भीड़ से संचालित एआई चुनौती मैमोग्राम विश्लेषण में सुधार के लिए समाप्त होती है

मैमोग्राम महिलाओं के स्वास्थ्य और स्तन कैंसर के शुरुआती संकेतों को पकड़ने के लिए महत्वपूर्ण हैं। हालांकि, मैमोग्राम को मानव विशेषज्ञों द्वारा व्याख्या करने की आवश्यकता है, और यहां तक कि उच्च प्रशिक्षित विशेषज्ञ भी गलतियां करते हैं। यह अनुमान लगाया गया है कि मैमोग्राम की झूठी सकारात्मक दर संयुक्त राज्य अमेरिका में लगभग 10% है। मैमोग्राम के अधिक सटीक पढ़ने वाले सिस्टम बनाने के लिए, डिजिटल मैमोग्राफी (डीएम) ड्रीम चैलेंज ने हाल ही में मैमोग्राम रीडिंग एल्गोरिदम विकसित करने के लिए एक भीड़ से संचालित प्रयास किया है

जैसा कि फिजिक्सवर्ल्ड रिपोर्ट करता है, कंप्यूटर विजन तकनीक और गहरे शिक्षण एल्गोरिदम पिछले कुछ वर्षों में अधिक परिष्कृत हो गए हैं, शोधकर्ता और इंजीनियर मैमोग्राम की व्याख्या करने के लिए एआई का उपयोग करने की ओर बढ़ रहे हैं, सटीकता बढ़ाने के उद्देश्य से। डिजिटल मैमोग्राफी (डीएम) ड्रीम चैलेंज ने स्तन कैंसर के संभावित संकेतों को पहचानने के लिए एआई एल्गोरिदम के उपयोग की जांच के लिए एक प्रतियोगिता शुरू की है

डीएम ड्रीम चैलेंज मैमोग्राफी व्याख्या के संबंध में गहरे शिक्षण एल्गोरिदम का अब तक का सबसे बड़ा अध्ययन है। ड्रीम चैलेंज के अध्यक्ष जस्टिन गिनी ने समझाया कि चुनौतियों का कारण यह है कि यह कई गहरे शिक्षण मॉडलों के एक संरचित मूल्यांकन की अनुमति देता है, जो दो अलग-अलग डेटाबेस पर हैं। चुनौती में भाग लेने वालों को एल्गोरिदम डिजाइन करने की आवश्यकता थी जो मैमोग्राफी डेटा पर प्रशिक्षित किया जा सकता था और एक संभावना स्कोर का उत्पादन कर सकता था कि एक रोगी को एक वर्ष के भीतर स्तन कैंसर का निदान किया जाएगा। एक द्वितीयक चुनौती स्थिति भी थी। दूसरे कार्य में, एल्गोरिदम को अतिरिक्त जानकारी जैसे जनसांख्यिकी जोखिम डेटा, नैदानिक डेटा और पिछले स्क्रीनिंग परीक्षाओं से एकत्रित छवियों पर प्रशिक्षित किया जा सकता था

मॉडल को प्रशिक्षित करने के लिए दो डेटासेट का उपयोग किया गया था। पहला डेटासेट कैसर परमानेंट वाशिंगटन (केपीडब्ल्यू) डेटासेट था, जिसे अमेरिकी शोधकर्ताओं द्वारा इकट्ठा किया गया था। इसके बीच, एक दूसरा डेटासेट स्वीडिश शोधकर्ताओं द्वारा करोलिंस्का संस्थान (केआई) में इकट्ठा किया गया था

चुनौती में 1100 से अधिक प्रतिभागियों ने भाग लिया, जो 126 अलग-अलग टीमों में विभाजित थे और दुनिया भर के लोगों से बने थे। चुनौती के पहले भाग के दौरान, मॉडल को केपीडब्ल्यू डेटा सेट का उपयोग करके प्रशिक्षित किया गया था, जिसमें 140,000 से अधिक स्क्रीनिंग परीक्षाओं की छवियां शामिल थीं। जब दूसरी चुनौती के परिणामों की तुलना की गई, तो पाया गया कि नैदानिक डेटा जैसी अधिक विशेषताओं तक पहुंच से एल्गोरिदम की विभेदक शक्ति में कोई अर्थपूर्ण सुधार नहीं हुआ। हालांकि, डीएम ड्रीम टीम ने सुझाव दिया कि भविष्य के एल्गोरिदम विकास में रोगियों के लिए पिछली छवियों का विश्लेषण शामिल किया जाना चाहिए, यह कहते हुए कि प्रतिभागियों ने डेटा का पूरी तरह से उपयोग नहीं किया होगा

स्वास्थ्य आईटी विश्लेषण के अनुसार, डीआर ड्रीम टीम चाहती है कि शीर्ष आठ प्रदर्शन करने वाली टीमें एक संयुक्त वर्गीकरण मॉडल डिजाइन करने के लिए सहयोग करें, यह देखने के लिए कि क्या यह मॉडल व्यक्तिगत मॉडल को बेहतर प्रदर्शन कर सकता है। चुनौती समन्वयकों ने तब विभिन्न एल्गोरिदम के पूर्वानुमानों के एक भारित समामेलन का उपयोग किया, चैलेंज एन्सेम्बल मॉडल (सीईएम) बनाया। सीईएम मॉडल के संभाव्य पूर्वानुमानों की तुलना विशिष्टता का उपयोग करके रेडियोलॉजिस्टों की व्याख्याओं से की गई। रेडियोलॉजिस्टों ने 90.5% विशिष्टता हासिल की, जबकि सीईएम मॉडल ने केवल 76.1% विशिष्टता हासिल की। जबकि परिणाम निराशाजनक लगते हैं, जब सीईएम मॉडल और रेडियोलॉजिस्ट व्याख्या के अनुमानों को एक अन्य मॉडल (सीईएम+आर) में एकत्रित किया गया, तो विशिष्टता 92% तक सुधर गई

तुलनात्मक परिणाम केआई परीक्षण डेटासेट पर प्राप्त किए गए, जो कि मॉडल को मान्य करने के लिए विशेष रूप से उपयोग किया जाता था, जिसमें 166,000 से अधिक परीक्षाओं की छवियां थीं। सीईएम मॉडल रेडियोलॉजिस्टों (92.5% विशिष्टता की तुलना में 96.7% विशिष्टता) की तुलना में थोड़ा हीन था, लेकिन सीईएम+आर बेहतर परिणाम प्राप्त किए (98.5% विशिष्टता)

जबकि व्यक्तिगत मॉडलों में से कोई भी मानव विशेषज्ञों को बेहतर प्रदर्शन नहीं कर सका, सीईएम+आर मॉडल ने रेडियोलॉजिस्टों की व्याख्या की तुलना में एक छोटा सा लाभ देखा। यह संभव हो सकता है कि मानव अंतर्ज्ञान को एआई सहायक के साथ मिलाने से सटीकता में सुधार हो सकता है