IgCONDA-PET: Weakly-Supervised PET Anomaly Detection using Implicitly-Guided Attention-Conditional Counterfactual Diffusion Modeling -- a Multi-Center, Multi-Cancer, and Multi-Tracer Study

कैंसर के खिलाफ लड़ाई में, डॉक्टर शरीर के भीतर बीमारी कहाँ छिपी है, यह देखने के लिए पॉज़िट्रॉन एमिशन टोमोग्राफी, या PET नामक एक विशेष प्रकार के स्कैन पर बहुत अधिक भरोसा करते हैं। ये चित्र एक मेटाबॉलिक मैप की तरह कार्य करते हैं, जो उन क्षेत्रों को रोशन करते हैं जहाँ कोशिकाएं असामान्य रूप से उच्च दर पर ऊर्जा का उपभोग कर रही हैं, जो कि ट्यूमर का एक सामान्य संकेत है। हालाँकि, इन चमकते धब्बों को एक सटीक उपचार योजना में बदलने के लिए एक मानव विशेषज्ञ की आवश्यकता होती है जो हर घाव (लेजन) की रूपरेखा को पिक्सेल-दर-पिक्सेल सावधानी से ट्रेस कर सके। यह प्रक्रिया धीमी, महंगी और मानवीय त्रुटियों के प्रति संवेदनशील है, क्योंकि अलग-अलग डॉक्टर एक ही छवि पर थोड़े अलग सीमांकन बना सकते हैं। इसे तेज करने के लिए, वैज्ञानिकों ने लंबे समय से कंप्यूटर को इस ट्रेसिंग को स्वचालित रूप से करने के लिए प्रशिक्षित करने का प्रयास किया है। चुनौती यह रही है कि कंप्यूटर को सिखाने के लिए आमतौर पर हजारों ऐसे उदाहरणों की आवश्यकता होती है जहाँ किसी इंसान ने पहले से ही एक आदर्श रूपरेखा खींची हो, जो कि एक अत्यंत दुर्लभ और कठिन संसाधन है।

हालिया शोध में वर्णित एक नया दृष्टिकोण इस बात को बदलकर एक रास्ता प्रदान करता है कि कंप्यूटर कैसे सीखता है। प्रत्येक मामले के लिए पूर्ण रूपरेखा की आवश्यकता होने के बजाय, यह विधि केवल डॉक्टर से यह चिह्नित करने के लिए कहती है कि स्कैन के कौन से स्लाइस (परत) में कोई समस्या है। इसके बाद कंप्यूटर एक शक्तिशाली प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है, जिसे डिफ्यूजन मॉडल कहा जाता है, ताकि वह कल्पना कर सके कि वही स्लाइस कैसा दिखता यदि रोगी पूरी तरह से स्वस्थ होता। वास्तविक, बीमार छवि की तुलना उस कल्पित स्वस्थ संस्करण से करके, सिस्टम ठीक उसी जगह को उजागर करता है जहाँ अंतर मौजूद है, प्रभावी रूप से डॉक्टर के लिए घाव की रूपरेखा खींच देता है। इस तकनीक का परीक्षण कई अस्पतालों के हजारों स्कैन पर किया गया और इसमें विभिन्न प्रकार के कैंसर शामिल थे, जो यह दर्शाता है कि कंप्यूटर केवल सरल लेबल का उपयोग करके इन विसंगतियों को उच्च सटीकता के साथ खोजने में सक्षम है, जो भविष्य में चिकित्सा इमेजिंग के विश्लेषण को बदलने की क्षमता रखता है।

इन शोधकर्ताओं ने, जिनका नेतृत्व शादाब अहामेड और अरमान रहीमी कर रहे हैं, एक प्रणाली विकसित की है जिसे वे IgCONDA-PET कहते हैं। उन्होंने इसका परीक्षण छह अलग-अलग रोगी समूहों से एकत्र किए गए 2,652 PET स्कैन के विशाल संग्रह पर किया। ये मामले सार्वजनिक चुनौतियों और निजी अस्पताल के रिकॉर्ड सहित विविध स्रोतों से आए थे, जिनमें लिम्फ नोड्स, फेफड़ों, प्रोस्टेट और कोमल ऊतकों (सॉफ्ट टिश्यू) के कैंसर शामिल थे। स्कैन में विभिन्न प्रकार के रेडियोधर्मी ट्रेसर का उपयोग किया गया था और वे कनाडा, संयुक्त राज्य अमेरिका, जर्मनी, फ्रांस, स्विट्जरलैंड और दक्षिण कोरिया की मशीनों से आए थे। यह विविधता महत्वपूर्ण थी क्योंकि इसका अर्थ था कि सिस्टम को केवल एक एकल अस्पताल के उपकरणों की विशिष्टताओं को याद करने के बजाय, विभिन्न मशीनों और रोगी आबादी के बीच रोग के पैटर्न को पहचानना सीखना था।

उनके तरीके का मूल एक चतुर तकनीक में निहित है जिसे 'काउंटरफैक्चुअल जनरेशन' कहा जाता है। वास्तविक दुनिया में, आप एक बीमार रोगी को स्वस्थ बनाकर यह नहीं देख सकते कि अंतर क्या है। लेकिन डिजिटल क्षेत्र में, शोधकर्ताओं ने अपने AI को बिल्कुल यही करने के लिए प्रशिक्षित किया। उन्होंने कंप्यूटर को रोगियों की छवियां दीं, लेकिन उससे ट्यूमर खींचने के लिए कहने के बजाय, उन्होंने उससे यह पूछा कि क्या वह उसी छवि का एक सिंथेटिक संस्करण बना सकता है जैसे कि रोगी में कोई बीमारी ही न हो। AI ने हजारों छवियों का अध्ययन करके यह करना सीखा, जिसमें उसने स्वस्थ अंगों के सामान्य आकार और बनावट को समझा। जब उसका सामना एक बीमार छवि से हुआ, तो उसने स्वास्थ्य के अपने ज्ञान का उपयोग करके बीमारी को "मिटा" दिया, जिससे एक स्वच्छ, स्वस्थ समकक्ष तैयार हुआ। सिस्टम ने इस स्वस्थ संस्करण को मूल बीमार छवि से घटा दिया। परिणाम एक हीट मैप था जहाँ चमकीले धब्बे विसंगति के सटीक स्थान और आकार को दर्शाते थे, क्योंकि वे ही एकमात्र हिस्से थे जो दोनों छवियों के बीच बदले थे।

इस प्रक्रिया को विस्तृत पिक्सेल-दर-पिक्सेल निर्देशों की आवश्यकता के बिना प्रभावी ढंग से चलाने के लिए, टीम ने 'वीक सुपरविजन' (कमजोर पर्यवेक्षण) नामक तकनीक का उपयोग किया। इसमें डॉक्टर से हर ट्यूमर के किनारे को ट्रेस करने की आवश्यकता नहीं थी, बल्कि उन्हें केवल स्कैन के पूरे स्लाइस को "स्वस्थ" या "अस्वस्थ" के रूप में चिह्नित करने की आवश्यकता थी। यह एक बहुत ही सरल कार्य है जिसमें घंटों के बजाय कुछ सेकंड लगते हैं। कंप्यूटर ने इन सरल लेबलों का उपयोग अपने सीखने के मार्गदर्शन के लिए किया। उनके डिज़ाइन में एक प्रमुख नवाचार 'अटेंशन मैकेनिज्म' (ध्यान तंत्र) का उपयोग था, जो कंप्यूटर के लिए एक स्पॉटलाइट की तरह कार्य करता है, जिससे उसे अप्रासंगिक बैकग्राउंड शोर को अनदेखा करते हुए छवि के सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करने में मदद मिलती है। उन्होंने इस प्रणाली के विभिन्न संस्करणों का परीक्षण किया, और पाया कि सबसे सफल संस्करण वह था जिसने इन अटेंशन टूल्स का उपयोग नेटवर्क की गहरी परतों में किया, जिससे इसे शरीर की शारीरिक संरचना (एनाटॉमी) के व्यापक संदर्भ को समझने में मदद मिली, न कि केवल छोटे, अलग-थलग पिक्सेल को देखने में।

इस अध्ययन के परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने अपनी नई प्रणाली की तुलना अन्य मौजूदा विधियों से की, जिनमें पारंपरिक थ्रेशोल्डिंग तकनीकें (जो केवल चमकीले धब्बों को देखती हैं) और पुराने आर्टिफिशियल इंटेलिजेंस मॉडल शामिल थे, तो उनका दृष्टिकोण लगातार बेहतर प्रदर्शन करता रहा। यह विशेष रूप से छोटे घावों को खोजने में बहुत अच्छा था जिन्हें अन्य विधियाँ अक्सर छोड़ देती हैं, या शरीर के सामान्य, उच्च-ऊर्जा वाले क्षेत्रों जैसे कि मूत्राशय या गुर्दे से वास्तविक ट्यूमर को अलग करने में भी उत्कृष्ट था। सभी विभिन्न डेटासेट्स में परीक्षणों के दौरान, नई पद्धति ने ट्यूमर के आकार को पहचानने में उच्च सटीकता प्राप्त की और उनकी सटीक सीमाओं को निर्धारित करने में बेहतर प्रदर्शन किया। सिस्टम मजबूत भी साबित हुआ, जिसने उन अस्पतालों के डेटा पर परीक्षण किए जाने के बावजूद अपना उच्च प्रदर्शन बनाए रखा जिन्हें उसने पहले कभी नहीं देखा था, जो यह सुझाव देता है कि यह वास्तविक नैदानिक सेटिंग्स में विश्वसनीय रूप से काम कर सकता है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि सिस्टम ने एक बीमार छवि का स्वस्थ संस्करण बनाने के कठिन कार्य को कितनी अच्छी तरह से संभाला। समान तकनीक के पिछले प्रयास अक्सर संघर्ष करते थे, जिससे ऐसी छवियां बनती थीं जो विकृत दिखती थीं या जो सामान्य शारीरिक संरचना को बनाए रखने में विफल रहती थीं, जिससे यह बताना कठिन हो जाता था कि बीमारी वास्तव में कहाँ थी। हालाँकि, नए तरीके ने स्वच्छ, यथार्थवादी स्वस्थ छवियां बनाईं जिन्होंने रोगी की अनूठी शारीरिक विशेषताओं को बरकरार रखते हुए केवल बीमारी को हटा दिया। यह निष्ठा (fidelity) महत्वपूर्ण है क्योंकि यदि कंप्यूटर शरीर के स्वस्थ हिस्सों को बहुत अधिक बदल देता है, तो तुलना का परिणाम बेकार हो जाता है। 'इम्प्लिसिट गाइडेंस' नामक विधि का उपयोग करके, जिसने कंप्यूटर को एक अलग, त्रुटिपूर्ण क्लासिफायर के बिना स्वयं को निर्देशित करने की अनुमति दी, शोधकर्ताओं ने यह सुनिश्चित किया कि उत्पन्न छवियां मूल शारीरिक संरचना के प्रति वफादार बनी रहें।

अध्ययन ने यह भी प्रकट किया कि बीमारी का पता लगाने की सिस्टम की क्षमता घावों के आकार और तीव्रता पर निर्भर करती है। जैसा कि अपेक्षित था, कंप्यूटर ने बड़े, चमकीले ट्यूमर को बड़ी आसानी से खोज लिया। यह छोटे, धुंधले विसंगतियों को खोजने में भी आश्चर्यजनक रूप से प्रभावी था, एक ऐसा कार्य जहाँ कई अन्य प्रणालियाँ विफल हो जाती हैं। हालाँकि, शोधकर्ताओं ने नोट किया कि बहुत छोटे घाव, जो कुछ मिलीमीटर से भी छोटे थे, चुनौतीपूर्ण बने रहे, क्योंकि गणनाओं को तेज़ करने के लिए छवियों के आकार को थोड़ा कम कर दिया गया था। इस सीमा के बावजूद, छोटे घावों पर सिस्टम का प्रदर्शन पिछले तरीकों की तुलना में काफी बेहतर था, विशेष रूप से जब अटेंशन मैकेनिज्म सक्रिय थे। यह सुझाव देता है कि सिस्टम सूक्ष्म पैटर्न को देखने में सक्षम है जिन्हें मानवीय आँखें या सरल एल्गोरिदम अनदेखा कर सकते हैं।

अंततः, यह शोध चिकित्सा इमेजिंग AI के विकास के तरीके में एक शक्तिशाली बदलाव को प्रदर्शित करता है। थकाऊ, पिक्सेल-परफेक्ट एनोटेशन की आवश्यकता से हटकर एक ऐसी प्रणाली की ओर बढ़कर, जो सरल, मोटे लेबल से सीखती है, शोधकर्ताओं ने दिखाया है कि अत्यधिक सटीक कैंसर का पता लगाने वाले उपकरण बनाना संभव है। एक स्वस्थ काउंटरफैक्टुअल उत्पन्न करने और उसकी वास्तविक छवि से तुलना करने की क्षमता, बीमारी की पहचान करने का एक स्पष्ट, दृश्य तरीका प्रदान करती है जो सटीक और व्याख्या योग्य है। हालांकि यह तकनीक अभी डॉक्टरों का विकल्प नहीं है, लेकिन यह उन्हें सहायता प्रदान करने के लिए एक आशाजनक उपकरण है, जो स्कैन का विश्लेषण करने में लगने वाले समय और प्रयास को कम कर सकती है और यह सुनिश्चित करने में मदद कर सकती है कि कोई भी ट्यूमर अनसुना न रह जाए। इस प्रणाली का कोड सार्वजनिक कर दिया गया है, जो अन्य वैज्ञानिकों को इस आधार पर निर्माण करने और कैंसर का पता लगाने के तरीके को और अधिक परिष्कृत करने के लिए आमंत्रित करता है।