← नवीनतम पेपर
💬 NLP

Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs

यह शोध पत्र CogAlign ढांचे को प्रस्तुत करता है, जो सुपरवाइज्ड फाइन-ट्यूनिंग के माध्यम से मॉडल रीजनिंग को पदानुक्रमित नैदानिक संज्ञान (hierarchical clinical cognition) के साथ संरेखित करके और विजुअल बायस (visual bias) को दूर करने के लिए काउंटरफैक्चुअल-ड्रिवन सुदृढीकरण शिक्षण (counterfactual-driven reinforcement learning) के माध्यम से कारण-आधारित फीचर निर्भरता को लागू करके मल्टीमॉडल एलएलएम (multimodal LLMs) में गैस्ट्रोइंटेस्टाइनल निदान को बढ़ाता है और अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: Huan Zheng, Yucheng Zhou, Tianyi Yan, Dubing Chen, Hongbo Lu, Wenlong Liao, Tao He, Pai Peng, Jianbing Shen

प्रकाशित 2026-03-24
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Huan Zheng, Yucheng Zhou, Tianyi Yan, Dubing Chen, Hongbo Lu, Wenlong Liao, Tao He, Pai Peng, Jianbing Shen

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 आपके पास एक अत्यंत बुद्धिमान और विद्वान छात्र है, जिसने दुनिया की हर मेडिकल पाठ्यपुस्तक पढ़ ली है। यह छात्र अविश्वसनीय रूप से स्मार्ट है और चित्रों का विस्तार से वर्णन कर सकता है। हालाँकि, जब आप उसे कैमरे से ली गई एक बीमार पेट की तस्वीर दिखाते हैं, तो वह अक्सर दो बड़ी गलतियाँ करता है:

  1. वे चरणों को छोड़ देते हैं: डॉक्टर की तरह तस्वीर को देखने के बजाय (यह देखना कि वह कहाँ है, वह कैसी दिखती है, और सूक्ष्म रक्त वाहिकाएं कैसे व्यवहार करती हैं), वे सीधे उत्तर का अनुमान लगा लेते हैं।
  2. वे विचलित हो जाते हैं: वे कह सकते हैं, "यह एक ट्यूमर जैसा दिखता है क्योंकि बैकग्राउंड में बुलबुले हैं," जबकि वास्तव में, वे बुलबुले केवल 'नॉइज़' (शोर) हैं, और असली समस्या कहीं और छिपी हुई है।

यह शोध पत्र CogAlign नामक एक नई प्रणाली पेश करता है ताकि इन गलतियों को सुधारा जा सके। CogAlign को एक कठोर मेडिकल रेजिडेंसी प्रोग्राम के रूप में समझें।

यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से यहाँ समझाया गया है:

1. समस्या: "स्मार्ट लेकिन बिखरा हुआ" छात्र

वर्तमान AI मॉडल उस विद्वान छात्र की तरह हैं। वे बहुत कुछ बोल सकते हैं, लेकिन वे उस सख्त, तार्किक चेकलिस्ट का पालन नहीं करते हैं जिसका उपयोग वास्तविक गैस्ट्रोएंटेरोलॉजिस्ट (पेट के डॉक्टर) करते हैं।

  • वास्तविक डॉक्टर: पहले वे स्थान को पहचानते हैं। दूसरा, वे आकार देखते हैं। तीसरा, वे सूक्ष्म विवरणों पर ध्यान केंद्रित करते हैं। अंत में, वे निदान (diagnosis) करते हैं।
  • पुराने AI: वे अक्सर सीधे निदान पर कूद जाते हैं या मनगढ़ंत बातें (hallucinate) करने लगते हैं क्योंकि वे बैकग्राउंड में किसी पैटर्न (जैसे प्रतिबिंब या बुलबुला) को देख लेते हैं, जिसका बीमारी से कोई लेना-देना नहीं होता।

2. समाधान: "CogAlign" प्रशिक्षण कार्यक्रम

लेखकों ने AI को एक अनुशासित डॉक्टर में बदलने के लिए दो-चरणीय प्रशिक्षण शिविर बनाया है।

चरण A: "चेकलिस्ट" का पाठ (सुपरवाइज्ड फाइन-ट्यूनिंग)

AI को पेट की छवि देखने के लिए एक सख्त रेसिपी सिखाने की कल्पना करें।

  • डेटासेट: शोधकर्ताओं ने छवियों का एक विशेष पुस्तकालय बनाया है जहाँ प्रत्येक तस्वीर के साथ विशेषज्ञों द्वारा लिखा गया एक "सोचने की प्रक्रिया" (thought process) भी आता है।
  • नियम: AI को तब तक "यह एक पॉलिप है" कहने की अनुमति नहीं है जब तक कि उसने पहले यह न लिख दिया हो:
    1. स्थान: "यह छोटी आंत में है।"
    2. आकार: "यह एक ऊबड़-खाबड़ मशरूम जैसा दिखता है।"
    3. विवरण: "इसके आसपास की रक्त वाहिकाएं मुड़ी हुई दिख रही हैं।"
  • परिणाम: AI एक सीधी रेखा में सोचना सीखता है, ठीक वैसे ही जैसे एक मानव डॉक्टर। वह चरणों को नहीं छोड़ सकता। उसे उत्तर देने से पहले अपना "काम दिखाना" ही होगा।

चरण B: "क्या होगा अगर?" का खेल (काउंटरफैक्चुअल रीइन्फोर्समेंट लर्निंग)

यह सबसे चतुर हिस्सा है। AI की अभी भी एक बुरी आदत है: वह कभी-कभी बीमारी के बजाय बैकग्राउंड (जैसे बुलबुले या रोशनी) के आधार पर अनुमान लगा लेता है। इसे ठीक करने के लिए, शोधकर्ता AI के साथ "क्या होगा अगर?" का खेल खेलते हैं।

  • चाल: वे एक बीमार पेट की तस्वीर लेते हैं, लेकिन एक डिजिटल "इरेज़र" (धुंधलापन/blur) का उपयोग करके बीमारी को मिटा देते हैं, जिससे केवल बैकग्राउंड (बुलबुले, रोशनी, म्यूकस) बचता है।
  • परीक्षण: वे इस "मिटाई गई" तस्वीर को AI को दिखाते हैं और पूछते हैं, "यहाँ क्या गलत है?"
  • पाठ: चूंकि बीमारी जा चुकी है, इसलिए AI को यह कहना चाहिए कि "कुछ भी गलत नहीं है।"
    • यदि AI कहता है, "यह एक ट्यूमर है!" (क्योंकि उसने बुलबुले देखे), तो उसे बड़ी पेनल्टी (दंड) मिलती है।
      • यदि AI कहता है, "यह सामान्य दिखता है," तो उसे पुरस्कार (reward) मिलता है।
  • परिणाम: AI सीख जाता है कि बुलबुलों का कोई महत्व नहीं है। वह सीख जाता है कि केवल वास्तविक बीमारी ही मायने रखती है। वह विकर्षणों के आधार पर अनुमान लगाना बंद कर देता है और वास्तविक साक्ष्यों पर ध्यान केंद्रित करना शुरू कर देता है।

3. परिणाम: एक नया शीर्ष-डॉक्टर

इस प्रशिक्षण के बाद, AI एक कुशल निदान विशेषज्ञ बन गया।

  • सटीकता: इसने सभी प्रसिद्ध AI मॉडलों (Gemini और GPT जैसे बड़े मॉडलों सहित) को परीक्षणों में पछाड़ दिया।
  • जटिल मामले: यह पहचानने में बहुत कुशल हो गया कि किसी मरीज को एक ही समय में दो अलग-अलग बीमारियां हैं, जो एक ऐसी चीज़ है जिसे अन्य AI आमतौर पर मिस कर देते हैं।
  • मजबूती (Robustness): यहाँ तक कि जब तस्वीरें अव्यवस्थित, धुंधली या बुलबुलों से भरी होती थीं, तब भी CogAlign AI भ्रमित नहीं हुआ। उसने शोर को अनदेखा किया और बीमारी को खोज निकाला।

सारांश

संक्षेप में, CogAlign एक स्मार्ट लेकिन अराजक AI को निम्नलिखित देने जैसा है:

  1. एक सख्त चेकलिस्ट जो उसे मानव डॉक्टर की तरह सोचने के लिए मजबूर करती है।
  2. एक जादुई इरेज़र जो उसे विकर्षणों को अनदेखा करने और केवल वास्तविक समस्या पर ध्यान केंद्रित करने के लिए सिखाता है।

परिणामस्वरूप, यह एक ऐसा AI है जो केवल अनुमान नहीं लगाता; यह तर्क देता है, अपने काम की जांच करता है, और विश्वसनीय निदान देता है जिस पर डॉक्टर वास्तव में भरोसा कर सकें।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →