🤖 machine learning

INTERACT-CMIL: Multi-Task Shared Learning and Inter-Task Consistency for Conjunctival Melanocytic Intraepithelial Lesion Grading

यह शोध पत्र INTERACT-CMIL को प्रस्तुत करता है, जो एक मल्टी-टास्क डीप लर्निंग फ्रेमवर्क है जो साझा फीचर लर्निंग और इंटर-टास्क कंसिस्टेंसी का लाभ उठाकर पांच हिस्टोपैथोलॉजिकल अक्षों (histopathological axes) के माध्यम से कंजंक्टाइवल मेलानोसाइटिक इंट्राएपिथेलियल लीजन्स की सटीक ग्रेडिंग में महत्वपूर्ण सुधार करता है, जो एक मल्टी-सेंटर डेटासेट पर मौजूदा CNN और फाउंडेशन मॉडल बेसलाइन्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Mert Ikinci, Luna Toma, Karin U. Loeffler, Leticia Ussem, Daniela Süsskind, Julia M. Weller, Yousef Yeganeh, Martina C. Herwig-Carl, Shadi Albarqouni

प्रकाशित 2026-05-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mert Ikinci, Luna Toma, Karin U. Loeffler, Leticia Ussem, Daniela Süsskind, Julia M. Weller, Yousef Yeganeh, Martina C. Herwig-Carl, Shadi Albarqouni

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

एक बड़ी तस्वीर: आँख के "तिल" की ग्रेडिंग करना

कल्पना कीजिए कि एक डॉक्टर आँख पर त्वचा के एक छोटे से धब्बे (कंजंक्टिवल लीजन) को देख रहा है। उन्हें यह तय करना है: क्या यह हानिरहित है, या यह एक खतरनाक कैंसर है?

अतीत में, डॉक्टरों को इसे सूक्ष्मदर्शी (microscope) के नीचे देखना पड़ता था और पाँच अलग-अलग "नियमों" या मानदंडों के आधार पर निर्णय लेना पड़ता था। यह एक छात्र के निबंध को न केवल व्याकरण, बल्कि रचनात्मकता, संरचना, शब्दावली और मौलिकता पर भी एक साथ ग्रेड करने की कोशिश करने जैसा है। समस्या यह है कि ये नियम पेचीदा हैं। कभी-कभी एक नियम (जैसे "कोशिकाएं कितनी अस्त-व्यस्त दिखती हैं") दूसरे नियम (जैसे "कोशिकाएं कितनी गहरी जाती हैं") से बहुत गहराई से जुड़ा होता है। यदि एक डॉक्टर उन्हें अलग-अलग आंकते हैं, तो वे भ्रमित या असंगत हो सकते हैं।

यह शोध पत्र INTERACT-CMIL नामक एक नया कंप्यूटर प्रोग्राम पेश करता है जो इन आँख के लीजनों को ग्रेड करने में मदद करने के लिए एक सुपर-स्मार्ट, सुसंगत मेडिकल स्टूडेंट की तरह काम करता है।

समस्या: "पांच-सिर वाला" पहेली

डॉक्टरों को प्रत्येक छवि के लिए पांच विशिष्ट प्रश्नों के उत्तर देने की आवश्यकता होती है:

WHO4: एक विशिष्ट वर्गीकरण स्तर।
WHO5: एक थोड़ा अलग, अधिक विस्तृत वर्गीकरण स्तर।
Horizontal Spread (क्षैतिज फैलाव): लीजन कितना चौड़ा है।
Vertical Spread (ऊर्ध्वाधर फैलाव): लीजन कितना गहरा जाता है।
Atypia (एटिपिया): कोशिकाएं कितनी अजीब या "भद्दी" दिखती हैं।

पेचीदा बात यह है कि ये प्रश्न एक-दूसरे से जुड़े हुए हैं। यदि कोशिकाएं बहुत अजीब (Atypia) दिखती हैं, तो वे आमतौर पर गहरी (Vertical Spread) भी होती हैं। यदि कोई कंप्यूटर इन पांच सवालों के जवाब पांच अलग-अलग बार देने की कोशिश करता है, तो वह कह सकता है, "कोशिकाएं अजीब हैं" लेकिन साथ ही यह भी कह सकता है कि "कोशिकाएं उथली हैं," जो वास्तविक दुनिया में तर्कसंगत नहीं है।

समाधान: एक साथ काम करने वाली विशेषज्ञों की एक टीम

लेखकों ने INTERACT-CMIL नामक एक सिस्टम बनाया है। इसे एक विशाल मस्तिष्क के रूप में नहीं, बल्कि एक मेज के चारों ओर बैठे पाँच विशेषज्ञों की एक टीम के रूप में सोचें, जो एक ही तस्वीर को देख रहे हैं।

यहाँ उनकी विशेष ट्रेनिंग कैसे काम करती है:

1. साझा मस्तिष्क (Shared Feature Learning)

सभी पांच विशेषज्ञ एक ही "आंखों" को साझा करते हैं। वे एक शक्तिशाली, प्री-ट्रेंड लेंस (जिसे CHIEF फाउंडेशन मॉडल कहा जाता है) के माध्यम से छवि को देखते हैं, जिसने पहले ही लाखों अन्य मेडिकल इमेजेस का अध्ययन किया है। यह उन्हें अपने विशिष्ट कार्यों को शुरू करने से पहले ऊतक (tissue) के स्वरूप की एक मजबूत नींव प्रदान करता है।

2. "एक समय में तीन" का खेल (Combinatorial Partial Supervision)

आमतौर पर, जब आप एक टीम को प्रशिक्षित करते हैं, तो आप सभी से एक साथ काम करने के लिए कहते हैं। लेकिन लेखकों ने पाया कि यदि पांचों विशेषज्ञ एक ही समय में सीखने की कोशिश करते हैं, तो वे भ्रमित हो जाते हैं या "ओवरफिट" (यानी नियमों को सीखने के बजाय ट्रेनिंग डेटा को रट लेते हैं) हो जाते हैं।

इसलिए, उन्होंने एक खेल बनाया: हर एक प्रैक्टिस राउंड में, पांच में से केवल 3 विशेषज्ञों को बोलने की अनुमति है।

राउंड 1: विशेषज्ञ 1, 2, और 3 उत्तर देते हैं।
राउंड 2: विशेषज्ञ 2, 3, और 4 उत्तर देते हैं।
राउंड 3: विशेषज्ञ 1, 4, और 5 उत्तर देते हैं।

तीन के हर संभावित संयोजन के माध्यम से चक्र चलाते हुए, सिस्टम "साझा मस्तिष्क" को ऐसे फीचर्स सीखने के लिए मजबूर करता है जो विशेषज्ञों के किसी भी समूह के लिए उपयोगी हों, जिससे पूरी टीम बहुत अधिक मजबूत और गलतियां करने की संभावना कम हो जाती है।

3. "कंसिस्टेंसी पुलिस" (Inter-Task Dependency Loss)

यह सबसे चतुर हिस्सा है। सिस्टम में एक "कंसिस्टेंसी पुलिस" अधिकारी है।
यदि टीम भविष्यवाणी करती है कि कोशिकाएं "बहुत अजीब" (High Atypia) हैं लेकिन साथ ही "बहुत उथली" (Low Vertical Spread) भी हैं, तो पुलिस अधिकारी कहता है, "ठहरिए! वास्तविक दुनिया में, अजीब कोशिकाएं आमतौर पर गहरी जाती हैं। ये उत्तर मेल नहीं खाते!"

सिस्टम एक गणितीय नियम का उपयोग करता है ताकि टीम को दंडित किया जा सके यदि उनके उत्तर एक-दूसरे का विरोध करते हैं। यह सुनिश्चित करता है कि अंतिम रिपोर्ट सुसंगत (coherent) हो। यदि कोशिकाएं खतरनाक दिखती हैं, तो पूरी रिपोर्ट कहती है कि वे खतरनाक हैं, न कि केवल उसका एक हिस्सा।

परिणाम: उन्होंने कैसा प्रदर्शन किया?

टीम ने जर्मनी के तीन अलग-अलग अस्पतालों से 486 वास्तविक आंख बायोप्सी छवियों के संग्रह पर इस नए सिस्टम का परीक्षण किया। उन्होंने अपने "पांच विशेषज्ञों की टीम" की तुलना दो अन्य तरीकों से की:

एक मानक कंप्यूटर विज़न मॉडल (जैसे एक बुनियादी ResNet)।
एक मानक मॉडल जो उनके विशेष टीम वर्क ट्रिक्स के बिना, प्री-ट्रेंड "CHIEF" लेंस का उपयोग करता है।

विजेता: INTERACT-CMIL ने प्रतियोगिता को पछाड़ दिया।

इसने अगले सबसे अच्छे तरीके की तुलना में "WHO4" वर्गीकरण के लिए सटीकता में 55% का सुधार किया।
इसने "Vertical Spread" डिटेक्शन में 25% का सुधार किया।

पेपर का दावा है कि कंप्यूटर को पांच अलग-अलग नियमों के बीच संबंधों का सम्मान करने के लिए मजबूर करके, यह ऐसे परिणाम देता है जो मानव विशेषज्ञों की सहमति के बहुत करीब होते हैं।

सारांश

एक जटिल पहेली को सुलझाने की कोशिश करने की कल्पना करें जहाँ टुकड़े आपस में जुड़े हुए हैं। यदि आप पूरी तस्वीर को देखे बिना एक-एक करके टुकड़ों को जोड़ने की कोशिश करते हैं, तो वे फिट नहीं होंगे। INTERACT-CMIL एक ऐसा पहेली हल करने वाला है जो:

टुकड़ों को स्पष्ट रूप से देखने के लिए ज्ञान के एक विशाल पुस्तकालय (Foundation Model) का उपयोग करता है।
फंसने से बचने के लिए टुकड़ों के छोटे समूहों को एक समय में हल करके अभ्यास करता है (Selective Supervision)।
लगातार यह जांचता रहता है कि क्या टुकड़े तार्किक रूप से एक साथ फिट बैठते हैं (Inter-Task Consistency)।

परिणामस्वरूप, यह एक ऐसा कंप्यूटर टूल है जो इन पेचीदा आँख के लीजनों को पिछले तरीकों की तुलना में अधिक सटीक और सुसंगत रूप से ग्रेड कर सकता है, जो डिजिटल आई पैथोलॉजी के लिए एक नया मानक प्रदान करता है।

तकनीकी सारांश: INTERACT-CMIL

समस्या विवरण
कंजंक्टिवल मेलानोसाइटिक इंट्राएपिथेलियल लीजन (CMIL) की सटीक ग्रेडिंग, कंजंक्टिवल मेलानोमा की भविष्यवाणी करने और उपचार निर्धारित करने के लिए महत्वपूर्ण है। हालांकि, वर्तमान नैदानिक पद्धतियां हेमेटोक्सिलिन और ईोसिन (H&E) से रंजित सेक्शन के व्यक्तिपरक हिस्टोपैथोलॉजिकल परीक्षण पर निर्भर करती हैं, जिससे विशेष रूप से लो-ग्रेड लीजन के लिए महत्वपूर्ण इंटर-ऑब्जर्वर परिवर्तनशीलता (inter-observer variability) उत्पन्न होती है। CMIL ग्रेडिंग की जटिलता पांच परस्पर संबंधित हिस्टोपैथोलॉजिकल अक्षों (axes) का एक साथ मूल्यांकन करने की आवश्यकता से उत्पन्न होती है: WHO4 वर्गीकरण, WHO5 वर्गीकरण, हॉरिजॉन्टल स्प्रेड (HS), वर्टिकल स्प्रेड (VS), और साइटोलॉजिकल एटिपिया (AP)। ये मानदंड आपस में गहराई से जुड़े हुए हैं (जैसे, गंभीर एटिपिया अक्सर बढ़े हुए वर्टिकल प्रसार के साथ सह-अस्तित्व में होता है), फिर भी मौजूदा कम्प्यूटेशनल दृष्टिकोण अक्सर इन अक्षों को स्वतंत्र रूप से मॉडल करते हैं, जिससे चिकित्सकीय रूप से अस्वाभाविक या असंगत भविष्यवाणियां होने का जोखिम रहता है। इसके अलावा, CMIL की दुर्लभता और एनोटेटेड डेटा की कमी मजबूत डीप लर्निंग मॉडल को प्रशिक्षित करने में चुनौतियां पेश करती है।

कार्यप्रणाली (Methodology)
लेखक INTERACT-CMIL का प्रस्ताव करते हैं, जो एक मल्टी-हेड डीप लर्निंग फ्रेमवर्क है जिसे पांच नैदानिक अक्षों की संयुक्त रूप से भविष्यवाणी करने और कार्यों के बीच निरंतरता लागू करने के लिए डिज़ाइन किया गया है। यह आर्किटेक्चर CHIEF फाउंडेशन मॉडल पर आधारित है, जो एक बड़े पैमाने का पैथोलॉजी एनकोडर है और विविध होल-स्लाइड इमेजेस पर प्री-ट्रेन किया गया है, जो ट्रांसफर करने योग्य हिस्टोमोर्फोलॉजिक रिप्रजेंटेशन को कैप्चर करने के लिए एक फ्रोजन फीचर एक्सट्रैक्टर के रूप में कार्य करता है।

मुख्य कार्यप्रणाली तीन प्रमुख घटकों से बनी है:

कॉम्बिनेटोरियल पार्शियल सुपरविजन के साथ साझा फीचर लर्निंग (SFCS): यह फ्रेमवर्क एक साझा लेटेंट रिप्रजेंटेशन का उपयोग करता है जिसे पांच टास्क-विशिष्ट क्लासिफिकेशन हेड्स में परिवर्तित किया जाता है। सभी हेड्स को एक साथ ऑप्टिमाइज़ करने के बजाय, मॉडल एक कॉम्बिनेटोरियल पार्शियल सुपरविजन रणनीति अपनाता है। प्रत्येक ट्रेनिंग इटरेशन के दौरान, केवल तीन हेड्स का एक सबसेट सक्रिय किया जाता है। सिस्टम व्यवस्थित रूप से सभी संभावित तीन-हेड संयोजनों के माध्यम से चक्रित होता है, जो विविध सुपरविजन संदर्भों के प्रति समान एक्सपोजर सुनिश्चित करता है। यह दृष्टिकोण ओवरफिटिंग को कम करता है और साझा रिप्रजेंटेशन को ऐसे फीचर्स को एनकोड करने के लिए प्रोत्साहित करता है जो सह-संबंधित लेकिन गैर-समान कार्यों में सामान्यीकरण (generalize) कर सकें।
इंटर-टास्क डिपेंडेंसी रेगुलराइजेशन: ग्रेडिंग अक्षों के बीच संरचित सहसंबंधों को संबोधित करने के लिए, लेखक एक डाइवर्जेंस-आधारित डिपेंडेंसी लॉस ( $L_{dep}$ ) पेश करते हैं। यह लॉस फंक्शन प्रेडिक्टेड जॉइंट टास्क डिस्ट्रीब्यूशन को डेटा में देखे गए एम्पिरिकल को-अकरेंस सांख्यिकी के साथ संरेखित करता है। प्रेडिक्टेड जॉइंट डिस्ट्रीब्यूशन और एम्पिरिकल प्रायर के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को मिनिमाइज़ करके, मॉडल विभिन्न हेड्स के आउटपुट के बीच सिमेंटिक कोहेरेंस और निरंतरता लागू करता है।
समग्र उद्देश्य (Overall Objective): कुल लॉस फंक्शन सक्रिय हेड्स से क्लासिफिकेशन लॉस ( $L_{cls}$ ) और डिपेंडेंसी लॉस ( $L_{dep}$ ) को जोड़ता है, जिसे एक हाइपरपैरामीटर $\lambda$ द्वारा भारित (weighted) किया जाता है। यह सुनिश्चित करता है कि मॉडल टास्क-लेवल सटीकता और क्रॉस-टास्क निरंतरता दोनों के लिए ऑप्टिमाइज़ हो।

प्रमुख योगदान

प्रथम विशिष्ट फ्रेमवर्क: यह पेपर विशेष रूप से CMIL वर्गीकरण के लिए डिज़ाइन किया गया पहला डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है, जो WHO और C-MIN ग्रेडिंग प्रतिमानों को एकीकृत करता है।
नवाचारी आर्किटेक्चर: यह एक मल्टी-हेड आर्किटेक्चर पेश करता है जो सह-संबंधित कार्यों के बीच मजबूती और संतुलित लर्निंग को बढ़ावा देने के लिए कॉम्बिनेटोरियल पार्शियल सुपरविजन का उपयोग करता है।
डिपेंडेंसी मॉडलिंग: एक इंटर-डिपेंडेंसी लॉस का प्रस्ताव जो स्पष्ट रूप से क्रॉस-क्राइटेरिया संबंधों को कैप्चर करता है, जिससे मॉडल की व्याख्यात्मकता (interpretability) और नैदानिक सामंजस्य बढ़ता है।
डेटासेट क्यूरेशन: तीन जर्मन यूनिवर्सिटी अस्पतालों (बॉन, ट्यूबिंगन और एरलांगेन) से 486 एक्सपर्ट-एनोटेटेड कंजंक्टिवल बायोप्सी पैचेस वाला एक नया क्यूरेटेड, मल्टी-सेंटर डेटासेट तैयार करना और जारी करना, जो इस डोमेन में मल्टी-टास्क लर्निंग के लिए एक मजबूत आधार प्रदान करता है।

परिणाम
फ्रेमवर्क का मूल्यांकन 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करके एक होल्ड-आउट टेस्ट सेट पर किया गया था, जहाँ प्रदर्शन को मैक्रो F1 स्कोर द्वारा मापा गया। INTERACT-CMIL ने सिंगल-टास्क या जॉइंट मल्टी-टास्क उद्देश्यों के साथ प्रशिक्षित मानक CNN बेसलाइन (ResNet-18) और फाउंडेशन-मॉडल बेसलाइन (BaseCHIEF) दोनों की तुलना में निरंतर सुधार दिखाया।

प्रदर्शन लाभ: सबसे मजबूत बेसलाइन (BaseCHief) के सापेक्ष, INTERACT-CMIL ने WHO4 के लिए 55.1%, WHO5 के लिए 24.7%, हॉरिजॉन्टल स्प्रेड के लिए 15.2%, वर्टिकल स्प्रेड के लिए 25.0%, और एटिपिया के लिए 12.5% का रिलेटिव मैक्रो F1 गेन प्राप्त किया।
एब्लेशन स्टडीज (Ablation Studies): लेखकों ने प्रत्येक घटक के योगदान को मापने के लिए एब्लेशन स्टडीज आयोजित कीं:
- डिपेंडेंसी लॉस को हटाने से सबसे बड़ा एकल प्रदर्शन ड्रॉप (लगभग 2–3% औसत मैक्रो F1 की कमी) हुआ, विशेष रूप से एटिपिया और वर्टिकल स्प्रेड डिटेक्शन को प्रभावित किया।
- टेम्परेचर स्केलिंग को अक्षम करने से प्रदर्शन में ~5–6% की और कमी आई।
- सेलेक्टिव मल्टी-हेड सुपरविजन को हटाने से सबसे महत्वपूर्ण संचयी गिरावट (पूर्ण मॉडल से औसतन 8% से अधिक नीचे) हुई, जो एक मजबूत रेगुलराइज़र के रूप में इसकी भूमिका की पुष्टि करती है जो ग्रेडिएंट डोमिनेशन को रोकता है और कार्यों के बीच लर्निंग को संतुलित करता है।
गुणात्मक विश्लेषण (Qualitative Analysis): विजुअल तुलनाओं ने ग्राउंड ट्रुथ और मॉडल भविष्यवाणियों के बीच करीबी सहमति प्रदर्शित की, जिसमें वे सीमावर्ती मामले (borderline cases) भी शामिल हैं जहाँ मानवीय परिवर्तनशीलता आमतौर पर उच्च होती है।

महत्व और दावे
यह पेपर दावा करता है कि INTER-ACT-CMIL एक पुनरुत्पादनीय (reproducible), व्याख्यात्मक और चिकित्सकीय रूप से संरेखित फ्रेमवर्क स्थापित करता है। साझा फीचर लर्निंग और डिपेंडेंसी रेगुलराइजेशन के माध्यम से नैदानिक निर्भरताओं को स्पष्ट रूप से मॉडल करके, सिस्टम सुसंगत मल्टी-क्राइटेरिया भविष्यवाणियां उत्पन्न करता है जो विशेषज्ञ सर्वसम्मति और स्थापित WHO/C-MIN मानकों के अनुरूप हैं। लेखक इस कार्य को मानकीकृत डिजिटल ओकुलर पैथोलॉजी की दिशा में एक कदम के रूप में देखते हैं, जो एक कम्प्यूटेशनल बेंचमार्क प्रदान करता है जो वर्तमान मैनुअल ग्रेडिंग प्रथाओं में निहित व्यक्तिपरकता और परिवर्तनशीलता को संबोधित करता है। अध्ययन इस बात पर जोर देता है कि सबसे बड़े प्रदर्शन लाभ उन कार्यों में देखे गए जो सूक्ष्म रूपात्मक संकेतों (subtle morphological cues) और इंटर-क्राइटेरिया निरंतरता पर निर्भर करते हैं (वर्टिकल स्प्रेड और साइटोलॉजिकल एटिपिया), ऐसे क्षेत्र जहाँ सिंगल-टास्क या मानक CNN-आधारित मॉडल विफल होते हैं।