কি হয়েছে
মিনেসোটা বিশ্ববিদ্যালয়ের নেতৃত্বে একটি গবেষণা দল দেখিয়েছে যে একটি হাইব্রিড ওপেন-সোর্স অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) পাইপলাইন স্ক্যান করা Oncotype DX স্তন ক্যান্সারের রিপোর্ট থেকে সঠিকভাবে জিনোমিক রিকারেন্স স্কোর বের করতে পারে। ক্যান্সারের কারণ ও নিয়ন্ত্রণে প্রকাশিত গবেষণাটি 675টি রিপোর্ট প্রক্রিয়া করতে Tesseract এবং EasyOCR ইঞ্জিনের সংমিশ্রণ ব্যবহার করেছে, ম্যানুয়াল মানব বিমূর্তকরণের সাথে 97% চুক্তির হার অর্জন করেছে। স্বয়ংক্রিয় সিস্টেমটি ঐতিহ্যগত ম্যানুয়াল রেজিস্ট্রি এন্ট্রির গতিকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে, যা প্রায়শই 12 থেকে 18 মাসের বিলম্বের সম্মুখীন হয়।
Qianyun Luo এবং Schelomo Marmor সহ গবেষণা দল, ক্যান্সার রেজিস্ট্রিতে বিলম্বিততা দূর করার জন্য একটি 'হাইব্রিড OCR' (H-OCR) পাইপলাইন তৈরি করেছে। জিনোমিক পরীক্ষার ফলাফল, যেমন Oncotype DX পুনরাবৃত্তি স্কোর, প্রায়শই ইলেকট্রনিক হেলথ রেকর্ডে (EHRs) মেশিন-পাঠযোগ্য ডেটার পরিবর্তে অসংগঠিত স্ক্যান করা ছবি হিসাবে সংরক্ষণ করা হয়, যার জন্য ম্যানুয়াল ট্রান্সক্রিপশন প্রয়োজন।
H-OCR পাইপলাইনটি তার গভীর-শিক্ষা-ভিত্তিক পাঠ্য সনাক্তকরণের জন্য EasyOCR এবং অক্ষর স্বীকৃতির জন্য একটি ফলব্যাক ইঞ্জিন হিসাবে Tesseract ব্যবহার করে। এই হাইব্রিড পদ্ধতিটি Tesseract এর গতি এবং চরিত্র শনাক্তকরণ ক্ষমতা ব্যবহার করার সময় রিপোর্টে বৃত্তাকার টীকাগুলি স্থানীয়করণ করার জন্য EasyOCR এর ক্ষমতার সুবিধার জন্য ডিজাইন করা হয়েছিল।
675টি প্রতিবেদনের একটি বৈধতা সেটে, H-OCR পাইপলাইন ম্যানুয়াল রেফারেন্স মানগুলির সাথে 97% চুক্তি অর্জন করেছে, যা প্রচলিত রেজিস্ট্রি বিমূর্ততার 91% নির্ভুলতার হারকে ছাড়িয়ে গেছে। স্বয়ংক্রিয় প্রক্রিয়াটি প্রায় 4.9 ঘন্টার মধ্যে কাজটি সম্পন্ন করে, বর্তমান ম্যানুয়াল ওয়ার্কফ্লোগুলির জন্য মাসব্যাপী বিলম্বের তুলনায়।
গবেষণায় দেখা গেছে যে পাইপলাইনের আত্মবিশ্বাসের স্কোরগুলি সম্ভাব্য ত্রুটিগুলিকে কার্যকরভাবে চিহ্নিত করেছে, পরামর্শ দেয় যে ভবিষ্যতের বাস্তবায়নগুলি এই স্কোরগুলিকে মানব পর্যালোচনার জন্য অনিশ্চিত নিষ্কাশনগুলিকে পতাকাঙ্কিত করতে ব্যবহার করতে পারে, যার ফলে চিকিত্সাগতভাবে উল্লেখযোগ্য ভুল শ্রেণিবিন্যাসের ঝুঁকি হ্রাস করা হয়।
কেন এটা গুরুত্বপূর্ণ
জিনোমিক ডেটার জন্য ম্যানুয়াল ট্রান্সক্রিপশনের উপর বর্তমান নির্ভরতা ক্যান্সার গবেষণা এবং নির্ভুল অনকোলজিতে একটি উল্লেখযোগ্য বাধা তৈরি করে। অসংগঠিত পিডিএফ থেকে স্ট্রাকচার্ড ডেটার নিষ্কাশনকে স্বয়ংক্রিয়ভাবে, এই ওপেন-সোর্স পদ্ধতিটি স্বাস্থ্য সিস্টেমগুলিকে প্রায় রিয়েল-টাইমে ক্যান্সার রেজিস্ট্রিগুলি পূরণ করতে দেয়। এই পরিবর্তনটি বাস্তব-বিশ্বের প্রমাণের গুণমান উন্নত করার জন্য, দ্রুত তুলনামূলক কার্যকারিতা গবেষণাকে সক্ষম করার জন্য এবং অনকোলজিতে ভবিষ্যতের এআই মডেলগুলিকে প্রশিক্ষণের জন্য প্রয়োজনীয় কাঠামোগত ডেটা প্রদানের জন্য গুরুত্বপূর্ণ। যেহেতু সরঞ্জামগুলি ওপেন-সোর্স এবং HIPAA-সঙ্গী পরিবেশের মধ্যে কাজ করতে পারে, তাই এই পদ্ধতিটি মালিকানা সফ্টওয়্যার ছাড়াই তাদের ডেটা অবকাঠামো আধুনিকীকরণের জন্য সংস্থান-সংক্রান্ত সংস্থাগুলির জন্য একটি কম খরচে, পুনরুত্পাদনযোগ্য সমাধান সরবরাহ করে।
নির্ভুল অনকোলজি এবং গুণমান পরিমাপের জন্য জিনোমিক বায়োমার্কারগুলি অপরিহার্য, তবুও তাদের উপযোগিতা বর্তমানে গবেষণা ডাটাবেসে উপলব্ধ করার সময় দ্বারা সীমিত। এই বিলম্বতা হ্রাস করা আরও সময়োপযোগী প্রমাণ তৈরির অনুমতি দেয়।
Tesseract এবং EasyOCR-এর মতো ওপেন-সোর্স টুলগুলির ব্যবহার নিশ্চিত করে যে সমাধানটি ছোট বা সংস্থান-সংক্রান্ত ক্যান্সার কেন্দ্রগুলিতে অ্যাক্সেসযোগ্য যেখানে ব্যয়বহুল, মালিকানাধীন মেডিকেল ডেটা নিষ্কাশন সফ্টওয়্যারের জন্য বাজেটের অভাব থাকতে পারে।
গবেষণায় দেখা গেছে যে এই স্বয়ংক্রিয় ক্যাপচারের সুবিধাগুলি বিভিন্ন রোগীর জনসংখ্যা জুড়ে ব্যাপকভাবে প্রযোজ্য, কারণ গবেষকরা দেখেছেন যে রোগীর জনসংখ্যা এবং ক্লিনিকাল কারণগুলি নিষ্কাশন ত্রুটিগুলি উল্লেখযোগ্যভাবে পূর্বাভাস দেয়নি।
অসংগঠিত বাইনারি অবজেক্টকে স্ট্রাকচার্ড ডেটাতে রূপান্তর করে, এই পাইপলাইনটি অনকোলজি স্পেসে ভবিষ্যতের এআই এবং মেশিন লার্নিং মডেলকে প্রশিক্ষণ এবং পরিমার্জন করার জন্য প্রয়োজনীয় উচ্চ-মানের, অনুদৈর্ঘ্য ডেটা সরবরাহ করে।
ইন্টারেক্টিভ মেকানিজম: এটা আসলে কিভাবে কাজ করে
এই বিকাশের পিছনে অন্তর্নিহিত প্রযুক্তিটি ইন্টারেক্টিভভাবে অন্বেষণ করুন।
Which component of an AI application is the machine-learning model itself?
পরবর্তী কি দেখতে
ভবিষ্যত গবেষণার জন্য প্রমিত অনকোটাইপ ডিএক্স ফর্ম্যাটের বাইরে এই পাইপলাইনের স্কেলেবিলিটি মোকাবেলা করতে হবে। লেখকরা উল্লেখ করেছেন যে সোমাটিক পরবর্তী প্রজন্মের সিকোয়েন্সিং রিপোর্ট, যা বিক্রেতাদের মধ্যে বৃহত্তর ভিন্নতা প্রদর্শন করে, স্বয়ংক্রিয় নিষ্কাশনের জন্য আরও জটিল চ্যালেঞ্জ উপস্থাপন করে। অতিরিক্তভাবে, যখন অধ্যয়নটি একটি পূর্ববর্তী ডেটাসেটের বিরুদ্ধে পাইপলাইনকে বৈধ করেছে, তখন বাস্তব-বিশ্ব, উচ্চ-ভলিউম সেটিংসে এর নির্ভরযোগ্যতা নিশ্চিত করার জন্য লাইভ ক্লিনিকাল রেজিস্ট্রি ওয়ার্কফ্লোগুলির মধ্যে সম্ভাব্য পরীক্ষার প্রয়োজন।
গবেষকরা সুস্পষ্টভাবে আরও ভিন্নধর্মী নথির প্রকারের পাইপলাইন পরীক্ষা করার প্রয়োজনীয়তা চিহ্নিত করেছেন, যেমন সোম্যাটিক পরবর্তী প্রজন্মের সিকোয়েন্সিং রিপোর্ট, যা বিক্রেতা এবং বিন্যাসের দ্বারা উল্লেখযোগ্যভাবে পরিবর্তিত হয়।
গবেষণাটি একটি একক স্বাস্থ্য ব্যবস্থায় পরিচালিত হয়েছিল; স্ক্যানের গুণমান, ফ্যাক্স রেজোলিউশন এবং বিভিন্ন EHR কনফিগারেশনের বৈচিত্রের বিপরীতে এটি শক্তিশালী থাকে তা নিশ্চিত করার জন্য ভবিষ্যতের কাজের জন্য একাধিক প্রতিষ্ঠান জুড়ে পাইপলাইনের কর্মক্ষমতা মূল্যায়ন করতে হবে।
লাইভ রেজিস্ট্রি ওয়ার্কফ্লোতে সম্ভাব্য একীকরণ হল রিয়েল-টাইমে ইনকামিং ক্লিনিকাল ডেটা প্রক্রিয়া করার সময় সিস্টেমটি তার নির্ভুলতা এবং দক্ষতা বজায় রাখে কিনা তা নির্ধারণ করার জন্য পরবর্তী যৌক্তিক পদক্ষেপ।