AI હવે પાંચ વર્ષ પહેલાં જ બ્રેસ્ટ કેન્સરની કરશે જાણ, 3D મેમોગ્રામથી થશે આગાહી
છેલ્લું અપડેટ : 14 Sept 2026
મહિલાઓમાં બ્રેસ્ટ કેન્સરના (Breast Cancer) વહેલા નિદાન અને સારવારના ક્ષેત્રમાં એક આશાસ્પદ પ્રગતિ સામે આવી છે. ન્યૂયોર્ક યુનિવર્સિટી (NYU) અને તેના પર્લમટર કેન્સર સેન્ટરના સંશોધકોએ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આધારિત એક નવું ટૂલ વિકસાવ્યું છે. આ સિસ્ટમ મહિલાઓના જૂના અને તાજેતરના 3D મેમોગ્રામ સ્કેનનું વિશ્લેષણ કરીને આગામી પાંચ વર્ષમાં બ્રેસ્ટ કેન્સર થવાના જોખમની આગાહી કરી શકે છે.
પ્રસિદ્ધ તબીબી જર્નલ અમેરિકન જર્નલ ઓફ રોએન્ટજેનોલોજી (American Journal of Roentgenology)માં પ્રકાશિત થયેલા આ અભ્યાસમાં જણાવાયું છે કે દર્દીના સમયાંતરે કરવામાં આવેલા લોન્ગીટુડિનલ (Longitudinal) 3D મેમોગ્રામ સ્કેનનું મૂલ્યાંકન કરતી આ નવી AI સિસ્ટમ સિંગલ મેમોગ્રામ અથવા પરંપરાગત જોખમ કેલ્ક્યુલેટર કરતાં વધુ સચોટ પરિણામ આપી શકે છે.
1.61 લાખ મહિલાઓના ડેટા પરથી તૈયાર થયું AI મોડલ
સંશોધકોએ NYU-DRP નામનું ડીપ-લર્નિંગ (Deep Learning) AI મોડલ તૈયાર કર્યું છે. આ મોડલને 2016થી 2020 દરમિયાન એકત્ર કરવામાં આવેલા 1,61,165 મહિલાઓના 3,13,531 વાર્ષિક 3D મેમોગ્રામના ડેટાબેઝના આધારે વિકસાવવામાં આવ્યું છે.
આ ટેકનોલોજીની ખાસિયત એ છે કે તે માત્ર એક મેમોગ્રામના આધારે નિર્ણય લેતી નથી, પરંતુ સમયાંતરે કરવામાં આવેલા સ્કેનની સરખામણી કરે છે. આ રીતે બ્રેસ્ટ ટિશ્યુમાં સમય સાથે થતા અત્યંત સૂક્ષ્મ ફેરફારોને પણ ઓળખવાનો પ્રયાસ કરવામાં આવે છે.
માત્ર ઉંમર અને ફેમિલી હિસ્ટ્રી પર આધાર નહીં
પરંપરાગત જોખમ આંકવાની પદ્ધતિઓમાં સામાન્ય રીતે દર્દીની ઉંમર, જિનેટિક હિસ્ટ્રી (Genetic History) અને ફેમિલી હિસ્ટ્રી (Family History) જેવી બાબતોને મહત્વ આપવામાં આવે છે. જોકે, નવી AI સિસ્ટમ આ ઉપરાંત બ્રેસ્ટ ટિશ્યુમાં સમય સાથે થતા ફેરફારોનું પણ વિશ્લેષણ કરે છે.
રિસર્ચમાં બ્રેસ્ટ ટિશ્યુ ડેન્સિટી (Tissue Density) અંગે પણ મહત્વની માહિતી સામે આવી છે. અત્યાર સુધી સામાન્ય માન્યતા હતી કે વધુ ડેન્સિટી ધરાવતી મહિલાઓમાં બ્રેસ્ટ કેન્સરનું જોખમ હંમેશા વધારે હોય છે. જોકે, AI મોડલે આ માન્યતાને પડકારતી બાબતો દર્શાવી છે.
બિનજરૂરી ટેસ્ટથી મળી શકે રાહત
સંશોધકોના મતે, આ ટેકનોલોજીનો ઉપયોગ ભવિષ્યમાં ડોકટરોને દર્દીના વાસ્તવિક જોખમને વધુ સારી રીતે સમજવામાં મદદ કરી શકે છે. તેના આધારે કોને આગળના ટેસ્ટ અથવા વધુ તપાસની જરૂર છે તે નક્કી કરવું સરળ બની શકે છે.
આ રીતે ઓછા જોખમ ધરાવતા દર્દીઓમાં બિનજરૂરી અને ખર્ચાળ ટેસ્ટ ટાળી શકાય છે, જ્યારે વધુ જોખમ ધરાવતા દર્દીઓ માટે સમયસર તપાસ અને સારવારની દિશામાં આગળ વધી શકાય છે. જોકે, આ પ્રકારની AI ટેકનોલોજીનો વ્યાપક તબીબી ઉપયોગ શરૂ થાય તે પહેલાં તેની વધુ ચકાસણી અને માન્યતા જરૂરી રહેશે.
