Patient-level coronary artery disease classification from cardiac MRI using out-of-fold heart segmentation and same-slice region controls
यह अध्ययन प्रदर्शित करता है कि कार्डिएक एमआरआई से प्राप्त आउट-ऑफ-फोल्ड कार्डिएक रीजन-ऑफ-इंटरेस्ट रिप्रजेंटेशन्स, पेशेंट-लेवल कोरोनरी आर्टरी डिजीज वर्गीकरण में फुल-इमेज और एक्स्ट्रा-कार्डिएक कंट्रोल्स की तुलना में काफी बेहतर प्रदर्शन करते हैं, हालांकि ये निष्कर्ष एक छोटे कोहॉर्ट और डेटासेट बाधाओं द्वारा सीमित एक पद्धतिगत प्रूफ ऑफ कॉन्सेप्ट बने हुए हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मेडिकल इमेजिंग की दुनिया में, कंप्यूटर से तेजी से यह अपेक्षा की जा रही है कि वे मानव हृदय के चित्रों को देखें और यह निर्णय लें कि क्या किसी रोगी को कोरोनरी आर्टरी डिजीज (कोरोनरी धमनी रोग) है, जो एक ऐसी स्थिति है जहाँ हृदय को रक्त की आपूर्ति करने वाली वाहिकाएं संकुचित हो जाती हैं। मैग्नेटिक रेजोनेंस स्कैनर द्वारा ली गई ये छवियां अविश्वसनीय रूप से विस्तृत होती हैं, जो हजारों फ्रेमों में हृदय की संरचना और गति को कैद करती हैं। हालांकि, इन छवियों की व्याख्या करना सिखाने में कंप्यूटर के लिए एक बड़ी चुनौती यह सुनिश्चित करना है कि वे वास्तविक बीमारी को पहचानना सीखें, न कि अनजाने में अप्रासंगिक संकेतों को याद कर लें। यदि कोई कंप्यूटर एक ही व्यक्ति के हजारों चित्र देखता है, तो वह यह सीख सकता है कि वे सभी चित्र एक ही रोगी के हैं और इस तथ्य का उपयोग निदान का अनुमान लगाने के लिए कर सकता है, बजाय इसके कि वह हृदय को देखे। इसे 'डेटा लीकेज' कहा जाता है, और यह एक प्रणाली को परीक्षण में शानदार दिखा सकता है जबकि वास्तविक दुनिया में वह पूरी तरह विफल हो सकती है। इसके अलावा, कंप्यूटर कभी-कभी "शॉर्टकट" ढूंढ सकते हैं, जैसे कि चित्र को सहेजने के विशिष्ट तरीके या हृदय के चारों ओर खाली स्थान के आकार पर ध्यान देना, और चिकित्सा समस्या को समझे बिना ही सही अनुमान लगाने के लिए इन तुच्छ विवरणों का उपयोग कर सकते हैं।
रोमानिया के यूनिवर्सिटी ऑफ क्रेओवा के डेविड व्लाद मारघिडन द्वारा किए गए एक हालिया अध्ययन ने हृदय की छवियों के एक सार्वजनिक संग्रह की पुन: जांच करके इन मुद्दों पर काम किया। शोधकर्ता ने पाया कि एक व्यापक रूप से साझा किया गया डेटासेट, जिसमें 63,000 से अधिक चित्र होने का आभास था, वास्तव में केवल 30 व्यक्तिगत रोगियों का प्रतिनिधित्व करता था। इसका अर्थ यह था कि अधिकांश डेटा केवल कुछ ही लोगों के अलग-अलग स्लाइस (खंड) थे। यह मापने के लिए कि एक कंप्यूटर बीमारी का निदान कितनी अच्छी तरह कर सकता है, अध्ययन ने व्यक्तिगत चित्र के बजाय रोगी को विश्लेषण की इकाई माना। टीम ने एक ऐसी प्रणाली बनाई जिसने पहले छवि के भीतर हृदय को खोजना सीखा, जिससे प्रभावी रूप से अंग को शेष चित्र से अलग किया जा सका। फिर उन्होंने तुलना की कि कंप्यूटर कैसा प्रदर्शन करता है जब वह केवल हृदय को देखता है, जब वह पूरी छवि को देखता है, और जब वह हृदय के बाहर की छवि के हिस्सों को देखता है। इस दृष्टिकोण ने यह सुनिश्चित किया कि कंप्यूटर का परीक्षण उन रोगियों पर किया जाए जिन्हें उसने पहले कभी नहीं देखा था, जिससे उसे निदान लगाने के लिए रोगी की पहचान पर निर्भर होने से रोका जा सके।
परिणामों ने दिखाया कि जब कंप्यूटर विशेष रूप से हृदय पर केंद्रित था, तो वह पूरी छवि या पृष्ठभूमि को देखने की तुलना में स्वस्थ और बीमार रोगियों के बीच अंतर करने में काफी बेहतर था। 50,735 छवियों के एक सेट पर, जो सख्त गुणवत्ता मानकों को पूरा करते थे, हृदय पर केंद्रित प्रणाली ने उच्च स्तर की सटीकता प्राप्त की, जबकि पूरी छवि को देखने वाली प्रणाली का प्रदर्शन स्पष्ट रूप रूप से खराब रहा। यहाँ तक कि, हृदय के चारों ओर के खाली स्थान को देखने वाली प्रणाली भी आश्चर्यजनक सटीकता के साथ निदान का अनुमान लगाने में सक्षम रही, और यादृच्छिक संभावना (रैंडम चांस) से काफी ऊपर स्कोर किया। यह निष्कर्ष बताता है कि छवियों में हृदय से असंबंधित छिपे हुए संकेत थे, जैसे कि स्कैन की विशिष्ट शैली या डेटा को निर्यात करने का तरीका, जिसका कंप्यूटर सही अनुमान लगाने के लिए उपयोग कर सकता था। अध्ययन ने कंप्यूटर द्वारा स्वचालित रूप से खींची गई हृदय की रूपरेखाओं की तुलना मानव शोधकर्ता द्वारा बनाई गई रूपरेखाओं से भी की। कंप्यूटर की स्वचालित रूपरेखाएं मानव वाली जितनी ही अच्छी तरह काम करती थीं, जो यह सुझाव देती हैं कि मशीन को सीमाओं को खींचने के लिए पहले किसी व्यक्ति की आवश्यकता के बिना विश्वसनीय रूप से हृदय का पता लगाने में सक्षम है।
इन सफलताओं के बावजूद, अध्ययन का निष्कर्ष है कि यह प्रणाली अभी नैदानिक उपयोग के लिए तैयार नहीं है। शामिल रोगियों की कम संख्या, यह तथ्य कि छवियां कच्चे चिकित्सा डेटा के बजाय संपीड़ित (कंप्रेस्ड) फाइलें थीं, और उन गैर-हृदय शॉर्टकट की उपस्थिति का अर्थ है कि परिणाम एक अंतिम समाधान के बजाय एक 'प्रूफ ऑफ कॉन्सेप्ट' (सिद्धांत की पुष्टि) हैं। अनुसंधान यह प्रदर्शित करता है कि हृदय को अलग करने से कंप्यूटर को सही जानकारी पर ध्यान केंद्रित करने में मदद मिलती है, लेकिन यह यह भी प्रकट करता है कि डेटासेट में ऐसे पूर्वाग्रह हैं जो मशीन को गुमराह कर सकते हैं। यह कार्य एक महत्वपूर्ण अनुस्मारक के रूप में कार्य करता है कि मेडिकल आर्टिफिशियल इंटेलिजेंस में, उच्च स्कोर का मतलब हमेशा यह नहीं होता कि कंप्यूटर ने बीमारी को सीख लिया है; कभी-कभी, इसने केवल डेटासेट को सीख लिया होता है। जब तक इन शॉर्टकट्स को समाप्त नहीं किया जाता और इस प्रणाली का बहुत बड़े और विविध समूह के रोगियों पर परीक्षण नहीं किया जाता, तब तक यह तकनीक एक अस्पताल में डॉक्टरों के भरोसेमंद उपकरण के बजाय एक आशाजनक पद्धतिगत कदम बनी हुई 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।