පපුවේ CT ස්කෑන් පෙනහළු පිළිකා පරීක්ෂාව ඇතුළු බොහෝ වෛද්ය හේතු සඳහා බහුලව භාවිත වේ.
නමුත් සාමාන්ය non-contrast CT රූප මගින් ගලනාලයේ කුඩා, මුල් අවධියේ පිළිකා හඳුනාගැනීම සාම්ප්රදායිකව දුෂ්කර වී ඇත.
අලුතින් ප්රකාශයට පත් වූ කෘතිම බුද්ධි (AI) පද්ධතියක් එය වෙනස් කිරීමට උපකාරී විය හැක.
පර්යේෂකයින් විසින් non-contrast CT ස්කෑන් භාවිතයෙන් ගලනාලයේ පිළිකා සහ පූර්ව පිළිකා තත්ත්වයන් හඳුනාගැනීම සඳහා EAGLE — Esophageal AI-Guided malignant Lesion Evaluation ලෙස හඳුන්වන AI පද්ධතියක් සංවර්ධනය කර ඇත.
2026 සැප්තැම්බර් 22 දින Nature Medicine සඟරාවේ ප්රකාශයට පත් කළ විශාල බහු-මධ්යස්ථාන අධ්යයනයකදී මෙම පද්ධතිය විවිධ සායනික පරිසර සහ ජනගහන කණ්ඩායම්වල ඇගයීමට ලක් කරන ලදී.
සමස්ත පර්යේෂණයට පුද්ගලයින් 80,612ක් සම්බන්ධ විය.
කුඩා ගලනාල තුවාල හඳුනාගැනීම සඳහා සාම්ප්රදායිකව විශ්වාසදායක පරීක්ෂණයක් ලෙස නොසැලකූ non-contrast CT ස්කෑන්වලින් අතිරේක ප්රයෝජනවත් පිළිකා තොරතුරු ලබාගැනීමට AI සමත් විය හැකි බව මෙම සොයාගැනීම් පෙන්වයි.
කෙසේ වෙතත්, මෙම තාක්ෂණය endoscopy සඳහා ආදේශකයක් නොවන අතර, AI මත පදනම් වූ CT පරීක්ෂාවෙන් ගලනාලයේ පිළිකා හේතුවෙන් සිදුවන මරණ අඩු වන බව මෙම අධ්යයනයෙන් තහවුරු නොවේ.
ගලනාලයේ පිළිකා කලින් හඳුනාගැනීම අපහසු ඇයි?
රෝග ලක්ෂණ මතුවීමට පෙර ගලනාලයේ පිළිකා හඳුනාගැනීම දුෂ්කර විය හැක.
මුල් අවධියේ තුවාල කුඩා විය හැකි අතර, රෝග ලක්ෂණ ඉතා අඩුවෙන් ඇති කිරීම හෝ කිසිදු රෝග ලක්ෂණයක් ඇති නොකිරීම සිදුවිය හැක.
Endoscopy මගින් වෛද්යවරුන්ට ගලනාලයේ ඇතුළත පටලය සෘජුවම පරීක්ෂා කිරීමටත්, අවශ්ය විට පටක සාම්පල ලබාගැනීමටත් හැකි වේ.
එබැවින් එය වැදගත් රෝග විනිශ්චය මෙවලමකි.
නමුත් endoscopy යනු ශරීරය තුළට උපකරණයක් ඇතුළු කර සිදුකරන පරීක්ෂණයක් වන අතර විශේෂඥ සම්පත් අවශ්ය වේ. බොහෝ ජනගහන කණ්ඩායම් සඳහා එය සෑම කෙනෙකුටම සිදුකරන screening ක්රමයක් ලෙස භාවිත කිරීම ප්රායෝගික නොවේ.
CT ස්කෑන් ඊට වඩා පුළුල් ලෙස සිදු කෙරේ.
ගැටලුව වන්නේ ගලනාලය හැකිලීමට සහ චලනය වීමට හැකි කුහරමය ව්යුහයක් වීමයි. එම නිසා කුඩා තුවාල සාමාන්ය පටකවලින් වෙන්කර හඳුනාගැනීම දුෂ්කර විය හැක.
Non-contrast CT මේ සඳහා විශේෂයෙන් අභියෝගාත්මකය.
EAGLE යනු කුමක්ද?
EAGLE යනු ගලනාලයේ පිළිකා හෝ පූර්ව පිළිකා තත්ත්වයන් සමඟ සම්බන්ධ රටා සොයා non-contrast CT රූප විශ්ලේෂණය කිරීමට පුහුණු කළ කෘතිම බුද්ධි පද්ධතියකි.
මෙම ආකෘතිය සංවර්ධනය කළේ රෝගීන් 6,813 දෙනෙකුගේ දත්ත භාවිතයෙනි.
පර්යේෂකයින් එය සංවර්ධනය කිරීමට භාවිත කළ දත්ත මත පමණක් පරීක්ෂා නොකර, වෙනත් ස්වාධීන පරිසර කිහිපයකද ඇගයීමට ලක් කළහ.
සමස්ත පර්යේෂණ වැඩසටහන පුරා රටවල් තුනක මධ්යස්ථාන 12කින් දත්ත ලබාගෙන ඇති අතර, සමස්තයක් ලෙස පුද්ගලයින් 80,612ක් පමණ ඇතුළත් විය.
මෙතරම් විශාල පරිමාණයකින් සහ බාහිර, සැබෑ ලෝකයේ සහ prospective කණ්ඩායම් භාවිතයෙන් පරීක්ෂා කිරීම, AI ආකෘතිය සංවර්ධනය කළ රෝහලේ දත්ත මත පමණක් පරීක්ෂා කිරීමකට වඩා සාක්ෂි ශක්තිමත් කරයි.
එය කොතරම් හොඳින් ක්රියා කළාද?
පුද්ගලයින් 11,466 දෙනෙකු සම්බන්ධ කරගත් බාහිර බහු-මධ්යස්ථාන පරීක්ෂණයේදී පද්ධතිය දළ වශයෙන් පහත ප්රතිඵල ලබාගත්තේය:
- 98.5% specificity;
- ගලනාලයේ පිළිකා සඳහා 90.0% sensitivity;
- පූර්ව පිළිකා තත්ත්වයන් සඳහා 52.5% sensitivity.
මෙම සංඛ්යාලේඛන ප්රවේශමෙන් තේරුම්ගත යුතුය.
ඉහළ specificity අගය යන්නෙන් අදහස් කරන්නේ අදාළ රෝගය නොමැති බොහෝ පුද්ගලයින් නිවැරදිව රෝගය නොමැති අය ලෙස වර්ගීකරණය කිරීමට පද්ධතිය සමත් වූ බවයි.
90%ක පිළිකා sensitivity අගය දිරිගන්වන සුළුය.
නමුත් පූර්ව පිළිකා තත්ත්වයන් සඳහා sensitivity සැලකිය යුතු ලෙස අඩු වූ බැවින්, එවැනි තත්ත්වයන් සැලකිය යුතු ප්රමාණයක් පද්ධතියට මග හැරී ඇත.
මෙම පද්ධතිය සැබෑ සායනික පරිසරවල පරීක්ෂා කළාද?
ඔව්.
පර්යේෂණයට අතිරේක තහවුරු කිරීමේ කණ්ඩායම් කිහිපයක් ඇතුළත් විය.
සැබෑ ලෝකයේ calibration cohort එකකට පුද්ගලයින් 35,000කට අධික පිරිසක් ඇතුළත් විය.
Prospective රෝහල් තහවුරු කිරීමකට 17,000කට අධික පිරිසක් ඇතුළත් විය.
Low-dose CT screening ඇතුළත් තවත් සැබෑ ලෝකයේ කණ්ඩායමකට 10,000කට අධික පිරිසක් ඇතුළත් විය.
CT සොයාගැනීම් endoscopy ප්රතිඵල සමඟ සංසන්දනය කළ හැකි කණ්ඩායම්ද පර්යේෂකයින් විසින් පරීක්ෂා කරන ලදී.
වැඩි sensitivity අගයකට මුල්තැන දුන් සීමාවකදී පද්ධතිය දළ වශයෙන් හඳුනාගත්තේ:
- පූර්ව පිළිකා තත්ත්වයන්ගෙන් 65.0%ක්;
- I අදියරේ පිළිකාවලින් 78.4%ක්.
මෙයින් පෙනී යන්නේ සාමාන්ය non-contrast CT විශ්ලේෂණයේදී මග හැරිය හැකි ඇතැම් තුවාල හඳුනාගැනීමට මෙම තාක්ෂණයට හැකි විය හැකි බවයි.
මෙය ප්රයෝජනවත් විය හැක්කේ ඇයි?
ආකර්ෂණීය හැකියාවක් වන්නේ දැනටමත් සිදු කෙරෙන CT ස්කෑන්වලින් අතිරේක තොරතුරු ලබාගැනීමට මෙම තාක්ෂණයට ඇති හැකියාවයි.
උදාහරණයක් ලෙස, ඇතැම් ජනගහන කණ්ඩායම් සඳහා පෙනහළු පිළිකා පරීක්ෂාවට low-dose chest CT භාවිත කෙරේ.
වැඩිදුර පරීක්ෂණ අවශ්ය විය හැකි ගලනාල තුවාල ඇති පුද්ගලයින් හඳුනාගැනීමට AI පද්ධතියකට හැකි නම්, එකම ස්කෑන් පරීක්ෂණයෙන් රෝග එකකට වඩා වැඩි ගණනක් පිළිබඳ ප්රයෝජනවත් තොරතුරු ලබාගැනීමේ හැකියාව ඇතිවිය හැක.
එය සම්පූර්ණයෙන්ම නව screening පරීක්ෂණයක් හඳුන්වාදීමෙන් වෙනස් ප්රවේශයකි.
එබැවින් වඩාත් නිශ්චිත පරීක්ෂණ සඳහා යොමු කළ යුතු පුද්ගලයින් හඳුනාගැනීමට මෙය පුළුල් පරිමාණයෙන් භාවිත කළ හැකි ක්රමයක් බවට අනාගතයේදී පත්විය හැක.
AI මගින් පිළිකාව විනිශ්චය කරනවාද?
නැත.
CT ස්කෑන් පරීක්ෂණයක AI මගින් සලකුණු කළ ප්රදේශයක් නිශ්චිත පිළිකා රෝග විනිශ්චයක් ලෙස නොසැලකිය යුතුය.
සැක සහිත සොයාගැනීම් සඳහා සුදුසු සායනික ඇගයීමක් සහ අවශ්ය විට endoscopy හා biopsy පරීක්ෂණ අවශ්ය වේ.
මෙවැනි රෝග විනිශ්චය සහායක පද්ධතියකට වැඩිදුර පරීක්ෂණ අවශ්ය විය හැකි පුද්ගලයින් හඳුනාගැනීමට උපකාර කළ හැක.
එය ස්වාධීනව පිළිකා රෝග විනිශ්චයක් තහවුරු කිරීමෙන් වෙනස් වේ.
දැන් CT මගින් endoscopy ආදේශ කළ හැකිද?
නැත.
මෙම අධ්යයනය non-contrast CT, endoscopy සඳහා ආදේශකයක් බව තහවුරු නොකරයි.
Endoscopy මගින් ගලනාලයේ ඇතුළත පටලය සෘජුවම පරීක්ෂා කිරීමට සහ අවශ්ය විට පටක සාම්පල ලබාගැනීමට හැකි වේ.
එසේම තුවාල වර්ගය, රෝගයේ අදියර සහ පද්ධතිය භාවිත කළ operating threshold අනුව AI පද්ධතියේ sensitivity වෙනස් විය.
පූර්ව පිළිකා තත්ත්වයන් හඳුනාගැනීම විශේෂයෙන් අභියෝගාත්මක විය.
පූර්ව පිළිකා තත්ත්වයන් සැලකිය යුතු ප්රමාණයක් මග හරින පද්ධතියකට වඩාත් නිශ්චිත රෝග විනිශ්චය ක්රමයක් සරලව ආදේශ කළ නොහැක.
මෙයින් AI පරීක්ෂාව මගින් ජීවිත බේරෙන බව තහවුරු වේද?
නැත.
මෙම අධ්යයනය ප්රධාන වශයෙන් ඇගයීමට ලක් කරන්නේ රෝග හඳුනාගැනීමේ කාර්ය සාධනයයි.
AI පද්ධතියකට පිළිකා හඳුනාගත හැකි බව පෙන්වීම සහ එය screening වැඩසටහනක් ලෙස භාවිත කිරීමෙන් පිළිකා මරණ අඩු වන බව පෙන්වීම එකම දෙයක් නොවේ.
එය තහවුරු කිරීම සඳහා, මෙම පද්ධතිය සායනික භාවිතයට එක් කිරීමෙන්:
- අර්ථවත් ලෙස වඩාත් මුල් අවධියේ රෝග විනිශ්චයට මග පාදයිද;
- ප්රතිකාර ප්රතිඵල වැඩිදියුණු කරයිද;
- ගලනාලයේ පිළිකා මරණ අඩු කරයිද;
- අනවශ්ය endoscopy පරීක්ෂණ අධික වීම වළක්වාගත හැකිද;
- විවිධ ජනගහන සහ සෞඛ්ය සේවා පද්ධති තුළද නිවැරදිව ක්රියා කරයිද
යන්න තීරණය කළ යුතුය.
මෙම ප්රශ්න සඳහා වැඩිදුර prospective සායනික ඇගයීම් අවශ්ය වේ.
මෙම අධ්යයනය වැදගත් වන්නේ ඇයි?
බොහෝ වෛද්ය AI අධ්යයන තෝරාගත් retrospective දත්ත මත හොඳින් ක්රියා කළද, වෙනත් රෝහල්වලට හෝ සැබෑ සායනික භාවිතයට ගෙන ගිය විට එම කාර්ය සාධනය පවත්වාගැනීමට අපහසු විය හැක.
EAGLE අධ්යයනය කැපී පෙනෙන්නේ මෙම පද්ධතිය මධ්යස්ථාන සහ රටවල් කිහිපයක, විශාල සැබෑ ලෝකයේ සහ prospective කණ්ඩායම්වල ඇගයීමට ලක් කළ බැවිනි.
එය සායනිකව දුෂ්කර ගැටලුවකටද මුහුණ දෙයි: දැනටමත් පුළුල් ලෙස භාවිත වන ස්කෑන් වර්ගයකින් ගලනාලයේ සූක්ෂ්ම තුවාල හඳුනාගැනීම.
එබැවින් මෙහි සංකල්පය හුදෙක් “AI මගින් ස්කෑන් පරීක්ෂණයක් කියවීම” පමණක් නොවේ.
එය දැනට පවතින වෛද්ය රූපකරණයෙන් අලුත් රෝග විනිශ්චය තොරතුරු ලබාගැනීමට AI භාවිත කළ හැකිද යන්න පිළිබඳ සංකල්පයකි.
අනාගත අධ්යයන මගින් මෙම ප්රවේශය සායනිකව වැදගත් ප්රතිඵල වැඩිදියුණු කරන බව පෙන්වුවහොත් එය විශේෂයෙන් වටිනා විය හැක.
ඊළඟට සිදුවන්නේ කුමක්ද?
වැඩිදුර අධ්යයන මගින් පහත කරුණු තීරණය කළ යුතුය:
- අතිරේක රටවල් සහ ජනගහන තුළ පද්ධතිය ක්රියාකරන ආකාරය;
- එය endoscopy සඳහා යොමු කිරීම්වලට බලපාන ආකාරය;
- මග හැරුණු තුවාල සහ අනවශ්ය වැඩිදුර පරීක්ෂණ අතර සමතුලිතතාව;
- radiologists සාමාන්ය සායනික භාවිතයට AI අනතුරු ඇඟවීම් එක් කළ යුතු ආකාරය;
- එය මුල් අවධියේ රෝග විනිශ්චය වැඩිදියුණු කරයිද;
- අවසානයේ එහි භාවිතයෙන් ගලනාලයේ පිළිකා මරණ අඩු කරයිද.
දැනට ඇති සාක්ෂි මගින් දිරිගන්වන නමුත් නිසි ලෙස සීමා කළ නිගමනයකට සහාය දක්වයි:
විශාල සහ විවිධ අධ්යයන ජනගහනවල සාමාන්ය non-contrast CT ස්කෑන් මගින් ගලනාලයේ පිළිකා රාශියක් ඉහළ specificity අගයක් සමඟ හඳුනාගැනීමට AI පද්ධතියකට හැකි විය. එහෙත් එය endoscopy සඳහා ආදේශකයක් හෝ පිළිකා මරණ අඩු කරන බව තහවුරු වූ screening වැඩසටහනක් නොව, වැඩිදුර සායනික තහවුරු කිරීම අවශ්ය වන හඳුනාගැනීමේ මෙවලමකි.
