस्थितियों की गहरी समझ की आवश्यकता है जहाँ वास्तव में इन उपकरणों का उपयोग किया जाएगा।