ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕ್ಯಾನ್ಸರ್-ಬೇಟೆ ಕ್ರಮಾವಳಿಗಳು (AI) ಅವರು ಮಾನವ ರೋಗಶಾಸ್ತ್ರಜ್ಞರಂತೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಮೀಪಿಸಿದಾಗ ಉತ್ತಮ ಕೆಲಸವನ್ನು ಮಾಡಬಹುದು, ಹೊಸ ಅಧ್ಯಯನವು ಸೂಚಿಸುತ್ತದೆ.
ಅನೇಕ AI ವ್ಯವಸ್ಥೆಗಳು ಅಂಗಾಂಶ ಮಾದರಿಯ ಪೂರ್ವ-ಆಯ್ಕೆ ಮಾಡಿದ ಪ್ರದೇಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತವೆ ಅಥವಾ ಸಂಪೂರ್ಣ ರೋಗಶಾಸ್ತ್ರದ ಸ್ಲೈಡ್ ಅನ್ನು ಸ್ಥಿರ-ಗಾತ್ರದ ಪ್ಯಾಚ್ಗಳಾಗಿ ವಿಭಜಿಸುತ್ತವೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಹೆಚ್ಚು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಹುಡುಕುತ್ತಾರೆ, ಅಂಗಾಂಶದ ಮೇಲೆ ಪ್ಯಾನ್ ಮಾಡುತ್ತಾರೆ, ಝೂಮ್ ಇನ್ ಮತ್ತು ಔಟ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಕೆಂಪು ಧ್ವಜಗಳನ್ನು ಎತ್ತುವ ಪ್ರದೇಶಗಳ ಮೇಲೆ ವಿರಾಮಗೊಳಿಸುತ್ತಾರೆ. ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಶತಕೋಟಿ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಆದರೆ ಪುರಾವೆ ಕ್ಯಾನ್ಸರ್ ಇದು ಒಂದು ಸಣ್ಣ ಪ್ಯಾಚ್ ಅನ್ನು ಮಾತ್ರ ಆಕ್ರಮಿಸಬಹುದು.
ಅಧ್ಯಯನದ ಸಹ ಲೇಖಕ ಝಿ ಹುವಾಂಗ್ಪೆನ್ಸಿಲ್ವೇನಿಯಾ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ರೋಗಶಾಸ್ತ್ರ ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ಔಷಧದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕರು ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹುಡುಕಾಟ ಮತ್ತು ಪಾರುಗಾಣಿಕಾ ಹೆಲಿಕಾಪ್ಟರ್ಗೆ ಹೋಲಿಸಿದ್ದಾರೆ. “ನೀವು ಒಂದು ಚದರ ಮೀಟರ್ ಭೂಮಿಯನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಬೇಡಿ” ಎಂದು ಹುವಾಂಗ್ ಲೈವ್ ಸೈನ್ಸ್ಗೆ ತಿಳಿಸಿದರು. ಮೊದಲು ನೀವು ಭೂದೃಶ್ಯವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ ಮತ್ತು ನಂತರ ಹತ್ತಿರದ ನೋಟಕ್ಕಾಗಿ ಹೋಗಿ.
ನಿಂದ ಇತ್ತೀಚಿನ ವೀಡಿಯೊಗಳುದಿ ಸೈನ್ಸ್ ಆಫ್ ಲಿವಿಂಗ್
ಜರ್ನಲ್ನಲ್ಲಿ ಜುಲೈನಲ್ಲಿ ಪ್ರಕಟವಾದ ಹೊಸ ಅಧ್ಯಯನದಲ್ಲಿ ಪ್ರಕೃತಿಹುವಾಂಗ್ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿಗಳು ಈ ಮಾನವೀಕರಿಸಿದ ವಿಧಾನದ ಅಗತ್ಯವಿರುವಾಗ ಕ್ಯಾನ್ಸರ್ ಪತ್ತೆಗಾಗಿ AI ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಎಂದು ಪ್ರದರ್ಶಿಸಿದರು.
ಕ್ಯಾನ್ಸರ್ ಬೇಟೆಯಾಡಲು AI ಗೆ ತರಬೇತಿ ನೀಡಿ
ವಿಷನ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಸ್ (VLMs) ಎಂದು ಕರೆಯಲ್ಪಡುವ AI ಅಲ್ಗಾರಿದಮ್ಗಳು ಹುವಾಂಗ್ ವಿವರಿಸಿದ ಮೊದಲ ಹೆಜ್ಜೆಯೊಂದಿಗೆ ಹೋರಾಡುತ್ತವೆ – ಅದು ಆರಂಭಿಕ, ಆಳವಿಲ್ಲದ ಸ್ಕ್ಯಾನ್. ಇದು ಭಾಗಶಃ ಏಕೆಂದರೆ ಅನೇಕ ರೋಗಶಾಸ್ತ್ರದ AI ವ್ಯವಸ್ಥೆಗಳು ಆ ಹುಡುಕಾಟದ ಕೊನೆಯಲ್ಲಿ ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಏನು ಬಿಟ್ಟುಬಿಡುತ್ತಾರೆ ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತಾರೆ: ಕ್ಯಾನ್ಸರ್ ಎಲ್ಲಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುವ ಲೇಬಲ್ ಚಿತ್ರ ಅಥವಾ ಔಪಚಾರಿಕ ರೋಗನಿರ್ಣಯ.
ಬದಲಾಗಿ, ಸಂಶೋಧಕರು ತಮ್ಮ ಹೊಸ AI ಅನ್ನು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಹುಡುಕಾಟ ನಡವಳಿಕೆಯ ಕುರಿತು ತರಬೇತಿ ನೀಡಿದರು. ಅವರು ಈ ತರಬೇತಿ ವಿಧಾನವನ್ನು “Pathology-CoT” ಎಂದು ಕರೆದರು, “ಚಿಂತನೆಯ ಸರಪಳಿ” ಗಾಗಿ ಚಿಕ್ಕದಾಗಿದೆ. ಇದು ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಚಿತ್ರದ ಮೇಲೆ ಚಲಿಸುವಾಗ ಮತ್ತು ಜೂಮ್ ಮಾಡಿದಾಗ, ತರಬೇತಿ ಡೇಟಾಗೆ ಸೇರಿದಂತೆ ಗಮನಿಸಬಹುದಾದ ಕ್ರಿಯೆಗಳನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ.
ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು, ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಸ್ಲೈಡ್ನ ಸುತ್ತಲೂ ಹೇಗೆ ಚಲಿಸುತ್ತಾರೆ ಮತ್ತು ವರ್ಧನೆಯನ್ನು ಬದಲಾಯಿಸಿದರು ಎಂಬುದನ್ನು ದಾಖಲಿಸುವ ಸಾಧನವನ್ನು ತಂಡವು ರಚಿಸಿತು. ಎಂಟು ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಂದ ಸಂಗ್ರಹಿಸಲಾದ ಕಚ್ಚಾ ದಾಖಲೆಗಳು ಗೊಂದಲಮಯವಾಗಿವೆ, ಏಕೆಂದರೆ ನಿರ್ದಿಷ್ಟ ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಸ್ಲೈಡ್ನಲ್ಲಿ ಚಲಿಸಬಹುದು, ಉದ್ದೇಶಿತ ಫೋಕಸ್ ಪ್ರದೇಶವನ್ನು ಮೀರಬಹುದು ಅಥವಾ ಅದನ್ನು ತಮ್ಮ ಇಚ್ಛೆಗೆ ಸರಿಹೊಂದಿಸಲು ವರ್ಧನೆಯೊಂದಿಗೆ ಆಡಬಹುದು.
ಪ್ರಪಂಚದ ಅತ್ಯಂತ ಆಕರ್ಷಕ ಆವಿಷ್ಕಾರಗಳನ್ನು ನೇರವಾಗಿ ನಿಮ್ಮ ಇನ್ಬಾಕ್ಸ್ಗೆ ಪಡೆಯಿರಿ.
ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ಸಂಶೋಧಕರು ಆ ಪ್ರಾಸಂಗಿಕ ಚಲನೆಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿದರು, ಉದ್ದೇಶಪೂರ್ವಕ ಗಮನವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಕ್ಷಣಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರು, ಉದಾಹರಣೆಗೆ ವೀಕ್ಷಣೆಯಲ್ಲಿ ಕಾಲಹರಣ ಮಾಡುವುದು ಅಥವಾ ನಿರಂತರ ಫಲಕವನ್ನು ರಚಿಸುವುದು. ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ನಿಜವಾಗಿ ಎಲ್ಲಿ ನೋಡುತ್ತಿದ್ದಾರೆ ಎಂಬುದನ್ನು ಸಾಫ್ಟ್ವೇರ್ ಸೆರೆಹಿಡಿಯುತ್ತಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಲು ಅವರು ಆ ಪ್ರದೇಶಗಳನ್ನು ಕಣ್ಣಿನ ಟ್ರ್ಯಾಕಿಂಗ್ ಡೇಟಾದೊಂದಿಗೆ ಹೋಲಿಸಿದರು.
ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಂದ ಪರೀಕ್ಷಿಸಲ್ಪಟ್ಟ ಪ್ರತಿಯೊಂದು ಪ್ರದೇಶಕ್ಕೂ, VLM ಪ್ರದೇಶವು ಏಕೆ ಪರೀಕ್ಷಿಸಲು ಯೋಗ್ಯವಾಗಿದೆ ಮತ್ತು ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳು ಗೋಚರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಸಂಕ್ಷಿಪ್ತ ತಾರ್ಕಿಕತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು; ಮಾನವ ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ತರ್ಕಬದ್ಧತೆಯನ್ನು ಸ್ವೀಕರಿಸಬಹುದು, ಸಂಪಾದಿಸಬಹುದು ಅಥವಾ ತಿರಸ್ಕರಿಸಬಹುದು, AI ಗಾಗಿ ಹೆಚ್ಚುವರಿ ತರಬೇತಿ ಡೇಟಾವನ್ನು ರಚಿಸಬಹುದು. ಒಂದು ಉದಾಹರಣೆಯಲ್ಲಿ, AI ಸ್ಲೈಡ್ನ ಒಂದು ಭಾಗವನ್ನು ಸಂಭಾವ್ಯವಾಗಿ ಮೆಟಾಸ್ಟಾಟಿಕ್ ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದೆ ಮತ್ತು ವಿಲಕ್ಷಣ ಕೋಶಗಳನ್ನು ನೋಡಲು ಜೂಮ್ ಇನ್ ಮಾಡಲು ಸಲಹೆ ನೀಡಿದೆ. ಪರೀಕ್ಷಿಸಿದ ಇತರ ಪ್ರದೇಶಗಳನ್ನು ಆರೋಗ್ಯಕರ ಅಂಗಾಂಶ ಎಂದು ಗುರುತಿಸಲಾಗಿದೆ.
ಅಂತಿಮವಾಗಿ, ಸಂಶೋಧಕರು ಈ ತರಬೇತಿ ವಿಧಾನವನ್ನು ಪ್ಯಾಥಾಲಜಿ-ಒ3 ಎಂಬ ಹೊಸ ಉಪಕರಣವನ್ನು ನಿರ್ಮಿಸಲು ಬಳಸಿದರು. ಇದು ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿ ಸ್ಲೈಡ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ, ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ನಡವಳಿಕೆಯ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಹತ್ತಿರದ ನೋಟಕ್ಕೆ ಯೋಗ್ಯವಾದ ಪ್ರದೇಶಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ನಂತರ ಆ ಪ್ರದೇಶಗಳ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ವೀಕ್ಷಣೆಗಳನ್ನು ವಿಶ್ಲೇಷಣೆಗಾಗಿ VLM ಗೆ ಕಳುಹಿಸುತ್ತದೆ.
ರೋಗಶಾಸ್ತ್ರ-CoT ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ಅಲ್ಗಾರಿದಮ್ಗಳಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತದೆ ಮತ್ತು ನಂತರ ಹತ್ತಿರದ ನೋಟಕ್ಕಾಗಿ ಆಸಕ್ತಿಯ ಪ್ರದೇಶಗಳಿಗೆ ಹಿಂತಿರುಗುತ್ತದೆ.
(ಚಿತ್ರ ಕ್ರೆಡಿಟ್: ಗೆಟ್ಟಿ ಇಮೇಜಸ್ ಮೂಲಕ ಯುನಿವರ್ಸಲ್ ಇಮೇಜಸ್ ಗ್ರೂಪ್)
ಅದನ್ನು ಪರೀಕ್ಷೆಗೆ ಒಡ್ಡುವುದು
ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ಕ್ಯಾನ್ಸರ್ ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ನಿರ್ದಿಷ್ಟವಾಗಿ ನಿರ್ಮಿಸಲಾದ ವಿಶೇಷ AI ಮಾದರಿಗಳಿಗಿಂತ ರೋಗಶಾಸ್ತ್ರ-o3 ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುವುದು ಹೊಸ ಅಧ್ಯಯನದ ಗುರಿಯಲ್ಲ ಎಂದು ಹುವಾಂಗ್ ಹೇಳಿದರು; ಆ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ರೋಗದಿಂದ ತರಬೇತಿ ಪಡೆದ ರೋಗಗಳಾಗಿವೆ. ಬದಲಿಗೆ, ಸಂಶೋಧಕರು ತಮ್ಮ ಹೊಸ ತರಬೇತಿ ವಿಧಾನವು ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ AI ರೋಗಶಾಸ್ತ್ರದ ಸ್ಲೈಡ್ ಅನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡಬಹುದೇ ಎಂದು ನೋಡಲು ಬಯಸಿದ್ದರು.
ಅವರು ರೋಗಶಾಸ್ತ್ರ-o3 ಅನ್ನು OpenAI o3 ನಂತಹ ಇತರ ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ AI ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೋಲಿಸಿದರು ಮತ್ತು ದುಗ್ಧರಸ ಗ್ರಂಥಿಯ ಅಂಗಾಂಶವನ್ನು ಹೊಂದಿರುವ ಸ್ಲೈಡ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಕೇಳಿದರು. ಈ ಸ್ಲೈಡ್ಗಳನ್ನು ಕೊಲೊರೆಕ್ಟಲ್ ಕ್ಯಾನ್ಸರ್ ಪ್ರಕರಣಗಳಿಂದ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಮತ್ತು ಕೆಲವು ಮೆಟಾಸ್ಟಾಟಿಕ್ ಕ್ಯಾನ್ಸರ್ ಅನ್ನು ಒಳಗೊಂಡಿವೆ, ಇದನ್ನು ಮಾನವ ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಈಗಾಗಲೇ ಲೇಬಲ್ ಮಾಡಿದ್ದಾರೆ.
ಅಲ್ಗಾರಿದಮ್ 100% ಸಮಯ ಕ್ಯಾನ್ಸರ್ಗೆ ಧನಾತ್ಮಕವಾಗಿರುವ ಸ್ಲೈಡ್ಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದೆ. ಆದಾಗ್ಯೂ, ಧನಾತ್ಮಕ ಎಂದು ಗುರುತಿಸಲಾದ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ, 15.5% ವಾಸ್ತವವಾಗಿ ನಕಾರಾತ್ಮಕವಾಗಿವೆ. ಹೋಲಿಸಿದರೆ, OpenAI o3 87.5% ಸಮಯ ಕ್ಯಾನ್ಸರ್ಗೆ ಧನಾತ್ಮಕವಾಗಿರುವ ಸ್ಲೈಡ್ಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದೆ. ಧನಾತ್ಮಕ ಎಂದು ಗುರುತಿಸಲಾದ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ, 53.3% ವಾಸ್ತವವಾಗಿ ನಕಾರಾತ್ಮಕವಾಗಿವೆ.
ಸಂಭಾವ್ಯ ಕ್ಯಾನ್ಸರ್ ಅನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಬದಲು ಬೇರೆ ಯಾವುದನ್ನಾದರೂ ಫ್ಲ್ಯಾಗ್ ಮಾಡುವ ಬದಿಯಲ್ಲಿ ತಪ್ಪಾಗಲು ಸಂಶೋಧಕರು ರೋಗಶಾಸ್ತ್ರ-o3 ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದಾರೆ. ಇದು ತಪ್ಪು ಧನಾತ್ಮಕ ದರವನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಹುವಾಂಗ್ ಹೇಳಿದರು.
ಈ ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ದರವು ಸ್ವೀಕಾರಾರ್ಹವಾಗಿದೆಯೇ ಎಂಬುದು ರೋಗಶಾಸ್ತ್ರ-o3 ಅನ್ನು ಹೇಗೆ ಬಳಸುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ ಎಂದು ಅವರು ಹೇಳಿದರು ಮೊಹಮ್ಮದ್ ಅಸಾದಿಸಂಶೋಧನೆಯಲ್ಲಿ ಭಾಗಿಯಾಗದ ಸ್ಟ್ಯಾನ್ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿ. AI ತನ್ನ ಸ್ವಂತ ರೋಗಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಇದು ಸಾಕಷ್ಟು ನಿಖರವಾಗಿಲ್ಲ, ಆದರೆ ಪರಿಶೀಲಿಸಲು ಯೋಗ್ಯವಾದ ಸ್ಲೈಡ್ನ ಪ್ರದೇಶಗಳಿಗೆ ಮಾನವನನ್ನು ನಿರ್ದೇಶಿಸಲು ಸಿಸ್ಟಮ್ಗೆ ಇದು ಇನ್ನೂ ಉಪಯುಕ್ತವಾಗಿದೆ. ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಅನ್ನು ಅನುಮಾನಾಸ್ಪದವೆಂದು ಘೋಷಿಸುವ ಬದಲು ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ನಿರ್ದಿಷ್ಟ ಪ್ರದೇಶವನ್ನು ಪರೀಕ್ಷಿಸಲು ಈ ವಿಧಾನವು ಒಂದು ಪ್ರಯೋಜನವಾಗಿದೆ ಎಂದು ಅವರು ಹೇಳಿದರು.
ಪರಿಚಿತವಲ್ಲದ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ ಅದು ಎಷ್ಟು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ಅಲ್ಗಾರಿದಮ್ಗಳು ಮೊದಲು ನೋಡದ ಸ್ವತಂತ್ರ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಪರೀಕ್ಷೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಸಂಶೋಧಕರು ಪ್ರಯತ್ನಿಸಿದರು. ರೋಗಶಾಸ್ತ್ರ-o3 97.6% ಸಮಯ ಕ್ಯಾನ್ಸರ್ಗೆ ಧನಾತ್ಮಕವಾಗಿರುವ ಸ್ಲೈಡ್ಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದೆ. ಧನಾತ್ಮಕ ಎಂದು ಗುರುತಿಸಲಾದ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ, 37.1% ವಾಸ್ತವವಾಗಿ ನಕಾರಾತ್ಮಕವಾಗಿವೆ. ವೈದ್ಯಕೀಯ ಕಾರ್ಯವು ಒಂದೇ ಆಗಿರುವಾಗಲೂ ಡೇಟಾ ಮೂಲವು ಬದಲಾದಾಗ AI ಕಾರ್ಯಕ್ಷಮತೆಯು ಹೇಗೆ ಬದಲಾಗಬಹುದು ಎಂಬುದಕ್ಕೆ ಈ ಸಂಶೋಧನೆಯು ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ.
ಈ ಫಲಿತಾಂಶವು ವಿಭಿನ್ನ ಮೂಲದಿಂದ ಸ್ಲೈಡ್ಗಳೊಂದಿಗೆ ಇನ್ನೂ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದೆಂದು ಈ ಫಲಿತಾಂಶವು ಸೂಚಿಸುತ್ತದೆ ಎಂದು ಅಸದಿ ವಿವರಿಸಿದರು. ಆದರೆ ಈ ಫಲಿತಾಂಶವು ಈ ಉಪಕರಣವನ್ನು ಬಳಸುವುದರಿಂದ ರೋಗಶಾಸ್ತ್ರಜ್ಞರನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಅಥವಾ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ ಎಂದು ಇನ್ನೂ ತೋರಿಸಿಲ್ಲ.
ಇದು ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದೇ?
ಸಂಶೋಧಕರು ತಮ್ಮ ತರಬೇತಿ ವಿಧಾನವನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಹಲವಾರು VLM ಗಳಿಗೆ ಅನ್ವಯಿಸಿದರು, ತರಬೇತಿಯ ನಂತರ ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಸ್ಥಿರವಾಗಿ ಸುಧಾರಿಸಿದೆ ಎಂದು ಕಂಡುಕೊಂಡರು. ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಂದ ನ್ಯಾವಿಗೇಷನ್ ಡೇಟಾವು ವಿಭಿನ್ನ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ ಎಂದು ಅದು ಸೂಚಿಸುತ್ತದೆ, ಅಸಾದಿ ಹೇಳಿದರು.
ಹುವಾಂಗ್ಗೆ, ಇದು ಅತ್ಯಂತ ಪ್ರಮುಖ ಫಲಿತಾಂಶವಾಗಿದೆ. “ಟೇಕ್ಔಟ್ ನಮ್ಮ ವ್ಯವಸ್ಥೆ ಅಲ್ಲ,” ಅವರು ಹೇಳಿದರು. “ಕಾಣೆಯಾದ ಪದಾರ್ಥವು ಈ ಸಮಯದಲ್ಲಿ ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಕುಳಿತಿದೆ.”
ಅಧ್ಯಯನವು ನೇರವಾಗಿ ರೋಗಶಾಸ್ತ್ರ-o3 ಅನ್ನು ಮಾನವ ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಹೋಲಿಸಲಿಲ್ಲ, ಆದರೆ ಸಂಶೋಧಕರು ಅದು ಅವರ ಗುರಿಯಲ್ಲ ಎಂದು ಹೇಳಿದರು.
“ಇದು ರೋಗಶಾಸ್ತ್ರಜ್ಞನನ್ನು ಸೋಲಿಸುತ್ತದೆಯೇ ಎಂಬುದು ಸರಿಯಾದ ಪ್ರಶ್ನೆಯಲ್ಲ” ಎಂದು ಹುವಾಂಗ್ ಹೇಳಿದರು. “ಅವನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಹೆಚ್ಚು ಹಿಡಿದರೆ [cancer cases] ಮತ್ತು ಇದು ವೇಗವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಪ್ರಸ್ತುತ ಅಧ್ಯಯನವು ನಂತರದ ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸಲಿಲ್ಲ, ಆದರೆ ತಂಡದ ಮುಂದಿನ ಪ್ರಯೋಗವನ್ನು ಪ್ಯಾಥಾಲಜಿ-o3 ಜೊತೆಗೆ ಮತ್ತು ಇಲ್ಲದೆ ಅದೇ ಪ್ರಕರಣಗಳಲ್ಲಿ ರೋಗಶಾಸ್ತ್ರಜ್ಞರನ್ನು ಪರೀಕ್ಷಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಅವರು ಏನು ಹಿಡಿಯುತ್ತಾರೆ ಮತ್ತು ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ.
ಸಿಸ್ಟಮ್ನ ಅತ್ಯಂತ ತೋರಿಕೆಯ ಬಳಕೆಯು ಪ್ರಿಸ್ಕ್ರೀನಿಂಗ್ ಸಾಧನವಾಗಿದೆ, ಆದರೆ ಅದನ್ನು ಬಳಸುವ ವೈದ್ಯರು ವೇಗವಾಗಿ ಅಥವಾ ಹೆಚ್ಚು ನಿಖರರಾಗುತ್ತಾರೆ ಎಂದು ಸಂಶೋಧನೆಯು ಇನ್ನೂ ತೋರಿಸಬೇಕಾಗಿದೆ ಎಂದು ಅವರು ಒತ್ತಿ ಹೇಳಿದರು. ಅಸಾದಿ ಇನ್ನೂ ಕಠಿಣ ಪರೀಕ್ಷೆಯನ್ನು ಬಯಸುತ್ತಾರೆ: ಬಹು-ಆಸ್ಪತ್ರೆ ಅಧ್ಯಯನಗಳು ಕೇವಲ ನಿಖರತೆ ಮತ್ತು ವೇಗವನ್ನು ಅಳೆಯುವುದಿಲ್ಲ, ಆದರೆ ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಕೆಲಸದ ಹೊರೆಯನ್ನೂ ಅಳೆಯುತ್ತವೆ. AI ಅಲ್ಗಾರಿದಮ್ಗಳಿಂದ ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳ ಹೊರೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು AI ತಪ್ಪಾಗಿದ್ದಾಗ ವೈದ್ಯರು ಗುರುತಿಸುತ್ತಾರೆಯೇ ಎಂದು ಅವರು ಟ್ರೇಲ್ಸ್ ಬಯಸುತ್ತಾರೆ.
ಮುಖ್ಯವಾಗಿ, ಕ್ಯಾನ್ಸರ್ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಬಹು ಸ್ಲೈಡ್ಗಳು, ಸ್ಮೀಯರ್ಗಳು ಮತ್ತು ರೋಗಿಯ ವೈದ್ಯಕೀಯ ಇತಿಹಾಸದಿಂದ ಮಾಹಿತಿಯ ಅಗತ್ಯವಿರುತ್ತದೆ, ಆದರೆ ಪ್ರಸ್ತುತ ವ್ಯವಸ್ಥೆಯು ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ಸ್ಲೈಡ್ ಅನ್ನು ಮಾತ್ರ ಓದುತ್ತದೆ. “ಅವನು ಸ್ವಯಂ-ರೋಗನಿರ್ಣಯ ಮಾಡಬೇಕೆಂದು ನಾನು ಸೂಚಿಸುವುದಿಲ್ಲ” ಎಂದು ಹುವಾಂಗ್ ಹೇಳಿದರು.
ಈ ಲೇಖನವು ಮಾಹಿತಿ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಲಹೆಯನ್ನು ನೀಡುವ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿಲ್ಲ.
ವಾಂಗ್, ಎಸ್., ವು, ಆರ್., ಹೆರ್ಂಡನ್, ಸಿ., ಲಿ, ಎಸ್., ಲಿಯು, ವೈ., ಕೊಗಾ, ಎಸ್., ಕ್ಸು, ಎಕ್ಸ್., ಎಲ್ಡರ್, ಡಿ.ಇ., ಅಲೆಕ್ಸ್ ಮೈಲ್ಸ್, ಜೆ., ಜಿನ್, ಎ., ಹಿರೈ, ಐ., ಡೌಘರ್, ಎಂ., ಶೆನ್, ಜೆ., ಮತ್ತು ಹುವಾಂಗ್, ಝಡ್. (2026). ರೋಗಶಾಸ್ತ್ರ-COT: ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಚಿತ್ರ ರೋಗನಿರ್ಣಯದ ತಜ್ಞರ ನಡವಳಿಕೆಯಿಂದ ಸರಪಳಿ-ಆಲೋಚನೆಯ ದೃಶ್ಯ ಏಜೆಂಟ್ಗಳನ್ನು ಕಲಿಯುವುದು. ಪ್ರಕೃತಿಯ ಬಯೋಮೆಡಿಕಲ್ ಎಂಜಿನಿಯರಿಂಗ್.
