SUREON: A Benchmark and Vision-Language-Model for Surgical Reasoning

कल्पना कीजिए कि आप एक रोबोट को सर्जन बनना सिखाने की कोशिश कर रहे हैं।

लंबे समय तक, हमने रोबोट्स को हजारों तस्वीरें दिखाकर सिखाया कि, "यह एक स्कैल्पल (scalpel) है," या "यह पित्ताशय (gallbladder) है।" यह एक बच्चे को फल पहचानने सिखाने जैसा था: "यह एक सेब है। यह एक केला है।" रोबोट चीजों के नाम बताने में तो बहुत अच्छा हो गया, लेकिन वह यह नहीं समझ पाता था कि सर्जन कुछ कर क्यों रहा है। वह आपको यह नहीं बता सकता था कि, "सर्जन यहाँ काट रहा है क्योंकि यहाँ एक छिपा हुआ ट्यूमर है," या "वे रुक रहे हैं क्योंकि मरीज का रक्तस्राव (bleeding) हो रहा है।"

जो पेपर आपने साझा किया है, SUREON, वह एक बहुत बड़ी छलांग है। यह केवल रोबोट को देखना नहीं सिखा रहा है; यह रोबोट को एक सर्जन की तरह सोचना सिखा रहा है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल भागों में विभाजित किया गया है:

1. समस्या: रोबोट केवल "क्या" जानता है, "क्यों" नहीं

वर्तमान सर्जिकल AI एक शब्दकोश (phrasebook) लिए हुए एक पर्यटक की तरह है। यह एक उपकरण की ओर इशारा कर सकता है और कह सकता है, "वह ग्रैस्पर (grasper) है।" लेकिन यदि आप पूछें, "सर्जन ने अभी औजार क्यों बदला?" तो रोबोट खो जाता है। वह सर्जरी की कहानी, जोखिमों या निर्णय लेने की प्रक्रिया को नहीं समझता।

2. समाधान: "शिक्षक का व्याख्यान" लाइब्रेरी

शोधकर्ताओं ने महसूस किया कि उत्तर पहले से ही YouTube और चिकित्सा वेबसाइटों पर मौजूद थे, लेकिन वे बिखरे हुए थे। सर्जन छात्रों को सिखाने के लिए व्याख्यान देते हैं और सर्जरी का वर्णन करते हैं। वे कहते हैं, "अब मैं इस धमनी (artery) को काट रहा हूँ क्योंकि लिम्फ नोड इतना बड़ा है कि बिना रक्त वाहिका को नुकसान पहुँचाए इसे बचाया नहीं जा सकता।"

यह वर्णन शुद्ध सोना है। इसमें तर्क (reasoning), इरादा (intent), और सुरक्षा जाँच शामिल है। लेकिन यह असंरचित है और कंप्यूटर के लिए उपयोग करना कठिन है।

3. मैजिक फैक्ट्री: व्याख्यानों को पाठों में बदलना

इसे ठीक करने के लिए, टीम ने विशेषज्ञ AI एजेंटों की एक टीम (सोचिए बहुत सख्त संपादकों की एक टीम) का उपयोग करके एक "डेटा फैक्ट्री" बनाई:

• द स्काउट (The Scout): वीडियो के उस सटीक क्षण को खोजता है जहाँ सर्जन की आवाज़ स्क्रीन पर हो रही घटना से मेल खाती है (जैसे, "मैं अब काट रहा हूँ" का मिलान कैंची काटने वाले वीडियो से होता है)।
• द ट्रांसलेटर (The Translator): उस क्षण को एक क्विज़ प्रश्न में बदल देता है। केवल एक वीडियो देने के बजाय, यह बनाता है: "प्रश्न: सर्जन ने इस शाखा को क्यों काटा? उत्तर: क्योंकि लिम्फ नोड बहुत बड़ा था।"
• द एडिटर (The Editor): काम की जाँच करता है ताकि यह सुनिश्चित हो सके कि उत्तर वास्तव में वीडियो और ट्रांसक्रिप्ट में मौजूद है।

उन्होंने यह 206,800 अलग-अलग परिदृश्यों के लिए किया, जिसमें सोचने के 12 अलग-अलग प्रकार शामिल थे, जैसे "यह उपकरण क्या है?" से लेकर "अगला क्या होगा?" और "क्या यह सुरक्षित है?" तक।

4. प्रशिक्षण: प्रतिभा के दो चरण

उन्होंने इस पूरे डेटा को सीधे रोबोट के दिमाग में नहीं डाल दिया। उन्होंने इसे दो अलग-अलग चरणों में प्रशिक्षित किया, जैसे एक मेडिकल छात्र:

• चरण 1: टेक्स्टबुक अध्ययन (सुपरवाइज्ड फाइन-ट्यूनिंग):
  उन्होंने रोबोट (एक मॉडल जिसे SureonVLM कहा जाता है) को सभी नए प्रश्न और उत्तर दिखाए। इसने पैटर्न को याद करना सीख लिया। यह एक सूची से सही उत्तर चुनने में बहुत अच्छा हो गया, और इसने सर्जिकल प्रश्नों पर सबसे बड़े, सबसे महंगे AI मॉडल (जैसे GPT-5) को भी पीछे छोड़ दिया।

• चरण 2: "ज़ोर से सोचने" का अभ्यास (रीइन्फोर्समेंट लर्निंग):
  यह सबसे दिलचस्प हिस्सा है। उन्होंने इसका दूसरा संस्करण बनाया जिसे SureonVLM-R1 कहा जाता है। केवल उत्तर देने के बजाय, उन्होंने रोबोट को उत्तर देने से पहले "ज़ोर से सोचने" के लिए मजबूर किया।

  • पुराना रोबोट: "उत्तर: A।"
  • नया रोबोट: "हम्म, मैं देख रहा हूँ कि लिम्फ नोड बड़ा है। यदि मैं इसे छोड़ देता हूँ, तो मैं धमनी को नुकसान पहुँचा सकता हूँ। इसलिए, मुझे इस शाखा को काटना चाहिए। इसलिए, उत्तर A है।"

  उन्होंने रोबोट को केवल तभी पुरस्कृत किया जब उसका "सोचना" तार्किक था और सही उत्तर की ओर ले जा रहा था। इसने रोबोट को अनुमान लगाने के बजाय तर्क (reasoning) करना सिखाया।

5. परिणाम: एक बॉक्स में सर्जन का दिमाग

जब उन्होंने इन नए रोबोटों का परीक्षण किया:

• सुरक्षा सर्वोपरि: सुरक्षा से जुड़े सवालों पर (जैसे, "क्या यह क्रिया खतरनाक है?"), नए मॉडल सामान्य AI मॉडल की तुलना में 30% बेहतर थे।
• इरादे की समझ: वे समझा सकते थे कि सर्जन ने एक कठिन निर्णय क्यों लिया, जो पिछले AI नहीं कर पाते थे।
• "सोचने" का टोकन: सबसे रोमांचक बात यह है कि मॉडल वास्तव में एक "चेन ऑफ थॉट" (सोचने की श्रृंखला/चरण-दर-चरण स्पष्टीकरण) उत्पन्न करता है जो मानव सर्जन के तर्क को समझाने के तरीके के बहुत समान दिखता है।

बड़ी तस्वीर का रूपक (Analogy)

पिछले सर्जिकल AI को एक फोटोग्राफर के रूप में सोचें। वह बेहतरीन तस्वीरें लेता है और आपको बता सकता है, "वह चाकू है।"

SUREON मॉडल एक सीनियर सर्जन की तरह है जो इंटर्न को सिखा रहा है। वह केवल आपको चाकू नहीं दिखाता; वह समझाता है, "मैं यहाँ इस चाकू का उपयोग कर रहा हूँ क्योंकि ऊतक (tissue) फिसलन भरा है, और यदि मैं इसे अभी नहीं काटता, तो मरीज का रक्तस्राव हो जाएगा।"

यह क्यों मायने रखता है?
क्योंकि सर्जरी में, यह जानना पर्याप्त नहीं है कि क्या हो रहा है। आपको यह जानने की आवश्यकता है कि यह क्यों हो रहा है ताकि मरीजों को सुरक्षित रखा जा सके। यह पेपर साबित करता है कि सर्जन कैसे सिखाते हैं, इस पर ध्यान देकर, हम ऐसा AI बना सकते हैं जो न केवल ऑपरेशन थिएटर को देखता है, बल्कि वास्तव में सर्जरी को समझता भी है।