[:gj]મોઢાના કેન્સરની ચોક્કસ સારવાર માટે આર્ટિફિશ્યલ ઇન્ટેલિજન્સ આધારિત કમ્પ્યુટર નિદાન[:en]Artificial intelligence-based computer will do accurate diagnosis of oral cancers[:hn]मुंह के कैंसर का सटीक इलाज के लिए आर्टिफिशियल इंटेलिजेंस आधारित कंप्यूटर निदान[:]

[:gj]મોઢાના કેન્સર પુરુષોમાંના તમામ કેન્સરમાં લગભગ 16.1% અને સ્ત્રીઓમાં 10.4% છે.

ભારત સરકારના વિજ્ઞાન અને તકનીકી વિભાગની સ્વાયત સંસ્થા, ગુવાહાટી, વિજ્ઞાન અને ટેકનોલોજી ઇન્સ્ટિટ્યૂટ ખાતે વૈજ્ઞાનિકો દ્વારા મોંના સ્ક્વોમસ સેલ કાર્સિનોમાની આગાહી અને ઝડપી નિદાનમાં સહાય માટે આર્ટિફિશ્યલ ઇન્ટેલિજન્સ (AI) આધારિત અલ્ગોરિધમનો વિકાસ થયો છે.

IAST ના કેન્દ્રીય ગણતરી અને આંકડાકીય વિજ્ઞાન વિભાગમાં ડો. લિપી બી મહંતની આગેવાની હેઠળના એક સંશોધન જૂથ દ્વારા વિકસિત, આ માળખું મોઢાના સ્ક્વામસ સેલ કાર્સિનોમાના ગ્રેડિંગમાં મદદ કરશે.

આ અભ્યાસ માટે કોઈ પણ પ્રમાણભૂત મોઢાના કેન્સર ડેટાસેટની ઉપલબ્ધતાની ભરપાઇ કરવા માટે વૈજ્ઞાનિકો દ્વારા ઘણા સહયોગ દ્વારા એક સ્વદેશી ડેટાસેટ બનાવવામાં આવ્યો હતો. વિવિધ અત્યાધુનિક AI તકનીકીઓ લેવી અને તેમની સૂચિત પદ્ધતિનો ઉપયોગ કરીને વૈજ્ઞાનિકોએ મોઢાના કેન્સરને ગ્રેડ કરવામાં અભૂતપૂર્વ ચોકસાઈ પ્રાપ્ત કરી છે.

અગાઉના પ્રશિક્ષિત ડીપ કન્વોલિશનલ ન્યુરલ નેટવર્ક (CNN) નો ઉપયોગ કરીને ટ્રાન્સફર દ્વારા બે પદ્ધતિઓ લાગુ કરીને આ અભ્યાસ કરવામાં આવ્યા હતા.

આ વર્ગીકરણ સમસ્યા માટે સૌથી યોગ્ય મોડેલ શોધવા માટે, એલેક્સનેટ (Alexnet), VGG-16, VGG-19 અને Resnet-50, આ ચાર અરજદાર પૂર્વ-પ્રશિક્ષિત મોડેલોની પસંદગી કરવામાં આવી હતી અને આ સમસ્યાને પહોંચી વળવા માટે સૂચિત CNN મોડેલ બનાવ્યો હતો.

તેમ છતાં, Resnet-50 મોડેલ દ્વારા 12.15 ટકાની ઉચ્ચતમ વર્ગીકરણની ચોકસાઈ પ્રાપ્ત થઈ હતી, તેમ છતાં પ્રાયોગિક તારણો સૂચવે છે કે આ સૂચિત CNN મોડેલે આ ટ્રાન્સફર શિક્ષણ પદ્ધતિને 5 ટકાની ચોકસાઈ દર્શાવે છે. આ અભ્યાસ જર્નલ ન્યુરલ નેટવર્કમાં પ્રકાશિત થયો છે.

હવે જૂથ આ અલ્ગોરિધમનોને યોગ્ય સોફ્ટવેરમાં રૂપાંતરિત કરવા માટે તૈયાર છે જેથી ફીલ્ડ ટ્રાયલ્સ શરૂ થઈ શકે. આરોગ્ય અને આઇટી ક્ષેત્રો વચ્ચેના વર્તમાન અંતરને જોતા, આ આગળનો પડકાર છે કે જેનો સામનો કરવા માટે આ જૂથો તૈયાર છે.

ડો. મહંત આ પડકારોનો સામનો કરવા માટે તમામ અદ્યતન માળખા પૂરી પાડવાની ઇચ્છા ધરાવે છે અને લાગે છે કે આ સોફ્ટવેરને હોસ્પિટલોમાં સક્રિય રીતે પરીક્ષણ કરવાની જરૂર છે, જેથી તે ખરેખર મજબૂત, વધુ સચોટ અને વાસ્તવિક સમયમાં કામ કરવા માટે સમર્થ થવા માટે.

પુરુષોમાં થતાં કેન્સરમાંથી લગભગ 16.1 ટકા અને 10.4 ટકા સ્ત્રીઓને મોઢાના કેન્સર હોય છે, અને આ ચિત્ર ઉત્તરપૂર્વ ભારતમાં પણ વધુ જોખમી છે. સોપારી અને તમાકુના સેવનને કારણે અન્ય કેન્સર કરતા પણ ઓરલ પોલાણના કેન્સરમાં પુનરાવર્તનનો દર વધારે છે.

આ કેન્સર જૂથ જે અક્ષરો સાથે ઓળખાયેલ છે તે ઉપકલા સ્ક્વોમસ પેશી તફાવત અને આક્રમક ગાંઠના વિકાસ છે, તે ગાલના આંતરિક ભાગની નીચેના પટલને વિક્ષેપિત કરે છે અને તેથી તે SCRની હિસ્ટોપેથોલોજીકલ સિસ્ટમ, SCC (WDACC) દ્વારા સારી રીતે અલગ પડે છે, મધ્યમ તફાવતવાળા SCC (MDSCC) અને નબળા તફાવતવાળા SCC (PDSCC) તરીકે વર્ગીકૃત કરી શકાય છે.

ગાંઠની વૃદ્ધિને ઉજાગર કરતી સેલ્યુલર મોર્ફોમેટ્રી, આ ત્રણ વર્ગોને અલગ પાડતી ખૂબ જ સરસ હિસ્ટોલોજીકલ તફાવત દર્શાવે છે, જે માનવ આંખ સાથે અવલોકન કરવી ખૂબ મુશ્કેલ છે. તેની સમાન સમાન હિસ્ટોલોજીકલ લાક્ષણિકતાઓને કારણે, તે શોધવાનું ખૂબ જ મુશ્કેલ છે, જે પેથોલોજીસ્ટ માટે પણ વર્ગીકૃત કરવું મુશ્કેલ છે.

એઆઈના ઉંડાણપૂર્વકના અભ્યાસ પછી, ડિજિટલ ઇમેજ વિશ્લેષણ કેન્સરના નિદાનમાં ગણતરી સહાય તરીકે સેવા આપવાની અસાધારણ સંભાવના જુએ છે, કેન્સર દર્દીઓ માટે સમયસર અને અસરકારક પ્રોફીલેક્ટીક અને મલ્ટિ-મોડલ ટ્રીટમેન્ટ પ્રોટોકોલને સક્ષમ કરે છે. આ રોગના સંચાલનમાં વધારો કરતી વખતે પેથોલોજિસ્ટ્સના ઓપરેશનલ વર્કલોડને મદદ કરશે અને ઘટાડશે.[:en]Around 16.1% of all cancers amongst men and 10.4% amongst women are oral cancer

Scientists at the Institute of Advanced Study in Science and Technology (IASST), Guwahati, an autonomous institute of the Department of Science & Technology, Govt of India, have developed an artificial intelligence (AI) based algorithms as an aid to rapid diagnosis and prediction of oral squamous cell carcinoma.

An indigenous dataset was developed by the scientists through collaborations to make for the unavailability of any benchmark oral cancer dataset for the study. Exploring different state-of-the-art AI techniques and playing with their proposed method, the scientists have gained unprecedented accuracy in oral cancer grading. The study was conducted applying two approaches through the application of transfer learning using a pre-trained deep convolutional neural network (CNN).

Four candidate pre-trained models, namely Alexnet, VGG-16, VGG-19, and Resnet-50, were chosen to find the most suitable model for the classification problem, and a proposed CNN model developed to fit the problem. Although the highest classification accuracy of 92.15% was achieved by the Resnet-50 model.

The experimental findings highlight that the proposed CNN model outperformed the transfer learning approaches displaying accuracy of 97.5%. The work has been published in the journal Neural Networks.

As of now, the group is set for converting the algorithm into proper software to move on to carry out field trials. This is the next challenge that the group is prepared to meet, considering the ever-present gap between the health and IT sectors. Dr. Mahanta aspires for all the advanced infrastructural support to meet these challenges and feels that the software needs to be actively tested in hospitals, to make it truly robust, more accurate, and real-time worthy.

Around 16.1% of all cancers amongst men and 10.4% amongst women are oral cancer, and the picture is all the more alarming in NE India. Oral cavity cancers are also known to have a high recurrence rate compared to other cancers due to the high consumption of betel nut and tobacco.

This cancer group is characterized by epithelial squamous tissue differentiation and aggressive tumour growth, disrupting the basement membrane of the inner cheek region and thus can be graded by Broder’s histopathological system as well-differentiated SCC (WDSCC), moderately differentiated SCC (MDSCC) and poorly differentiated SCC (PDSCC).

The cellular morphometry highlighting the tumour growth displays a very minute histological difference separating the three classes, which are very hard to capture by the human eye. It has remained elusive due to its highly similar histological features, which even pathologists find difficult to classify.

The advent of deep learning in AI holds an extraordinary prospect in digital image analysis to serve as a computational aid in the diagnosis of cancer, thus providing help in timely and effective prognosis and multi-modal treatment protocols for cancer patients and reducing the operational workload of pathologists while enhancing management of the disease.[:hn]पुरुषों में सभी कैंसर का लगभग 16.1 फीसदी और महिलाओं में 10.4 फीसदी मौखिक कैंसर होता है

भारत सरकार के विज्ञान और प्रौद्योगिकी विभाग के स्वायत्त संस्थान, गुवाहाटी के इंस्टीट्यूट ऑफ एडवांस्ड स्टडी इन साइंस एंड टेक्नोलॉजी (आईएएसएसटी) के वैज्ञानिकों ने मुंह के स्क्वैमस सेल कार्सिनोमा के पूर्वानुमान और तेज़ निदान में सहायता करने के लिए एक आर्टिफिशियल इंटेलिजेंस (एआई) आधारित एल्गोरिदम विकसित किया है।

आईएएसएसटी के केंद्रीय कम्प्यूटेशनल और न्यूमेरिकल विज्ञान विभाग में डॉ. लिपी बी महंता के नेतृत्व वाले अनुसंधान समूह द्वारा विकसित यह ढांचा मौखिक स्क्वैमस सेल कार्सिनोमा की ग्रेडिंग में मदद करेगा।

इस अध्ययन के लिए किसी भी मानक मौखिक कैंसर डाटासेट की अनुपलब्धता की भरपाई करने के लिए कई सहयोगों के माध्यम से वैज्ञानिकों द्वारा एक स्वदेशी डेटासेट विकसित किया गया था। विभिन्न अत्याधुनिक एआई तकनीकों को टटोलते हुए और उनकी प्रस्तावित पद्धति को इस्तेमाल करके देखते हुए, वैज्ञानिकों ने मौखिक कैंसर की ग्रेडिंग में अभूतपूर्व सटीकता हासिल की है।

पहले से प्रशिक्षित गहरे कॉन्वोन्यूशनल न्यूरल नेटवर्क (सीएनएन) का उपयोग करके ट्रांसफर के जरिए दो पद्धतियों को लागू करके ये अध्ययन किया गया था।

इस वर्गीकरण की समस्या के लिए सबसे उपयुक्त मॉडल ढूंढ़ने के लिए एलेक्सनेट, वीजीजी-16, वीजीजी-19 और रेसनेट-50 इन चार आवेदक पूर्व-प्रशिक्षित मॉडलों को चुना गया और इस समस्या पर खरा उतरने के लिए एक प्रस्तावित सीएनएन मॉडल को विकसित किया गया था।

हालांकि, रेजनेट-50 मॉडल द्वारा 92.15 फीसदी की उच्चतम वर्गीकरण सटीकता प्राप्त की गई थी, लेकिन प्रायोगिक निष्कर्ष बताते हैं कि इस प्रस्तावित सीएनएन मॉडल ने 97.5 फीसदी की सटीकता प्रदर्शित करते हुए इस स्थानांतरण सीखने की पद्धति को पीछे छोड़ दिया। ये अध्ययन न्यूरल नेटवर्क जर्नल में प्रकाशित किया गया है।

अब तकये समूह इस एल्गोरिदम को उचित सॉफ्टवेयर में परिवर्तित करने के लिए तैयार है ताकि फील्ड ट्रायल शुरू किए जा सकें। स्वास्थ्य और आईटी क्षेत्रों के बीच की वर्तमान खाई को देखते हुए यह वो अगली चुनौती है जिसका सामना करने को ये समूह तैयार है।

डॉ. महंत की आकांक्षा है कि इन चुनौतियों को पूरा करने के लिए तमाम उन्नत बुनियादी ढांचा मदद मिल जाए और वे महसूस करते हैं कि इस सॉफ्टवेयर का अस्पतालों में सक्रिय रूप से परीक्षण करने की आवश्यकता है, ताकि यह वास्तव में मजबूत, ज्यादा सटीक और वास्तविक समय में काम के योग्य बन सके।

पुरुषों में सभी कैंसर का लगभग 16.1 फीसदी और महिलाओं में 10.4 फीसदी मौखिक कैंसर है, और पूर्वोत्तर भारत में यह तस्वीर और भी ज्यादा खतरनाक है। सुपारी और तम्बाकू के अधिक सेवन के कारण अन्य कैंसर की तुलना में ओरल कैविटी कैंसर की पुनरावृत्ति दर भी ऊंची होती है।

यह कैंसर समूह जिन चरित्रों से पहचाना जाता है वो है एपीथीलियल स्क्वैमस ऊतक विभेदन और आक्रामक ट्यूमर विकास, ये गाल के आंतरिक क्षेत्र के नीचे की झिल्ली को बाधित करता है और इस तरह ब्रोडर के हिस्टोपैथोलॉजिकल सिस्टम द्वारा इसे अच्छे से विभेदित एससीसी (डब्ल्यूडीएससीसी), मध्यम रूप से विभेदित एससीसी (एमडीएससीसी) और खराब तरीके से विभेदित एससीसी (पीडीएससीसी) के तौर पर वर्गीकृत किया जा सकता है।

ट्यूमर के विकास को उजागर करने वाली सेलुलर मोर्फोमेट्री इन तीन वर्गों को अलग करने वाले एक बहुत बारीक ऊतकीय अंतर को प्रदर्शित करती है, जिसे इंसानी आंख से देख पाना बहुत कठिन है। अपनी काफी समान ऊतकीय विशेषताओं के कारण ये ढूंढने में काफी मुश्किल बना हुआ है, जिसे वर्गीकृत करने में रोग विज्ञानियों को भी मुश्किल होती है।

एआई में गहन अध्ययन के आने के बाद डिजिटल इमेज विश्लेषण में एक असाधारण संभावना दिखती है ताकि वो कैंसर के निदान में एक कम्प्यूटेशनल सहायता के रूप में काम कर सके, जिससे कैंसर रोगियों के लिए समय पर और प्रभावी रोगनिरोधी और बहु-मोडल उपचार प्रोटोकॉल में मदद मिलेगीऔर इस रोग के प्रबंधन में बढ़ोतरी करते हुए ये रोग विज्ञानियों के परिचालन कार्यभार को कम करेगा।[:]