PRISM2 क्लिनिकल संवाद (Clinical Dialogue) वापरून पॅथॉलॉजी AI मध्ये क्रांती कशी घडवून आणत आहे

PRISM2 क्लिनिकल संवाद वापरून पॅथॉलॉजी AI मध्ये क्रांती कशी घडवून आणत आहे

Paige आणि Microsoft यांच्यातील एका महत्त्वपूर्ण सहकार्यामुळे PRISM2 सादर करण्यात आले आहे, जे व्हिज्युअल पॅथॉलॉजी (visual pathology) आणि क्लिनिकल रिझनिंग (clinical reasoning) मधील अंतर कमी करण्यासाठी डिझाइन केलेले एक मल्टीमोडल AI मॉडेल आहे. होल-स्लाईड इमेजिंगला (whole-slide imaging) वैद्यकीय संवादाच्या बारकाव्यांशी जोडून, हे मॉडेल केवळ पॅटर्न ओळखण्यापलीकडे जाऊन खऱ्या निदानात्मक अर्थापंडाकडे (diagnostic interpretation) वळते.

पिक्सेल क्लासिफिकेशनच्या पलीकडे जाणे

डिजिटल पॅथॉलॉजीमधील पारंपारिक AI प्रामुख्याने सुपरवाइज्ड लर्निंग (supervised learning) कार्यांवर लक्ष केंद्रित करते, जसे की विशिष्ट पिक्सेलचे वर्गीकरण करणे किंवा पेशींची रचना ओळखणे. हे प्रभावी असले तरी, या मॉडेल्समध्ये जटिल क्लिनिकल निर्णय घेण्यासाठी आवश्यक असलेल्या संदर्भात्मक खोलीचा (contextual depth) अनेकदा अभाव असतो. PRISM2 एका perceiver-based encoder चा वापर करून ही पद्धत बदलून टाकते, जो होल-स्लाईड इमेजेस (WSIs) पूर्णपणे वेगळ्या पद्धतीने प्रोसेस करतो.

केवळ प्रतिमांना लेबल करण्याऐवजी, PRISM2 ला पॅथॉलॉजी रिपोर्टमधून काढलेल्या क्लिनिकल संवादाच्या दृष्टिकोनातून टिश्यू टाइल्सचा (tissue tiles) अर्थ लावण्याचे प्रशिक्षण दिले गेले आहे. यामुळे मॉडेलला केवळ पेशी कशी दिसते हेच नाही, तर रुग्णाच्या निदानातील व्यापक क्लिनिकल संदर्भात तिच्या उपस्थितीचा अर्थ काय आहे, हे समजण्यास मदत होते.

तांत्रिक आर्किटेक्चर आणि प्रशिक्षणाचा विस्तार

PRISM2 चे तांत्रिक कौशल्य पॅथॉलॉजीमधील प्रचंड डेटा डेन्सिटी हाताळण्याच्या क्षमतेमध्ये आहे. एका सिंगल होल-स्लाईड इमेजमध्ये माहितीचे प्रचंड प्रमाण असते, जे अनेकदा स्टँडर्ड व्हिजन ट्रान्सफॉर्मर्सच्या (vision transformers) क्षमतेपेक्षा खूप जास्त असते. PRISM2 प्रत्येक स्लाईडमधील हजारो वैयक्तिक tile embeddings एकत्रित करून एकसंध प्रतिनिधित्व (cohesive representation) तयार करून ही समस्या सोडवते.

प्रशिक्षणासाठी वापरलेला डेटा देखील तितकाच प्रभावी आहे. हे मॉडेल २३ लाख (2.3 million) होल-स्लाईड इमेजेसच्या अवाढव्य डेटासेटवर प्रशिक्षित केले गेले आहे. या व्हिज्युअल टाइल्स आणि संबंधित क्लिनिकल मजकूर या दोन्हीवर एकत्रितपणे प्रशिक्षण देऊन, मॉडेल एक मल्टीमोडल अलाइनमेंट (multimodal alignment) शिकते, ज्यामुळे ते मानवी भाषेत मजकूर तयार करू शकते. केवळ बायनरी क्लासिफिकेशन (binary classification) देण्याऐवजी, PRISM2 प्रत्यक्षात विशिष्ट निदानात्मक प्रश्नांची उत्तरे देऊ शकते, ज्यामुळे मानवी पॅथॉलॉजिस्टच्या विचार प्रक्रियेचे अनुकरण होते.

हेल्थकेअर AI च्या भविष्यासाठी हे का महत्त्वाचे आहे

PRISM2 चे आगमन AI क्षेत्रात "discriminative AI" (जे वर्गीकरण करते) कडून "generative reasoning AI" (जे स्पष्टीकरण देते) कडे होणाऱ्या बदलाचे संकेत देते. MedTech क्षेत्रातील डेव्हलपर्स आणि संस्थापकांसाठी, हे अधिक पारदर्शक आणि उपयुक्त क्लिनिकल साधनांच्या दिशेने एक पाऊल आहे.

जेव्हा एखादे AI संवादाद्वारे आपले निष्कर्ष सांगू शकते, तेव्हा ते केवळ एक "black box" साधन न राहता एक सहयोगी भागीदार बनते. क्लिनिकल वापरासाठी ही क्षमता अत्यंत महत्त्वाची आहे, कारण पॅथॉलॉजिस्टना AI-आधारित माहितीवर विश्वास ठेवण्यासाठी स्पष्टीकरणाची (explainability) गरज असते. पॅथॉलॉजी रिपोर्टमधील भाषिक बारकावे एकत्रित करून, PRISM2 ने ऑन्कोलॉजी (oncology) आणि डायग्नोस्टिक्स (diagnostics) सारख्या उच्च-जोखीम असलेल्या विशेष क्षेत्रांमध्ये मल्टीमोडल मॉडेल्सचा वापर कसा केला जाऊ शकतो, याचे एक नवीन मानक प्रस्थापित केले आहे.

मुख्य मुद्दे

• मल्टीमोडल इंटिग्रेशन: PRISM2 होल-स्लाईड टिश्यू टाइल्सना पॅथॉलॉजी रिपोर्टमधील क्लिनिकल संवादाशी जोडण्यासाठी perceiver-based encoder वापरते.
• प्रचंड विस्तार: मजबूत फीचर एक्सट्रॅक्शन (feature extraction) सुनिश्चित करण्यासाठी हे मॉडेल २३ लाख होल-स्लाईड इमेजेसच्या अवाढव्य ट्रेनिंग सेटचा वापर करून विकसित केले गेले आहे.
• वर्गीकरणापेक्षा तर्कशुद्धता (Reasoning over Classification): केवळ पिक्सेलचे वर्गीकरण करणाऱ्या पारंपारिक मॉडेल्सच्या उलट, PRISM2 जटिल निदानात्मक प्रश्नांची उत्तरे देण्यासाठी मजकूर तयार करू शकते.

लेख: Microsoft आणि Paige यांनी PRISM2 चे अनावरण केले आहे, जे एक मल्टीमोडल AI मॉडेल आहे जे २३ लाख होल-स्लाईड पॅथॉलॉजी इमेजेस घेऊ शकते आणि नैसर्गिक भाषेत निदानात्मक प्रश्नांची उत्तरे देऊ शकते. व्हिज्युअल विश्लेषणाची पॅथॉलॉजी रिपोर्टमधील क्लिनिकल संवादाशी जोडी लावून, ही प्रणाली पॅथॉलॉजीमधील AI ला केवळ इमेज क्लासिफिकेशनपासून मानवी पॅथॉलॉजिस्टच्या विचार प्रक्रियेचे अनुकरण करणाऱ्या तर्कशुद्धतेकडे नेण्याचे आश्वासन देते.

पिक्सेलपासून तर्कशुद्धतेकडे (Reasoning)

डिजिटल पॅथॉलॉजी प्रदीर्घ काळापासून अशा AI वर अवलंबून आहे जे स्लाईडला लेबल करण्यासाठी पिक्सेलच्या ग्रिडप्रमाणे मानतात. अशी मॉडेल्स mitoses मोजणे किंवा atypical nuclei ओळखणे यांसारख्या कामात उत्कृष्ट असतात, परंतु एखादा निष्कर्ष रुग्णाच्या एकूण परिस्थितीत का महत्त्वाचा आहे, याचे स्पष्टीकरण देण्यात ती अपुरी पडतात. PRISM2 हे बदलते. याचे केंद्र perceiver-based encoder आहे—हा एक प्रकारचा न्यूरल नेटवर्क आहे जो हजारो इमेज टाइल्सना एका सिंगल, हाय-डायमेंशनल रिप्रझेंटेशनमध्ये कॉम्प्रेस करू शकतो. त्यानंतर हे रिप्रझेंटेशन संबंधित पॅथॉलॉजी रिपोर्टमधून काढलेल्या मजकुराशी जोडले जाते, ज्यामुळे मॉडेलला व्हिज्युअल पॅटर्न आणि डॉक्टर ते वर्णन करण्यासाठी वापरत असलेले भाषा यांच्यातील संबंध जोडण्याचे प्रशिक्षण मिळते.

याचा परिणाम असा एक AI आहे जो केवळ “हा भाग घातक (malignant) आहे” असे म्हणण्यापेक्षा अधिक काही करू शकतो. तो “अनियमित ग्रंथींच्या रचनांची उपस्थिती आणि दिसून आलेली स्ट्रोमल प्रतिक्रिया (stromal reaction), मध्यम स्वरूपाच्या ॲडेनोकार्सिनोमाचे (adenocarcinoma) संकेत देते, जे कोलोरेक्टल कॅन्सरच्या क्लिनिकल इतिहासाशी सुसंगत आहे” असे वाक्य तयार करू शकतो. दुसऱ्या शब्दांत, PRISM2 केवळ लेबल न देता निदानामागचे तर्क स्पष्ट करू शकतो.

महत्त्वाचा पैलू: स्केल (Scale)

होल-स्लाईड इमेजवर (whole-slide images) मॉडेल प्रशिक्षित करणे हा एक डेटा-केंद्रित (data-intensive) प्रयत्न आहे. एका सिंगल स्लाईडमध्ये अब्जावधी पिक्सेल असू शकतात, जे अनेक इमेज-आधारित AI सिस्टम्सचे मुख्य आधार असलेल्या स्टँडर्ड vision transformers च्या क्षमतेपेक्षा खूप जास्त आहेत. PRISM2 प्रत्येक स्लाईडचे व्यवस्थापित टाइल्समध्ये (tiles) विभाजन करून, प्रत्येक टाईलचे एम्बेडिंग (embedding) करून आणि नंतर त्या एम्बेडिंग्जना स्लाईड-लेव्हल वेक्टरमध्ये एकत्रित करून या मर्यादेवर मात करते. हा दृष्टिकोन संगणकीय गरजा (computational demands) नियंत्रणात ठेवत सूक्ष्म तपशील जतन करतो.

या भागीदारीमध्ये २३ लाख होल-स्लाईड इमेजच्या डेटासेटचा वापर करण्यात आला—जो पॅथॉलॉजी AI साठी आतापर्यंत जमा केलेल्या सर्वात मोठ्या संग्रहांपैकी एक आहे. प्रत्येक इमेजसोबत पॅथॉलॉजिस्टनी स्लाईड तपासल्यानंतर लिहिलेली लेखी टिप्पणी (textual commentary) जोडलेली होती. दोन्ही पद्धतींवर (modalities) एकाच वेळी प्रशिक्षण देऊन, PRISM2 ने व्हिज्युअल संकेतांना निदानाची भाषा समजून घेण्यास शिकले, ज्यामुळे ते “सर्वात संभाव्य प्राथमिक जागा (primary site) कोणती आहे?” किंवा “उतीमध्ये (tissue) लिम्फोव्हॅस्कुलर इनव्हेजनचे (lymphovascular invasion) पुरावे आहेत का?” यांसारख्या प्रश्नांची सुसंगत उत्तरे देऊ शकते.

हे क्लिनिकल प्रॅक्टिसमध्ये बदल का घडवून आणू शकते

पॅथॉलॉजिस्ट हे कॅन्सर निदानाचे मुख्य आधारस्तंभ आहेत, परंतु त्यांना तपासाव्या लागणाऱ्या स्लाईड्सचे प्रमाण उपलब्ध मनुष्यबळाच्या तुलनेत वेगाने वाढत आहे. केवळ संशयास्पद भाग दर्शवणारे AI उपयुक्त ठरते, तरीही ते अनेकदा क्लिनिशियन्सना तो भाग का संशयास्पद आहे, याचे कारण सांगण्यात अपयशी ठरते. PRISM2 ची निष्कर्ष स्पष्ट करण्याची क्षमता विश्वास आणि स्वीकारार्हता वाढवू शकते. जेव्हा एखादा अल्गोरिदम म्हणतो, “या विशिष्ट आर्किटेक्चरल वैशिष्ट्यांमुळे मला हाय-ग्रेड ट्यूमर दिसत आहे,” तेव्हा पॅथॉलॉजिस्ट त्या निकालाकडे एक अस्पष्ट निर्णय म्हणून न पाहता, त्या तर्काची पडताळणी करू शकतात, त्याला आव्हान देऊ शकतात किंवा त्यावर आधारित पुढील निर्णय घेऊ शकतात.

MedTech स्टार्टअप्स आणि मोठ्या हेल्थ-सिस्टम AI टीम्ससाठी, हे मॉडेल एक नवीन बेंचमार्क सेट करते. हे सिद्ध करते की मल्टीमोडल ट्रेनिंग—म्हणजेच इमेज आणि डोमेन-विशिष्ट भाषा यांचे मिश्रण—अचूक आणि समजण्यायोग्य (interpretable) साधने तयार करू शकते. ऑन्कोलॉजीमध्ये (oncology) हे संयोजन विशेषतः मौल्यवान आहे, जिथे उपचारांचे निर्णय सूक्ष्म पॅथोलॉजिकल सबटाइपिंगवर अवलंबून असतात.

आव्हाने आणि विरोधाभास

निदानातील संवादाचे आश्वासन उरलेली आव्हाने दूर करत नाही. पहिले म्हणजे, मॉडेलची कामगिरी केवळ संशोधन क्षेत्रातील (research settings) अहवालांवर आधारित आहे; विविध लॅब वर्कफ्लो, स्टेनिंग प्रोटोकॉल आणि स्कॅनर विक्रेत्यांच्या प्रत्यक्ष वापरामध्ये याचे प्रमाणीकरण (validation) अद्याप प्रलंबित आहे. निवडक डेटासेटवर काम करणारी प्रणाली दैनंदिन सरावातील विविधतेचा सामना करताना अडखळू शकते.

दुसरे म्हणजे, २३ लाख स्लाईड्स आणि त्यांचे रिपोर्ट हे प्रशिक्षण डेटा बहुधा मर्यादित संस्थांमधून घेतलेले असावेत. जर या डेटासेटमध्ये रुग्णांच्या लोकसांख्यिकीय (demographics) विविधतेचा पूर्ण विचार केला नसेल, तर मॉडेलमध्ये पूर्वग्रह (bias) येऊ शकतो, ज्यामुळे कमी प्रतिनिधित्व असलेल्या आजारांचे चुकीचे वर्गीकरण होऊ शकते.

तिसरे म्हणजे, कथात्मक आउटपुट (narrative output) देणाऱ्या AI साठीचे नियामक मार्ग (regulatory pathways) हे बायनरी क्लासिफायरच्या तुलनेत कमी प्रस्थापित आहेत. नियामक संस्थांना केवळ अचूकतेचेच नाही, तर चुकीच्या स्पष्टीकरणांच्या सुरक्षिततेचेही मूल्यांकन करावे लागेल, कारण योग्य सूचना न मिळाल्यास ते क्लिनिशियन्सना दिशाभूल करू शकतात.

शेवटी, होल-स्लाईड डेटावर perceiver-आधारित एन्कोडर चालवण्याचा संगणकीय खर्च (computational cost) कमी नाही. रुग्णालयांना पुरेशी GPU इन्फ्रास्ट्रक्चर किंवा क्लाउड कॉन्ट्रॅक्ट्सची आवश्यकता असेल, ज्यामुळे विशेषतः लहान पॅथॉलॉजी लॅबसाठी खर्च-क्षमतेबद्दल (cost-effectiveness) प्रश्न निर्माण होतील.

पुढे काय पाहावे

• क्लिनिकल ट्रायल्स (Clinical trials): PRISM2-सहाय्यित निदान आणि मानक पद्धतींची तुलना करणाऱ्या संभाव्य अभ्यासांचे (prospective studies) पुरावे हे नियामक मंजुरी आणि स्वीकारार्हतेसाठी निर्णायक घटक ठरतील.
• इंटिग्रेशन पाइपलाइन्स (Integration pipelines): हे मॉडेल सध्याच्या डिजिटल पॅथॉलॉजी प्लॅटफॉर्ममध्ये किती सहजपणे जोडले जाऊ शकते, याचा परिणाम त्याच्या अंमलबजावणीच्या वेगावर होईल. अखंड API प्रवेश आणि सामान्य स्लाईड-व्ह्यूअर सॉफ्टवेअरशी सुसंगतता असणे आवश्यक आहे.
• स्पष्टीकरण मेट्रिक्स (Explainability metrics): तयार झालेला संवाद तज्ञांच्या तर्काशी किती चांगल्या प्रकारे सुसंगत आहे, याचे मोजमाप करणारे स्वतंत्र बेंचमार्क “ब्लॅक-बॉक्स” (black-box) संबंधी शंका दूर करण्यास मदत करतील.
• किंमत आणि लायसन्सिंग (Pricing and licensing): या भागीदारीचे बिझनेस मॉडेल—तंत्रज्ञान सबस्क्रिप्शन म्हणून दिले जाते की प्रति-स्लाईड शुल्क किंवा ऑन-प्रिमाइसेस सोल्यूशन म्हणून—यावरून कोणत्या संस्था ते परवडण्यासारखे आहे, हे ठरवले जाईल.

सारांश

PRISM2 हे दर्शवते की AI केवळ पेशींना लेबल करण्यापलीकडे जाऊन त्या पेशींमधून मिळणारी क्लिनिकल माहिती (clinical story) स्पष्टपणे मांडू शकते. पॅथॉलॉजिस्ट दररोज वापरत असलेल्या भाषेसोबत होल-स्लाईड इमेजेसच्या (whole-slide images) प्रचंड साठ्यावर प्रशिक्षण देऊन, Microsoft आणि Paige यांनी अशी एक प्रणाली विकसित केली आहे जी संवादात्मक पद्धतीने निदानात्मक प्रश्नांची उत्तरे देऊ शकते. जर हे मॉडेल दैनंदिन लॅबमधील गुंतागुंतीच्या वास्तवात विश्वासार्ह ठरले, तर ते AI ला केवळ एक 'सायलेंट डिटेक्टर' न ठेवता एक खरा 'सहकारी' बनवू शकते, ज्यामुळे पॅथॉलॉजीद्वारे रुग्णसेवेला मिळणाऱ्या माहितीच्या पद्धतीत आमूलाग्र बदल घडू शकतात.