Eyes on the Image: Gaze Supervised Multimodal Learning for Chest X-ray Diagnosis and Report Generation
यह शोध पत्र एक दो-चरणीय बहुविध ढांचे (multimodal framework) को प्रस्तुत करता है जो रेडियोलॉजिस्ट के दृष्टि डेटा (gaze data) का लाभ उठाकर चेस्ट एक्स-रे रिपोर्ट की नैदानिक सटीकता और स्थानिक व्याख्यात्मकता (spatial interpretability) दोनों में महत्वपूर्ण सुधार करता है, जिससे मॉडल के ध्यान (attention) को नैदानिक स्थिरीकरण (clinical fixations) के साथ संरेखित किया जाता है और क्षेत्र-विशिष्ट निष्कर्ष उत्पन्न किए जाते हैं।
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
रेडियोलॉजी विभाग के शांत, कम रोशनी वाले कमरों में, एक डॉक्टर मानव छाती की श्वेत-श्याम छवि का अध्ययन करता है। यह एक चेस्ट एक्स-रे है, एक सपाट तस्वीर जो हड्डियों, हवा और तरल पदार्थ की त्रि-आयामी दुनिया को छिपा लेती है। बीमारी खोजने के लिए, डॉक्टर छवि को बेतरतीब ढंग से नहीं देखता; उनकी आँखें एक विशिष्ट, अभ practiced पैटर्न में चलती हैं, कुछ खास स्थानों पर रुकती हैं जहाँ एक छाया टूटी हुई पसली या तरल पदार्थ के पैच को छिपा सकती है। यह दृश्य खोज (visual search) एक प्रकार की मूक तर्कशक्ति है, मानव शरीर के बारे में ज्ञात ज्ञान के साथ देखी गई चीज़ों को जोड़ने का एक तरीका है। दशकों से, कंप्यूटर इस कौशल को सीखने की कोशिश कर रहे हैं, बीमारियों का पता लगाने के लिए एक्स-रे के पिक्सेल का विश्लेषण कर रहे हैं। हालाँकि, जबकि मशीनें यह पहचानने में कुशल हो गई हैं कि कोई बीमारी मौजूद है, वे अक्सर यह समझने में संघर्ष करती हैं कि वास्तव में कहाँ देखना है, और वे अक्सर अपने निष्कर्षों को उस स्पष्ट, स्थानिक भाषा में समझाने में विफल रहती हैं जिसका उपयोग डॉक्टर करते हैं। वे कह सकते हैं कि रोगी को निमोनिया है, लेकिन वे फेफड़े के उस विशिष्ट क्षेत्र की ओर इशारा नहीं कर सकते जो बीमार है, न ही वे इसे उसी सटीकता के साथ वर्णित कर सकते हैं जैसा कि एक मानव विशेषज्ञ करता है।
ढाका, बांग्लादेश के ब्रैक यूनिवर्सिटी (BRAC University) के शोधकर्ताओं का एक नया अध्ययन इस अंतर को पाटने का प्रयास करता है, जिसमें कंप्यूटर को यह सिखाया जाता है कि मानव आँखें कैसे चलती हैं। टीम ने एक ऐसी प्रणाली बनाई जो न केवल एक्स-रे छवि को देखती है, बल्कि उन्हीं छवियों को पढ़ते समय रेडियोलॉजिस्ट की रिकॉर्ड की गई आँखों की गतिविधियों का भी अध्ययन करती है। छाती की तस्वीर, डॉक्टर की रिपोर्ट के पाठ, और उस स्थान का मानचित्र जहाँ डॉक्टर की आँखें रुकीं और केंद्रित हुईं, को जोड़कर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो छाती को उसी तरह देखना सीखता है जैसे एक इंसान देखता है। अपने आधे डेटा के लिए, सिस्टम शारीरिक क्षेत्र (anatomical region) की रूपरेखाओं को भी शामिल करता है; दूसरे आधे हिस्से के लिए, जहाँ मूल रिकॉर्ड से ये रूपरेखाएँ गायब थीं, सिस्टम एक विशेष डिटेक्शन मॉडल का उपयोग करके उन्हें कम्प्यूटेशनल रूप से उत्पन्न करता है। परिणाम स्वरूप एक कंप्यूटर प्रणाली प्राप्त होती है जो न केवल उच्च सटीकता के साथ बीमारियों का निदान करती है, बल्कि ऐसी मेडिकल रिपोर्ट भी तैयार करती है जो फेफड़े के उन विशिष्ट हिस्सों पर आधारित होती है जहाँ समस्या पाई गई थी, जो एक मानव विशेषज्ञ के सावधानीपूर्ण, चरण-दर-चरण ध्यान की नकल करती है।
शोधकर्ताओं ने चेस्ट एक्स-रे के एक विशाल संग्रह के साथ शुरुआत की, लेकिन उन्हें केवल तस्वीरों से अधिक की आवश्यकता थी। उन्होंने एक ऐसा डेटासेट एकत्र किया जिसमें रेडियोलॉजिस्ट का वास्तविक आई-ट्रैकिंग डेटा शामिल था, जो यह रिकॉर्ड करता है कि डॉक्टर ने ठीक कहाँ देखा, कितनी देर तक देखा, और उस क्षण में उनकी पुतली (pupil) का आकार क्या था। उन्होंने डॉक्टरों द्वारा तैयार की गई लिखित रिपोर्टों को भी शामिल किया। छाती के क्षेत्रों के लिए, उन्होंने उपलब्ध होने पर मौजूदा रूपरेखाओं का उपयोग किया, लेकिन उन अध्ययनों के लिए जहाँ ये अनुपस्थित थे, उन्होंने आवश्यक सीमाओं का अनुमान लगाने के लिए एक हल्का (lightweight) डिटेक्शन मॉडल प्रशिक्षित किया। चुनौती यह थी कि कंप्यूटर को इन चार अलग-अलग सूचना धाराओं—छवि, पाठ, रूपरेखा (चाहे मूल हो या अनुमानित), और आँखों की हलचल—को एक एकल समझ में मिलाने के लिए कैसे सिखाया जाए। टीम ने इसे प्राप्त करने के लिए एक दो-चरणीय प्रक्रिया डिजाइन की। पहले चरण में, कंप्यूटर रोगी का निदान करना सीखता है। यह एक्स-रे और आई-ट्रैकिंग मैप को एक साथ देखता है। केवल अनुमान लगाने के बजाय, मॉडल को उसी स्थान पर ध्यान केंद्रित करने के लिए प्रशिक्षित किया जाता है जहाँ मानव डॉक्टर की आँखें रुकी थीं। यदि डॉक्टर की दृष्टि निचले दाहिने फेफड़े पर अधिक केंद्रित थी, तो कंप्यूटर यह तय करने के लिए कि क्या वहां तरल पदार्थ या संक्रमण है, उस क्षेत्र को अधिक महत्व देना सीखता है। यह प्रशिक्षण एक मार्गदर्शक के रूप में कार्य करता है, जो कंप्यूटर के ध्यान को चिकित्सकीय रूप से महत्वपूर्ण क्षेत्रों की ओर मोड़ता है और अप्रासंगिक शोर से दूर रखता है।
इस प्रशिक्षण के परिणाम मापने योग्य और महत्वपूर्ण थे। जब कंप्यूटर को मानव दृष्टि का अनुसरण करने के लिए सिखाया गया, तो विभिन्न बीमारियों की पहचान करने की इसकी क्षमता में उल्लेखनीय सुधार हुआ। विभिन्न स्थितियों का पता लगाने में सिस्टम की सटीकता स्पष्ट अंतर से बढ़ गई, और मानव डॉक्टर के फोकस के साथ तालमेल बिठाने की इसकी क्षमता बहुत मजबूत हो गई। विशेष रूप से, जहाँ कंप्यूटर ने देखा और जहाँ मानव ने देखा, उनके बीच का संरेखण (alignment) एक ऐसे स्तर तक सुधरा जो वास्तविक दृश्य कार्य की समझ का सुझाव देता है, न कि केवल एक भाग्यशाली अनुमान का। कंप्यूटर ने ऐसे 'अटेंशन मैप्स' बनाना शुरू कर दिया जो मानव नेत्र गति के हीट मैप्स के समान थे, जो उन्हीं गहरे पैच और संरचनात्मक विसंगतियों को उजागर करते थे जिन्हें एक डॉक्टर चिह्नित करेगा। इससे सिद्ध हुआ कि आई-ट्रैकिंग डेटा केवल अतिरिक्त जानकारी नहीं था, बल्कि बेहतर नैदानिक प्रदर्शन को अनलॉक करने की एक महत्वपूर्ण कुंजी था।
एक बार जब कंप्यूटर ने इस नए, दृष्टि-जागरूक फोकस के साथ रोगी का निदान करना सीख लिया, तो शोधकर्ताओं ने दूसरे चरण की ओर कदम बढ़ाया: रिपोर्ट लिखना। अतीत में, कंप्यूटर-जनित रिपोर्ट अक्सर रोबोटिक या अस्पष्ट लगती थीं, जो बिना यह बताए कि वे कहाँ स्थित हैं, बीमारियों को सूचीबद्ध करती थीं। नई प्रणाली ने इन विशिष्ट क्षेत्रों का उपयोग करके इसे बदल दिया जिन्हें कंप्यूटर ने पहचाना था। इसने अपने निदान के आत्मविश्वास को लिया और उसे छाती के सत्रह विशिष्ट शारीरिक क्षेत्रों (जैसे ऊपरी बायां फेफड़ा या हृदय के आसपास का क्षेत्र) में मैप किया। फिर, इसने एक शक्तिशाली भाषा उपकरण का उपयोग करके इन निष्कर्षों को ऐसे वाक्यों में बदला जो एक वास्तविक डॉक्टर की रिपोर्ट की तरह लगें। केवल "निमोनिया मौजूद है" कहने के बजाय, सिस्टम "दाहिने निचले फेफड़े के क्षेत्र में ओपेसिटी (opacity) है" जैसा वाक्य उत्पन्न कर सकता था, जो बीमारी को सीधे उस विशिष्ट स्थान से जोड़ता है जिसका उसने अभी विश्लेषण किया था।
जनित रिपोर्टों की गुणवत्ता का परीक्षण मानवीय मानकों के विरुद्ध किया गया, और सिस्टम ने अच्छा प्रदर्शन किया। इसकी रिपोर्ट केवल व्याकरण की दृष्टि से सही ही नहीं थी; वे अर्थपूर्ण रूप से सटीक (semantically accurate) भी थीं, जिसका अर्थ है कि उपयोग किए गए शब्द छवि की चिकित्सा वास्तविकता से मेल खाते थे। सिस्टम ने 'ग्राउंड ट्रुथ' के साथ उच्च स्तर का सामंजस्य प्राप्त किया कि एक मानव रेडियोलॉजिस्ट क्या लिखता, विशेष रूप से इस मामले में कि वह निष्कर्षों का वर्णन कैसे करता है। हालांकि सबसे जटिल विवरणों में अभी भी कुछ मामूली अंतराल थे, समग्र आउटपुट चिकित्सा जगत में मशीन-जनित टेक्स्ट को विश्वसनीय और उपयोगी बनाने की दिशा में एक महत्वपूर्ण कदम था। शोधकर्ताओं ने पाया कि दृश्य साक्ष्यों और विशेषज्ञों की आँखों की हलचल को भाषा में आधार प्रदान करके, कंप्यूटर वास्तविक तथ्यों को बनाने या ऐसी चीजों का वर्णन करने से बच सकता है जो वास्तव में वहां नहीं हैं।
यह कार्य यह प्रदर्शित करता है कि जिस तरह से एक मनुष्य किसी समस्या को देखता है, वह एक मूल्यवान संकेत है जिससे मशीनें सीख सकती हैं। मानव दृष्टि की सूक्ष्म संकेतों को सीखने की प्रक्रिया में एकीकृत करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो पिछले मॉडलों की तुलना में अधिक पारदर्शी और अधिक विश्वसनीय है। कंप्यूटर केवल एक छवि नहीं देखता; वह छवि को मानव ध्यान के लेंस के माध्यम से देखता है। यह दृष्टिकोण चिकित्सा आर्टिफिशियल इंटेलिजेंस (AI) के लिए एक नया मार्ग प्रदान करता है, जहाँ मशीन की तर्कशक्ति को छवि के विशिष्ट भागों से जोड़ा जा सकता है, ठीक वैसे ही जैसे एक डॉक्टर के तर्क को उनके अवलोकनों से जोड़ा जा सकता है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह तकनीक अभी पूर्ण नहीं है, लेकिन दृश्य डेटा, आई-ट्रैकिंग और भाषा निर्माण का संयोजन चेस्ट एक्स-रे की व्याख्या करने के लिए एक शक्तिशाली उपकरण बनाता है, जो एक ऐसे भविष्य की पेशकश करता है जहाँ चिकित्सा में AI सहायता न केवल सटीक है, बल्कि समझने योग्य और मानव विशेषज्ञता के अनुरूप भी है।
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।