वॉटसनने डॉक्टरांना चावले नाही, आणि खूप चांगले

जरी, इतर अनेक क्षेत्रांप्रमाणेच, AI ने डॉक्टरांची जागा घेण्याचा उत्साह काहीसा कमी झाला आहे, निदान अपयशाच्या मालिकेनंतर, AI-आधारित औषधाच्या विकासावर काम अजूनही चालू आहे. कारण, तरीही, ते अजूनही उत्तम संधी देतात आणि त्याच्या अनेक क्षेत्रांमध्ये कार्यक्षमतेत सुधारणा करण्याची संधी देतात.

2015 मध्ये IBM ची घोषणा करण्यात आली आणि 2016 मध्ये चार प्रमुख रुग्ण डेटा कंपन्यांकडून डेटामध्ये प्रवेश मिळवला (1). सर्वात प्रसिद्ध, असंख्य मीडिया रिपोर्ट्सबद्दल धन्यवाद, आणि त्याच वेळी IBM कडून प्रगत कृत्रिम बुद्धिमत्ता वापरून सर्वात महत्वाकांक्षी प्रकल्प ऑन्कोलॉजीशी संबंधित होता. शास्त्रज्ञांनी डेटाच्या अफाट संसाधनांचा वापर करून त्यावर प्रक्रिया करण्यासाठी त्यांना चांगल्या प्रकारे रुपांतरित अँटी-कॅन्सर उपचारांमध्ये रूपांतरित करण्याचा प्रयत्न केला आहे. वॉटसनला रेफ्री बनवणे हे दीर्घकालीन ध्येय होते वैद्यकीय चाचण्या आणि डॉक्टर म्हणून परिणाम.

1. वॉटसन हेल्थ मेडिकल सिस्टमच्या व्हिज्युअलायझेशनपैकी एक

तथापि, ते बाहेर वळले वॉटसन स्वतंत्रपणे वैद्यकीय साहित्याचा संदर्भ घेऊ शकत नाही आणि रुग्णांच्या इलेक्ट्रॉनिक वैद्यकीय नोंदींमधून माहिती काढू शकत नाही. मात्र, त्यांच्यावर सर्वात गंभीर आरोप होता नवीन रूग्णाची इतर जुन्या कर्करोग रूग्णांशी प्रभावीपणे तुलना करणे आणि पहिल्या दृष्टीक्षेपात अदृश्य असलेली लक्षणे शोधण्यात असमर्थता.

मान्य आहे की, काही ऑन्कोलॉजिस्ट होते ज्यांनी त्याच्या निर्णयावर विश्वास असल्याचा दावा केला होता, जरी बहुतेक वॉटसनच्या मानक उपचारांसाठीच्या सूचनांनुसार किंवा अतिरिक्त, अतिरिक्त वैद्यकीय मत म्हणून. ही प्रणाली चिकित्सकांसाठी उत्तम स्वयंचलित ग्रंथपाल ठरेल, याकडे अनेकांनी लक्ष वेधले आहे.

IBM कडून फारशी खुशामत न करणाऱ्या पुनरावलोकनांचा परिणाम म्हणून यूएस वैद्यकीय संस्थांमध्ये वॉटसन प्रणालीच्या विक्रीसह समस्या. IBM विक्री प्रतिनिधींनी ते भारत, दक्षिण कोरिया, थायलंड आणि इतर देशांतील काही रुग्णालयांना विकण्यात व्यवस्थापित केले. भारतात, डॉक्टरांनी () स्तनाच्या कर्करोगाच्या 638 प्रकरणांसाठी वॉटसनच्या शिफारसींचे मूल्यांकन केले. उपचार शिफारसींचे पालन दर 73% आहे. वाईट वॉटसन दक्षिण कोरियातील गॅचोन मेडिकल सेंटर येथे सोडले, जेथे कोलोरेक्टल कर्करोगाच्या 656 रुग्णांसाठी त्याच्या सर्वोत्तम शिफारसी तज्ञांच्या शिफारशींपैकी फक्त 49 टक्के वेळा जुळल्या. डॉक्टरांनी त्याचे मूल्यांकन केले आहे वॉटसनने वृद्ध रुग्णांशी चांगले वागले नाहीत्यांना काही मानक औषधे न दिल्याने, आणि मेटास्टॅटिक रोग असलेल्या काही रुग्णांसाठी आक्रमक उपचार पाळत ठेवण्याची गंभीर चूक केली.

सरतेशेवटी, निदान आणि चिकित्सक म्हणून त्यांचे कार्य अयशस्वी मानले जात असले तरी, अशी काही क्षेत्रे आहेत ज्यात ते अत्यंत उपयुक्त ठरले. उत्पादन जीनोमिक्ससाठी वॉटसन, जे नॉर्थ कॅरोलिना विद्यापीठ, येल विद्यापीठ आणि इतर संस्थांच्या सहकार्याने विकसित केले गेले आहे, वापरले जाते ऑन्कोलॉजिस्टसाठी अहवाल तयार करण्यासाठी अनुवांशिक प्रयोगशाळा. वॉटसन डाउनलोड यादी फाइल अनुवांशिक उत्परिवर्तन रुग्णामध्ये आणि काही मिनिटांत एक अहवाल तयार करू शकतो ज्यामध्ये सर्व महत्त्वाच्या औषधांसाठी आणि क्लिनिकल चाचण्यांसाठी सूचना समाविष्ट आहेत. वॉटसन अनुवांशिक माहिती सापेक्ष सहजतेने हाताळतोकारण ते संरचित फाइल्समध्ये सादर केले जातात आणि त्यात अस्पष्टता नसते - एकतर उत्परिवर्तन आहे किंवा कोणतेही उत्परिवर्तन नाही.

नॉर्थ कॅरोलिना विद्यापीठातील IBM भागीदारांनी 2017 मध्ये कार्यक्षमतेवर एक पेपर प्रकाशित केला. वॉटसनला संभाव्यत: महत्त्वपूर्ण उत्परिवर्तन आढळले जे त्यांच्यापैकी 32% मध्ये मानवी अभ्यासाद्वारे ओळखले गेले नाहीत. रुग्णांनी अभ्यास केला, त्यांना नवीन औषधासाठी चांगले उमेदवार बनवले. तथापि, अद्याप असा कोणताही पुरावा नाही की वापरामुळे चांगले उपचार परिणाम होतात.

प्रथिने घरगुती

ही आणि इतर अनेक उदाहरणे आरोग्य सेवेतील सर्व कमतरता दूर केल्या जात असल्याचा विश्वास वाढवण्यास हातभार लावतात, परंतु आम्हाला अशा क्षेत्रांचा शोध घेणे आवश्यक आहे जिथे हे खरोखर मदत करू शकते, कारण तेथे लोक फार चांगले काम करत नाहीत. असे फील्ड आहे, उदाहरणार्थ, प्रथिने संशोधन. मागील वर्षी, माहिती समोर आली की ते प्रथिनांच्या क्रमानुसार त्यांच्या आकाराचा अचूक अंदाज लावू शकतात (2). हे एक पारंपारिक कार्य आहे, केवळ लोकांच्याच नव्हे तर शक्तिशाली संगणकांच्या शक्तीच्या पलीकडे. जर आपण प्रथिने रेणूंच्या वळणाच्या अचूक मॉडेलिंगमध्ये प्रभुत्व मिळवले तर जनुक थेरपीसाठी मोठ्या संधी उपलब्ध होतील. शास्त्रज्ञांना आशा आहे की अल्फाफोल्डच्या मदतीने आम्ही हजारो कार्यांचा अभ्यास करू आणि यामुळे आम्हाला अनेक रोगांची कारणे समजून घेता येतील.

आकृती 2. डीपमाइंडच्या अल्फाफोल्डसह मॉडेल केलेले प्रोटीन ट्विस्टिंग.

आता आपल्याला दोनशे दशलक्ष प्रथिने माहित आहेत, परंतु आम्ही त्यांच्यातील एका लहान भागाची रचना आणि कार्य पूर्णपणे समजतो. गिलहरी हा सजीवांचा मूलभूत बिल्डिंग ब्लॉक आहे. पेशींमध्ये होणाऱ्या बहुतांश प्रक्रियांसाठी ते जबाबदार असतात. ते कसे कार्य करतात आणि काय करतात हे त्यांच्या 50D संरचनेद्वारे निर्धारित केले जाते. ते भौतिकशास्त्राच्या नियमांनुसार कोणत्याही सूचनांशिवाय योग्य फॉर्म घेतात. अनेक दशकांपासून, प्रायोगिक पद्धती ही प्रथिनांचा आकार ठरवण्यासाठी मुख्य पद्धत आहे. XNUMX च्या दशकात, वापर क्ष-किरण क्रिस्टलोग्राफिक पद्धती. गेल्या दशकात, ते निवडीचे संशोधन साधन बनले आहे. क्रिस्टल मायक्रोस्कोपी. 80 आणि 90 च्या दशकात, प्रथिनांचा आकार निश्चित करण्यासाठी संगणक वापरण्याचे काम सुरू झाले. तथापि, परिणाम अद्याप शास्त्रज्ञांचे समाधान करू शकले नाहीत. काही प्रथिनांसाठी काम करणाऱ्या पद्धती इतरांसाठी काम करत नाहीत.

आधीच 2018 मध्ये अल्फाफोल्ड मधील तज्ञांकडून मान्यता मिळाली प्रथिने मॉडेलिंग. तथापि, त्या वेळी ते इतर प्रोग्राम्ससारख्या पद्धती वापरत होते. शास्त्रज्ञांनी डावपेच बदलले आणि दुसरे तयार केले, ज्यामध्ये प्रथिने रेणूंच्या फोल्डिंगमधील भौतिक आणि भौमितीय निर्बंधांबद्दल माहिती देखील वापरली गेली. अल्फाफोल्ड असमान परिणाम दिले. कधी त्याने चांगले केले, कधी वाईट. परंतु त्याच्या अंदाजांपैकी जवळजवळ दोन-तृतियांश प्रायोगिक पद्धतींद्वारे मिळालेल्या परिणामांशी जुळले. वर्ष 2 च्या सुरुवातीला, अल्गोरिदमने SARS-CoV-3 विषाणूच्या अनेक प्रथिनांच्या संरचनेचे वर्णन केले. नंतर, असे आढळून आले की Orf2020a प्रथिनासाठीचे अंदाज प्रायोगिकरित्या मिळालेल्या परिणामांशी सुसंगत आहेत.

हे केवळ प्रथिने फोल्ड करण्याच्या अंतर्गत पद्धतींचा अभ्यास करण्याबद्दलच नाही तर डिझाइनबद्दल देखील आहे. NIH BRAIN उपक्रमातील संशोधकांनी वापरले मशीन लर्निंग रिअल टाइममध्ये मेंदूच्या सेरोटोनिनच्या पातळीचा मागोवा घेऊ शकणारे प्रोटीन विकसित करा. सेरोटोनिन हे एक न्यूरोकेमिकल आहे जे मेंदू आपले विचार आणि भावना कसे नियंत्रित करते यात महत्त्वाची भूमिका बजावते. उदाहरणार्थ, न्यूरॉन्स दरम्यान प्रसारित होणारे सेरोटोनिन सिग्नल बदलण्यासाठी अनेक अँटीडिप्रेससची रचना केली जाते. सेल जर्नलमधील एका लेखात, शास्त्रज्ञांनी ते प्रगत कसे वापरतात याचे वर्णन केले आहे अनुवांशिक अभियांत्रिकी पद्धती जीवाणूजन्य प्रथिनांना नवीन संशोधन साधनामध्ये रूपांतरित करा जे सध्याच्या पद्धतींपेक्षा जास्त अचूकतेसह सेरोटोनिन ट्रान्समिशनचा मागोवा घेण्यास मदत करू शकते. प्रीक्लिनिकल प्रयोग, मुख्यतः उंदरांवर, हे दर्शविले आहे की सेन्सर झोपेदरम्यान, भीती आणि सामाजिक परस्परसंवाद दरम्यान मेंदूच्या सेरोटोनिनच्या पातळीतील सूक्ष्म बदल त्वरित शोधू शकतो आणि नवीन सायकोएक्टिव्ह औषधांच्या प्रभावीतेची चाचणी करू शकतो.

साथीच्या रोगाविरुद्धचा लढा नेहमीच यशस्वी झालेला नाही

शेवटी, आम्ही एमटीमध्ये लिहिलेली ही पहिली महामारी होती. तथापि, उदाहरणार्थ, जर आपण साथीच्या रोगाच्या विकासाच्या प्रक्रियेबद्दल बोललो, तर सुरुवातीच्या टप्प्यावर, एआय अयशस्वी झाल्याचे दिसते. अशी तक्रार जाणकारांनी केली आहे कृत्रिम बुद्धिमत्ता पूर्वीच्या साथीच्या डेटाच्या आधारे कोरोनाव्हायरसचा प्रसार किती प्रमाणात झाला याचा अचूक अंदाज लावू शकत नाही. “हे उपाय काही क्षेत्रांमध्ये चांगले कार्य करतात, जसे की विशिष्ट संख्येने डोळे आणि कान असलेले चेहरे ओळखणे. SARS-CoV-2 महामारी या पूर्वीच्या अज्ञात घटना आणि अनेक नवीन व्हेरिएबल्स आहेत, त्यामुळे ते प्रशिक्षित करण्यासाठी वापरलेल्या ऐतिहासिक डेटावर आधारित कृत्रिम बुद्धिमत्ता चांगले कार्य करत नाही. साथीच्या रोगाने दर्शविले आहे की आम्हाला इतर तंत्रज्ञान आणि दृष्टिकोन शोधण्याची आवश्यकता आहे, ”स्कोलटेकमधील मॅक्सिम फेडोरोव्ह यांनी एप्रिल 2020 मध्ये रशियन मीडियाला दिलेल्या निवेदनात सांगितले.

कालांतराने तेथे होते तथापि, कोविड-19 विरुद्धच्या लढ्यात एआयची उपयुक्तता सिद्ध करणारे अल्गोरिदम. यूएस मधील शास्त्रज्ञांनी 2020 च्या शरद ऋतूमध्ये COVID-19 ग्रस्त लोकांमध्ये इतर लक्षणे नसली तरीही खोकल्याची वैशिष्ट्यपूर्ण पद्धती ओळखण्यासाठी एक प्रणाली विकसित केली.

लस दिसू लागल्यावर, लोकसंख्येला लसीकरण करण्यात मदत करण्यासाठी कल्पनेचा जन्म झाला. ती, उदाहरणार्थ लसींचे मॉडेल वाहतूक आणि रसद मदत. तसेच, साथीच्या रोगाचा झपाट्याने सामना करण्यासाठी कोणत्या लोकसंख्येला प्रथम लसीकरण करावे हे ठरवण्यासाठी. हे मागणीचा अंदाज लावण्यास आणि लॉजिस्टिकमधील समस्या आणि अडथळ्यांची त्वरित ओळख करून लसीकरणाची वेळ आणि गती अनुकूल करण्यास मदत करेल. सतत देखरेखीसह अल्गोरिदमचे संयोजन संभाव्य दुष्परिणाम आणि आरोग्यविषयक घटनांबद्दल माहिती देखील त्वरित प्रदान करू शकते.

या एआय वापरणारी प्रणाली आरोग्यसेवा ऑप्टिमाइझ करणे आणि सुधारणे हे आधीच ज्ञात आहे. त्यांच्या व्यावहारिक फायद्यांचे कौतुक केले गेले; उदाहरणार्थ, अमेरिकेतील स्टॅनफोर्ड विद्यापीठात मॅक्रो-आयजने विकसित केलेली आरोग्य सेवा प्रणाली. इतर अनेक वैद्यकीय संस्थांप्रमाणेच, अपॉइंटमेंटसाठी न दिसणाऱ्या रुग्णांची कमतरता ही समस्या होती. मॅक्रो डोळे तेथे कोणते रुग्ण असण्याची शक्यता नाही हे विश्वसनीयपणे सांगू शकणारी प्रणाली तयार केली. काही परिस्थितींमध्ये, तो क्लिनिकसाठी पर्यायी वेळा आणि स्थाने देखील सुचवू शकतो, ज्यामुळे रुग्ण दिसण्याची शक्यता वाढेल. नंतर, समान तंत्रज्ञान अर्कान्सासपासून नायजेरियापर्यंत विविध ठिकाणी, विशेषतः, यूएस एजन्सी फॉर इंटरनॅशनल डेव्हलपमेंटच्या समर्थनासह लागू केले गेले.

टांझानियामध्ये, मॅक्रो-आयजने एका प्रकल्पावर काम केले मुलांचे लसीकरण दर वाढवणे. दिलेल्या लसीकरण केंद्रात लसींचे किती डोस पाठवावे लागतील याचे सॉफ्टवेअरने विश्लेषण केले. कोणती कुटुंबे आपल्या मुलांना लसीकरण करण्यास नाखूष आहेत याचेही तो मूल्यांकन करू शकला, परंतु त्यांना योग्य युक्तिवादाने आणि सोयीस्कर ठिकाणी लसीकरण केंद्राचे स्थान पटवून देता आले. या सॉफ्टवेअरचा वापर करून, टांझानियन सरकार त्याच्या लसीकरण कार्यक्रमाची परिणामकारकता 96% ने वाढविण्यात सक्षम आहे. आणि प्रति 2,42 लोकांमध्ये लसीचा कचरा 100 पर्यंत कमी करा.

सिएरा लिओनमध्ये, जिथे रहिवाशांचा आरोग्य डेटा गहाळ होता, कंपनीने हे शिक्षणाच्या माहितीशी जुळवण्याचा प्रयत्न केला. असे दिसून आले की केवळ शिक्षक आणि त्यांच्या विद्यार्थ्यांची संख्या 70 टक्के अंदाज लावण्यासाठी पुरेशी होती. स्थानिक आरोग्य केंद्राला स्वच्छ पाण्याची उपलब्धता आहे की नाही याची अचूकता, जे आधीच तेथे राहणाऱ्या लोकांच्या आरोग्यावरील डेटाचे पाऊल आहे (3).

3. आफ्रिकेतील AI-चालित आरोग्य सेवा कार्यक्रमांचे मॅक्रो-आयज चित्रण.

यंत्र डॉक्टरांचा समज नाहीसा होत नाही

अपयश असूनही वॉटसन नवीन निदान पद्धती अजूनही विकसित केल्या जात आहेत आणि अधिकाधिक प्रगत मानल्या जात आहेत. सप्टेंबर 2020 मध्ये स्वीडनमध्ये तुलना केली. स्तनाच्या कर्करोगाच्या इमेजिंग डायग्नोस्टिक्समध्ये वापरले जाते त्यापैकी सर्वोत्तम रेडिओलॉजिस्ट प्रमाणेच कार्य करते हे दाखवून दिले. नियमित तपासणी दरम्यान मिळालेल्या जवळपास नऊ हजार मॅमोग्राफी प्रतिमा वापरून अल्गोरिदमची चाचणी घेण्यात आली आहे. AI-1, AI-2 आणि AI-3 म्हणून नियुक्त केलेल्या तीन प्रणालींनी 81,9%, 67% अचूकता प्राप्त केली. आणि 67,4%. तुलनेसाठी, रेडिओलॉजिस्ट ज्यांनी या प्रतिमांचा पहिला अर्थ लावला, त्यांच्यासाठी हा आकडा 77,4% होता आणि या बाबतीत रेडिओलॉजिस्टत्याचे वर्णन करणारे दुसरे कोण होते, ते 80,1 टक्के होते. सर्वोत्कृष्ट अल्गोरिदम देखील रेडिओलॉजिस्टना स्क्रीनिंग दरम्यान चुकलेली प्रकरणे शोधण्यात सक्षम होते आणि महिलांना एका वर्षापेक्षा कमी कालावधीत आजारी असल्याचे निदान झाले.

संशोधकांच्या मते, हे निष्कर्ष सिद्ध करतात कृत्रिम बुद्धिमत्ता अल्गोरिदम रेडिओलॉजिस्टने केलेल्या खोट्या-नकारात्मक निदानास मदत करा. सरासरी रेडिओलॉजिस्टसह AI-1 ची क्षमता एकत्रित केल्याने आढळलेल्या स्तनाच्या कर्करोगांची संख्या 8% वाढली. या अभ्यासामागील रॉयल इन्स्टिट्यूट टीम AI अल्गोरिदमची गुणवत्ता सुधारत राहण्याची अपेक्षा करते. प्रयोगाचे संपूर्ण वर्णन JAMA ऑन्कोलॉजीमध्ये प्रकाशित झाले.

पाच-बिंदू स्केलवर प. सध्या, आम्ही एक महत्त्वपूर्ण तांत्रिक प्रवेग पाहत आहोत आणि IV स्तरावर पोहोचत आहोत (उच्च ऑटोमेशन), जेव्हा सिस्टम स्वतंत्रपणे प्राप्त डेटावर स्वयंचलितपणे प्रक्रिया करते आणि तज्ञांना पूर्व-विश्लेषित माहिती प्रदान करते. हे वेळेची बचत करते, मानवी चुका टाळते आणि अधिक कार्यक्षम रुग्ण सेवा प्रदान करते. हेच त्याने काही महिन्यांपूर्वी ठरवले होते स्टॅन ए.आय. वैद्यक क्षेत्रात त्यांच्या जवळचे प्रा. जनुझ ब्राझीविच पोलिश सोसायटी फॉर न्यूक्लियर मेडिसिन कडून पोलिश प्रेस एजन्सीला दिलेल्या निवेदनात.

4. वैद्यकीय प्रतिमांचे मशीन पाहणे

अल्गोरिदम, अशा तज्ञांच्या मते प्रो. ब्राझीविचअगदी या उद्योगात अपरिहार्य. डायग्नोस्टिक इमेजिंग चाचण्यांच्या संख्येत झपाट्याने होणारी वाढ हे त्याचे कारण आहे. फक्त 2000-2010 या कालावधीसाठी. एमआरआय परीक्षा आणि परीक्षांची संख्या दहापट वाढली आहे. दुर्दैवाने, ते लवकर आणि विश्वासार्हपणे पार पाडू शकतील अशा उपलब्ध तज्ञ डॉक्टरांची संख्या वाढलेली नाही. पात्र तंत्रज्ञांचीही कमतरता आहे. AI-आधारित अल्गोरिदमच्या अंमलबजावणीमुळे वेळेची बचत होते आणि प्रक्रियेचे पूर्ण मानकीकरण तसेच मानवी त्रुटी टाळणे आणि रुग्णांसाठी अधिक कार्यक्षम, वैयक्तिक उपचार करणे शक्य होते.

ते बाहेर वळले म्हणून, देखील फॉरेन्सिक औषध फायदा होऊ शकतो कृत्रिम बुद्धिमत्तेचा विकास. या क्षेत्रातील तज्ज्ञ मृत उतींना अन्न देणाऱ्या वर्म्स आणि इतर प्राण्यांच्या स्रावांचे रासायनिक विश्लेषण करून मृत व्यक्तीच्या मृत्यूची नेमकी वेळ ठरवू शकतात. जेव्हा विश्लेषणामध्ये वेगवेगळ्या प्रकारच्या नेक्रोफेजच्या स्रावांचे मिश्रण समाविष्ट केले जाते तेव्हा समस्या उद्भवते. येथेच मशीन लर्निंग कार्यात येते. अल्बानी विद्यापीठातील शास्त्रज्ञांनी विकसित केले आहे एक कृत्रिम बुद्धिमत्ता पद्धत जी कृमी प्रजातींची जलद ओळख करण्यास अनुमती देते त्यांच्या "केमिकल फिंगरप्रिंट्स" वर आधारित. माशीच्या सहा प्रजातींमधून रासायनिक स्रावांच्या विविध संयोगांचे मिश्रण वापरून संघाने त्यांचा संगणक प्रोग्राम प्रशिक्षित केला. त्यांनी मास स्पेक्ट्रोमेट्री वापरून कीटक अळ्यांच्या रासायनिक स्वाक्षरीचा उलगडा केला, जे आयनच्या विद्युत चार्ज आणि वस्तुमानाचे गुणोत्तर अचूकपणे मोजून रसायने ओळखतात.

म्हणून, आपण पाहू शकता, तथापि तपास गुप्तहेर म्हणून AI फार चांगले नाही, फॉरेन्सिक लॅबमध्ये ते खूप उपयुक्त ठरू शकते. कदाचित आम्ही या टप्प्यावर तिच्याकडून खूप अपेक्षा केली आहे, अल्गोरिदमच्या अपेक्षेने जे डॉक्टरांना कामापासून दूर ठेवतील (5). आम्ही पाहतो तेव्हा कृत्रिम बुद्धिमत्ता अधिक वास्तववादी, सामान्य ऐवजी विशिष्ट व्यावहारिक फायद्यांवर लक्ष केंद्रित केल्याने, तिची वैद्यक क्षेत्रातील कारकीर्द पुन्हा खूप आशादायक दिसते.

5. डॉक्टरांच्या कारची दृष्टी