Comparing label-free quality-control scores for automated angle-of-progression measurement in intrapartum ultra- sound: a retrospective benchmark study
यह रेट्रोस्पेक्टिव बेंचमार्क अध्ययन प्रदर्शित करता है कि जबकि स्वचालित लैंडमार्क डिटेक्टरों के बीच एंसेम्बल डिसएग्रीमेंट (ensemble disagreement) कम समीक्षा वर्कलोड पर 'एंगल-ऑफ-प्रोग्रेशन' की बड़ी त्रुटियों की प्रभावी ढंग से पहचान करता है, यह उन विफलताओं को नहीं पकड़ सकता जो सभी मॉडलों में समान रूप से होती हैं और एंगल-स्पेस एवं कोऑर्डिनेट-स्पेस मेट्रिक्स के बीच कोई महत्वपूर्ण लाभ नहीं देता है, जिससे नैदानिक तैनाती के लिए स्थानीय अंशांकन (local calibration) आवश्यक हो जाता 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
प्रसव के अंतिम चरणों में, बच्चे का सिर ठीक कितना नीचे आ गया है, यह जानना डॉक्टरों के लिए अत्यंत महत्वपूर्ण होता है। इस प्रगति को मापने का सबसे विश्वसनीय तरीकों में से एक माँ की टांगों के बीच रखे गए एक विशेष अल्ट्रासाउंड प्रोब का उपयोग करना है ताकि बच्चे के सिर और माँ की पेल्विक हड्डी की छवि (इमेज) ली जा सके। इस छवि पर, एक डॉक्टर हड्डी के साथ एक रेखा खींचता है और दूसरी रेखा बच्चे की खोपड़ी को छूती है; इन दोनों रेखाओं के मिलने का कोण मेडिकल टीम को बताता है कि बच्चे को और कितनी दूरी तय करने की आवश्यकता है। 'एंगल ऑफ प्रोग्रेशन' (प्रगति का कोण) के रूप में ज्ञात यह माप यह तय करने में मदद करता है कि क्या माँ स्वाभाविक रूप से जोर देना जारी रख सकती है या क्या सर्जिकल हस्तक्षेप की आवश्यकता है। हालाँकि डॉक्टर इन मापों को हाथों से लेने के लिए प्रशिक्षित होते हैं, लेकिन यह प्रक्रिया धीमी है और काफी हद तक व्यक्तिगत ऑपरेटर के कौशल पर निर्भर करती है। इसने शोधकर्ताओं को ऐसे कंप्यूटर प्रोग्राम बनाने के लिए प्रेरित किया है जो अल्ट्रासाउंड इमेज पर आवश्यक बिंदुओं को स्वचालित रूप से खोज सकें और उनके लिए कोण की गणना कर सकें, जिससे देखभाल की गति बढ़ाने और मानवीय त्रुटियों को कम करने की उम्मीद है।
हालाँकि, एक कंप्यूटर प्रोग्राम जो आमतौर पर सटीक होता है, बिना किसी चेतावनी के एक बड़ी गलती कर सकता है। हाल ही में एक अध्ययन में, शोधकर्ताओं ने इन स्वचालित प्रणालियों के लिए एक सुरक्षा जाल (सेफ्टी नेट) बनाने की जांच की। वे यह जानना चाहते थे कि क्या कंप्यूटर एक ऐसे माप के बीच अंतर कर सकता है जिसके बारे में वह आश्वत है और एक ऐसे माप के बीच जिसमें उसके गलत होने की संभावना है, और इसके लिए उसे पहले किसी इंसान द्वारा उत्तर की जाँच करने की आवश्यकता नहीं है। टीम ने अल्ट्रासाउंड छवियों के एक सार्वजनिक संग्रह को लिया और उन्हें आवश्यक लैंडमार्क खोजने के लिए डिज़ाइन किए गए छह अलग-अलग कंप्यूटर मॉडलों के माध्यम से चलाया। केवल इन छह मॉडलों द्वारा बताए गए औसत पर भरोसा करने के बजाय, उन्होंने यह देखा कि मॉडलों के बीच कितना मतभेद था। यदि छहों मॉडल थोड़े अलग स्थानों की ओर इशारा करते थे, तो सिस्टम उस छवि को संदिग्ध के रूपв रूप में चिह्नित करता और दूसरे दृष्टिकोण के लिए एक मानव डॉक्टर के पास भेज देता। यदि मॉडल आपस में सहमत थे, तो कंप्यूटर के माप को यथावत स्वीकार कर लिया जाता।
शोधकर्ताओं ने इस विचार का परीक्षण सैकड़ों टेस्ट इमेज पर किया ताकि यह देखा जा सके कि मतभेद को मापने के विभिन्न तरीके कितनी अच्छी तरह काम करते हैं। उन्होंने तुलना की कि अंतिम कोण पर मॉडलों के बीच कितना मतभेद था बनाम इमेज पर खींचे गए विशिष्ट बिंदुओं पर उनके बीच कितना मतभेद था। उन्होंने अन्य तरीकों का भी परीक्षण किया, जैसे कि यह जांचना कि क्या एक एकल मॉडल एक ही उत्तर देता है जब इमेज को थोड़ा बदला जाता है, या यह देखना कि कंप्यूटर का आंतरिक 'कॉन्फिडेंस मैप' कितना "चमकदार" (ब्राइट) है। परिणामों ने दिखाया कि जब कंप्यूटर से उन दस प्रतिशत छवियों की समीक्षा करने के लिए कहा गया जहाँ मॉडलों के बीच सबसे अधिक मतभेद था, तो इसने लगभग सभी बड़ी गलतियों को सफलतापूर्वक पकड़ लिया। विशेष रूप से, छह मामलों में जहाँ कंप्यूटर बीस डिग्री से अधिक का अंतर दिखा रहा था—एक बड़ी गलती जो गलत नैदानिक निर्णय की ओर ले जा सकती है—सिस्टम ने पाँच मामलों को समीक्षा के लिए चिह्नित किया। इसने स्वीकृत मापों में ऐसी बड़ी त्रुटियों की दर को लगभग एक प्रतिशत से घटाकर केवल दो-दशमश (0.2%) कर दिया।
दिलचस्प बात यह है कि अध्ययन में पाया गया कि इससे बहुत अधिक फर्क नहीं पड़ता कि कंप्यूटर ने मतभेद को अंतिम कोण के संदर्भ में मापा या इमेज के विशिष्ट बिंदुओं के संदर्भ में; दोनों तरीके लगभग एक समान काम करते हैं। हालाँकि, सिस्टम में एक खामी (ब्लाइंड स्पॉट) थी। यह उन त्रुटियों को नहीं पकड़ सका जहाँ छहों मॉडल एक-दूसरे के साथ सहमत थे लेकिन एक ही तरह से गलत थे। एक विशिष्ट मामले में, प्रत्येक मॉडल ने कोण को एक बड़े अंतर से कम करके आंका था, और क्योंकि वे सभी एक-दूसरे के साथ सहमत थे, इसलिए सिस्टम ने इसे संदिग्ध के रूप में चिह्नित नहीं किया। यह सबसे अधिक तब हुआ जब बच्चे का सिर पेल्विस में बहुत नीचे था, जो वास्तव में एक ऐसी स्थिति है जिसे डॉक्टरों को जानना बहुत महत्वपूर्ण है। शोधकर्ताओं ने यह भी पाया कि प्रशिक्षण डेटा से नए डेटा पर जाने पर इमेज को फ्लैग करने के नियम पूरी तरह से काम नहीं करते थे। पाँच प्रतिशत छवियों को फ्लैग करने के लिए बनाए गए एक सेटिंग ने अंततः ग्यारह प्रतिशत छवियों को फ्लैग कर दिया, जिससे डॉक्टरों का कार्यभार योजना से अधिक बढ़ गया।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि कई कंप्यूटर मॉडलों के बीच असहमति की जाँच करना सबसे खतरनाक गलतियों को पकड़ने के लिए एक शक्तिशाली उपकरण है, लेकिन यह अपने आप में एक पूर्ण समाधान नहीं है। यह उन मामलों को खोजने के लिए अच्छा काम करता है जहाँ कंप्यूटर भ्रमित है, लेकिन यह उन मामलों को नहीं ढूंढ सकता जहाँ कंप्यूटर पूरे विश्वास के साथ गलत है। वास्तविक दुनिया में उपयोग के लिए इस प्रणाली को सुरक्षित बनाने हेतु, इसे अन्य जाँचों के साथ जोड़ने की आवश्यकता होगी जो साझा त्रुटियों को पकड़ सकें, और फ्लैगिंग के नियमों को प्रत्येक अस्पताल के लिए सावधानीपूर्वक ट्यून करने की आवश्यकता होगी। निष्कर्ष बताते हैं कि जबकि स्वचालित अल्ट्रासाउंड बेहतर हो रहा है, वर्तमान में सबसे अच्छा दृष्टिकोण इन कंप्यूटरों को एक 'फर्स्ट पास' के रूप में उपयोग करना है जो कठिन मामलों की पहचान करता है, और अंतिम, महत्वपूर्ण निर्णय मानव विशेषज्ञों को सौंप देता है जो उन सूक्ष्म संकेतों को पहचान सकते हैं जिन्हें मशीनें मिस कर देती हैं।
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।