AI এবং বিশ্বের কঠিন সমস্যাগুলো ─ চিকিৎসা ও ওষুধ আবিষ্কার
AI দ্বারা এগিয়ে চলা বিজ্ঞান ও পাণ্ডিত্য, শাখা অনুযায়ী
RSS ফিড · 17 আইটেম
ফুসফুস ও কোলন ক্যানসার শনাক্তকরণের জন্য একটি ব্যাখ্যাযোগ্য স্তরবিন্যস্ত ডিপ লার্নিং কাঠামো
মূল শিরোনাম: An interpretable hierarchical deep learning framework for lung and colon cancer detection
হিস্টোপ্যাথোলজি ইমেজ থেকে ফুসফুস ও কোলন ক্যানসার শ্রেণিবদ্ধ করা কঠিন, কারণ শ্রেণিগুলো দেখতে একই রকম এবং টিস্যুর গঠন বিভিন্ন হয়, আর প্রচলিত ডিপ লার্নিং মডেল খুব কম স্বচ্ছতা দেয়। লেখকেরা পাঁচ-শ্রেণির কাজটিকে স্থূল থেকে সূক্ষ্ম ধাপে ভাগ করেছেন: প্রথমে স্বাভাবিক বনাম ক্যানসার, তারপর স্বাভাবিক টিস্যুর শ্রেণি বা ক্যানসারের উপধরনের জন্য একটি বিশেষায়িত শ্রেণিবদ্ধকারী, যেখানে প্রতিটি ধাপের জন্য সেরা আর্কিটেকচার বেছে নেওয়া হয়েছে। কাঠামোটি LC25000-এ 98.50% নির্ভুলতা এবং স্বাধীন LungHist700 ডেটাসেটে 82.01% নির্ভুলতা অর্জন করেছে, আর এর পূর্বাভাসের পেছনের ছবির অংশগুলো তুলে ধরতে Grad-CAM, Grad-CAM++, LIME এবং Occlusion Sensitivity ব্যবহার করা হয়েছে।
MASLD যুগে HBV বা HCV সংক্রমণ ছাড়া ব্যক্তিদের মধ্যে হেপাটোসেলুলার কার্সিনোমার কৃত্রিম বুদ্ধিমত্তা-ভিত্তিক পূর্বাভাস
মূল শিরোনাম: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
বর্তমান যকৃতের ক্যান্সার (HCC) নজরদারি নির্দেশিকাগুলো মূলত সিরোসিস বা ভাইরাল হেপাটাইটিসে আক্রান্ত ব্যক্তিদের লক্ষ্য করে তৈরি। গবেষকরা স্বাস্থ্য পরীক্ষা করানো প্রায় 7.96 মিলিয়ন দক্ষিণ কোরীয় প্রাপ্তবয়স্কের তথ্য ব্যবহার করে ভাইরাল হেপাটাইটিস নেই এমন ব্যক্তিদের HCC ঝুঁকি পূর্বাভাসের জন্য একটি AI মডেল তৈরি করেছেন। তুলনা করা বারোটি মডেলের মধ্যে MHA_DNN সবচেয়ে ভালো ফল দিয়েছে এবং একটি স্বতন্ত্র যাচাইকরণ কোহর্টেও ধারাবাহিক নির্ভুলতা বজায় রেখেছে। ফ্যাটি লিভার ইনডেক্স ও ট্রাইগ্লিসারাইড ছিল সবচেয়ে প্রভাবশালী পূর্বাভাসক, যা বিপাক-ভিত্তিক ব্যক্তিগতকৃত নজরদারির সহায়তার ইঙ্গিত দেয়।
হাইব্রিড অ্যাটেনশন ও ব্যাখ্যাযোগ্য এআই ব্যবহার করে রেটিনাল ফান্ডাস ছবি থেকে স্বয়ংক্রিয়ভাবে স্বাস্থ্য অবস্থার পূর্বাভাসের জন্য একটি মাল্টি-টাস্ক ডিপ লার্নিং কাঠামো
মূল শিরোনাম: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
রেটিনাল ফান্ডাস ছবির জন্য বিদ্যমান ডিপ লার্নিং মডেলগুলো কেবল একটি কাজ সামলাতে পারে, ব্যাখ্যাযোগ্যতা সীমিত এবং বিভিন্ন ডেটাসেটের মধ্যকার পার্থক্যের কারণে সমস্যায় পড়ে। লেখকেরা একটি মাল্টি-টাস্ক নেটওয়ার্ক প্রস্তাব করেছেন, যা একটি মাত্র ছবি থেকে একবারের ফরোয়ার্ড পাসেই ডায়াবেটিক রেটিনোপ্যাথির তীব্রতা, গ্লুকোমা, AMD-এর পর্যায় এবং হৃদরোগের ঝুঁকি শ্রেণিবদ্ধ করে এবং Grad-CAM ব্যাখ্যা দেয়। এটি চারটি ডেটাসেটজুড়ে ৯৪.৭% নির্ভুলতা ও AUC ০.৯৭৮ অর্জন করেছে, পরিসংখ্যানগতভাবে সব একক-টাস্ক মডেলকে ছাড়িয়ে গেছে, এবং জিরো-শট ক্রস-ডেটাসেট মূল্যায়নে AUC ন্যূনতম ০.৯৫১ পেয়েছে।
বুদ্ধিমান মানসিক স্বাস্থ্য নির্ণয়ের জন্য একটি অটোমাটা-মেশিন লার্নিং সমন্বিত কাঠামো
মূল শিরোনাম: An automata-machine learning integrated framework for intelligent mental health diagnostics
শিক্ষার্থীদের মধ্যে বিষণ্নতা প্রায়ই গুরুতর না হওয়া পর্যন্ত ধরা পড়ে না, তাই আগে থেকে পূর্বাভাস প্রয়োজন। লেখকরা ফাইনাইট অটোমাটা-ভিত্তিক আচরণ মডেলিংয়ের সঙ্গে মেশিন লার্নিং একত্রিত করেছেন, শিক্ষার্থীদের আবেগীয় অবস্থা থেকে বৈশিষ্ট্য তৈরি করে এবং অপ্রয়োজনীয় বৈশিষ্ট্য একত্র করে। র্যান্ডম ফরেস্ট ও KStar-এর এনসেম্বল ব্যবহার করে র্যান্ডম ফরেস্টের 82.02% বেসলাইন থেকে অটোমাটা-ভিত্তিক বৈশিষ্ট্য দিয়ে নির্ভুলতা বেড়ে 96.88% হয়েছে। লেখকরা জানিয়েছেন, এই পদ্ধতি বৈশিষ্ট্যগুলোকে ব্যাখ্যাযোগ্য ও খুঁজে বের করার উপযোগী রাখে।
বৃহৎ ভাষা মডেল ব্যবহার করে নির্ভরযোগ্য বৃহৎ-পরিসরের ক্লিনিক্যাল তথ্য নিষ্কাশনের জন্য একটি বহু-ধাপের যাচাইকরণ কাঠামো
মূল শিরোনাম: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
ক্লিনিক্যাল তথ্য নিষ্কাশনের জন্য বৃহৎ ভাষা মডেল যাচাই করতে সাধারণত ব্যয়বহুল ম্যানুয়াল অ্যানোটেশন প্রয়োজন হয়। লেখকেরা একটি বহু-পর্যায়ের কাঠামো প্রস্তাব করেছেন, যাতে রুল-ভিত্তিক ফিল্টারিং, সিমান্টিক গ্রাউন্ডিং, জাজ-LLM মূল্যায়ন, বিশেষজ্ঞ পর্যালোচনা এবং প্রেডিক্টিভ ভ্যালিডিটি বিশ্লেষণ একত্র করা হয়েছে। ৯১৯,৭৮৩টি ক্লিনিক্যাল নোটে মাদক ব্যবহার ব্যাধির রোগনির্ণয়ে প্রয়োগ করে এটি LLM-এর ইতিবাচক নিষ্কাশনের ১৪.৫৯% অসমর্থিত বা অসম্ভাব্য হিসেবে বাদ দিয়েছে। প্রাথমিক LLM জাজ মূল্যায়নের বিপরীতে ০.৮০ F1 স্কোর অর্জন করেছে, এবং এর নিষ্কাশিত রোগনির্ণয় কাঠামোবদ্ধ-ডেটা বেসলাইনের চেয়ে পরবর্তী বিশেষায়িত পরিচর্যায় অংশগ্রহণ ভালোভাবে পূর্বাভাস করেছে।
ছোট পরীক্ষায় এআই মুখ ও জিহ্বার ছবি থেকে করোনারি হার্ট ডিজিজ শনাক্ত করেছে
মূল শিরোনাম: AI detects coronary heart disease from face and tongue photos in small test
চীনের একটি নতুন গবেষণায় করোনারি হার্ট ডিজিজ (CHD) শনাক্ত করতে মুখ ও জিহ্বার ছবির ওপর একটি এআই সিস্টেমকে প্রশিক্ষণ দেওয়া হয়েছে। একটি ছোট পরীক্ষায় সিস্টেমটি CHD আক্রান্ত প্রতিটি রোগীকে সঠিকভাবে শনাক্ত করেছে।
কৃত্রিম বুদ্ধিমত্তা ও ডিজিটাল অসকালটেশন ব্যবহার করে বাংলাদেশে শ্বাসতন্ত্রের রোগে আক্রান্ত শিশুদের ফুসফুসের অতিরিক্ত শব্দ শনাক্তকরণ
মূল শিরোনাম: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
শিশুর অসুস্থতার সমন্বিত ব্যবস্থাপনার নির্দেশিকা নিউমোনিয়ার ক্ষেত্রে উচ্চ সংবেদনশীলতা কিন্তু নিম্ন নির্দিষ্টতা দেখায়। বাংলাদেশে স্বাস্থ্যকর্মীরা নিউমোনিয়ার সন্দেহভাজন পাঁচ বছরের কম বয়সী শিশুদের ফুসফুসের শব্দ ডিজিটাল স্টেথোস্কোপ দিয়ে রেকর্ড করেছেন, এবং একটি AI অ্যালগরিদমকে শিশুরোগ বিশেষজ্ঞ প্যানেলের সঙ্গে তুলনা করা হয়েছে। AI সামগ্রিকভাবে 61.8% সংবেদনশীলতা ও 60.7% নির্দিষ্টতায় অস্বাভাবিক শব্দ শনাক্ত করেছে, এবং IMCI-এর অধীনে নিউমোনিয়ার ক্ষেত্রে তা ছিল 63.5% ও 66.8%। লেখকেরা এটিকে মাঝারি মানের কার্যকারিতা হিসেবে বর্ণনা করেছেন, যেখানে ব্যাখ্যার অযোগ্য রেকর্ডিং শ্রেণিবদ্ধ করার ক্ষেত্রে উন্নতি প্রয়োজন।
ফাউন্ডেশন মডেল ব্যবহার করে অস্ত্রোপচারে অপসারিত টিস্যুর প্রান্তসীমার স্বয়ংক্রিয় লেবেলিং
মূল শিরোনাম: Autonomous labeling of surgical resection margins using a foundation model
অস্ত্রোপচারে অপসারিত টিস্যুর প্রান্তসীমা (surgical resection margin) প্যাথলজিতে মূল্যায়ন করার কাজটি হাতে কালি লাগানোর ভুল, টিস্যুর বিকৃতি এবং ক্যাটারি-জনিত ক্ষতির কারণে প্রভাবিত হয়। লেখকেরা একটি ভার্চুয়াল ইঙ্কিং নেটওয়ার্ক তৈরি করেছেন, যা একটি স্থির (frozen) ফাউন্ডেশন মডেল ও একটি ছোট ক্লাসিফায়ার ব্যবহার করে বাস্তব কালি ছাড়াই হোল-স্লাইড ইমেজে প্রান্তসীমা চিহ্নিত করে। অদেখা টিস্যু ব্লক থেকে নেওয়া ২০টি স্লাইডে এটি অঞ্চল-স্তরে প্রায় ৭৩.৩% নির্ভুলতা অর্জন করেছে এবং এমন ওভারলে তৈরি করেছে যা গুণগতভাবে বিশেষজ্ঞদের অ্যানোটেশনের সঙ্গে মিলেছে। ফলাফলগুলো প্রুফ-অব-কনসেপ্ট পর্যায়ের এবং বড় আকারের ক্লিনিক্যাল কোহর্টে যাচাই করা প্রয়োজন।
মানুষের বাদামি চর্বির কৃত্রিম বুদ্ধিমত্তা-সক্ষম ক্লিনিক্যাল ফেনোটাইপিং
মূল শিরোনাম: Artificial intelligence-enabled clinical phenotyping of human brown fat
মানুষের ব্রাউন অ্যাডিপোজ টিস্যু (BAT) কার্যকলাপ বৃহৎ পরিসরে পরিমাপের পদ্ধতির অভাব ছিল। একটি বড় ক্যান্সার কেন্দ্রের 101,243 জন রোগীর তথ্য ব্যবহার করে লেখকেরা মেশিন লার্নিং দিয়ে প্রায় 8,700 জন রোগীর BAT কার্যকলাপ আধা-স্বয়ংক্রিয়ভাবে পরিমাপ করেছেন। বিশেষ করে অ্যাক্সিলারি ডিপোতে উচ্চতর BAT কার্যকলাপ কার্ডিওমেটাবলিক রোগের কম সম্ভাবনা এবং সাদা চর্বির স্বাস্থ্যকর বণ্টনের সঙ্গে যুক্ত ছিল।
বহুমাধ্যম চিকিৎসা চিত্র পুনরুদ্ধার ও উন্নতকরণের জন্য একটি অল-ইন-ওয়ান ফাউন্ডেশন মডেল
মূল শিরোনাম: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound একটি ফাউন্ডেশন মডেল, যা CT, MRI, PET, এন্ডোস্কপি, আল্ট্রাসাউন্ড, ফান্ডাস ও এক্স-রে সহ সাতটি মোডালিটিতে নয়েজ, মোশন আর্টিফ্যাক্ট, কম কনট্রাস্ট বা কম-ডোজ ইমেজিংয়ের কারণে নষ্ট হওয়া চিকিৎসা চিত্র পুনরুদ্ধার ও উন্নত করে। ৩.৭৬ মিলিয়ন জোড়া চিত্রে প্রশিক্ষিত হয়ে এটি চিত্রের মানের মেট্রিক, চিকিৎসকের মূল্যায়ন ও রোবাস্টনেস পরীক্ষায় ৩৮টি টাস্ক-নির্দিষ্ট ও সাধারণ বেসলাইনকে ছাড়িয়ে গেছে। উন্নত চিত্র ৪৪টি রোগ শনাক্তকরণ কাজ, টিউমারের স্তর পূর্বাভাস এবং নন-স্মল-সেল ফুসফুস ক্যানসারে বেঁচে থাকার ঝুঁকির স্তরবিন্যাসও উন্নত করেছে।
ঘুমের লুকানো সংকেত ভবিষ্যতের স্বাস্থ্যের পূর্বাভাস দিতে পারে
মূল শিরোনাম: Hidden signals in sleep can predict future health
এআই টুল এক রাতের ঘুম থেকে এমন শারীরবৃত্তীয় ধরন বের করে আনতে পারে যা প্রচলিত ঘুম পরিমাপে ধরা পড়ে না, এবং এই ধরনগুলো রোগ ও মৃত্যুর সঙ্গে সম্পর্কিত। Nature Communications ও Nature Medicine-এ প্রকাশিত দুটি সাম্প্রতিক গবেষণাপত্র ইঙ্গিত দেয় যে ঘুমের তথ্যে চিকিৎসক ও গবেষকরা বর্তমানে যতটা বের করেন তার চেয়ে অনেক বেশি স্বাস্থ্যতথ্য রয়েছে। ক্রমবর্ধমান প্রমাণ এও নির্দেশ করে যে রোগ নির্ণয়ের আগেই ঘুমের পরিবর্তন দেখা দিতে পারে।
সিলিয়া-চালিত কণা পরিবহনের মেশিন লার্নিং বিশ্লেষণ প্রাইমারি সিলিয়ারি ডিসকাইনেসিয়াকে স্বাভাবিক সিলিয়া থেকে আলাদা করে
মূল শিরোনাম: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
প্রাইমারি সিলিয়ারি ডিসকাইনেসিয়া (PCD) একটি জিনগত অবস্থা, যাতে সিলিয়ার গতি অস্বাভাবিক হয়, এবং এর রোগনির্ণয় এখনও কঠিন। লেখকেরা CiliaTracks তৈরি করেছেন, একটি মেশিন লার্নিং ফ্রেমওয়ার্ক, যা উচ্চগতির মাইক্রোস্কোপিতে ধারণ করা কালচারকৃত শ্বাসনালির কোষে কণার পরিবহন বিশ্লেষণ করে। ক্লাসিকাল মেশিন লার্নিং মডেল ও একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক ১৪ জন PCD আক্রান্ত ব্যক্তি এবং ১০ জন সুস্থ দাতার রেকর্ডিং ৯৫-৯৭% নির্ভুলতায় শ্রেণিবদ্ধ করেছে।
পার্টিকল সোয়ার্ম অপ্টিমাইজড হিস্টোগ্রাম ইকুয়ালাইজেশন এবং VGG19-ভিত্তিক U-Net ব্যবহার করে ব্রেন টিউমার সেগমেন্টেশন
মূল শিরোনাম: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
MRI-তে ব্রেন টিউমার সেগমেন্টেশন ধীর, ভুলপ্রবণ এবং অপারেটরের পক্ষপাতের দ্বারা প্রভাবিত, আর ডিপ লার্নিং মডেলগুলোর ব্যাখ্যাযোগ্যতা প্রায়ই কম থাকে। লেখকেরা SPOHE-VGGNet প্রস্তাব করেছেন, যা একটি পরিবর্তিত U-Net-কে VGG-19 এবং MRI-র কনট্রাস্ট বাড়ানোর জন্য পার্টিকল সোয়ার্ম অপ্টিমাইজড হিস্টোগ্রাম ইকুয়ালাইজেশনের সঙ্গে যুক্ত করে। এটি Figshare ডেটাসেটে মেনিনজিওমার জন্য ০.৯৫২২, গ্লিওমার জন্য ০.৯৪২৮ এবং পিটুইটারি টিউমারের জন্য ০.৯৫১৮ Dice স্কোর অর্জন করেছে, আর BraTS 2021-এ সম্পূর্ণ টিউমার সেগমেন্টেশনের জন্য পেয়েছে ০.৯৪৬৩; তবে লেখকেরা জানিয়েছেন, ক্লিনিক্যাল ব্যবহারের আগে বাহ্যিক, ভলিউমেট্রিক এবং চিকিৎসক-কেন্দ্রিক যাচাই এখনও প্রয়োজন।
বৈশ্বিক জনস্বাস্থ্যের জন্য Earth AI-এর গ্রহভিত্তিক ভূ-স্থানিক ফাউন্ডেশন মডেলের সম্ভাবনা উন্মোচন
মূল শিরোনাম: Unlocking Earth AI’s planetary geospatial foundation models for global public health
জনস্বাস্থ্য-সংক্রান্ত সিদ্ধান্ত প্রায়ই প্রতিবেদনে বিলম্ব, বিচ্ছিন্ন ডেটা ও অপর্যাপ্ত ডেটার কারণে ধীর হয়ে যায়। Google-এর Population Dynamics Foundation Model (PDFM) গোপনীয়তা-সুরক্ষিত সার্চ ট্রেন্ড, মানুষের চলাচল, নির্মিত পরিবেশের ঘনত্ব এবং পরিবেশগত উপাদানকে অবস্থান এমবেডিংয়ে সংকুচিত করে। এই এমবেডিংগুলো নির্দিষ্ট কাজের জন্য ফাইন-টিউনিং ছাড়াই বিদ্যমান মহামারিবিজ্ঞানভিত্তিক মডেলে যুক্ত করা যায়, এবং পাঁচটি অংশীদার কেস স্টাডি উপস্থাপন করা হয়েছে।
২ডি মাল্টি-ভিউ ইকোকার্ডিওগ্রাফি ব্যবহার করে হাইপারট্রফিক কার্ডিওমায়োপ্যাথি ও কার্ডিয়াক অ্যামাইলয়েডোসিসের মধ্যে পার্থক্য নির্ণয়ের জন্য ডিপ লার্নিংচালিত একটি পাইপলাইন
মূল শিরোনাম: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
হাইপারট্রফিক কার্ডিওমায়োপ্যাথি (HCM) এবং কার্ডিয়াক অ্যামাইলয়েডোসিস (CA) ইকোকার্ডিওগ্রাফিতে দেখতে একই রকম, ফলে এদের আলাদা করা কঠিন। এই গবেষণায় একটি ডিপ-লার্নিং কাঠামো তৈরি করা হয়েছে, যা 2D ইকো ছবিকে পাঁচটি ক্লিনিক্যালি প্রাসঙ্গিক ভিউতে শ্রেণিবদ্ধ করে, প্রতিটি ভিউ থেকে বৈশিষ্ট্য আহরণ করে এবং সেগুলোকে একত্রিত করে। 212 জন HCM, 119 জন CA এবং 200 জন নিয়ন্ত্রণ রোগীর ওপর পাঁচগুণ ক্রস-ভ্যালিডেশনে এটি 0.83 প্রিসিশন, 0.81 সংবেদনশীলতা, 0.89 নির্দিষ্টতা এবং 0.82 মাইক্রো-F1 অর্জন করেছে, এবং লেখকেরা একে একটি নির্ভরযোগ্য রোগনির্ণয় সরঞ্জাম হিসেবে বর্ণনা করেছেন।
নতুন ফর্মুলেশন RNA টিকাকে উচ্চ তাপমাত্রা সহ্য করতে সাহায্য করে
মূল শিরোনাম: New formulation helps RNA vaccines withstand high temperatures
RNA ভ্যাকসিনের জন্য সাধারণত অতি-শীতল সংরক্ষণ দরকার হয়, তাই MIT-র গবেষকেরা একটি AI অ্যালগরিদম ব্যবহার করে mRNA ভ্যাকসিন বহনকারী লিপিড ন্যানোপার্টিকেলের চারপাশের ফর্মুলেশন পরিমার্জন করেছেন। অ্যালগরিদমটি সর্বোত্তম ফর্মুলেশন অনুমান করেছে, ফলে প্রয়োজনীয় পরীক্ষার সংখ্যা কমেছে এবং উন্নয়ন দ্রুত হয়েছে। প্রাপ্ত ভ্যাকসিনগুলো ঘরের তাপমাত্রায় এক বছর পর্যন্ত বা প্রায় ১০০°F-এ দুই মাস স্থিতিশীল ছিল, এবং ইঁদুরে একটি Covid-19 ভ্যাকসিন Moderna-র অনুরূপ একটি RNA ভ্যাকসিনের মতোই শক্তিশালী রোগপ্রতিরোধ সাড়া তৈরি করেছে।
লেখা থেকে আত্মহত্যার ঝুঁকি নির্ণয়
মূল শিরোনাম: Estimating suicide risk from text
মানসিক স্বাস্থ্য সংকটের সময় আত্মহত্যার উচ্চ ঝুঁকিতে থাকা ব্যক্তিদের শনাক্ত করা কাউন্সেলরদের অগ্রাধিকার। MIT-এর McGovern Institute-এর গবেষকেরা একটি ভাষা-প্রক্রিয়াকরণ সরঞ্জাম তৈরি করেছেন, যা 49টি আত্মহত্যা ঝুঁকির কারণের সঙ্গে সম্পর্কিত শব্দ ও বাক্যাংশের জন্য লেখা অনুসন্ধান করে একজন ব্যক্তির ঝুঁকি অনুমান করে। সংকট কাউন্সেলরদের সঙ্গে টেক্সট কথোপকথনে সরঞ্জামটি আত্মহত্যার ঝুঁকি নির্ভুলভাবে অনুমান করেছে, এবং আরও যাচাইয়ের পর এটি ক্লিনিক্যাল ও সংকট-সহায়তা পরিবেশে ঝুঁকি মূল্যায়নে সহায়তা করতে পারে।