RARE disease detection from Capsule Endoscopic Videos based on Vision Transformers
यह शोध पत्र गैस्ट्रो प्रतियोगिता के हिस्से के रूप में कैप्सूल एंडोस्कोपिक वीडियो में 17 जठरांत्र संबंधी स्थितियों के मल्टी-लेबल वर्गीकरण के लिए एक फाइन-ट्यून्ड गूगल विजन ट्रांसफॉर्मर (ViT) मॉडल प्रस्तुत करता है, हालांकि इसने टेस्ट डेटासेट पर लगभग 0.02 का कम समग्र mAP प्राप्त किया।
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 आपकी पाचन प्रणाली एक 9 मीटर लंबी, संकरी सुरंग है (लगभग एक सोडा कैन जितनी चौड़ी) जिससे भोजन गुजरता है। वर्षों से, डॉक्टरों को इस सुरंग का निरीक्षण करने में कठिनाई हो रही थी क्योंकि यह बहुत लंबी और तंग है।
इस समस्या को हल करने के लिए, मरीज़ अब एक छोटी, गोली के आकार का कैमरा (कैप्सूल एंडोस्कोप) निगलते हैं जो आपके मुँह से आपके निकास तक रेंगते हुए लगभग 50,000 तस्वीरें लेता है। यह एक अंधेरी गुफा में जासूसी ड्रोन भेजने जैसा है, लेकिन तस्वीरें अक्सर धुंधली, बुलबुलों से ढकी हुई या भोजन के मलबे से बाधित होती हैं।
चुनौती: घास के ढेर में सुई ढूँढना
एक डॉक्टर जो इन 50,000 तस्वीरों को देख रहा होगा, उसे दो चीजें पहचाननी होंगी:
- हम कहाँ हैं? (क्या कैमरा पेट में है? छोटी आंत में? या कोलन/बड़ी आंत में?)
- क्या गलत है? (क्या रक्तस्राव हो रहा है? कोई पॉलिप है? या अल्सर है?)
समस्या यह है कि कुछ चीजें (जैसे कि "कोलन") हजारों तस्वीरों में दिखाई देती हैं, जबकि दुर्लभ, खतरनाक चीजें (जैसे कि एक विशिष्ट रक्तस्राव या एक दुर्लभ वाल्व) शायद केवल कुछ ही तस्वीरों में दिखाई देती हैं। यह एक छात्र को उस दुर्लभ पक्षी को पहचानने के लिए सिखाने जैसा है जो साल में केवल एक बार दिखाई देता है, जबकि उसके सामने कबूतरों की भरमार है।
समाधान: "सुपर-ब्रेन" AI
MDXBrain की टीम (मिडलसेक्स यूनिवर्सिटी से) ने डॉक्टरों की मदद के लिए एक AI बनाया है। तस्वीरों को एक-एक करके एक इंसान की तरह देखने के बजाय, उन्होंने एक विज़न ट्रांसफॉर्मर (ViT) का उपयोग किया।
एक विज़न ट्रांसफॉर्मर को एक अति-व्यवस्थित लाइब्रेरियन के रूप में सोचें जो केवल एक समय में एक किताब नहीं पढ़ता। इसके बजाय, वह पूरी लाइब्रेरी को देखता है, समझता है कि अलग-अलग किताबें एक-दूसरे से कैसे संबंधित हैं, और तुरंत पैटर्न को पहचान लेता है। उन्होंने इस लाइब्रेरियन को कैप्सूल कैमरा तस्वीरों को देखने के लिए "फाइन-ट्यून" किया।
बड़ी बाधा: "अनबैलेंस्ड क्लास" (असंतुलित वर्ग) की समस्या
सबसे बड़ी समस्या यह थी कि डेटा अत्यधिक असंतुलित था।
- कबूतर की समस्या: कोलन की लगभग 20 लाख तस्वीरें थीं।
- दुर्लभ पक्षी की समस्या: "जेड-लाइन" (ग्रासनली का एक विशिष्ट भाग) की केवल 122 तस्वीरें थीं।
यदि वे AI को सभी डेटा पर प्रशिक्षित करते, तो AI हर बार "कोलन" कहना सीख जाता क्योंकि यह सबसे आम चीज़ है। वह दुर्लभ, खतरनाक चीजों को अनदेखा कर देता।
इसे कैसे ठीक किया गया: "अंडर-सैंपलिंग" रणनीति
कल्पना कीजिए कि आप सूप बना रहे हैं। आपके पास आलू की एक बड़ी बाल्टी (सामान्य डेटा) है और ट्रफल्स (दुर्लभ डेटा) का एक छोटा सा जार है। यदि आप पूरी बाल्टी डाल देते हैं, तो सूप का स्वाद केवल आलू जैसा लगेगा।
- उन्होंने क्या किया: उन्होंने अधिकांश आलू फेंक दिए और केवल कुछ ही रखे, ताकि आलू की संख्या ट्रफल्स के बराबर हो जाए।
- ट्विस्ट: वे बहुत सावधान थे कि वे "विशेष" आलू—वे जिनमें आलू और ट्रफल्स दोनों थे (ऐसी छवियां जिनमें कई लेबल थे)—को सुरक्षित रखें। उन्होंने उन सभी दुर्लभ, जटिल छवियों को रखा ताकि AI को एक साथ कई समस्याओं को पहचानने के लिए सिखाया जा सके।
परिणाम: एक लर्निंग कर्व
इस AI को प्रशिक्षित करने के बाद, उन्होंने तीन नए वीडियो कैप्सूल पर इसका परीक्षण किया।
- स्कोर: AI ने लगभग 0.02 का स्कोर प्राप्त किया (एक ऐसे पैमाने पर जहाँ 1.0 पूर्ण होता है)।
- इसका क्या अर्थ है: AI प्रतियोगिताओं की दुनिया में, यह एक बहुत कम स्कोर है। यह एक ऐसे छात्र की तरह है जिसने कड़ी मेहनत से पढ़ाई की लेकिन फिर भी अंतिम परीक्षा में केवल 2% अंक प्राप्त किए।
स्कोर इतना कम क्यों था?
पेपर स्वीकार करता है कि परिणाम खराब थे। इसका कारण संभवतः यह है:
- छवियाँ बहुत खराब हैं: कैप्सूल की तस्वीरें लो-रेज़ोल्यूशन वाली और अक्सर धुंधली होती हैं।
- कार्य अविश्वसनीय रूप से कठिन है: एक धुंधले वीडियो में एक छोटे से अल्सर को खोजना, धुंधले चश्मे पहनकर समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा है।
- "दुर्लभ" प्रकृति: परिभाषा के अनुसार, दुर्लभ बीमारियाँ ढूँढना कठिन है क्योंकि सीखने के लिए बहुत कम डेटा उपलब्ध है, भले ही उनके बैलेंसिंग ट्रिक्स का उपयोग किया गया हो।
मुख्य बात (Takeaway)
यह पेपर एक "प्रगति पर कार्य" (work in progress) की कहानी है। टीम ने एक परिष्कृत AI सिस्टम (विज़न ट्रांसफॉर्मर) बनाया और डेटा को संतुलित करने के लिए चतुर गणित का उपयोग किया (अंडर-सैंपलिंग)। हालांकि अंतिम स्कोर अभी विजेता नहीं था, लेकिन उनकी कार्यप्रणाली (methodology) ठोस है। उन्होंने साबित किया कि आप इन कठिन वीडियो में दुर्लभ बीमारियों को खोजने के लिए एक सिस्टम बना सकते हैं, भले ही सिस्टम को वास्तव में डॉक्टरों के लिए उपयोगी बनने के लिए और अधिक प्रशिक्षण और बेहतर डेटा की आवश्यकता हो।
यह एक याद दिलाता है कि चिकित्सा में, AI एक शक्तिशाली सहायक है, लेकिन वह अभी भी काम सीख रहा 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।