மருத்துவத்தில் கண் பார்வை பெற்ற புதிய AI (Explainable Medical AI)

மருத்துவமனையின் கதிரியக்கப் பிரிவில் உள்ள மங்கலான வெளிச்சம் கொண்ட அறையை ஒரு கணம் கற்பனை செய்து பாருங்கள். மேசையின் மீது வரிசையாக வைக்கப்பட்டிருக்கும் பெரிய திரைகளில் ஒரு நோயாளியின் உடலை குறுக்குவெட்டாகப் படம் பிடித்த ஆயிரக்கணக்கான 3D CT ஸ்கேன் துண்டுகள் மின்னி மறைகின்றன. நுரையீரல், கல்லீரல், கணையம் என ஒவ்வொரு உறுப்பின் நுண் அடுக்குகளையும் மிக உன்னிப்பாக உற்றுநோக்கிக் கொண்டிருக்கிறார் மூத்த கதிரியக்க நிபுணர். வெறும் இரண்டு மில்லிமீட்டர் அளவே உள்ள ஒரு நுண்ணிய திசு மாறுபாட்டைக் கூட அவர் தவறவிட்டுவிடக் கூடாது. ஏனெனில், அது ஒரு மனிதரின் வாழ்க்கையையும் மரணத்தையும் தீர்மானிக்கும் கொடிய புற்றுநோயின் தொடக்கப் புள்ளியாக இருக்கலாம். ஒவ்வொரு நாளும் நூற்றுக்கணக்கான நோயாளிகளின் ஸ்கேன் படங்களை இப்படிப் பரிசோதிக்கும் மருத்துவர்களின் கண்கள் சோர்வடைவதும், மிக அரிதான சில சந்தர்ப்பங்களில் நுண்ணிய மாற்றங்கள் மனிதக் கண்களுக்குத் தப்பிவிடுவதும் மருத்துவ உலகம் எதிர்கொள்ளும் தவிர்க்க முடியாத சவாலாகும்.

இத்தகைய இடங்களில்தான் நவீன செயற்கை நுண்ணறிவுத் தொழில்நுட்பம் ஒரு புரட்சிகரமான வரப்பிரசாதமாகப் பார்க்கப்படுகிறது ^[1]. நொடிப்பொழுதில் பல்லாயிரக்கணக்கான ஸ்கேன் படங்களை அலசி ஆராய்ந்து நோயை அடையாளம் காணும் திறன் கணினி வழி நரம்பியல் வலைப்பின்னல்களுக்கு உண்டு. ஆயினும், இதுவரை மருத்துவத் துறையில் பயன்படுத்தப்பட்ட பெரும்பாலான கணினி மாதிரிகளுக்கு ஒரு மிகப்பெரிய பலவீனம் இருந்தது. அவை ஒரு நோயாளிக்குக் குறிப்பிட்ட நோய் இருப்பதை அல்லது இல்லாததை மட்டுமே மொட்டையாகக் கூறி வந்தன. ஆனால், எந்தக் காரணத்திற்காக அத்தகைய முடிவுக்கு வந்தது, உடலின் எந்தப் பகுதியில் உள்ள திசு அமைப்பை வைத்து அது தீர்ப்பளித்தது என்ற அடிப்படைக் காரணத்தை விளக்கும் திறன் அவற்றுக்கு இருக்கவில்லை. மருத்துவ அறிவியலில் காரணத்தை அறியாமல் காரியத்தை நம்புவது பேராபத்தை விளைவிக்கும்.

ஒரு கணினி வெறும் சதவீத எண்களை மட்டும் திரையில் காட்டிவிட்டு அமைதியாகிவிட்டால், எந்த ஒரு மூத்த மருத்துவராலும் தன் நோயாளியின் உடலை அறுவை சிகிச்சைக்காகத் திறந்து பார்க்கத் துணிய முடியாது. நாள்பட்ட வளர்சிதை மாற்றப் பிரச்னையான இன்சுலின் எதிர்ப்பு (Insulin Resistance) மற்றும் செல்கள் அளவில் நிகழும் நீண்டகால மாற்றங்களை எவ்வாறு மருத்துவர்கள் ஆதாரங்களோடு அணுகுகிறார்களோ, அதே போன்ற அறிவியல் தெளிவு இங்கும் தேவைப்படுகிறது. ஏனெனில் இங்கு பணயம் வைக்கப்படுவது ஒரு கணினி விளையாட்டின் வெற்றி தோல்வி அல்ல; ஒரு மனிதரின் வாழ்நாள் மூச்சு. தொழில்நுட்பத்தின் வளர்ச்சி எவ்வளவுதான் வியக்கத்தக்கதாக இருந்தாலும், மனித உயிரைக் கையாளும் துறையில் கண்மூடித்தனமான நம்பிக்கைக்கு துளி அளவும் இடமில்லை. இந்த இடைவெளியை நிரப்பவே உலகெங்கிலும் உள்ள மருத்துவ விஞ்ஞானிகள் பல ஆண்டுகளாகப் போராடி வந்தனர்.

இப்போது இந்த நீண்டகாலப் புதிருக்கு மருத்துவ வரலாற்றிலேயே முதன்முறையாக மிக நேர்த்தியான ஒரு முற்றுப்புள்ளி வைக்கப்பட்டுள்ளது ^[1]. அமெரிக்காவின் உலகப் புகழ்பெற்ற ஹார்வர்ட் மருத்துவப் பள்ளி மற்றும் ஸ்டான்போர்ட் பல்கலைக்கழக ஆய்வாளர்கள் இணைந்து, நேச்சர் மெடிசின் (Nature Medicine) சர்வதேச மருத்துவ ஆய்விதழில் ஒரு புதிய மைல்கல் சாதனையை வெளியிட்டுள்ளனர். அவர்கள் உருவாக்கியுள்ள EVLF-FM (Explainable Vision-Language Foundation Model) என்ற புதிய மல்டிமாடல் அடித்தள மாடல், நோயாளியின் ஸ்கேன் படங்களை வாசிப்பது மட்டுமல்லாமல், தன் கண்ணோட்டத்தில் தென்படும் ஒவ்வொரு சந்தேகத்திற்குரிய திசுவையும் வண்ணப் புள்ளிகளால் குறித்துக் காட்டி, மருத்துவர்களுக்குத் தெளிவான காரண விளக்கங்களை எழுத்துப்பூர்வமாகவும் படப்பூர்வமாகவும் முன்வைக்கிறது. இந்த மகத்தான அறிவியல் திருப்புமுனையின் முழுமையான உள்ளடக்கத்தை இங்கு ஆழமாகப் பார்ப்போம்.

மருத்துவத் துறையில் செயற்கை நுண்ணறிவின் கருப்புப் பெட்டி புதிர் (Black Box AI Dilemma)

செயற்கை நுண்ணறிவுத் துறையில் பல ஆண்டுகளாக நிலவி வரும் மிகவும் சிக்கலான சவால் பிளாக் பாக்ஸ் (Black Box) என்று அழைக்கப்படும் உள் செயல்முறைத் தெளிவின்மையாகும் ^[2]. ஆழமான கற்றல் நெறிமுறைகள் (Deep Learning Algorithms) பில்லியன் கணக்கான எண்களையும் கணிதக் கூறுகளையும் தங்களுக்குள் பரிமாறிக்கொண்டு ஒரு முடிவை உருவாக்குகின்றன. உதாரணமாக, ஒரு நோயாளியின் மார்பக எக்ஸ்-ரே படத்தை ஒரு கணினியிடம் கொடுத்துப் பரிசோதித்தால், அது சில மைக்ரோ விநாடிகளில் “இந்த நோயாளிக்கு நிமோனியா காய்ச்சல் வர 92% வாய்ப்புள்ளது” என்று முடிவை அறிவித்துவிடும். ஆனால், அந்த அறிகுறியை அது நுரையீரலின் வலது பக்கக் காற்றில்லாத இடைவெளியில் கண்டதா அல்லது இடது பக்கக் கீழ் விளிம்பில் பார்த்ததா என்பதை அந்த மென்பொருளால் விளக்க முடிவதில்லை.

இத்தகைய நிலை மருத்துவத் துறையில் மிகுந்த அச்சத்தையும் சந்தேகத்தையும் ஏற்படுத்தி வந்தது. ஒரு நோயாளிக்குத் தவறான நோய் இருப்பதாகக் கணினி கணித்துவிட்டால், அதனால் அவருக்குத் தேவையில்லாத கடுமையான மருந்துகளோ அல்லது ஆபத்தான அறுவை சிகிச்சையோ பரிந்துரைக்கப்படலாம். அதைவிடக் கொடுமையாக, உண்மையான கட்டியை விட்டுவிட்டு நோயாளியின் ஆடை பட்டன் அல்லது எக்ஸ்-ரே கருவியின் உலோகப் பகுதியைக் கூட கணினி தவறாகப் புற்றுநோய் என்று நினைத்து முடிவெடுத்த விசித்திரமான நிகழ்வுகள் முந்தைய ஆராய்ச்சிகளில் பதிவாகியுள்ளன. மருத்துவர்கள் தங்களின் நோயாளிகளுக்குச் சிகிச்சை அளிக்கும் போது வெறும் புள்ளியியல் சதவீதங்களை மட்டும் நம்பி முடிவெடுக்க முடியாது. அவர்களுக்குத் தேவையானதெல்லாம் காரணமும் ஆதாரமும் மட்டுமே.

இதன் பின்னணியில் உள்ள உளவியல் ரீதியான தடையையும் நாம் புரிந்து கொள்ள வேண்டும். ஒரு மருத்துவப் பேராசிரியர் தன் மாணவர்களுக்குக் கதிரியக்கப் படங்களை விளக்கும் போது, “இதோ பார், இந்த இடத்தில் திசுவின் அடர்த்தி சுற்றியுள்ள பகுதிகளை விட அதிகமாக இருக்கிறது, இதன் விளிம்புகள் சீரற்று முட்களைப் போல் நீண்டுள்ளன, அதனால் தான் இது வீரியமிக்க புற்றுநோய் கட்டியாக இருக்க வாய்ப்புள்ளது” என்று உடற்கூறியல் காரணங்களை அடுக்குகிறார். ஆனால் முந்தைய தலைமுறை AI மாதிரிகளிடம் இத்தகைய உடற்கூறு சிந்தனைத் தர்க்கம் துளியும் இருக்கவில்லை. அவை வெறும் பிக்சல் எண்களின் தொடர்புகளை மட்டுமே மேலோட்டமாகப் பார்த்தன.

மனித உடலின் கொழுப்புச் செல்களில் சேமிக்கப்படும் உடலின் எபிஜெனெடிக் நினைவாற்றல் (Epigenetic Memory) போன்று திசுக்களின் நுண்ணிய உயிரியல் மாற்றங்கள் வரலாற்றுப் பதிவுகளாக உடலில் தொடர்கின்றன. அத்தகைய நுணுக்கமான உடற்கூறியல் தடயங்களை வெறும் எண்களாக மட்டுமே கணினி மாடல்கள் கடந்து செல்ல முடியாது. இதனால் தான் உலகெங்கிலும் உள்ள தலைமை மருத்துவமனைகளும் மருந்து கட்டுப்பாட்டு நிறுவனங்களும் செயற்கை நுண்ணறிவு மென்பொருள்களை முழுமையான மருத்துவப் பயன்பாட்டிற்கு அனுமதிக்கத் தயங்கி வந்தன. “எனக்கு முடிவு மட்டும் போதாது, அந்த முடிவை நீ எவ்வாறு அடைந்தாய் என்பதற்கான படிநிலைகளை என் கண்முன்னே நிரூபித்துக் காட்டு” என்பதே ஒவ்வொரு நேர்மையான மருத்துவரின் அடிப்படை விதியாக இருந்து வருகிறது. சட்டரீதியாகவும் கூட, தவறான ஒரு சிகிச்சைக்குப் பின்னால் இருக்கும் இயந்திரத்தின் தவறுகளுக்கு யார் பொறுப்பேற்பது என்ற பெருங்குழப்பம் நீடித்து வந்தது.

இந்தக் கடுமையான தேவையை முழுமையாகப் பூர்த்தி செய்ய வேண்டிய கட்டாயத்தில் இருந்துதான் விளக்கமளிக்கக்கூடிய செயற்கை நுண்ணறிவு (Explainable Artificial Intelligence) என்ற புதிய துறை அசுர வளர்ச்சி பெறத் தொடங்கியது. ஒரு மின் மூளை மாதிரி தான் எடுக்கும் முடிவுகளுக்கு மனித மொழியில் நியாயமான காரணங்களை அடுக்க வேண்டும், சுட்டிக்காட்ட வேண்டும் என்ற சர்வதேச மருத்துவ நெறிமுறைகளின் தொடக்கப் புள்ளியாக இந்த ஆராய்ச்சி அமைந்தது.

மல்டிமாடல் பவுண்டேஷன் மாடல் என்றால் என்ன? (Multimodal Vision-Language Architecture)

EVLF-FM தொழில்நுட்பத்தின் அசாத்திய வலிமையைப் புரிந்து கொள்ள வேண்டுமென்றால், மல்டிமாடல் அடித்தள மாதிரி (Multimodal Foundation Model) என்றால் என்ன என்பதை நாம் தெளிவாக அறிந்து கொள்ள வேண்டும் ^[2]. இதுவரை நாம் பார்த்த சாதாரண கணினி பார்வைக் கருவிகள் (Computer Vision) படங்களை மட்டுமே பகுப்பாய்வு செய்யும். அதேபோல் சாட்ஜிபிடி போன்ற மொழி மாதிரிகள் உரைத் தகவல்களை மட்டுமே வாசித்து பதிலளிக்கும். ஆனால், நிஜ உலக மருத்துவமனைச் சூழலில் ஒரு மருத்துவர் வெறும் படத்தை மட்டுமோ அல்லது வெறும் இரத்தப் பரிசோதனை அறிக்கையை மட்டுமோ பார்த்து நோயைக் கண்டறிவதில்லை. அவர் இரண்டு வெவ்வேறு உலகங்களையும் ஒன்றாக இணைத்துப் பார்க்கிறார்.

நோயாளிக்கு கடந்த ஒரு மாதமாக இருமல் உள்ளதா, சளி வருகிறதா, அவர் புகைபிடிக்கும் பழக்கம் கொண்டவரா போன்ற நோயாளி வரலாற்றுத் தகவல்களையும், இரத்தத்தில் வெள்ளை அணுக்களின் அளவு உயர்ந்துள்ளதா போன்ற ஆய்வகக் குறிப்புகளையும், கதிரியக்க ஸ்கேன் படங்களின் காட்சி அமைப்பையும் ஒரே நேரத்தில் மூளையில் தொகுத்து முடிவெடுப்பதே மருத்துவ அறிவின் சாராம்சமாகும். EVLF-FM மாடல் அச்சு அசல் இதே மனித மூளையின் ஒருங்கிணைந்த வழிமுறையைத் தன்னுள் கட்டமைத்துள்ளது. இது முப்பரிமாண CT ஸ்கேன்கள், எம்.ஆர்.ஐ (MRI) படங்கள், நோயாளியின் முந்தைய மருத்துவக் கோப்புகள் மற்றும் மருத்துவர்களின் கைக்குறிப்புகள் ஆகிய அனைத்தையும் ஒரே நேரத்தில் உள்ளீடாகப் பெற்றுப் பகுப்பாய்வு செய்கிறது.

இதற்காக இரண்டு பிரம்மாண்டமான நரம்பியல் தூண்களை இந்த அமைப்பு பயன்படுத்துகிறது. ஒன்று, முப்பரிமாண காட்சித் தகவல்களைச் சிதைக்காமல் உள்வாங்கும் 3D Vision Transformer கட்டமைப்பு. மற்றொன்று, மருத்துவ கலைச்சொற்களையும் நோயாளிக் குறிப்புகளையும் ஆழமாகப் புரிந்துகொள்ளும் பெரிய மருத்துவ மொழி மாதிரி (Medical Large Language Model). இந்த இரண்டு தூண்களும் தங்களுக்குள் தொடர்ந்து மின்சமிக்ஞைகளை உரையாடிக் கொண்டு, நோயாளியின் உடற்கூறியல் மாற்றங்களை மருத்துவச் சொற்களோடு தடையின்றிப் பொருத்துகின்றன.

வழக்கமான படப் பகுப்பாய்வுக் கருவிகள் இருபரிமாண தட்டையான புகைப்படங்களை மட்டுமே ஆராயும் திறன் கொண்டவை. ஆனால் மனித உடல் என்பது முப்பரிமாணக் கட்டமைப்பு கொண்டது. ஒரு கட்டியானது உறுப்பின் ஆழத்தில் எந்த திசையில் விரிவடைகிறது, பக்கத்து இரத்த நாளங்களை அது எந்தக் கோணத்தில் தொடுகிறது என்பதை அறிய முப்பரிமாண வாக்ஸல் (Voxel) அளவிலான பார்வை அத்தியாவசியமானது. EVLF-FM மாடல் ஒவ்வொரு முப்பரிமாண ஸ்கேனிலும் உள்ள கோடிக்கணக்கான வாக்ஸல்களை ஒரே நேரத்தில் தன் நினைவகத்தில் நிறுத்தி, அவற்றின் விண்வெளி தொடர்புகளை (Spatial Relationships) கணக்கிடுகிறது.

இதன் மூலம் மருத்துவத் தரவுகள் வெறும் தனித்தனித் துண்டுகளாக இல்லாமல், ஒரு முழுமையான நாவலின் பக்கங்களைப் போல தங்களுக்குள் ஒன்றுடன் ஒன்று கோர்க்கப்படுகின்றன. இரத்தப் பரிசோதனையில் தெரிந்த ஒரு சின்ன புரத ஏற்றமும், எம்.ஆர்.ஐ ஸ்கேனில் தெரிந்த ஒரு மங்கலான நிழலும் இந்த மாடலின் மூளையில் ஒரே புள்ளியில் சங்கமிக்கும் போது, மனித மருத்துவர்களால் கூட உடனடியாகக் கணிக்க முடியாத நோயின் ஆரம்ப நிலைகள் மிகத் துல்லியமாக வெளிச்சத்திற்கு வருகின்றன.

ஸ்கேன் படங்களை மருத்துவர் போல வாசிக்கும் விந்தை (Pixel-Level Cross-Attention)

ஒரு கதிரியக்கப் படத்தில் உள்ள பல்லாயிரக்கணக்கான நுண்ணிய பிக்சல்களில் எந்தப் புள்ளி நோயை உணர்த்துகிறது என்பதை இந்த மாதிரி எப்படிக் கண்டறிகிறது? இங்குதான் கிராஸ்-அட்டென்ஷன் (Cross-Attention Mechanism) என்ற அதிநவீன வழிமுறை வியப்பூட்டும் மாயாஜாலத்தைச் செய்கிறது ^[1]. ஒரு மனித மருத்துவர் நோயாளியின் குறிப்பில் “வலது மார்பில் வலி” என்று வாசித்தவுடன், எக்ஸ்-ரே படத்தில் அவரது பார்வை தானாகவே வலது பக்க நுரையீரலை நோக்கித் திரும்பும் அல்லவா? அதே போன்ற ஒரு கவனக் குவிப்பை இந்த மின் மூளை அல்காரிதம் மேற்கொள்கிறது.

நோயாளியின் மருத்துவக் குறிப்பில் உள்ள ஒவ்வொரு சொல்லையும் ஸ்கேன் படத்தின் முப்பரிமாண பிக்சல் தொகுதிகளோடு இது குறுக்கு விசாரணை செய்கிறது. உதாரணத்திற்கு, “கல்லீரலில் சீரற்ற விளிம்புகளுடன் கூடிய திசு பெருக்கம்” என்ற சொற்றொடரை மொழி மாதிரி அடையாளம் கண்டால், விசன் டிரான்ஸ்பார்மர் உடனே கல்லீரல் பகுதியின் விளிம்புப் பிக்சல்களைப் பெரிதாக்கித் தனது கவனத்தை அங்கு செலுத்துகிறது. இதன் மூலம் சாதாரண ஆரோக்கியமான திசுக்களை விடுத்து, நோய்க்கிருமிகள் அல்லது கட்டி செல்கள் மையம் கொண்டுள்ள பகுதியை மட்டுமே அது துல்லியமாக வட்டமிட்டுக் காட்டுகிறது.

மேலும், இந்த மாதிரி உருவாக்கும் விளக்க வரைபடங்கள் (Attention Heatmaps) மிக அலாதியானவை. சந்தேகத்திற்குரிய பகுதியில் சிவப்பும், மிதமான ஆபத்து உள்ள இடங்களில் ஆரஞ்சும், ஆரோக்கியமான இடங்களில் நீலமும் என வண்ணக் குறியீடுகளுடன் கூடிய வெப்ப வரைபடத்தை மருத்துவத் திரையில் அது நொடியில் வரைந்து விடுகிறது. மருத்துவர் தன் சுட்டியை அந்த சிவப்புப் புள்ளியின் மீது வைத்தால், “இந்த இடத்தில் செல்லுலார் அடர்த்தி 34% உயர்ந்துள்ளது, மேலும் சுற்றியுள்ள இரத்த நாளங்களில் ஊடுருவல் காணப்படுகிறது” என்று விரிவான கதிரியக்கக் குறிப்பையும் அது திரையில் காட்டுகிறது.

இந்த கவனக் குவிப்பு செயல்முறை வெறும் மேலோட்டமான தோற்றப் பொருத்தம் மட்டுமல்ல. இது இயற்பியல் அடர்த்தி அளவீடுகளான ஹவுன்ஸ்ஃபீல்ட் அலகுகளைக் (Hounsfield Units) கணக்கில் கொள்கிறது. ஒரு திரவப் பையின் அடர்த்திக்கும், திடமான தசைக்கட்டியின் அடர்த்திக்கும், கொழுப்புத் திரட்சியின் அடர்த்திக்கும் இடையே உள்ள மிக நுட்பமான மாறுபாடுகளை இது தானாகவே பிரித்தறிந்து விடுகிறது. இதனால் நீர்க்கட்டிகளையும் புற்றுநோய்க் கட்டிகளையும் ஒன்றுடன் ஒன்று குழப்பிக் கொள்ளும் மனிதக் கண்கள் செய்யும் தவறுகள் இங்கு முற்றிலுமாகத் தவிர்க்கப்படுகின்றன.

இதன் விளைவாக, ஒரு கதிரியக்க நிபுணர் ஒரு ஸ்கேன் படத்தைப் பார்த்து முடிவெடுக்க எடுத்துக் கொள்ளும் வழக்கமான பத்து நிமிட நேரமானது வெறும் முப்பது விநாடிகளாகக் குறைகிறது. கம்ப்யூட்டர் ஏற்கனவே எல்லா சாத்தியக் கூறுகளையும் பிக்சல் மட்டத்தில் ஆய்வு செய்து சிவப்பு விளக்கு போட்டு வைத்திருப்பதால், மருத்துவர் நேரடியாக அந்த குறிப்பிட்ட பகுதியை மட்டும் உன்னிப்பாகப் பார்த்துத் தனது இறுதித் தீர்ப்பை வழங்கிவிட முடிகிறது. இது அவசர சிகிச்சைப் பிரிவுகளில் நோயாளிகளின் பொன்னான உயிரைக் காக்கும் ஒரு பெரும் வரப்பிரசாதமாகும்.

14 வகையான புற்றுநோய் கட்டிகளைக் கண்டறியும் மருத்துவப் பரிசோதனை (Clinical Phenotyping)

ஆய்வகச் சூழலில் சிறப்பாக வேலை செய்யும் ஒரு கம்ப்யூட்டர் மாடல், நிஜ மருத்துவமனைகளின் கடுமையான களப் பயன்பாட்டில் தோற்றுப்போவது விஞ்ஞான உலகில் வழக்கமாக நடக்கும் ஒன்று. ஆனால், EVLF-FM குழுவினர் தங்களின் புதிய மாதிரியை உலகின் 12 முன்னணி பல்கலைக்கழக மருத்துவமனைகளில் இருந்து பெறப்பட்ட 1,40,000-க்கும் மேற்பட்ட நிஜ நோயாளிகளின் சிக்கலான முப்பரிமாண ஸ்கேன் தரவுகளைக் கொண்டு கடுமையான சோதனைக்கு உட்படுத்தினர் ^[1]. அமெரிக்கா, ஐரோப்பா மற்றும் ஆசிய நாடுகளைச் சேர்ந்த பல்வேறு இன மக்களின் உடற்கூறு தரவுகள் இதில் உள்ளடங்கி இருந்தன.

குறிப்பாக, மருத்துவ உலகையே அச்சுறுத்தும் 14 வகையான தீவிர நோய்களைக் கண்டறியும் பரிசோதனைகள் முன்னெடுக்கப்பட்டன. நுரையீரல் புற்றுநோய், கணைய அடினோகார்சினோமா, கல்லீரல் செல் கார்சினோமா, கிளியோபிளாஸ்டோமா மூளைக்கட்டி, பெருங்குடல் புற்றுநோய் மற்றும் சிறுநீரக திசுச் சிதைவு உள்ளிட்ட மிகக் கடினமான மருத்துவ நிலைகள் இதில் அடங்கும். இந்த நோய்கள் பலவும் தொடக்கக் கட்டத்தில் மிகவும் மங்கலான அறிகுறிகளையே காட்டுபவை என்பதால், அனுபவம் வாய்ந்த மருத்துவர்களுக்கே இவற்றைக் கண்டறிவதில் பெரும் சவால் நிலவுவது உண்டு.

பரிசோதனையின் முடிவுகள் சர்வதேச மருத்துவ விஞ்ஞானிகளையே திகைக்க வைத்தன. EVLF-FM மாடல் ஒட்டுமொத்தமாக 94.6% துல்லியத்தன்மையை (Diagnostic Accuracy) பதிவு செய்துள்ளது. ROC-AUC எனப்படும் மருத்துவக் கணிப்புக் குறியீட்டில் இது 0.963 என்ற வரலாற்றுச் சிறப்புமிக்க புள்ளிகளைப் பெற்றது. மேலும் வியக்கத்தக்க விஷயம் என்னவென்றால், 15 ஆண்டுகளுக்கு மேலாகத் துறையில் அனுபவம் வாய்ந்த முதுநிலை கதிரியக்க நிபுணர்களின் சராசரி கண்டறிதல் வேகத்தை விட இது 22 மடங்கு குறைவான நேரத்தில் அதே அளவிலான உயர் துல்லியத்தை வெளிப்படுத்திக் காட்டியது.

கணையப் புற்றுநோய் போன்ற ஆரம்பத்தில் எட்டாத நோய்களில் இந்த மாதிரியின் செயல்பாடு மிக உச்சகட்ட நம்பிக்கையை ஏற்படுத்தியுள்ளது. பொதுவாக கணையக் கட்டிகள் முற்றிய நிலையை அடையும் வரை எந்தவொரு பெரிய அறிகுறியையும் காட்டுவதில்லை. ஆனால் இந்த மாடல் கணையத்தின் மிக மெல்லிய குழாய்களில் ஏற்படும் அரை மில்லிமீட்டர் அளவிலான வீக்கத்தைக் கூட தன் பிக்சல் கவனக் குவிப்பு மூலம் முன்கூட்டியே அடையாளம் கண்டு எச்சரித்தது. தொடக்க நிலையிலேயே கண்டறியப்பட்டதால் பல நோயாளிகளுக்கு அறுவை சிகிச்சை மூலம் கட்டிகளை முழுமையாக அகற்றி உயிரைக் காப்பாற்ற முடிந்தது.

இதேபோல் நுரையீரல் புற்றுநோயைப் பொருத்தவரை, சாதாரண சளித் தடிப்புகளுக்கும் புற்றுநோய் முடிச்சுகளுக்கும் இடையே உள்ள வேறுபாட்டைத் துல்லியமாகப் பிரித்தறிந்து காட்டியது. முந்தைய மென்பொருள்கள் சாதாரண தழும்புகளைக் கூட புற்றுநோய் என்று தவறாகக் கூறி நோயாளிகளைத் தேவையற்ற பயாப்சி பரிசோதனைகளுக்கு ஆளாக்கி வந்தன. ஆனால் EVLF-FM மாடலின் உயர் துல்லிய காரண விளக்கம் அத்தகைய தேவையற்ற ஆக்கிரமிப்புப் பரிசோதனைகளை 42% வரை வெற்றிகரமாகக் குறைத்துள்ளது.

மருத்துவ முடிவுகளுக்குப் பின்னணியில் உள்ள காரண விளக்கம் (Clinical Explainability)

வெறும் நோயைக் கண்டறிவது மட்டுமே இந்த ஆராய்ச்சியின் முதன்மையான நோக்கம் அல்ல ^[3]. இந்த மாதிரியின் உண்மையான பலமே அதன் காரண விளக்கத்திறன் தான். ஒரு நோயாளியின் ஸ்கேன் படத்தை ஆய்வு செய்த பின், இந்த மாதிரி ஒரு முழுமையான மருத்துவ அறிக்கையை மனித மருத்துவர்கள் எழுதும் தொழில்முறை நடையிலேயே தானாக உருவாக்குகிறது. இதில் ஐந்து முக்கிய தூண்கள் அடங்கியுள்ளன: நோயின் இருப்பிடம் (Anatomical Location), கட்டியின் பரிமாணங்கள் (Tumor Dimensions), சுற்றியுள்ள திசுக்களின் அடர்த்தி மாறுபாடு (Tissue Attenuation), இரத்த ஓட்டப் பரவல் (Vascular Involvement), மற்றும் தீவிரத்தன்மையின் நிலை (Staging Classification).

ஆய்வின் போது நடத்தப்பட்ட குருட்டுச் சோதனையில் (Blind Test), 50 மூத்த புற்றுநோய் அறுவை சிகிச்சை நிபுணர்களிடம் இந்த மாடல் உருவாக்கிய அறிக்கைகளும், மனித மருத்துவர்கள் கைப்பட எழுதிய அறிக்கைகளும் கலக்கப்பட்டு வழங்கப்பட்டன ^[3]. ஆச்சரியப்படும் விதமாக, 84% வழக்குகளில் இந்த செயற்கை நுண்ணறிவு தயாரித்த அறிக்கை மனித மருத்துவர்களின் அறிக்கையை விட அதிக விவரங்களுடனும், பிழையற்ற உடற்கூறியல் வழிகாட்டுதலுடனும் இருப்பதாக நிபுணர்கள் ஏகமனதாகத் தீர்ப்பளித்தனர்.

இதன் மூலம் மருத்துவத் துறையில் பல தசாப்தங்களாக இருந்து வந்த சட்ட மற்றும் நெறிமுறைச் சிக்கல்களுக்கு ஒரு தெளிவான விடிவுகாலம் பிறந்துள்ளது. நோயாளிக்கோ அல்லது அவரது குடும்பத்தினருக்கோ சிகிச்சையின் அவசியத்தை விளக்கும் போது, மருத்துவர்கள் இனி வெறும் சொற்களை மட்டும் நம்பியிருக்க வேண்டியதில்லை. இந்த மாடல் தயாரித்துக் கொடுக்கும் வண்ணப் பிக்சல் ஆதாரப் படங்களையும், அதன் காரண விவரிப்புகளையும் நேரடியாக நோயாளிகளிடம் காட்டி, “உங்கள் நுரையீரல் பகுதியில் இதோ இந்த குறிப்பிட்ட 4 மில்லிமீட்டர் இடைவெளியில் புற்றுநோய் செல்கள் வளரத் தொடங்கியுள்ளன, அதனால் தான் இந்த மருந்து உடனடித் தேவை” என்று மிக வெளிப்படையாகத் தெளிவுபடுத்த முடிகிறது.

மேலும், புற்றுநோய் அறுவை சிகிச்சை செய்யும் போது கட்டியின் எல்லைகளைத் துல்லியமாக அறிவது மிக முக்கியமானது. ஆரோக்கியமான செல்களை வெட்டிவிடவும் கூடாது, அதே சமயம் புற்றுநோய் செல்களை உள்ளே விட்டுவிடவும் கூடாது. இந்த மாடல் வழங்கும் முப்பரிமாண எல்லை விளக்க வரைபடங்கள் அறுவை சிகிச்சை நிபுணர்களுக்கு ஒரு துல்லியமான ஜிபிஎஸ் வழிகாட்டி போலச் செயல்படுகின்றன. அறுவை சிகிச்சைக் கூடத்தில் உள்ள திரைகளில் இந்த வரைபடங்கள் நிகழ்நேரத்தில் ஒளிரும் போது, மருத்துவர்கள் மிகுந்த துணிச்சலுடனும் பிழையின்றியும் கட்டிகளை அகற்றி வெற்றி காண்கின்றனர்.

இது நோயாளிகளுக்கு மருத்துவர்கள் மீதும் நவீன மருத்துவத்தின் மீதும் உள்ள நம்பிக்கையைப் பன்மடங்கு உயர்த்துகிறது. மருத்துவமனைகளில் நடக்கும் தவறான சிகிச்சைகள் குறித்த அச்சங்கள் பொதுமக்களிடம் குறைந்து, அறிவியல்பூர்வமான தரவுகளின் அடிப்படையில் எடுக்கப்படும் முடிவுகள் சமுதாயத்தில் பரவலான ஏற்பைப் பெறுகின்றன. ஒரு தொழில்நுட்பம் வெளிப்படைத்தன்மையைக் கையாளும் போதுதான் அது சமுதாய நல்லிணக்கத்தை உருவாக்குகிறது என்பதற்கு இந்த ஆய்வு ஒரு சிறந்த முன்னுதாரணமாகும்.

மருத்துவமனைகளில் மருத்துவர்களுக்குக் கூடுதல் பக்கபலம் (Human-AI Collaborative Care)

தொழில்நுட்ப உலகம் எப்போதும் கேட்கும் ஒரு பொதுவான கேள்வி, “செயற்கை நுண்ணறிவு மருத்துவர்களை முழுமையாக அகற்றிவிடுமா?” என்பதுதான் ^[3]. ஆனால் இந்த ஆய்வின் தலைமை விஞ்ஞானிகள் அதைத் திட்டவட்டமாக மறுக்கிறார்கள். மருத்துவப் பணி என்பது வெறும் எண்களைக் கூட்டுவது கழிப்பது போன்ற இயந்திர வேலை அல்ல; அது ஒரு மனிதரின் வலியை உணர்ந்து, அவரது தனிப்பட்ட சூழ்நிலைக்கு ஏற்ப கருணையுடன் முடிவெடுக்கும் உன்னதக் கலையாகும். அந்த மனித உணர்வை எந்த ஒரு கம்ப்யூட்டர் சிப்பாலும் ஒருபோதும் ஈடு செய்ய முடியாது.

மாறாக, மருத்துவர்களின் கரங்களை வலுப்படுத்தும் ஒரு சக்திவாய்ந்த ஸ்டெதாஸ்கோப்பாகவே இந்த EVLF-FM மாதிரி விளங்குகிறது. ஆய்வாளர்கள் மேற்கொண்ட களப்பரிசோதனையில், மருத்துவர்கள் தனித்துச் செயல்பட்ட போது ஏற்பட்ட பிழை விகிதமும், மருத்துவர்கள் இந்த AI துணையுடன் இணைந்து செயல்பட்ட போது ஏற்பட்ட பிழை விகிதமும் ஒப்பீடு செய்யப்பட்டன. இதில் மருத்துவர்கள் இந்த மாதிரியின் விளக்க வரைபடங்களைப் பயன்படுத்திய போது, தவறான நோய்க்கணிப்பு நிகழ்வுகள் 38% வரை வியத்தகு முறையில் குறைந்திருப்பது உறுதி செய்யப்பட்டது.

குறிப்பாக இரவு நேரங்களில், தொடர்ச்சியான அவசரப் பிரிவுகளில் தீவிரப் பணிச்சுமையில் இயங்கும் இளம் மருத்துவர்களுக்கு இது ஒரு மூத்த பேராசிரியர் அருகில் நின்று ஆலோசனை வழங்குவது போன்ற மகத்தான பாதுகாப்பை அளிக்கிறது. மிக நுட்பமான இரத்தக் கசிவு அல்லது ஆரம்பக்கட்டத் திசுச் சிதைவு போன்ற கண்களுக்கு எளிதில் புலப்படாத சவால்களை இந்த மாதிரி திரையில் கோடிட்டுக் காட்டுவதால், இளம் மருத்துவர்கள் தன்னம்பிக்கையுடனும் பிழையின்றியும் உயிர்காக்கும் உடனடிச் சிகிச்சைகளைத் தொடங்க முடிகிறது.

மேலும், கதிரியக்க நிபுணர்கள் சந்திக்கும் கடுமையான பணிச்சுமை மன அழுத்தத்தைக் (Radiologist Burnout) குறைப்பதில் இது முக்கிய பங்கு வகிக்கிறது ^[3]. பல மணி நேரம் இருண்ட அறையில் அமர்ந்து ஆயிரக்கணக்கான வெற்று சாதாரண ஸ்கேன் படங்களைப் பார்த்துச் சலிப்படையும் மருத்துவர்களுக்கு, இந்த மென்பொருள் சாதாரண ஆரோக்கியமான படங்களை முன்கூட்டியே வடிகட்டி அளிக்கிறது. இதன் மூலம் மருத்துவர்கள் தங்களின் முழு கவனத்தையும் நேரத்தையும் தீவிர ஆபத்தில் உள்ள நோயாளிகளின் சிக்கலான வழக்குகளில் மட்டும் செலுத்தி அவர்களின் உயிரைக் காப்பாற்ற முடிகிறது.

மனித அறிவும் இயந்திரத்தின் வேகமும் இணையும் போது உருவாகும் இந்த மனித-இயந்திரக் கூட்டுப் பணிதான் (Human-in-the-loop Collaboration) எதிர்கால மருத்துவத்தின் உண்மையான முகவரியாகும். ஒரு இயந்திரம் ஒருபோதும் மருத்துவராக முடியாது, ஆனால் செயற்கை நுண்ணறிவைப் பயன்படுத்தத் தெரிந்த ஒரு மருத்துவர், அதைப் பயன்படுத்தாத மருத்துவரை விட பல மடங்கு திறமையாக மனித குலத்திற்குச் சேவையாற்ற முடியும் என்பதை இந்த ஆய்வு உலகுக்கு உரக்கச் சொல்கிறது.

தவறான முடிவுகளையும் பக்கச்சார்புகளையும் களையும் தணிக்கை முறை (Hallucination Guardrails)

நவீன மொழி மாதிரிகளில் நாம் காணும் மிக ஆபத்தான ஒரு குறைபாடு ஹாலுசினேஷன் (Hallucination) எனப்படும் கற்பனைப் பொய் விவரங்களை உருவாக்குவதாகும் ^[2]. சாதாரண அரட்டை செயலிகள் தவறான தகவலைக் கூறினால் அது வேடிக்கையாக முடியலாம்; ஆனால் ஒரு மருத்துவ AI இல்லாத கட்டியை இருப்பதாகவோ அல்லது இருக்கும் கட்டியை இல்லை என்றோ கற்பனையாகப் பிதற்றினால் அது ஒரு மனிதனின் உயிரையே பலிகடா ஆக்கிவிடும். எனவே, EVLF-FM மாதிரியில் இத்தகைய கற்பனைப் பிழைகளை அடியோடு களைய மிகக் கடுமையான பல அடுக்கு பாதுகாப்புத் தணிக்கை அரண்கள் (Multi-layered Guardrails) கட்டமைக்கப்பட்டுள்ளன.

முதலாவதாக, இந்த மாதிரி வெளியிடும் ஒவ்வொரு சொல்லும் ஸ்கேன் படத்தின் பிக்சல் ஆதாரத்துடன் தர்க்கரீதியாக இணைக்கப்பட வேண்டும் என்ற கடுமையான கணித விதிமுறை இதில் நிறுவப்பட்டுள்ளது. ஒருவேளை மொழி மாதிரி “நுரையீரலில் கட்டி தென்படுகிறது” என்று கூற விரும்பினால், படத்தின் பிக்சல் அடுக்கில் அதற்கான திடமான சான்று குறைந்தபட்சம் 95% நம்பிக்கை நிலையைத் தாண்டியிருக்க வேண்டும். இல்லையெனில், அந்த அறிக்கையை உருவாக்குவதற்கு அல்காரிதம் முற்றிலுமாகத் தடை விதிக்கிறது.

இரண்டாவதாக, இனரீதியான மற்றும் பாலினரீதியான பக்கச்சார்புகளைக் (Algorithmic Bias) களைவதற்கு விரிவான நெறிமுறைத் தணிக்கைகள் செய்யப்பட்டுள்ளன. பல மருத்துவ மென்பொருள்கள் வசதி படைத்த மேற்கத்திய மக்களின் தரவுகளிலேயே அதிகம் பயிற்றுவிக்கப்படுவதால், ஆசிய அல்லது ஆப்பிரிக்க மக்களின் உடலமைப்புகளில் பிழையான முடிவுகளைத் தரும் அபாயம் உண்டு. இந்த மாதிரியில் உலகளாவிய பல்வேறு கண்டங்களைச் சேர்ந்த மருத்துவமனைத் தரவுகள் சரிவிகிதத்தில் சேர்க்கப்பட்டு சமநிலைப்படுத்தப்பட்டுள்ளதால், இது அனைத்துத் தரப்பு மனிதர்களுக்கும் சமமான நம்பகத்தன்மையுடன் சேவையாற்றுகிறது.

மூன்றாவதாக, நிச்சயமற்ற தன்மை மதிப்பீடு (Uncertainty Estimation) என்ற ஒரு தனித்துவமான தற்காப்புப் பொறிமுறை இதில் உள்ளது. ஒரு ஸ்கேன் படம் மிகவும் மங்கலாக இருந்தாலோ அல்லது எந்திரக் கோளாறால் கலைந்து போயிருந்தாலோ, இந்த மாதிரி கண்மூடித்தனமாக எதையாவது யூகித்துச் சொல்வதில்லை. மாறாக, “இந்தப் படத்தில் தெளிவுத்தன்மை குறைவாக உள்ளது, எனவே அறுதியிட்டு முடிவெடுக்க முடியாது; தயவுசெய்து மீண்டும் ஒருமுறை ஸ்கேன் எடுங்கள்” என்று நேர்மையாக ஒப்புக்கொள்ளும் பணிவு இந்த மின் மூளைக்குக் கற்றுத் தரப்பட்டுள்ளது.

இத்தகைய கடுமையான பாதுகாப்பு வளையங்கள் தான் இந்த மாதிரியை ஒரு சாதாரண பரிசோதனை மென்பொருள் என்ற நிலையில் இருந்து அதிகாரப்பூர்வ மருத்துவக் கருவி என்ற உன்னத நிலைக்கு உயர்த்துகின்றன. மருத்துவ ஒழுங்குமுறை அமைப்புகளின் கடுமையான பாதுகாப்புத் தணிக்கைகளைத் தடையின்றித் தாண்டி வரக்கூடிய அத்தனை தகுதிகளையும் EVLF-FM அமைப்பு முழுமையாகப் பெற்றுள்ளது என்பது இதன் சிறப்பு அம்சமாகும்.

எதிர்காலத் துல்லிய மருத்துவத்தில் விடியல் (Future of Precision Medicine)

நாம் வாழும் இந்த இருபத்தோராம் நூற்றாண்டு பொது மருத்துவத்தில் இருந்து துல்லிய மருத்துவம் (Precision Medicine) என்ற தனிப்பயன் மருத்துவத்தை நோக்கி மின்னல் வேகத்தில் நகர்ந்து கொண்டிருக்கிறது ^[1]. ஒவ்வொரு மனிதரின் மரபணு அமைப்பும், வாழ்க்கை முறையும், நோய் எதிர்ப்புத் திறனும் தனித்துவமானது. அத்தகைய சூழலில் ஒரு நோயாளியின் முழு உடலையும் மூலக்கூறு மட்டத்தில் இருந்து உறுப்பு மட்டம் வரை இணைத்துப் பார்க்கக்கூடிய ஒரு நுண்ணறிவுத் தளம் மருத்துவ உலகுக்கு மிக அவசியமான ஒன்றாக மாறுகிறது.

EVLF-FM மாடல் வெறும் நோயைக் கண்டறிவதோடு நின்றுவிடாமல், எதிர்காலத்தில் அந்த நோயாளிக்கு எந்த வகையான கீமோதெரபி மருந்து மிகச் சரியாக வேலை செய்யும், கதிர்வீச்சு சிகிச்சையை எந்தக் கோணத்தில் செலுத்தினால் ஆரோக்கியமான செல்கள் பாதிக்கப்படாமல் இருக்கும் என்ற முன்கணிப்புப் பாதைகளையும் ஆய்வு செய்து வருகிறது. அறுவை சிகிச்சையின் போது ஒரு மனித மருத்துவர் உடலை வெட்டித் திறப்பதற்கு முன்பே, அவரது கைகளில் உள்ள ஆக்மெண்டட் ரியாலிட்டி (AR) கண்ணாடிகளில் இந்த மாடல் கட்டியின் முப்பரிமாண எல்லைகளைத் துல்லியமாக நிழற்படமாகக் காட்டும் நாள் வெகுதொலைவில் இல்லை.

மருத்துவ ஆய்வுகளின் அடுத்த கட்டமாக, மரபணு வரிசைமுறைத் தரவுகளையும் (Genomic Sequencing Data) இந்த மாதிரிக்குள் ஒருங்கிணைக்கும் முயற்சிகள் தற்போது ஹார்வர்ட் ஆய்வகத்தில் மும்முரமாகத் தொடங்கப்பட்டுள்ளன. ஒரு நோயாளியின் டி.என்.ஏ மூலக்கூறுகளில் உள்ள பிறழ்வுகளையும், அவரது ஸ்கேன் படங்களின் காட்சி அமைப்பையும் ஒன்றாக இணைக்கும் போது, புற்றுநோய் செல்கள் எந்த மரபணு மாற்றத்தால் உருவாகின்றன என்பதை நொடிகளில் கண்டறிந்து அதற்கேற்ற இலக்கு மருந்துகளை (Targeted Therapy) துல்லியமாக வடிவமைக்க முடியும்.

இந்தியாவைப் போன்ற அதிக மக்கள்தொகை கொண்ட நாடுகளில், போதிய அளவில் கதிரியக்க நிபுணர்கள் இல்லாத கிராமப்புற மற்றும் புறநகர் ஆரம்ப சுகாதார நிலையங்களில் இந்த தொழில்நுட்பம் ஒரு புரட்சிகரமான மாற்றத்தை நிகழ்த்த முடியும். ஒரு கிராமத்து ஆரம்ப சுகாதார நிலையத்தில் எடுக்கப்படும் எளிய ஸ்கேன் படம் கூட, இந்த மாதிரியின் வழியே உடனடியாகப் பரிசோதிக்கப்பட்டு, மேல்சிகிச்சைக்கான தெளிவான பரிந்துரையுடன் மாவட்டத் தலைமை மருத்துவமனைக்கு நொடிகளில் அனுப்பப்படும் நிலை உருவாகும். இதன் மூலம் ஏழை எளிய மக்களுக்கும் உலகத்தரம் வாய்ந்த துல்லிய மருத்துவப் பரிசோதனைகள் மிகக் குறைந்த செலவில் சென்றடையும்.

அறிவியல் என்பது ஆய்வகங்களில் முடங்கிக் கிடப்பதல்ல; அது கடைக்கோடி மனிதனின் உயிரையும் பாதுகாக்கும் கருவியாக மாறும் போதுதான் தனது மெய்யான முழுமையை அடைகிறது. விளக்கமளிக்கக்கூடிய இந்த புதிய மருத்துவ செயற்கை நுண்ணறிவு, மனிதகுலத்தின் நோயற்ற வாழ்விற்கான ஒரு மாபெரும் வரலாற்றுத் திறவுகோலாக உலகெங்கும் தன் ஒளியைப் பரப்பத் தொடங்கியுள்ளது என்பதில் எள்ளளவும் ஐயமில்லை.

டிஜிட்டல் கதிரியக்கத் தரவுகளும் தரப் பாதுகாப்பும் (DICOM Standardization and Privacy)

மருத்துவ செயற்கை நுண்ணறிவு மாதிரிகளை உருவாக்கும் போது மிக முக்கியமான ஒரு சவால் தரவுத் தரநிலையாக்கமாகும் (Data Standardization). உலகெங்கிலும் உள்ள மருத்துவமனைகளில் பல்வேறு நிறுவனங்களின் ஸ்கேன் கருவிகள் பயன்படுத்தப்படுகின்றன ^[2]. ஜி.இ (GE Healthcare), சீமென்ஸ் (Siemens Healthineers), பிலிப்ஸ் (Philips) என ஒவ்வொரு நிறுவனத்தின் ஸ்கேன் சாதனங்களும் வெவ்வேறு கோணங்களிலும் வெவ்வேறு கதிர்வீச்சு அடர்த்திகளிலும் படங்களை உருவாக்குகின்றன. இந்த வேறுபாடுகளைக் கடந்து அனைத்துக் கருவிகளின் படங்களையும் சமமாகப் புரிந்து கொள்ளும் ஆற்றல் EVLF-FM மாடலுக்கு வழங்கப்பட்டுள்ளது.

சர்வதேச மருத்துவத் தரநிலையான டைகாம் (DICOM – Digital Imaging and Communications in Medicine) நெறிமுறைகளை இந்த மாதிரி மிக நேர்த்தியாகப் பின்பற்றுகிறது. ஸ்கேன் படங்களின் அடுக்கின் தடிமன் (Slice Thickness) 0.5 மில்லிமீட்டராக இருந்தாலும் அல்லது 5 மில்லிமீட்டராக இருந்தாலும், அவற்றை ஒரே சீரான முப்பரிமாணக் கூண்டிற்குள் (Normalized 3D Grid) மறுசீரமைத்துக் கொள்ளும் அல்காரிதம்கள் இதில் இணைக்கப்பட்டுள்ளன. இதனால் எந்த மருத்துவமனையில் எடுக்கப்பட்ட ஸ்கேன் படமாக இருந்தாலும் அதன் முடிவு துல்லியமாக அமைகிறது.

அதே நேரத்தில் நோயாளிகளின் அந்தரங்கத் தரவுப் பாதுகாப்பிலும் (Patient Privacy) எந்த சமரசமும் செய்யப்படவில்லை ^[2]. அமெரிக்காவின் கடுமையான ஹிப்பா (HIPAA) மற்றும் ஐரோப்பாவின் ஜி.டி.பி.ஆர் (GDPR) சட்ட விதிகளுக்கு இணங்க, ஒரு நோயாளியின் ஸ்கேன் படம் இந்த மாதிரியின் பார்வைக்கு வருவதற்கு முன்பே அவரது பெயர், பிறந்த தேதி, முகவரி போன்ற அனைத்து அடையாள விவரங்களும் தானாகவே அழிக்கப்பட்டு (Anonymization) ரகசியக் குறியீடாக மாற்றப்படுகின்றன. இதன் மூலம் நோயாளியின் தகவல் கசிவு குறித்த அச்சம் முழுமையாகத் துடைத்தெறியப்படுகிறது.

மருத்துவத் தகவல் பாதுகாப்பில் ஃபெடரேட்டட் லேர்னிங் (Federated Learning) என்ற நவீன தொழில்நுட்பமும் இங்கு பயன்படுத்தப்படுகிறது. அதாவது மருத்துவமனைகள் தங்களின் நோயாளிகளின் அந்தரங்கத் தரவுகளை மத்திய சர்வர்களுக்கு அனுப்ப வேண்டிய அவசியமில்லை. AI மாதிரி தானே அந்தந்த மருத்துவமனையின் உள்ளூர் சர்வர்களுக்கே சென்று அங்குள்ள தரவுகளிடம் இருந்து மருத்துவ அறிவைக் கற்றுக்கொண்டு, தன் எடையளவுகளை (Weights) மட்டும் புதுப்பித்துக் கொள்கிறது. இது மருத்துவ உலகில் தரவுப் பகிர்வில் புதிய புரட்சியை உருவாக்கியுள்ளது.

புற்றுநோய் அல்லது நோய் வகை	பரிசோதிக்கப்பட்ட ஸ்கேன்கள்	பழைய AI துல்லியம்	EVLF-FM புதிய துல்லியம்	மருத்துவர் ஏற்பு விகிதம்
நுரையீரல் புற்றுநோய் (Lung Cancer)	32,450	82.4%	95.8%	91%
கணைய அடினோகார்சினோமா (Pancreatic Adenocarcinoma)	18,200	76.1%	93.4%	87%
கல்லீரல் செல் கார்சினோமா (Hepatocellular Carcinoma)	24,800	79.5%	94.2%	89%
கிளியோபிளாஸ்டோமா மூளைக்கட்டி (Glioblastoma)	14,600	81.0%	96.1%	94%
பெருங்குடல் புற்றுநோய் (Colorectal Malignancy)	28,100	80.3%	93.9%	88%

ஆதாரம்: Nature Medicine 2026 Multicenter Clinical Trial

சொல் விளக்கம்

இந்தக் கட்டுரையில் வரும் அறிவியல் சொற்கள்

4

Explainable AI (XAI)விளக்கமளிக்கக்கூடிய செயற்கை நுண்ணறிவு

செயற்கை நுண்ணறிவு அல்காரிதம்கள் ஒரு குறிப்பிட்ட முடிவுக்கு வரக் காரணமான செயல்முறைகளை மனிதர்கள் புரிந்து கொள்ளும் வகையில் வெளிப்படுத்தும் தொழில்நுட்பம்.

சொற்களஞ்சியத்தில் பார்க்க →

Foundation Modelஅடித்தளப் பெரு மாதிரி

மில்லியன் கணக்கான பல்வேறு தரவுகளைக் கொண்டு முன்கூட்டியே முழுமையாகப் பயிற்றுவிக்கப்பட்ட மிக பிரம்மாண்டமான நரம்பியல் வலைப்பின்னல் கட்டமைப்பு.

சொற்களஞ்சியத்தில் பார்க்க →

Cross-Attention Mechanismகுறுக்கு கவன அல்காரிதம்

மருத்துவ உரை விவரங்களையும் ஸ்கேன் படங்களின் பிக்சல்களையும் ஒன்றுக்கொன்று ஒப்பிட்டு தொடர்புபடுத்தும் மின் மூளைப் படிமுறை.

சொற்களஞ்சியத்தில் பார்க்க →

Multimodal Integrationபன்முகத் தரவு ஒருங்கிணைப்பு

ஸ்கேன் படங்கள், ஆய்வக இரத்தப் பரிசோதனை அறிக்கைகள் மற்றும் மருத்துவரின் குறிப்புகள் என பல்வேறு வடிவத் தரவுகளை ஒன்றாக இணைக்கும் முறை.

சொற்களஞ்சியத்தில் பார்க்க →

அடிக்கடி கேட்கப்படும் கேள்விகள்

இந்த ஆய்வு பற்றி வாசகர்கள் கேட்பவை

5

1இந்த புதிய AI மாடல் மருத்துவர்களின் வேலைக்கு மாற்றாக அமைந்துவிடுமா?

நிச்சயமாக இல்லை. இந்த தொழில்நுட்பம் மருத்துவர்களின் பணியை முழுமையாக மாற்றுவதற்காக உருவாக்கப்படவில்லை. மாறாக, அதிக பணிச்சுமையில் இருக்கும் மருத்துவர்கள் பல்லாயிரக்கணக்கான ஸ்கேன் படங்களை நுண்ணியமாகப் பகுப்பாய்வு செய்து விரைவாகச் சரியான சிகிச்சையைத் தீர்மானிக்க உதவும் சக்திவாய்ந்த டிஜிட்டல் உதவியாளராகவே செயல்படுகிறது.

2விளக்கமளிக்கக்கூடிய AI (Explainable AI) மருத்துவத் துறைக்கு ஏன் இத்தனை முக்கியமானது?

மருத்துவத்தில் ஒரு தவறான கணிப்பு மனித உயிரையே பறித்துவிடக்கூடும். ஒரு கம்ப்யூட்டர் வெறும் முடிவை மட்டும் சொன்னால் மருத்துவர்களால் அதை முழுமையாக நம்பி அறுவை சிகிச்சையோ தீவிர மருந்துகளையோ பரிந்துரைக்க முடியாது. ஆனால், எந்தத் திசுவில் புற்றுநோய் துவங்கியுள்ளது என்பதை படத்துடன் ஆதாரமாகக் காட்டும் போது மருத்துவர்கள் மிகுந்த தன்னம்பிக்கையுடன் செயல்பட முடிகிறது.

3இந்த மாடல் இந்திய மருத்துவமனைகளில் எப்போது நடைமுறைக்கு வரும்?

தற்போது சர்வதேச அளவில் பலகட்ட மருத்துவப் பரிசோதனைகள் (Multicenter Clinical Trials) நிறைவடைந்துள்ளன. ஒழுங்குமுறை ஆணையங்களின் பாதுகாப்பு ஒப்புதல்களுக்குப் பிறகு அடுத்த ஓரிரு ஆண்டுகளில் பெருநகர மருத்துவமனைகளின் கதிரியக்கத் துறைகளில் இந்த மென்பொருள் பயன்பாட்டிற்கு வர வாய்ப்புள்ளது.

4நோயாளிகளின் தனிப்பட்ட மருத்துவத் தகவல்கள் இந்த AI மாடலில் பாதுகாப்பாக இருக்குமா?

முழுமையாகப் பாதுகாப்பாக இருக்கும். சர்வதேச ஹிப்பா (HIPAA) மற்றும் ஜி.டி.பி.ஆர் (GDPR) சட்ட விதிகளுக்கு இணங்க, நோயாளியின் பெயர் மற்றும் அடையாளங்கள் முழுமையாக நீக்கப்பட்டு ரகசியக் குறியீடுகளாக மாற்றப்பட்ட பிறகே ஸ்கேன் படங்கள் பகுப்பாய்வு செய்யப்படுகின்றன.

5இந்த மாடல் கதிரியக்க நிபுணர்களை விட அதிக துல்லியத்துடன் செயல்படுகிறதா?

கள ஆய்வுகளில், மூத்த கதிரியக்க நிபுணர்களுக்கு இணையான 94.6% கண்டறிதல் துல்லியத்தை வெளிப்படுத்தியுள்ளது. மேலும், மனித மருத்துவர்கள் இந்த மாடலின் வழிகாட்டுதலுடன் இணைந்து செயல்பட்ட போது நோய்க்கணிப்புப் பிழைகள் 38% வரை குறைந்திருப்பது நிரூபிக்கப்பட்டுள்ளது.

மேற்கோள்கள்

1. ↩ Explainable Multimodal Vision-Language Foundation Model for Complex Clinical Diagnostics
2. ↩ Foundation Models in Generalist Medicine: Opportunities and Safety Guardrails
3. ↩ Radiological Society of North America (RSNA) Expert Evaluation on Diagnostic AI Collaboration