கதிரியக்க வல்லுநர்கள் எதிர்காலத்தில் மூளைக் கட்டிகளைக் கண்டறிய AI ஐப் பயன்படுத்த முடியும்.

"மூளைக் கட்டி கண்டறிதல் மற்றும் வகைப்பாட்டிற்கான ஆழமான கற்றல் மற்றும் பரிமாற்றக் கற்றல்" என்ற தலைப்பிலான உயிரியல் முறைகள் மற்றும் நெறிமுறைகளில் வெளியிடப்பட்ட ஒரு ஆய்வறிக்கை, விஞ்ஞானிகள் மூளைக் கட்டிகள் மற்றும் ஆரோக்கியமான திசுக்களை வேறுபடுத்தி அறிய செயற்கை நுண்ணறிவு (AI) மாதிரிகளைப் பயிற்றுவிக்க முடியும் என்று கூறுகிறது. AI மாதிரிகள் ஏற்கனவே ஒரு மனித கதிரியக்கவியலாளரைப் போலவே MRI படங்களிலும் மூளைக் கட்டிகளைக் கண்டறிய முடியும்.

மருத்துவத்தில் AI-ஐப் பயன்படுத்துவதில் ஆராய்ச்சியாளர்கள் நிலையான முன்னேற்றம் அடைந்துள்ளனர். கதிரியக்கவியலில் AI குறிப்பாக நம்பிக்கைக்குரியது, அங்கு மருத்துவப் படங்களைச் செயலாக்க தொழில்நுட்ப வல்லுநர்கள் காத்திருப்பது நோயாளியின் சிகிச்சையை தாமதப்படுத்தும். கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் என்பது ஆராய்ச்சியாளர்கள் அங்கீகாரம் மற்றும் வகைப்பாட்டிற்காக பெரிய படத் தொகுப்புகளில் AI மாதிரிகளைப் பயிற்றுவிக்க அனுமதிக்கும் சக்திவாய்ந்த கருவிகளாகும்.

இந்த வழியில், நெட்வொர்க்குகள் படங்களை வேறுபடுத்தி அறிய "கற்றுக்கொள்ள" முடியும். அவை "கற்றலை மாற்றும்" திறனையும் கொண்டுள்ளன. விஞ்ஞானிகள் ஒரு பணிக்காக பயிற்சி பெற்ற மாதிரியை ஒரு புதிய ஆனால் தொடர்புடைய திட்டத்திற்காக மீண்டும் பயன்படுத்தலாம்.

உருமறைப்பு விலங்குகளைக் கண்டறிவதும் மூளைக் கட்டிகளை வகைப்படுத்துவதும் மிகவும் மாறுபட்ட வகையான படங்களை உள்ளடக்கியது என்றாலும், இயற்கை உருமறைப்பு காரணமாக மறைந்திருக்கும் ஒரு விலங்குக்கும் சுற்றியுள்ள ஆரோக்கியமான திசுக்களுடன் கலக்கும் புற்றுநோய் செல்கள் குழுவிற்கும் இடையே ஒரு இணையான தன்மை இருப்பதாக ஆராய்ச்சியாளர்கள் பரிந்துரைத்தனர்.

உருமறைப்பு செய்யப்பட்ட பொருட்களை நெட்வொர்க் எவ்வாறு கண்டறிய முடியும் என்பதைப் புரிந்துகொள்வதற்கு, பொதுமைப்படுத்தலின் கற்றல் செயல்முறை - ஒரே அடையாளங்காட்டியின் கீழ் வெவ்வேறு பொருட்களை தொகுத்தல் - முக்கியமானது. இத்தகைய கற்றல் கட்டிகளைக் கண்டறிவதற்கு மிகவும் பயனுள்ளதாக இருக்கும்.

பொதுவில் கிடைக்கும் MRI தரவுகளின் இந்த பின்னோக்கி ஆய்வில், மூளை புற்றுநோய் தரவுகளில் நரம்பியல் வலையமைப்பு மாதிரிகளை எவ்வாறு பயிற்றுவிக்க முடியும் என்பதை ஆராய்ச்சியாளர்கள் ஆய்வு செய்தனர், நெட்வொர்க்கின் கட்டி கண்டறிதல் திறன்களை மேம்படுத்துவதற்காக மறைத்து வைக்கப்பட்ட விலங்குகளைக் கண்டறிவதற்கான தனித்துவமான பரிமாற்ற கற்றல் படியை அறிமுகப்படுத்தினர்.

பொதுவில் கிடைக்கும் ஆன்லைன் புற்றுநோய் தரவு மூலங்களிலிருந்து MRI களைப் பயன்படுத்தி, ஆரோக்கியமான மூளையின் கட்டுப்பாட்டுப் படங்களை (Kaggle, NIH புற்றுநோய் படக் காப்பகம் மற்றும் பாஸ்டனில் உள்ள VA சுகாதார அமைப்பு உட்பட) பயன்படுத்தி, ஆராய்ச்சியாளர்கள் ஆரோக்கியமான மற்றும் புற்றுநோய் MRI களை வேறுபடுத்தி அறியவும், புற்றுநோயால் பாதிக்கப்பட்ட பகுதியை அடையாளம் காணவும், புற்றுநோயின் முன்மாதிரி தோற்றத்தை (புற்றுநோய் கட்டி வகை) அடையாளம் காணவும் நெட்வொர்க்குகளுக்கு பயிற்சி அளித்தனர்.

ஒன்று அல்லது இரண்டு தவறான எதிர்மறைகளை மட்டுமே கொண்ட சாதாரண மூளை படங்களை அடையாளம் காண்பதிலும், புற்றுநோய் மற்றும் ஆரோக்கியமான மூளைகளுக்கு இடையில் வேறுபடுத்துவதிலும் நெட்வொர்க்குகள் கிட்டத்தட்ட சரியானவை என்று ஆராய்ச்சியாளர்கள் கண்டறிந்தனர். மூளை புற்றுநோயைக் கண்டறிவதில் முதல் நெட்வொர்க் சராசரியாக 85.99% துல்லியத்தைக் காட்டியது, இரண்டாவது நெட்வொர்க் 83.85% துல்லியத்தைக் கொண்டிருந்தது.

இந்த நெட்வொர்க்கின் முக்கிய அம்சம், அதன் முடிவுகளை விளக்கக்கூடிய பல வழிகள் ஆகும், இது மருத்துவ நிபுணர்கள் மற்றும் நோயாளிகளிடமிருந்து மாதிரிகள் மீதான நம்பிக்கையை அதிகரிக்கிறது. ஆழமான மாதிரிகள் பெரும்பாலும் போதுமான அளவு வெளிப்படையானவை அல்ல, மேலும் துறை முதிர்ச்சியடையும் போது, நெட்வொர்க்குகளின் முடிவுகளை விளக்கும் திறன் முக்கியமானதாகிறது.

இந்த ஆராய்ச்சிக்கு நன்றி, நெட்வொர்க் இப்போது கட்டியின் வகைப்பாட்டில் குறிப்பிட்ட பகுதிகளை நேர்மறை அல்லது எதிர்மறை எனக் காட்டும் படங்களை உருவாக்க முடியும். இது கதிரியக்கவியலாளர்கள் தங்கள் முடிவுகளை நெட்வொர்க்கின் முடிவுகளுடன் ஒப்பிட அனுமதிக்கும், மேலும் கட்டியைக் குறிக்கும் MRI பகுதியை சுட்டிக்காட்டும் இரண்டாவது "ரோபோ" கதிரியக்கவியலாளர் அருகில் இருப்பது போன்ற நம்பிக்கையைச் சேர்க்கும்.

எதிர்காலத்தில், மருத்துவ நடைமுறையில் AI ஒரு வெளிப்படையான துணைப் பங்கை வகிக்கும் வகையில், உள்ளுணர்வு வழிகளில் முடிவுகளை விவரிக்கக்கூடிய ஆழமான நெட்வொர்க் மாதிரிகளை உருவாக்குவதில் கவனம் செலுத்துவது முக்கியம் என்று ஆராய்ச்சியாளர்கள் நம்புகின்றனர்.

எல்லா நிகழ்வுகளிலும் மூளைக் கட்டி வகைகளை வேறுபடுத்துவதில் நெட்வொர்க்குகளுக்கு சிரமம் இருந்தபோதிலும், நெட்வொர்க்கிற்குள் தரவு எவ்வாறு குறிப்பிடப்படுகிறது என்பதில் அவை உள்ளார்ந்த வேறுபாடுகளைக் கொண்டிருந்தன என்பது தெளிவாகத் தெரிந்தது. நெட்வொர்க்குகள் உருமறைப்பை அடையாளம் காண பயிற்சி பெற்றதால் துல்லியமும் தெளிவும் மேம்பட்டன. பரிமாற்றக் கற்றல் துல்லியத்தை அதிகரித்தது.

சோதிக்கப்பட்ட சிறந்த மாதிரி நிலையான மனித கண்டறிதலை விட 6% குறைவான துல்லியமாக இருந்தபோதிலும், இந்த கற்றல் முன்னுதாரணத்தின் மூலம் அடையப்பட்ட அளவு முன்னேற்றத்தை ஆய்வு வெற்றிகரமாக நிரூபிக்கிறது. விளக்க முறைகளின் விரிவான பயன்பாட்டுடன் இணைந்து, இந்த முன்னுதாரணமானது எதிர்கால மருத்துவ AI ஆராய்ச்சிக்கு தேவையான வெளிப்படைத்தன்மையைக் கொண்டுவர உதவும் என்று ஆராய்ச்சியாளர்கள் நம்புகின்றனர்.

"AI இன் முன்னேற்றங்கள் வடிவங்களை மிகவும் துல்லியமாகக் கண்டறிந்து அடையாளம் காண உதவுகின்றன" என்று ஆய்வறிக்கையின் முதன்மை ஆசிரியரான அராஷ் யஸ்தான்பக்ஷ் கூறினார்.

"இது, பட அடிப்படையிலான நோயறிதல் மற்றும் திரையிடலை மேம்படுத்துகிறது, ஆனால் AI ஒரு பணியை எவ்வாறு செய்கிறது என்பது பற்றிய கூடுதல் விளக்கத்தையும் கோருகிறது. AI விளக்கத்திற்கான உந்துதல் பொதுவாக மனித-AI தொடர்புகளை மேம்படுத்துகிறது. இது மருத்துவ நிபுணர்களுக்கும் மருத்துவ நோக்கங்களுக்காக வடிவமைக்கப்பட்ட AI க்கும் இடையில் மிகவும் முக்கியமானது."

"தெளிவான மற்றும் விளக்கக்கூடிய மாதிரிகள் நோயறிதலுக்கு உதவுவதற்கும், நோய் முன்னேற்றத்தைக் கண்காணிப்பதற்கும், சிகிச்சையைக் கண்காணிப்பதற்கும் மிகவும் பொருத்தமானவை."