PRISM2 ਕਿਵੇਂ ਕਲੀਨਿਕਲ ਡਾਇਲਾਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੈਥੋਲੋਜੀ AI ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਰਿਹਾ ਹੈ

Paige ਅਤੇ Microsoft ਵਿਚਕਾਰ ਇੱਕ ਇਤਿਹਾਸਕ ਸਹਿਯੋਗ ਨੇ PRISM2 ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਲਟੀਮੋਡਲ AI ਮਾਡਲ ਹੈ। ਇਸ ਨੂੰ ਵਿਜ਼ੂਅਲ ਪੈਥੋਲੋਜੀ ਅਤੇ ਕਲੀਨਿਕਲ ਤਰਕ (clinical reasoning) ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਨੂੰ ਪੂਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਮੈਡੀਕਲ ਡਾਇਲਾਗ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਨਾਲ ਵ੍ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਿੰਗ (whole-slide imaging) ਨੂੰ ਜੋੜ ਕੇ, ਇਹ ਮਾਡਲ ਸਧਾਰਨ ਪੈਟਰਨ ਪਛਾਣ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਅਸਲ ਡਾਇਗਨੌਸਟਿਕ ਵਿਆਖਿਆ ਵੱਲ ਵਧਦਾ ਹੈ।

ਪਿਕਸਲ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਤੋਂ ਅੱਗੇ ਵਧਣਾ

ਡਿਜੀਟਲ ਪੈਥੋਲੋਜੀ ਵਿੱਚ ਰਵਾਇਤੀ AI ਜ਼ਿਆਦਾਤਰ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ (supervised learning) ਕਾਰਜਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਰਿਹਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਵਿਸ਼ੇਸ਼ ਪਿਕਸਲਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰਨਾ ਜਾਂ ਸੈਲੂਲਰ ਬਣਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ। ਹਾਲਾਂਕਿ ਇਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ, ਪਰ ਇਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਅਕਸਰ ਗੁੰਝਲਦਾਰ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਲਈ ਲੋੜੀਂਦੀ ਸੰਦਰਭਕ ਡੂੰਘਾਈ (contextual depth) ਦੀ ਕਮੀ ਹੁੰਦੀ ਹੈ। PRISM2 ਇੱਕ perceiver-based encoder ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਪੈਰਾਡਾਈਮ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ ਜੋ ਵ੍ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਿਜ਼ (WSIs) ਨੂੰ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰੋਸੈਸ ਕਰਦਾ ਹੈ।

ਸਿਰਫ਼ ਤਸਵੀਰਾਂ ਨੂੰ ਲੇਬਲ ਕਰਨ ਦੀ ਬਜਾਏ, PRISM2 ਨੂੰ ਪੈਥੋਲੋਜੀ ਰਿਪੋਰਟਾਂ ਤੋਂ ਕੱਢੇ ਗਏ ਕਲੀਨਿਕਲ ਡਾਇਲਾਗ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ ਟਿਸ਼ੂ ਟਾਈਲਜ਼ (tissue tiles) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਸੈੱਲ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਬਲਕਿ ਇਹ ਵੀ ਕਿ ਮਰੀਜ਼ ਦੇ ਡਾਇਗਨੋਸਿਸ ਦੇ ਵਿਆਪਕ ਕਲੀਨਿਕਲ ਸੰਦਰਭ ਵਿੱਚ ਉਸਦੀ ਮੌਜੂਦਗੀ ਦਾ ਕੀ ਮਤਲਬ ਹੈ।

ਤਕਨੀਕੀ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਦਾ ਪੈਮਾਨਾ

PRISM2 ਦੀ ਤਕਨੀਕੀ ਸਫਲਤਾ ਪੈਥੋਲੋਜੀ ਵਿੱਚ ਮੌਜੂਦ ਭਾਰੀ ਡਾਟਾ ਡੈਂਸਿਟੀ (data density) ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਇਸਦੀ ਯੋਗਤਾ ਵਿੱਚ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਵ੍ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ, ਜੋ ਅਕਸਰ ਸਟੈਂਡਰਡ ਵਿਜ਼ਨ ਟ੍ਰਾਂਸਫਾਰਮਰਜ਼ (vision transformers) ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹੁੰਦੀ ਹੈ। PRISM2 ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪ੍ਰਤੀ ਸਲਾਈਡ ਹਜ਼ਾਰਾਂ ਵਿਅਕਤੀਗਤ ਟਾਈਲ ਐਮਬੈਡਿੰਗਜ਼ (tile embeddings) ਨੂੰ ਇੱਕ ਸਿੰਗਲ, ਇਕਜੁੱਟ ਪ੍ਰਤੀਨਿਧਤਾ (representation) ਵਿੱਚ ਇਕੱਠਾ ਕਰਦਾ ਹੈ।

ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦਾ ਪੈਮਾਨਾ ਵੀ equally ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ। ਇਸ ਮਾਡਲ ਨੂੰ 2.3 ਮਿਲੀਅਨ ਵ੍ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈੱਟ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹਨਾਂ ਵਿਜ਼ੂਅਲ ਟਾਈਲਜ਼ ਅਤੇ ਸੰਬੰਧਿਤ ਕਲੀਨਿਕਲ ਟੈਕਸਟ ਦੋਵਾਂ 'ਤੇ ਇਕੱਠੇ ਟ੍ਰੇਨ ਕਰਕੇ, ਮਾਡਲ ਇੱਕ ਮਲਟੀਮੋਡਲ ਅਲਾਈਨਮੈਂਟ ਸਿੱਖਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਮਨੁੱਖੀ ਪੜ੍ਹਨਯੋਗ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਸਿਰਫ਼ ਬਾਈਨਰੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦੇਣ ਦੀ ਬਜਾਏ, PRISM2 ਅਸਲ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਡਾਇਗਨੌਸਟਿਕ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਨੁੱਖੀ ਪੈਥੋਲੋਜਿਸਟ ਦੀ ਸੋਚਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ।

ਹੈਲਥਕੇਅਰ AI ਦੇ ਭਵਿੱਖ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

PRISM2 ਦਾ ਉਭਾਰ AI ਦੇ ਖੇਤਰ ਵਿੱਚ "discriminative AI" (ਜੋ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ) ਤੋਂ "generative reasoning AI" (ਜੋ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ) ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। MedTech ਖੇਤਰ ਦੇ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਸਥਾਪਕਾਂ ਲਈ, ਇਹ ਵਧੇਰੇ ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਉਪਯੋਗੀ ਕਲੀਨਿਕਲ ਟੂਲਜ਼ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ।

ਜਦੋਂ ਇੱਕ AI ਡਾਇਲਾਗ ਰਾਹੀਂ ਆਪਣੇ ਨਤੀਜਿਆਂ ਬਾਰੇ ਦੱਸ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ "black box" ਟੂਲ ਦੀ ਬਜਾਏ ਇੱਕ ਸਹਿਯੋਗੀ ਭਾਈਵਾਲ ਬਣ ਜਾਂਦਾ ਹੈ। ਕਲੀਨਿਕਲ ਅਪਣਾਉਣ ਲਈ ਇਹ ਸਮਰੱਥਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਕਿਉਂਕਿ ਪੈਥੋਲੋਜਿਸਟਾਂ ਨੂੰ AI-ਅਧਾਰਤ ਜਾਣਕਾਰੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ ਵਿਆਖਿਆਯੋਗਤਾ (explainability) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਪੈਥੋਲੋਜੀ ਰਿਪੋਰਟਾਂ ਵਿੱਚ ਮਿਲਣ ਵਾਲੀਆਂ ਭਾਸ਼ਾਈ ਬਾਰੀਕੀਆਂ ਨੂੰ ਜੋੜ ਕੇ, PRISM2 ਇੱਕ ਨਵਾਂ ਮਾਪਦੰਡ ਸਥਾਪਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਮਲਟੀਮੋਡਲ ਮਾਡਲਾਂ ਨੂੰ ਆਨਕੋਲੋਜੀ (oncology) ਅਤੇ ਡਾਇਗਨੌਸਟਿਕਸ ਵਰਗੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ, ਵਿਸ਼ੇਸ਼ ਖੇਤਰਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਮੁੱਖ ਗੱਲਾਂ

• ਮਲਟੀਮੋਡਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: PRISM2 ਵ੍ਹੋਲ-ਸਲਾਈਡ ਟਿਸ਼ੂ ਟਾਈਲਜ਼ ਨੂੰ ਪੈਥੋਲੋਜੀ ਰਿਪੋਰਟਾਂ ਤੋਂ ਕ

ਇਸਦਾ ਨਤੀਜਾ ਇੱਕ ਅਜਿਹਾ AI ਹੈ ਜੋ ਸਿਰਫ਼ ਇਹ ਕਹਿਣ ਤੋਂ ਕਿ “ਇਹ ਖੇਤਰ ਮਾਲੀਗਨੈਂਟ (malignant) ਹੈ,” ਕਿਤੇ ਵੱਧ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਅਜਿਹਾ ਵਾਕ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ “ਅਨਿਯਮਿਤ ਗਲੈਂਡੂਲਰ ਬਣਤਰਾਂ ਦੀ ਮੌਜੂਦਗੀ, ਦੇਖੀ ਗਈ ਸਟ੍ਰੋਮਲ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇ ਨਾਲ, ਇੱਕ ਮੋਡਰੇਟਲੀ ਡਿਫਰੈਂਸ਼ੀਏਟਿਡ ਐਡਨੋਕਾਰਸੀਨੋਮਾ (moderately differentiated adenocarcinoma) ਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ, ਜੋ ਕੋਲੋਰੈਕਟਲ ਕੈਂਸਰ ਦੇ ਕਲੀਨਿਕਲ ਇਤਿਹਾਸ ਦੇ ਅਨੁਕੂਲ ਹੈ।” ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, PRISM2 ਸਿਰਫ਼ ਲੇਬਲ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਨਿਦਾਨ (diagnosis) ਦੇ ਪਿੱਛੇ ਦੇ ਤਰਕ ਨੂੰ ਵੀ ਸਪਸ਼ਟ ਕਰ ਸਕਦਾ ਹੈ।

ਮਹੱਤਵਪੂਰਨ ਪੈਮਾਨਾ

ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਿਸ (whole-slide images) 'ਤੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ ਇੱਕ ਡਾਟਾ-ਗੰਭੀਰ ਕਾਰਜ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਸਲਾਈਡ ਵਿੱਚ ਅਰਬਾਂ ਪਿਕਸਲ ਹੋ ਸਕਦੇ ਹਨ, ਜੋ ਕਿ ਸਟੈਂਡਰਡ ਵਿਜ਼ਨ ਟ੍ਰਾਂਸਫਾਰਮਰਜ਼ (vision transformers) ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹਨ, ਜੋ ਕਿ ਕਈ ਇਮੇਜ-ਅਧਾਰਤ AI ਸਿਸਟਮਾਂ ਦੇ ਮੁੱਖ ਅੰਗ ਹਨ। PRISM2 ਹਰੇਕ ਸਲਾਈਡ ਨੂੰ ਪ੍ਰਬੰਧਨਯੋਗ ਟਾਈਲਜ਼ (tiles) ਵਿੱਚ ਤੋੜ ਕੇ, ਹਰੇਕ ਟਾਈਲ ਨੂੰ ਐਂਬੈਡ (embed) ਕਰਕੇ, ਅਤੇ ਫਿਰ ਐਂਬੈਡਿੰਗਜ਼ ਨੂੰ ਸਲਾਈਡ-ਲੇਵਲ ਵੈਕਟਰ ਵਿੱਚ ਇਕੱਠਾ ਕਰਕੇ ਇਸ ਸੀਮਾ ਤੋਂ ਬਚਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮੰਗਾਂ ਨੂੰ ਕਾਬੂ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਬਾਰੀਕ ਵੇਰਵਿਆਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੀ ਹੈ।

ਇਸ ਭਾਈਵਾਲੀ ਨੇ 2.3 ਮਿਲੀਅਨ ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਿਸ ਦੇ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ—ਜੋ ਕਿ ਪੈਥੋਲੋਜੀ AI ਲਈ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਸੰਗ੍ਰਹਿ ਹੈ। ਹਰੇਕ ਤਸਵੀਰ ਨੂੰ ਉਸ ਲਿਖਤੀ ਟਿੱਪਣੀ ਨਾਲ ਜੋੜਿਆ ਗਿਆ ਸੀ ਜੋ ਪੈਥੋਲੋਜਿਸਟਾਂ ਨੇ ਸਲਾਈਡ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਤੋਂ ਬਾਅਦ ਲਿਖੀ ਸੀ। ਦੋਵਾਂ ਮੋਡੈਲਿਟੀਜ਼ (modalities) 'ਤੇ ਇੱਕੋ ਸਮੇਂ ਟ੍ਰੇਨਿੰਗ ਦੇਣ ਨਾਲ, PRISM2 ਨੇ ਵਿਜ਼ੂਅਲ ਸੰਕੇਤਾਂ ਨੂੰ ਡਾਇਗਨੋਸਿਸ ਦੀ ਭਾਸ਼ਾ ਨਾਲ ਜੋੜਨਾ ਸਿੱਖ ਲਿਆ, ਜਿਸ ਨਾਲ ਇਹ “ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਪ੍ਰਾਇਮਰੀ ਸਾਈਟ ਕੀ ਹੈ?” ਜਾਂ “ਕੀ ਟਿਸ਼ੂ ਲਿੰਫੋਵਾਸਕੂਲਰ ਇਨਵੇਜ਼ਨ (lymphovascular invasion) ਦੇ ਸਬੂਤ ਦਿਖਾਉਂਦਾ ਹੈ?” ਵਰਗੇ ਸਵਾਲਾਂ ਦੇ ਸੁਸੰਗਤ ਜਵਾਬ ਦੇਣ ਦੇ ਯੋਗ ਹੋ ਗਿਆ।

ਇਹ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਨੂੰ ਕਿਉਂ ਬਦਲ ਸਕਦਾ ਹੈ

ਪੈਥੋਲੋਜਿਸਟ ਕੈਂਸਰ ਦੇ ਨਿਦਾਨ ਦੇ ਮੁੱਖ ਰੱਖਿਅਕ ਹਨ, ਪਰ ਉਹਨਾਂ ਦੁਆਰਾ ਸਮੀਖਿਆ ਕੀਤੀ ਜਾਣ ਵਾਲੀਆਂ ਸਲਾਈਡਾਂ ਦੀ ਗਿਣਤੀ ਵਰਕਫੋਰਸ ਦੀ ਸਮਰੱਥਾ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ। ਉਹ AI ਜੋ ਸਿਰਫ਼ ਸ਼ੱਕੀ ਖੇਤਰਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ, ਮਦਦ ਤਾਂ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਅਕਸਰ ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਨੂੰ ਫਲੈਗ ਦੇ ਅਧਾਰ ਬਾਰੇ ਅਨਜਾਨ ਛੱਡ ਦਿੰਦਾ ਹੈ। PRISM2 ਦੀ ਆਪਣੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵਿਸ਼ਵਾਸ ਅਤੇ ਅਪਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਕੋਈ ਐਲਗੋਰਿਦਮ ਕਹਿੰਦਾ ਹੈ, “ਮੈਂ ਇਹਨਾਂ ਖਾਸ ਆਰਕੀਟੈਕਚਰਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕਾਰਨ ਇੱਕ ਹਾਈ-ਗ੍ਰੇਡ ਟਿਊਮਰ ਦੇਖ ਰਿਹਾ ਹਾਂ,” ਤਾਂ ਇੱਕ ਪੈਥੋਲੋਜਿਸਟ ਉਸ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਅਸ

PRISM2 ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ AI ਸੈੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਉਹਨਾਂ ਸੈੱਲਾਂ ਦੁਆਰਾ ਦੱਸੀ ਜਾਣ ਵਾਲੀ ਕਲੀਨਿਕਲ ਕਹਾਣੀ ਨੂੰ ਬਿਆਨ ਕਰ ਸਕਦਾ ਹੈ। ਹੋਲ-ਸਲਾਈਡ ਇਮੇਜਿਜ਼ (whole-slide images) ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਭੰਡਾਰ ਅਤੇ ਪੈਥੋਲੋਜਿਸਟਾਂ ਦੁਆਰਾ ਰੋਜ਼ਾਨਾ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਭਾਸ਼ਾ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਦੇ ਕੇ, Microsoft ਅਤੇ Paige ਨੇ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਤਿਆਰ ਕੀਤਾ ਹੈ ਜੋ ਡਾਇਗਨੌਸਟਿਕ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਇੱਕ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਗੱਲਬਾਤ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਇਹ ਮਾਡਲ ਰੋਜ਼ਾਨਾ ਦੀਆਂ ਲੈਬਾਂ ਦੀਆਂ ਗੁੰਝਲਦਾਰ ਹਕੀਕਤਾਂ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਸਾਬਤ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ AI ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਚੁੱਪ ਡਿਟੈਕਟਰ ਦੀ ਬਜਾਏ ਇੱਕ ਅਸਲੀ ਸਹਿਯੋਗੀ ਬਣਾ ਸਕਦਾ ਹੈ, ਜੋ ਪੈਥੋਲੋਜੀ ਦੁਆਰਾ ਮਰੀਜ਼ ਦੀ ਦੇਖਭਾਲ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਮੁੜ ਸੁਰਜੀਤ ਕਰ ਸਕਦਾ ਹੈ।