ഡോ. A I നിങ്ങളെ വിളിക്കുന്നു,
അതുകഴിഞ്ഞ് ശരിക്കുള്ള ഡോക്ടറും നിങ്ങളെ കാണും

EPISTEME- 17

ഡിജിറ്റൽ ലോകത്തേക്കുമാറുന്ന വൈദ്യശാസ്ത്ര മേഖല വിപ്ലവാത്മകമായ പുതുമകൾ സമ്മാനിച്ചുകഴിഞ്ഞിരിക്കുന്നു. റോബോട്ടുകൾ ശസ്ത്രക്രിയ ചെയ്യുന്നതും ദൂരെയുള്ള ഡോക്ടർമാർ ഇത് നിയന്ത്രിക്കുന്നതും (Tele surgery) പഴയ കഥയായി മാറിയിട്ടുണ്ട്. ശരീരത്തിൽ ഘടിപ്പിക്കാവുന്ന മൈക്രോചിപ് അടങ്ങിയ ഉപകരണങ്ങൾ പ്രചാരത്തിലുമായിട്ടുണ്ട്. തിരിച്ചുപോക്കില്ലാത്തവണ്ണം നിർമിതബുദ്ധി ചികിൽസാരംഗം കയ്യടക്കിക്കഴിഞ്ഞിരിക്കുന്നു. AI (Artificial Intelligence) അഥവാ നിർമിത ബുദ്ധി ഏറ്റെടുക്കുന്ന ജോലികൾ വിപുലവും അതിവേഗമാർന്നതുമാണ്. മനുഷ്യാതീത ബുദ്ധിയുടെ സമാകാരമാണ്. ഡോക്ടർമാരെ പിന്നിൽ മാത്രം നിർത്താൻ തക്കവണ്ണം അറിവും വൈദഗ്ധ്യവും നിരീക്ഷണപാടവവും സമാർജ്ജിച്ച് AI അനിഷേധ്യമായൊരു മേൽക്കോയ്മ സ്ഥാപിച്ചു കഴിഞ്ഞിരിക്കുന്നു. കമ്പ്യൂട്ടർ എഞ്ചിനീയറിങ്ങിൻ്റെ അതിസങ്കീർണതയിലേക്ക്, അതിൻ്റെ അഗാധതയിലേക്ക് ചികിൽസാപദ്ധതികൾ അന്വേഷണാത്മകമായി ഇറങ്ങിച്ചെല്ലുകയാണ്.

ആരോഗ്യരംഗത്തിൻ്റെ ഭാവി വിവരസമാഹരണ (Data) ത്താൽ നിയന്ത്രിക്കപ്പെടുന്നതാണ്. ബൃഹത്തായ വിവരശേഖരങ്ങൾ വൈദ്യശാസ്ത്രത്തെ വെല്ലുവിളിയ്ക്കുന്ന ചോദ്യങ്ങൾക്ക് മറുപടിയുമായി എത്തുന്നുണ്ട്, ഇന്ന്. ‘ചികിൽസാരംഗം നിർമിതബുദ്ധിയാൽ ഭേദിക്കപ്പെടുന്നു’ (‘AI is disrupting medicine) എന്നാണ് ഹാർവാർഡ് മെഡിക്കൽ സ്കൂൾ പ്രഖ്യാപിച്ചത്. അത്രമാത്രം ആഘാതമാണ് ഈ പുതുരീതി സൃഷ്ടിച്ചിരിക്കുന്നത്. രോഗനിർണയവും ചികിൽസാപദ്ധതികളും രോഗിയുടെ മുന്നോട്ടുള്ള ഗതിയും AI തീരുമാനിക്കുകയും ഡോക്ടർമാർ അന്തിമ തീരുമാനങ്ങളെടുക്കാൻ മാത്രം ആവശ്യമായി വരികയുമാണ് പുതിയ രീതി. ഉചിത ക്രമീകരണങ്ങൾ അവരുടേ മേൽനോട്ടത്തിലായിരിക്കും, മുഴുവൻ യന്ത്രങ്ങൾക്ക് വിട്ടുകൊടുക്കുകയല്ല.
രോഗിയുടെ പല വിവരങ്ങളും ശേഖരിക്കുന്നത് ശരീരത്തിൽ ഘടിപ്പിക്കപ്പെട്ട ചിപ്പുകളിലൂടെയാകുമ്പോൾ നേഴ്സുമാരുടെ ജോലി ലഘൂരിക്കപ്പെടും. മാത്രമല്ല, രോഗീനിരീക്ഷണത്തിന്റെ വേഗം കൂട്ടി സ്വാസ്ഥ്യവിവരങ്ങൾ വിശ്ലേഷണം ചെയ്ത് അപ്പപ്പോൾ ഡോക്ടറെ അറിയിച്ചുകൊണ്ടിരിക്കുകയുമാണ്. ഒരു സി.ടി സ്കാൻ കിട്ടിക്കഴിഞ്ഞാൽ സമമായ മില്ല്യൺ കണക്കിന് സ്കാനിങ്ങ് ചിത്രങ്ങളുമായി നൊടിയിടയിൽ താരതമ്യപ്പെടുത്തി രോഗത്തിൻ്റെ എല്ലാ സാദ്ധ്യതകളും വിവരിച്ച് ഡോക്ടറുടെ കയ്യിൽ ഏൽപ്പിക്കും. മനുഷ്യനുമായി ഇത്രയും നേരിട്ട് ഇടപഴകുന്ന മറ്റൊരു യന്ത്രവസ്തു നിലവിലില്ല.

ഗൂഗിളിൻ്റെ “Deep Mind” ആരോഗ്യപരിപാലകർക്കും രോഗികൾക്കും വേണ്ടി ആവിഷ്ക്കരിച്ചെടുത്തതാണ് “Med-PaLM”. ചോദ്യങ്ങൾ ചോദിച്ചാൽ ഉത്തരം എന്ന കണക്കിനാണ് കണക്കറ്റ ഡാറ്റാ വിശ്ലേഷണം ചെയ്ത് മറുപടി തരുന്നത്. ChatGPT പോലെ ഇതും ‘ഭാഷാ മാതൃക (Language model) യാണ്. സ്വയം പരിശീലിപ്പിച്ചെടുക്കുന്ന വിദ്യയും ഇവ സ്വായത്തമാക്കിയിരിക്കുന്നു. ചികിൽസക്ക് ചില പ്രത്യേക രീതിയിലുള്ള ചോദ്യങ്ങളോ നിർദേശങ്ങളോ ആണ് ഡോക്ടർമാർ ഈ മഹാജ്ഞാനിയുടെ മുമ്പിൽ അവതരിപ്പിക്കേണ്ടത്:

ഇങ്ങനെ ഡോക്ടർമാർ അധികം താമസിയാതെ ഒരു പുതിയ പ്രവൃത്തിയുടേയും പെരുമാറ്റത്തിൻ്റെയും രീതിയിലേക്കും മാറപ്പെടുകയാണ്. നിർമിതബുദ്ധിയുടെ അവശ്യം അടിസ്ഥാന വ്യവഹാരങ്ങളെക്കുറിച്ചും പ്രായോഗികതകളെക്കുറിച്ചും സാദ്ധ്യതകളെക്കുറിച്ചും അറിഞ്ഞിരിക്കേണ്ടിയിരിക്കുന്നു അവർ. ഡോക്ടർമാർ മാത്രമല്ല, ആരോഗ്യപരിപാലനരംഗത്ത് വർത്തിക്കുന്ന മറ്റെല്ലാവരും. ഇപ്പോൾത്തന്നെ, നിർമിതബുദ്ധിയുടെ അടിസ്ഥാനകാര്യങ്ങൾ വിശദീകരിച്ച് ഹെൽത്ത്കെയർ എക്സിക്യൂട്ടീവിനുവേണ്ടി ഗൈഡുകൾ ഇറങ്ങിയിട്ടുണ്ട്.

താമസിയാതെ ഡോക്ടർമാർക്കുപകരം AI എന്നൊന്ന് വന്നുചേരുമെന്ന് ഊഹവിചിന്തനം ഇപ്പോഴേയുണ്ട്. പ്രത്യേകിച്ച് റേഡിയോളജി, പാതോളജി ഇവയിലൊക്കെ. എക്സ് റേ ഷീറ്റ് നോക്കി പ്രശ്നങ്ങൾ കണ്ടുപിടിയ്ക്കാനും കോശങ്ങലുടേയോ ജീനുകളുടേയോ വിന്യാസങ്ങൾ നോക്കി അസുഖം നിജപ്പെടുത്താനും AI യ്ക്കു സാധിയ്ക്കും, അതും വിദഗ്ദ്ധ ഡോക്ടർമാരുടെ കഴിവിനും അപ്പുറവുമായിരിന്നേക്കാം. പക്ഷേ പഠനങ്ങൾ തെളിയിക്കുന്നത്, ഡോക്ടർ—യന്ത്ര സഹവർത്തിത്വം, അതിൽ ഒരെണ്ണം മാത്രം വേറിട്ട് സാധിച്ചെടുക്കുന്നതിലും കൂടുതലായിരിക്കുമെന്നാണ്.

എന്നാൽ ചികിൽസാമേഖലക്ക് ഡോക്ടർമാരെ പൂർണമായും ഒഴിവാക്കാൻ സാദ്ധ്യമല്ല. അനുമാനങ്ങൾക്കും നിർദ്ധാരണങ്ങൾക്കും അന്തിമ തീരുമാനങ്ങൾക്കും അവർ അത്യാവശ്യമാണ്. വൈദ്യമേഖല ശാസ്ത്രം എന്ന പോലെ കലയുമാണ്. അതിന് മനുഷ്യസ്പർശം ആവശ്യമാണ്. രോഗിക്കിടക്കയ്ക്കരികിൽ ആർദ്രതയും കരുണയും സഹാനുഭൂതിയും കനിവുമായി, ആത്മവിശ്വാസം പകരുന്നവരായി ഡോക്ടർമാർ പ്രത്യക്ഷപ്പെടുന്നതാണ് രോഗിയെ സംബന്ധിച്ച് ഏറ്റവും ആശ്വാസകരം. ശാസ്ത്രവും മനുഷ്യത്വവും ഒന്നാകുന്ന വേളകൾ സൃഷ്ടിക്കപ്പെടേണ്ടത് അത്യന്താപേക്ഷിതമാണ്.

അവശ്യം അറിഞ്ഞിരിക്കേണ്ട
നിർമിതബുദ്ധി പ്രയോഗങ്ങൾ

സ്വാസ്ഥ്യസേവാരംഗത്ത് പ്രവർത്തിക്കുന്നവർ-ഡോക്ടർ, നേഴ്സ്, ഉപകരണങ്ങളുടെ മേൽനോട്ടക്കാർ, മറ്റ് രോഗിപരിചാരകർ, ആശുപത്രിനടത്തിപ്പുകാർ- അവശ്യം അറിഞ്ഞിരിക്കേണ്ട നിർമിതബുദ്ധി പ്രയോഗങ്ങൾ പരിചയിക്കേണ്ടത് അത്യാവശ്യമായിരിക്കയാണ്. ഒരു ഇന്റർഫെയ്സ് എങ്ങനെ നിർമിച്ചെടുക്കുന്നു എന്നതിൽ പരിചയം വരേണ്ടിയിരിക്കുന്നു. ആശുപത്രിയിലെ നിത്യവ്യവഹാരങ്ങളിൽ അദൃശ്യമെങ്കിലും കരുത്തുള്ള രൂപത്തിൽ AI നിലയുറപ്പിക്കുകയാണ്.

‘മെഷീൻ ലേണിങ്ങ് ‘ (machine learning) എന്നത് ഡാറ്റയിൽ നിന്ന് പഠിച്ചെടുക്കാൻ വേണ്ടി ആൽഗൊരിതങ്ങളും വ്യവസ്ഥകളും ആവിഷ്ക്കരിക്കുന്ന ശാസ്ത്രമേഖലയാണ്. ഇതിൻ്റെ ഒരു ശാഖയാണ് ഡീപ് ലേണിങ്. അഗാധമായ, ഒരുപാട് അടരുകളുള്ള കൃത്രിമ ന്യൂറൽ വലയങ്ങളിൽ (artificial neural networks) ആണ് ഇത് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. ഇതിൻ്റെ പരിണതിയായി മില്ല്യണുകളോ ബില്ല്യണുകളോ മാനദണ്ഡങ്ങൾ (parameters) സംജാതമാകുകയാണ്. സാധാരണ ഡീപ് ലേണിങ്ങ് സംരചനകളിൽ (architectures) ഒന്ന് Convolutional neural networks (CNNs) തന്നെ. കമ്പ്യൂട്ടറിൻ്റെ ദർശനവിധികൾ ഇവയിലൂടെയാണ് ഉരുത്തിരിയുന്നത്. മറ്റൊന്ന് ട്രാൻസ്ഫോർമർ മോഡലുകൾ (Transformer models) ആണ്, പ്രാഥമികമായി അനുക്രമികമായ (sequential) ഡാറ്റക്കുവേണ്ടി രൂപരേഖ ചമച്ചതാണ്. നമ്മൾ ഭാഷ നിർമ്മിച്ചെടുക്കുന്ന ക്രിയാവിധികൾ തന്നെ ഇത്.

ഇന്ന് 99% നിർമിതബുദ്ധിയും deep learning അടിസ്ഥാനപ്പെടുത്തിയിട്ടുള്ളതാണ്. ഇന്ന് മിക്കവാറും എല്ലാ മെഷീൻ ലേണിങ്ങ് മോഡലുകളും അവയുടെ ഘടകങ്ങളിൽ നിന്ന് പുതിയ ആവിഷ്ക്കാരങ്ങൾ നിർമിച്ചെടുക്കുന്നുണ്ടെങ്കിലും ഈ അടുത്തകാലത്ത് അദ്ഭുതകരമായി വളരെ നീണ്ട ടെക്സ്റ്റുകളും കഥകളും തനിമയുമുള്ള, ഒട്ടും കൃത്രിമത്വം തോന്നാത്ത ചിത്രങ്ങളും ഉൽപ്പാദിപ്പിക്കുന്നതിനാൽ ഇത് ‘ഉൽപ്പാദക AI’ (generative AI) എന്ന സംജ്ഞയാൽ അറിയപ്പെടുന്നു. കൂടുതൽ സ്വയം ആവിഷ്ക്കരിക്കാൻ പ്രാപ്തമായ മെഷീൻ ലേണിങ്ങ് മോഡൽ വിഭാഗത്തെ ‘വൻ ഭാഷാമാതൃക’ (Large language model ) എന്നു വിളിയ്ക്കുന്നു. ഇന്നത്തെ ChatGPT ഉദാഹരണം. ‘GPT’ എന്നുള്ളത് Generative Pre-trained Transformer’ എന്നതിൻ്റെ ചുരുക്കമാണ്. ഇന്ന് ആരോഗ്യപരിപാലനരംഗത്തുള്ളവർ (ഡോക്ടർമാരും നഴ്സുമാരും ഉൾപ്പെടെ) നിർമിതബുദ്ധിയുടെ അടിസ്ഥാനങ്ങളായ, മേൽച്ചൊന്ന ആശയങ്ങൾ ശീഘ്രം പഠിച്ചെടുക്കേണ്ടിയിരിക്കുന്നു. മെഡിക്കൽ കോളേജിലെ ക്ലാസ് മുറികളിൽ നിർമിതബുദ്ധി സദാ നിലയുറപ്പിച്ചിരിക്കും, ഇനി മേൽ.

എങ്ങോട്ടാണ് AI നമ്മെ കൊണ്ടുപോകുന്നത്?

Machine learning-ൽ വളരെ സങ്കീർണമായ മാതൃകകൾ (complex models), കൂടുതൽ ഡാറ്റയിൽ പരിശീലനം ലഭിക്കപ്പെട്ടവ, കൂടുതൽ കൃത്യമായ പ്രവചനങ്ങൾ സാദ്ധ്യമാക്കുന്നു എന്നത് പ്രധാന സവിശേഷതയാണ്. ഒരു വ്യാഴവട്ടക്കാലത്തിനുള്ളിൽ ‘ഡീപ് ലേണിങ്ങ്’ പുരോഗമിക്കുകയും നൂറുകണക്കിനുണ്ടായിരുന്ന, അടിസ്ഥാനമാക്കിയെടുക്കാറുള്ള സ്ഥിരരാശിസ്വഭാവം അല്ലെങ്കിൽ മാനദണ്ഡം (parameter) മില്ല്യൺ കണക്കിലേക്ക് മാറുകയും ചെയ്തു. പിന്നീട് ഇത് ബില്ല്യൺ കണക്കിന് പാരാമീറ്ററിലേക്ക് കുതിച്ചുയർന്നു. ഇതനുസരിച്ച് വ്യാപ്തിയും കൃത്യതയും ഫലങ്ങളിൽ വെളിവാക്കപ്പെടുകയും ചെയ്യുന്നു.

പല തന്ത്രങ്ങളും ഡിജിറ്റലായി മാറിയതോടേ മനുഷ്യാവസ്ഥയെക്കുറിച്ചുള്ള അറിവുകളുടെ വ്യാപ്തിയും വർദ്ധമാനമായി. ഇതോടെ വലിയ മാതൃകകളെ പരിശീലിപ്പിക്കുന്നത് എളുപ്പമായി. ഇപ്പോൾ ട്രില്ല്യൻ കണക്കിന് പാരാമീറ്റർ ഉൾപ്പെടുന്ന മോഡലുകളുടെ തുടക്കം സൃഷ്ടിക്കപ്പെട്ടു കഴിഞ്ഞിരിക്കുന്നു. അധികം താമസിയാതെ ആദ്യ പാത്തൊളജി മോഡൽ ലഭ്യമാകും. കോശങ്ങളുടെയും ടിഷ്യുകളുടെയും മില്ല്യൺ കണക്കിന് തൽസ്വരൂപചിത്രങ്ങൾ- അസുഖങ്ങളുടെ മൈക്രോസ്കോപിക് ലോകം- തുറക്കുകയാണ്. പരമവിശ്വാസ്യതയും സത്യനിഷ്ഠയുമാണ് ഈ ഡാറ്റയുടെ കാതൽ. ഒറ്റയടിക്ക് രോഗനിർണയം സ്ഥാപിച്ചെടുക്കാൻ വഴി തെളിയുകയാണ് ഇതോടെ. പുതിയ മരുന്നുകൾ നിർമിച്ചെടുക്കാനുള്ള ആധാരവിവരങ്ങളാണ് ഇത് സമ്മാനിക്കുന്നത്. മാത്രമല്ല, വ്യക്തിഗത ചികിൽസയുടെ പദ്ധതിപ്രകാരങ്ങൾ ആവിഷ്ക്കരിക്കപ്പെടാനും വഴി തെളിയുകയാണ്. കാർഡിയോളജിയും സൈക്യാട്രിയും പോലെ മറ്റ് മേഖലകളിലേക്കും ഈ സാങ്കേതികത വ്യാപിക്കുന്നുണ്ട്, AI ഇന്ന് ക്ലിനിക്കൽ പ്രാക്റ്റീസിനെ സമൂലം മാറ്റിമറിക്കുകയാണ്.

സാധാരണ രോഗനിർണയവിധികൾ ഉപയോഗിയ്ക്കുമ്പോൾ, തെറ്റു സംഭവിക്കുന്നുണ്ട്. തെറ്റായ രോഗനിർണ്ണയം കാരണം അമേരിക്കയിൽ മാത്രം എട്ടു ലക്ഷത്തോളം രോഗികളാണ് ഒരു വർഷം വികലാംഗരോ ബലഹീനരോ ആകുകയോ മരിയ്ക്കുകയോ ചെയ്യുന്നത്. AI ഉപയോഗം ഇത് ഗണ്യമായി കുറയ്ക്കും. പാത്തോളജിയിൽ AI സുരക്ഷ പ്രദാനം ചെയ്യുന്നു, മനുഷ്യസഹജമായ മുൻവിധികൾ ഒഴിവാക്കപ്പെടുന്നു. കാൻസർ നിർണയിക്കപ്പെടുന്നതിലെ തെറ്റുകൾ 70 % കുറയ്ക്കുന്നു എന്ന് തെളിഞ്ഞിട്ടുണ്ട്. മനുഷ്യന് അറിവിലുള്ള അപൂർണ്ണതകൾ സംഭാവ്യമാണ്, AI അറിവിൻ്റെ നിറകുടമാണ്.

Deep Learning
ചികിൽസാരംഗത്ത്

പാശ്ചാത്യനാടുകളിലെ ചില വലിയ ആശുപത്രികളിൽ ഡാറ്റ നിർമിക്കപ്പെടുന്നത് പെറ്റബൈറ്റ് (petabyte) കണക്കിനാണ്. ഈ വൻ വിവരശേഖരണം രോഗികളുടെ സ്വാസ്ഥ്യം നിലനിർത്തുന്നതിനും മെച്ചപ്പെടുത്തുന്നതിനും അസുഖങ്ങളുടെ പരിണിതി നിരീക്ഷിക്കാനും ആകപ്പാടെയുള്ള ജനസമൂഹ ആരോഗ്യത്തെക്കുറിച്ച് വിശ്ലേഷണം നടത്താനും ഉപകരിക്കുന്നു, ഇന്ന്. മേൽച്ചൊന്ന Deep neural networks എളുപ്പം വിവരങ്ങൾ സമാഹരിക്കാൻ സഹായകമാണ്. അതായത്, കമ്പ്യൂട്ടർ വിദഗ്ധരുടെ ആവശ്യം വരുന്നില്ല. രോഗനിർണയം, രോഗത്തിൻ്റെ വകുപ്പ് നിശ്ചയിക്കൽ, ചികിൽസാനിർദ്ദേശങ്ങൾ, അതിജീവന സാധ്യതകളും വിശ്ലേഷണങ്ങളും തുടങ്ങി പലതരം നിയുക്ത പ്രവൃത്തികൾ ചെയ്തെടുക്കാൻ അനുയോജ്യപ്പെടുത്തിയതാണിത്. മറ്റൊരു സവിശേഷത മാപക്രമണീയത (scalability) ആണ്. കൂടുതൽ വിവരങ്ങൾ ചേർക്കുന്നതനുസരിച്ച് സിസ്റ്റത്തിൻ്റെ പ്രവർത്തനക്ഷമത വിസ്തൃതി പ്രാപിക്കുകയാണ്. കുറെ വാക്കുകളിൽ നിന്ന് അർത്ഥമുള്ള വാചകം നിർമിച്ചെടുക്കുന്നതുപോലുള്ള വിദ്യകൾ നടപ്പാക്കുന്ന ‘ട്രാൻസ്ഫോർമർ മോഡലു’കളും ഈ ന്യൂറൽ നെറ്റ് വർക്കിൻ്റെ ഭാഗമാണ്. അടിസ്ഥാന വിവരങ്ങളിൽനിന്ന് ഒരു പൊതു ആശയം ഉരുത്തിരിഞ്ഞുവരുമെന്ന് സാരം. ഇപ്രകാരം ഡോക്ടർമാരുടെ കണക്കാക്കലോ തീർപ്പുകളോ അനുമാനങ്ങളോ അതിലും കൃത്യമായി ചെയ്തെടുക്കുകയാണ് ഈ കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ.

മെഡിക്കൽ പ്രതിഛായാചിത്രങ്ങളുടെ ഖണ്ഡീകരണം
(Image Segmentation)

ഒരു ചിത്രത്തിൻ്റെ – അത് ശ്വാസകോശത്തിൻ്റേയോ ഗർഭപാത്രത്തിൻ്റേയോ തലച്ചോറിൻ്റേയോ ആകട്ടെ - നിശ്ചിത ഭാഗമായിരിക്കണം രോഗത്തിനു നിദാനം. അപ്പോൾ ആ ഭാഗം മാത്രം വിശ്ലേഷണം ചെയ്തെടുത്താൽ മതി. ഇത് രോഗനിർണയത്തിനും ചികിൽസാപദ്ധതി രൂപീകരണത്തിനും രോഗനിരീക്ഷണത്തിനും അനിവാര്യമാണ്. ഒരു ചിത്രത്തെ പിക്സെലുകളായി തിരിച്ച് നിശ്ചിത പിക്സെലുകളെ മാത്രം അപഗ്രഥിക്കാം, മറ്റുള്ളവയുമായി താരതമ്യവും ചെയ്യാം. Deep learning തന്ത്രങ്ങൾ ഇവിടെ സഹായവുമാകുകയാണ്.

എക്സ് റേ / സ്കാൻ, കാൻസർ ടിഷ്യുവിൻ്റെ പരിച്ഛേദചിത്രം, അൾട്രാ സൗണ്ട് ചിത്രങ്ങൾ ഇവയുടെയൊക്കെ സങ്കീർണതകളും ഇടങ്ങൾ തമ്മിലുള്ള ബന്ധങ്ങളും പഠിച്ച് കൃത്യമായി വിശ്ലേഷണം ചെയ്ത് സൂക്ഷ്മമായ റിപ്പോർട്ടാണ് അവതരിക്കപ്പെടുന്നത്. മനുഷ്യന് അസാദ്ധ്യമാണിത്. Convolutional neural network (CNN) വളരെ ആഴത്തിലാണ് പ്രതിഛായാചിത്രങ്ങളുടെ സങ്കീർണത പഠിച്ചെടുക്കുന്നത്. ഈ തത്വമുപയോഗിച്ച് ആവിഷ്ക്കരിച്ച ‘U-Net’ ഇതിൽ പ്രാഗൽഭ്യമുള്ളതാണ്. മേൽച്ചൊന്ന ‘ട്രാൻസ്ഫോർമർ മോഡൽ’ അടിസ്ഥാനമാക്കിയ ‘Swin-UNETR’ ത്രിമാനരൂപങ്ങൾ ( 3 dimensional) നിർമിച്ചെടുത്ത് അപഗ്രഥിക്കാൻ ചാതുര്യമുള്ളതാണ്. മറ്റൊരു മോഡലായ ‘Segment Anything Model’ (SAM) പരിശീലിക്കപ്പെട്ടത് ഒരു ബില്ല്യൺ ചിത്രങ്ങളുപയോഗിച്ചാണ്. ഇവയൊക്കെ മെഡിക്കൽ ഇമേജിങ്ങ് അപഗ്രഥനത്തിനു ഉപയോഗിക്കപ്പെട്ട് തുടങ്ങിയിട്ടുണ്ട്.

പാതോളജി ചിത്രങ്ങൾ കാൻസർ തീരുമാനിക്കപ്പെടുന്നതിൽ നിർണായകമാണ്. ബയോപ്സിയിൽ ലഭിക്കുന്ന ടിഷ്യു ത്രിമാനങ്ങൾ പേറുന്നവയാണ്. ഓരോ പിക്സലിനും പിറകിൽ അടരുകളുണ്ടെന്ന് സാരം. മനുഷ്യന് ദൃഷ്ടി ഗോചരമല്ല ഇവ. ഇതാണ് ഇന്ന് Computational pathology എന്ന പുതിയ മേഖല അപഗ്രഥനം ചെയ്തുതരുന്നത്. ഇപ്പോൾ മേൽനോട്ടമില്ലാതെ പലേ ആൽഗോറിതങ്ങളും സ്വയം പഠിച്ചെടുക്കാൻ പ്രാപ്തരാണ് ഇത്തരം പല തന്ത്രങ്ങളും. പിക്സെൽ നിലവാരത്തിലല്ലാതെ മുഴുവൻ ടിഷ്യുവിൻ്റേയും പരിച്ഛേദ ചിത്രങ്ങളുടെ സൂക്ഷ്മത പുതിയ മോഡലുകൾ വെളിവാക്കിത്തരുന്നുണ്ട്. ഇത്തരം പരിച്ഛേദചിത്രങ്ങൾ ധാരാളം ലഭ്യമാണ് എന്നുള്ളതുകൊണ്ട് ഈ മോഡലുകളെ വൻ ഡാറ്റാ സമൂഹങ്ങൾക്ക് പഠിപ്പിച്ചുകൊടുക്കാം.

വൻ ഭാഷാ മോഡലുകൾ:
വൈദ്യരംഗത്തെ പ്രയോഗോപകരണം

മേൽച്ചൊന്ന ട്രാൻസ്ഫോർമർ മോഡലുകളെ പലതും പരിശീലിപ്പെച്ചെടുക്കാൻ സാധിയ്ക്കും. ഭാഷാനിർമിതിയിൽ നമ്മുടെ തലച്ചോർ ഉപയോഗിക്കുന്ന തന്ത്രങ്ങൾക്ക് സമാനമാണിത്. രോഗിക്ക് സംഭവിക്കാവുന്ന അപായങ്ങളോ ചേതങ്ങളോ മുൻകൂട്ടിക്കാണാനും ചില മുൻകരുതലുകൾ പ്രഖ്യാപിക്കാനും ഇത് അവസരം നൽകുന്നു. രോഗി വീണ്ടും ആശുപത്രിയിൽ പ്രവേശിക്കപ്പെടാനുള്ള സാദ്ധ്യത വ്യക്തമാക്കിയേക്കാം ഇത്. കൂടുതൽ കൃത്യതയോടെ വിടുതൽ കുറിപ്പുകൾ (discharge summaries) എഴുതാനും ഇത് സഹായിക്കും. ആശുപത്രിയിലെ കെടുകാര്യസ്ഥത ഗണ്യമായി കുറയ്ക്കാനും ഇത്തരം മുൻകൂർ അറിവുകൾ പര്യാപ്തമാകും. ഇപ്പോൾ ആശുപത്രി വ്യവസ്ഥിതിയ്ക്കനുരൂപമായ LLM` കൾ ആവിഷ്ക്കരിക്കപ്പെട്ടുകൊണ്ടിരിക്കയാണ്.

റേഡിയോളജി ഏറ്റെടുക്കുന്ന AI

നിശ്ചിതമാക്കപ്പെട്ടിട്ടില്ലാത്ത ഡാറ്റ (unlabeled data) അല്ലെങ്കിൽ മറഞ്ഞുപോയ ഒരു ഭാഗം കൂട്ടിച്ചേർക്കാൻ ഫൗണ്ടേഷൻ മോഡലുകൾ (Foundation models) ഉപയുക്തമാകും. ഒരു വാചകത്തിൽ ഇല്ലാതെ പോയ ഒരു വാക്ക് മുൻ പരിചയം മൂലം കണ്ടുപിടിയ്ക്കുന്ന പോലെയാണിത്. RadImageNet ഇതിനുവേണ്ടിയുള്ള ഒരു ആവിഷ്ക്കാരമാണ്. ഒന്നര മില്യൺ റേഡിയോളജി ചിത്രങ്ങളിൽനിന്ന് സമാഹരിച്ച വിവരങ്ങളാണ് നമ്മുടെ ഒരു സ്കാനിങ്ങ് ചിത്രത്തെ വിശ്ലേഷണം ചെയ്യുന്നത്. മനുഷ്യർക്ക് സങ്കൽപ്പിക്കാൻ പോലും പറ്റാത്ത അറിവാണിതിന്. നിഗമനങ്ങൾ കിറുകൃത്യം, ഇതോടൊപ്പം ക്ലിനിക്കൽ കുറിപ്പുകളും രോഗിയുടെ ഇലക്ട്രോണിക് ആരോഗ്യ റെക്കോർഡുകളും (Electronic health record) ഒന്നിച്ച് പരിശോധിച്ച് ഈ രോഗിയുടെ പ്രശ്നങ്ങൾ മാത്രം പഠിച്ച് വ്യക്തിഗതമായ രോഗനിർണയം സാദ്ധ്യമാക്കുകയാണ്. ഒരു സി.ടി സ്കാനിങ്ങ് ചിത്രമോ എക്സ്റേയോ നോക്കി മാത്രം ഡയഗ്നോസിസ് നടത്തുന്നതിൽനിന്ന് എത്രയോ വ്യത്യസ്തമാണിത്.

ഡോക്ടർ A I

ബ്രഹത്തായ മെഡിക്കൽ ഡാറ്റാസെറ്റുകൾ പരിശീലിപ്പിച്ചെടുത്ത deep neural networks ആരോഗ്യരംഗത്തിൻ്റെ ഭൂദൃശ്യത്തെ പാടേ പരിവർത്തനം ചെയ്യുകയാണ്. വിവിധങ്ങളായ foundation models പല ഡാറ്റാ കൈവഴികൾ സ്വരൂക്കൂട്ടിയെടുക്കുന്ന, രോഗിയെക്കുറിച്ചുള്ള ആകെത്തുകയായ അറിവാണ് ഇനി ചികിൽസയ്ക്കുള്ള മാനദണ്ഡം.

ക്ലിനിക്കിൽ ഊഴം കാത്തിരിക്കുന്ന നമ്മളോട് ‘ഡോ. A I നിങ്ങളെ വിളിയ്ക്കുന്നു’ എന്നുപറയുന്ന കാലം അതിവിദൂരത്തല്ല. ‘അതുകഴിഞ്ഞ് ശരിക്കുള്ള ഡോക്ടറും നിങ്ങളെ കാണും’ എന്നും കൂട്ടിച്ചേർക്കപ്പെടും.

References:
1.Campanella, G., Alleva, E., Mai, X. Fayad, Z. and Greenspan H.- Deep learning in healthcare. In Frontiers in Medical Research: Artificial Intelligence. Supplement to Science November 2023.
2. Ronneberger, D., Fischer, P. and Brox, T. U-Net: Convolutional networks for biomediacal image segmentation.Preprint at http//arxiv.org/abs/1505.04597 2015.
3. Campanella, G., Hanna, M.G., Geneslaw, L., Miraflor, A., Werneck Krauss Silva, V., Busam, K. J., Brogi, E., Reuter, V.E., Klimstra, D. S.and Fuchs, T. J. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicien 25: 1301-1309, 2019.
4. Mei X, Liu Z, Robson, P. M., Marinelli, B., Huang, M., Doshi, A., Jacobi, A., Cao, C., Link, K.E., Yang, T., Wang, Y., Greenspan, H., Deyer, T., Fayad, Z. A. and Yang, Y. RadImageNet: An open radiologic Deep Learning research dataset for effective transfer learning. .Radiol Artif Intell. 27;4(5):e210315. doi: 10.1148/ryai.210315. 2022.