Scaling medical imaging report generation with multimodal reinforcement learning
यह शोध पत्र यूनिवर्सल रिपोर्ट जनरेशन (UniRG) को प्रस्तुत करता है, जो एक मल्टीमॉडल सुदृढीकरण शिक्षण (multimodal reinforcement learning) ढांचा है जो चेस्ट एक्स-रे रिपोर्टों पर अपने नए बेंचमार्क रिकॉर्ड द्वारा प्रदर्शित मेडिकल इमेजिंग रिपोर्ट जनरेशन में स्टेट-ऑफ-द-आर्ट प्रदर्शन और टिकाऊ सामान्यीकरण प्राप्त करने के लिए सुपरवाइज्ड फाइन-ट्यूनिंग की ओवरफिटिंग सीमाओं को दूर करता है।
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
कल्पना कीजिए कि आप एक रोबोट को एक तस्वीर के आधार पर कहानी लिखना सिखा रहे हैं। यदि आप केवल रोबोट को लाखों तस्वीरें और उनसे मेल खाती कहानियाँ दिखाते हैं, तो वह शैली की नकल करना पूरी तरह से सीख जाएगा। यह एक वास्तविक कहानी जैसा लग सकता है, लेकिन यदि आप उसे किसी अलग पड़ोस की तस्वीर दिखाते हैं, तो वह भ्रमित हो सकता है या अपनी ओर से कुछ भी बनाना शुरू कर सकता है क्योंकि उसने शब्दों को नहीं, बल्कि अर्थ को समझा है। यही मेडिकल एआई (medical AI) की दुनिया में चुनौती है, विशेष रूप से "मेडिकल इमेजिंग रिपोर्ट जनरेशन" के लिए। यह क्षेत्र ऐसे कंप्यूटर बनाने की कोशिश करता है जो एक्स-रे देख सकें और उनके लिए डॉक्टर के नोट्स लिख सकें। लक्ष्य केवल स्मार्ट सुनाई देना नहीं है; बल्कि यह तथ्यात्मक रूप से सही होना है ताकि डॉक्टर निदान (diagnosis) पर भरोसा कर सकें। शोधकर्ता एक बड़ा सवाल पूछ रहे हैं कि: हम इन एआई मॉडलों को पिछले डॉक्टरों के लिखने के तरीके की नकल करने से कैसे रोक सकते हैं, और इसके बजाय उन्हें वास्तव में यह देखने और तर्क करने के लिए कैसे सिखा सकते हैं कि मरीज के साथ क्या गलत है, चाहे वह कहीं से भी आया हो या अस्पताल के लिखने का तरीका कैसा भी क्यों न हो?
यहाँ UniRG आता है, जो माइक्रोसॉफ्ट रिसर्च के शोधकर्ताओं द्वारा विकसित एक नया फ्रेमवर्क है जो इन एआई मॉडलों के लिए एक सख्त लेकिन निष्पक्ष कोच की तरह काम करता है। केवल एआई को उदाहरणों की नकल करके अभ्यास करने देने (एक विधि जिसे "सुपरवाइज्ड फाइन-ट्यूनिंग" कहा जाता है) के बजाय, शोधकर्ताओं ने रीइन्फोर्समेंट लर्निंग (reinforcement learning) नामक तकनीक का उपयोग किया। इसे एक वीडियो गेम चरित्र को केवल वॉकथ्रू दिखाकर प्रशिक्षित करने के बजाय, उसे खेलने, असफल होने और फिर केवल तभी अंक देने के रूप में सोचें जब वह वास्तव में स्तर (level) को सही ढंग से पार कर ले। इस मामले में, "स्तर" एक आदर्श मेडिकल रिपोर्ट लिखना है। एआई को फैंसी शब्दों के उपयोग के लिए नहीं, बल्कि चिकित्सा तथ्यों को सही ढंग से प्राप्त करने, त्रुटियों को पकड़ने और विभिन्न अस्पतालों के अनुकूल होने के लिए "पुरस्कार" मिलते हैं।
यह पेपर UniRG-CXR नामक एक मॉडल पेश करता है, जो चेस्ट एक्स-रे (chest X-rays) पढ़ने में विशेषज्ञता रखता है। शोधकर्ताओं ने इस मॉडल को 80 से अधिक विभिन्न चिकित्सा संस्थानों से 5,60,000 से अधिक एक्स-रे अध्ययनों के विशाल संग्रह पर प्रशिक्षित किया। उन्होंने केवल एआई को अच्छा दिखने के लिए ही नहीं प्रशिक्षित किया; उन्होंने इसका कड़ाई से परीक्षण भी किया। परिणाम दिखाते हैं कि UniRG-CXR एक महत्वपूर्ण प्रगति है। ReXrank नामक एक प्रमुख बेंचमार्क पर, इस मॉडल ने एक नया "स्टेट-ऑफ-द-आर्ट" रिकॉर्ड बनाया, जिसने पिछले शीर्ष मॉडलों को बड़े अंतर से पीछे छोड़ दिया। उदाहरण के लिए, एक विशिष्ट डेटासेट पर, इसने पिछले सर्वोत्तम प्रयासों की तुलना में प्रदर्शन में 50% से अधिक सुधार किया।
जो बात इसे विशेष रूप से प्रभावशाली बनाती है, वह यह है कि मॉडल वास्तविक दुनिया को कैसे संभालता है। पिछले मॉडल अक्सर तब लड़खड़ा जाते थे जब उन्होंने किसी ऐसे अस्पताल का डेटा देखा हो जिसे उन्होंने पहले नहीं देखा था, या जब उन्हें समय के साथ किसी मरीज के इतिहास को देखना पड़ता था। हालाँकि, UniRG-CXR ने दिखाया कि यह अच्छी तरह से सामान्यीकरण (generalize) कर सकता है। इसने विभिन्न डेटासेट्स पर लगातार अच्छा प्रदर्शन किया, जिसमें वे डेटासेट्स भी शामिल थे जिन्हें उसने प्रशिक्षण के दौरान कभी नहीं देखा था ("जीरो-शॉट" टेस्ट), और इसने सटीकता खोए बिना विभिन्न रोगी जनसांख्यिकी (demographics)—जैसे आयु, लिंग और नस्ल—को संभाला। इसने यह देखने के लिए मरीज के पिछले एक्स-रे को देखना भी सीखा कि स्थिति सुधर रही है या बिगड़ रही है, जिसे "लॉन्जिट्यूडिनल" (longitudinal) तर्क कहा जाता है, जहाँ इसने उन्नत फ्रंटियर मॉडलों को भी पछाड़ दिया।
शोधकर्ताओं ने मानव डॉक्टरों के साथ भी इस मॉडल की जाँच की। एक अध्ययन में जहाँ चार बोर्ड-प्रमाणित रेडियोलॉजिस्ट ने रिपोर्टों की समीक्षा की, वहाँ UniRG-CXR सबसे पसंदीदा मॉडल था, जिसे पूर्णता और तथत्मक सटीकता के लिए उच्चतम रेटिंग मिली और इसमें सबसे कम त्रुटियां पाई गईं। मॉडल "हैलुसिनेशन" (तथ्यों को मनगढ़ंत बनाना) और "ओमिशन" (महत्वपूर्ण विवरणों को छोड़ देना) से बचने में विशेष रूप से अच्छा था। पेपर सुझाव देता है कि इस मल्टी-स्टेप रीइन्फोर्समेंट लर्निंग दृष्टिकोण का उपयोग करके—पहले सामान्य गुणवत्ता के लिए अनुकूलित करना और फिर विशेष रूप से त्रुटि न्यूनीकरण के लिए—मॉडल ने सीखा कि वह विश्वसनीय और अनुकूलनीय दोनों हो सके। हालाँकि यह अध्ययन वर्तमान में चेस्ट एक्स-रे तक सीमित है, यह फ्रेमवर्क एक ऐसा एआई बनाने के लिए एक आशाजनक मार्ग सुझाता है जो वास्तव में डॉक्टरों की सहायता कर सके, जो केवल पाठ्यपुस्तकीय वाक्यांशों को याद करने के बजाय रोगी देखभाल की जटिल और अव्यवस्थित वास्तविकता को समझ सके।
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।