A का उपयोग करके फंडस फोटोग्राफी में ग्लुकोमा का स्वचालित पता लगाना

ग्लोबल बर्डेन ऑफ़ ग्लुकोमा और प्रारंभिक जांच के वादा

ग्लुकोमा नेत्र विज्ञान में सबसे अधिक दबाने वाली चुनौतियों में से एक है, जो दुनिया भर में लगभग 80 मिलियन लोगों को प्रभावित करता है और लाखों लोगों में अपरिवर्तनीय अंधापन पैदा करता है। रोग की आक्रामक प्रकृति - अक्सर अपने प्रारंभिक चरणों में स्पर्शोन्मुख - नियमित स्क्रीनिंग आलोचनात्मक बनाता है। फिर भी, पारंपरिक स्क्रीनिंग विधियों का सामना करना महत्वपूर्ण बाधाएं: स्लैट-लैम्प बायोमिक्रोस्कोपी, ऑप्टिक तंत्रिका इमेजिंग और दृश्य क्षेत्र परीक्षण के लिए महंगे उपकरण और विशेषज्ञ व्याख्या की आवश्यकता होती है। नतीजतन, विकसित देशों में अनुमानित 50% मामलों और विकासशील क्षेत्रों में 90% तक अप्रत्याशित रहा। यह नैदानिक अंतराल वह जगह है जहां कृत्रिम खुफिया (एआई) एक परिवर्तनीय समाधान प्रदान करता है - गति विश्लेषण के साथ स्वचालित स्थिरता का पता लगाकर।

The study of the study of the body and the body of the body of the body and the body of the body of the body and the body of the body of the body of the body and the body of the body of the body.

क्या है अंदर की आँखों

ग्लुकोमा में ऑप्टिक न्यूरोपैथी का एक विषम समूह शामिल है जो रेटिना गैंग्लियन कोशिकाओं और उनके अक्षों के प्रगतिशील नुकसान की विशेषता है। प्राथमिक जोखिम कारक इंट्राओकुलर दबाव (IOP) को ऊंचा कर देता है, हालांकि सामान्य तनाव ग्लूकोमा दर्शाता है कि अन्य संवहनी और यांत्रिक कारक योगदान करते हैं। क्षति ऑप्टिक तंत्रिका सिर (ONH) और रेटिना तंत्रिका फाइबर परत (RNFL) में प्रकट होती है। फंडस फोटोग्राफी इन संरचनाओं को उच्च रिज़ॉल्यूशन के साथ कैप्चर करती है, जिससे इसे AI आधारित विश्लेषण के लिए एक प्राकृतिक माध्यम बना दिया जाता है।

कोष छवि में मुख्य एनाटोमिक विशेषताएं

Optic डिस्क cupping: कप से डिस्क अनुपात (CDR) का विस्तार ग्लूकोमेटस क्षति का एक बड़ा हॉलमार्क है। सामान्य CDR आम तौर पर 0.3 से कम है; 0.6 से ऊपर मान संदिग्ध हैं।
]Neuroretinal rim thinning: फोकल या रिम के संकुचन फैलाना, विशेष रूप से कम और बेहतर ध्रुवों (ISNT नियम उल्लंघन) पर।
]Retinal तंत्रिका फाइबर परत दोष: कील के आकार का या फैलने वाले अंधेरे क्षेत्रों को ऑप्टिक डिस्क से विकिरणित करना, लाल-मुक्त निधियों की तस्वीरों में सबसे अच्छा दिखाई देता है।
Peripapillary atrophy: बीटा-जोन atrophy डिस्क के चारों ओर glaucoma गंभीरता के साथ सहसंबंधित है।
]Splinter hemorrhage: कभी-कभी प्रारंभिक चरणों में डिस्क मार्जिन पर दिखाई देते हैं।

वर्तमान स्क्रीनिंग पैराडिम और उनकी सीमा

मानक ग्लॉकोमा स्क्रीनिंग आईओपी माप (टोनोमेट्री), दृश्य क्षेत्र परीक्षण (perimetry), और ऑप्टिक तंत्रिका आकलन के संयोजन पर निर्भर करती है। प्रत्येक विधि में कमी होती है: आईओपी केवल एक प्रॉक्सी है - सामान्य आईओपी वाले कई रोगी ग्लॉकोमा विकसित करते हैं, जबकि अन्य उन्नत आईओपी कभी क्षति नहीं दिखाते हैं। पेरिमेट्री को रोगी सहयोग की आवश्यकता होती है और समय लेने वाली होती है। चिकित्सकों द्वारा ऑप्टिक तंत्रिका मूल्यांकन विशेष रूप से विशेष प्रशिक्षण के बिना प्राथमिक देखभाल सेटिंग्स में होता है। फंडस फोटोग्राफी, हालांकि सरल और त्वरित प्रदर्शन के लिए, अभी भी विशेषज्ञ ग्रेडिंग की आवश्यकता होती है। ये सीमाएं सामूहिक रूप से व्यापक, लागत प्रभावी स्क्रीनिंग को रोकने के लिए हैं, विशेष रूप से कम संसाधनों के वातावरण में।

कैसे AI ने फंडस छवि विश्लेषण को परिवर्तित किया

छवि वर्गीकरण के लिए दीप लर्निंग आर्किटेक्चर

ग्लॉकोमा डिटेक्शन के लिए आधुनिक एआई सिस्टम मुख्य रूप से विकासात्मक तंत्रिका नेटवर्क (CNNs) पर आधारित हैं। मॉडल जैसे कि रेसनेट, इंस्सेप्शन और कुशल नेट को फंडस छवियों में सूक्ष्म पैटर्न को पहचानने के लिए अनुकूलित किया गया है जो स्वस्थ आंखों से ग्लॉकोमाटियस को अलग करते हैं। पारंपरिक कंप्यूटर दृष्टि विधियों के विपरीत जो हस्त-निर्मित सुविधाओं (जैसे, CDR माप) पर निर्भर करते हैं, गहरी शिक्षा सीधे पिक्सेल डेटा से सीखती है, अक्सर पाठ्यपुस्तकों में स्पष्ट रूप से वर्णित नहीं सुविधाओं की पहचान करती है। उदाहरण के लिए, कुछ AI मॉडलों को पेरिपिलेरी एट्रोफी और पोत पैटर्न में भाग लेने के लिए देखा गया है जो मानव ग्रेडर को नजरअध्यक्षित कर सकते हैं।

प्रशिक्षण डेटा और एनोटेशन चैलेंज

किसी भी एआई मॉडल का प्रदर्शन मूल रूप से अपने प्रशिक्षण डेटासेट की गुणवत्ता और विविधता से जुड़ा हुआ है। बड़े सार्वजनिक डेटासेट जैसे Kaggle Glaucoma Detection] प्रतियोगिता डेटासेट, RIM-ONE, और DRISHTI-GS हजारों लेबल वाली छवियां प्रदान करते हैं। हालांकि, ये डेटासेट अक्सर सीमित जातीय विविधता, समान इमेजिंग स्थितियों से पीड़ित होते हैं, और विभिन्न एनोटेशन मानदंडों (जैसे, संदर्भित करने योग्य ग्लूकोमा बनाम डिफिनाइट ग्लॉकोमेटस क्षति) को अलग-अलग करते हैं।

प्रीप्रोसेसिंग और सेगमेंटेशन चरण

Image standardization: उपकरण प्रेरित परिवर्तनशीलता को कम करने के लिए रीसाइजिंग, सामान्यीकरण और रंग सुधार।
Optic डिस्क स्थानीयकरण: कई एआई पाइपलाइनों का पहला वर्गीकरण नेटवर्क को लागू करने से पहले ऑप्टिक डिस्क क्षेत्र (रिग्रेशन या ऑब्जेक्ट डिटेक्शन का उपयोग करके) का पता लगाते हैं - यह प्रासंगिक शरीर रचना पर गणना को केंद्रित करता है।
]Vessel inpainting: कुछ एल्गोरिदम संवहनी स्थलों और कपिंग सीमाओं के बीच भ्रम को रोकने के लिए ONH क्षेत्र से रक्त वाहिकाओं को हटा देते हैं।
डेटा augmentation: रोटेशन, फ्लिप, लोचदार विरूपण, और चमक बदलाव मॉडल सामान्यीकरण में मदद करते हैं।

स्वचालित ग्लुकोमा डिटेक्शन में हाल के ब्रेकथ्रू

पिछले तीन वर्षों में, अनुसंधान नैदानिक रूप से व्यवहार्य प्रणालियों के लिए सबूत के अवधारणा से ले जाया गया है। एक 2023 मेटा-विश्लेषण में प्रकाशित Ophthalmology] पाया कि गहरे शिक्षण मॉडल ने 92% की संभाव्यता और 88% की विशिष्टता को वित्तपोष फोटो से संदर्भित ग्लूकोमा का पता लगाने के लिए हासिल किया - प्रदर्शन प्रतिद्वंद्वी जो फेलोशिप-ट्रेड ग्लूकोमा विशेषज्ञों की है ](Thompson एट अल।, 2023) [[FLT: 3]]. कई व्यावसायिक समाधान, जैसे कि IDx-DR और Visulytix's स्क्रीन डायबिटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्युटीक्यु

रोग प्रगति की भविष्यवाणी

इसके अलावा, नए एआई सिस्टम में अनुदैर्ध्य फंडस छवि श्रृंखला को शामिल किया गया है, जो भविष्यवाणी करने के लिए कि कौन से रोगी प्रगति के उच्च जोखिम पर हैं। उदाहरण के लिए, एक मॉडल को OHDSI डेटाबेस से सीरियल फोटो पर प्रशिक्षित किया गया है, भविष्य में कप-टू-डिस्क अनुपात में परिवर्तन का पूर्वानुमान कर सकता है, जिससे कार्यात्मक हानि होने से पहले गहन निगरानी के लिए तेजी से प्रगति होती है।

बहुमॉडल दृष्टिकोण

अन्य इमेजिंग मोडेलिटी (OCT, विजुअल फील्ड्स, इंट्राओकुलर दबाव) के साथ फंडस फोटोग्राफी को मिलाकर नैदानिक सटीकता को बढ़ा देता है। हाल ही में सिस्टम ने फंडस फ़ोटो और OCT RNFL मोटाई के नक्शे को दोहरे स्ट्रीम CNN का उपयोग करके फ्यूज किया, जो 0.96 से ऊपर AUC को प्राप्त करता है। इस तरह के एकीकरण वास्तविक दुनिया की विशेषता देखभाल को प्रतिबिंबित करता है जहां चिकित्सक एकाधिक डेटा स्रोतों को संश्लेषित करते हैं।

रियल-विश्व तैनाती और नैदानिक सत्यापन

सामुदायिक और टेलीमेडिसिन सेटिंग में स्क्रीनिंग

एआई-सक्षम निधि कैमरे अब प्राथमिक देखभाल क्लीनिक, फार्मेसियों और मोबाइल स्वास्थ्य वैन में तैनात किए जा रहे हैं। सिंगापुर में एक बड़े पैमाने पर कार्यक्रम में, सामुदायिक स्क्रीनिंग घटनाओं से 100,000 से अधिक धन की तस्वीरों का विश्लेषण करने वाली एक गहरी सीखने की प्रणाली थी। प्रारंभिक ग्लॉकोमा का पता लगाने के लिए प्रणाली की संवेदनशीलता 85% थी, जिसमें रेफरल दरों को निर्णय सीमा को समायोजित करके प्रबंधनीय रखा गया था (Liu एट अल., 2021) ]. यह संभावित रूप से नीचे की आबादी में ग्लूकोमा स्क्रीनिंग तक पहुंच का विस्तार करने की क्षमता प्रदर्शित करता है।

नैदानिक एकीकरण में चुनौतियां

]Regulatory अनुमोदन: अधिकांश एआई सिस्टम को यूरोपीय संघ (CE अंकन) में "चिकित्सा उपकरण सॉफ्टवेयर" के रूप में अनुमोदित किया जाता है या अमेरिका में FDA-क्लेयर किया जाता है। नियामक बोझ विशेष रूप से उन उपकरणों के लिए उच्च है जो नैदानिक निर्णयों को बिना क्लिनिकियन ओवरराइड के स्वायत्त नैदानिक निर्णय लेते हैं।
Workflow एकीकरण: इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHR) में निर्बाध एकीकरण और अस्पताल PACS सिस्टम अनिवार्य है लेकिन अक्सर तकनीकी रूप से अंतर-संचालन मानकों (HL7, FHIR) के कारण जटिल है।
]इंटरप्रेबिलिटी: क्लिनिकियन "ब्लैक बॉक्स" सिस्टम पर भरोसा करने के लिए संकोची रहते हैं। Saliency मैप्स और ग्रैड-सीएएम ओवरले दिखाते हैं कि छवि के कौन से क्षेत्र निर्णय लेने में मदद को प्रभावित करते हैं।
]कानूनी देयता: जब AI ग्लॉकोमा के मामले को याद करता है, तो जिम्मेदारी स्पष्ट नहीं है - क्या यह चिकित्सक है जिन्होंने एआई आउटपुट की समीक्षा की थी, जो उस संस्था ने इसे तैनात किया था, या विक्रेता?

नैतिक विचार और इक्विटी

एआई सिस्टम मुख्य रूप से एशियाई या कोकेशियान आबादी से फंडस छवियों पर प्रशिक्षित किया गया है, जो अफ्रीकी या हिस्पैनिक रोगियों पर खराब प्रदर्शन कर सकता है, जिसका ऑप्टिक डिस्क विशेषताओं अलग है। एक अध्ययन में पाया गया कि अफ्रीकी अमेरिकी फंडस तस्वीरों पर परीक्षण करते समय केवल एक चीनी डेटासेट पर प्रशिक्षित मॉडल में 20% कम संवेदनशीलता थी। जातीय रूप से विविध डेटासेट पर कठोर सत्यापन वैकल्पिक नहीं है - यह स्वास्थ्य असमानताओं को बढ़ाने से बचने के लिए एक नैतिक अनिवार्य है। इसके अतिरिक्त, एआई-इक्वाइप किए गए कैमरों और क्लाउड प्रोसेसिंग की लागत कम आय वाली सेटिंग्स में गोद लेने की सीमा तक सीमित हो सकती है जब तक कि ओपन-सोर्स मॉडल और ऑफ-कैपेबल समाधान मुख्यधारा बन जाते हैं।

भविष्य निर्देश: से जांच करने के लिए निर्देशित प्रबंधन

Explainable AI and Clinician-AI सहयोग

अगली पीढ़ी की प्रणालियों को बदलने के लिए नहीं बल्कि क्लिनिकियों को बढ़ाने के लिए डिज़ाइन किया गया है। एक एआई एक संदिग्ध फंडस छवि को ध्वजांकित कर सकता है, फिर एक क्वार्टिफाइड सीडीआर माप, रिम हानि विभाजन और प्रगति के लिए जोखिम स्कोर प्रदान करता है। नेत्र रोग विशेषज्ञ इन आउटपुट की समीक्षा कर सकते हैं और अंतिम निर्णय ले सकते हैं। यह मानव-इन-लूप पैराडाइम एआई की स्थिरता का लाभ उठाने के दौरान चिकित्सक स्वायत्तता को संरक्षित करता है।

अल्ट्रा-वाइडफील्ड फंडस फोटोग्राफी

नए कैमरे रेटिना के 200 ° पर कब्जा करते हैं, जो दूर-परीफेरल घावों का खुलासा करते हैं जो ग्लॉकोमा (जैसे, वर्णक फैलाव या exfoliation सिंड्रोम में) के लिए प्रासंगिक हो सकते हैं। एआई मॉडल को अल्ट्रा-वाइडफील्ड छवियों का विश्लेषण करने के लिए अनुकूलित किया जा रहा है, हालांकि वे वर्तमान में परिधीय रोशनी में विरूपण और परिवर्तनशीलता के साथ चुनौतियों का सामना करते हैं।

OCT और कार्यात्मक परीक्षण के साथ एकीकरण

OCT RNFL को क्वांटिफाइड करने और गैंग्लियन सेल-इनर plexiform परत (GC-IPL) मोटाई के लिए सोने का मानक बना हुआ है। एक एल्गोरिथ्म में OCT डेटा के साथ फंडस फोटो AI को मिलाकर एक "retinal स्वास्थ्य स्कोर" पैदा कर सकता है जो संरचनात्मक और संवहनी परिवर्तनों दोनों के लिए खाते हैं। कुछ समूह सीधे फंडस छवियों से दृश्य क्षेत्र के नुकसान की भविष्यवाणी करने के साथ प्रयोग कर रहे हैं, जिससे महंगी पेरीमेट्री मशीन स्क्रीनिंग के लिए अनावश्यक हो सकती है।

निष्कर्ष: ग्लुकोमा केयर में एक परादिगम शिफ्ट

एआई का उपयोग करके फंडस फोटोग्राफी से ग्लॉकोमा का स्वचालित पता लगाना अब एक भविष्यवादी अवधारणा नहीं है - यह पहले से ही दुनिया भर में स्क्रीनिंग कार्यक्रमों पर एक स्पर्श प्रभाव डाल रहा है। जबकि डेटासेट विविधता, नैदानिक एकीकरण और इक्विटी में चुनौतियों को स्पष्ट रूप से देखा गया है: गहरी सीखने की प्रणाली विश्वसनीय, लागत प्रभावी उपकरण बन रही है जो विशेषज्ञ स्तर के निदान की पहुंच को सेटिंग्स में विस्तारित करती है जहां ग्लॉकोमा एक बार अदृश्य महामारी थी। अगले दशक में संभावना है कि एआई-सहायता प्राप्त स्क्रीनिंग नियमित आंखों की परीक्षाओं का एक मानक घटक बन जाएगा, जो दृष्टि के सक्रिय संरक्षण के लिए उन्नत रोग के प्रतिक्रियाशील उपचार से जोर को स्थानांतरित कर देती है।