કોમ્પ્યુટર એન્જિનિયરિંગ પર ધ્યાન કેન્દ્રિત કરતા સંશોધકોએ બે મશીન લર્નિંગ અલ્ગોરિધમ્સ બનાવ્યા છે જે વર્તમાન ડાયગ્નોસ્ટિક ધોરણો કરતાં ઉચ્ચ થ્રેશોલ્ડ પર સ્વાદુપિંડના કેન્સરને શોધી શકે છે. બે મોડેલોએ મળીને “PRISM” ન્યુરલ નેટવર્ક બનાવ્યું. તે ખાસ કરીને સ્વાદુપિંડના કેન્સરનું સૌથી પ્રચલિત સ્વરૂપ, સ્વાદુપિંડના ડક્ટલ એડેનોકાર્સિનોમા (PDAC) ને શોધવા માટે રચાયેલ છે.
વર્તમાન માનક PDAC સ્ક્રિનિંગ માપદંડ વ્યાવસાયિકો દ્વારા તપાસવામાં આવેલા દર્દીઓમાં લગભગ 10 ટકા કેસો કેપ્ચર કરે છે. સરખામણીમાં, MITનું PRISM 35 ટકા સમય PDAC કેસોને ઓળખવામાં સક્ષમ હતું.
જો કે ઉપયોગ એ સંપૂર્ણપણે નવી સિદ્ધિ નથી, એમઆઈટીનું પ્રિઝમ જે રીતે વિકસાવવામાં આવ્યું હતું તેના કારણે તે અલગ છે. ન્યુરલ નેટવર્ક સમગ્ર યુ.એસ.માં આરોગ્યસંભાળ સંસ્થાઓમાંથી વાસ્તવિક ઇલેક્ટ્રોનિક આરોગ્ય રેકોર્ડ્સના વિવિધ સેટની ઍક્સેસના આધારે પ્રોગ્રામ કરવામાં આવ્યું હતું. તેમાં 5 મિલિયનથી વધુ દર્દીઓના ઇલેક્ટ્રોનિક હેલ્થ રેકોર્ડ્સનો ડેટા સામેલ હતો, જે ટીમના સંશોધકોએ જણાવ્યું હતું કે સંશોધનના આ ચોક્કસ ક્ષેત્રમાં AI મોડલ્સને આપવામાં આવેલી માહિતીના “સ્કેલને ઓળંગી ગઈ છે”. “મૉડલ તેની આગાહીઓ કરવા માટે નિયમિત ક્લિનિકલ અને લેબોરેટરી ડેટાનો ઉપયોગ કરે છે, અને યુએસ વસ્તીની વિવિધતા એ અન્ય PDAC મોડલ્સની તુલનામાં નોંધપાત્ર પ્રગતિ છે, જે સામાન્ય રીતે ચોક્કસ ભૌગોલિક વિસ્તારો પર ધ્યાન કેન્દ્રિત કરે છે, જેમ કે યુ.એસ.માં કેટલાક આરોગ્ય સંભાળ કેન્દ્રો છે. સુધી મર્યાદિત છે,” એમઆઈટી સીસેઈલ પીએચડી પેપરના વરિષ્ઠ લેખક કાઈ જિયાએ જણાવ્યું હતું.
MITનો PRISM પ્રોજેક્ટ છ વર્ષ પહેલા શરૂ થયો હતો. PDAC ની વહેલી શોધ માટે એલ્ગોરિધમ્સ વિકસાવવા પાછળની પ્રેરણા મોટે ભાગે એ હકીકત સાથે જોડાયેલી છે કે મોટાભાગના દર્દીઓનું નિદાન કેન્સરના વિકાસના પછીના તબક્કામાં થાય છે – સામાન્ય રીતે લગભગ એંસી ટકાનું નિદાન ખૂબ મોડું થાય છે. તે થાય છે.
AI દર્દીની વસ્તી વિષયક, ભૂતકાળના નિદાન, વર્તમાન અને ભૂતકાળની દવાઓનું કેર પ્લાન અને લેબના પરિણામોમાં વિશ્લેષણ કરીને કામ કરે છે. સામૂહિક રીતે, મોડેલો દર્દીની ઉંમર અને તેમની જીવનશૈલીમાં દેખાતા અમુક જોખમી પરિબળો જેવી બાબતો સાથે ઇલેક્ટ્રોનિક હેલ્થ રેકોર્ડ ડેટાનું વિશ્લેષણ કરીને કેન્સરની સંભાવનાની આગાહી કરવાનું કામ કરે છે. તેમ છતાં, PRISM હજુ પણ દર્દીઓને એ જ દરે નિદાન કરવામાં મદદ કરવા સક્ષમ છે જે AI લોકો સુધી પહોંચી શકે છે. હમણાં માટે, ટેક્નોલોજી યુ.એસ.માં પસંદગીના દર્દીઓ સુધી મર્યાદિત છે. AI ને સ્કેલિંગ કરવાના લોજિસ્ટિકલ પડકારમાં એલ્ગોરિધમ્સને વધુ વૈવિધ્યસભર ડેટા સેટ્સ અને કદાચ વૈશ્વિક આરોગ્ય પ્રોફાઇલ્સ સુધી પહોંચવા માટે અનુકૂલન કરવાનો સમાવેશ થશે.
તેમ છતાં, કેન્સરના જોખમની આગાહી કરી શકે તેવું AI મોડેલ વિકસાવવા તરફ MITનું આ પ્રથમ પગલું નથી. તેણે ખાસ કરીને મેમોગ્રામ રેકોર્ડનો ઉપયોગ કરીને મહિલાઓમાં આગાહી કેવી રીતે કરવી તે મોડેલોને તાલીમ આપવાનો માર્ગ વિકસાવ્યો. સંશોધનની તે લાઇનમાં, MIT નિષ્ણાતોએ પુષ્ટિ કરી, ડેટા સેટ જેટલો વધુ વૈવિધ્યસભર હશે, એઆઈ કેન્સર અને વસ્તીનું નિદાન કરવામાં વધુ સારું રહેશે. AI મોડલ્સનો સતત વિકાસ જે કેન્સરની સંભાવનાની આગાહી કરી શકે છે, જો કેન્સરની વહેલી ઓળખ કરવામાં આવે તો દર્દીઓ માટે પરિણામોમાં સુધારો થશે એટલું જ નહીં, પરંતુ કામનું ભારણ પણ ઘટાડશે. ડાયગ્નોસ્ટિક્સમાં AIનું બજાર પરિવર્તન માટે એટલું પરિપક્વ છે કે તે મોટા ખેલાડીઓની રુચિને આગળ ધપાવે છે. ટેક એડ, જેણે AI પ્રોગ્રામ બનાવવાનો પ્રયાસ કર્યો હતો જે એક વર્ષ અગાઉથી સ્તન કેન્સર શોધી શકે છે.
આ લેખ મૂળરૂપે Engadget પર https://www.engadget.com/mit-experts-develop-ai-models-that-can-detect-pancreatic-cancer-early-222505781.html?src=rss પર દેખાયો હતો.