नेत्र विज्ञान में AI निदान का वर्तमान और भविष्य (AI Diagnosis in Ophthalmology)

एक नज़र में मुख्य बिंदु

इस रोग के मुख्य बिंदु

• नेत्र विज्ञान उन चिकित्सा क्षेत्रों में से एक है जहाँ AI (कृत्रिम बुद्धिमत्ता) का उपयोग सबसे अधिक आगे बढ़ा है, और फंडस फोटो तथा OCT जैसे मानकीकृत इमेज डेटा AI प्रशिक्षण के लिए उपयुक्त हैं।
• 2018 में, FDA ने पहले पूरी तरह स्वायत्त AI निदान सिस्टम (IDx-DR) को मंजूरी दी, और मधुमेही रेटिनोपैथी स्क्रीनिंग का स्वचालन व्यावहारिक उपयोग में आ गया²⁾.
• नेत्र-विज्ञान ज्ञान पर AI चैटबॉट (ChatGPT-4) के मूल्यांकन में कुल शुद्धता 70% थी, और क्षेत्रों के अनुसार अंतर था: रेटिना 77% (सबसे अधिक) और न्यूरो-ऑफ्थैल्मोलॉजी 58% (सबसे कम)³⁾.
• डायबिटिक रेटिनोपैथी की AI स्क्रीनिंग को 15 में से 11 अध्ययनों में लागत-प्रभावी माना गया, और स्कॉटलैंड के NHS ने सालाना लगभग 4 लाख डॉलर की बचत की रिपोर्ट की¹⁾.
• AI की सटीकता में अभी भी छवि गुणवत्ता, प्रशिक्षण डेटा में पक्षपात (bias), और दुर्लभ रोगों से निपटने में चुनौतियाँ बनी हुई हैं¹⁾.
• AI निदान एक सहायक उपकरण है, और अंतिम निदान तथा उपचार योजना नेत्र रोग विशेषज्ञ तय करते हैं।
• फंडस फोटो से हृदय-वाहिकीय जोखिम और डिमेंशिया जैसी प्रणालीगत बीमारियों की भविष्यवाणी करने वाली AI पर शोध आगे बढ़ रहा है⁶⁾.

1. नेत्र-विज्ञान में AI निदान क्या है

AI (कृत्रिम बुद्धिमत्ता) मानव बुद्धि की नकल करने वाली मशीन लर्निंग प्रणालियों के लिए एक सामान्य शब्द है। डीप लर्निंग (DL) AI का एक उपसमूह है, जो बहु-स्तरीय न्यूरल नेटवर्क का उपयोग करके उन्नत विशेषताएँ निकालता है और जटिल निर्णय लेता है¹⁾.

नेत्र-विज्ञान उन चिकित्सा क्षेत्रों में से एक है जहाँ AI का उपयोग सबसे आगे बढ़ा है। फंडस फोटो, OCT (ऑप्टिकल कोहेरेंस टोमोग्राफी), विज़ुअल फील्ड परीक्षण और अन्य इमेज डेटा मानकीकृत हैं, इसलिए बड़ी मात्रा में प्रशिक्षण डेटा जुटाना आसान है। AI के मुख्य उपयोग के उद्देश्य निम्न 3 हैं।

• स्क्रीनिंग की दक्षता बढ़ाना (नेत्र रोग विशेषज्ञों की रीडिंग का बोझ कम करना)
• विशेषज्ञों की कमी वाले क्षेत्रों में पहुँच सुधारना
• निदान की सटीकता को समान बनाना (संस्थानों के बीच अंतर कम करना)

2018 में, FDA ने पहले पूरी तरह स्वायत्त AI निदान सिस्टम (IDx-DR) को मंजूरी दी, जिससे नेत्र-विज्ञान AI निदान का व्यावहारिक उपयोग तेज हो गया²⁾। IDx-DR को आंतरिक चिकित्सा और प्राथमिक देखभाल में गैर-नेत्र-विशेषज्ञ स्टाफ द्वारा संचालित किया जा सकता है, और यह स्वतः तय करता है कि नेत्र रोग विशेषज्ञ को रेफर करना आवश्यक है या नहीं²⁾.

डीप लर्निंग प्रणालियों ने मधुमेही रेटिनोपैथी, ग्लूकोमा और AMD की पहचान में विशेषज्ञों के समान सटीकता दिखाई है, और फंडस फ़ोटो का उपयोग करके AI निदान की संभावना दिखाई गई है⁸⁾.

Q नेत्र-विज्ञान में AI का उपयोग कैसे किया जाता है?

A

AI फंडस फ़ोटो और OCT की छवियों का स्वचालित रूप से विश्लेषण करके मधुमेही रेटिनोपैथी, ग्लूकोमा और आयु-संबंधी मैक्युलर डिजनरेशन जैसी बीमारियों का पता लगाता है। स्क्रीनिंग AI (पूरी तरह स्वायत्त) का संचालन गैर-नेत्र-विशेषज्ञ भी कर सकते हैं और इसका उपयोग विशेषज्ञों की कमी वाले क्षेत्रों में प्राथमिक स्क्रीनिंग के लिए किया जाता है। AI चैटबॉट्स (जैसे GPT-4) का उपयोग नेत्र-विज्ञान के ज्ञान के मूल्यांकन और मरीजों की शिक्षा के लिए भी शोध में किया जा रहा है³⁾. इसे एक सहायक उपकरण के रूप में रखा जाता है, जबकि अंतिम निदान नेत्र-विज्ञान विशेषज्ञ करते हैं.

2. AI के प्रकार और लक्षित रोग

नेत्र-विज्ञान में AI को कार्य और स्वायत्तता के स्तर के आधार पर मोटे तौर पर निम्नलिखित तीन प्रकारों में बांटा जाता है.

स्क्रीनिंग AI (पूरी तरह स्वायत्त)

यह फंडस फ़ोटो का स्वचालित विश्लेषण करता है और तय करता है कि रेफरल की आवश्यकता नहीं है या आवश्यकता है। यह नेत्र-विज्ञान विशेषज्ञों की अनुपस्थिति में भी काम कर सकता है, और निम्नलिखित रोगों में लागू किया गया है²⁾.

• मधुमेही रेटिनोपैथी (DR): सबसे अधिक शोधित और सबसे अधिक लागू
• आयु-संबंधी मैक्युलर डिजनरेशन (AMD): ड्रूज़न और नव-रक्तवाहिका निर्माण का पता लगाना
• ग्लूकोमा: ऑप्टिक डिस्क और नर्व फाइबर लेयर का स्वचालित विश्लेषण
• समयपूर्व शिशुओं की रेटिनोपैथी (ROP): नवजात ICU में नवजात स्क्रीनिंग
• रेटिनोब्लास्टोमा: बच्चों में फंडस मॉनिटरिंग

निदान सहायता AI (अर्ध-स्वायत्त)

यह डॉक्टर की छवियों की व्याख्या में सहायता करने वाली प्रणाली है। इसका उपयोग OCT की परत संरचना के स्वचालित सेगमेंटेशन के माध्यम से AMD प्रकार वर्गीकरण, तथा डायबिटिक मैक्युलर एडिमा (DME) की गंभीरता के आकलन में किया जाता है।

AI चैटबॉट (बहु-माध्यम)

यह एक बड़े भाषा मॉडल का अनुप्रयोग है जो पाठ (इतिहास लेने की जानकारी) और छवियों (फंडस फ़ोटो और OCT) का एक साथ विश्लेषण करता है। ChatGPT-4 के नेत्र रोग संबंधी ज्ञान और छवि व्याख्या क्षमता का मूल्यांकन किया गया है, और रोगी शिक्षा तथा दूरस्थ इतिहास लेने में इसके उपयोग पर विचार किया जा रहा है³⁾।

AI प्रकार	प्रतिनिधि प्रणाली	लक्ष्य	सटीकता माप
स्क्रीनिंग AI (स्वायत्त)	IDx-DR2)	मधुमेहजन्य रेटिनोपैथी	संवेदनशीलता 87.2%, विशिष्टता 90.7%
स्क्रिनिंग AI (स्वायत्त)	i-ROP DL5)	ROP	संवेदनशीलता 91%, विशिष्टता 91%
स्क्रिनिंग AI (स्वायत्त)	EyeArt4)	मधुमेहजन्य रेटिनोपैथी	यूके NHS में मूल्यांकनित और उपयोग में
AI चैटबॉट	ChatGPT-43)	नेत्र विज्ञान ज्ञान मूल्यांकन	कुल सटीकता 70%

3. प्रमुख AI प्रणालियाँ और निदान सटीकता

IDx-DR (Digital Diagnostics)

²⁾ 2018 में FDA द्वारा अनुमोदित पहली पूर्णतः स्वायत्त AI निदान प्रणाली है। नेत्र-विशेषज्ञ न होने वाला स्टाफ बिना पुतली फैलाए फंडस कैमरे से तस्वीरें लेता है, और AI उन्हें स्वतः विश्लेषित कर रेफरल का निर्णय करता है। इसका उपयोग प्राथमिक देखभाल केंद्रों में बढ़ रहा है।

मुख्य प्रदर्शन संकेतक (Abràmoff आदि का 2018 का निर्णायक परीक्षण)²⁾:

• संवेदनशीलता: 87.2% (मध्यम या उससे अधिक डायबिटिक रेटिनोपैथी की पहचान)
• विशिष्टता: 90.7%
• सकारात्मक पूर्वानुमान मान: 49.7%, नकारात्मक पूर्वानुमान मान: 98.5%

IDx-DR ने आंतरिक चिकित्सा और प्राथमिक देखभाल केंद्रों में स्वायत्त DR स्क्रीनिंग को संभव बनाया है, जिससे नेत्र-विशेषज्ञ को रेफर करने की आवश्यकता वाले मामलों को कुशलता से चुना जा सकता है²⁾.

AI चैटबॉट (ChatGPT-4) द्वारा नेत्र चित्रों की व्याख्या

नेत्र-चिकित्सा के बहुविकल्पीय प्रश्नों पर GPT-4 की सटीकता का मूल्यांकन किया गया है³⁾, और कुल सटीकता 70% है।

• कुल सटीकता: 70% (299/428 प्रश्न)
• विषयवार सटीकता की रैंकिंग:

क्षेत्र	सटीकता
रेटिना	77% (सबसे अधिक)3)
आँखों के ट्यूमर	72%3)
बाल नेत्र-विज्ञान	68%3)
यूवाइटिस	67%3)
ग्लूकोमा	61%3)
न्यूरो-ऑफ्थैल्मोलॉजी	58% (न्यूनतम)3)

• छवि-आधारित प्रश्न: 65%, गैर-छवि-आधारित प्रश्न: 82% (अंतर 17%, P < .001)³⁾

यह अंतर दिखाता है कि चैटबॉट की छवियों की व्याख्या करने की क्षमता अभी भी गैर-छवि पाठ को समझने की क्षमता से कम है। यह बताया गया है कि नैदानिक सेटिंग्स में बहु-माध्यम चैटबॉट्स का उचित एकीकरण आवश्यक है³⁾.

IDx-DR (2018 में FDA-स्वीकृत)

लक्षित रोग: मधुमेहजन्य रेटिनोपैथी

सटीकता: संवेदनशीलता 87.2%, विशिष्टता 90.7%

विशेषताएँ: पूरी तरह स्वायत्त। गैर-नेत्र रोग विशेषज्ञ इसे संचालित कर सकते हैं। आंतरिक चिकित्सा और प्राथमिक देखभाल में उपयोग²⁾

EyeArt (Eyenuk)

लक्षित रोग: मधुमेहजन्य रेटिनोपैथी

सटीकता: UK NHS में मूल्यांकन किया गया और व्यावहारिक उपयोग में लाया गया

विशेषताएँ: स्क्रीनिंग कार्यक्रमों में एकीकृत करने का अनुभव है⁴⁾

i-ROP DL (2018)

लक्ष्य रोग: अपरिपक्व शिशु रेटिनोपैथी (ROP)

सटीकता: संवेदनशीलता 91%, विशिष्टता 91%

विशेषता: NICU में plus रोग का स्वचालित पता लगाना⁵⁾

ChatGPT-4 (OpenAI)

विषय: नेत्र-विज्ञान ज्ञान और छवि व्याख्या का मूल्यांकन

सटीकता: कुल सही उत्तर दर 70% (रेटिना 77%, न्यूरो-ऑफ्थैल्मोलॉजी 58%)

विशेषता: रोगी शिक्षा और दूरस्थ परामर्श में उपयोग के लिए अनुसंधान चरण में³⁾

Q AI नेत्र रोगों के निदान में कितना सटीक है?

A

मधुमेहजन्य रेटिनोपैथी स्क्रीनिंग AI (IDx-DR) की संवेदनशीलता 87.2% और विशिष्टता 90.7% थी, और इसकी सटीकता नेत्र विशेषज्ञ की व्याख्या के बराबर पाई गई²⁾। अपरिपक्व शिशु रेटिनोपैथी (ROP) के लिए AI (i-ROP DL) ने भी 91% संवेदनशीलता और 91% विशिष्टता हासिल की⁵⁾। दूसरी ओर, AI चैटबॉट (ChatGPT-4) के नेत्र ज्ञान मूल्यांकन में कुल सही उत्तर दर 70% थी, और न्यूरो-ऑफ्थैल्मोलॉजी क्षेत्र में यह 58% रही³⁾। दोनों ही मामलों में AI केवल एक सहायक उपकरण है, और यदि कोई असामान्यता दिखाई देती है, तो नेत्र विशेषज्ञ द्वारा विस्तृत जांच आवश्यक है.

4. लागत-प्रभावशीलता और स्वास्थ्य अर्थशास्त्र

AI-आधारित नेत्र स्क्रीनिंग की लागत-प्रभावशीलता पर कई अध्ययनों में साक्ष्य जमा हुए हैं¹⁾.

मधुमेही रेटिनोपैथी (DR) की स्क्रीनिंग

Wu आदि की व्यवस्थित समीक्षा (2021) में, AI-आधारित DR स्क्रीनिंग की अर्थव्यवस्था का मूल्यांकन करने वाले 15 अध्ययनों में से 11 ने इसे लागत-प्रभावी माना¹⁾.

• स्कॉटलैंड NHS: सालाना $403,200 की बचत
• संयुक्त राज्य (IDx-DR/EyeArt): प्रति मरीज 23.3% लागत में कमी
• ग्रामीण चीन: AI स्क्रीनिंग मानव ग्रेडरों की तुलना में $34.86 सस्ती थी और QALY में 0.04 की बढ़ोतरी हुई

क्षेत्र/परिस्थिति	लागत-प्रभावशीलता का मूल्यांकन	स्रोत
स्कॉटलैंड NHS	सालाना $403,200 की बचत	Wu 20211)
अमेरिकी प्राथमिक देखभाल	प्रति मरीज 23.3% लागत में कमी	Wu 20211)
चीन के ग्रामीण क्षेत्र	मानव ग्रेडर की तुलना में $34.86 सस्ता, +0.04 QALY	Wu 20211)
जापान (AMD, Tamura et al. 2022)	ICER $99,283/QALY (सीमा से ऊपर)	Wu 20211)

प्रीमैच्योरिटी रेटिनोपैथी (ROP) की स्क्रीनिंग

स्वायत्त AI स्क्रीनिंग को टेलीमेडिसिन, नेत्रदर्शी जांच और सहायक AI की तुलना में सबसे अधिक लागत-प्रभावी बताया गया है¹⁾। $7 की भुगतान-इच्छा सीमा पर, इसे सहायक स्क्रीनिंग की तुलना में लागत-प्रभावी माना गया¹⁾।

AMD (उम्र से संबंधित मैक्युलर डिजेनरेशन) स्क्रीनिंग

जापानी कोहोर्ट सिमुलेशन (40 वर्ष और उससे अधिक आयु के 500,000 लोग, प्रसार 3.85%) में, हर 3 वर्ष में AI स्क्रीनिंग का ICER $99,283/QALY ($92,890-$99,283) था¹⁾। यह जापान की भुगतान-इच्छा सीमा (लगभग $47,286/QALY) से अधिक है, इसलिए अभी AMD स्क्रीनिंग की लागत-प्रभावशीलता पर संदेह बना हुआ है¹⁾। हालांकि, AI तकनीक में प्रगति और लागत में कमी से भविष्य में सुधार संभव है।

5. चुनौतियाँ और सीमाएँ

तकनीकी चुनौतियाँ

• प्रशिक्षण डेटा में पक्षपात: विशिष्ट जातियों या आयु समूहों की ओर झुके हुए प्रशिक्षण डेटा में, अन्य समूहों में सटीकता कम हो जाती है¹⁾
• छवि गुणवत्ता पर निर्भरता: फंडस फ़ोटो की गुणवत्ता (पुतली का फैलाव है या नहीं, मीडिया अपारदर्शिता, और शूटिंग की स्थितियाँ) AI की सटीकता को सीधे प्रभावित करती है
• दुर्लभ रोगों से निपटने में कठिनाई: जिन रोगों के लिए प्रशिक्षण डेटा कम है, उनमें पर्याप्त सटीकता नहीं मिलती
• ब्लैक बॉक्स समस्या: AI के निर्णय का आधार स्पष्ट नहीं होता, जिससे चिकित्सकों के लिए जवाबदेही निभाना कठिन हो जाता है¹⁾
• न्यूरो-ऑप्थैल्मोलॉजी में कम सटीकता: ChatGPT-4 की सही उत्तर दर न्यूरो-ऑप्थैल्मोलॉजी में 58% थी, जो सबसे कम थी, और जटिल ऑप्टिक नर्व विकारों की व्याख्या में सीमाएँ थीं³⁾

नैतिक और नियामक चुनौतियाँ

नेत्र-चिकित्सा में AI से जुड़ी निम्नलिखित नैतिक और कानूनी समस्याएँ हैं¹⁾.

• रोगी गोपनीयता और डेटा सुरक्षा: फंडस छवियों के क्लाउड प्रबंधन और अंतरराष्ट्रीय साझाकरण के लिए नियमों का विकास
• गलत निदान होने पर जिम्मेदारी: AI के गलत निदान की स्थिति में जिम्मेदारी डॉक्टर की है या AI निर्माता की
• नियामक और अनुमोदन प्रक्रियाएँ: FDA (अमेरिका), औषधि और चिकित्सा उपकरण अधिनियम (जापान) आदि के तहत AI चिकित्सा उपकरणों के लिए उचित मूल्यांकन प्रणाली
• व्याख्येयता (explainability) सुनिश्चित करना: AI के निर्णय का आधार चिकित्सकों और रोगियों को समझ आने योग्य रूप में प्रस्तुत करने का महत्व

चिकित्सा-अर्थशास्त्रीय चुनौतियाँ

• प्रारंभिक लागू करने की लागत (हार्डवेयर, सॉफ़्टवेयर और स्टाफ प्रशिक्षण) अधिक हो सकती है¹⁾
• निम्न-आय और उच्च-आय वाले देशों के बीच लागत-प्रभावशीलता का अंतर बहुत बड़ा है¹⁾
• बीमा प्रतिपूर्ति प्रणालियों का विकास हर देश में जारी है, और जापान में इसका कार्यान्वयन अभी विकास के चरण में है

Q क्या AI से आँखों का निदान सुरक्षित है?

A

FDA जैसी नियामक संस्थाओं द्वारा अनुमोदित प्रणालियाँ (जैसे IDx-DR) कठोर नैदानिक परीक्षणों से गुज़री हैं और उनमें एक निश्चित स्तर की सुरक्षा की पुष्टि हुई है²⁾। हालांकि, AI निदान एक सहायक उपकरण है, और अंतिम निदान तथा उपचार योजना नेत्र विशेषज्ञ द्वारा तय की जानी चाहिए। केवल AI चैटबॉट (जैसे ChatGPT) के आधार पर स्वयं-निदान करना अनुशंसित नहीं है। खराब छवि गुणवत्ता, दुर्लभ रोगों और न्यूरो-ऑप्थाल्मोलॉजी के क्षेत्रों में AI की सटीकता कम हो सकती है³⁾; इसलिए यदि किसी असामान्यता का संदेह हो, तो तुरंत नेत्र चिकित्सक से मिलना महत्वपूर्ण है।

6. तकनीकी आधार: डीप लर्निंग कैसे काम करती है

फंडस फ़ोटो पर Grad-CAM हीटमैप ओवरले की गई छवि। सामान्य आँख, ग्लूकोमा की आशंका और डायबिटिक रेटिनोपैथी की आशंका—इन तीन श्रेणियों के लिए AI जिन क्षेत्रों पर ध्यान दे रहा है, उन्हें रंग पैमाने से दिखाया गया है

Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.

तुलनात्मक चित्र जिसमें सामान्य आँख (Non_D), ग्लूकोमा की आशंका (Sus_G) और डायबिटिक रेटिनोपैथी की आशंका (Sus_R) के फंडस फ़ोटोग्राफ़ (बाएँ कॉलम) पर AlexNet, ResNet50 और GoogLeNet के Grad-CAM हीटमैप ओवरले किए गए हैं। लाल से पीला अधिक ध्यान को दर्शाता है, और नीला कम ध्यान को। ग्लूकोमा के मामलों में ऑप्टिक डिस्क के आसपास मज़बूत सक्रियता दिखाई देती है, जबकि डायबिटिक रेटिनोपैथी के मामलों में मैक्युला से लेकर पोस्टेरियर पोल तक मज़बूत सक्रियता दिखाई देती है। यह लेख के “तकनीकी आधार: डीप लर्निंग कैसे काम करती है” भाग में चर्चा की गई Grad-CAM और कन्वोल्यूशनल न्यूरल नेटवर्क विज़ुअलाइज़ेशन तकनीकों से मेल खाता है।

कन्वोल्यूशनल न्यूरल नेटवर्क (CNN)

कन्वोल्यूशनल न्यूरल नेटवर्क (CNN: Convolutional Neural Network) नेत्र-विज्ञान में AI निदान की मुख्य तकनीक है।

• इनपुट फंडस चित्रों और OCT चित्रों से विशेषताओं को स्वतः पदानुक्रमित रूप से निकालता है
• उथली परतें रूपरेखा और रंग जैसी निम्न-स्तरीय विशेषताओं को पहचानती हैं, जबकि गहरी परतें रक्तवाहिकाओं के पैटर्न, रक्तस्राव, सूजन और ऑप्टिक डिस्क के आकार जैसी अमूर्त विशेषताओं को पहचानती हैं
• बड़ी मात्रा में प्रशिक्षण डेटा (विशेषज्ञों द्वारा लेबल की गई मानक छवियाँ) पर बार-बार सीखना

AI की सीखने की प्रक्रिया

1. डेटा संग्रह: फंडस फ़ोटो, OCT, और दृश्य-क्षेत्र परीक्षण डेटा का बड़े पैमाने पर संग्रह
2. एनोटेशन: नेत्र रोग विशेषज्ञ प्रत्येक छवि पर मानक लेबल (चरण और निष्कर्ष) देते हैं
3. प्रशिक्षण और अनुकूलन: नेटवर्क के पैरामीटरों को सही उत्तर के करीब लाने के लिए बार-बार समायोजित करना
4. सत्यापन और नैदानिक परीक्षण: बाहरी समूहों में प्रदर्शन का मूल्यांकन और वास्तविक नैदानिक अभ्यास में पायलट परीक्षण

ट्रांसफर लर्निंग (ImageNet जैसे अन्य क्षेत्रों के पहले से प्रशिक्षित मॉडलों को नेत्र-छवि पर लागू करना) प्रशिक्षण डेटा सीमित होने पर भी उच्च सटीकता हासिल करने की एक विधि के रूप में व्यापक रूप से उपयोग की जाती है।

दुर्लभ रोगों के प्रशिक्षण डेटा को कृत्रिम रूप से बढ़ाने के लिए GAN (जनरेटिव एडवर्सेरियल नेटवर्क) का उपयोग करके सिंथेटिक छवियाँ बनाने पर भी शोध आगे बढ़ रहा है।

मल्टीमॉडल AI

पाठ (इतिहास-जानकारी) और छवियों (फंडस फ़ोटो और OCT) को एक साथ संसाधित करने वाला मल्टीमॉडल AI, बड़े भाषा मॉडलों (जैसे GPT-4) के विकास के साथ नेत्र-चिकित्सा में लागू किया जा रहा है³⁾। एकल-मोडैलिटी CNN की तुलना में यह अधिक विविध जानकारी को एकीकृत कर सकता है, लेकिन यह दिखाया गया है कि छवियों की व्याख्या करने की इसकी क्षमता अभी भी पाठ समझ से कमजोर है³⁾।

7. नवीनतम शोध और भविष्य की संभावनाएँ

अनुसंधान-चरण की जानकारी के बारे में नोट

निम्न सामग्री में शोध-स्तर और शुरुआती उपयोग-स्तर की बातें शामिल हैं। इसे अभी सभी चिकित्सा संस्थानों में लागू नहीं किया जा सकता, और इसे भविष्य के चिकित्सा व तकनीकी विकास से जुड़ी संदर्भ जानकारी के रूप में प्रस्तुत किया गया है।

फंडस फोटो से पूरे शरीर की बीमारियों का अनुमान

डीप लर्निंग से फंडस फोटो के विश्लेषण में यह दिखाया गया है कि केवल फंडस फोटो से उम्र, लिंग, सिस्टोलिक रक्तचाप, धूम्रपान का इतिहास और HbA1c जैसे पूरे शरीर से जुड़े जोखिम कारकों का अनुमान लगाया जा सकता है⁶⁾. हृदय-रक्तवाहिनी घटनाओं (हृदयाघात और स्ट्रोक) के भविष्य के जोखिम का अनुमान लगाने में भी कुछ सटीकता की रिपोर्ट मिली है, और इस बात पर ध्यान दिया जा रहा है कि फंडस फोटो पूरे स्वास्थ्य की एक खिड़की बन सकती है। डिमेंशिया, किडनी रोग और एनीमिया का अनुमान लगाने वाली AI भी अभी शोध चरण में है⁶⁾.

स्मार्टफोन फंडस कैमरे के साथ एकीकरण

स्मार्टफोन पर लगने वाले छोटे लेंस से फंडस की तस्वीर लेकर और AI विश्लेषण करके भारत में मधुमेह रोगियों के लिए DR स्क्रीनिंग व्यावहारिक साबित हुई है⁷⁾. संवेदनशीलता और विशिष्टता दोनों ही विशेष फंडस कैमरों के बराबर रही हैं, और कम लागत वाले सामान्य उपकरणों के साथ AI स्क्रीनिंग का संयोजन विकासशील देशों और ग्रामीण क्षेत्रों में इसके प्रसार में मदद कर सकता है।

AI और टेलीमेडिसिन का एकीकरण

AI स्क्रीनिंग और टेलीमेडिसिन के एकीकरण से दूरदराज़ और विकासशील क्षेत्रों में नेत्र-चिकित्सा तक पहुँच बेहतर होने की उम्मीद है। जहाँ नेत्र-विशेषज्ञ उपलब्ध नहीं हैं, वहाँ भी AI प्रारंभिक स्क्रीनिंग कर सकता है और केवल सकारात्मक मामलों को विशेषज्ञ की दूरस्थ समीक्षा के लिए भेज सकता है, जिससे चिकित्सा संसाधनों का अधिक कुशल उपयोग संभव होता है।

व्यक्तिगत चिकित्सा में उपयोग

anti-VEGF थेरेपी (ranibizumab, aflibercept, faricimab आदि) के उपचार-प्रतिक्रिया का पहले से अनुमान लगाने और प्रत्येक मरीज के लिए सबसे उपयुक्त दवा-योजना सुझाने वाली AI पर शोध चल रहा है। OCT चित्रों से उपचार प्रभाव का अनुमान लगाने वाले मॉडल इंजेक्शन की संख्या कम करने और दृष्टि-पूर्वानुमान बेहतर करने में मदद कर सकते हैं।

रोगी शिक्षा और पूछताछ सहायता में जनरेटिव AI का उपयोग

बड़े भाषा मॉडल (जैसे GPT-4) का अध्ययन रोगियों को बीमारी समझाने, सूचित सहमति दस्तावेज़ तैयार करने और पूछताछ में सहायता जैसे उपयोगों के लिए किया जा रहा है³⁾. हालांकि, चिकित्सा जानकारी में त्रुटि या पक्षपात होने से बचाना और डॉक्टर-रोगी संबंध बनाए रखना चुनौतियाँ हैं। रोगियों को केवल चैटबॉट के आधार पर स्वयं-निदान या स्वयं-उपचार का निर्णय लेना अनुशंसित नहीं है³⁾.

8. संदर्भ

1. Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.

2. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.

3. Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.

4. Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.

5. Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.

6. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.

7. Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.

8. Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.