Challenges and proposed solutions in modeling multimodal medical data: A systematic review

कल्पना कीजिए कि आप एक विशाल, जटिल पहेली को सुलझाने की कोशिश कर रहे हैं, लेकिन केवल एक डिब्बे के टुकड़ों के बजाय, आपके पास कई डिब्बे हैं। एक डिब्बे में रंगीन चित्र हैं (जैसे मेडिकल स्कैन), दूसरे में संख्याओं की लंबी सूचियाँ हैं (जैसे जेनेटिक कोड), तीसरे में दैनिक डायरी प्रविष्टियाँ हैं (जैसे पेशेंट रिकॉर्ड), और चौथे में स्मार्टवॉच से प्राप्त डेटा है (जैसे हृदय गति)। चिकित्सा विज्ञान की दुनिया में, इसे मल्टीमॉडल डेटा (multimodal data) कहा जाता है। "मल्टी" का अर्थ है अनेक, और "मोडल" का अर्थ है सूचना के विभिन्न प्रकार या "मोड"। डॉक्टर हमेशा से जानते रहे हैं कि केवल एक प्रकार की जानकारी को देखना—जैसे केवल एक्स-रे या केवल रक्त परीक्षण—एक पूरी फिल्म को केवल एक फ्रेम देखकर समझने की कोशिश करने जैसा है। मरीज के स्वास्थ्य की पूरी कहानी समझने के लिए, आपको इन सभी अलग-अलग टुकड़ों को मिलाने की आवश्यकता होती है।

हालाँकि, इन अलग-अलग पहेली के डिब्बों को आपस में मिलाना अविश्वसनीय रूप से कठिन है। इनके टुकड़े स्वाभाविक रूप से एक साथ फिट नहीं होते; इनके आकार, माप और रंग अलग-अलग होते हैं। कुछ डिब्बे पूरी तरह से खाली हैं, कुछ में हजारों छोटे टुकड़े हैं जबकि अन्य में केवल कुछ ही हैं, और कभी-कभी टुकड़े इतने छोटे या धुंधले होते हैं कि यह समझना मुश्किल हो जाता है कि क्या हो रहा है। यह वह समस्या है जिसे आर्टिफिशियल इंटेलिजेंस (AI) के क्षेत्र में वैज्ञानिक हल करने की कोशिश कर रहे हैं। वे ऐसे कंप्यूटर प्रोग्राम बना रहे हैं जो इन विभिन्न पहेली के डिब्बों को जोड़ने में सक्षम होने के लिए सीख सकें ताकि डॉक्टरों को बेहतर निर्णय लेने में मदद मिल सके। लेकिन एक आदर्श रोबोट पहेली-समाधानकर्ता बनाने से पहले, उन्हें वास्तविक दुनिया की अव्यवस्था को संभालने का तरीका सीखना होगा।

यह शोध पत्र पिछले एक दशक में इस पहेली को सुलझाने की कोशिशों का एक विशाल "रिपोर्ट कार्ड" है। लेखक, जो जर्मनी के विश्वविद्यालयों के शोधकर्ताओं की एक टीम है, ने स्वयं कोई नया रोबोट नहीं बनाया। इसके बजाय, उन्होंने जासूसों की तरह काम किया, और 2011 से लेकर 2023 के अंत तक प्रकाशित 69 विभिन्न अध्ययनों की खोज की। उन्होंने यह जानने के लिए प्रत्येक अध्ययन को गहराई से पढ़ा कि जब वैज्ञानिक मेडिकल डेटा को मिलाने की कोशिश कर रहे थे तो उन्हें किन समस्याओं का सामना करना पड़ा और सबसे महत्वपूर्ण बात यह है कि उन समस्याओं को ठीक करने के लिए उन्होंने किन युक्तियों का उपयोग किया। वे जानना चाहते थे: इस क्षेत्र में सबसे बड़ी सिरदर्द क्या हैं, और क्या हम उन्हें हल करने में बेहतर हो रहे हैं?

पाँच बड़ी मुश्किलें

सैकड़ों शोध पत्रों को छाँटने के बाद, टीम ने पाया कि लगभग हर कोई एक ही पाँच लड़ाइयों में शामिल था।

1. गायब टुकड़ा समस्या (The Missing Piece Problem)
कल्पना कीजिए कि आप पहेली सुलझाने की कोशिश कर रहे हैं, लेकिन कुछ मरीजों के लिए, "एक्स-रे" वाला डिब्बा पूरी तरह खाली है। शायद मशीन खराब हो गई थी, मरीज परीक्षण का खर्च नहीं उठा सका, या वह अध्ययन से बाहर हो गया। वास्तविक दुनिया में, ऐसा अक्सर होता है। शोध पत्र में पाया गया कि 69 में से 15 अध्ययनों (लगभग 22%) को इस समस्या से जूझना पड़ा।

• समाधान: केवल अनुमान लगाने या उस स्थान को खाली छोड़ने के बजाय, स्मार्ट कंप्यूटर प्रोग्राम गायब टुकड़े की कल्पना करने या उसे "हैलुसिनेट" करने के बारे में सीख रहे हैं। वे जेनरेटिव एडवरसेरियल नेटवर्क (GANs) जैसी तकनीकों का उपयोग करते हैं, जो दो AI कलाकारों के बीच एक खेल की तरह है: एक असली दिखने वाला नकली एक्स-रे बनाने की कोशिश करता है, और दूसरा नकली को पहचानने की कोशिश करता है। इस अभ्यास के माध्यम से, AI गायब डेटा के लिए एक यथार्थवादी अनुमान बनाना सीख जाता है। अन्य विधियाँ नॉलेज डिस्टिलेशन (knowledge distillation) का उपयोग करती हैं, जहाँ एक "शिक्षक" AI जो एक प्रकार के डेटा के बारे में सब कुछ जानता है, एक "छात्र" AI को बाकी हिस्सों का अनुमान लगाना सिखाता है, भले ही उसने सभी टुकड़ों को न देखा हो।

2. छोटी भीड़ की समस्या (The Tiny Crowd Problem)
कभी-कभी, आपके पास एक पहेली होती है, लेकिन आपके पास इसे सुलझाने के लिए केवल कुछ ही लोग होते हैं। चिकित्सा अनुसंधान में, इसे छोटा डेटासेट (small dataset) कहा जाता। शोध पत्र में पाया गया कि यह सबसे आम चुनौती थी, जो 17 अध्यतों (25%) में दिखाई दी। यदि आप केवल पाँच उदाहरणों के साथ किसी दुर्लभ बीमारी को पहचानने के लिए कंप्यूटर को सिखाने की कोशिश करते हैं, तो वह संभवतः उन पाँच चित्रों को ही रट लेगा और एक नया चित्र देखते ही विफल हो जाएगा।

• समाधान: इससे बचने के लिए, शोधकर्ता ट्रांसफर लर्निंग (Transfer Learning) का उपयोग कर रहे हैं। यह एक ऐसे छात्र की तरह है जिसने पहले से ही सामान्य चित्रों (जैसे बिल्ली और कार) पर लाखों घंटे पढ़ाई की है और फिर उन्हें मेडिकल इमेजिंग का एक त्वरित क्रैश कोर्स दिया जाता है। वे डेटा ऑग्मेंटेशन (Data Augmentation) का भी उपयोग करते हैं, जहाँ कंप्यूटर अपने पास मौजूद कुछ चित्रों को कृत्रिम रूप से घुमाता है, पलटता है या उनकी चमक बढ़ाता है ताकि "नए" अभ्यास चित्र बनाए जा सकें, जिससे छोटी भीड़ एक बड़े स्टेडियम की तरह महसूस होने लगती है।

3. आकार का बेमेल होना (The Size Mismatch Problem)
कल्पना कीजिए कि आप रेत की एक बाल्टी को चावल के एक दाने के साथ मिलाने की कोशिश कर रहे हैं। रेत की बाल्टी इमेजिंग डेटा (जिसमें लाखों पिक्सेल हो सकते हैं) का प्रतिनिधित्व करती है, और चावल का दाना जीनोमिक डेटा (जिसमें केवल कुछ हजार संख्याएँ हो सकती हैं) का प्रतिनिधित्व करता है। यदि आप उन्हें बस एक साथ डाल देते हैं, तो कंप्यूटर रेत को अनदेखा कर देगा और केवल चावल पर ध्यान देगा। इसे डायमेंशनलिटी में असंतुलन (imbalance in dimensionality) कहा जाता है, और 7 अध्ययनों ने इसे संबोधित किया।

• समाधान: समाधान यह है कि रेत की बाल्टी को चावल के आकार तक सिकोड़ दिया जाए, या चावल को एक विशेष "भार" दिया जाए ताकि कंप्यूटर उस पर ध्यान दे। शोधकर्ता वेटेड लॉस फंक्शन्स (weighted loss functions) का उपयोग करते हैं, जो एक रेफरी की तरह चिल्लाने जैसा है, "हे, छोटे डेटा को अनदेखा मत करो! यह महत्वपूर्ण है!" यह कंप्यूटर को विशाल छवियों और छोटी जेनेटिक सूचियों दोनों को समान रूप से सुनने के लिए मजबूर करता है।

4. "ब्लैक बॉक्स" समस्या (The "Black Box" Problem)
भले ही कंप्यूटर पहेली को पूरी तरह से हल कर ले, लेकिन वह अक्सर यह समझाने से इनकार कर देता है कि उसने यह कैसे किया। चिकित्सा में, यह खतरनाक है। यदि कंप्यूटर कहता है, "इस मरीज को कैंसर है," लेकिन वह डॉक्टर को यह नहीं बता सकता कि क्यों, तो डॉक्टर उस पर भरोसा नहीं कर सकता। व्याख्यात्मकता (interpretability) की यह कमी 14 अध्ययनों में एक चुनौती थी।

• समाधान: वैज्ञानिक AI के लिए "फ्लैशलाइट" बना रहे हैं। वे Grad-CAM और SHAP जैसे उपकरणों का उपयोग करते हैं, जो ठीक उसी हिस्से को हाइलाइट करते हैं जिसे कंप्यूटर ने अपने निर्णय के लिए एक्स-रे के किसी भाग या विशिष्ट जीन को देखा था। यह कंप्यूटर द्वारा एक्स-रे पर संदिग्ध स्थान के चारों ओर घेरा बनाने और कहने जैसा है, "मैंने इसे देखा, इसलिए मैंने यह चुनाव किया।"

5. मिश्रण रणनीति की समस्या (The Mixing Strategy Problem)
अंत में, डेटा को मिलाने के तरीके का प्रश्न है। क्या आपको पहले कच्चे टुकड़ों को एक साथ मिलाना चाहिए (अर्ली फ्यूजन - Early Fusion), उन्हें आंशिक रूप से हल करने के बाद मिलाना चाहिए (इंटरमीडिएट फ्यूजन - Intermediate Fusion), या उन्हें अलग-अलग हल करके अंत में उत्तरों को जोड़ना चाहिए (लेट फ्यूजन - Late Fusion)? शोध पत्र में पाया गया कि 69 में से 39 अध्ययनों (आधे से अधिक) ने इंटरमीडिएट फ्यूजन का उपयोग किया।

• समाधान: यह दृष्टिकोण विशेषज्ञों की एक टीम रखने जैसा है। एक्स-रे विशेषज्ञ और रक्त परीक्षण विशेषज्ञ प्रत्येक अपने स्वयं के सुरागों का पहले अध्ययन करते हैं, फिर वे अंतिम निर्णय लेने से पहले नोट्स की तुलना करने के लिए बीच में मिलते हैं। यह शुरुआत में सब कुछ मिलाने या बिल्कुल अंत तक प्रतीक्षा करने की तुलना में बेहतर काम करता है।

शोध पत्र क्या कहता है (और क्या नहीं कहता)

लेखक पूर्ण विजय की घोषणा करने में सावधानी बरतते हैं। उन्होंने पाया कि हालांकि कई चतुर युक्तियाँ मौजूद हैं, लेकिन कोई भी एकल विधि "जादुई गोली" (magic bullet) नहीं है जो हर बीमारी या हर प्रकार के डेटा के लिए काम करे। सबसे अच्छा समाधान पूरी तरह से उस विशिष्ट पहेली पर निर्भर करता है जिसे आप हल करने की कोशिश कर रहे हैं।

उन्होंने कुछ विचारों को स्पष्ट रूप रूप से खारिज भी किया। उदाहरण के लिए, उन्होंने उल्लेख किया कि अंतरों के बारे में सोचे बिना सभी डेटा को बस एक साथ चिपका देना (जिसे "अर्ली फ्यूजन" कहा जाता है) अक्सर विफल हो जाता है, जब डेटा के प्रकार बहुत भिन्न हों, जैसे कि एक वीडियो को स्प्रेडशीट के साथ मिलाना। उन्होंने यह भी बताया कि कई अध्ययन पब्लिक डेटासेट्स (जैसे अल्जाइमर रोग न्यूरोइमेजिंग इनिशिएटिव, जिसका उपयोग 18 अध्ययनों में किया गया, या कैंसर जीनोम एटलस, जिसका उपयोग 8 अध्ययनों में किया गया) पर निर्भर करते हैं। हालांकि ये परीक्षण के लिए बेहतरीन हैं, शोध पत्र सुझाव देता है कि इन पर बहुत अधिक निर्भर रहने का मतलब यह हो सकता है कि हम अपने विचारों का परीक्षण वास्तविक अस्पतालों में पाए जाने वाले अस्त-व्यस्त, वास्तविक दुनिया के डेटा पर नहीं कर रहे हैं।

इसके अलावा, शोध पत्र एक चिंताजनक अंतर को उजागर करता: केवल 69 में से 19 अध्ययनों (27.5%) ने अपना डेटा और अपना कंप्यूटर कोड दोनों साझा किए। इसका मतलब है कि अधिकांश चतुर समाधानों के लिए, अन्य वैज्ञानिक आसानी से काम की जांच नहीं कर सकते या उस पर आगे निर्माण नहीं कर सकते। लेखक सुझाव देते हैं कि इस क्षेत्र को अधिक खुला होना चाहिए, जैसे कि केवल अंतिम केक के बजाय रेसिपी साझा करना।

निष्कर्ष

यह समीक्षा बताती है कि हम प्रगति कर रहे हैं, लेकिन रास्ता अभी भी ऊबड़-खाबड़ है। सबसे आम समस्याएँ गायब डेटा और सीखने के लिए पर्याप्त उदाहरणों का न होना हैं। वर्तमान में सबसे आशाजनक उपकरण कंप्यूटर को गायब टुकड़ों का अनुमान लगाने, अन्य कार्यों से ज्ञान उधार लेने और यह देखने के लिए कि वे कैसे सोचते हैं, "फ्लैशलाइट" का उपयोग करने के बारे में सिखाना है।

शोध पत्र निष्कर्ष निकालता है कि भविष्य एक आदर्श एल्गोरिदम खोजने के बारे में नहीं है। इसके बजाय, यह लचीली प्रणालियाँ बनाने के बारे में है जो गायब टुकड़ों को संभाल सकें, छोटी भीड़ के साथ काम कर सकें और अपने तर्क को समझा सकें। जैसा कि लेखकों ने कहा, लक्ष्य केवल "मॉडल बनाने" से हटकर ऐसे मॉडल बनाना है जो मजबूत, विश्वसनीय और वास्तविक अस्पतालों में वास्तविक डॉक्टरों की मदद करने के लिए तैयार हों। तब तक, पहेली अभी भी एक निर्माणाधीन कार्य है, लेकिन हम निश्चित रूप से टुकड़ों को खोजने में बेहतर हो रहे हैं।