പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ മനുഷ്യരിൽ കാഴ്ച നഷ്ടപ്പെടുന്നത് തടയാൻ സഹായിക്കും
ലോകത്തിലെ പല പ്രദേശങ്ങളിലും മാറ്റാനാവാത്ത അന്ധതയുടെ ആദ്യ മൂന്ന് കാരണങ്ങളിലൊന്നായ ഉയർന്ന മയോപിയയുള്ള രോഗികളിൽ ദീർഘകാല കാഴ്ച വൈകല്യത്തിന്റെ അപകടസാധ്യത പ്രവചിക്കാൻ കഴിയുന്ന ഒരു പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) മോഡൽ ഗവേഷകർ വികസിപ്പിച്ചെടുത്തു.
ദീർഘകാലാടിസ്ഥാനത്തിൽ കാഴ്ച വൈകല്യത്തിന്റെ അപകടസാധ്യത പ്രവചിക്കുന്നതിനും ദൃശ്യവൽക്കരിക്കുന്നതിനും മെഷീൻ ലേണിംഗ് മോഡൽ നന്നായി പ്രവർത്തിക്കുന്നുവെന്ന് ടോക്കിയോ മെഡിക്കൽ ആൻഡ് ഡെന്റൽ യൂണിവേഴ്സിറ്റിയിലെ (ടിഎംഡിയു) ടീം പറഞ്ഞു.
ഡാറ്റയിൽ നിന്ന് പഠിക്കുന്ന കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഒരു തരം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആണ് മെഷീൻ ലേണിംഗ്, കാലക്രമേണ അതിന്റെ പ്രകടനം മെച്ചപ്പെടുത്താൻ സോഫ്റ്റ്വെയറിനെ പ്രാപ്തമാക്കുന്നു.
അങ്ങേയറ്റം ഹ്രസ്വദൃഷ്ടിയുള്ള ആളുകൾക്ക് (ഹൈ മയോപിയ എന്ന് വിളിക്കുന്നു) തങ്ങൾക്ക് അടുത്തുള്ള വസ്തുക്കളെ വ്യക്തമായി കാണാൻ കഴിയും, പക്ഷേ അകലെയുള്ള വസ്തുക്കളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ കഴിയില്ല.
അവരുടെ കാഴ്ച ശരിയാക്കാൻ കോൺടാക്റ്റുകൾ, ഗ്ലാസുകൾ അല്ലെങ്കിൽ ശസ്ത്രക്രിയ എന്നിവ ഉപയോഗിക്കാം, പക്ഷേ ഉയർന്ന മയോപിയ ഉണ്ടാകുന്നത് അന്ധതയുടെ പ്രധാന കാരണമായ പാത്തോളജിക് മയോപിയ എന്ന അവസ്ഥയിലേക്ക് നയിച്ചേക്കാം.
“മയോപിയയിലെ മാറ്റങ്ങളും സങ്കീർണതകളും തിരിച്ചറിയുന്നത് പോലുള്ള ജോലികളിൽ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ നന്നായി പ്രവർത്തിക്കുന്നുവെന്ന് ഞങ്ങൾക്കറിയാം, പക്ഷേ ഈ പഠനത്തിൽ, വ്യത്യസ്തമായ എന്തെങ്കിലും അന്വേഷിക്കാൻ ഞങ്ങൾ ആഗ്രഹിച്ചു, അതായത് ദീർഘകാല പ്രവചനങ്ങളിൽ ഈ അൽഗോരിതങ്ങൾ എത്രത്തോളം മികച്ചതാണ്,” പഠനത്തിന്റെ പ്രധാന രചയിതാവ് യിനിംഗ് വാങ് പറഞ്ഞു.
ജമാ ഒഫ്താൽമോളജി ജേണലിൽ അടുത്തിടെ പ്രസിദ്ധീകരിച്ച പഠനം, ടിഡിഎംയുവിന്റെ അഡ്വാൻസ്ഡ് ക്ലിനിക്കൽ സെന്റർ ഫോർ മയോപിയയിലെ 967 ജാപ്പനീസ് രോഗികളുടെ കാഴ്ച ശക്തി പരിശോധിച്ചു.
പ്രായം, നിലവിലെ വിഷ്വൽ അക്വിറ്റി, കോർണിയയുടെ വ്യാസം തുടങ്ങിയ നേത്ര പരിശോധനയ്ക്കിടെ സാധാരണയായി ശേഖരിക്കുന്ന 34 വേരിയബിളുകളിൽ നിന്ന് ഗവേഷകർ ഒരു ഡാറ്റാസെറ്റ് രൂപീകരിച്ചു.
റാൻഡം ഫോറസ്റ്റ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകൾ തുടങ്ങിയ നിരവധി ജനപ്രിയ മെഷീൻ ലേണിംഗ് മോഡലുകൾ അവർ പരീക്ഷിച്ചു. ഈ മോഡലുകളിൽ, ലോജിസ്റ്റിക് റിഗ്രഷൻ അധിഷ്ഠിത മോഡൽ 5 വർഷത്തിൽ കാഴ്ച വൈകല്യം പ്രവചിക്കുന്നതിൽ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവച്ചു.
എന്നിരുന്നാലും, ഫലങ്ങൾ പ്രവചിക്കുന്നത് കഥയുടെ ഒരു ഭാഗം മാത്രമാണെന്ന് ഗവേഷകർ പറഞ്ഞു.
“രോഗികൾക്ക് മനസ്സിലാക്കാൻ എളുപ്പമുള്ളതും ക്ലിനിക്കൽ തീരുമാനങ്ങൾ എടുക്കുന്നതിന് സൗകര്യപ്രദവുമായ രീതിയിൽ മോഡലിന്റെ ഔട്ട്പുട്ട് അവതരിപ്പിക്കേണ്ടത് പ്രധാനമാണ്,” പഠനത്തിന്റെ മുതിർന്ന രചയിതാവ് ക്യോകോ ഓഹ്നോ-മാറ്റ്സുയി പറഞ്ഞു.
ക്ലാസിഫിക്കേഷൻ മോഡൽ ദൃശ്യവൽക്കരിക്കാൻ ഗവേഷകർ ഒരു നോമോഗ്രാം ഉപയോഗിച്ചു. വിഷ്വൽ അക്വിറ്റി പ്രവചിക്കുന്നതിന് ഇത് എത്ര പ്രധാനമാണെന്ന് സൂചിപ്പിക്കുന്ന നീളമുള്ള ഒരു രേഖ ഓരോ വേരിയബിളിനും നൽകിയിരിക്കുന്നു.
ഭാവിയിൽ കാഴ്ച വൈകല്യത്തിന്റെ അപകടസാധ്യത വിശദീകരിക്കുന്ന അന്തിമ സ്കോർ നേടുന്നതിന് ഈ നീളങ്ങൾ പോയിന്റുകളായി പരിവർത്തനം ചെയ്യാൻ കഴിയുമെന്ന് അവർ പറഞ്ഞു.
സ്ഥിരമായി കാഴ്ച നഷ്ടപ്പെടുന്ന ആളുകൾ പലപ്പോഴും സ്വാതന്ത്ര്യം നഷ്ടപ്പെടുന്നതിന്റെ ഫലമായി സാമ്പത്തികമായും ശാരീരികമായും കഷ്ടപ്പെടുന്നു.
കടുത്ത കാഴ്ച വൈകല്യം മൂലമുണ്ടായ ആഗോള ഉൽ പാദനക്ഷമതയിലെ കുറവ് 2019 ൽ 94.5 ബില്യൺ ഡോളറായി കണക്കാക്കപ്പെടുന്നു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
