મોડેલિટી-સ્પેસિફિક આર્ટિફિશિયલ ઈન્ટેલિજન્સ: લંગ એક્સ-રે, સીટી, એમઆરઆઈ, મેમોગ્રાફી અને સ્ટ્રોક

નફો:

• વિશિષ્ટ ઉપયોગ વિસ્તારો અને કૃત્રિમ બુદ્ધિમત્તા એપ્લીકેશનની વિવિધ પદ્ધતિઓ (ગ્રાફિયા, સીટી, એમઆર, મેમોગ્રાફી) માં મોડેલિટી-વિશિષ્ટ મર્યાદાઓને અલગ પાડવાની ક્ષમતા
• બીજા-રીડર તરીકે AI ની ભૂમિકાનું મૂલ્યાંકન કરવાની ક્ષમતા અને મેમોગ્રાફી અને સ્ટ્રોક સીટી જેવા ઉચ્ચ પ્રભાવવાળા ક્ષેત્રોમાં નિર્ણય થ્રેશોલ્ડની ક્લિનિકલ અસરો
• જ્યારે વસ્તી અને ઉપકરણ કે જેના પર આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રત્યેક મોડલિટીમાં તાલીમ આપવામાં આવે છે ત્યારે કામગીરી ઘટી શકે છે તે સમજવું (વિતરણ શિફ્ટ)

કૃત્રિમ બુદ્ધિ એ રેડિયોલોજીમાં માત્ર એક વસ્તુ નથી; દરેક પદ્ધતિ (ઇમેજિંગ પદ્ધતિ) માટે, તે એક અલગ સાધન, એક અલગ શક્તિ અને એક અલગ મર્યાદા ધરાવે છે. છાતીનો એક્સ-રે મૉડલ અને સ્ટ્રોક સીટી મૉડલ સંપૂર્ણપણે જુદી જુદી સમસ્યાઓનું નિરાકરણ લાવે છે અને અલગ-અલગ ભૂલ પેટર્ન બનાવે છે. આ એકમમાં, અમે પાંચ સૌથી સામાન્ય વિસ્તારોને આવરી લઈશું - છાતી રેડિયોગ્રાફી, સીટી, એમઆરઆઈ, મેમોગ્રાફી અને સ્ટ્રોક - મોડેલિટી-વિશિષ્ટ ઉપયોગો અને મુશ્કેલીઓ સાથે. ધ્યેય યોગ્ય મર્યાદા સાથે, યોગ્ય નોકરી માટે દરેક સાધનનો ઉપયોગ કરવાનો છે.

મુખ્ય સિદ્ધાંત બદલાતો નથી પરંતુ દરેક મોડલિટીમાં નવો ચહેરો લે છે: દરેક મોડેલને ચોક્કસ ઉપકરણ, ચોક્કસ પ્રોટોકોલ અને ચોક્કસ દર્દીની વસ્તી પર તાલીમ આપવામાં આવે છે. જ્યારે આ શરતો ઓળંગાઈ જાય છે, ત્યારે કામગીરી ઘટી શકે છે; આને ડિસ્ટ્રિબ્યુશન શિફ્ટ કહેવામાં આવે છે. નિદાન રેડિયોલોજિસ્ટનું છે, જે પ્રથમ વાચક છે, બીજા વાચક નથી.

મોડલિટી દ્વારા ઉપયોગ અને મર્યાદા

ફેફસાંની રેડિયોગ્રાફી (એક્સ-રે): અહીં સૌથી વધુ વિપુલ માહિતી છે; મોડેલો ન્યુમોથોરેક્સ, કોન્સોલિડેશન (ફેફસાની દાહક પૂર્ણતા), નોડ્યુલ, પ્લ્યુરલ ઇફ્યુઝન (ઇન્ટરપ્લ્યુરલ ફ્લુઇડ) અને હૃદયના કદ માટે ફ્લેગ્સ બનાવે છે. તેની શક્તિઓ ઝડપ અને સ્કેનિંગ છે; તેની નબળાઈ એ ઓવરલેપિંગ સ્ટ્રક્ચર્સ (હાડકા, જહાજ, સ્તનની છાયા) અને નાના નોડ્યુલ્સ ચૂકી જવાના વલણને કારણે ઉચ્ચ ખોટા હકારાત્મકતા છે.

સીટી (કમ્પ્યુટેડ ટોમોગ્રાફી): ક્રોસ-સેક્શનલ ઇમેજ માટે આભાર, મોડેલો એમ્બોલિઝમ, રક્તસ્રાવ, નોડ્યુલ, અસ્થિભંગ, અંગની માત્રા માટે શક્તિશાળી છે. તેની તાકાત ત્રિ-પરિમાણીય માપ છે; નબળાઈ એ પ્રોટોકોલ/સ્લાઈસની જાડાઈ અને કોન્ટ્રાસ્ટ તબક્કા પ્રત્યેની ઉચ્ચ સંવેદનશીલતા છે-પ્રદર્શન વિવિધ પ્રોટોકોલ સાથે બદલાય છે.

એમઆરઆઈ (મેગ્નેટિક રેઝોનન્સ): સોફ્ટ ટીશ્યુ કોન્ટ્રાસ્ટ વધારે છે; સ્ટ્રોક પ્રસરણ, પ્રોસ્ટેટ જખમ, મગજના જખમ, કોમલાસ્થિ માટે મોડેલો છે. તેની નબળાઈ એ છે કે ત્યાં ખૂબ વધારે ઉપકરણ/ક્રમની વિવિધતા છે — એક મોડેલ તે ક્રમની બહાર વિશ્વસનીયતા ગુમાવે છે જેના પર તેને તાલીમ આપવામાં આવી હતી.

મેમોગ્રાફી: એક ઉચ્ચ પ્રભાવ ક્ષેત્ર; મોડેલો માસ અને માઇક્રોક્લેસિફિકેશન માટે બીજા-રીડર તરીકે કાર્ય કરે છે. તેની તાકાત સ્તન કેન્સર સ્ક્રીનીંગમાં ચૂકી જાય છે; તેની નબળાઈ એ ગાઢ સ્તનના પેશીઓમાં કાર્યક્ષમતામાં ઘટાડો અને ખોટા સકારાત્મક બાબતોનું રિકોલ ઓવરહેડ છે.

સ્ટ્રોક (મગજ CT/CT એન્જીયોગ્રાફી/પરફ્યુઝન): આ સમય-નિર્ણાયક વિસ્તાર છે; મોડેલો મોટા જહાજોના અવરોધ (LVO), ઇસ્કેમિયાના પ્રારંભિક ચિહ્નો અને રક્તસ્રાવ, ઝડપી સારવાર (થ્રોમ્બેક્ટોમી) નિર્ણયો માટે ઝડપી ફ્લેગ્સ પ્રદાન કરે છે. તેની નબળાઈઓ ચળવળ આર્ટિફેક્ટ અને પ્રારંભિક/અસ્થિર તારણોમાં મર્યાદિત વિશ્વસનીયતા છે.

પદ્ધતિ

લાક્ષણિક AI ઉપયોગ

મજબૂત બાજુ

મોડલિટી ચોક્કસ મર્યાદા

ફેફસાંનો એક્સ-રે

ન્યુમોથોરેક્સ, નોડ્યુલ, ફ્યુઝન ફ્લેગ

ઝડપ, સ્કેન

ઓવરલેપ, ઉચ્ચ ખોટા હકારાત્મક

આઇટી

એમ્બોલિઝમ, રક્તસ્રાવ, નોડ્યુલ, વોલ્યુમ

3D માપન

પ્રોટોકોલ/કોન્ટ્રાસ્ટ તબક્કા પ્રત્યે સંવેદનશીલ

એમઆરઆઈ

સ્ટ્રોક પ્રસરણ, પ્રોસ્ટેટ, મગજ

નરમ પેશી

ક્રમ/ઉપકરણની વિવિધતા

મેમોગ્રાફી

માસ, માઇક્રોકેલ્સિફિકેશન (2જી રીડર)

અસંયમ ઘટાડો

ગાઢ સ્તનમાં છોડો, લોડ યાદ કરો

સ્ટ્રોક સીટી

એલવીઓ, ઇસ્કેમિયા, રક્તસ્ત્રાવ ધ્વજ

સમય બચત

આર્ટિફેક્ટ, વહેલું/અસ્થિર શોધ

બીજા-વાચકની ભૂમિકા અને નિર્ણય થ્રેશોલ્ડ

મેમોગ્રાફી અને સ્ટ્રોક જેવા ઉચ્ચ પ્રભાવવાળા ક્ષેત્રોમાં, AI ઘણીવાર બીજા-રીડર તરીકે સ્થિત હોય છે: રેડિયોલોજિસ્ટ વાંચે છે, પછી AI માર્કસની સમીક્ષા કરવામાં આવે છે (અથવા તેનાથી વિપરીત). આ સિંગલ રેડિયોલોજિસ્ટ શું ચૂકી ગયું છે તે પકડવાની તક આપે છે. પરંતુ બે જોખમો છે. સૌપ્રથમ, એઆઈ દ્વારા ચિહ્નિત ન કરાયેલ વિસ્તારને "સ્વચ્છ" (ઓટોમેશન બાયસ) ગણવામાં આવે છે. બીજું, નિર્ણય થ્રેશોલ્ડનું ક્લિનિકલ પરિણામ: જો મેમોગ્રાફીમાં થ્રેશોલ્ડ ઓછો હોય, તો ત્યાં વધુ યાદ (અને બિનજરૂરી બાયોપ્સી, ચિંતા) હશે; જો તે વધારે હોય, તો લિકેજ વધે છે. આ થ્રેશોલ્ડ સંસ્થાના સ્ક્રીનીંગ ફિલસૂફી અને રેડિયોલોજિસ્ટના અર્થઘટન દ્વારા નક્કી કરવામાં આવે છે; એન્જિનિયરિંગ ડિફોલ્ટ નથી.

સાવધાન: માત્ર એક મોડલીટીમાં મોડેલ સારી રીતે કામ કરે છે તેનો અર્થ એ નથી કે તે અન્ય મોડલીટીમાં અથવા તે જ મોડલીટીના અલગ ઉપકરણ/પ્રોટોકોલમાં સારી રીતે કામ કરશે. જો મોડેલને "ફેફસાની રેડિયોગ્રાફી" માટે તાલીમ આપવામાં આવે છે, તો તેનું પ્રદર્શન પોર્ટેબલ ક્રિટિકલ કેર રેડિયોગ્રાફીમાં અલગ હોઈ શકે છે. ઉપયોગનો અવકાશ હંમેશા તે અવકાશ સુધી મર્યાદિત હોય છે જેના માટે મોડેલને મંજૂરી આપવામાં આવી છે.

ત્રણ નાના કેસો

કેસ 1 - મેમોગ્રાફી બીજા વાચકો મેળવે છે. રેડિયોલોજીસ્ટ સામાન્ય રીતે સ્ક્રીનીંગ મેમોગ્રામ વાંચે છે. દ્વિતીય-રીડર તરીકે YZ એ પ્રદેશમાં માઇક્રોક્લેસિફિકેશનના ક્લસ્ટરને ચિહ્નિત કરે છે. રેડિયોલોજિસ્ટ પાછળ જુએ છે અને ખરેખર અસ્પષ્ટ ક્લસ્ટર જુએ છે; વધારાની ઇમેજિંગ સાથે, સીટુમાં પ્રારંભિક ડક્ટલ કાર્સિનોમા (પ્રારંભિક તબક્કામાં સ્તન કેન્સર) શોધી કાઢવામાં આવે છે. AI એ "બીજી આંખ" તરીકે છટકી જતા અટકાવ્યું; રેડિયોલોજિસ્ટે નિદાન આપ્યું.

કેસ 2 - સ્ટ્રોક ટાઈમ ગેઈન. કટોકટીના મગજના સીટી એન્જીયોગ્રામમાં, AI 2 મિનિટની અંદર મોટા જહાજના અવરોધ (LVO)ને ફ્લેગ કરે છે અને સ્ટ્રોક ટીમને ટ્રિગર કરે છે. રેડિયોલોજિસ્ટ પુષ્ટિ કરે છે, દર્દીને થ્રોમ્બેક્ટોમીમાં લઈ જવામાં આવે છે; બારણું-થી-સોય સમય નોંધપાત્ર રીતે ટૂંકો છે. પરંતુ તે જ અઠવાડિયે, મોડલ એક ચક્કર પ્રારંભિક ઇસ્કેમિયા ચૂકી જાય છે; રેડિયોલોજિસ્ટ તેના પોતાના વાંચનથી તેને પકડી લે છે. AI ઝડપ લાવ્યો, પરંતુ પ્રથમ વાચક રેડિયોલોજિસ્ટ રહ્યા.

કેસ 3 - વિતરણ પાળી. છાતીનું એક્સ-રે મોડેલ મોટી હોસ્પિટલમાં સ્થિર સાધનો પર સંપૂર્ણ રીતે કામ કરે છે. જ્યારે સઘન સંભાળ એકમના પોર્ટેબલ ઉપકરણો પર સમાન મોડેલનો ઉપયોગ કરવામાં આવે છે, ત્યારે ખોટા હકારાત્મક વિસ્ફોટ થાય છે: વિવિધ એક્સપોઝર, નબળી ગુણવત્તા અને ઓવરલેપિંગ સાધનોના પડછાયાઓ મોડેલને મૂંઝવણમાં મૂકે છે. ટીમને ખ્યાલ આવે છે કે તેઓ સ્થાનિક માન્યતા વિના પોર્ટેબલ ગ્રાફ પર મોડેલનો ઉપયોગ કરી રહ્યાં છે અને અવકાશને સંકુચિત કરે છે. પાઠ: જ્યારે ઉપકરણ/પ્રોટોકોલ બદલાય છે ત્યારે પ્રદર્શન બદલાય છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ MRI મોડલ સારું છે? શું આપણે તેનો ઉપયોગ કરવો જોઈએ?

કોઈ મોડલિટી વિગતો, ક્રમ, વસ્તી અને હેતુપૂર્વક ઉપયોગ નહીં; એક સામાન્ય અને જોખમી જવાબ આવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: મોડલિટી-વિશિષ્ટ AI પસંદગીમાં CO-સલાહકાર. નિર્ણય લેવો; મારે કયા પ્રશ્નો પૂછવા જોઈએ તેની સાથે આવો. અમે પ્રોસ્ટેટ એમઆરઆઈ જખમ મોડેલ પર વિચાર કરી રહ્યા છીએ. ધ્યાનમાં લો: (1) મોડેલને કઈ સિક્વન્સ/ડિવાઈસ/ચુંબકીય ક્ષેત્રની મજબૂતાઈ પર તાલીમ આપવામાં આવી હતી, શું તે આપણી સાથે મેળ ખાય છે, (2) કઈ વસ્તીમાં તે માન્ય કરવામાં આવ્યું છે, (3) શું તે સેકન્ડ-રીડર અથવા ડાયગ્નોસ્ટિક સહાય છે, (4) શું તે ગાઢ/અસામાન્ય કેસોમાં તેની જાણીતી મર્યાદા પર છે, (5) સ્થાનિક વિના તેનો ઉપયોગ કરવાનું જોખમ છે. અંતિમ નિર્ણય સંસ્થાનો છે.

મોડેલિટી-વિશિષ્ટ અનુપાલન, વસ્તી અને સ્થાનિક માન્યતાના મજબૂત પ્રોમ્પ્ટ પ્રશ્નો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

મોડલિટી કમ્પ્લાયન્સ ટેમ્પલેટતમારી ભૂમિકા: સહાયક. હું તમને AI મોડેલ અને અમારા પોતાના ઉપકરણ/પ્રોટોકોલ માહિતી આપીશ. મોડેલિટી, ઉપકરણ, ક્રમ/પ્રોટોકોલ અને વસ્તી કે જેના પર મોડેલને તાલીમ આપવામાં આવી હતી તેની સાથે અમારી સરખામણી કરો; ડિસ્ટ્રિબ્યુશન ડ્રિફ્ટના જોખમમાં તફાવતોની સૂચિ બનાવો અને સ્થાનિક ચકાસણી જરૂરી છે કે કેમ તેનું મૂલ્યાંકન કરો. નિર્ણય સંસ્થામાં છે. માહિતી: [લખો]

સેકન્ડ-રીડર શિસ્ત નમૂનો મને એક ચેકલિસ્ટ બનાવો કે જે બીજા-રીડર AI નો ઉપયોગ કરતી વખતે મારી વાંચન શિસ્ત જાળવી રાખશે: શું મારે પહેલા મારી જાતને વાંચવી જોઈએ, હું એ વિસ્તારને કેવી રીતે સુરક્ષિત કરી શકું કે જે AI ચિહ્નિત કરતું નથી, હું AI ચિહ્નની પુષ્ટિ કેવી રીતે કરી શકું, હું ઓટોમેશન પૂર્વગ્રહને કેવી રીતે ટાળી શકું. પદ્ધતિ: [લખો]

નિર્ણય થ્રેશોલ્ડ પરિણામનો નમૂનો તમને મોડલિટીમાં નિર્ણય થ્રેશોલ્ડ દૃશ્ય આપશે (દા.ત. મેમોગ્રાફી). રિકોલ, બિનજરૂરી બાયોપ્સી, ચોરી અને ચિંતા પર થ્રેશોલ્ડ ઘટાડવા/વધારવાના ક્લિનિકલ પરિણામો સમજાવો. અમને યાદ કરાવો કે થ્રેશોલ્ડ સંસ્થાના સ્ક્રીનીંગ ફિલોસોફી દ્વારા સેટ કરવામાં આવે છે. સ્ક્રિપ્ટ: [લખો]

મોડલિટી લિમિટ રિમાઇન્ડર ટેમ્પલેટI તમને એક મોડલિટી અને AI ટાસ્ક આપશે. આ પદ્ધતિને લગતી ભૂલના વિશિષ્ટ સ્ત્રોતોની યાદી બનાવો (દા.ત., છાતીના એક્સ-રેમાં ઓવરલેપ, એમઆરઆઈમાં સિક્વન્સ ડિફરન્સ, સ્ટ્રોક સીટીમાં આર્ટિફેક્ટ) અને બિંદુઓ કે જેના પર રેડિયોલોજિસ્ટને વિશેષ ધ્યાન આપવું જોઈએ. પદ્ધતિ/કાર્ય: [લખો]

સામાન્ય ભૂલો

• અન્ય સ્થિતિમાં મોડેલિટી-વિશિષ્ટ મોડેલનો ઉપયોગ કરવો. સ્થિર ઉપકરણ મોડેલ પોર્ટેબલમાં અલગ રીતે વર્તે છે; અવકાશ સાચવવો જોઈએ.
• બીજા-વાચકે જે ચિહ્નિત કર્યું નથી તે "સ્વચ્છ" તરીકે ગણવું. ઓટોમેશન પૂર્વગ્રહ; તેમનું વાંચન સુરક્ષિત હોવું જોઈએ.
• નિર્ણય થ્રેશોલ્ડને એન્જિનિયરિંગ સેટિંગ તરીકે ભૂલવું. થ્રેશોલ્ડ ક્લિનિકલ સંતુલન છે; તે ફિલોસોફીને સ્કેન કરીને એડજસ્ટ કરવામાં આવે છે.
• ક્રમ/પ્રોટોકોલ તફાવતને અવગણીને. MR/CT મોડલ પ્રોટોકોલની બહાર વિશ્વસનીયતા ગુમાવે છે જેના પર તેઓને તાલીમ આપવામાં આવી હતી.
• સ્થાનિક ચકાસણી વિના પ્રસાર. ડિસ્ટ્રિબ્યુશન ડ્રિફ્ટ શાંતિપૂર્વક પ્રદર્શનને બગાડે છે.

ટીપ: નવા મોડેલિટી-વિશિષ્ટ મોડેલનો ઉપયોગ કરતા પહેલા, ત્રણ પ્રશ્નો પૂછો: "આ મોડેલ કયા ઉપકરણ/પ્રોટોકોલ/વસ્તી પર પ્રશિક્ષિત હતું? શું અમારું તે જેવું લાગે છે? શું અમે તેને અમારા પોતાના ડેટા પર માન્ય કર્યું છે?" જો ત્રણેય સંતોષકારક ન હોય, તો મોડેલ પ્રવેગક નથી પરંતુ છુપાયેલ જોખમ છે.

સારાંશમાં

દરેક પદ્ધતિમાં AI એ એક અલગ સાધન છે: છાતીના એક્સ-રેમાં ઝડપી તપાસ પરંતુ ઓવરલેપને કારણે ખોટા હકારાત્મક; શક્તિશાળી 3D માપન પરંતુ સીટીમાં પ્રોટોકોલ સંવેદનશીલતા; નરમ પેશીઓની મજબૂતાઈ પરંતુ એમઆરઆઈમાં ક્રમની વિવિધતા; સેકન્ડ-રીડર મેમોગ્રાફીમાં અપહરણ ઘટાડે છે પરંતુ બોજ યાદ કરે છે; સ્ટ્રોકમાં સમય લાભ પરંતુ આર્ટિફેક્ટ મર્યાદા. મેમોગ્રાફી અને સ્ટ્રોક જેવા ઉચ્ચ પ્રભાવવાળા ક્ષેત્રોમાં, AI બીજા-રીડર બને છે, પરંતુ પ્રથમ-રીડર હંમેશા રેડિયોલોજીસ્ટ હોય છે અને નિર્ણય થ્રેશોલ્ડ ક્લિનિકલ સંતુલન હોય છે. જ્યારે ઉપકરણ, પ્રોટોકોલ અને વસ્તી કે જેના પર દરેક મોડેલને તાલીમ આપવામાં આવે છે તે શ્રેણીની બહાર ખસેડવામાં આવે છે, ત્યારે તેનું પ્રદર્શન ઘટે છે (વિતરણ શિફ્ટ); તેથી અવકાશ જાળવવો આવશ્યક છે અને સ્થાનિક માન્યતા કરવી આવશ્યક છે.

એપ્લિકેશન કાર્ય

તમારી દિનચર્યા (રેડિયોગ્રાફી, સીટી, એમઆરઆઈ, મેમોગ્રાફી, અથવા સ્ટ્રોક) માં મોડલિટી પસંદ કરો. "મોડેલિટી લિમિટ રિમાઇન્ડર" ટેમ્પલેટનો ઉપયોગ કરીને, તે મોડલિટી માટે વિશિષ્ટ AI ભૂલના ઓછામાં ઓછા ત્રણ લાક્ષણિક સ્ત્રોતો અને રેડિયોલોજિસ્ટ માટે વધારાના ધ્યાનના મુદ્દાઓ લખો. પછી "મોડેલિટી ફીટ" ટેમ્પલેટ વડે તમે તે મોડલિટી માટે વિચારી રહ્યાં છો તે મોડેલનું મૂલ્યાંકન કરો: શું તે ઉપકરણ/પ્રોટોકોલ/વસ્તી જે તમારા પર પ્રશિક્ષિત છે તે તમારા સાથે મેળ ખાય છે, શું સ્થાનિક માન્યતા જરૂરી છે? જો ત્યાં બીજા-વાંચકની ભૂમિકા હોય, તો તમારી દિનચર્યામાં "સેકન્ડ-રીડર શિસ્ત" સૂચિને અનુકૂલિત કરો.

ચેકલિસ્ટ

• [ ] મેં મોડલિટી, ઉપકરણ, પ્રોટોકોલ અને વસ્તી શીખી જેના પર મોડેલને તાલીમ આપવામાં આવી હતી.
• [ ] મેં મારી પોતાની શરતો (વિતરણ ડ્રિફ્ટનું જોખમ) સાથે સુસંગતતાનું મૂલ્યાંકન કર્યું.
• [ ] હું મોડેલનો ઉપયોગ માત્ર તે હદ સુધી જ કરું છું જ્યાં સુધી તે મંજૂર કરવામાં આવ્યું હોય.
• [ ] હું બીજા વાચકની ભૂમિકામાં મારું પોતાનું સ્વતંત્ર વાંચન જાળવી રાખું છું.
• [ ] હું સમજું છું કે નિર્ણયની મર્યાદા એ ક્લિનિકલ બેલેન્સ છે અને સ્ક્રીનીંગ ફિલોસોફી દ્વારા સેટ કરવામાં આવે છે.
• [ ] હું લાક્ષણિક મોડાલિટી-વિશિષ્ટ ભૂલ સ્ત્રોતો (આર્ટિફેક્ટ, ઓવરલેપ, સિક્વન્સ ડિફરન્સ) માનું છું.
• [ ] હું સ્થાનિક માન્યતા વિના નવી સ્થિતિમાં પ્રચાર કરતો નથી.