ശസ്ത്രക്രിയ വേളയിൽ ട്യൂമറുകൾ തരംതിരിക്കാൻ ഡീപ് ലേണിംഗ് സഹായിക്കുന്നു
ദ്രുത സീക്വൻസിംഗും ആഴത്തിൽ പഠിച്ച ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളും സംയോജിപ്പിച്ചുകൊണ്ട് കേന്ദ്ര നാഡീവ്യൂഹ (സിഎൻഎസ്) ട്യൂമറുകളെ വേഗത്തിൽ തരംതിരിക്കാനുള്ള ഒരു രീതി 90 മിനിറ്റിനുള്ളിൽ തന്മാത്രാ രോഗനിർണയം സാധ്യമാക്കുമെന്ന് നേച്ചറിൽ പ്രസിദ്ധീകരിച്ച ഒരു പഠനത്തിൽ പറയുന്നു. ശസ്ത്രക്രിയാ തീരുമാനമെടുക്കാൻ സഹായിക്കുന്നതിന് ശസ്ത്രക്രിയയ്ക്കിടെ ട്യൂമറുകളുടെ തന്മാത്രാ രോഗനിർണയം നേടുന്നതിനുള്ള സാധ്യത കണ്ടെത്തലുകൾ പ്രകടമാക്കുന്നു.
സിഎൻഎസ് ട്യൂമറുകളുടെ പ്രാഥമിക ചികിത്സയിൽ ട്യൂമറുകൾ ശസ്ത്രക്രിയയിലൂടെ നീക്കംചെയ്യുന്നത് ഉൾപ്പെടുന്നു, ന്യൂറോളജിക്കൽ കേടുപാടുകളുടെയും മറ്റ് സങ്കീർണതകളുടെയും അപകടസാധ്യത കുറയ്ക്കുന്നതിനൊപ്പം ട്യൂമറസ് ടിഷ്യു നീക്കം ചെയ്യുന്നത് പരമാവധി വർദ്ധിപ്പിക്കുന്നതിന് ശ്രദ്ധാപൂർവ്വം പരിഗണിക്കേണ്ടതുണ്ട്. നിലവിലെ സ്റ്റാൻഡേർഡ് സമ്പ്രദായം ശസ്ത്രക്രിയയ്ക്കിടെ പ്രീ ഓപ്പറേറ്റീവ് ഇമേജിംഗ്, ഹിസ്റ്റോളജിക്കൽ വിശകലനം എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു, പക്ഷേ ഈ രീതികൾ എല്ലായ്പ്പോഴും നിർണ്ണായകമോ ഇടയ്ക്കിടെ തെറ്റോ അല്ല. മിഥിലേഷൻ പ്രൊഫൈലുകൾ കണ്ടെത്തുന്നതിന് ഡിഎൻഎ സീക്വൻസിംഗ് ഒരു ട്യൂമറിന്റെ ഉത്ഭവത്തെയും രോഗനിർണയത്തെയും കുറിച്ചുള്ള വിവരങ്ങൾ വെളിപ്പെടുത്തും, പക്ഷേ ഫലങ്ങൾ ലഭിക്കാൻ സാധാരണയായി നിരവധി ദിവസങ്ങളെടുക്കും.
ശസ്ത്രക്രിയയ്ക്കിടെ രോഗനിർണയം നൽകുന്നതിന് ഡിഎൻഎ മിഥിലേഷൻ പ്രൊഫൈലുകൾ വേഗത്തിൽ നേടുന്നതിന്, നെതർലാൻഡിലെ ഉട്രെക്റ്റിലെ ഓങ്കോഡ് ഇൻസ്റ്റിറ്റ്യൂട്ടിൽ നിന്നുള്ള ജെറോൺ ഡി റിഡർ നാനോപോർ സീക്വൻസിംഗ് എന്ന സാങ്കേതികവിദ്യ ഉപയോഗിച്ചു. ഈ രീതി വേഗതയേറിയതാണ്, പക്ഷേ പരമ്പരാഗത സീക്വൻസിംഗ് സാങ്കേതികവിദ്യകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ജനറേറ്റുചെയ്ത ഡാറ്റയ്ക്ക് ജനിതക സൈറ്റുകളുടെ കവറേജ് വളരെ കുറവാണ്. അത്തരം വിരളമായ ഡാറ്റ ഉപയോഗിച്ച് സിഎൻഎസ് ട്യൂമറുകളുടെ തന്മാത്രാ വർഗ്ഗീകരണം പ്രാപ്തമാക്കുന്നതിന്, ഗവേഷകർ ‘സ്റ്റർജിയൻ’ എന്ന ന്യൂറൽ നെറ്റ്വർക്ക് ഉപകരണം വികസിപ്പിച്ചു. “അത്തരം വിരളമായ പ്രൊഫൈലുകളെ അടിസ്ഥാനമാക്കി കേന്ദ്ര നാഡീവ്യൂഹ ട്യൂമറുകളുടെ തന്മാത്രാ ഉപ വർഗ്ഗീകരണം പ്രാപ്തമാക്കുന്നതിന് രോഗി-അജ്ഞേയ കൈമാറ്റ-പഠിച്ച ന്യൂറൽ ശൃംഖലയായ സ്റ്റർജിയൻ ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തു,” അവർ എഴുതുന്നു.
സിമുലേറ്റഡ് ഡാറ്റ ഉപയോഗിച്ച് ഉപകരണം പരിശീലിപ്പിക്കുകയും സാധൂകരിക്കുകയും ചെയ്ത ശേഷം, രചയിതാക്കൾ സിഎൻഎസ് ട്യൂമർ സാമ്പിളുകളിൽ നിന്നുള്ള ഡാറ്റയിൽ സ്റ്റർജിയൻ പരീക്ഷിച്ചു. 20-40 മിനിറ്റ് സീക്വൻസിംഗിന് തുല്യമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കി 50 സാമ്പിളുകളിൽ 45 എണ്ണം സ്റ്റർജിയൻ ശരിയായി തരംതിരിച്ചു. 25 ശസ്ത്രക്രിയകളിൽ 90 മിനിറ്റിൽ താഴെയുള്ള ഡയഗ്നോസ്റ്റിക് ടൺറൗണ്ട് സമയം കൈവരിച്ചുകൊണ്ട് സ്റ്റർജിയന്റെ പ്രകടനവും പ്രയോഗക്ഷമതയും രചയിതാക്കൾ പ്രദർശിപ്പിച്ചു. ഇതിൽ 18 (72%) രോഗനിർണയങ്ങൾ ശരിയായിരുന്നു, ഏഴെണ്ണം ആവശ്യമായ ആത്മവിശ്വാസ പരിധിയിൽ എത്തിയില്ല. കുറഞ്ഞ ചെലവിലുള്ള ഇൻട്രാ ഓപ്പറേറ്റീവ് സീക്വൻസിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള മെഷീൻ-പഠിച്ച രോഗനിർണയം ന്യൂറോ സർജിക്കൽ തീരുമാനമെടുക്കാൻ സഹായിക്കുമെന്നും ന്യൂറോളജിക്കൽ കോമോർബിഡിറ്റി തടയുന്നതിനും അധിക ശസ്ത്രക്രിയകൾ ഒഴിവാക്കുന്നതിനും സഹായിക്കുമെന്ന് ഞങ്ങൾ നിഗമനം ചെയ്യുന്നു, “അവർ എഴുതുന്നു.
ശസ്ത്രക്രിയയ്ക്കിടെ അതിവേഗ സീക്വൻസിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള ആഴത്തിൽ പഠിച്ച രോഗനിർണയത്തിന് ന്യൂറോ സർജിക്കൽ തീരുമാനമെടുക്കാൻ സഹായിക്കാനും രോഗികളുടെ രോഗനിർണയം മെച്ചപ്പെടുത്താനും കഴിയുമെന്ന് കണ്ടെത്തലുകൾ തെളിയിക്കുന്നു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
