MIT နှင့် Mass General Hospital တို့သည် အဆုတ်ကင်ဆာကို သိရှိနိုင်သည့် AI စနစ်တစ်ခုကို တီထွင်ခဲ့သည်။

အဆုတ်ကင်ဆာသည် ဆိုးရွားသော ရောဂါတစ်မျိုးဖြစ်သည်။ အဆိုအရ၊ ကမ်ဘာ့ကနျြးမာရေးအဖှဲ့အဆုတ်ကင်ဆာသည် ကမ္ဘာတစ်ဝှမ်းတွင် သေဆုံးမှုအများဆုံးအကြောင်းရင်းများထဲမှ တစ်ခုဖြစ်ပြီး 2.21 ခုနှစ်တစ်ခုတည်းတွင် ဖြစ်ပွားမှုပေါင်း 2020 သန်းနီးပါးရှိသည်။ အရေးကြီးသည်မှာ ရောဂါသည် တိုးလာနိုင်သည်။ ဆိုလိုသည်မှာ၊ များစွာသောသူတို့အတွက်၊ ၎င်းသည် နှိုးဆော်သံမပြသည့် အပျော့စားလက္ခဏာများအဖြစ် စတင်နိုင်ပြီး အသက်အန္တရာယ်ရှိသော ရောဂါရှာဖွေတွေ့ရှိမှုသို့ လျင်မြန်စွာ ပြောင်းလဲသွားကာ သေဆုံးသည်အထိ ဖြစ်နိုင်ပါသည်။ ကံကောင်းထောက်မစွာ၊ အဆုတ်ကင်ဆာဝေဒနာရှင်များကို ကူညီရန် အာရုံစိုက်သည့် ကုထုံးအမျိုးမျိုးသည် ပြီးခဲ့သော ဆယ်စုနှစ် နှစ်ခုအတွင်း သိသိသာသာ ကြီးထွားလာခဲ့သည်။ သို့သော်လည်း ကင်ဆာရောဂါကို စောစီးစွာသိရှိနိုင်မှုသည် သေဆုံးမှုနှုန်းကို သိသိသာသာ လျော့ကျစေမည့် တစ်ခုတည်းသော နည်းလမ်းတစ်ခုဖြစ်နေဆဲဖြစ်သည်။

ဤနယ်ပယ်တွင် ထင်ရှားသောအောင်မြင်မှုတစ်ခုမှာ ဒေတာကိုအသုံးပြု၍ အဆုတ်ကင်ဆာဖြစ်နိုင်ခြေကို ကြိုတင်ခန့်မှန်းနိုင်သော “Sybil” ဟု အမည်ပေးထားသည့် နက်ရှိုင်းသောသင်ယူမှုပုံစံတစ်ခု ဖွံ့ဖြိုးတိုးတက်မှုနှင့် ပတ်သက်၍ Massachusetts Institute of Technology (MIT) နှင့် Mass General Hospital (MGH) တို့မှ မကြာသေးမီက ထုတ်ပြန်ကြေညာခဲ့သည်။ CT scan တစ်ခုတည်းမှ။ ဟိ လေ့လာချက် Journal of Clinical Oncology တွင် ပြီးခဲ့သည့်အပတ်က တရားဝင်ထုတ်ဝေခဲ့ပြီး "ပုဂ္ဂိုလ်ရေးသီးသန့် အနာဂတ်ကင်ဆာအန္တရာယ် အကဲဖြတ်မှုပေးသည့် ကိရိယာများသည် အကျိုးကျေးဇူးအရှိဆုံးသူများထံ ချဉ်းကပ်နည်းများကို အာရုံစိုက်နိုင်သည်" ဟု ဆွေးနွေးထားသည်။ ထို့ကြောင့်၊ လေ့လာမှုခေါင်းဆောင်များသည် "စုစုပေါင်းလူဦးရေစာရင်း သို့မဟုတ် လက်တွေ့ဒေတာများမလိုအပ်ဘဲ တစ်ဦးချင်းစီ၏ အန္တရာယ်ကို ကြိုတင်ခန့်မှန်းရန် volumetric LDCT [Low Dose Contrast CT] အချက်အလက်တစ်ခုလုံးကို အကဲဖြတ်သည့် နက်နဲသောသင်ယူမှုပုံစံကို တည်ဆောက်နိုင်သည်ဟု အကြံပြုခဲ့သည်။"

မော်ဒယ်သည် အခြေခံသဘောတရားဖြင့် စတင်သည်- "LDCT ပုံများတွင် အဆုတ်ကင်ဆာ ဖြစ်နိုင်ခြေကို ခန့်မှန်းနိုင်သည့် အချက်အလက်များ ပါ၀င်သည်" ထို့ကြောင့် developer များသည် "LDCT scan တစ်ခုတည်းမှ 6 နှစ်အထိ အနာဂတ်အဆုတ်ကင်ဆာဖြစ်နိုင်ချေကို ကြိုတင်ခန့်မှန်းနိုင်သော နက်နဲသောသင်ယူမှုဆိုင်ရာ အယ်လဂိုရီသမ်ကို တီထွင်ပြီး အတည်ပြုရန် ကြိုးပမ်းခဲ့ပြီး ၎င်း၏ ဖြစ်နိုင်ချေရှိသော လက်တွေ့အကျိုးသက်ရောက်မှုကို အကဲဖြတ်ပါသည်။

ယေဘုယျအားဖြင့်၊ လေ့လာမှုသည် ယခုအချိန်အထိ သိသိသာသာ အောင်မြင်နေပါသည်- Sybil သည် LDCT တစ်ခုတည်းမှ ဒေတာကို အသုံးပြု၍ လူနာတစ်ဦး၏ အနာဂတ်အဆုတ်ကင်ဆာဖြစ်နိုင်ခြေကို တိကျမှုအတိုင်းအတာတစ်ခုအထိ ခန့်မှန်းနိုင်ခဲ့သည်။

သံသယမရှိဘဲ၊ ဤနည်းပညာအတွက် လက်တွေ့အသုံးချမှုများနှင့် သက်ရောက်မှုများသည် မရင့်ကျက်သေးပါ။ လေ့လာမှုခေါင်းဆောင်များပင်လျှင် ဤနည်းပညာကို လက်တွေ့လက်တွေ့လက်တွေ့တွင် မည်ကဲ့သို့အသုံးချရမည်ကို အတိအကျ တွက်ဆရန် လိုအပ်သည်—အထူးသဖြင့် သမားတော်များနှင့် လူနာများသည် စိတ်ချယုံကြည်ရသော နည်းပညာကို အတိုင်းအတာတစ်ခုအထိ ဖွံ့ဖြိုးတိုးတက်လာစေရန် အတိအကျ တွက်ဆရန် လိုအပ်ကြောင်း လေ့လာမှုခေါင်းဆောင်များက သဘောတူညီခဲ့ကြသည်။ စနစ်၏ရလဒ်များ။

သို့သော်၊ အယ်လဂိုရီသမ်၏ အနှစ်သာရမှာ မယုံနိုင်လောက်အောင် အစွမ်းထက်ဆဲဖြစ်ပြီး ကြိုတင်ခန့်မှန်းရောဂါရှာဖွေခြင်းနယ်ပယ်တွင် အလားအလာရှိသော ဂိမ်းပြောင်းလဲမှုကို ထည့်သွင်းထားသည်။

ရောဂါရှာဖွေရေးအစီအမံများသည် ယခင်ကလောက် အစွမ်းထက်လှသည်မဟုတ်။ ကိရိယာတစ်ခုသည် ရေရှည်ရောဂါလုပ်ဆောင်မှုကို ခန့်မှန်းရန် CT စကင်န်တစ်ခုတည်းကို အသုံးပြုနိုင်ပြီး ပြဿနာများစွာကို ဖြေရှင်းပေးနိုင်သည်- အရေးကြီးဆုံးမှာ စောစီးစွာ ကုသနိုင်စေရန်နှင့် သေဆုံးနှုန်းကို လျော့ကျစေခြင်းပင်ဖြစ်သည်။

ပဏ္ဍိတ်များသည် ကနဦးတွင် ရှက်ရွံ့စွာဖြင့်၊ ဤကဲ့သို့သော စနစ်များကို ဆန့်ကျင်ဘက်ပြုနိုင်ပြီး AI စနစ်သည် လူသားသမားတော်တစ်ဦးကို အစားထိုးရန် လုံလောက်သော တရားစီရင်မှုနှင့် လက်တွေ့စွမ်းရည်နှင့် မကိုက်ညီနိုင်ကြောင်း မှတ်ချက်ချနိုင်သည်။ သို့သော် ဤကဲ့သို့သော စနစ်များ၏ ရည်ရွယ်ချက်မှာ သမားတော်ကျွမ်းကျင်မှုကို အစားထိုးရန် မဟုတ်ဘဲ ရူပဗေဒဆိုင်ရာ လုပ်ငန်းခွင်များကို မြှင့်တင်ရန်ဖြစ်သည်။

Sybil ကဲ့သို့သော စနစ်တစ်ခုကို အကြံပြုချက်တူးလ်တစ်ခုအဖြစ် အလွန်လွယ်ကူစွာ အသုံးပြုနိုင်ပြီး၊ ထို့နောက် Sybil ၏အကြံပြုချက်ကို သဘောတူသည် သို့မဟုတ် သဘောမတူရန် ၎င်းတို့၏ကိုယ်ပိုင်လက်တွေ့စီရင်ချက်ကို အသုံးပြုနိုင်သည့် CTs များနှင့် ပတ်သက်၍ ဖြစ်နိုင်ချေရှိသော သမားတော်ထံသို့ CTs များကို အလံပြပါ။ ၎င်းသည် ဆေးဘက်ဆိုင်ရာသွင်းအားကို တိုးတက်ကောင်းမွန်စေရုံသာမက ဆင့်ပွား "စစ်ဆေးခြင်း" လုပ်ငန်းစဉ်အဖြစ်လည်း လုပ်ဆောင်နိုင်ပြီး ရောဂါရှာဖွေမှု တိကျမှုကို မြှင့်တင်ပေးနိုင်သည်။

သံသယ၀င်စရာ၊ ဒီနယ်ပယ်မှာ လုပ်စရာတွေ အများကြီးကျန်ပါသေးတယ်။ သိပ္ပံပညာရှင်များ၊ developer များနှင့် ဆန်းသစ်တီထွင်သူများသည် အမှန်တကယ် algorithm နှင့် system ကို ပြီးပြည့်စုံစေရုံသာမက ဤနည်းပညာကို တကယ့်လက်တွေ့အသုံးချမှုများအဖြစ် မိတ်ဆက်ပေးခြင်း၏ hyper-nuanced နယ်ပယ်ကို သွားလာရာတွင်လည်း ၎င်းတို့ရှေ့တွင် ရှည်လျားသော ခရီးတစ်ခုရှိပါသည်။ မည်သို့ပင်ဆိုစေကာမူ၊ လုံခြုံသော၊ ကျင့်ဝတ်နှင့် ထိရောက်မှုရှိသော နည်းလမ်းဖြင့် လူနာပြုစုစောင့်ရှောက်မှု ပိုမိုကောင်းမွန်လာစေရန်အတွက် နည်းပညာ၊ ရည်ရွယ်ချက်၊ နှင့် အလားအလာတို့သည် ဖြစ်ပေါ်လာမည့် ရောဂါရှာဖွေရေးမျိုးဆက်များအတွက် အမှန်ပင် ကတိပြုပါသည်။