चिकित्सा, जीव विज्ञान और मशीन लर्निंग के तीन विशेषज्ञों ने Microsoft Research की पॉडकास्ट शृंखला The Shape of Things to Come के एक एपिसोड में चर्चा की कि AI किस तरह बीमारी का पूर्वानुमान लगा सकता है और उसकी रोकथाम में मदद कर सकता है। इस एपिसोड की मेज़बानी Microsoft Research के प्रमुख Doug Burger ने की। मेहमानों में Microsoft के मुख्य वैज्ञानिक अधिकारी Eric Horvitz; Scripps Research के कार्यकारी उपाध्यक्ष Eric Topol, जिन्हें एपिसोड के विवरण में Microsoft का AI स्वास्थ्य सलाहकार बताया गया है; और Microsoft की प्रिंसिपल रिसर्च मैनेजर Ava Amini शामिल थे।
AI के साथ निदान
Horvitz ने Microsoft की एक परियोजना के बारे में बताया, जिसने AI के परीक्षण को मॉडल को पूरा केस थमा देने से आगे बढ़ाया। इसके बजाय, सिस्टम को एक चिकित्सक की जगह रखा गया: उसे शुरुआती लक्षण और इतिहास मिले, फिर उसे सवाल और जाँचें चुननी थीं, जानकारी के मूल्य और लागत के बीच संतुलन बनाना था, और तय करना था कि निदान पर कब पहुँचना है। उन्होंने कहा कि कई अत्याधुनिक भाषा मॉडलों ने अच्छा प्रदर्शन किया, हालाँकि उन्होंने आगाह किया कि सामान्य चिकित्सकों से तुलना की अपनी सीमाएँ हैं।
Topol ने कहा कि Science में प्रकाशित यह काम पहला ऐसा काम था जिसमें एक एजेंटिक सिस्टम चिकित्सकों और अन्य अत्याधुनिक मॉडलों, दोनों से अधिक सटीक निदान तक पहुँचा। उनके अनुसार, चिकित्सकों की तुलना में सटीकता लगभग दोगुनी हो गई, और वह भी कम लागत पर। उन्होंने Johns Hopkins के उस अनुमान का भी हवाला दिया, जिसके मुताबिक निदान संबंधी त्रुटियों से हर साल 8,00,000 मौतें या विकलांगताएँ होती हैं।
अनदेखे इमेजिंग प्रमाण और संपूर्ण-रोगी मॉडल
Topol ने तर्क दिया कि चिकित्सा जगत ने एक ऐसे क्षेत्र को नज़रअंदाज़ किया है जहाँ डीप लर्निंग बेहतर ढंग से प्रमाणित है: रेटिना स्कैन, छाती के एक्स-रे और इलेक्ट्रोकार्डियोग्राम जैसी चिकित्सा छवियाँ। उन्होंने मैमोग्राफ़ी में एक लाख से अधिक महिलाओं पर हुए एक रैंडमाइज़्ड ट्रायल और कोलोनोस्कोपी में 44 रैंडमाइज़्ड ट्रायल का ज़िक्र किया, और कहा कि इन निष्कर्षों को व्यवहार में नहीं उतारा जा रहा। Topol के मुताबिक, संयुक्त राज्य अमेरिका में लगभग किसी भी महिला को उसकी मैमोग्राफ़ी की अत्याधुनिक AI रीडिंग नहीं मिलती; उनके अनुसार विकल्प यह है कि इसके लिए एक बहुत सीमित नेटवर्क के भीतर भुगतान किया जाए।
उन्होंने कहा कि अगला चरण संपूर्ण-रोगी मॉडल का होगा, जो स्वास्थ्य रिकॉर्ड, छवियों, जीनोमिक्स, प्रोटिओमिक्स और अन्य डेटा को जोड़कर यह अनुमान लगाएँगे कि बीमारी कब हो सकती है और "क्या हो अगर" वाली स्थितियों को परखेंगे। उन्होंने कहा कि ऐसे मॉडल जोखिम के समय का कुछ अंदाज़ा पहले से दे सकते हैं, और उन्हें उम्मीद थी कि ये वर्चुअल सेल से पहले परिपक्व हो जाएँगे। उन्होंने जोड़ा कि लक्ष्य लोगों को केवल यह बताने से आगे जाना चाहिए कि उन पर जोखिम है, और रोकथाम की ओर बढ़ना चाहिए।
बाधाएँ: अपनाने की गति और प्रोत्साहन
Topol ने कहा कि जिसकी कमी है, वह है क्रियान्वयन। उनके विवरण के अनुसार, चिकित्सा पेशा बदलाव को अपनाने में धीमा है, स्वास्थ्य प्रणालियाँ वित्तीय बाधाओं का सामना करती हैं और बहुत कम मार्जिन पर काम करती हैं, और न तो चिकित्सक और न ही मरीज़ इन प्रगतियों की माँग कर रहे हैं। उन्होंने बताया कि जो कारण दिए जाते हैं, वे अच्छे औचित्य नहीं बल्कि बहाने हैं।
Burger ने हाल के एक सम्मेलन का यह तर्क सामने रखा कि स्वास्थ्य सेवा का आर्थिक मॉडल रोकथाम के विपरीत है। Topol ने जवाब दिया कि संयुक्त राज्य अमेरिका में एक वर्ष की बीमा कवरेज जैसी संरचनाओं के कारण हतोत्साहन हैं, जबकि अन्यत्र आबादी को स्वस्थ रखने के लिए प्रोत्साहन मौजूद हैं।
Amini, जो Broad Institute के साथ कैंसर कोशिका अवस्थाओं पर Microsoft के सहयोग Project Ex Vivo की सह-प्रमुख हैं, ने कहा कि जैविक AI मॉडलों के प्रति उत्साह के साथ अब हल करने के लिए स्पष्ट समस्याएँ और प्रायोगिक वैज्ञानिकों द्वारा उन्हें अपनाया जाना भी ज़रूरी है। उन्होंने कहा कि जीव विज्ञान की बहु-स्तरीय जटिलता अणुओं से लेकर मरीज़ों तक के डेटा को एकीकृत करना मशीन लर्निंग के लिए एक कठिन चुनौती बना देती है। यह पूछे जाने पर कि क्या जीव विज्ञान को कभी कंप्यूटर चिप जितनी सटीकता से मैप किया जा सकता है, Horvitz ने जवाब दिया कि नहीं, और कहा कि इसके महत्वपूर्ण ब्योरे कभी सटीक परमाणु स्तर पर समझे नहीं जा सकेंगे। Amini अधिक झिझक के साथ बोलीं; उन्होंने कहा कि उन्हें नहीं लगता कि विज्ञान कभी पूरी तरह वहाँ पहुँच पाएगा, लेकिन तर्क दिया कि उपयोगी खोजों के लिए ऐसी सटीकता की ज़रूरत नहीं है।





