નવી દિલ્હી, 23 ડિસેમ્બર (NEWS4). ઇન્ડિયન ઇન્સ્ટિટ્યૂટ ઑફ સાયન્સ (IISc) ના સંશોધકોએ Aster-CMI હોસ્પિટલના સહયોગથી એક AI ટૂલ વિકસાવ્યું છે જે અલ્ટ્રાસાઉન્ડ વીડિયોમાં મધ્ય ચેતા ઓળખી શકે છે અને કાર્પલ ટનલ સિન્ડ્રોમ (CTS) શોધી શકે છે. CTS ને કારણે હાથ અને હાથમાં નિષ્ક્રિયતા આવે છે, કળતર થાય છે અને દુખાવો થાય છે.
CTS ત્યારે થાય છે જ્યારે મધ્ય ચેતા, જે આગળના હાથથી હાથ સુધી ચાલે છે, કાંડાના કાર્પલ ટનલ ભાગમાં સંકુચિત થઈ જાય છે, જેના કારણે નિષ્ક્રિયતા આવે છે, કળતર થાય છે અથવા દુખાવો થાય છે. તે સૌથી સામાન્ય ચેતા-સંબંધિત વિકૃતિઓમાંની એક છે. તે ખાસ કરીને એવા વ્યક્તિઓને અસર કરે છે જેઓ વારંવાર તેમના હાથ ખસેડે છે, જેમ કે ઑફિસના કર્મચારીઓ કે જેઓ કીબોર્ડ પર કામ કરે છે.
ડોકટરો મધ્ય ચેતા જોવા અને તેના કદ અને કોઈપણ સંભવિત અસામાન્યતાઓનું મૂલ્યાંકન કરવા માટે અલ્ટ્રાસાઉન્ડનો ઉપયોગ કરે છે.
IISc ના કોમ્પ્યુટેશનલ એન્ડ ડેટા સાયન્સ (CDS) વિભાગમાં M.Techનો વિદ્યાર્થી કરણ આર. “પરંતુ એક્સ-રે અને MRI સ્કેનથી વિપરીત, અલ્ટ્રાસાઉન્ડ ઈમેજો અને વીડિયોમાં શું થઈ રહ્યું છે તે સમજવું મુશ્કેલ છે,” ગુજરાતીએ કહ્યું.
“નર્વ કાંડા પર એકદમ દૃશ્યમાન છે, તેની સીમાઓ સ્પષ્ટ છે, પરંતુ જો તમે કોણીના વિસ્તારમાં નીચે જાઓ છો, તો ત્યાં ઘણી બધી અન્ય રચનાઓ છે, અને ચેતાની સીમાઓ સ્પષ્ટ નથી,” તેમણે કહ્યું.
મધ્યવર્તી જ્ઞાનતંતુને ટ્રૅક કરવી એ સારવાર માટે પણ મહત્વપૂર્ણ છે કે જેમાં ડોકટરોએ આગળના ભાગમાં સ્થાનિક એનેસ્થેસિયાનું સંચાલન કરવું અથવા પીડા રાહત પ્રદાન કરવા માટે મધ્ય ચેતાને અવરોધિત કરવી જરૂરી છે.
તેમના ટૂલને વિકસાવવા માટે ટીમ ટ્રાન્સફોર્મર આર્કિટેક્ચર પર આધારિત મશીન લર્નિંગ મૉડલ તરફ વળ્યું, જે મૉડલ ChatGPTને પાવર આપે છે.
તેણે એસ્ટર-CMI હોસ્પિટલના લીડ કન્સલ્ટન્ટ ન્યુરોલોજીસ્ટ લોકેશ બાથલા સાથે સહયોગ કર્યો અને મોડેલને તાલીમ આપવા માટે તંદુરસ્ત સહભાગીઓ અને CTS ધરાવતા લોકો બંને પાસેથી અલ્ટ્રાસાઉન્ડ વિડિયો એકત્ર કરવા અને ટીકા કરવા. પ્રશિક્ષિત થયા પછી મોડેલ અલ્ટ્રાસાઉન્ડ વિડિયોના વ્યક્તિગત ફ્રેમ્સમાં મધ્ય ચેતાને વિભાજિત કરવામાં સક્ષમ હતું.
અલ્ટ્રાસોનિક્સ, ફેરોઇલેક્ટ્રિક્સ અને ફ્રીક્વન્સી કંટ્રોલ પર જર્નલ આઇઇઇઇ ટ્રાન્ઝેક્શન્સમાં વર્ણવેલ મોડેલ, ચેતાના ક્રોસ-વિભાગીય વિસ્તારને આપમેળે માપવામાં પણ સક્ષમ હતું, જેનો ઉપયોગ સીટીએસના નિદાન માટે થાય છે. આ માપન સોનોગ્રાફર દ્વારા જાતે કરવામાં આવે છે.
“ઇન્સ્ટ્રુમેન્ટ આ પ્રક્રિયાને સ્વચાલિત કરે છે. તે વાસ્તવિક સમયમાં ક્રોસ-વિભાગીય વિસ્તારને માપે છે,” બાથલાએ સમજાવ્યું. સંશોધકોએ જણાવ્યું હતું કે તે કાંડાના પ્રદેશમાં મધ્ય ચેતાના ક્રોસ-વિભાગીય વિસ્તારને 95 ટકાથી વધુ ચોકસાઈ સાથે જાણ કરવામાં સક્ષમ છે.
સીટી અને એમઆરઆઈ સ્કેન સ્ક્રીનીંગ માટે ઘણા મશીન લર્નિંગ મોડલ વિકસાવવામાં આવ્યા હોવા છતાં, અલ્ટ્રાસાઉન્ડ વિડિયો, ખાસ કરીને ન્યુરલ અલ્ટ્રાસાઉન્ડ માટે બહુ ઓછા મોડલ વિકસાવવામાં આવ્યા છે.
“શરૂઆતમાં, અમે મોડેલને એક ચેતા પર તાલીમ આપી હતી. હવે અમે તેને ઉપલા અને નીચેના અંગોની તમામ ચેતાઓમાં વિસ્તૃત કરવા જઈ રહ્યા છીએ,” બાથલાએ કહ્યું. તેમનું કહેવું છે કે તેને હોસ્પિટલમાં પાયલોટ ટેસ્ટ તરીકે તૈનાત કરવામાં આવ્યું છે.
“અમારી પાસે એક અલ્ટ્રાસાઉન્ડ મશીન છે જે એક વધારાના મોનિટર સાથે જોડાયેલ છે જ્યાં મોડેલ ચાલી રહ્યું છે. હું ચેતા જોઈ શકું છું અને તે જ સમયે, સોફ્ટવેર ટૂલ ચેતાની ઇમેજિંગ કરી રહ્યું છે. અમે આને વાસ્તવિક સમયમાં દર્શાવી શકીએ છીએ,” તેમણે કહ્યું. જોઈ શકે છે.”
બાથલાએ જણાવ્યું હતું કે આગળનું પગલું અલ્ટ્રાસાઉન્ડ મશીન ઉત્પાદકોને શોધવાનું હશે જે તેને તેમની સિસ્ટમમાં એકીકૃત કરી શકે.
તેઓ કહે છે, “આવા ઉપકરણ કોઈપણ ડૉક્ટરને મદદ કરી શકે છે. તે અનુમાન લગાવવાનો સમય ઘટાડી શકે છે. પરંતુ અલબત્ત અંતિમ નિદાન ડૉક્ટર દ્વારા જ કરવું પડશે.”
–NEWS4
એસજીકે
નવી દિલ્હી, 23 ડિસેમ્બર (NEWS4). ઇન્ડિયન ઇન્સ્ટિટ્યૂટ ઑફ સાયન્સ (IISc) ના સંશોધકોએ Aster-CMI હોસ્પિટલના સહયોગથી એક AI ટૂલ વિકસાવ્યું છે જે અલ્ટ્રાસાઉન્ડ વીડિયોમાં મધ્ય ચેતા ઓળખી શકે છે અને કાર્પલ ટનલ સિન્ડ્રોમ (CTS) શોધી શકે છે. CTS ને કારણે હાથ અને હાથમાં નિષ્ક્રિયતા આવે છે, કળતર થાય છે અને દુખાવો થાય છે.
CTS ત્યારે થાય છે જ્યારે મધ્ય ચેતા, જે આગળના હાથથી હાથ સુધી ચાલે છે, કાંડાના કાર્પલ ટનલ ભાગમાં સંકુચિત થઈ જાય છે, જેના કારણે નિષ્ક્રિયતા આવે છે, કળતર થાય છે અથવા દુખાવો થાય છે. તે સૌથી સામાન્ય ચેતા-સંબંધિત વિકૃતિઓમાંની એક છે. તે ખાસ કરીને એવા વ્યક્તિઓને અસર કરે છે જેઓ વારંવાર તેમના હાથ ખસેડે છે, જેમ કે ઑફિસના કર્મચારીઓ કે જેઓ કીબોર્ડ પર કામ કરે છે.
ડોકટરો મધ્ય ચેતા જોવા અને તેના કદ અને કોઈપણ સંભવિત અસામાન્યતાઓનું મૂલ્યાંકન કરવા માટે અલ્ટ્રાસાઉન્ડનો ઉપયોગ કરે છે.
IISc ના કોમ્પ્યુટેશનલ એન્ડ ડેટા સાયન્સ (CDS) વિભાગમાં M.Techનો વિદ્યાર્થી કરણ આર. “પરંતુ એક્સ-રે અને MRI સ્કેનથી વિપરીત, અલ્ટ્રાસાઉન્ડ ઈમેજો અને વીડિયોમાં શું થઈ રહ્યું છે તે સમજવું મુશ્કેલ છે,” ગુજરાતીએ કહ્યું.
“નર્વ કાંડા પર એકદમ દૃશ્યમાન છે, તેની સીમાઓ સ્પષ્ટ છે, પરંતુ જો તમે કોણીના વિસ્તારમાં નીચે જાઓ છો, તો ત્યાં ઘણી બધી અન્ય રચનાઓ છે, અને ચેતાની સીમાઓ સ્પષ્ટ નથી,” તેમણે કહ્યું.
મધ્યવર્તી જ્ઞાનતંતુને ટ્રૅક કરવી એ સારવાર માટે પણ મહત્વપૂર્ણ છે કે જેમાં ડોકટરોએ આગળના ભાગમાં સ્થાનિક એનેસ્થેસિયાનું સંચાલન કરવું અથવા પીડા રાહત પ્રદાન કરવા માટે મધ્ય ચેતાને અવરોધિત કરવી જરૂરી છે.
તેમના ટૂલને વિકસાવવા માટે ટીમ ટ્રાન્સફોર્મર આર્કિટેક્ચર પર આધારિત મશીન લર્નિંગ મૉડલ તરફ વળ્યું, જે મૉડલ ChatGPTને પાવર આપે છે.
તેણે એસ્ટર-CMI હોસ્પિટલના લીડ કન્સલ્ટન્ટ ન્યુરોલોજીસ્ટ લોકેશ બાથલા સાથે સહયોગ કર્યો અને મોડેલને તાલીમ આપવા માટે તંદુરસ્ત સહભાગીઓ અને CTS ધરાવતા લોકો બંને પાસેથી અલ્ટ્રાસાઉન્ડ વિડિયો એકત્ર કરવા અને ટીકા કરવા. પ્રશિક્ષિત થયા પછી મોડેલ અલ્ટ્રાસાઉન્ડ વિડિયોના વ્યક્તિગત ફ્રેમ્સમાં મધ્ય ચેતાને વિભાજિત કરવામાં સક્ષમ હતું.
અલ્ટ્રાસોનિક્સ, ફેરોઇલેક્ટ્રિક્સ અને ફ્રીક્વન્સી કંટ્રોલ પર જર્નલ આઇઇઇઇ ટ્રાન્ઝેક્શન્સમાં વર્ણવેલ મોડેલ, ચેતાના ક્રોસ-વિભાગીય વિસ્તારને આપમેળે માપવામાં પણ સક્ષમ હતું, જેનો ઉપયોગ સીટીએસના નિદાન માટે થાય છે. આ માપન સોનોગ્રાફર દ્વારા જાતે કરવામાં આવે છે.
“ઇન્સ્ટ્રુમેન્ટ આ પ્રક્રિયાને સ્વચાલિત કરે છે. તે વાસ્તવિક સમયમાં ક્રોસ-વિભાગીય વિસ્તારને માપે છે,” બાથલાએ સમજાવ્યું. સંશોધકોએ જણાવ્યું હતું કે તે કાંડાના પ્રદેશમાં મધ્ય ચેતાના ક્રોસ-વિભાગીય વિસ્તારને 95 ટકાથી વધુ ચોકસાઈ સાથે જાણ કરવામાં સક્ષમ છે.
સીટી અને એમઆરઆઈ સ્કેન સ્ક્રીનીંગ માટે ઘણા મશીન લર્નિંગ મોડલ વિકસાવવામાં આવ્યા હોવા છતાં, અલ્ટ્રાસાઉન્ડ વિડિયો, ખાસ કરીને ન્યુરલ અલ્ટ્રાસાઉન્ડ માટે બહુ ઓછા મોડલ વિકસાવવામાં આવ્યા છે.
“શરૂઆતમાં, અમે મોડેલને એક ચેતા પર તાલીમ આપી હતી. હવે અમે તેને ઉપલા અને નીચેના અંગોની તમામ ચેતાઓમાં વિસ્તૃત કરવા જઈ રહ્યા છીએ,” બાથલાએ કહ્યું. તેમનું કહેવું છે કે તેને હોસ્પિટલમાં પાયલોટ ટેસ્ટ તરીકે તૈનાત કરવામાં આવ્યું છે.
“અમારી પાસે એક અલ્ટ્રાસાઉન્ડ મશીન છે જે એક વધારાના મોનિટર સાથે જોડાયેલ છે જ્યાં મોડેલ ચાલી રહ્યું છે. હું ચેતા જોઈ શકું છું અને તે જ સમયે, સોફ્ટવેર ટૂલ ચેતાની ઇમેજિંગ કરી રહ્યું છે. અમે આને વાસ્તવિક સમયમાં દર્શાવી શકીએ છીએ,” તેમણે કહ્યું. જોઈ શકે છે.”
બાથલાએ જણાવ્યું હતું કે આગળનું પગલું અલ્ટ્રાસાઉન્ડ મશીન ઉત્પાદકોને શોધવાનું હશે જે તેને તેમની સિસ્ટમમાં એકીકૃત કરી શકે.
તેઓ કહે છે, “આવા ઉપકરણ કોઈપણ ડૉક્ટરને મદદ કરી શકે છે. તે અનુમાન લગાવવાનો સમય ઘટાડી શકે છે. પરંતુ અલબત્ત અંતિમ નિદાન ડૉક્ટર દ્વારા જ કરવું પડશે.”
–NEWS4
એસજીકે