Expert-level vision-language foundation model for real-world radiology and comprehensive evaluation

आधुनिक अस्पताल में, रेडियोलॉजिस्ट का कार्यालय गहन एकाग्रता का स्थान है, जहाँ मानव आँख बीमारी के अदृश्य संकेतों को खोजने के लिए हजारों छवियों को स्कैन करती है। ये छवियाँ, छाती के सपाट एक्स-रे से लेकर थायराइड के त्रि-आयामी स्लाइस तक, केवल तस्वीरें नहीं हैं; वे जटिल डेटा सेट हैं जिन्हें सही ढंग से व्याख्या करने के लिए शरीर रचना विज्ञान (एनाटॉमी) और पैथोलॉजी की गहरी समझ की आवश्यकता होती है। दशकों से, कंप्यूटर को इन छवियों में विशिष्ट पैटर्न पहचानने के लिए प्रशिक्षित किया गया है, जो विशेष उपकरणों के रूप में कार्य करते हैं जो टूटी हुई हड्डी या फेफड़े के नोड्यूल की पहचान कर सकते हैं। हालाँकि, ये उपकरण पारंपरिक रूप से एकल कार्यों तक सीमित रहे हैं, जो एक डॉक्टर के साथ संवाद करने या अपनी तर्क प्रक्रिया को प्राकृतिक भाषा में समझाने में असमर्थ थे। हाल ही में, कृत्रिम बुद्धिमत्ता की एक नई पीढ़ी उभरी है जो देखने की क्षमता को भाषा को समझने और उत्पन्न करने की क्षमता के साथ जोड़ती है। विजन-लैंग्वेज मॉडल के रूप में जानी जाने वाली ये प्रणालियाँ, मेडिकल इमेजिंग की दृश्य दुनिया और क्लिनिकल रिपोर्ट की भाषाई दुनिया के बीच के अंतर को पाटने का लक्ष्य रखती हैं, जो एक ऐसे सहायक का वादा करती हैं जो न केवल वह देख सकता है जो एक डॉक्टर देखता है, बल्कि एक मानव विशेषज्ञ की सूक्ष्मता के साथ उसका वर्णन भी कर सकता है।

शोधकर्ताओं की एक टीम ने अब 'रैडफाउंड' (RadFound) नामक एक नई प्रणाली पेश की है, जिसे विशेष रूप से रेडियोलॉजी की जटिल भाषा में महारत हासिल करने के लिए डिज़ाइन किया गया है। सामान्य ज्ञान या मौजूदा उपकरणों के सरल अनुकूलन पर निर्भर रहने वाले पिछले प्रयासों के विपरीत, यह नया मॉडल BLIP-2 आर्किटेक्चर पर आधारित है, लेकिन इसे विशाल चिकित्सा डेटा के संग्रह का उपयोग करके परिष्कृत किया गया है। शोधकर्ताओं ने 8.1 मिलियन से अधिक मेडिकल इमेज और 250,000 इमेज-टेक्स्ट जोड़ों को एकत्र किया। यह डेटासेट 19 प्रमुख अंग प्रणालियों और 10 इमेजिंग मोडैलिटीज को कवर करता है, जिससे यह सुनिश्चित होता है कि मॉडल एक संकीर्ण चयन के बजाय वास्तविक दुनिया के विविध मामलों से सीखता है। सिस्टम को एक विशेषज्ञ की तरह देखना सिखाने के लिए, टीम ने एक अनूठी प्रशिक्षण पद्धति विकसित की जो मॉडल को एक छवि को देखने, उसके कुछ हिस्सों को छिपाने और फिर लुप्त विवरणों को पुनर्गठित करने के साथ-साथ अन्य संबंधित छवियों के साथ उसकी तुलना करने के लिए मजबूर करती है। यह प्रक्रिया कंप्यूटर को न केवल एक एकल स्कैन के सूक्ष्म विवरणों को, बल्कि विभिन्न छवियों के एक-दूसरे से संबंध के व्यापक संदर्भ को भी सीखने में मदद करती है, जो एक रेडियोलॉजिस्ट द्वारा वर्तमान स्कैन की तुलना रोगी के पुराने रिकॉर्ड से करने के तरीके की नकल करती है।

इस प्रणाली ने इन दृश्य अंतर्दृष्टि को भाषा के साथ जोड़ने के लिए एक विशेष संरेखण (अलाइनमेंट) प्रक्रिया भी सीखी। केवल शब्दों को चित्रों से मिलाने के बजाय, मॉडल को उस डेटा पर प्रशिक्षित किया गया था जहाँ चित्र और पाठ एक विशिष्ट क्रम में बुने गए थे, जिससे इसने एक मेडिकल रिपोर्ट के प्रवाह को समझना सीखा। इसने उन निर्देशों को संभालने के लिए सीखा जिनमें एक साथ कई छवियों को देखने की आवश्यकता हो सकती है, जैसे कि दो अलग-अलग कोणों से मैमोग्राम की तुलना करना या थायराइड के थ्री-डी सीटी स्कैन का विश्लेषण करना। यह क्षमता मॉडल को जटिल क्लिनिकल प्रश्नों को संसाधित करने की अनुमति देती है, जैसे कि वर्तमान स्कैन और पिछले स्कैन के बीच तुलना के लिए पूछना, या विभिन्न शरीर के अंगों में निष्कर्षों का विस्तृत विवरण मांगना। शोधकर्ताओं ने इस प्रणाली का परीक्षण चुनौतियों के एक नए सेट पर किया, जिसमें मेडिकल छवियों के बारे में उत्तर देना, संक्षिप्त कैप्शन लिखना और चेस्ट एक्स-रे, मैमोग्राम और थायराइड स्कैन के लिए पूर्ण नैदानिक रिपोर्ट तैयार करना शामिल था।

इन परीक्षणों के परिणामों ने दिखाया कि नया मॉडल उन मौजूदा प्रणालियों से काफी बेहतर प्रदर्शन करता है जो विशेष रूप से रेडियोलॉजी के लिए डिज़ाइन नहीं की गई थीं। मेडिकल इमेज के बारे में प्रश्न पूछे जाने पर, मॉडल ने अपने प्रतिस्पर्धियों की तुलना में बहुत अधिक बार सही उत्तर दिए, भले ही प्रश्न जटिल हों या उनमें कई दृश्यों की तुलना करने की आवश्यकता हो। उन कार्यों में जहाँ मॉडल को टेक्स्ट जेनरेट करना था, इसने ऐसी रिपोर्टें तैयार कीं जो न केवल व्याकरणिक रूप से सही थीं बल्कि क्लिनिकली भी सटीक थीं। शोधकर्ताओं ने इस सफलता को मानक कंप्यूटर मेट्रिक्स का उपयोग करके मापा, लेकिन वे एक कदम आगे बढ़कर मानव डॉक्टरों से रिपोर्टों का मूल्यांकन भी करवाया। इन मूल्यांकनों में, मॉडल के आउटपुट को पठनीयता, मेडिकल रीजनिंग और महत्वपूर्ण असामान्यताओं को पकड़ने की क्षमता के आधार पर रेट किया गया। निष्कर्षों से पता चला कि मॉडल का प्रदर्शन दस वर्षों से अधिक के अनुभव वाले वरिष्ठ रेडियोलॉजिस्ट के स्तर के बराबर था, और कुछ मामलों में, इसने जूनियर रेडियोलॉजिस्टों को भी पीछे छोड़ दिया। यह सुझाव देता है कि सिस्टम विशेषज्ञता के उस स्तर तक पहुँच गया है जहाँ यह क्लिनिकल वर्कफ़्लो में एक विश्वसनीय भागीदार के रूप में कार्य कर सकता है, जो आधुनिक रेडियोलॉजी के विविध और कठिन कार्यों को संभालने में सक्षम है।

इन प्रभावशाली परिणामों के बावजूद, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह कार्य एक अंतिम समाधान के बजाय एक महत्वपूर्ण प्रगति है। वे स्वीकार करते हैं कि हालांकि मॉडल नियंत्रित परीक्षणों में अच्छा प्रदर्शन करता है, लेकिन दैनिक अस्पताल अभ्यास में ऐसी तकनीक का वास्तविक दुनिया में एकीकरण और अधिक जांच की मांग करता है। वर्तमान मूल्यांकन काफी हद तक मानव विशेषज्ञों पर निर्भर था जिन्होंने रिपोर्टों की गुणवत्ता का निर्णय लगाया, जो एक सटीक लेकिन समय लेने वाली और कठिन प्रक्रिया है। टीम का सुझाव है कि भविष्य के कार्यों को मानव स्कोरिंग पर पूरी तरह से निर्भर रहने के बजाय इन रिपोर्टों के क्लिनिकल मूल्य को स्वचालित रूप से मापने के बेहतर तरीके विकसित करने पर ध्यान केंद्रित करना चाहिए। इसके अलावा, एक व्यस्त अस्पताल के वातावरण में मानव डॉक्टरों के साथ इस प्रणाली के उपयोग का वास्तविक प्रभाव अभी देखा जाना बाकी है। फिर भी, रैडफाउंड का विकास यह दर्शाता है कि चिकित्सा इमेजिंग की अनूठी जटिलता को समझने वाली कृत्रिम बुद्धिमत्ता बनाना संभव है, जो एक शक्तिशाली नया उपकरण प्रदान करता है जो एक दिन डॉक्टरों को रोगियों को तेज़ और अधिक सटीक देखभाल प्रदान करने में मदद कर सकता है।