Medical Endoscope Black Technology (3) AI Real time Assisted Diagnosis

ဆေးဘက်ဆိုင်ရာ endoscopes များကို အချိန်နှင့်တပြေးညီ AI ၏အကူအညီဖြင့် အဖြေရှာခြင်းသည် မကြာသေးမီနှစ်များအတွင်း ဆေးဘက်ဆိုင်ရာဥာဏ်ရည်တုနယ်ပယ်တွင် တော်လှန်ရေးအရှိဆုံးနည်းပညာများထဲမှတစ်ခုဖြစ်သည်။ နက်နဲသောသင်ယူမှု algorithms နှင့် endoscopic ပုံများ ၏ နက်နဲသော ပေါင်းစပ်မှုမှတဆင့်၊ ၎င်းသည် ပင်ကိုယ်ဆေးပညာမှ တိကျသော အသိဉာဏ်ရှိသော ဆေးဝါးအထိ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်မှုကို ရရှိခဲ့ပါသည်။ အောက်ဖော်ပြပါသည် အတိုင်းအတာ 8 ခုမှ ကျယ်ကျယ်ပြန့်ပြန့် ခွဲခြမ်းစိတ်ဖြာချက်ကို ပံ့ပိုးပေးသည်-

1. နည်းပညာဆိုင်ရာ အခြေခံမူများနှင့် စနစ်တည်ဆောက်မှု

အဓိကအစိတ်အပိုင်းများ-

ရုပ်ပုံရယူမှု အလွှာ- 4K/8K မြင့်မားသော အဓိပ္ပါယ်ဖွင့်ဆိုမှု ကင်မရာ+ အလင်းပြန်မှု မြှင့်တင်မှု (NBI/FECE)

ဒေတာလုပ်ဆောင်ခြင်းအလွှာ- သီးသန့် AI အရှိန်မြှင့်ချစ်ပ် (ဥပမာ NVIDIA IGX)

Algorithm မော်ဒယ် အလွှာ-

Convolutional Neural Networks (CNN): ResNet50၊ EfficientNet စသည်တို့

အချိန်စီးရီးခွဲခြမ်းစိတ်ဖြာမှုမော်ဒယ်- ဗီဒီယိုထုတ်လွှင့်မှုလုပ်ဆောင်ခြင်းအတွက် LSTM

Multimodal fusion- အဖြူရောင်အလင်း/NBI/fluorescence ပုံများကို ပေါင်းစပ်ခြင်း။

အပြန်အလှန်အကျိုးပြုသော အင်တာဖေ့စ်- အချိန်နှင့်တပြေးညီ မှတ်ချက်များ + အန္တရာယ်အဆင့်သတ်မှတ်ခြင်း မျက်နှာပြင်

အလုပ်အသွားအလာ-

ရုပ်ပုံရယူခြင်း → ကြိုတင်လုပ်ဆောင်ခြင်း (ကင်းရှင်းခြင်း/မြှင့်တင်ခြင်း) → AI ခွဲခြမ်းစိတ်ဖြာခြင်း (ဒဏ်ရာရှာဖွေတွေ့ရှိခြင်း/အမျိုးအစားခွဲခြားခြင်း) → အချိန်နှင့်တစ်ပြေးညီ ပုံဖော်ခြင်း (နယ်နိမိတ်အမှတ်အသား/ အဆင့်သတ်မှတ်ခြင်းအချက်ပြခြင်း) → ခွဲစိတ်ခန်းလမ်းညွှန်

2. အဓိကနည်းပညာဆိုင်ရာ အောင်မြင်မှုများ

ဆန်းသစ်သော အယ်လဂိုရီသမ်-

သေးငယ်သောနမူနာသင်ယူမှု- မှတ်ပုံတင်အချက်အလက် မလုံလောက်မှုပြဿနာကို ဖြေရှင်းခြင်း။

Domain လိုက်လျောညီထွေဖြစ်အောင်နည်းပညာ- မတူညီသောထုတ်လုပ်သူမှစက်ပစ္စည်းများ၏ပုံများကိုလိုက်လျောညီထွေဖြစ်အောင်

3D ဒဏ်ရာပြန်လည်တည်ဆောက်ခြင်း- ဘောင်များစွာပုံများကို အခြေခံ၍ ထုထည်ခန့်မှန်းချက်

အလုပ်ပေါင်းများစွာ သင်ယူခြင်း- ထောက်လှမ်းခြင်း/ အမျိုးအစားခွဲခြင်း/ အပိုင်းခွဲခြင်းတို့ကို တပြိုင်နက်တည်း အကောင်အထည်ဖော်ခြင်း။

ဟာ့ဒ်ဝဲ အရှိန်မြှင့်ခြင်း-

အနားသတ်ကွန်ပျူတာကိရိယာများ (ကျိုးကြောင်းဆင်ခြင်နှောင့်နှေး<50ms)

အထူးပြု endoscope AI ပရိုဆက်ဆာ (ဥပမာ Olympus ENDO-AID ချစ်ပ်)

3. ပင်မလက်တွေ့အသုံးချမှုအခြေအနေများ

ရောဂါရှာဖွေရေး မြင်ကွင်း-

အစောပိုင်း အစာအိမ်နှင့် အူလမ်းကြောင်းကင်ဆာကို စစ်ဆေးခြင်း (sensitivity 96.3%)၊

polyp ဂုဏ်သတ္တိများကို အချိန်နှင့်တပြေးညီ ခွဲခြားဆက်ဆံခြင်း (adenoma သိရှိမှုနှုန်း 28%)၊

ရောင်ရမ်းသောအူသိမ်အူမရောဂါ၏ပြင်းထန်မှုအကဲဖြတ်ခြင်း (အနာဧရိယာအလိုအလျောက်တွက်ချက်မှု)

ကုသမှု မြင်ကွင်း-

ESD/EMR ခွဲစိတ်လမ်းညွှန်မှု (ရေယာဉ်အသိအမှတ်ပြုမှုတိကျမှု 99.1%)

သွေးထွက်နိုင်ခြေကို ခန့်မှန်းခြင်း (အချိန်နှင့်တပြေးညီ ခွဲစိတ်မှုသတိပေးချက်)

ခွဲစိတ်မှုအပိုင်းအတွက် ဉာဏ်ရည်ဉာဏ်သွေး စီစဉ်ခြင်း။

4. ပုံမှန်ထုတ်ကုန်များနှင့် နည်းပညာဆိုင်ရာ ဘောင်များကို နှိုင်းယှဉ်ခြင်း။

5. ဆေးခန်းတန်ဖိုးအတည်ပြုခြင်း။

စင်တာပေါင်းများစွာ သုတေသနဒေတာ-

ဂျပန်အမျိုးသားကင်ဆာစင်တာ- အစောပိုင်းအစာအိမ်ကင်ဆာရှာဖွေတွေ့ရှိမှုနှုန်း 72% မှ 89% တွင် AI က ကူညီပေးခဲ့သည်

Mayo Clinic လေ့လာမှု- Colonoscopy AI စနစ်သည် adenoma လွဲချော်သော ရောဂါရှာဖွေနှုန်းကို 45% လျှော့ချပေးသည်

တရုတ်စစ်မှန်သောလေ့လာမှု- အစာမျိုပြွန်ကင်ဆာကို ဖော်ထုတ်နိုင်မှု ၃၂% တိုးလာ

ကျန်းမာရေး စီးပွားရေး အကျိုးကျေးဇူးများ

စစ်ဆေးမှုကုန်ကျစရိတ် 27% လျှော့ချခြင်း (မလိုအပ်သော အသားစယူစစ်ဆေးမှုများကို လျှော့ချခြင်း)

ဆရာဝန်လေ့ကျင့်ရေးစက်ဝန်း 40% တိုသွားသည်

နေ့စဉ် စစ်ဆေးမှု ပမာဏ ၃၅% တိုးလာသည်

6. နည်းပညာဖွံ့ဖြိုးတိုးတက်မှုတွင် အတားအဆီးများ

လက်ရှိစိန်ခေါ်မှုများ-

ဒေတာ silo ပြဿနာ (ဆေးရုံများကြားတွင် တသမတ်တည်း ပုံရိပ်ဖော်စံနှုန်းများ)

Black box ဆုံးဖြတ်ချက်ချခြင်း (AI စီရင်ချက်အခြေခံ၏ လုံလောက်သော အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှု မလုံလောက်ခြင်း)

စက်ကိရိယာများ လိုက်ဖက်ညီမှု ( endoscopes တံဆိပ်အမျိုးမျိုးနှင့် လိုက်လျောညီထွေ နေရခက်သည် )

အချိန်နှင့်တပြေးညီ လိုအပ်ချက်များ (4K ဗီဒီယိုစီးကြောင်း စီမံဆောင်ရွက်ရာတွင် နှောင့်နှေးမှု ထိန်းချုပ်မှု)

ဖြေရှင်းချက်-

Federated Learning သည် ဒေတာအတားအဆီးများကို ဖြိုခွဲသည်။

မြင်သာသော အပူမြေပုံသည် AI ဆုံးဖြတ်ချက်ချခြင်းကို ရှင်းပြသည်။

Standardized DICOM-MEIS အင်တာဖေ့စ်

သီးသန့် AI အနုမာန ချစ်ပ်ကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ခြင်း။

7. နောက်ဆုံးပေါ်နည်းပညာတိုးတက်မှုများ

နယ်ခြား ဦးတည်ချက်-

ခွဲစိတ်ခန်းသုံး ဒစ်ဂျစ်တယ်အမွှာ- ခွဲစိတ်မှုအကြိုစမ်းသပ်ခြင်း+ ခွဲစိတ်မှုအတွင်း အချိန်နှင့်တစ်ပြေးညီ နှိုင်းယှဉ်မှု

Multimodal fusion- endoscopic ultrasound/OCT ဒေတာကို ပေါင်းစပ်ခြင်း။

ကိုယ်တိုင်ကြီးကြပ်သင်ယူမှု- မှတ်ချက်များကို မှီခိုမှုလျှော့ချခြင်း။

Cloud ပူးပေါင်းဆောင်ရွက်ခြင်း- 5G+ အစွန်းကွန်ပြူတာ တည်ဆောက်မှု

အောင်မြင်မှုများ-

EndoGPT၊ Endoscopic Vision Model သည် 2023 ခုနှစ်တွင် Nature BME တွင် အစီရင်ခံခဲ့သည်။

စတန်းဖို့ဒ်တက္ကသိုလ်မှ ဖန်တီးထားသည့် အချိန်နှင့်တပြေးညီ 3D ခွဲစိတ်လမ်းညွှန် AI စနစ်

ပြည်တွင်း Shurui စက်ရုပ်ပေါင်းစပ် AI Vision ထိန်းချုပ်မှုစနစ်

8. အနာဂတ်ဖွံ့ဖြိုးတိုးတက်ရေးလမ်းကြောင်းများ

နည်းပညာဆင့်ကဲပြောင်းလဲမှု-

auxiliary diagnosis မှ autonomous surgery သို့ ပြောင်းလဲတိုးတက်မှု

Multidisciplinary AI အတိုင်ပင်ခံစနစ် (Endoscopy+Pathology+Iaging)

ရှင်းပြနိုင်သော AI (XAI) သည် လက်တွေ့ယုံကြည်မှုကို တိုးမြှင့်ပေးသည်။

Quantum ကွန်ပျူတာသည် မော်ဒယ်လေ့ကျင့်ရေးကို အရှိန်မြှင့်ပေးသည်။

စက်မှုဂေဟဗေဒ-

ဝန်ဆောင်မှု (EaaS) မော်ဒယ်အဖြစ် Endoscopy AI

ပေါင်းစည်းထားသော အသိဉာဏ်ရှိသော စားသုံးကုန်များ (ဥပမာ AI ဇီဝဆေးထိုးအပ်များ)

အလိုအလျောက်ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းလုပ်ငန်းစဉ် (စစ်ဆေးခြင်းမှ နောက်ဆက်တွဲအထိ)

လက်တွေ့ဖြစ်ရပ်သရုပ်ပြ

ပုံမှန်အပလီကေးရှင်းအခြေအနေများ-

(၁) အစာအိမ်ကင်ဆာ စစ်ဆေးခြင်း

AI သည် သံသယဖြစ်ဖွယ်ဒဏ်ရာများကို အချိန်နှင့်တပြေးညီ တံဆိပ်ကပ်ခြင်း (နယ်နိမိတ်များ/ မိုက်ခရိုဝေ့စ်များ/ မျက်နှာပြင်တည်ဆောက်ပုံများ)

LABC အဆင့်သတ်မှတ်ခြင်းအစီရင်ခံစာကို အလိုအလျောက်ထုတ်လုပ်ပါ။

Biopsy site ၏ ဉာဏ်ရည်ဉာဏ်သွေး ထောက်ခံချက်

(၂) အူမကြီး ESD ခွဲစိတ်မှု။

အကျိတ်စိမ့်ဝင်မှု၏အတိမ်အနက်ကိုခန့်မှန်း

သုံးဖက်မြင် သွေးကြောများ ပြန်လည်တည်ဆောက်ရေး သင်တန်း

လုံခြုံရေးနယ်နိမိတ်ကို ရွေ့လျားစေပါသည်။

အကျဉ်းချုပ်နှင့်အမြင်

ဆေးဘက်ဆိုင်ရာ endoscope AI သည် single point breakthrough မှ system intelligence သို့ အသွင်ပြောင်းနေသည်-

သက်တမ်းတို (1-3 နှစ်)- AI သည် endoscopy အတွက် စံပုံစံဖွဲ့စည်းမှုဖြစ်လာပြီး ထိုးဖောက်ဝင်ရောက်မှုနှုန်း 60% ကျော်ရှိသည်။

အလယ်အလတ်သက်တမ်း (၃-၅ နှစ်)- ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းလုပ်ငန်းစဉ်တစ်ခုလုံး၏ အလိုအလျောက်လုပ်ဆောင်မှုရရှိရန်

ရေရှည် (5-10 နှစ်) : အလိုအလျောက် ခွဲစိတ်ကုသရေး စက်ရုပ်များ ခေတ်စားလာခြင်း

ဤနည်းပညာသည် endoscopic ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းဆိုင်ရာ ပါရာဒိုင်းကို ပြန်လည်ပုံဖော်ပေးမည်ဖြစ်ပြီး လူနာတိုင်းသည် ကျွမ်းကျင်အဆင့် ရောဂါရှာဖွေခြင်းနှင့် ကုသရေးဝန်ဆောင်မှုများကို ခံစားနိုင်သည့် ပါဝင်သော ကျန်းမာရေးစောင့်ရှောက်မှု၏ ရူပါရုံကို နောက်ဆုံးတွင် နားလည်သဘောပေါက်မည်ဖြစ်သည်။