મોઢાના કેન્સરની ચોક્કસ સારવાર માટે આર્ટિફિશ્યલ ઇન્ટેલિજન્સ આધારિત કમ્પ્યુટર નિદાન

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.