പാത്തോളജി AI-യിൽ വിപ്ലവം സൃഷ്ടിക്കാൻ PRISM2 എങ്ങനെ ക്ലിനിക്കൽ ഡയലോഗ് ഉപയോഗിക്കുന്നു

Paige-ഉം Microsoft-ഉം തമ്മിലുള്ള വിപ്ലവകരമായ സഹകരണം പാത്തോളജിയും ക്ലിനിക്കൽ റീസണിംഗും (clinical reasoning) തമ്മിലുള്ള അകലം കുറയ്ക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത ഒരു മൾട്ടിമോഡൽ AI മോഡലായ PRISM2 അവതരിപ്പിച്ചു. ഹോൾ-സ്ലൈഡ് ഇമേജിംഗിനെ (whole-slide imaging) മെഡിക്കൽ ഡയലോഗുകളുടെ സൂക്ഷ്മതകളുമായി സംയോജിപ്പിക്കുന്നതിലൂടെ, ഈ മോഡൽ ലളിതമായ പാറ്റേൺ തിരിച്ചറിയലിന് അപ്പുറം യഥാർത്ഥ രോഗനിർണ്ണയ വ്യാഖ്യാനങ്ങളിലേക്ക് (diagnostic interpretation) നീങ്ങുന്നു.

പിക്സൽ ക്ലാസിഫിക്കേഷനിൽ നിന്ന് അപ്പുറത്തേക്ക്

ഡിജിറ്റൽ പാത്തോളജിയിലെ പരമ്പരാഗത AI പ്രധാനമായും ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരുന്നത് നിർദ്ദിഷ്ട പിക്സലുകൾ തരംതിരിക്കുന്നതോ കോശഘടനകൾ തിരിച്ചറിയുന്നതോ ആയ സൂപ്പർവൈസ്ഡ് ലേണിംഗ് (supervised learning) ജോലികളിലാണ്. ഇവ ഫലപ്രദമാണെങ്കിലും, സങ്കീർണ്ണമായ ക്ലിനിക്കൽ തീരുമാനങ്ങൾ എടുക്കുന്നതിന് ആവശ്യമായ പശ്ചാത്തലപരമായ ആഴം (contextual depth) പലപ്പോഴും ഈ മോഡലുകൾക്ക് ഉണ്ടാകാറില്ല. ഹോൾ-സ്ലൈഡ് ഇമേജുകളെ (WSIs) തികച്ചും വ്യത്യസ്തമായ രീതിയിൽ പ്രോസസ്സ് ചെയ്യുന്ന ഒരു perceiver-based encoder ഉപയോഗിക്കുന്നതിലൂടെ PRISM2 ഈ രീതിയെ മാറ്റിമറിക്കുന്നു.

ചിത്രങ്ങൾക്ക് ലേബലുകൾ നൽകുന്നതിന് പകരം, പാത്തോളജി റിപ്പോർട്ടുകളിൽ നിന്ന് വേർതിരിച്ചെടുത്ത ക്ലിനിക്കൽ ഡയലോഗിലൂടെ ടിഷ്യൂ ടൈലുകളെ (tissue tiles) വ്യാഖ്യാനിക്കാൻ PRISM2 പരിശീലിപ്പിക്കപ്പെട്ടിരിക്കുന്നു. ഒരു കോശം എങ്ങനെ കാണപ്പെടുന്നു എന്ന് മാത്രമല്ല, രോഗിയുടെ രോഗനിർണ്ണയത്തിന്റെ വിശാലമായ ക്ലിനിക്കൽ പശ്ചാത്തലത്തിൽ അതിന്റെ സാന്നിധ്യം എന്തിനെ സൂചിപ്പിക്കുന്നു എന്ന് മനസ്സിലാക്കാനും ഇത് മോഡലിനെ സഹായിക്കുന്നു.

സാങ്കേതിക ഘടനയും പരിശീലന വ്യാപ്തിയും

പാത്തോളജിയിൽ കാണപ്പെടുന്ന വൻതോതിലുള്ള ഡാറ്റാ സാന്ദ്രത കൈകാര്യം ചെയ്യാനുള്ള PRISM2-യുടെ കഴിവിലാണ് അതിന്റെ സാങ്കേതിക മികവ് അടങ്ങിയിരിക്കുന്നത്. ഒരു ഒറ്റപ്പെട്ട ഹോൾ-സ്ലൈഡ് ഇമേജിൽ പോലും സാധാരണ വിഷൻ ട്രാൻസ്ഫോർമറുകളുടെ (vision transformers) ശേഷിയെ മറികടക്കുന്ന അത്രയും വലിയ അളവിൽ വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. ഓരോ സ്ലൈഡിലെയും ആയിരക്കണക്കിന് ഇൻഡിവിജ്വൽ ടൈൽ എംബെഡിംഗുകളെ (tile embeddings) ഒരു ഏകീകൃത രൂപത്തിലേക്ക് സംയോജിപ്പിച്ചുകൊണ്ട് PRISM2 ഈ പ്രശ്നം പരിഹരിക്കുന്നു.

പരിശീലന ഡാറ്റയുടെ വ്യാപ്തിയും ഒരുപോലെ ശ്രദ്ധേയമാണ്. 2.3 മില്യൺ ഹോൾ-സ്ലൈഡ് ഇമേജുകൾ ഉൾക്കൊള്ളുന്ന ഒരു വലിയ ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചാണ് ഈ മോഡൽ പരിശീലിപ്പിച്ചത്. ഈ വിഷ്വൽ ടൈലുകളും അവට അനുബന്ധമായ ക്ലിനിക്കൽ ടെക്സ്റ്റും ഒരുമിച്ച് പരിശീലിപ്പിക്കുന്നതിലൂടെ, മനുഷ്യർക്ക് വായിക്കാവുന്ന ടെക്സ്റ്റ് നിർമ്മിക്കാൻ സഹായിക്കുന്ന ഒരു മൾട്ടിമോഡൽ അലൈൻമെന്റ് (multimodal alignment) മോഡൽ പഠിച്ചെടുക്കുന്നു. വെറുമൊരു ബൈനറി ക്ലാസിഫിക്കേഷൻ നൽകുന്നതിന് പകരം, ഒരു മനുഷ്യ പാത്തോളജിസ്റ്റിന്റെ ചിന്താ പ്രക്രിയയെ അനുകരിച്ചുകൊണ്ട് കൃത്യമായ രോഗനിർണ്ണയ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ PRISM2-ക്ക് സാധിക്കും.

ഹെൽത്ത് കെയർ AI-യുടെ ഭാവിയിൽ ഇത് എന്തുകൊണ്ട് പ്രധാനമാകുന്നു

"ഡിസ്ക്രിമിനേറ്റീവ് AI" (വിഭാഗങ്ങളായി തരംതിരിക്കുന്നവ) എന്നതിൽ നിന്ന് "ജനറേറ്റീവ് റീസണിംഗ് AI" (വിശദീകരിക്കുന്നവ) എന്നതിലേക്കുള്ള ഒരു മാറ്റമാണ് PRISM2-യുടെ ആവിർഭാവം സൂചിപ്പിക്കുന്നത്. MedTech മേഖലയിലെ ഡെവലപ്പർമാർക്കും സ്ഥാപകർക്കും ഇത് കൂടുതൽ സുതാര്യവും പ്രയോജനപ്രദവുമായ ക്ലിനിക്കൽ ടൂളുകളിലേക്കുള്ള ചുവടുവെപ്പാണ്.

ഒരു AI അതിന്റെ കണ്ടെത്തലുകൾ സംഭാഷണത്തിലൂടെ ആശയവിനിമയം നടത്താൻ കഴിയുമ്പോൾ, അത് ഒരു "ബ്ലാക്ക് ബോക്സ്" ടൂളിന് പകരം ഒരു സഹകാരിയായി മാറുന്നു. പാത്തോളജിസ്റ്റുകൾക്ക് AI നൽകുന്ന വിവരങ്ങളിൽ വിശ്വസിക്കാൻ അവയുടെ വിശദീകരണം (explainability) ആവശ്യമായതിനാൽ, ക്ലിനിക്കൽ രംഗത്ത് ഇത് സ്വീകാര്യത നേടുന്നതിന് നിർണ്ണായകമാണ്. പാത്തോളജി റിപ്പോർട്ടുകളിലെ ഭാഷാപരമായ സൂക്ഷ്മതകൾ സംയോജിപ്പിക്കുന്നതിലൂടെ, ഓങ്കോളജി (oncology), രോഗനിർണ്ണയം തുടങ്ങിയ അതീവ പ്രാധാന്യമുള്ള മേഖലകളിൽ മൾട്ടിമോഡൽ മോഡലുകൾ എങ്ങനെ പ്രയോഗിക്കാമെന്നതിന് PRISM2 ഒരു പുതിയ മാനദണ്ഡം നിശ്ചയിക്കുന്നു.

പ്രധാന കാര്യങ്ങൾ

• മൾട്ടിമോഡൽ സംയോജനം: പാത്തോളജി റിപ്പോർട്ടുകളിൽ നിന്നുള്ള ക്ലിനിക്കൽ ഡയലോഗുമായി ഹോൾ-സ്ലൈഡ് ടിഷ്യൂ ടൈലുകളെ ബന്ധിപ്പിക്കാൻ PRISM2 ഒരു perceiver-based encoder ഉപയോഗിക്കുന്നു.
• വൻതോതിലുള്ള വ്യാപ്തി: ശക്തമായ ഫീച്ചർ എക്‌സ്‌ട്രാക്ഷൻ ഉറപ്പാക്കുന്നതിനായി 2.3 മില്യൺ ഹോൾ-സ്ലൈഡ് ഇമേജുകൾ ഉപയോഗിച്ചാണ് ഈ മോഡൽ വികസിപ്പിച്ചത്.
• ക്ലാസിഫിക്കേഷനേക്കാൾ റീസണിംഗിന് മുൻഗണന: പിക്സലുകൾ മാത്രം തരംതിരിക്കുന്ന പരമ്പരാഗത മോഡലുകളിൽ നിന്ന് വ്യത്യസ്തമായി, സങ്കീർണ്ണമായ രോഗനിർണ്ണയ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ടെക്സ്റ്റ് നിർമ്മിക്കാൻ PRISM2-ക്ക് കഴിയും.

ലേഖനം: Microsoft-ഉം Paige-ഉം ചേർന്ന് 2.3 മില്യൺ ഹോൾ-സ്ലൈഡ് പാത്തോളജി ഇമേജുകൾ വിശകലനം ചെയ്യാനും സ്വാഭാവിക ഭാഷയിൽ രോഗനിർണ്ണയ ചോദ്യങ്ങൾക്ക് മറുപടി നൽകാനും കഴിയുന്ന ഒരു മൾട്ടിമോഡൽ AI മോഡലായ PRISM2 പുറത്തിറക്കി. വിഷ്വൽ അനാലിസിസിനെ പാത്തോളജി റിപ്പോർട്ടുകളിലെ ക്ലിനിക്കൽ ഡയലോഗുമായി യോജിപ്പിക്കുന്നതിലൂടെ, പാത്തോളജിയിലെ AI-യെ വെറും ഇമേജ് ക്ലാസിഫിക്കേഷനിൽ നിന്ന് ഒരു മനുഷ്യ പാത്തോളജിസ്റ്റിന്റെ ചിന്താ പ്രക്രിയയെ അനുകരിക്കുന്ന റീസണിംഗിലേക്ക് മാറ്റുമെന്ന് ഈ സംവിധാനം വാഗ്ദാനം ചെയ്യുന്നു.

പിക്സലുകളിൽ നിന്ന് റീസണിംഗിലേക്ക്

ഡിജിറ്റൽ പാത്തോളജി ദീർഘകാലമായി ഒരു സ്ലൈഡിനെ ലേബൽ ചെയ്യേണ്ട പിക്സലുകളുടെ ഒരു ഗ്രിഡ് ആയി കാണുന്ന AI-യെയാണ് ആശ്രയിച്ചിരുന്നത്. ഇത്തരം മോഡലുകൾ mitoses എണ്ണുന്നതിനോ അസാധാരണമായ nucleis തിരിച്ചറിയുന്നതിനോ മികച്ചതാണെങ്കിലും, ഒരു കണ്ടെത്തൽ രോഗിയുടെ മൊത്തത്തിലുള്ള അവസ്ഥയിൽ എന്തുകൊണ്ട് പ്രധാനമാകുന്നു എന്ന് വിശദീകരിക്കാൻ അവയ്ക്ക് കഴിയില്ല. PRISM2 അത് മാറ്റുന്നു. ആയിരക്കണക്കിന് ഇമേജ് ടൈലുകളെ ഒരു സിംഗിൾ ഹൈ-ഡൈമൻഷണൽ റെപ്രസന്റേഷനിലേക്ക് ചുരുക്കാൻ കഴിയുന്ന ഒരു perceiver-based encoder ആണ് ഇതിന്റെ കാതൽ. ഈ റെപ്രസന്റേഷനെ പിന്നീട് ബന്ധപ്പെട്ട പാത്തോളജി റിപ്പോർട്ടിൽ നിന്ന് വേർതിരിച്ചെടുത്ത ടെക്സ്റ്റുമായി യോജിപ്പിക്കുന്നു, ഇത് ഡോക്ടർമാർ ഉപയോഗിക്കുന്ന ഭാഷയുമായി വിഷ്വൽ പാറ്റേണുകളെ ബന്ധിപ്പിക്കാൻ മോഡലിനെ പഠിപ്പിക്കുന്നു.

ഇതിന്റെ ഫലം, "ഈ ഭാഗം മലിഗ്നന്റ് ആണ്" എന്ന് പറയുന്നതിനേക്കാൾ ഉപരിയായി പ്രവർത്തിക്കാൻ കഴിയുന്ന ഒരു AI ആണ്. "ക്രമരഹിതമായ ഗ്രന്ഥിയായ രൂപങ്ങളുടെ സാന്നിധ്യവും നിരീക്ഷിക്കപ്പെട്ട സ്ട്രോമൽ പ്രതികരണവും ചേർന്ന്, കൊളോറെക്റ്റൽ ക്യാൻസറിന്റെ ക്ലിനിക്കൽ ചരിത്രവുമായി പൊരുത്തപ്പെടുന്ന, മിതമായി വ്യത്യാസപ്പെട്ട അഡീനോകാർസിനോമയെ (moderately differentiated adenocarcinoma) സൂചിപ്പിക്കുന്നു" എന്നിങ്ങനെയുള്ള വാചകങ്ങൾ ഇതിന് നിർമ്മിക്കാൻ കഴിയും. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, PRISM2 ഒരു രോഗനിർണ്ണയത്തിന്റെ ലേബൽ മാത്രമല്ല, അതിന് പിന്നിലെ യുക്തിയും വ്യക്തമാക്കുന്നു.

പ്രസക്തമായ വ്യാപ്തി

ഹോൾ-സ്ലൈഡ് ഇമേജുകൾ ഉപയോഗിച്ച് ഒരു മോഡൽ പരിശീലിപ്പിക്കുന്നത് വലിയ അളവിൽ ഡാറ്റ ആവശ്യമായ ഒരു പ്രക്രിയയാണ്. ഒരു സ്ലൈഡിൽ കോടിക്കണക്കിന് പിക്സലുകൾ ഉണ്ടാകാം, ഇത് പല ഇമേജ് അധിഷ്ഠിത AI സംവിധാനങ്ങളുടെ അടിസ്ഥാനമായ സ്റ്റാൻഡേർഡ് വിഷൻ ട്രാൻസ്ഫോർമറുകളുടെ (vision transformers) ശേഷിയെക്കാൾ വളരെ കൂടുതലാണ്. ഓരോ സ്ലൈഡിനെയും കൈകാര്യം ചെയ്യാവുന്ന ചെറിയ ടൈലുകളായി തിരിക്കുകയും, ഓരോ ടൈലിനെയും എംബെഡ് (embed) ചെയ്യുകയും, തുടർന്ന് അവയെ ഒരു സ്ലൈഡ്-ലെവൽ വെക്റ്ററായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നതിലൂടെ PRISM2 ഈ പരിമിതിയെ മറികടക്കുന്നു. ഈ രീതി സൂക്ഷ്മമായ വിവരങ്ങൾ നിലനിർത്തുന്നതോടൊപ്പം കമ്പ്യൂട്ടേഷണൽ ആവശ്യകതകളെയും നിയന്ത്രിക്കുന്നു.

പാതോളജി AI-ക്കായി ഇതുവരെ സമാഹരിച്ചതിൽ വച്ച് ഏറ്റവും വലിയ ശേഖരങ്ങളിലൊന്നായ 2.3 ദശലക്ഷം ഹോൾ-സ്ലൈഡ് ഇമേജുകൾ അടങ്ങിയ ഒരു ഡാറ്റാസെറ്റ് ഈ പങ്കാളിത്തം ഉപയോഗപ്പെടുത്തി. ഓരോ ചിത്രവും പാതോളജിസ്റ്റുകൾ സ്ലൈഡ് പരിശോധിച്ച ശേഷം എഴുതിയ രേഖാമൂലമുള്ള കുറിപ്പുകളുമായി (textual commentary) ബന്ധിപ്പിച്ചിരുന്നു. രണ്ട് രീതിയിലുള്ള ഡാറ്റയും (modalities) ഒരേസമയം ഉപയോഗിച്ച് പരിശീലിപ്പിക്കുന്നതിലൂടെ, കാഴ്ചയിലൂടെയുള്ള സൂചനകളെ രോഗനിർണ്ണയ ഭാഷയുമായി ബന്ധിപ്പിക്കാൻ PRISM2 പഠിച്ചു. ഇത് "ഏറ്റവും സാധ്യതയുള്ള പ്രൈമറി സൈറ്റ് ഏതാണ്?" അല്ലെങ്കിൽ "ടിഷ്യൂവിൽ ലിംഫോവാസ്കുലർ ഇൻവേഷന്റെ (lymphovascular invasion) തെളിവുണ്ടോ?" തുടങ്ങിയ ചോദ്യങ്ങൾക്ക് വ്യക്തമായ ഉത്തരങ്ങൾ നൽകാൻ സഹായിക്കുന്നു.

എന്തുകൊണ്ട് ഇത് ക്ലിനിക്കൽ രീതികളെ മാറ്റിയേക്കാം

ക്യാൻസർ രോഗനിർണ്ണയത്തിലെ പ്രധാനികളാണ് പാതോളജിസ്റ്റുകൾ, എന്നാൽ അവർ പരിശോധിക്കേണ്ട സ്ലൈഡുകളുടെ എണ്ണം വർദ്ധിച്ചുവരുന്നത് ലഭ്യമായ ജീവനക്കാരുടെ ശേഷിയേക്കാൾ വേഗത്തിലാണ്. സംശയാസ്പദമായ ഭാഗങ്ങൾ അടയാളപ്പെടുത്തുന്ന AI സഹായിക്കുമെങ്കിലും, എന്തുകൊണ്ടാണ് ആ ഭാഗം അടയാളപ്പെടുത്തിയത് എന്നതിനെക്കുറിച്ച് പലപ്പോഴും ക്ലിനിക്ക്യൻസിനെ അവരറിഞ്ഞേക്കില്ല. തന്റെ കണ്ടെത്തലുകൾ വിശദീകരിക്കാനുള്ള PRISM2-യുടെ കഴിവ് ഇതിനോടുള്ള വിശ്വാസവും ഉപയോഗവും വർദ്ധിപ്പിക്കും. "ഈ പ്രത്യേക ഘടനാപരമായ സവിശേഷതകൾ കാരണം ഞാൻ ഒരു ഹൈ-ഗ്രേഡ് ട്യൂമർ കാണുന്നു" എന്ന് ഒരു അൽഗോരിതം പറയുമ്പോൾ, അതിന്റെ ഫലം ഒരു വ്യക്തമല്ലാത്ത വിധി (opaque verdict) ആയി കാണുന്നതിന് പകരം, ഒരു പാതോളജിസ്റ്റിന് ആ യുക്തി പരിശോധിക്കാനോ എതിർക്കാനോ അല്ലെങ്കിൽ അതിനെ അടിസ്ഥാനമാക്കി കൂടുതൽ കാര്യങ്ങൾ നിർണ്ണയിക്കാനോ കഴിയും.

MedTech സ്റ്റാർട്ടപ്പുകൾക്കും വലിയ ഹെൽത്ത് സിസ്റ്റം AI ടീമുകൾക്കും ഈ മോഡൽ ഒരു പുതിയ മാനദണ്ഡം നിശ്ചയിക്കുന്നു. ചിത്രങ്ങളെ ഡൊമെയ്ൻ-സ്പെസിഫിക് ഭാഷയുമായി സംയോജിപ്പിക്കുന്ന മൾട്ടിമോഡൽ ട്രെയിനിംഗിലൂടെ (multimodal training), കൃത്യതയുള്ളതും വിശദീകരിക്കാൻ കഴിയുന്നതുമായ (interpretable) ഉപകരണങ്ങൾ നിർമ്മിക്കാൻ കഴിയുമെന്ന് ഇത് തെളിയിക്കുന്നു. ചികിത്സാ തീരുമാനങ്ങൾ സൂക്ഷ്മമായ പാതോളജിക്കൽ സബ് ടൈപ്പിംഗിനെ (pathological subtyping) ആശ്രയിച്ചിരിക്കുന്ന ഓങ്കോളജിയിൽ ഈ സംയോജനം വളരെ വിലപ്പെട്ടതാണ്.

വെല്ലുവിളികളും എതിർപ്പുകളും

രോഗനിർണ്ണയ സംവാദത്തിന്റെ വാഗ്ദാനം നിലനിൽക്കുന്ന വെല്ലുവിളികളെ ഇല്ലാതാക്കുന്നില്ല. ഒന്നാമതായി, മോഡലിന്റെ പ്രവർത്തനം ഗവേഷണ സാഹചര്യങ്ങളിൽ മാത്രമാണ് റിപ്പോർട്ട് ചെയ്തിട്ടുള്ളത്; വൈവിധ്യമാർന്ന ലാബ് വർക്ക്ഫ്ലോകൾ, സ്റ്റെയിനിംഗ് പ്രോട്ടോക്കോളുകൾ (staining protocols), സ്കാനർ വെണ്ടർമാർ എന്നിവരിലൂടെയുള്ള യഥാർത്ഥ ലോകത്തെ പരിശോധനകൾ (real-world validation) ഇനിയും നടക്കാനുണ്ട്. ഒരു പ്രത്യേക ഡാറ്റാസെറ്റിൽ മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്ന ഒരു സിസ്റ്റം, ദൈനംദിന പ്രായോഗികതയിലെ വ്യതിയാനങ്ങളെ നേരിടുമ്പോൾ പരാജയപ്പെട്ടേക്കാം.

രണ്ടാമതായി, 2.3 ദശലക്ഷം സ്ലൈഡുകളും അവയുടെ റിപ്പോർട്ടുകളും അടങ്ങിയ പരിശീലന ഡാറ്റ ഒരു പരിമിതമായ സ്ഥാപനങ്ങളിൽ നിന്ന് എടുത്തതാകാൻ സാധ്യതയുണ്ട്. ഈ ഡാറ്റയിലെ രോഗികളുടെ വിവരങ്ങൾ (demographics) എല്ലാ വിഭാഗങ്ങളെയും പ്രതിനിധീകരിക്കുന്നില്ലെങ്കിൽ, മോഡലിൽ പക്ഷപാതം (bias) വരാം, ഇത് ചില രോഗലക്ഷണങ്ങളെ തെറ്റായി തരംതിരിക്കാൻ കാരണമായേക്കാം.

മൂന്നാമതായി, വിവരണാത്മകമായ ഔട്ട്പുട്ട് (narrative output) നൽകുന്ന AI-കൾക്കുള്ള നിയമപരമായ പാതകൾ (regulatory pathways), ബൈനറി ക്ലാസിഫയറുകളെ അപേക്ഷിച്ച് കുറച്ചുകൂടി പരിമിതമാണ്. ഏജൻസികൾ കൃത്യത മാത്രമല്ല, തെറ്റായ വിശദീകരണങ്ങളുടെ സുരക്ഷയും പരിശോധിക്കേണ്ടതുണ്ട്; കൃത്യമായി അടയാളപ്പെടുത്തിയില്ലെങ്കിൽ ഇവ ക്ലിനിക്ക്യൻസിനെ തെറ്റായ വഴിയിലേക്ക് നയിച്ചേക്കാം.

അവസാനമായി, ഹോൾ-സ്ലൈഡ് ഡാറ്റയിൽ ഒരു perceiver-അധിഷ്ഠിത എൻകോഡർ (perceiver-based encoder) പ്രവർത്തിപ്പിക്കാനുള്ള കമ്പ്യൂട്ടേഷണൽ ചിലവ് കുറഞ്ഞതല്ല. ആശുപത്രികൾക്ക് മതിയായ GPU ഇൻഫ്രാസ്ട്രക്ചറോ ക്ലൗഡ് കരാറുകളോ ആവശ്യമായി വരും, ഇത് ചെലവ് ഫലപ്രദതയെക്കുറിച്ച് (cost-effectiveness) ചോദ്യങ്ങൾ ഉയർത്തുന്നു, പ്രത്യേകിച്ച് ചെറിയ പാതോളജി ലാബുകളിൽ.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

• ക്ലിനിക്കൽ ട്രയലുകൾ (Clinical trials): PRISM2 സഹായത്തോടെയുള്ള രോഗനിർണ്ണയത്തെ സാധാരണ രീതികളുമായി താരതമ്യം ചെയ്യുന്ന പഠനങ്ങളിൽ നിന്നുള്ള തെളിവുകൾ നിയമപരമായ അംഗീകാരത്തിനും ഉപയോഗത്തിനും നിർണ്ണായക ഘടകമായിരിക്കും.
• ഇന്റഗ്രേഷൻ പൈപ്പ്‌ലൈനുകൾ (Integration pipelines): നിലവിലുള്ള ഡിജിറ്റൽ പാതോളജി പ്ലാറ്റ്‌ഫോമുകളിലേക്ക് മോഡൽ എത്ര എളുപ്പത്തിൽ സംയോജിപ്പിക്കാൻ കഴിയുന്നു എന്നത് അതിന്റെ വ്യാപന വേഗതയെ ബാധിക്കും. സുഗമമായ API ആക്സസും സാധാരണ സ്ലൈഡ്-വ്യൂവർ സോഫ്റ്റ്‌വെയറുകളുമായുള്ള പൊരുത്തവും അത്യാവശ്യമാണ്.
• വിശദീകരണ മാനദണ്ഡങ്ങൾ (Explainability metrics): നിർമ്മിക്കപ്പെട്ട സംഭാഷണം വിദഗ്ധരുടെ യുക്തിയുമായി എത്രത്തോളം പൊരുത്തപ്പെടുന്നു എന്ന് അളക്കുന്ന സ്വതന്ത്ര മാനദണ്ഡങ്ങൾ "ബ്ലാക്ക്-ബോക്സ്" (black-box) ആശങ്ക പരിഹരിക്കാൻ സഹായിക്കും.
• വിലനിർണ്ണയവും ലൈസൻസിംഗും (Pricing and licensing): ഈ സാങ്കേതികവിദ്യ സബ്‌സ്‌ക്രിപ്ഷൻ രീതിയിലാണോ, ഓരോ സ്ലൈഡിനും പ്രത്യേക ഫീസ് നൽകുന്ന രീതിയിലാണോ, അതോ ഓൺ-പ്രെമിസ് (on-premise) സൊല്യൂഷനാണോ എന്നതിനെ ആശ്രയിച്ച് ഏത് സ്ഥാപനങ്ങൾക്ക് ഇത് താങ്ങാൻ കഴിയുമെന്ന് തീരുമാനിക്കപ്പെടും.

ചുരുക്കത്തിൽ

കോശങ്ങളെ വെറുതെ അടയാളപ്പെടുത്തുന്നതിലുപരി, അവ നൽകുന്ന ക്ലിനിക്കൽ വിവരങ്ങൾ (clinical story) വ്യക്തമായി വിവരിക്കാൻ AI-ക്ക് കഴിയുമെന്ന് PRISM2 തെളിയിക്കുന്നു. പാത്തോളജിസ്റ്റുകൾ ദൈനംദിന പ്രവർത്തനങ്ങളിൽ ഉപയോഗിക്കുന്ന ഭാഷയും, വൻതോതിലുള്ള 'ഹോൾ-സ്ലൈഡ് ഇമേജുകളും' (whole-slide images) ഉപയോഗിച്ച് പരിശീലിപ്പിച്ചുകൊണ്ട്, സംഭാഷണ ശൈലിയിൽ രോഗനിർണ്ണയ സംശയങ്ങൾക്ക് ഉത്തരം നൽകാൻ കഴിയുന്ന ഒരു സംവിധാനം Microsoft-ഉം Paige-ഉം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ദൈനംദിന ലാബുകളിലെ സങ്കീർണ്ണമായ സാഹചര്യങ്ങളിൽ ഈ മോഡൽ വിശ്വസനീയമാണെന്ന് തെളിയിക്കപ്പെട്ടാൽ, AI-യെ വെറുമൊരു നിശബ്ദ നിരീക്ഷകൻ എന്നതിലുപരി ഒരു യഥാർത്ഥ സഹപ്രവർത്തകനാക്കി മാറ്റാൻ ഇതിന് സാധിക്കും; ഇത് പാത്തോളജിയിലൂടെയുള്ള രോഗീപരിചരണ രീതികളെ തന്നെ മാറ്റിമറിച്ചേക്കാം.