व्यवसाय बातम्या | Yandex द्वारे ओपन-सोर्स एआय टूल 90% पेक्षा जास्त अचूकतेसह शिशु सेरेब्रल पाल्सीची चिन्हे शोधते

NNP

मुंबई (महाराष्ट्र) [India]16 ऑक्टोबर: Yandex B2B Tech ने Yandex School of Data Analysis आणि सेंट पीटर्सबर्ग स्टेट पेडियाट्रिक मेडिकल युनिव्हर्सिटी सोबत मिळून 12 महिन्यांपेक्षा कमी वयाच्या बालकांच्या मेंदूच्या विकासाचे मूल्यांकन करण्यासाठी जगातील पहिले AI उपाय विकसित केले आहे. न्यूरल नेटवर्क एमआरआय विश्लेषण स्वयंचलित करते, प्रक्रियेचा वेळ कित्येक दिवसांपासून फक्त मिनिटांपर्यंत कमी करते.

तसेच वाचा | टोकोफोबिया म्हणजे काय? जगभरातील लाखो स्त्रियांना प्रभावित करणाऱ्या गर्भधारणा आणि बाळंतपणाच्या अत्यंत भीतीबद्दल जाणून घेण्यासाठी सर्वकाही.

प्रस्तावित उपाय एमआरआय स्कॅनचे विश्लेषण करते आणि 90% पेक्षा जास्त अचूकतेसह राखाडी आणि पांढर्या मेंदूतील फरक ओळखू शकतो. दिवसांपासून मिनिटांपर्यंत मूल्यमापनाच्या वेळेत कपात केल्याने, सेरेब्रल पाल्सी आणि इतर मध्यवर्ती मज्जासंस्थेचे विकार असलेल्या लहान मुलांसाठी पूर्वीचे शोध आणि अधिक प्रभावी पुनर्वसन नियोजन सक्षम करते.

संशयित सेरेब्रल पाल्सी आणि इतर मध्यवर्ती मज्जासंस्थेच्या विकारांसाठी निर्णय-समर्थन साधन म्हणून डिझाइन केलेले, हे डॉक्टरांना प्रभावी पुनर्वसन धोरण निर्धारित करण्यात मदत करते.

तसेच वाचा | PVL 2025: चेन्नई ब्लिट्झने त्यांची प्राइम व्हॉलीबॉल लीग मोहीम जिवंत ठेवण्यासाठी अहमदाबादच्या बचावपटूंचा पाच सेटच्या थ्रिलरमध्ये पराभव केला.

हे GitHub वर विनामूल्य उपलब्ध आहे आणि भारतीय आरोग्य सेवा आणि क्लिनिकल संशोधन संस्थांद्वारे वापरले जाऊ शकते.

सेरेब्रल पाल्सीचे ग्लोबल चॅलेंज सेरेब्रल पाल्सी हे भारतातील बालपणातील अपंगत्वाचे प्रमुख कारण आहे. हे जागतिक अंदाजानुसार, प्रत्येक 1000 जिवंत जन्मांपैकी 2-3 वर परिणाम करते.

परिणाम सुधारण्यासाठी आणि प्रभावी पुनर्वसन सुनिश्चित करण्यासाठी लवकर निदान महत्त्वपूर्ण आहे. तरीही आयुष्याच्या पहिल्या 12 महिन्यांत सेरेब्रल पाल्सी शोधणे हे आधुनिक वैद्यकशास्त्रातील सर्वात कठीण काम आहे. अर्भकाचा मेंदू विलक्षण वेगाने विकसित होतो आणि राखाडी आणि पांढऱ्या पदार्थामधील कमी फरकामुळे – सेरेब्रल कॉर्टेक्स तयार करणाऱ्या आणि मेंदूच्या उच्च कार्यांना समर्थन देणाऱ्या ऊतींमुळे पारंपारिक MRI स्कॅनचा अर्थ लावणे कठीण आहे.

एमआरआय चाचणी प्रक्रियेस सामान्यत: 20-40 मिनिटे लागतात, परंतु प्रतिमांचा अर्थ लावण्यासाठी आणि अहवाल तयार करण्यासाठी अनुभवी रेडिओलॉजिस्टला कित्येक तासांपासून अनेक दिवसांपर्यंत कुठेही लागू शकतो. अनुदैर्ध्य निरीक्षणासाठी, वर्कलोड आणि टर्नअराउंड वेळा मोठ्या प्रमाणात वाढतात कारण डॉक्टरांना मोठ्या प्रमाणात फॉलो-अप स्कॅनचे पुनरावलोकन करण्याची आवश्यकता असू शकते.

न्यूरल नेटवर्कसह आव्हान सोडवणे संशोधकांनी याआधी अनेकदा मशीन लर्निंग स्पर्धांद्वारे या आव्हानाला तोंड देण्यासाठी कृत्रिम बुद्धिमत्तेचा शोध लावला आहे. एक उल्लेखनीय उदाहरण म्हणजे 2019 MICCAI ग्रँड चॅलेंज, ज्याने iSeg-2019 डेटासेट वापरून सहा महिन्यांपर्यंतच्या लहान मुलांच्या मेंदूचे MRI स्कॅन विभागण्यासाठी सहभागींना आमंत्रित केले.

स्पर्धेने जगभरातील विकसकांना आकर्षित केले परंतु एक मोठा अडथळा देखील उघड केला: भाष्य केलेल्या डेटाचा अभाव. विशेषतः, विभागणी मुखवटे — राखाडी आणि पांढऱ्या पदार्थाची रूपरेषा जे क्लिनिकल वापरासाठी AI मॉडेल्सना प्रशिक्षण देण्यासाठी आवश्यक आहे — दुर्मिळ होते. iSeg-2019 डेटासेटमध्ये केवळ 15 भाष्य केलेल्या प्रतिमांचा समावेश होता, तर विद्यापीठाच्या संग्रहणात 1500 रूग्णांचे MRI स्कॅन कोणत्याही भाष्याशिवाय होते.

हे अंतर भरून काढण्यासाठी, Yandex संशोधकांनी नवीन भाष्ये तयार करण्यासाठी, एक समर्पित न्यूरल नेटवर्क आर्किटेक्चर डिझाइन करण्यासाठी आणि मशीन लर्निंग प्रयोगांची मालिका चालवण्यासाठी वैद्यकीय तज्ञांसह सहयोग केले. परिणामी मॉडेलने अंतर्गत मूल्यमापन डेटावर लहान मुलांच्या मेंदूतील राखाडी आणि पांढरे पदार्थ वेगळे करण्यात 90% पेक्षा जास्त अचूकता प्राप्त केली, त्याच्या नैदानिक ​​वापराची क्षमता दर्शविली.

“यांडेक्स क्लाउड सेंटर फॉर टेक्नॉलॉजीज अँड सोसायटीच्या प्रमुख अण्णा लेम्याकिना यांनी सांगितले की, “डॉक्टरांसाठी सर्वात प्रगत Yandex तंत्रज्ञान उपलब्ध करून देणे, त्यांना अचूक आणि वेळेवर निदान करण्यात मदत करणे, इष्टतम उपचार निवडणे आणि नवीन औषधे विकसित करणे हे आमचे ध्येय आहे.” “अनेक व्यावसायिक रेडिओलॉजी सोल्यूशन्स अस्तित्वात असले तरी, नवजात बालकांच्या MRI स्कॅनचे विश्लेषण करण्याचे काम यापूर्वी कोणीही केले नव्हते. या प्रकल्पाचे मुख्य आव्हान मर्यादित डेटासेट होते. वैद्यकीय तज्ञांच्या जवळच्या सहकार्याने, आम्ही एक साधन तयार केले जे रेडिओलॉजिस्टला त्याच वेळेत अधिक रुग्णांची तपासणी करण्यास सक्षम करते आणि जेथे सर्वात जास्त आवश्यक आहे तेथे थेरपीची शिफारस करू शकते.”

व्यावहारिक फायदे आणि फायदे कारण कोड मुक्त-स्रोत आणि वापरण्यासाठी विनामूल्य आहे, उपाय भारतीय वैद्यकीय संस्थांद्वारे स्वीकारला जाऊ शकतो, ज्यामुळे सेरेब्रल पाल्सी निदानाची जागतिक सराव पुढे जाण्यास मदत होईल. हे साधन क्लिनिकल वर्कफ्लोमध्ये समाकलित करणे हे करू शकते:

– अचूकता आणि वस्तुनिष्ठता सुधारा. 90% पेक्षा जास्त अचूकतेसह, मॉडेल अर्भकाच्या मेंदूतील राखाडी आणि पांढऱ्या पदार्थाचे गुणोत्तर हायलाइट करते आणि त्याचे प्रमाण ठरवते.

– निदानाला गती द्या. एमआरआय विश्लेषण दिवसांपासून मिनिटांपर्यंत कमी केले जाते, जे वेळेवर थेरपीसाठी महत्त्वपूर्ण आहे आणि विशेषत: अनुदैर्ध्य निरीक्षणासाठी मौल्यवान आहे, जेथे शेकडो किंवा हजारो स्कॅनचे पुनरावलोकन आवश्यक असू शकते.

– क्लिनिकल थ्रूपुट वाढवा. स्वयंचलित रूटीन स्कॅन विभागणी रेडिओलॉजिस्टना जटिल प्रकरणांवर आणि थेट रुग्णांच्या काळजीवर लक्ष केंद्रित करण्यास अनुमती देते.

हे साधन सहाय्यक म्हणून देखील कार्य करू शकते, जे लहान मुलांच्या मेंदूच्या स्कॅनचा अर्थ लावण्यासाठी कमी-अनुभवी तज्ञांना समर्थन देते, ज्याचे विश्लेषण करणे सहसा कठीण असते.

उपलब्धता

न्यूरल नेटवर्क कोड GitHub वर उपलब्ध आहे आणि विद्यमान वैद्यकीय IT प्रणालींमध्ये समाकलित केला जाऊ शकतो.

(जाहिरातविषयक अस्वीकरण: वरील प्रेस रिलीझ PNN द्वारे प्रदान केले गेले आहे. त्यामधील सामग्रीसाठी ANI कोणत्याही प्रकारे जबाबदार राहणार नाही.)

(वरील कथा एएनआयच्या कर्मचाऱ्यांनी सत्यापित आणि लिहिली आहे, एएनआय ही भारत, दक्षिण आशिया आणि जगभरातील 100 हून अधिक ब्युरोसह दक्षिण आशियातील आघाडीची मल्टीमीडिया न्यूज एजन्सी आहे. ANI भारत आणि जगभरातील राजकारण आणि चालू घडामोडी, क्रीडा, आरोग्य, फिटनेस, मनोरंजन आणि बातम्यांवरील ताज्या बातम्या आणते. वरील मते नवीनतम पोस्टमध्ये दिसत नाहीत.