🤖 machine learning

A multimodal slice discovery framework for systematic failure detection and explanation in medical image classification

यह शोधपत्र मेडिकल इमेज क्लासिफिकेशन के लिए पहले स्वचालित मल्टीमॉडल ऑडिटिंग फ्रेमवर्क को प्रस्तुत करता है जो MIMIC-CXR-JPG डेटासेट पर मान्य करते हुए, छिपी हुई विफलताओं की व्यवस्थित खोज और स्पष्टीकरण को सक्षम करके मौजूदा यूनिमोडल दृष्टिकोणों की सीमाओं को दूर करता है।

मूल लेखक: Yixuan Liu, Kanwal K. Bhatia, Ahmed E. Fetit

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yixuan Liu, Kanwal K. Bhatia, Ahmed E. Fetit

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 आपने एक्स-रे देखने और किसी मरीज को विशिष्ट बीमारी है या नहीं, यह बताने के लिए एक बहुत ही बुद्धिमान, लेकिन कुछ हद तक रहस्यमय रोबोट डॉक्टर को काम पर रखा है। यह रोबोट अपने काम में ज्यादातर माहिर है, लेकिन कभी-कभी गलतियाँ भी करता है। डरावनी बात यह है कि आप यह नहीं जानते कि यह गलतियाँ क्यों करता है, या यह किन लोगों के मामले में गलती करने की सबसे अधिक संभावना रखता है। हो सकता है कि यह केवल तब विफल होता हो जब एक्स-रे एक निश्चित कोण से लिया गया हो, या शायद यह तब भ्रमित हो जाता हो जब किसी मरीज के सीने में धातु की नली हो।

यह शोध पत्र इन रोबोट डॉक्टरों के लिए एक नया "सेफ्टी इंस्पेक्टर" (सुरक्षा निरीक्षक) पेश करता है। केवल रोबोट के विफल होने का इंतज़ार करने और यह उम्मीद करने के बजाय कि आप उसे पकड़ लेंगे, यह निरीक्षक स्वचालित रूप से रोबोट की कमजोरियों को खोज निकालता है और उन्हें सरल अंग्रेजी (साधारण भाषा) में समझाता है।

यह कैसे काम करता है, इसे रोजमर्रा के उदाहरणों के माध्यम से यहाँ समझाया गया है:

1. समस्या: "ब्लैक बॉक्स" और "छिपे हुए पैटर्न"

आमतौर पर, जब हम यह जांचना चाहते हैं कि क्या कोई रोबोट डॉक्टर निष्पक्ष है, तो हम उसके "आईडी कार्ड" (मेटाडेटा) जैसे आयु या लिंग को देखते हैं। लेकिन क्या होगा यदि रोबोट उस समूह पर विफल होता है जिसके पास कोई आईडी कार्ड नहीं है? क्या होगा यदि यह विशेष रूप से "रात के समय लिए गए एक्स-रे" या "एक विशिष्ट प्रकार की ब्रीदिंग मशीन वाले मरीजों के एक्स-रे" पर विफल होता है?

पारंपरिक तरीके घास के ढेर में सुई खोजने के समान हैं, जहाँ आप केवल घास के रंग को देखकर सुई ढूंढने की कोशिश करते हैं। वे सुई को मिस कर देते हैं यदि उसका रंग अलग हो। यह शोध पत्र कहता है: "आइए केवल घास को नहीं, बल्कि पूरे ढेर को देखें।"

2. समाधान: "मल्टीमॉडल डिटेक्टिव" (बहु-आयामी जासूस)

लेखकों ने एक ऐसा ढांचा बनाया है जो एक सुपर-डिटेक्टिव की तरह काम करता है। यह जासूस न केवल एक्स-रे चित्र (इमेज) को देखता है, बल्कि यह डॉक्टर के नोट्स (टेक्स्ट रिपोर्ट) भी पढ़ता है और मरीज की फाइल (मेटाडेटा) की भी जांच करता है।

पुराना तरीका: जासूस केवल चित्र को देखता था।
नया तरीका: जासूस चित्र को देखता है, नोट्स पढ़ता है और फाइल की भी एक साथ जांच करता है। इसे मल्टीमॉडल (Multimodal) कहा जाता है।

इसे एक चुटकुले को समझने की तरह सोचें। यदि आप केवल टेक्स्ट पढ़ते हैं, तो हो सकता है कि आप पंचलाइन मिस कर दें। यदि आप केवल आवाज के लहजे को सुनते हैं, तो हो सकता है कि आप शब्दों को मिस कर दें। लेकिन यदि आपके पास टेक्स्ट और लहजा दोनों हैं, तो आप पूरी तस्वीर समझ पाते हैं। यह जासूस चिकित्सा डेटा के साथ भी यही करता है।

3. यह गलतियों को कैसे ढूंढता है ("स्लाइस डिस्कवरी")

जासूस एक चतुर तकनीक का उपयोग करता है जिसे "स्लाइस डिस्कवरी" कहा जाता है। कल्पना कीजिए कि आपके पास मिश्रित जेलीबीन्स (Jellybeans) का एक बड़ा बैग है। कुछ लाल हैं, कुछ नीले हैं, कुछ हरे हैं। रोबोट डॉक्टर आमतौर पर सही स्वाद चुनता है, लेकिन कभी-कभी वह गलत चुनाव करता है।

जासूस केवल गलत चुनावों को गिनता नहीं है। वह उन क्लस्टर्स (समूहों/स्लाइस) की तलाश करता है जहाँ रोबोट हमेशा गलत होता है।

उदाहरण: "ओह, देखो! जब भी रोबोट एक लाल जेलीबीन देखता है और उस पर नीला रैपर होता है, तो वह भ्रमित हो जाता है!"
वह संयोजन (लाल + नीला रैपर) एक "एरर स्लाइस" (त्रुटि समूह) है।

इस शोध पत्र का नवाचार यह है कि यह जासूस इन स्लाइस को तब भी ढूंढ सकता है जब "रैपर" डेटाबेस में लिखा न हो। यह पता लगा सकता है कि वह "नीला रैपर" वास्तव में मेडिकल रिपोर्ट में उल्लेखित एक विशिष्ट प्रकार का मेडिकल उपकरण है, भले ही इमेज में वह केवल एक धब्बे जैसा दिखता हो।

4. यह गलतियों को कैसे समझाता है ("क्यों")

एक बार जब जासूस उस खराब समूह को ढूंढ लेता है, तो उसे मनुष्यों को यह समझाने की आवश्यकता होती है कि ऐसा क्यों हुआ। इसके लिए वह "टोकन एनालिसिस" नामक विधि का उपयोग करता है।

कल्प_ना कीजिए कि रोबोट किसी विशिष्ट शब्द से भ्रमित है। जासूस उन सभी रिपोर्टों को स्कैन करता है जहाँ रोबलेट विफल हुआ और पूछता है: "कौन सा शब्द 'विफल' वाले ढेर में 'सफल' वाले ढेर की तुलना में बहुत अधिक बार आता है?"

यदि रोबोट "चेस्ट ट्यूब" वाले मरीजों पर बार-बार विफल होता है, तो जासूस "ट्यूब" शब्द को अपराधी के रूप में हाइलाइट करेगा।
फिर यह सुनिश्चित करने के लिए कि शब्द "ट्यूब" वास्तव में चित्र से मेल खाता है, यह एक्स-रे की भी दोबारा जांच करता है।

यह एक भ्रमित करने वाली गणितीय त्रुटि को एक स्पष्ट वाक्य में बदल देता है: "रोबोट इसलिए विफल हो रहा है क्योंकि वह चेस्ट ट्यूब वाले मरीजों के मामले में भ्रमित हो जाता है।"

5. परिणाम: "अधिक जानकारी" क्यों बेहतर है

शोधकर्ताओं ने इसका परीक्षण चेस्ट एक्स-रे के एक विशाल डेटासेट (MIMIC-CXR) पर किया। उन्होंने रोबोट की विफलता के तीन प्रकारों का अनुकरण (Simulate) किया:

स्प्यूरियस कोरिलेशन (Spurious Correlation): रोबोट को लगता है कि "ट्यूब" का मतलब "बीमार" है, सिर्फ इसलिए क्योंकि उसने ट्रेनिंग के दौरान उन्हें अक्सर एक साथ देखा था।
रेयर स्लाइस (Rare Slice): रोबोट ने पहले कभी "साइड-व्यू" वाले एक्स-रे नहीं देखे, इसलिए वह उन पर विफल हो जाता है।
नॉइजी लेबल्स (Noisy Labels): ट्रेनिंग डेटा में कुछ गलत उत्तर मिले हुए थे।

मुख्य निष्कर्ष:

मल्टीमॉडल जीतता है: चित्र + टेक्स्ट + मेटाडेटा का उपयोग करना त्रुटियों को खोजने का सबसे अच्छा तरीका था। यह विशेषज्ञों की एक टीम (एक रेडियोलॉजिस्ट, एक नर्स और एक डेटा क्लर्क) के मिलकर काम करने जैसा है, न कि केवल एक व्यक्ति के काम करने जैसा।
टेक्स्ट शक्तिशाली है: बिना चित्र देखे भी, केवल टेक्स्ट रिपोर्ट और मेटाडेटा को पढ़कर त्रुटियों को खोजने में आश्चर्यजनक रूप से सफलता मिली। यह बहुत बड़ी बात है क्योंकि जटिल छवियों को प्रोसेस करने की तुलना में टेक्स्ट पढ़ना बहुत सस्ता और तेज़ है।
नॉइजी डेटा कठिन है: जब ट्रेनिंग डेटा बहुत अधिक अव्यवस्थित (गलत उत्तरों से भरा) था, तो जासूस को थोड़ी मुश्किल हुई, लेकिन फिर भी उसने ऐसे पैटर्न खोज निकाले जिन्हें पुराने तरीके नहीं ढूंढ सके।

संक्षेप में

यह शोध पत्र हमें AI डॉक्टरों के लिए एक स्मार्ट, स्वचालित सुरक्षा जाल (Safety Net) प्रदान करता है। यह हमें केवल यह नहीं बताता कि AI विफल हो रहा है; बल्कि यह हमें बिल्कुल सटीक रूप से बताता है कि कहाँ (मरीजों का कौन सा समूह) और क्यों (कौन सी विशिष्ट विशेषता, जैसे कि "ट्यूब" या "साइड व्यू", भ्रम पैदा कर रही है)। इमेज, टेक्स्ट और डेटा को जोड़कर, यह स्वास्थ्य सेवा में AI को सुरक्षित, निष्पक्ष और अधिक भरोसेमंद बनाता है।

यहाँ चिकित्सा इमेज वर्गीकरण में व्यवस्थित विफलता का पता लगाने और स्पष्टीकरण के लिए एक मल्टीमॉडल स्लाइस डिस्कवरी फ्रेमवर्क पर आधारित शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

चिकित्सा इमेज वर्गीकरण के लिए मशीन लर्निंग में महत्वपूर्ण प्रगति के बावजूद, इन प्रणालियों की सुरक्षा, विश्वसनीयता और निष्पक्षता (safety, reliability, and fairness) नैदानिक अभ्यास में गंभीर चिंता का विषय बनी हुई है। मौजूदा ऑडिटिंग विधियों को दो प्राथमिक सीमाओं का सामना करना पड़ता है:

मेटाडेटा निर्भरता (Metadata Dependence): पारंपरिक सबग्रुप विश्लेषण मेटाडेटा (जैसे, रोगी जनसांख्यिकी) पर निर्भर करता है, जो अक्सर अपर्याप्त होता है या पूर्व-निर्धारित श्रेणियों के बाहर की त्रुटियों को पकड़ने में विफल रहता है।
एकल-मोडल सीमाएँ (Unimodal Limitations): हालिया स्लाइस डिस्कवरी मेथड्स (SDMs) त्रुटि-प्रवण उपसमूहों की पहचान को स्वचालित करते हैं, लेकिन वे आमतौर पर केवल इमेज-ओनली इनपुट तक सीमित होते हैं। वे नैदानिक डेटा की समृद्ध, मल्टीमॉडल प्रकृति (जैसे, रेडियोलॉजी रिपोर्ट, DICOM मेटाडेटा) का लाभ उठाने में विफल रहते हैं, जिसके परिणामस्वरूप सीमित व्याख्यात्मकता (interpretability) होती है और विफलता के स्पष्टीकरण के लिए मैनुअल निरीक्षण पर निर्भरता बनी रहती है।

यह शोध पत्र एक पूर्णतः स्वचालित, ब्लैक-बॉक्स ऑडिटिंग फ्रेमवर्क की आवश्यकता को संबोधित करता है जो मॉडल के आंतरिक भाग या विशेषज्ञ एनोटेशन की आवश्यकता के बिना, व्यवस्थित विफलताओं का पता लगाने और नैदानिक रूप से सार्थक स्पष्टीकरण उत्पन्न करने के लिए स्लाइस डिस्कवरी को मल्टीमॉडल रिप्रजेंटेशन तक विस्तारित करता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित फ्रेमवर्क एक स्वतंत्र तीसरे पक्ष के ऑडिटर (third-party auditor) के रूप में कार्य करता है। इसमें तीन मुख्य चरण शामिल हैं:

A. समस्या का निर्धारण (Problem Formulation)

लक्ष्य "एरर स्लाइस" (error slices) की पहचान करना है—डेटा के वे सुसंगत उपसमुच्चय जहाँ मॉडल लगातार खराब प्रदर्शन करता है। एक त्रुटि विशेषता (error attribute) तब परिभाषित की जाती है जब एक विशिष्ट विशेषता पर त्रुटि दर ( $S_{y, attr}$ ), उसके पूरक ( $S_{y, \neg attr}$ ) की तुलना में काफी अधिक होती है।

B. मल्टीमॉडल त्रुटि पहचान (Multimodal Error Identification)

यह फ्रेमवर्क DOMIO एल्गोरिदम (जो मूल रूप से इमेज-ओनली था) को मल्टीमॉडल सेटिंग में विस्तारित करता है:

एकीकृत एम्बेडिंग निर्माण (Unified Embedding Construction):
- इमेज (Image): एक मल्टीमॉडल मॉडल के माध्यम से निकाला गया।
- टेक्स्ट (रिपोर्ट्स): उसी मल्टीमॉडल मॉडल के टेक्स्ट एनकोडर के माध्यम से निकाला गया।
- मेटाडेटा (Metadata): DICOM टैबुलर डेटा को संक्षिप्त पाठ्य विवरणों में परिवर्तित किया जाता है और टेक्स्ट एनकोडर के माध्यम से एनकोड किया जाता है।
- फ्यूजन (Fusion): सभी मोडैलिटीज को समान भार (equal weights) के साथ जोड़ा जाता है (मोडैलिटी महत्व के बारे में कोई पूर्व धारणा नहीं) और संरचनात्मक समानता बनाए रखने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) के माध्यम से कम किया जाता है।
GMM के साथ क्लस्टरिंग (Clustering with GMM):
- मल्टीमॉडल एम्बेडिंग्स ( $u_i$ ), ग्राउंड-ट्रुथ लेबल्स ( $y_i$ ), और मॉडल प्रेडिक्शन्स ( $\hat{y}_i$ ) के संयुक्त स्थान पर एक गौसियन मिक्सचर मॉडल (GMM) लागू किया जाता है।
- ब्लैक-बॉक्स ऑडिटिंग को सरल बनाने के लिए मल्टीक्लास समस्या को बाइनरी (टारगेट क्लास बनाम अन्य) के रूप में पुनर्गठित किया जाता है।
- एक पैरामीटर $\gamma$ का उपयोग करके क्लस्टर एरर रेट और क्लस्टर कोहेरेंस के बीच संतुलन बनाने के लिए लाइकलीहुड फंक्शन को ऑप्टिमाइज़ किया जाता है।
- उच्च-त्रुटि क्लस्टर में होने की उच्च संभावना वाले नमूनों को एक 'एरर स्लाइस' के रूप में असाइन किया जाता है।

C. स्पष्टीकरण निर्माण (Explanation Generation)

खोजे गए स्लाइस की व्याख्या करने के लिए, फ्रेमवर्क एक टोकन-आधारित विश्लेषण मॉड्यूल का उपयोग करता है:

विशिष्टता स्कोरिंग (Distinctiveness Scoring): TF-IDF पर आधारित, सिस्टम एरर स्लाइस ( $S_{err}$ $S_{er r}$ ) की तुलना उसी क्लास के सही ढंग से अनुमानित नमूनों के संदर्भ स्लाइस ( $S_{ref}$ $S_{r e f}$ ) से करता है।
- $DS(t) = \mu_{err}(t) - \mu_{ref}(t)$
- उच्च स्कोर वाले टोकन को संभावित त्रुटि विशेषताओं (जैसे, विशिष्ट मेडिकल डिवाइस या व्यू प्रकार) के रूप में पहचाना जाता है।
मल्टीमॉडल सत्यापन (Multimodal Validation): यह सुनिश्चित करने के लिए कि टेक्स्ट टोकन वास्तव में विजुअल विफलता पैटर्न के साथ सह-संबंधित हैं, टोकन और इमेज स्लाइस के बीच एक CLIP-शैली का समानता मेट्रिक गणना किया जाता है। एक उच्च सापेक्ष स्कोर ( $r_{attr}$ ) पुष्टि करता है कि टोकन व्यवस्थित विफलता का एक वैध कारण है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

डेटासेट: MIMIC-CXR-JPG, एक बड़ा मल्टीमॉडल चेस्ट एक्स-रे डेटासेट जिसमें 14 पैथोलॉजी के तहत इमेज, रेडियोलॉजी रिपोर्ट्स और मेटाडेटा शामिल हैं।
एम्बेडिंग मॉडल: एम्बेडिंग्स निकालने के लिए BioMedCLIP का उपयोग किया गया था।
विफलता परिदृश्य (Failure Scenarios): मॉडल ट्रेनिंग के दौरान तीन नियंत्रित बायस (bias) प्रकारों का अनुकरण किया गया था:
1. स्पूरियस कोरिलेशन (Spurious Correlation): सपोर्टिंग डिवाइसेस की उपस्थिति से बायस्ड न्यूमोथोरैक्स क्लासिफायर ( $\rho=0.7$ )।
2. रेयर स्लाइस अंडरट्रेनिंग (Rare Slice Undertraining): "लेटरल व्यू" नमूनों के कम प्रतिनिधित्व से बायस्ड कार्डियोमेगाली क्लासिफायर ( $R=0.02$ )।
3. नॉइजी लेबल इंजेक्शन (Noisy Label Injection): "फ्रंटल व्यू" समूह में 30% रैंडम लेबल फ्लिप के साथ फाइंडिंग क्लासिफायर।
बेसलाइन्स (Baselines): ग्लोबल TF-IDF विश्लेषण (कोई स्लाइस डिस्कवरी नहीं) और विभिन्न यूनिमोडल/मल्टीमॉडल एम्बेडिंग कॉन्फ़िगरेशन के विरुद्ध तुलना की गई।

4. मुख्य परिणाम (Key Results)

फ्रेमवर्क का मूल्यांकन 100 बूटस्ट्रैप इटरेशन के माध्यम से Precision@10 (P@10) का उपयोग करके किया गया।

मल्टीमॉडल श्रेष्ठता (Multimodal Superiority): मल्टीमॉडल एम्बेडिंग्स ने आम तौर पर इमेज-ओनली बेसलाइन्स से बेहतर प्रदर्शन किया।
- स्पूरियस कोरिलेशन: इमेज + मेटाडेटा ने सर्वश्रेष्ठ P@10 (0.638) प्राप्त किया, जो इमेज-ओनली (0.567) की तुलना में ~15% सुधार है।
- रेयर स्लाइस: मेटाडेटा-हैवी एम्बेडिंग्स ने सबसे अच्छा प्रदर्शन किया (तकनीकी रूप से 0.909 तक), जो पुष्टि करता है कि मेटाडेटा स्पष्ट रूप से व्यू-पोजीशन विशेषताओं को कैप्चर करता है।
- नॉइजी लेबल्स: रिपोर्ट + मेटाडेटा ने उच्चतम P@10 (0.744) प्राप्त किया, हालांकि यह परिदृश्य समग्र रूप से सबसे चुनौतीपूर्ण बना रहा।
व्याख्यात्मकता (Interpretability):
- स्पूरियस कोरिलेशन कार्य में, सिस्टम ने "tube" और "line" जैसे टोकन को सही ढंग से पहचाना।
- रेयर स्लाइस कार्य में, "lateral" सबसे विशिष्ट टोकन था।
- नॉइजी लेबल परिदृश्यों में, "portable" (AP/फ्रंटल एक्स-रे का संकेत) टोकन को लगातार पहचाना गया, जबकि बेसलाइन ने केवल जेनेरिक शब्दों जैसे "normal" को पाया।
मजबूती संबंधी अंतर्दृष्टि (Robustness Insights):
- टेक्स्ट/मेटाडेटा दक्षता: टेक्स्ट-आधारित मोडैलिटीज या मेटाडेटा के साथ मिलकर मजबूत क्षमता दिखाया, जो यह सुझाव देता है कि वे संसाधन-बाधित सेटिंग्स में इमेज प्रोसेसिंग के कुशल विकल्प के रूप में काम कर सकते हैं।
- नॉइजी लेबल चुनौती: जब अंडरपरफॉर्मिंग नमूने दुर्लभ थे (टेस्ट सेट का 20%), तो GMM क्लस्टरिंग अस्थिरता के कारण प्रदर्शन काफी गिर गया। हालांकि, अंडरपरफॉर्मिंग अनुपात को 30% तक बढ़ाने से परिणामों में काफी सुधार हुआ।
- सुधार (Refinement): प्रारंभिक प्रयोगों से पता चला कि नॉइजी सेटिंग्स में केवल गलत वर्गीकृत नमूनों (misclassified samples) पर GMM लागू करने से Precision@5 में 100% से अधिक की वृद्धि हो सकती है।

5. महत्व और योगदान (Significance and Contributions)

पहला मल्टीमॉडल SDM: यह चिकित्सा ऑडिटिंग के लिए मल्टीमॉडल एम्बेडिंग्स (इमेज + रिपोर्ट + मेटाडेटा) तक स्लाइस डिस्कवरी मेथड्स को विस्तारित करने वाला पहला कार्य है।
ब्लैक-बॉक्स प्रयोज्यता: इस फ्रेमवर्क को मॉडल के आंतरिक भाग, प्रशिक्षण डेटा या विशेषज्ञ एनोटेशन तक पहुँच की आवश्यकता नहीं है, जो इसे स्वतंत्र तीसरे पक्ष के ऑडिटिंग के लिए एक व्यावहारिक उपकरण बनाता है।
व्यवस्थित विफलता का पता लगाना: यह उन छिपी हुई व्यवस्थित विफलताओं की सफलतापूर्वक पहचान करता है जिन्हें यूनिमोडल या मेटाडेटा-ओनली दृष्टिकोण मिस कर देते हैं।
स्वचालित स्पष्टीकरण: यह सांख्यिकीय विफलता का पता लगाने और नैदानिक व्याख्या (जेनेरेटेड टोकन्स) के बीच के अंतर को पाटता है, जिसे विजुअल सिमिलरिटी द्वारा सत्यापित किया जाता है।
संसाधन दक्षता: परिणाम बताते हैं कि विशिष्ट परिदृश्यों (जैसे, रेयर स्लाइस डिटेक्शन) में, टेक्स्ट और मेटाडेटा इमेज-ओनली इनपुट से बेहतर प्रदर्शन कर सकते हैं, जो अधिक कुशल ऑडिटिंग पाइपलाइन का मार्ग प्रशस्त करते हैं।

6. भविष्य की दिशाएं (Future Directions)

लेखक नॉइजी-लेबल सेटिंग्स में डेटा स्पर्सिटी (data sparsity) को संबोधित करने के लिए क्लस्टरिंग रणनीति को परिष्कृत करने (केवल गलत वर्गीकृत नमूनों पर ध्यान केंद्रित करके) और सूचना हानि को कम करने के लिए सरल कॉनकैटिनेशन (concatenation) से आगे उन्नत फ्यूजन रणनीतियों का पता लगाने का प्रस्ताव करते हैं।