AI और दुनिया की कठिन समस्याएँ ─ चिकित्सा और दवा खोज
AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसार
RSS फ़ीड · 17 आइटम
फेफड़े और कोलन कैंसर की पहचान के लिए एक व्याख्यात्मक पदानुक्रमित डीप लर्निंग फ्रेमवर्क
मूल शीर्षक: An interpretable hierarchical deep learning framework for lung and colon cancer detection
हिस्टोपैथोलॉजी छवियों से फेफड़े और कोलन कैंसर का वर्गीकरण कठिन है, क्योंकि वर्ग आपस में मिलते-जुलते दिखते हैं और ऊतक की आकृति में भिन्नता होती है, और पारंपरिक डीप लर्निंग मॉडल बहुत कम पारदर्शिता देते हैं। लेखकों ने पाँच-वर्गीय कार्य को मोटे से सूक्ष्म चरणों में बाँटा: पहले सामान्य बनाम कैंसर, फिर सामान्य ऊतक की श्रेणियों या कैंसर के उपप्रकारों के लिए एक विशेष वर्गीकारक, जिसमें हर चरण के लिए सबसे उपयुक्त आर्किटेक्चर चुना गया। इस फ्रेमवर्क ने LC25000 पर 98.50% सटीकता और स्वतंत्र LungHist700 डेटासेट पर 82.01% सटीकता हासिल की, और इसकी भविष्यवाणियों के पीछे की छवि के क्षेत्रों को उजागर करने के लिए Grad-CAM, Grad-CAM++, LIME और Occlusion Sensitivity का उपयोग किया गया।
MASLD युग में HBV या HCV संक्रमण के बिना व्यक्तियों में हेपेटोसेलुलर कार्सिनोमा का कृत्रिम बुद्धिमत्ता-आधारित पूर्वानुमान
मूल शीर्षक: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
वर्तमान लिवर कैंसर (HCC) निगरानी दिशानिर्देश मुख्य रूप से सिरोसिस या वायरल हेपेटाइटिस वाले लोगों को लक्षित करते हैं। शोधकर्ताओं ने वायरल हेपेटाइटिस के बिना लोगों में HCC के जोखिम का पूर्वानुमान लगाने के लिए एक AI मॉडल बनाया, जिसमें स्वास्थ्य जांच करवाने वाले लगभग 7.96 million दक्षिण कोरियाई वयस्कों के डेटा का उपयोग किया गया। तुलना किए गए बारह मॉडलों में MHA_DNN ने सबसे अच्छा प्रदर्शन किया और एक स्वतंत्र सत्यापन समूह में भी सटीकता स्थिर बनाए रखी। फैटी लिवर इंडेक्स और ट्राइग्लिसराइड्स सबसे प्रभावशाली पूर्वसूचक थे, जो चयापचय-आधारित वैयक्तिकृत निगरानी के समर्थन का संकेत देते हैं।
हाइब्रिड अटेंशन और व्याख्यात्मक AI (explainable AI) का उपयोग करके रेटिना फंडस इमेज से स्वास्थ्य स्थिति के स्वचालित पूर्वानुमान के लिए एक मल्टी-टास्क डीप लर्निंग फ्रेमवर्क
मूल शीर्षक: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
रेटिना फंडस इमेज के लिए मौजूदा डीप लर्निंग मॉडल केवल एक ही कार्य संभालते हैं, सीमित व्याख्यात्मकता प्रदान करते हैं और अलग-अलग डेटासेट में भिन्नता के साथ संघर्ष करते हैं। लेखकों ने एक मल्टी-टास्क नेटवर्क प्रस्तावित किया है, जो एक ही इमेज से एक ही फॉरवर्ड पास में डायबिटिक रेटिनोपैथी की गंभीरता, ग्लूकोमा, AMD चरण और हृदय-संवहनी जोखिम को वर्गीकृत करता है, साथ में Grad-CAM व्याख्याएँ भी देता है। इसने चार डेटासेट में 94.7% सटीकता और AUC 0.978 हासिल किया, सांख्यिकीय रूप से सभी सिंगल-टास्क मॉडलों से बेहतर प्रदर्शन किया, और ज़ीरो-शॉट क्रॉस-डेटासेट मूल्यांकन में कम से कम 0.951 का AUC प्राप्त किया।
बुद्धिमान मानसिक स्वास्थ्य निदान के लिए ऑटोमेटा-मशीन लर्निंग एकीकृत ढाँचा
मूल शीर्षक: An automata-machine learning integrated framework for intelligent mental health diagnostics
छात्रों में अवसाद अक्सर गंभीर होने तक पता नहीं चलता, इसलिए शुरुआती पूर्वानुमान की आवश्यकता है। लेखकों ने फ़ाइनाइट ऑटोमेटा-आधारित व्यवहार मॉडलिंग को मशीन लर्निंग के साथ जोड़ा, छात्रों की भावनात्मक स्थितियों से विशेषताएँ तैयार कीं और अनावश्यक विशेषताओं को मिला दिया। रैंडम फ़ॉरेस्ट और KStar के एनसेम्बल का उपयोग करने पर, रैंडम फ़ॉरेस्ट के 82.02% आधारभूत सटीकता से बढ़कर ऑटोमेटा-आधारित विशेषताओं के साथ सटीकता 96.88% हो गई। लेखकों का कहना है कि यह दृष्टिकोण विशेषताओं को व्याख्या योग्य और अनुरेखणीय बनाए रखता है।
बड़े भाषा मॉडल का उपयोग करके भरोसेमंद बड़े पैमाने की क्लिनिकल जानकारी निष्कर्षण के लिए बहु-चरणीय सत्यापन ढाँचा
मूल शीर्षक: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
क्लिनिकल सूचना निष्कर्षण के लिए बड़े भाषा मॉडलों को मान्य करने में आमतौर पर महंगे मैन्युअल एनोटेशन की आवश्यकता होती है। लेखकों ने एक बहु-चरणीय फ्रेमवर्क प्रस्तावित किया, जो नियम-आधारित फ़िल्टरिंग, सिमेंटिक ग्राउंडिंग, जज-LLM मूल्यांकन, विशेषज्ञ समीक्षा और पूर्वानुमान वैधता विश्लेषण को जोड़ता है। 919,783 क्लिनिकल नोट्स में मादक द्रव्य उपयोग विकार के निदानों पर लागू करने पर, इसने LLM द्वारा सकारात्मक बताए गए निष्कर्षणों में से 14.59% को असमर्थित या अविश्वसनीय मानकर हटा दिया। प्राथमिक LLM ने जज मूल्यांकनों के विरुद्ध 0.80 का F1 स्कोर प्राप्त किया, और उसके द्वारा निकाले गए निदानों ने संरचित-डेटा बेसलाइन की तुलना में बाद की विशेषज्ञ देखभाल में भागीदारी का बेहतर पूर्वानुमान लगाया।
छोटे परीक्षण में AI ने चेहरे और जीभ की तस्वीरों से कोरोनरी हृदय रोग का पता लगाया
मूल शीर्षक: AI detects coronary heart disease from face and tongue photos in small test
चीन के एक नए अध्ययन में चेहरे और जीभ की तस्वीरों पर एक AI प्रणाली को प्रशिक्षित किया गया ताकि वह कोरोनरी हृदय रोग (CHD) का पता लगा सके। एक छोटे परीक्षण में, प्रणाली ने CHD से पीड़ित हर मरीज़ की सही पहचान की।
कृत्रिम बुद्धिमत्ता और डिजिटल ऑस्कल्टेशन का उपयोग करके बांग्लादेश में श्वसन रोगों से पीड़ित बच्चों में असामान्य फेफड़ों की ध्वनियों की पहचान
मूल शीर्षक: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
बचपन की बीमारियों के एकीकृत प्रबंधन (IMCI) दिशानिर्देशों में निमोनिया के लिए संवेदनशीलता अधिक लेकिन विशिष्टता कम होती है। बांग्लादेश में स्वास्थ्यकर्मियों ने निमोनिया के संदिग्ध पाँच वर्ष से कम आयु के बच्चों की फेफड़ों की ध्वनियाँ डिजिटल स्टेथोस्कोप से रिकॉर्ड कीं, और एक AI एल्गोरिदम की तुलना बाल रोग विशेषज्ञों के पैनल से की गई। AI ने कुल मिलाकर 61.8% संवेदनशीलता और 60.7% विशिष्टता के साथ असामान्य ध्वनियों का पता लगाया, और IMCI के तहत निमोनिया के मामलों में 63.5% और 66.8%। लेखक इसे मध्यम प्रदर्शन बताते हैं, जिसमें अव्याख्येय रिकॉर्डिंग के वर्गीकरण में सुधार की आवश्यकता है।
फ़ाउंडेशन मॉडल का उपयोग करके सर्जिकल रिसेक्शन मार्जिन की स्वचालित लेबलिंग
मूल शीर्षक: Autonomous labeling of surgical resection margins using a foundation model
पैथोलॉजी में सर्जिकल रिसेक्शन मार्जिन का आकलन मैन्युअल इंकिंग की त्रुटियों, ऊतक की विकृति और कॉटरी से हुए नुकसान से प्रभावित होता है। लेखकों ने एक वर्चुअल इंकिंग नेटवर्क विकसित किया है, जो एक फ्रोज़न फ़ाउंडेशन मॉडल और एक छोटे क्लासिफ़ायर का उपयोग करके बिना भौतिक स्याही के संपूर्ण-स्लाइड इमेज पर मार्जिन को मैप करता है। अनदेखे ऊतक ब्लॉकों की 20 स्लाइडों पर इसने क्षेत्र-स्तर पर लगभग 73.3% सटीकता हासिल की और ऐसे ओवरले बनाए जो गुणात्मक रूप से विशेषज्ञों के एनोटेशन से मेल खाते थे। ये परिणाम प्रूफ़-ऑफ़-कॉन्सेप्ट हैं और इन्हें बड़े क्लिनिकल समूहों में सत्यापित करने की आवश्यकता है।
कृत्रिम बुद्धिमत्ता-सक्षम मानव ब्राउन फ़ैट का क्लिनिकल फ़ेनोटाइपिंग
मूल शीर्षक: Artificial intelligence-enabled clinical phenotyping of human brown fat
मनुष्यों में ब्राउन एडिपोज़ टिशू (BAT) की गतिविधि को बड़े पैमाने पर मापने के तरीकों का अभाव रहा है। एक बड़े कैंसर केंद्र के 101,243 रोगियों के डेटा का उपयोग करके लेखकों ने मशीन लर्निंग से लगभग 8,700 रोगियों में BAT गतिविधि को अर्ध-स्वचालित रूप से मापा। अधिक BAT गतिविधि, विशेषकर एक्सिलरी डिपो में, हृदय-चयापचय रोग की कम संभावना और श्वेत वसा के स्वस्थ वितरण से जुड़ी पाई गई।
बहुविध मेडिकल छवि पुनर्स्थापन और संवर्धन के लिए एक ऑल-इन-वन फ़ाउंडेशन मॉडल
मूल शीर्षक: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound एक फ़ाउंडेशन मॉडल है जो CT, MRI, PET, एंडोस्कोपी, अल्ट्रासाउंड, फंडस और X-ray सहित सात मोडैलिटी में शोर, गति-आर्टिफ़ैक्ट, कम कंट्रास्ट या कम-डोज़ अधिग्रहण से खराब हुई मेडिकल छवियों को पुनर्स्थापित और बेहतर बनाता है। 3.76 मिलियन युग्मित छवियों पर प्रशिक्षित इस मॉडल ने छवि गुणवत्ता मेट्रिक्स, चिकित्सक मूल्यांकन और मज़बूती परीक्षणों में 38 कार्य-विशिष्ट और सामान्य बेसलाइन से बेहतर प्रदर्शन किया। बेहतर की गई छवियों ने नॉन-स्मॉल-सेल फेफड़ों के कैंसर में 44 रोग पहचान कार्यों, ट्यूमर चरण पूर्वानुमान और उत्तरजीविता जोखिम स्तरीकरण को भी बेहतर बनाया।
नींद में छिपे संकेत भविष्य के स्वास्थ्य का पूर्वानुमान लगा सकते हैं
मूल शीर्षक: Hidden signals in sleep can predict future health
AI टूल एक ही रात की नींद से ऐसे शारीरिक पैटर्न निकाल सकते हैं जिन्हें पारंपरिक नींद मापदंड नहीं पकड़ पाते, और ये पैटर्न बीमारी और मृत्यु से जुड़े हैं। Nature Communications और Nature Medicine में प्रकाशित दो हालिया शोधपत्र बताते हैं कि नींद के आँकड़ों में स्वास्थ्य संबंधी जानकारी उससे कहीं अधिक है जितनी चिकित्सक और शोधकर्ता वर्तमान में निकालते हैं। बढ़ते प्रमाण यह भी संकेत देते हैं कि बीमारी का निदान होने से पहले ही नींद में बदलाव दिखाई दे सकते हैं।
सिलिया द्वारा संचालित कण परिवहन का मशीन लर्निंग विश्लेषण प्राथमिक सिलियरी डिस्किनेसिया को सामान्य सिलिया से अलग पहचानता है
मूल शीर्षक: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
प्राइमरी सिलियरी डिस्किनेसिया (PCD) एक आनुवंशिक स्थिति है जिसमें सिलिया की गति असामान्य होती है, और इसका निदान अब भी चुनौतीपूर्ण है। लेखकों ने CiliaTracks विकसित किया, जो एक मशीन लर्निंग फ्रेमवर्क है और हाई-स्पीड माइक्रोस्कोपी से रिकॉर्ड की गई, संवर्धित वायुमार्ग कोशिकाओं पर कण परिवहन का विश्लेषण करता है। क्लासिकल मशीन लर्निंग मॉडलों और एक कन्वolूशनल न्यूरल नेटवर्क ने 14 PCD रोगियों और 10 स्वस्थ दाताओं की रिकॉर्डिंग को 95-97% सटीकता से वर्गीकृत किया।
पार्टिकल स्वार्म ऑप्टिमाइज़्ड हिस्टोग्राम इक्वलाइज़ेशन और VGG19 आधारित U-Net का उपयोग करके ब्रेन ट्यूमर सेगमेंटेशन
मूल शीर्षक: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
MRI में ब्रेन ट्यूमर का सेगमेंटेशन धीमा और त्रुटि-प्रवण होता है और ऑपरेटर के पूर्वाग्रह से प्रभावित होता है, और डीप लर्निंग मॉडल में अक्सर व्याख्यात्मकता की कमी होती है। लेखकों ने SPOHE-VGGNet प्रस्तावित किया है, जो MRI कंट्रास्ट बढ़ाने के लिए एक संशोधित U-Net को VGG-19 और पार्टिकल स्वार्म ऑप्टिमाइज़्ड हिस्टोग्राम इक्वलाइज़ेशन के साथ जोड़ता है। इसने Figshare डेटासेट पर Dice स्कोर 0.9522 (मेनिन्जियोमा), 0.9428 (ग्लियोमा) और 0.9518 (पिट्यूटरी ट्यूमर) तथा BraTS 2021 पर संपूर्ण-ट्यूमर सेगमेंटेशन के लिए 0.9463 हासिल किया, हालाँकि लेखकों का कहना है कि क्लिनिकल उपयोग से पहले बाहरी, वॉल्यूमेट्रिक और चिकित्सक-केंद्रित सत्यापन अभी भी आवश्यक है।
वैश्विक सार्वजनिक स्वास्थ्य के लिए Earth AI के ग्रहीय भू-स्थानिक फ़ाउंडेशन मॉडल की संभावनाओं को खोलना
मूल शीर्षक: Unlocking Earth AI’s planetary geospatial foundation models for global public health
सार्वजनिक स्वास्थ्य संबंधी निर्णय अक्सर रिपोर्टिंग में देरी, अलग-थलग पड़े डेटा और विरल डेटा के कारण धीमे हो जाते हैं। Google का Population Dynamics Foundation Model (PDFM) गोपनीयता-संरक्षित सर्च ट्रेंड, मानव गतिशीलता, निर्मित-पर्यावरण घनत्व और पर्यावरणीय कारकों को स्थान एम्बेडिंग में संपीड़ित करता है। इन एम्बेडिंग को कार्य-विशिष्ट फाइन-ट्यूनिंग के बिना मौजूदा महामारी विज्ञान मॉडलों में जोड़ा जा सकता है, और पाँच साझेदार केस स्टडी प्रस्तुत की गईं।
2D मल्टी-व्यू इकोकार्डियोग्राफी का उपयोग करके हाइपरट्रॉफिक कार्डियोमायोपैथी को कार्डियक एमाइलॉइडोसिस से अलग करने के लिए डीप लर्निंग-आधारित पाइपलाइन
मूल शीर्षक: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
हाइपरट्रॉफिक कार्डियोमायोपैथी (HCM) और कार्डियक एमाइलॉयडोसिस (CA) इकोकार्डियोग्राफी में एक जैसे दिखते हैं, जिससे इन्हें अलग पहचानना कठिन होता है। इस अध्ययन में एक डीप-लर्निंग फ्रेमवर्क विकसित किया गया, जो 2D इको छवियों को पाँच नैदानिक रूप से प्रासंगिक व्यूज़ में वर्गीकृत करता है, प्रत्येक व्यू से फीचर निकालता है और उन्हें जोड़ता है। 212 HCM, 119 CA और 200 नियंत्रण रोगियों पर पाँच-गुना क्रॉस-वैलिडेशन में इसने 0.83 की प्रिसीज़न, 0.81 की संवेदनशीलता, 0.89 की विशिष्टता और 0.82 का माइक्रो-F1 हासिल किया, और लेखक इसे एक विश्वसनीय निदान उपकरण बताते हैं।
नया फ़ॉर्मूलेशन RNA टीकों को उच्च तापमान सहने में मदद करता है
मूल शीर्षक: New formulation helps RNA vaccines withstand high temperatures
RNA टीकों को आमतौर पर अत्यंत कम तापमान पर भंडारण की आवश्यकता होती है, इसलिए MIT के शोधकर्ताओं ने mRNA टीके पहुँचाने वाले लिपिड नैनोकणों के आसपास के फॉर्मूलेशन में बदलाव के लिए एक AI एल्गोरिदम का उपयोग किया। एल्गोरिदम ने इष्टतम फॉर्मूलेशन का पूर्वानुमान लगाया, जिससे आवश्यक प्रयोगों की संख्या घटी और विकास तेज़ हुआ। परिणामस्वरूप बने टीके कमरे के तापमान पर एक साल तक या लगभग 100°F पर दो महीने तक स्थिर रहे, और चूहों में एक Covid-19 टीके ने Moderna जैसे RNA टीके जितनी ही मज़बूत प्रतिरक्षा प्रतिक्रिया उत्पन्न की।
पाठ से आत्महत्या के जोखिम का आकलन
मूल शीर्षक: Estimating suicide risk from text
आत्महत्या का उच्च जोखिम वाले लोगों की पहचान करना मानसिक स्वास्थ्य संकट के दौरान काउंसलरों की प्राथमिकता होती है। MIT के McGovern Institute के शोधकर्ताओं ने एक भाषा-प्रसंस्करण उपकरण विकसित किया, जो किसी व्यक्ति के जोखिम का अनुमान लगाने के लिए पाठ में आत्महत्या के 49 जोखिम कारकों से जुड़े शब्दों और वाक्यांशों को खोजता है। संकट काउंसलरों के साथ टेक्स्ट बातचीत में इस उपकरण ने आत्महत्या के जोखिम का सटीक अनुमान लगाया, और अधिक सत्यापन के साथ यह नैदानिक और संकट-सहायता सेटिंग्स में जोखिम आकलन में सहायक हो सकता है।