COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images
यह शोध पत्र COVID-Net USPro को प्रस्तुत करता है, जो एक ओपन-सोर्स, व्याख्यात्मक (explainable) फ़्यू-शॉट डीप प्रोटोटाइपिकल नेटवर्क है जो न्यूनतम प्रशिक्षण डेटा का उपयोग करके पॉइंट-ऑफ-केयर अल्ट्रासाउंड छवियों से COVID-19 का पता लगाने में उच्च सटीकता, परिशुद्धता और रिकॉल प्राप्त करता है, जिससे नई बीमारियों के लिए सीमित एनोटेटेड डेटासेट की चुनौती का समाधान होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक सुपर-स्मार्ट रोबोट को सिखाने की कोशिश कर रहे हैं कि फेफड़ों के अल्ट्रासाउंड चित्र में एक विशिष्ट प्रकार की समस्या को कैसे पहचाना जाए। आमतौर पर, एक रोबोट को इस तरह से सिखाने के लिए, आपको उसे हजारों और हजारों उदाहरण दिखाने होंगे—जैसे कि किताबों से भरी एक लाइब्रेरी। लेकिन यहाँ एक ट्विस्ट है, जब COVID-19 जैसा नया वायरस आता है, तो किसी के पास लाइब्रेरी नहीं होती। हमारे पास केवल कुछ ही पन्ने होते हैं।
यहीं COVID-NET USPro काम आता है। इसे एक ऐसे जासूस के रूप में सोचें जिसे केस सुलझाने के लिए पूरी विश्वकोश (एंसाइक्लोपीडिया) की आवश्यकता नहीं है; उसे बस कुछ ही सुरागों की आवश्यकता है। शोधकर्ताओं ने इस जासूस को "फ्यू-शॉट" (few-shot) लर्निंग पद्धति का उपयोग करके बनाया है। यह एक रोबोट को पाँच "COVID-पॉजिटिव" फेफड़ों के चित्र और पाँच "स्वस्थ" फेफड़ों के चित्र दिखाने जैसा है, और फिर उससे पूछना है, "क्या तुम बता सकते हो कि कौन सा क्या है?"
बड़ी जीत
जब उन्होंने इस रोबोट का परीक्षण केवल 5 शॉट्स (यानी प्रति श्रेणी 5 उदाहरण) के साथ किया, तो इसने केवल अनुमान नहीं लगाया; इसने सटीक निशाना साधा। पेपर रिपोर्ट करता है कि इसने 99.65% समग्र सटीकता (accuracy) प्राप्त की। विशेष रूप रूप से बीमार फेफड़ों को पहचानने के मामले में, यह उन्हें पकड़ने में 99.7% कुशल (रिकॉल/recall) था और 99.67% सटीक (प्रिसिजन/precision) था ताकि यह गलत चेतावनी न दे। इससे भी बेहतर, जब उन्होंने इसे अधिक अभ्यास कराया—100 शॉट्स तक—तो यह और भी तेज हो गया, और कुछ परीक्षणों में लगभग पूर्ण स्कोर प्राप्त किया।
अल्ट्रासाउंड ही क्यों?
टीम ने अल्ट्रासाउंड छवियों को इसलिए चुना क्योंकि वे सस्ती, पोर्टेबल और सुरक्षित हैं (कोई रेडिएशन नहीं!)। वे मेडिकल इमेजिंग के "स्विस आर्मी नाइफ" की तरह हैं, जो बेडसाइड पर त्वरित जांच के लिए एकदम सही हैं। हालाँकि, पेपर स्पष्ट रूप से "लीनियर प्रोब" (एक विशिष्ट प्रकार का अल्ट्रासाउंड वैंड जो वर्गाकार चित्र बनाता है) के साथ ली गई छवियों का उपयोग करने से मना करता है। क्यों? क्योंकि उन छवियों को "कॉन्वेक्स प्रोब" (चौड़े, घुमावदार चित्र) की छवियों के साथ मिलाना तेल और पानी को मिलाने जैसा था—इससे रोबोट भ्रमित और शोर (noisy) पैदा होता। इसलिए, ट्रेनिंग को साफ रखने के लिए उन्होंने लीनियर प्रोब डेटा को हटा दिया।
"ब्लैक बॉक्स" की समस्या
आमतौर पर, डीप लर्निंग रोबोट "ब्लैक बॉक्स" होते हैं। आप उन्हें एक चित्र देते हैं, और वे एक उत्तर देते हैं, लेकिन आपको पता नहीं चलता कि क्यों। यह डॉक्टरों के लिए डरावना है। यदि रोबोट कहता है, "यह मरीज बीमार है," लेकिन वास्तव में वह फेफड़े के बजाय एक पसली की हड्डी को देख रहा है, तो यह एक गलत निर्णय है।
इसे ठीक करने के लिए, लेखकों ने COVID-NET USPro को "व्याख्यात्मक" (explainable) बनाया। उन्होंने विशेष उपकरणों (जैसे Grad-CAM और GSInquire) का उपयोग किया जो एक हाइलाइटर पेन की तरह काम करते हैं। जब रोबोट कोई निर्णय लेता है, तो ये उपकरण छवि पर एक हीटमैप दिखाते हैं ताकि यह साबित किया जा सके कि रोबोट ठीक कहाँ देख रहा था।
- अच्छी खबर: रोबोट ने सही जगहों को पहचानना सीख लिया, जैसे कि "B-lines" (जो छोटी रोशनी वाली धूमकेतु जैसी दिखती हैं) और गहरे धब्बे जो फेफड़ों में समस्या का संकेत देते हैं।
- बुरी खबर (और समाधान): शुरुआत में, रोबोट कभी-कभी गलत कारण से सही उत्तर दे देता था। वह एक पसली की हड्डी को देखता और कहता, "आह, यह एक बीमार फेफड़ा लग रहा है!" शोधकर्ताओं ने इसे पकड़ा, छवि के ऊपरी हिस्से (फेफड़े के ऊपर के सॉफ्ट टिश्यू) को फ़िल्टर किया, और फिर से रोबोट को प्रशिक्षित किया। अब, यह पूरी तरह से छवि के निचले हिस्से में बीमारी के संकेतों पर ध्यान केंद्रित करता है।
मानवीय जाँच
यह केवल एक कंप्यूटर सिमुलेशन नहीं है; एक वास्तविक डॉक्टर, जिसके पास अल्ट्रासाउंड का वर्षों का अनुभव है, ने रोबोट के काम की समीक्षा की। डॉक्टर ने पुष्टि की कि जब रोबोट आश्वस्त था, तो वह वास्तव में वास्तविक रोग पैटर्न को देख रहा था, न कि रैंडम शोर को।
आगे क्या?
पेपर सुझाव देता है कि हालांकि यह रोबोट अद्भुत है, यह और भी बेहतर हो सकता है। लेखक नोट करते हैं कि उन्हें कुछ डेटा (लीनियर प्रोब छवियां) छोड़ना पड़ा था और उन्होंने छवि के ऊपरी हिस्से को छिपाने के लिए सरल क्रॉपिंग का उपयोग किया था। भविष्य में, उन्हें लगता है कि एक अधिक उन्नत "कटिंग" टूल (सेगमेंटेशन) और उच्च गुणवत्ता वाली छवियों की एक बड़ी, स्वच्छ लाइब्रेरी इस रोबोट को और भी तेज बना सकती है। लेकिन फिलहाल के लिए, यह ओपन-सोर्स टूल डॉक्टरों को COVID-19 को तेजी से पहचानने में मदद करने का एक शक्तिशाली, पारदर्शी तरीका है, भले ही उनके पास शुरू करने के लिए बहुत कम डेटा क्यों न हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।