ମେଡିକାଲ୍ ଏଣ୍ଡୋସ୍କୋପ୍ କଳା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା (3) AI ପ୍ରକୃତ ସମୟ ସହାୟତା ପ୍ରାପ୍ତ ରୋଗ ନିର୍ଣ୍ଣୟ

ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡ଼ିକରେ ମେଡିକାଲ୍ ଏଣ୍ଡୋସ୍କୋପ୍‌ର ବାସ୍ତବ ସମୟ AI ସହାୟତାରେ ନିର୍ଣ୍ଣୟ ହେଉଛି ଚିକିତ୍ସା କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା କ୍ଷେତ୍ରରେ ସବୁଠାରୁ ବିପ୍ଳବୀ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ମଧ୍ୟରୁ ଗୋଟିଏ। ଗଭୀର ଶିକ୍ଷା ଆଲଗୋରିଦମ ଏବଂ ଏଣ୍ଡୋସ୍କୋପିକ୍ ପ୍ରତିଛବିର ଗଭୀର ମିଶ୍ରଣ ମାଧ୍ୟମରେ, ଏହା "ଅନୁଭୂତିଶୀଳ ଔଷଧ" ରୁ "ସଠିକ ବୁଦ୍ଧିମତ୍ତା ଔଷଧ" ପର୍ଯ୍ୟନ୍ତ ଏକ ଲମ୍ଫ ଫ୍ରଗ୍ ବିକାଶ ହାସଲ କରିଛି। ନିମ୍ନଲିଖିତ 8 ଟି ଦିଗରୁ ଏକ ବ୍ୟାପକ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରେ:

1. ବୈଷୟିକ ନୀତି ଏବଂ ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟ

ମୂଳ ଉପାଦାନଗୁଡ଼ିକ:

ପ୍ରତିଛବି ଅଧିଗ୍ରହଣ ସ୍ତର: 4K/8K ହାଇ-ଡେଫିନେସନ୍ କ୍ୟାମେରା+ଅପ୍ଟିକାଲ୍ ଏନହାନ୍ସମେଣ୍ଟ (NBI/FECE)

ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ସ୍ତର: ଉତ୍ସର୍ଗୀକୃତ AI ତ୍ୱରାନ୍ୱିତ ଚିପ୍ (ଯେପରିକି NVIDIA IGX)

ଆଲଗୋରିଦମ ମଡେଲ ସ୍ତର:

କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କସ୍ (CNN): ResNet50, EfficientNet, ଇତ୍ୟାଦି

ସମୟ ଶୃଙ୍ଖଳା ବିଶ୍ଳେଷଣ ମଡେଲ୍: ଭିଡିଓ ଷ୍ଟ୍ରିମ୍ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ LSTM

ମଲ୍ଟିମୋଡାଲ୍ ଫ୍ୟୁଜନ୍: ଧଳା ଆଲୋକ/NBI/ଫ୍ଲୋରୋସେନ୍ସ ପ୍ରତିଛବିକୁ ମିଶ୍ରଣ କରିବା

ଇଣ୍ଟରାକ୍ଟିଭ୍ ଇଣ୍ଟରଫେସ୍: ରିଅଲ୍-ଟାଇମ୍ ଆନୋଟେସନ୍ + ରିସ୍କ ଗ୍ରେଡିଂ ପ୍ରଦର୍ଶନ

କାର୍ଯ୍ୟପ୍ରବାହ:

ପ୍ରତିଛବି ଅଧିଗ୍ରହଣ → ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣ (କ୍ଷତ ଚିହ୍ନଟ / ବର୍ଗୀକରଣ) → AI ବିଶ୍ଳେଷଣ (କ୍ଷତ ଚିହ୍ନଟ / ବର୍ଗୀକରଣ) → ପ୍ରକୃତ-ସମୟ ଦୃଶ୍ୟକରଣ (ସୀମା ଚିହ୍ନନ / ଗ୍ରେଡିଂ ପ୍ରମ୍ପ୍ଟ) → ସର୍ଜିକାଲ ନାଭିଗେସନ୍

୨. ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ସଫଳତା

ଅଭିନବ ଆଲଗୋରିଦମ:

କ୍ଷୁଦ୍ର ନମୁନା ଶିକ୍ଷଣ: ପର୍ଯ୍ୟାପ୍ତ ବ୍ୟାଖ୍ୟା ତଥ୍ୟର ସମସ୍ୟାର ସମାଧାନ

ଡୋମେନ୍ ଅନୁକୂଳନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା: ବିଭିନ୍ନ ନିର୍ମାତାଙ୍କ ଡିଭାଇସର ପ୍ରତିଛବି ସହିତ ଅନୁକୂଳନ କରନ୍ତୁ

3D କ୍ଷତ ପୁନଃନିର୍ମାଣ: ମଲ୍ଟି ଫ୍ରେମ୍ ପ୍ରତିଛବି ଉପରେ ଆଧାରିତ ଆୟତନ ଆକଳନ

ବହୁ କାର୍ଯ୍ୟ ଶିକ୍ଷଣ: ଚିହ୍ନଟ/ବର୍ଗୀକରଣ/ବିଭାଜନର ସମକାଳୀନ କାର୍ଯ୍ୟାନ୍ୱୟନ

ହାର୍ଡୱେର୍ ତ୍ୱରଣ:

ଏଜ୍ କମ୍ପ୍ୟୁଟିଂ ଉପକରଣ (କାରଣ ବିଳମ୍ବ <50ms)

ସ୍ୱତନ୍ତ୍ର ଏଣ୍ଡୋସ୍କୋପ୍ AI ପ୍ରୋସେସର୍ (ଯେପରିକି Olympus ENDO-AID ଚିପ୍)

3. ମୁଖ୍ୟ କ୍ଲିନିକାଲ୍ ପ୍ରୟୋଗ ପରିସ୍ଥିତି

ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ପରିସ୍ଥିତି:

ପ୍ରାରମ୍ଭିକ ପାକସ୍ଥଳୀ କର୍କଟ ରୋଗ ପାଇଁ ସ୍କ୍ରିନିଂ (ସମ୍ବେଦନଶୀଳତା 96.3%)

ପଲିପ୍ ଗୁଣର ବାସ୍ତବ ସମୟ ପାର୍ଥକ୍ୟ (ଆଡେନୋମା ଚିହ୍ନଟ ହାର 28% ବୃଦ୍ଧି)

ପ୍ରଦାହଜନକ ଅନ୍ତନଳୀ ରୋଗର ଗମ୍ଭୀରତା ମୂଲ୍ୟାଙ୍କନ (ଅଲସର କ୍ଷେତ୍ରର ସ୍ୱୟଂଚାଳିତ ଗଣନା)

ଚିକିତ୍ସା ପରିସ୍ଥିତି:

ESD/EMR ସର୍ଜିକାଲ୍ ନାଭିଗେସନ୍ (ଜହାଜ ଚିହ୍ନଟ ସଠିକତା 99.1%)

ରକ୍ତସ୍ରାବ ବିପଦ ପୂର୍ବାନୁମାନ (ପ୍ରକୃତ-ସମୟ ଅନ୍ତଃଅସ୍ତ୍ରୋପଚାର ଚେତାବନୀ)

ରିସେକ୍ସନ ପରିସରର ବୁଦ୍ଧିମାନ ଯୋଜନା

୪. ସାଧାରଣ ଉତ୍ପାଦ ଏବଂ ବୈଷୟିକ ପାରାମିଟରଗୁଡ଼ିକର ତୁଳନା।

୫. କ୍ଲିନିକାଲ୍ ମୂଲ୍ୟ ଯାଞ୍ଚକରଣ

ବହୁକେନ୍ଦ୍ର ଗବେଷଣା ତଥ୍ୟ:

ଜାପାନର ଜାତୀୟ କର୍କଟ କେନ୍ଦ୍ର: ପ୍ରାରମ୍ଭିକ ଗ୍ୟାଷ୍ଟ୍ରିକ୍ କର୍କଟ ଚିହ୍ନଟ ହାରକୁ 72% ରୁ 89% କୁ ବୃଦ୍ଧି କରିବାରେ AI ସହାୟତା କରିଛି

ମାୟୋ କ୍ଲିନିକ୍ ଅଧ୍ୟୟନ: କୋଲୋନୋସ୍କୋପି ଏଆଇ ସିଷ୍ଟମ୍ ଆଡେନୋମା ହଜିଯାଇଥିବା ରୋଗ ନିର୍ଣ୍ଣୟ ହାରକୁ 45% ହ୍ରାସ କରେ

ଚୀନ୍ ପ୍ରକୃତ ଅଧ୍ୟୟନ: ଖାଦ୍ୟନଳୀ କର୍କଟ ଚିହ୍ନଟର ସମ୍ବେଦନଶୀଳତା 32% ବୃଦ୍ଧି ପାଇଛି

ସ୍ୱାସ୍ଥ୍ୟ ଅର୍ଥନୀତିର ଲାଭ:

ସ୍କ୍ରିନିଂ ଖର୍ଚ୍ଚରେ ୨୭% ହ୍ରାସ (ଅନାବଶ୍ୟକ ବାୟୋପ୍ସି ହ୍ରାସ)

ଡାକ୍ତର ତାଲିମ ଚକ୍ର 40% ହ୍ରାସ କରାଯାଇଛି।

ଦୈନିକ ଯାଞ୍ଚ ପରିମାଣ 35% ବୃଦ୍ଧି ପାଇଛି।

୬. ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିକାଶରେ ପ୍ରତିବନ୍ଧକ

ବର୍ତ୍ତମାନର ଆହ୍ୱାନଗୁଡ଼ିକ:

ଡାଟା ସାଇଲୋ ସମସ୍ୟା (ହସ୍ପିଟାଲଗୁଡ଼ିକ ମଧ୍ୟରେ ଅସଙ୍ଗତ ଇମେଜିଂ ମାନକ)

ବ୍ଲାକ୍ ବାକ୍ସ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ (AI ବିଚାର ଆଧାରର ପର୍ଯ୍ୟାପ୍ତ ବ୍ୟାଖ୍ୟାକ୍ଷମତା)

ଉପକରଣ ସୁସଙ୍ଗତତା (ବିଭିନ୍ନ ବ୍ରାଣ୍ଡର ଏଣ୍ଡୋସ୍କୋପ୍ ସହିତ ଖାପ ଖୁଆଇବା କଷ୍ଟକର)

ବାସ୍ତବ ସମୟ ଆବଶ୍ୟକତା (4K ଭିଡିଓ ଷ୍ଟ୍ରିମ୍ ପ୍ରକ୍ରିୟାକରଣ ବିଳମ୍ବ ନିୟନ୍ତ୍ରଣ)

ସମାଧାନ:

ଫେଡେରେଟେଡ୍ ଲର୍ଣ୍ଣିଂ ଡାଟା ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକୁ ଭାଙ୍ଗି ଦିଏ।

ଭିଜୁଆଲାଇଜେଡ୍ ହିଟ୍ ମ୍ୟାପ୍ AI ନିଷ୍ପତ୍ତି ଗ୍ରହଣକୁ ବ୍ୟାଖ୍ୟା କରେ

ମାନକୀକରଣ DICOM-MEIS ଇଣ୍ଟରଫେସ୍

ଉତ୍ସର୍ଗୀକୃତ AI ଇନଫରେନସ୍ ଚିପ୍‌ର ଅପ୍ଟିମାଇଜେସନ୍

୭. ସର୍ବଶେଷ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଉନ୍ନତି

ସୀମାନ୍ତ ଦିଗ:

ସର୍ଜିକାଲ୍ ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍: ଅସ୍ତ୍ରୋପଚାର ପୂର୍ବ ସିମୁଲେସନ୍ + ଅସ୍ତ୍ରୋପଚାର ସମୟରେ ପ୍ରକୃତ-ସମୟ ତୁଳନା

ମଲ୍ଟିମୋଡାଲ୍ ଫ୍ୟୁଜନ୍: ଏଣ୍ଡୋସ୍କୋପିକ୍ ଅଲ୍ଟ୍ରାସାଉଣ୍ଡ/OCT ତଥ୍ୟକୁ ମିଶ୍ରଣ କରିବା

ସ୍ୱୟଂ ତଦାରଖ ଶିକ୍ଷଣ: ବ୍ୟାଖ୍ୟା ନିର୍ଭରତା ହ୍ରାସ କରିବା

କ୍ଲାଉଡ୍ ସହଯୋଗ: 5G+ଏଜ୍ କମ୍ପ୍ୟୁଟିଂ ଆର୍କିଟେକ୍ଚର୍

ସଫଳତାର ସଫଳତା:

EndoGPT, "ଏଣ୍ଡୋସ୍କୋପିକ୍ ଦୃଷ୍ଟି ମଡେଲ୍" ଯାହା 2023 ମସିହାରେ Nature BME ରେ ରିପୋର୍ଟ କରାଯାଇଥିଲା।

ଷ୍ଟାନଫୋର୍ଡ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଦ୍ୱାରା ବିକଶିତ ରିଅଲ୍ ଟାଇମ୍ 3D ସର୍ଜିକାଲ୍ ନାଭିଗେସନ୍ AI ସିଷ୍ଟମ୍

ଘରୋଇ ଶୁରୁଇ ରୋବୋଟ୍ ସମନ୍ୱିତ AI ଦୃଷ୍ଟି ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀ

୮. ଭବିଷ୍ୟତର ବିକାଶ ଧାରା

ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିକାଶ:

ସହାୟକ ନିଦାନରୁ ସ୍ୱୟଂଶାସିତ ଅସ୍ତ୍ରୋପଚାର ପର୍ଯ୍ୟନ୍ତ ବିବର୍ତ୍ତନ

ବହୁବିଧ AI ପରାମର୍ଶ ପ୍ରଣାଳୀ (ଏଣ୍ଡୋସ୍କୋପି + ପାଥୋଲୋଜି + ଇମେଜିଂ)

ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ AI (XAI) କ୍ଲିନିକାଲ୍ ବିଶ୍ୱାସକୁ ବୃଦ୍ଧି କରେ

କ୍ୱାଣ୍ଟମ୍ କମ୍ପ୍ୟୁଟିଂ ମଡେଲ୍ ତାଲିମକୁ ତ୍ୱରାନ୍ୱିତ କରେ

ଶିଳ୍ପ ପରିବେଶ:

ଏଣ୍ଡୋସ୍କୋପି AI ଏକ ସେବା (EaaS) ମଡେଲ ଭାବରେ

ସମନ୍ୱିତ ବୁଦ୍ଧିମାନ ଉପଭୋଗ୍ୟ ସାମଗ୍ରୀ (ଯେପରିକି AI ବାୟୋପସି ସୂଇ)

ସ୍ୱୟଂଚାଳିତ ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ଚିକିତ୍ସା ପ୍ରକ୍ରିୟା (ସ୍କ୍ରିନିଂ ଠାରୁ ଫଲୋ-ଅପ୍ ପର୍ଯ୍ୟନ୍ତ)

କ୍ଲିନିକାଲ୍ କେସ୍ ପ୍ରଦର୍ଶନ

ସାଧାରଣ ପ୍ରୟୋଗ ପରିସ୍ଥିତି:

(୧) ଗ୍ୟାଷ୍ଟ୍ରିକ୍ କର୍କଟ ସ୍କ୍ରିନିଂ:

ସନ୍ଦେହଜନକ କ୍ଷତ (ସୀମା / ମାଇକ୍ରୋଭେସେଲ୍ / ପୃଷ୍ଠ ଗଠନ) ର AI ରିଅଲ୍-ଟାଇମ୍ ଲେବଲିଂ

ସ୍ଵଚାଳିତ ଭାବରେ LABC ଗ୍ରେଡିଂ ରିପୋର୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ

ବାୟୋପସି ସ୍ଥାନର ବୁଦ୍ଧିମାନ ସୁପାରିଶ

(୨) କୋଲୋରେକ୍ଟଲ୍ ESD ଅସ୍ତ୍ରୋପଚାର:

ଟ୍ୟୁମର ଅନୁପ୍ରବେଶ ଗଭୀରତାର ପୂର୍ବାନୁମାନ

ରକ୍ତବାହୀ ପଥକୁ ତ୍ରି-ପରିମାଣୀୟ ପୁନଃନିର୍ମାଣ

ସୁରକ୍ଷା ସୀମା ଗତିଶୀଳ ପ୍ରମ୍ପ୍ଟ

ସାରାଂଶ ଏବଂ ଦୃଷ୍ଟିକୋଣ

ମେଡିକାଲ୍ ଏଣ୍ଡୋସ୍କୋପ୍ AI "ଏକକ ପଏଣ୍ଟ ବ୍ରେକଥ୍ରୁ" ରୁ "ସିଷ୍ଟମ୍ ଇଣ୍ଟେଲିଜେନ୍ସ" କୁ ପରିବର୍ତ୍ତନ କରୁଛି:

ସ୍ୱଳ୍ପକାଳୀନ (୧-୩ ବର୍ଷ): 60% ରୁ ଅଧିକ ପ୍ରବେଶ ହାର ସହିତ ଏଣ୍ଡୋସ୍କୋପି ପାଇଁ AI ମାନକ ବିନ୍ୟାସ ହୋଇଯାଏ।

ମଧ୍ୟବର୍ତ୍ତୀକାଳୀନ (୩-୫ ବର୍ଷ): ସମ୍ପୂର୍ଣ୍ଣ ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ଚିକିତ୍ସା ପ୍ରକ୍ରିୟାର ସ୍ୱୟଂଚାଳିତତା ହାସଲ କରନ୍ତୁ।

ଦୀର୍ଘକାଳୀନ (୫-୧୦ ବର୍ଷ): ସ୍ୱୟଂଚାଳିତ ସର୍ଜିକାଲ୍ ରୋବୋଟ୍‌ର ଲୋକପ୍ରିୟତା

ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏଣ୍ଡୋସ୍କୋପିକ୍ ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ଚିକିତ୍ସାର ଉଦାହରଣକୁ ପୁନଃଆକୃତି ଦେବ, ଶେଷରେ ଅନ୍ତର୍ଭୁକ୍ତ ସ୍ୱାସ୍ଥ୍ୟସେବାର ଦୃଷ୍ଟିକୋଣକୁ ସାକାର କରିବ ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ରୋଗୀ ବିଶେଷଜ୍ଞ ସ୍ତରୀୟ ରୋଗ ନିର୍ଣ୍ଣୟ ଏବଂ ଚିକିତ୍ସା ସେବାର ଉପଭୋଗ କରିପାରିବେ।