খবর

২০০৭ সালে আইবিএম ওয়াটসন শুরু হওয়ার পর থেকে, মানুষ চিকিৎসা কৃত্রিম বুদ্ধিমত্তা (এআই) উন্নয়নের জন্য ক্রমাগত প্রচেষ্টা চালিয়ে যাচ্ছে। একটি ব্যবহারযোগ্য এবং শক্তিশালী চিকিৎসা কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা আধুনিক চিকিৎসার সকল দিককে নতুন করে রূপ দেওয়ার, আরও স্মার্ট, আরও সঠিক, দক্ষ এবং অন্তর্ভুক্তিমূলক যত্ন প্রদানের, চিকিৎসা কর্মী এবং রোগীদের সুস্থতা বয়ে আনার এবং এর ফলে মানুষের স্বাস্থ্যের ব্যাপক উন্নতি করার বিশাল সম্ভাবনা রাখে। গত ১৬ বছরে, যদিও চিকিৎসা কৃত্রিম বুদ্ধিমত্তা গবেষকরা বিভিন্ন ছোট ক্ষেত্রে জড়ো হয়েছেন, এই পর্যায়ে তারা এখনও বিজ্ঞান কল্পকাহিনীকে বাস্তবে রূপ দিতে সক্ষম হননি।

এই বছর, ChatGPT-এর মতো AI প্রযুক্তির বিপ্লবী বিকাশের সাথে সাথে, চিকিৎসা AI অনেক দিক থেকে ব্যাপক অগ্রগতি অর্জন করেছে। চিকিৎসা AI-এর ক্ষমতায় অভূতপূর্ব অগ্রগতি: নেচার জার্নাল ক্রমাগত চিকিৎসা বৃহৎ ভাষা মডেল এবং চিকিৎসা চিত্রের মৌলিক মডেলের গবেষণা শুরু করেছে; গুগল Med-PaLM এবং এর উত্তরসূরী প্রকাশ করেছে, মার্কিন মেডিকেল প্র্যাকটিশনার পরীক্ষার প্রশ্নগুলিতে বিশেষজ্ঞ স্তরে পৌঁছেছে। প্রধান একাডেমিক জার্নালগুলি চিকিৎসা AI-এর উপর দৃষ্টি নিবদ্ধ করবে: প্রকৃতি সাধারণ চিকিৎসা AI-এর মৌলিক মডেলের উপর দৃষ্টিভঙ্গি প্রকাশ করে; এই বছরের শুরুতে চিকিৎসায় AI-এর একাধিক পর্যালোচনার পর, নিউ ইংল্যান্ড জার্নাল অফ মেডিসিন (NEJM) 30 নভেম্বর তার প্রথম ডিজিটাল স্বাস্থ্য পর্যালোচনা প্রকাশ করেছে এবং 12 ডিসেম্বর NEJM সাব-জার্নাল NEJM AI-এর প্রথম সংখ্যা প্রকাশ করেছে। চিকিৎসা AI অবতরণ মাটি আরও পরিপক্ক: JAMA সাব-জার্নাল বিশ্বব্যাপী চিকিৎসা চিত্র ডেটা ভাগাভাগি উদ্যোগ প্রকাশ করেছে; মার্কিন খাদ্য ও ওষুধ প্রশাসন (FDA) চিকিৎসা AI নিয়ন্ত্রণের জন্য খসড়া নির্দেশিকা তৈরি করছে।

নীচে, আমরা ২০২৩ সালে ব্যবহারযোগ্য চিকিৎসা কৃত্রিম বুদ্ধিমত্তার দিকে বিশ্বজুড়ে গবেষকদের উল্লেখযোগ্য অগ্রগতি পর্যালোচনা করছি।

মেডিকেল এআই বেসিক মডেল

মেডিকেল এআই বেসিক মডেল তৈরি নিঃসন্দেহে এই বছরের সবচেয়ে আলোচিত গবেষণা কেন্দ্রবিন্দু। নেচার জার্নালগুলি স্বাস্থ্যসেবার সার্বজনীন বেসিক মডেল এবং স্বাস্থ্যসেবার বৃহৎ ভাষা মডেলের উপর পর্যালোচনা নিবন্ধ প্রকাশ করেছে। শিল্পের শীর্ষ জার্নাল মেডিকেল ইমেজ অ্যানালাইসিস, মেডিকেল ইমেজ বিশ্লেষণে বেসিক মডেল গবেষণার চ্যালেঞ্জ এবং সুযোগগুলি পর্যালোচনা করেছে এবং প্রত্যাশা করেছে এবং মেডিকেল এআই এর বেসিক মডেল গবেষণার বিকাশের সারসংক্ষেপ এবং নির্দেশনা দেওয়ার জন্য "বেসিক মডেলের বংশতালিকা" ধারণাটি প্রস্তাব করেছে। স্বাস্থ্যসেবার জন্য বেসিক এআই মডেলগুলির ভবিষ্যত আরও স্পষ্ট হয়ে উঠছে। চ্যাটজিপিটির মতো বৃহৎ ভাষা মডেলগুলির সফল উদাহরণগুলি অবলম্বন করে, আরও উন্নত স্ব-তত্ত্বাবধানে প্রাক-প্রশিক্ষণ পদ্ধতি এবং প্রশিক্ষণের তথ্যের বিশাল সংগ্রহ ব্যবহার করে, মেডিকেল এআই ক্ষেত্রের গবেষকরা 1) রোগ-নির্দিষ্ট বেস মডেল, 2) সাধারণ বেস মডেল এবং 3) মাল্টিমোডাল বৃহৎ মডেল তৈরি করার চেষ্টা করছেন যা বিশাল পরামিতি এবং উচ্চতর ক্ষমতা সহ বিস্তৃত মোডগুলিকে একীভূত করে।

মেডিকেল ডেটা অধিগ্রহণ এআই মডেল

ডাউনস্ট্রিম ক্লিনিকাল ডেটা বিশ্লেষণের কাজে বৃহৎ AI মডেলগুলি গুরুত্বপূর্ণ ভূমিকা পালন করে, তার পাশাপাশি আপস্ট্রিম ক্লিনিকাল ডেটা অর্জনেও, জেনারেটিভ AI মডেল দ্বারা প্রতিনিধিত্ব করা প্রযুক্তিরও আবির্ভাব ঘটেছে। AI অ্যালগরিদম দ্বারা ডেটা অর্জনের প্রক্রিয়া, গতি এবং গুণমান উল্লেখযোগ্যভাবে উন্নত করা যেতে পারে।

এই বছরের শুরুতে, নেচার বায়োমেডিকেল ইঞ্জিনিয়ারিং তুরস্কের স্ট্রেইটস ইউনিভার্সিটির একটি গবেষণা প্রকাশ করেছে যা ক্লিনিকাল অ্যাপ্লিকেশনগুলিতে প্যাথলজিক ইমেজ-সহায়তা রোগ নির্ণয়ের সমস্যা সমাধানের জন্য জেনারেটিভ এআই ব্যবহারের উপর দৃষ্টি নিবদ্ধ করে। অস্ত্রোপচারের সময় হিমায়িত অংশের টিস্যুতে থাকা নিদর্শনগুলি দ্রুত রোগ নির্ণয় মূল্যায়নের ক্ষেত্রে একটি বাধা। যদিও ফরমালিন এবং প্যারাফিন এমবেডেড (FFPE) টিস্যু উচ্চমানের নমুনা প্রদান করে, এর উৎপাদন প্রক্রিয়া সময়সাপেক্ষ এবং প্রায়শই 12-48 ঘন্টা সময় নেয়, যা এটি অস্ত্রোপচারে ব্যবহারের জন্য অনুপযুক্ত করে তোলে। তাই গবেষণা দল AI-FFPE নামক একটি অ্যালগরিদম প্রস্তাব করেছে, যা হিমায়িত অংশে টিস্যুর উপস্থিতি FFPE এর মতো করে তুলতে পারে। অ্যালগরিদম সফলভাবে হিমায়িত অংশের নিদর্শনগুলি সংশোধন করেছে, চিত্রের মান উন্নত করেছে এবং একই সাথে ক্লিনিক্যালি প্রাসঙ্গিক বৈশিষ্ট্যগুলি ধরে রেখেছে। ক্লিনিক্যাল বৈধতাতে, AI-FFPE অ্যালগরিদম টিউমার সাবটাইপের জন্য রোগ বিশেষজ্ঞদের ডায়াগনস্টিক নির্ভুলতা উল্লেখযোগ্যভাবে উন্নত করে, একই সাথে ক্লিনিক্যাল রোগ নির্ণয়ের সময়কে উল্লেখযোগ্যভাবে হ্রাস করে।

সেল রিপোর্টস মেডিসিন জিলিন বিশ্ববিদ্যালয়ের থার্ড ক্লিনিক্যাল কলেজ, রেডিওলজি বিভাগ, ফুদান বিশ্ববিদ্যালয়ের অধিভুক্ত ঝংশান হাসপাতাল এবং সাংহাই বিশ্ববিদ্যালয়ের বিজ্ঞান ও প্রযুক্তি [25] এর একটি দলের একটি গবেষণা প্রতিবেদন প্রকাশ করেছে। এই গবেষণায় উচ্চ বহুমুখীতা এবং নমনীয়তা সহ একটি সাধারণ-উদ্দেশ্যপূর্ণ গভীর শিক্ষা এবং পুনরাবৃত্তিমূলক পুনর্গঠন ফিউশন কাঠামো (হাইব্রিড ডিএল-আইআর) প্রস্তাব করা হয়েছে, যা দ্রুত এমআরআই, কম ডোজ সিটি এবং দ্রুত পিইটিতে চমৎকার চিত্র পুনর্গঠন কর্মক্ষমতা দেখায়। অ্যালগরিদমটি 100 সেকেন্ডের মধ্যে এমআর একক-অর্গান মাল্টি-সিকোয়েন্স স্ক্যানিং অর্জন করতে পারে, বিকিরণ ডোজ সিটি চিত্রের মাত্র 10% এ কমাতে পারে এবং শব্দ দূর করতে পারে এবং পিইটি অধিগ্রহণ থেকে ছোট ক্ষতগুলি 2 থেকে 4 গুণ ত্বরণের সাথে পুনর্গঠন করতে পারে, একই সাথে গতি শিল্পকর্মের প্রভাব হ্রাস করতে পারে।

চিকিৎসা কর্মীদের সহযোগিতায় মেডিকেল এআই

চিকিৎসা AI-এর দ্রুত বিকাশ চিকিৎসা পেশাদারদের ক্লিনিকাল প্রক্রিয়া উন্নত করার জন্য AI-এর সাথে কীভাবে সহযোগিতা করা যায় তা গুরুত্ব সহকারে বিবেচনা এবং অন্বেষণ করতে পরিচালিত করেছে। এই বছরের জুলাই মাসে, DeepMind এবং একটি বহু-প্রাতিষ্ঠানিক গবেষণা দল যৌথভাবে Complementary Driven Clinical Workflow Delay (CoDoC) নামে একটি AI সিস্টেম প্রস্তাব করেছিল। ডায়াগনস্টিক প্রক্রিয়াটি প্রথমে একটি ভবিষ্যদ্বাণীমূলক AI সিস্টেম দ্বারা নির্ণয় করা হয়, তারপরে পূর্ববর্তী ফলাফলের উপর ভিত্তি করে অন্য AI সিস্টেম দ্বারা বিচার করা হয়, এবং যদি সন্দেহ থাকে, তাহলে ডায়াগনস্টিক নির্ভুলতা এবং ভারসাম্য দক্ষতা উন্নত করার জন্য অবশেষে একজন চিকিত্সক দ্বারা রোগ নির্ণয় করা হয়। স্তন ক্যান্সার স্ক্রিনিংয়ের ক্ষেত্রে, CoDoC একই মিথ্যা নেতিবাচক হারের সাথে মিথ্যা ইতিবাচক হার 25% কমিয়েছে, যেখানে যুক্তরাজ্যের বর্তমান "ডাবল-রিড আরবিট্রেশন" প্রক্রিয়ার তুলনায় ক্লিনিক্যাল কাজের চাপ 66% কমিয়েছে। টিবি শ্রেণীবিভাগের ক্ষেত্রে, স্বাধীন AI এবং ক্লিনিক্যাল কর্মপ্রবাহের তুলনায় একই মিথ্যা নেতিবাচক হারের সাথে মিথ্যা ইতিবাচক হার 5 থেকে 15 শতাংশ কমিয়েছে।

একইভাবে, যুক্তরাজ্যের লন্ডনের খেইরন কোম্পানির অ্যানি ওয়াই. এনজি এবং অন্যান্যরা ডাবল-রিড আরবিট্রেশন প্রক্রিয়ায় কোনও রিকল ফলাফল না থাকলে ফলাফলগুলি পুনরায় পরীক্ষা করার জন্য অতিরিক্ত এআই রিডার (মানব পরীক্ষকদের সহযোগিতায়) চালু করেছিলেন, যা প্রাথমিক স্তন ক্যান্সার স্ক্রিনিংয়ে মিসড ডিটেকশনের সমস্যা উন্নত করেছিল এবং প্রক্রিয়াটিতে প্রায় কোনও মিথ্যা ইতিবাচক ফলাফল ছিল না। টেক্সাস বিশ্ববিদ্যালয়ের ম্যাকগভর্ন মেডিকেল স্কুলের একটি দলের নেতৃত্বে এবং চারটি স্ট্রোক সেন্টারে সম্পন্ন আরেকটি গবেষণায়, বৃহৎ ভাস্কুলার অক্লুসিভ ইস্কেমিক স্ট্রোক (এলভিও) সনাক্তকরণ স্বয়ংক্রিয় করার জন্য কম্পিউটেড টোমোগ্রাফি অ্যাঞ্জিওগ্রাফি (সিটিএ) ভিত্তিক এআই প্রযুক্তি প্রয়োগ করা হয়েছিল। সিটি ইমেজিং সম্পন্ন হওয়ার কয়েক মিনিটের মধ্যেই ক্লিনিকাল এবং রেডিওলজিস্টরা তাদের মোবাইল ফোনে রিয়েল-টাইম সতর্কতা পান, তাদের এলভিওর সম্ভাব্য উপস্থিতি সম্পর্কে অবহিত করেন। এই এআই প্রক্রিয়াটি তীব্র ইস্কেমিক স্ট্রোকের জন্য হাসপাতালের কর্মপ্রবাহকে উন্নত করে, চিকিৎসায় ভর্তি থেকে শুরু করে ডোর-টু-গ্রোইন সময় হ্রাস করে এবং সফল উদ্ধারের সুযোগ প্রদান করে। ফলাফলগুলি JAMA নিউরোলজিতে প্রকাশিত হয়েছে।

সার্বজনীন সুবিধার জন্য একটি এআই স্বাস্থ্যসেবা মডেল

২০২৩ সালে চিকিৎসা কৃত্রিম বুদ্ধিমত্তা (এআই) ব্যবহার করে এমন অনেক ভালো কাজ হবে যা সহজলভ্য তথ্য থেকে মানুষের চোখে অদৃশ্য বৈশিষ্ট্যগুলি খুঁজে বের করবে, যা সার্বজনীন রোগ নির্ণয় এবং প্রাথমিক স্ক্রিনিং সক্ষম করবে। বছরের শুরুতে, নেচার মেডিসিন সান ইয়াত-সেন বিশ্ববিদ্যালয়ের ঝংশান আই সেন্টার এবং ফুজিয়ান মেডিকেল বিশ্ববিদ্যালয়ের দ্বিতীয় অনুমোদিত হাসপাতাল দ্বারা করা গবেষণা প্রকাশ করেছে। স্মার্টফোনগুলিকে অ্যাপ্লিকেশন টার্মিনাল হিসাবে ব্যবহার করে, তারা শিশুদের দৃষ্টি আকর্ষণ করতে এবং শিশুদের দৃষ্টি আচরণ এবং মুখের বৈশিষ্ট্য রেকর্ড করতে কার্টুনের মতো ভিডিও চিত্র ব্যবহার করেছে এবং গভীর শিক্ষার মডেলগুলি ব্যবহার করে অস্বাভাবিক মডেলগুলি আরও বিশ্লেষণ করেছে যাতে জন্মগত ছানি, জন্মগত পিটোসিস এবং জন্মগত গ্লুকোমা সহ ১৬টি চোখের রোগ সফলভাবে সনাক্ত করা যায়, যার গড় স্ক্রিনিং নির্ভুলতা ৮৫% এরও বেশি। এটি শিশুদের দৃষ্টিশক্তির দুর্বলতা এবং সম্পর্কিত চোখের রোগের বৃহৎ আকারের প্রাথমিক স্ক্রিনিংয়ের জন্য একটি কার্যকর এবং জনপ্রিয় করা সহজ প্রযুক্তিগত উপায় সরবরাহ করে।

বছরের শেষে, নেচার মেডিসিন বিশ্বজুড়ে ১০টিরও বেশি চিকিৎসা ও গবেষণা প্রতিষ্ঠানের দ্বারা করা একটি কাজের প্রতিবেদন প্রকাশ করেছে, যার মধ্যে রয়েছে সাংহাই ইনস্টিটিউট অফ প্যানক্রিয়াটিক ডিজিজ এবং ঝেজিয়াং বিশ্ববিদ্যালয়ের প্রথম অনুমোদিত হাসপাতাল। লেখক শারীরিক পরীক্ষা কেন্দ্র, হাসপাতাল ইত্যাদিতে উপসর্গবিহীন ব্যক্তিদের অগ্ন্যাশয় ক্যান্সার স্ক্রিনিংয়ে AI প্রয়োগ করেছেন, যাতে খালি চোখে সনাক্ত করা কঠিন প্লেইন স্ক্যান সিটি ছবিতে ক্ষতের বৈশিষ্ট্যগুলি সনাক্ত করা যায়, যাতে অগ্ন্যাশয় ক্যান্সারের দক্ষ এবং অ-আক্রমণাত্মক প্রাথমিক সনাক্তকরণ অর্জন করা যায়। ২০,০০০ এরও বেশি রোগীর তথ্য পর্যালোচনা করে, মডেলটি ক্লিনিক্যালি মিস করা ক্ষতের ৩১টি কেসও সনাক্ত করেছে, যা ক্লিনিক্যাল ফলাফলকে উল্লেখযোগ্যভাবে উন্নত করেছে।

চিকিৎসা তথ্য ভাগাভাগি

২০২৩ সালে, বিশ্বজুড়ে আরও অনেক নিখুঁত ডেটা শেয়ারিং প্রক্রিয়া এবং সফল কেস আবির্ভূত হয়েছে, যা ডেটা গোপনীয়তা এবং সুরক্ষা রক্ষার ভিত্তিতে বহু-কেন্দ্রিক সহযোগিতা এবং ডেটা উন্মুক্ততা নিশ্চিত করে।

প্রথমত, AI প্রযুক্তির সাহায্যে, AI গবেষকরা চিকিৎসা তথ্য ভাগাভাগিতে অবদান রেখেছেন। মার্কিন যুক্তরাষ্ট্রের Rutgers University-এর Qi Chang এবং অন্যান্যরা Nature Communications-এ একটি নিবন্ধ প্রকাশ করেছেন, যেখানে বিতরণকৃত সিন্থেটিক অ্যাডভারসারিয়াল নেটওয়ার্কের উপর ভিত্তি করে একটি ফেডারেল লার্নিং ফ্রেমওয়ার্ক DSL প্রস্তাব করা হয়েছে, যা মাল্টি-সেন্টারগুলির নির্দিষ্ট জেনারেটেড ডেটা প্রশিক্ষণের জন্য জেনারেটিভ AI ব্যবহার করে এবং তারপরে মাল্টি-সেন্টারগুলির আসল ডেটা জেনারেটেড ডেটা দিয়ে প্রতিস্থাপন করে। ডেটা গোপনীয়তা রক্ষা করার সময় মাল্টিসেন্টার বিগ ডেটার উপর ভিত্তি করে AI প্রশিক্ষণ নিশ্চিত করুন। একই দল জেনারেটেড প্যাথলজিক্যাল ইমেজ এবং তাদের সংশ্লিষ্ট টীকাগুলির একটি ডেটাসেটও ওপেন-সোর্স করে। জেনারেটেড ডেটা সেটের উপর প্রশিক্ষিত সেগমেন্টেশন মডেলটি আসল ডেটার মতো ফলাফল অর্জন করতে পারে।

সিংহুয়া বিশ্ববিদ্যালয়ের দাই কিওনঘাইয়ের দল npj ডিজিটাল হেলথের উপর একটি গবেষণাপত্র প্রকাশ করেছে, যেখানে রিলে লার্নিং প্রস্তাব করা হয়েছে, যা স্থানীয় ডেটা সার্বভৌমত্ব এবং কোনও ক্রস-সাইট নেটওয়ার্ক সংযোগের ভিত্তিতে AI মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য মাল্টি-সাইট বিগ ডেটা ব্যবহার করে। এটি AI কর্মক্ষমতা অর্জনের সাথে ডেটা সুরক্ষা এবং গোপনীয়তার উদ্বেগের ভারসাম্য বজায় রাখে। একই দল পরবর্তীতে গুয়াংজু মেডিকেল বিশ্ববিদ্যালয়ের প্রথম অনুমোদিত হাসপাতাল এবং সারা দেশের 24টি হাসপাতালের সহযোগিতায় ফেডারেল শিক্ষার উপর ভিত্তি করে একটি বুকের CT প্যান-মিডিয়াস্টিনাল টিউমার নির্ণয় ব্যবস্থা CAIMEN তৈরি এবং বৈধ করে। 12টি সাধারণ মিডিয়াস্টিনাল টিউমারে প্রয়োগ করা যেতে পারে এমন এই সিস্টেমটি, শুধুমাত্র মানব বিশেষজ্ঞদের দ্বারা ব্যবহৃত পদ্ধতির তুলনায় একা ব্যবহারে 44.9 শতাংশ ভাল নির্ভুলতা অর্জন করেছে এবং মানব বিশেষজ্ঞদের দ্বারা সহায়তা করা হলে 19 শতাংশ ভাল রোগ নির্ণয়ের নির্ভুলতা অর্জন করেছে।

অন্যদিকে, নিরাপদ, বিশ্বব্যাপী, বৃহৎ পরিসরে চিকিৎসা তথ্য সেট তৈরির জন্য বেশ কিছু উদ্যোগ চলছে। ২০২৩ সালের নভেম্বরে, হার্ভার্ড মেডিকেল স্কুলের বায়োমেডিকেল ইনফরমেটিক্স বিভাগের অগাস্টিনা সেঞ্জ এবং অন্যান্যরা ল্যানসেট ডিজিটাল হেলথ-এ অনলাইনে মেডিকেল ইমেজ ডেটা শেয়ার করার জন্য একটি বিশ্বব্যাপী কাঠামো প্রকাশ করেন যার নাম কৃত্রিম বুদ্ধিমত্তা ডেটা ফর অল হেলথকেয়ার (MAIDA)। তারা ডেটা শেয়ারিংকে মানসম্মত করার জন্য মার্কিন ফেডারেল ডেমোনস্ট্রেশন পার্টনার (FDP) টেমপ্লেট ব্যবহার করে ডেটা সংগ্রহ এবং সনাক্তকরণের বিষয়ে ব্যাপক নির্দেশনা প্রদানের জন্য বিশ্বজুড়ে স্বাস্থ্যসেবা সংস্থাগুলির সাথে কাজ করছে। তারা বিশ্বের বিভিন্ন অঞ্চল এবং ক্লিনিকাল সেটিংসে সংগৃহীত ডেটা সেট ধীরে ধীরে প্রকাশ করার পরিকল্পনা করছে। প্রথম ডেটাসেটটি ২০২৪ সালের প্রথম দিকে প্রকাশিত হবে বলে আশা করা হচ্ছে, অংশীদারিত্ব সম্প্রসারণের সাথে সাথে আরও কিছু আসবে। প্রকল্পটি জনসাধারণের জন্য উপলব্ধ AI ডেটার একটি বিশ্বব্যাপী, বৃহৎ পরিসরে এবং বৈচিত্র্যময় সেট তৈরির একটি গুরুত্বপূর্ণ প্রচেষ্টা।

এই প্রস্তাবের পরিপ্রেক্ষিতে, ইউকে বায়োব্যাঙ্ক একটি উদাহরণ স্থাপন করেছে। ইউকে বায়োব্যাঙ্ক ৩০ নভেম্বর তার ৫০০,০০০ অংশগ্রহণকারীর সম্পূর্ণ জিনোম সিকোয়েন্সিং থেকে নতুন তথ্য প্রকাশ করেছে। ৫০০,০০০ ব্রিটিশ স্বেচ্ছাসেবকের প্রত্যেকের সম্পূর্ণ জিনোম সিকোয়েন্স প্রকাশ করে এই ডাটাবেসটি বিশ্বের বৃহত্তম সম্পূর্ণ মানব জিনোম ডাটাবেস। বিশ্বজুড়ে গবেষকরা এই অ-শনাক্তকৃত তথ্যের অ্যাক্সেসের অনুরোধ করতে পারেন এবং স্বাস্থ্য এবং রোগের জিনগত ভিত্তি অনুসন্ধানের জন্য এটি ব্যবহার করতে পারেন। অতীতে জেনেটিক তথ্য যাচাইয়ের জন্য সর্বদা অত্যন্ত সংবেদনশীল ছিল এবং ইউকে বায়োব্যাঙ্কের এই ঐতিহাসিক অর্জন প্রমাণ করে যে একটি উন্মুক্ত, গোপনীয়তা-মুক্ত বিশ্বব্যাপী বৃহৎ-স্কেল ডাটাবেস তৈরি করা সম্ভব। এই প্রযুক্তি এবং ডাটাবেসের সাহায্যে, মেডিকেল এআই পরবর্তী পদক্ষেপের সূচনা করতে বাধ্য।

মেডিকেল এআই যাচাই এবং মূল্যায়ন

চিকিৎসা AI প্রযুক্তির দ্রুত বিকাশের তুলনায়, চিকিৎসা AI যাচাইকরণ এবং মূল্যায়নের বিকাশ কিছুটা ধীর। সাধারণ AI ক্ষেত্রে বৈধতা এবং মূল্যায়ন প্রায়শই AI-এর জন্য চিকিত্সক এবং রোগীদের প্রকৃত প্রয়োজনীয়তা উপেক্ষা করে। ঐতিহ্যবাহী এলোমেলোভাবে নিয়ন্ত্রিত ক্লিনিকাল ট্রায়ালগুলি AI সরঞ্জামগুলির দ্রুত পুনরাবৃত্তির সাথে মেলে না। চিকিৎসা AI সরঞ্জামগুলির জন্য উপযুক্ত যাচাইকরণ এবং মূল্যায়ন ব্যবস্থা যত তাড়াতাড়ি সম্ভব উন্নত করা হল চিকিৎসা AI-কে সত্যিকার অর্থে ক্লিনিকাল অবতরণে উন্নীত করার জন্য সবচেয়ে গুরুত্বপূর্ণ বিষয়।

নেচারে প্রকাশিত মেড-প্যালএম-এর উপর গুগলের গবেষণাপত্রে, দলটি মাল্টিমেডকিউএ মূল্যায়ন বেঞ্চমার্কও প্রকাশ করেছে, যা বৃহৎ ভাষা মডেলগুলির ক্লিনিকাল জ্ঞান অর্জনের ক্ষমতা মূল্যায়ন করতে ব্যবহৃত হয়। বেঞ্চমার্কটি ছয়টি বিদ্যমান পেশাদার চিকিৎসা প্রশ্নোত্তর ডেটাসেটকে একত্রিত করে, যা পেশাদার চিকিৎসা জ্ঞান, গবেষণা এবং অন্যান্য দিকগুলিকে অন্তর্ভুক্ত করে, পাশাপাশি একটি অনলাইন অনুসন্ধান চিকিৎসা প্রশ্ন ডাটাবেস ডেটাসেট, ডাক্তার-রোগী অনলাইন প্রশ্নোত্তর বিবেচনা করে, অনেক দিক থেকে AI কে একজন যোগ্য ডাক্তার হিসেবে প্রশিক্ষণ দেওয়ার চেষ্টা করে। এছাড়াও, দলটি মানব মূল্যায়নের উপর ভিত্তি করে একটি কাঠামো প্রস্তাব করে যা তথ্য, বোধগম্যতা, যুক্তি এবং সম্ভাব্য পক্ষপাতের একাধিক মাত্রা বিবেচনা করে। এই বছর প্রকাশিত স্বাস্থ্যসেবাতে AI মূল্যায়নের জন্য এটি সবচেয়ে প্রতিনিধিত্বমূলক গবেষণা প্রচেষ্টাগুলির মধ্যে একটি।

তবে, বৃহৎ ভাষা মডেলগুলিতে উচ্চ স্তরের এনকোডিং ক্লিনিকাল জ্ঞান দেখানোর অর্থ কি এই যে বৃহৎ ভাষা মডেলগুলি বাস্তব-বিশ্বের ক্লিনিকাল কাজের জন্য উপযুক্ত? ঠিক যেমন একজন মেডিকেল ছাত্র যিনি পেশাদার চিকিৎসক পরীক্ষায় নিখুঁত নম্বর পেয়ে উত্তীর্ণ হন তিনি এখনও একক প্রধান চিকিৎসক হতে অনেক দূরে, গুগলের প্রস্তাবিত মূল্যায়ন মানদণ্ড AI মডেলগুলির জন্য মেডিকেল AI মূল্যায়নের বিষয়টির জন্য একটি নিখুঁত উত্তর নাও হতে পারে। ২০২১ এবং ২০২২ সালের প্রথম দিকে, গবেষকরা Decid-AI, SPIRIT-AI এবং INTRPRT এর মতো রিপোর্টিং নির্দেশিকা প্রস্তাব করেছেন, যা ক্লিনিকাল ব্যবহারিকতা, সুরক্ষা, মানবিক কারণ এবং স্বচ্ছতা/ব্যাখ্যাযোগ্যতার মতো বিষয়গুলি বিবেচনা করার শর্তে মেডিকেল AI এর প্রাথমিক বিকাশ এবং বৈধতা নির্দেশ করার আশায়। সম্প্রতি, নেচার মেডিসিন জার্নাল অক্সফোর্ড বিশ্ববিদ্যালয় এবং স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের গবেষকদের দ্বারা "বহিরাগত বৈধতা" বা "পুনরাবৃত্ত স্থানীয় বৈধতা" ব্যবহার করা উচিত কিনা সে সম্পর্কে একটি গবেষণা প্রকাশ করেছে। "AI সরঞ্জামগুলিকে বৈধতা দেওয়ার জন্য"।

এআই টুলের নিরপেক্ষ প্রকৃতিও একটি গুরুত্বপূর্ণ মূল্যায়ন দিক যা এই বছর বিজ্ঞান এবং NEJM উভয় নিবন্ধ থেকেই মনোযোগ আকর্ষণ করেছে। এআই প্রায়শই পক্ষপাত প্রদর্শন করে কারণ এটি প্রশিক্ষণের তথ্যের মধ্যে সীমাবদ্ধ। এই পক্ষপাত সামাজিক বৈষম্যকে প্রতিফলিত করতে পারে, যা আরও অ্যালগরিদমিক বৈষম্যের দিকে বিকশিত হয়। জাতীয় স্বাস্থ্য ইনস্টিটিউট সম্প্রতি Bridge2AI উদ্যোগ চালু করেছে, যার আনুমানিক ব্যয় $130 মিলিয়ন, বিভিন্ন ডেটাসেট তৈরির জন্য (উপরে উল্লিখিত MAIDA উদ্যোগের লক্ষ্যগুলির সাথে সামঞ্জস্যপূর্ণ) যা চিকিৎসা AI টুলের নিরপেক্ষতা যাচাই করতে ব্যবহার করা যেতে পারে। এই দিকগুলি MultiMedQA দ্বারা বিবেচনা করা হয় না। চিকিৎসা AI মডেলগুলি কীভাবে পরিমাপ এবং যাচাই করা যায় সেই প্রশ্নটি এখনও ব্যাপক এবং গভীর আলোচনার প্রয়োজন।

জানুয়ারিতে, নেচার মেডিসিন "দ্য নেক্সট জেনারেশন অফ এভিডেন্স-বেসড মেডিসিন" নামে একটি মতামত নিবন্ধ প্রকাশ করে যা টেক্সাস বিশ্ববিদ্যালয়ের এমডি অ্যান্ডারসন ক্যান্সার সেন্টারের বিবেক সুব্বিয়াহ দ্বারা প্রকাশিত হয়েছিল, যেখানে কোভিড-১৯ মহামারীর প্রেক্ষাপটে প্রকাশিত ক্লিনিকাল ট্রায়ালের সীমাবদ্ধতা পর্যালোচনা করা হয়েছিল এবং উদ্ভাবন এবং ক্লিনিকাল গবেষণা প্রক্রিয়ার সাথে আনুগত্যের মধ্যে দ্বন্দ্ব তুলে ধরা হয়েছিল। অবশেষে, এটি ক্লিনিকাল ট্রায়াল পুনর্গঠনের একটি ভবিষ্যতের দিকে ইঙ্গিত করে - কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে পরবর্তী প্রজন্মের ক্লিনিকাল ট্রায়াল, অর্থাৎ, বিপুল সংখ্যক ঐতিহাসিক গবেষণা তথ্য, বাস্তব বিশ্বের তথ্য, মাল্টি-মডাল ক্লিনিকাল ডেটা, পরিধেয় ডিভাইস ডেটা থেকে কৃত্রিম বুদ্ধিমত্তার ব্যবহার মূল প্রমাণ খুঁজে বের করার জন্য। এর অর্থ কি এই যে AI প্রযুক্তি এবং AI ক্লিনিকাল বৈধতা প্রক্রিয়াগুলি ভবিষ্যতে পারস্পরিকভাবে শক্তিশালী এবং সহ-বিকশিত হতে পারে? এটি 2023 সালের উন্মুক্ত এবং চিন্তা-উদ্দীপক প্রশ্ন।

মেডিকেল এআই নিয়ন্ত্রণ

এআই প্রযুক্তির অগ্রগতি এআই নিয়ন্ত্রণের ক্ষেত্রেও চ্যালেঞ্জ তৈরি করছে এবং বিশ্বজুড়ে নীতিনির্ধারকরা সাবধানতার সাথে সাড়া দিচ্ছেন। ২০১৯ সালে, এফডিএ প্রথম কৃত্রিম বুদ্ধিমত্তা মেডিকেল ডিভাইসগুলিতে সফ্টওয়্যার পরিবর্তনের জন্য একটি প্রস্তাবিত নিয়ন্ত্রক কাঠামো (আলোচনার খসড়া) প্রকাশ করে, যেখানে এআই এবং মেশিন লার্নিং-চালিত সফ্টওয়্যার পরিবর্তনের প্রিমার্কেট পর্যালোচনার সম্ভাব্য পদ্ধতির বিশদ বিবরণ দেওয়া হয়েছিল। ২০২১ সালে, এফডিএ "কৃত্রিম বুদ্ধিমত্তা/মেশিন লার্নিং-ভিত্তিক সফ্টওয়্যার অ্যাজ আ মেডিকেল ডিভাইস অ্যাকশন প্ল্যান" প্রস্তাব করেছিল, যা পাঁচটি নির্দিষ্ট এআই মেডিকেল নিয়ন্ত্রক ব্যবস্থা স্পষ্ট করে। এই বছর, এফডিএ ডিভাইস সফ্টওয়্যার বৈশিষ্ট্যগুলির সুরক্ষা এবং কার্যকারিতা মূল্যায়নের জন্য প্রিমার্কেট জমা দেওয়ার সুপারিশ সম্পর্কে তথ্য প্রদানের জন্য ডিভাইস সফ্টওয়্যার বৈশিষ্ট্যগুলির জন্য প্রিমার্কেট জমা দেওয়ার পুনঃপ্রকাশ করেছে, যার মধ্যে কিছু সফ্টওয়্যার ডিভাইস বৈশিষ্ট্য রয়েছে যা মেশিন লার্নিং পদ্ধতির মাধ্যমে প্রশিক্ষিত মেশিন লার্নিং মডেল ব্যবহার করে। এফডিএর নিয়ন্ত্রক নীতি একটি প্রাথমিক প্রস্তাব থেকে ব্যবহারিক নির্দেশিকাতে বিকশিত হয়েছে।

গত বছরের জুলাই মাসে ইউরোপীয় স্বাস্থ্য তথ্য স্থান প্রকাশের পর, ইইউ আবারও কৃত্রিম বুদ্ধিমত্তা আইন প্রণয়ন করেছে। প্রথমটির লক্ষ্য হল উচ্চমানের স্বাস্থ্যসেবা প্রদান, বৈষম্য হ্রাস করা এবং প্রতিরোধ, রোগ নির্ণয়, চিকিৎসা, বৈজ্ঞানিক উদ্ভাবন, সিদ্ধান্ত গ্রহণ এবং আইন প্রণয়নের জন্য তথ্য সমর্থন করার জন্য স্বাস্থ্য তথ্যের সর্বোত্তম ব্যবহার করা, একই সাথে নিশ্চিত করা যে ইইউ নাগরিকদের তাদের ব্যক্তিগত স্বাস্থ্য তথ্যের উপর আরও বেশি নিয়ন্ত্রণ রয়েছে। দ্বিতীয়টি স্পষ্ট করে যে চিকিৎসা নির্ণয় ব্যবস্থা একটি উচ্চ-ঝুঁকিপূর্ণ AI ব্যবস্থা, এবং এটিকে লক্ষ্যবস্তু শক্তিশালী তত্ত্বাবধান, পুরো জীবনচক্র তত্ত্বাবধান এবং প্রাক-মূল্যায়ন তত্ত্বাবধান গ্রহণ করতে হবে। ইউরোপীয় মেডিসিন এজেন্সি (EMA) ওষুধের উন্নয়ন, নিয়ন্ত্রণ এবং ব্যবহারকে সমর্থন করার জন্য AI ব্যবহারের উপর একটি খসড়া প্রতিফলন পত্র প্রকাশ করেছে, যেখানে রোগীর নিরাপত্তা এবং ক্লিনিকাল গবেষণা ফলাফলের অখণ্ডতা নিশ্চিত করার জন্য AI এর বিশ্বাসযোগ্যতা উন্নত করার উপর জোর দেওয়া হয়েছে। সামগ্রিকভাবে, EU এর নিয়ন্ত্রক পদ্ধতি ধীরে ধীরে রূপ নিচ্ছে, এবং চূড়ান্ত বাস্তবায়ন বিবরণ আরও বিস্তারিত এবং কঠোর হতে পারে। ইইউ-এর কঠোর নিয়ন্ত্রণের সম্পূর্ণ বিপরীতে, যুক্তরাজ্যের এআই নিয়ন্ত্রক নীলনকশা স্পষ্ট করে দেয় যে সরকার একটি নরম দৃষ্টিভঙ্গি গ্রহণের পরিকল্পনা করছে এবং আপাতত নতুন বিল প্রণয়ন বা নতুন নিয়ন্ত্রক স্থাপন করবে না।

চীনে, জাতীয় চিকিৎসা পণ্য প্রশাসনের মেডিকেল ডিভাইস টেকনিক্যাল রিভিউ সেন্টার (NMPA) পূর্বে "গভীর শিক্ষা সহায়তাপ্রাপ্ত সিদ্ধান্ত সফ্টওয়্যারের পর্যালোচনা পয়েন্ট", "কৃত্রিম বুদ্ধিমত্তা মেডিকেল ডিভাইসের নিবন্ধন পর্যালোচনার জন্য নির্দেশিকা নীতিমালা (মন্তব্যের জন্য খসড়া)" এবং "কৃত্রিম বুদ্ধিমত্তা মেডিকেল সফ্টওয়্যার পণ্যের শ্রেণিবিন্যাস এবং সংজ্ঞার জন্য নির্দেশিকা নীতিমালার বিজ্ঞপ্তি (২০২১ সালে ৪৭ নম্বর)" এর মতো নথি জারি করেছে। এই বছর, "২০২৩ সালে প্রথম মেডিকেল ডিভাইস পণ্য শ্রেণীবিভাগের ফলাফলের সারাংশ" আবার প্রকাশিত হয়েছে। এই সিরিজের নথিগুলি কৃত্রিম বুদ্ধিমত্তা মেডিকেল সফ্টওয়্যার পণ্যগুলির সংজ্ঞা, শ্রেণীবিভাগ এবং নিয়ন্ত্রণকে আরও স্পষ্ট এবং পরিচালনা করা সহজ করে তোলে এবং শিল্পের বিভিন্ন উদ্যোগের পণ্য অবস্থান এবং নিবন্ধন কৌশলগুলির জন্য স্পষ্ট নির্দেশিকা প্রদান করে। এই নথিগুলি AI মেডিকেল ডিভাইসগুলির বৈজ্ঞানিক নিয়ন্ত্রণের জন্য একটি কাঠামো এবং ব্যবস্থাপনা সিদ্ধান্ত প্রদান করে। ২১ থেকে ২৩ ডিসেম্বর হাংঝোতে অনুষ্ঠিত চীন মেডিকেল কৃত্রিম বুদ্ধিমত্তা সম্মেলনের এজেন্ডা ডিজিটাল মেডিকেল গভর্নেন্স এবং পাবলিক হাসপাতালের উচ্চ-মানের উন্নয়ন এবং কৃত্রিম বুদ্ধিমত্তা মেডিকেল ডিভাইস পরীক্ষা এবং মূল্যায়ন প্রযুক্তি মানদণ্ড শিল্প উন্নয়ন ফোরামের উপর একটি বিশেষ ফোরাম স্থাপনের জন্য অপেক্ষা করা মূল্যবান। সেই সময়ে, জাতীয় উন্নয়ন ও সংস্কার কমিশন এবং NMPA-এর কর্মকর্তারা সভায় যোগ দেবেন এবং নতুন তথ্য প্রকাশ করতে পারেন।

উপসংহার

২০২৩ সালে, মেডিকেল এআই সম্পূর্ণ মেডিকেল আপস্ট্রিম এবং ডাউনস্ট্রিম প্রক্রিয়ার সাথে একীভূত হতে শুরু করেছে, যার মধ্যে রয়েছে হাসপাতালের তথ্য সংগ্রহ, ফিউশন, বিশ্লেষণ, রোগ নির্ণয় এবং চিকিৎসা, এবং কমিউনিটি স্ক্রিনিং, এবং মেডিকেল/রোগ নিয়ন্ত্রণ কর্মীদের সাথে জৈবিকভাবে সহযোগিতা, যা মানব স্বাস্থ্যের সুস্থতা আনার সম্ভাবনা প্রদর্শন করে। ব্যবহারযোগ্য মেডিকেল এআই গবেষণার সূচনা হতে শুরু করেছে। ভবিষ্যতে, মেডিকেল এআই-এর অগ্রগতি কেবল প্রযুক্তিগত উন্নয়নের উপর নির্ভর করে না, বরং শিল্প, বিশ্ববিদ্যালয় এবং চিকিৎসা গবেষণার পূর্ণ সহযোগিতা এবং নীতিনির্ধারক এবং নিয়ন্ত্রকদের সহায়তারও প্রয়োজন। এই ক্রস-ডোমেন সহযোগিতা এআই-সমন্বিত চিকিৎসা পরিষেবা অর্জনের মূল চাবিকাঠি এবং অবশ্যই মানব স্বাস্থ্যের উন্নয়নকে উৎসাহিত করবে।