ଭାରତରେ Breast Cancer ଏବେ ଏକ ବଡ଼ ସ୍ୱାସ୍ଥ୍ୟ ଚିନ୍ତାର କାରଣ ପାଲଟିଛି। ରୋଗକୁ ଆରମ୍ଭରୁ ଚିହ୍ନଟ କରିବାରେ ସମସ୍ୟା ଏବଂ ବିଶେଷଜ୍ଞ Breast Imaging ସେବାର ଅସମାନ ଉପଲବ୍ଧତା ଏହି ଚ୍ୟାଲେଞ୍ଜକୁ ଆହୁରି ବଢ଼ାଇଛି। ରିପୋର୍ଟ ଅନୁସାରେ, ଭାରତରେ ପ୍ରତିବର୍ଷ ୨.୩ ଲକ୍ଷରୁ ଅଧିକ ନୂଆ Breast Cancer ମାମଲା ଚିହ୍ନଟ ହେଉଛି।

Mammogram କ’ଣ?

Mammogram ହେଉଛି ସ୍ତନର ଏକ X-ray image। ଏଥିରେ ଛୋଟ ଛୋଟ ଅସ୍ୱାଭାବିକତା, ସନ୍ଦେହଜନକ mass କିମ୍ବା calcificationର cluster ଚିହ୍ନଟ ହୋଇପାରେ। ଅନେକ ସମୟରେ ମହିଳାଙ୍କ ଶରୀରରେ ଗୋଟିଏ noticeable lump କିମ୍ବା ଅନ୍ୟ ଲକ୍ଷଣ ଦେଖାଦେବା ପୂର୍ବରୁ ମଧ୍ୟ Mammogramରେ ଏଭଳି ପରିବର୍ତ୍ତନ ଧରାପଡ଼ିପାରେ।

କିନ୍ତୁ ପ୍ରତ୍ୟେକ Mammogramକୁ ବୁଝିବା ସହଜ ନୁହେଁ। କିଛି Cancerର ଲକ୍ଷଣ ଅତ୍ୟନ୍ତ ସୂକ୍ଷ୍ମ ହୋଇପାରେ। ଏହାଛଡ଼ା Dense Breast Tissue ଥିଲେ ମଧ୍ୟ ଅସ୍ୱାଭାବିକତା ଚିହ୍ନଟ କରିବା କଷ୍ଟକର ହୋଇପାରେ। ଭାରତରେ Specialist Imaging Expertiseର ଅଭାବ ଓ ବଡ଼ ସହର ବାହାରେ Advanced Screening ସୁବିଧାର ସୀମିତ ଉପଲବ୍ଧତା ମଧ୍ୟ ଏକ ସମସ୍ୟା।

Breast Cancer ଚିହ୍ନଟରେ AI କିପରି ସହାୟତା କରିବ?

ଏହି ସ୍ଥାନରେ Artificial Intelligence ବା AIକୁ Radiologistଙ୍କ ବିକଳ୍ପ ଭାବେ ନୁହେଁ, ବରଂ ଏକ ଅତିରିକ୍ତ ସହାୟକ ଭାବେ ବ୍ୟବହାର କରାଯାଉଛି।

AI Mammography Systemକୁ ବହୁ ସଂଖ୍ୟକ Breast Images ଦ୍ୱାରା train କରାଯାଏ। ଏହା Cancer ଏବଂ ଅନ୍ୟ ଅସ୍ୱାଭାବିକତା ସହ ଜଡିତ pattern ଚିହ୍ନଟ କରି ଏକ Mammogramର କେଉଁ ଅଞ୍ଚଳ ଅଧିକ ଧ୍ୟାନ ଆବଶ୍ୟକ କରୁଛି ତାହା Radiologistଙ୍କୁ ଦେଖାଇପାରେ।

ବ୍ୟସ୍ତ ହସ୍ପିଟାଲରେ ଜଣେ Radiologistଙ୍କୁ ଶହ ଶହ image ଦେଖିବାକୁ ପଡ଼ିପାରେ। ଅନ୍ୟପକ୍ଷରେ, ଛୋଟ Diagnostic Centreରେ Breast Imaging Specialist ନଥାଇପାରନ୍ତି। ଏଭଳି ପରିସ୍ଥିତିରେ AI ଶୀଘ୍ର image ବିଶ୍ଳେଷଣ କରି ସନ୍ଦେହଜନକ ଅଞ୍ଚଳ ଉପରେ ଧ୍ୟାନ ଆକର୍ଷଣ କରିପାରେ।

ତେବେ AI ନିଜେ Cancerର ଅନ୍ତିମ diagnosis କରେ ନାହିଁ। AI ଦ୍ୱାରା flag ହୋଇଥିବା Mammogramକୁ Clinical Assessment, ଆବଶ୍ୟକ ହେଲେ Additional Imaging କିମ୍ବା Biopsy ଏବଂ ଶେଷରେ Pathologistଙ୍କ confirmation ଦରକାର ହୋଇଥାଏ।

AIIMSର AI Technology କ’ଣ କରିବ?

AIIMS, New Delhiର ଟିମ୍‌ ଦ୍ୱାରା ବିକଶିତ AI-based Mammography Interpretation Technologyକୁ ଏହି ସପ୍ତାହରେ Delhi-based Medical Device Company BPL Technologies Limitedକୁ ହସ୍ତାନ୍ତର କରାଯାଇଛି। ଏହି Model ବିଶେଷ କରି ସେହି ସ୍ଥାନଗୁଡ଼ିକରେ Mammography Interpretationକୁ ସହାୟତା କରିବା ପାଇଁ ବିକଶିତ ହୋଇଛି, ଯେଉଁଠାରେ Specialist Breast Imaging Expertise ସୀମିତ।
ତେବେ ଏହି Technologyକୁ Routine Clinical Practiceରେ ବ୍ୟବହାର କରିବା ପୂର୍ବରୁ ଭାରତୀୟ ରୋଗୀଙ୍କ ସମେତ ବିଭିନ୍ନ Dataset ଏବଂ ଭିନ୍ନ Imaging Environmentରେ ଏହାକୁ Test କରିବା ଆବଶ୍ୟକ। ଏହାର Performance ବିଚାର କରିବା ପାଇଁ ଅଧିକ Validation ଓ Clinical Evidence ଦରକାର।

ବିଦେଶୀ ଅଧ୍ୟୟନରେ AIର ଫଳାଫଳ

ସ୍ୱିଡେନ୍‌ର MASAI Randomised Trialରେ ୧,୦୫,୦୦୦ରୁ ଅଧିକ ମହିଳା ସାମିଲ ହୋଇଥିଲେ। ଏହି Trialରେ AI-supported Mammography ପ୍ରତି ୧,୦୦୦ ଜଣ Screening କରାଯାଇଥିବା ମହିଳାଙ୍କ ମଧ୍ୟରୁ ୬.୪ଟି Cancer ଚିହ୍ନଟ କରିଥିଲା, ଯେତେବେଳେ Standard Screeningରେ ଏହି ସଂଖ୍ୟା ୫.୦ ଥିଲା। ଅର୍ଥାତ୍‌ AI-supported approachରେ Cancer Detection Rate ପ୍ରାୟ ୨୯% ଅଧିକ ଥିଲା। ଏହା ସହ Screening Image Reading Workload ପ୍ରାୟ ୪୪.୨% କମିଥିଲା।

ପରବର୍ତ୍ତୀ ବିଶ୍ଳେଷଣରେ AI-supported Screeningର Sensitivity ୮୦.୫% ଥିବା ବେଳେ Standard Double Readingରେ ଏହା ୭୩.୮% ଥିଲା। ଉଭୟ ପଦ୍ଧତିର Specificity ପ୍ରାୟ ସମାନ, ୯୮.୫% ଥିଲା।

ଭାରତରେ AI-based Mammography Technologyର ବ୍ୟବହାର ବଢ଼ିଲେ ଅଧିକ ସନ୍ଦେହଜନକ Mammogramକୁ ଶୀଘ୍ର ଚିହ୍ନଟ କରିବାରେ Radiologistଙ୍କୁ ସହାୟତା ମିଳିପାରେ। କିନ୍ତୁ ଏହାକୁ ବ୍ୟାପକ Clinical Use ପୂର୍ବରୁ ଭାରତୀୟ ରୋଗୀ ଓ ବିଭିନ୍ନ Medical Settingରେ ଯଥେଷ୍ଟ Validation, Regulatory Approval ଏବଂ Clinical Evidence ଆବଶ୍ୟକ।