હેલ્થ:ટ્યુમરને શોધવા માટે AI કેવી રીતે કામ કરે છે, રિસર્ચમાં ખુલાસો થયો

24 દિવસ પહેલા
  • કૉપી લિંક

ટિશ્યુ પિક્ચરમાં ટ્યુમર છે કે નહીં તે જાણવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI)ને તાલીમ આપી શકાય છે. જો કે, હમણાં સુધી તે પોતાનો નિર્ણય કેવી રીતે લે છે તે એક રહસ્ય રહ્યું છે. રુહર-યુનિવર્સિટી બોચમના રિસર્ચ સેન્ટર ફોર પ્રોટીન ડાયગ્નોસ્ટિક્સ (PRODI)ની એક ટીમ એક નવા અભિગમ પર કામ કરી રહી છે કે, જે AIના નિર્ણયને સ્પષ્ટ અને વિશ્વસનીય બનાવશે. પ્રોફેસર એક્સેલ મોસિગની આગેવાની હેઠળના સંશોધનકારોએ મેડિકલ ઇમેજ એનાલિસિસ જર્નલમાં આ અભિગમનું વર્ણન કર્યું છે.

આ અભ્યાસ માટે બાયોઇન્ફોર્મેટિક્સ વૈજ્ઞાનિક એક્સેલ મોસિગે ઇન્સ્ટિટ્યૂટ ઓફ પેથોલોજીના વડા પ્રોફેસર એન્ડ્રિયા તન્નાપ્ફેલ, રુહર-યુનિવર્સિટીની સેન્ટ જોસેફ હોસ્પિટલના ઓન્કોલોજિસ્ટ પ્રોફેસર એન્કે રેનાચર-સ્વિક અને બાયોફિઝિકિસ્ટ અને PRODIના સ્થાપક ડિરેક્ટર પ્રોફેસર ક્લાઉસ ગેર્વાર્ટને સહકાર આપ્યો હતો. આ ગૃપે ન્યુરલ નેટવર્ક વિકસાવ્યું હતું એટલે કે AI કે, જે પેશીના નમૂનામાં ગાંઠ છે કે નહીં તે જણાવી શકે છે. આ માટે તેણે AI સિસ્ટમમાં મોટી સંખ્યામાં માઇક્રોસ્કોપિક પેશીની ફોટોસ અપલોડ કરવામાં આવી હતી, જેમાંથી અમુક પેશીઓમાં ગાંઠો હતી અને અમુકમાં ગાંઠ ન હતી.

એક્સેલ મોસીગ જણાવે છે કે, ‘ન્યુરલ નેટવર્ક્સ શરૂઆતમાં એક પ્રકારનું બ્લેક બોક્સ છે: નેટવર્ક કઈ સુવિધાઓની ઓળખ કરે છે તે અસ્પષ્ટ છે, તે ઈનપુટ ડેટામાંથી તાલીમ લઈને શીખે છે.’ જો કે, માનવ નિષ્ણાતોની જેમ તે તેમના નિર્ણયોને સમજાવવાની ક્ષમતા ધરાવતા નથી. બાયોઇન્ફોર્મેટિક્સ વૈજ્ઞાનિક ડેવિડ શુહમાકર કે, જેમણે આ અભ્યાસમાં સહયોગ આપ્યો હતો તે કહે છે, ‘જો કે, ખાસ કરીને તબીબી એપ્લિકેશનો માટે તે મહત્વનું છે કે, AI સમજૂતી આપવા માટે સક્ષમ છે અને વિશ્વસનીય છે.’

AI એ ખોટી રીતે વ્યાખ્યાયિત કરી શકાય તેવી પૂર્વધારણા પર આધારિત છે
બોચમ ટીમ સમજાવે છે કે, AI વિજ્ઞાન માટે જાણીતા અમુક પ્રકારના અર્થપૂર્ણ નિવેદનો અને ખોટી પૂર્વધારણાઓ પર આધારિત છે. જો કોઈ પૂર્વધારણા ખોટી હોય તો આ હકીકતને પ્રયોગ દ્વારા જોવી આવશ્યક છે. કૃત્રિમ બુદ્ધિ સામાન્ય રીતે તર્કના સિદ્ધાંતને અનુસરે છે એટલે કે ડેટાનો ઉપયોગ કરીને, AI એક સામાન્ય મોડેલ બનાવે છે, જેના આધારે તે તમામ આગળના નિરીક્ષણોનું મૂલ્યાંકન કરે છે.

તત્ત્વજ્ઞાની ડેવિડ હ્યુમે 250 વર્ષ પહેલાં આ સમસ્યાનું વર્ણન કર્યું હતું અને તેને સહેલાઈથી સમજાવી શકાય છે જેમ કે, આપણે ગમે તેટલા શ્વેત હંસ જોઈએ તો પણ આ માહિતી પરથી આપણે કદી એવું તારણ કાઢી શકીએ તેમ નથી કે તમામ હંસ સફેદ છે અને કોઈપણ પ્રકારના કાળા હંસનું અસ્તિત્વ નથી. તેથી વિજ્ઞાન સંભવિત તાર્કિક તર્કનો ઉપયોગ કરે છે. આ અભિગમમાં એક સામાન્ય પૂર્વધારણા એ પ્રારંભિક બિંદુ છે. ઉદાહરણ તરીકે, જ્યારે કાળો હંસ જોવા મળે છે ત્યારે તમામ હંસ સફેદ હોય છે તેવી ધારણા ખોટી પડે છે.

એક્ટિવેશન મેપ બતાવે છે કે, ગાંઠ ક્યા મળી આવી છે?
એક ભૌતિકશાસ્ત્રી સ્ટેફની શોર્નર કહે છે, ‘પહેલી દૃષ્ટિએ AI અને તાર્કિક વૈજ્ઞાનિક પદ્ધતિ એકસાથે મેચ થતા નથી એવુ લાગે છે.’ જેમણે આ જ રીતે આ અભ્યાસમાં ફાળો આપ્યો હતો. પરંતુ સંશોધકોએ એક રસ્તો શોધી કાઢ્યો. તેમનું નોવેલ ન્યુરલ નેટવર્ક માત્ર કઈ પેશી ગાંઠ ધરાવે છે અને કઈ નહી તે જ નથી દેખાડતું, પરંતુ તે માઇક્રોસ્કોપિક પેશીની ઇમેજનો એક્ટિવેશન મેપ પણ બનાવે છે.

એક્ટિવેશન મેપ એ ખોટી પૂર્વધારણા પર આધારિત છે એટલે આ પૂર્વધારણાને ચકાસવા માટે એક વિશેષ મેથડનો ઉપયોગ કરી શકાય છે. એક્સેલ મોસીગ કહે છે કે, ‘PRODI ખાતેના આંતરશાખાકીય માળખાને કારણે ભવિષ્યમાં વિશ્વસનીય બાયોમાર્કર AIના વિકાસમાં પૂર્વધારણા-આધારિત અભિગમને સમાવિષ્ટ કરવા માટે અમારી પાસે શ્રેષ્ઠ સંસાધનો છે, જે ચોક્કસ ઉપચાર-સંબંધિત ગાંઠના પેટાપ્રકારો વચ્ચેનો તફાવત પારખવા માટે સક્ષમ હશે.’