Are Data Augmentation and Segmentation Always Necessary? Insights from COVID-19 X-Rays and a Methodology Thereof
यह अध्ययन यह प्रदर्शित करने के लिए SDL-COVID पद्धति का प्रस्ताव करता है कि चेस्ट एक्स-रे के माध्यम से सटीक कोविड-19 पहचान के लिए फेफड़ों का विखंडन (lung segmentation) आवश्यक है और अत्यधिक डेटा ऑग्मेंटेशन ओवरफिटिंग का कारण बन सकता है, जिससे अंततः कम फॉल्स नेगेटिव रेट के साथ 95.21% प्रिसिजन प्राप्त होता 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
एक बड़ी तस्वीर: एक जासूस की दुविधा
कल्पना कीजिए कि आप एक जासूस (एक AI कंप्यूटर प्रोग्राम) को एक रहस्य सुलझाने के लिए काम पर रख रहे हैं: क्या इस व्यक्ति को COVID-19 है? जासूस के पास एकमात्र सुराग उनके सीने की एक ब्लैक-एंड-व्हाइट फोटो (एक एक्स-रे) है।
इस पेपर के लेखकों ने इन जासूसों को प्रशिक्षित करने के बारे में दो महत्वपूर्ण प्रश्न पूछे:
- क्या हमें फोटो को केवल फेफड़ों को दिखाने के लिए क्रॉप (काटना) करना चाहिए? (सेगमेंटेशन/Segmentation)
- क्या हमें फोटो को पलटने या खींचकर उनकी नकली प्रतियां बनानी चाहिए ताकि ट्रेनिंग सेट बड़ा हो सके? (डेटा ऑग्मेंटेशन/Data Augmentation)
कई पिछले अध्ययनों ने दोनों के लिए "हाँ" कहा। यह पेपर कहता है, "ठहरिए। आइए इसकी जांच करते हैं।"
प्रश्न 1: क्या हमें फेफड़ों को क्रॉप करने की आवश्यकता है? (सेगमेंटेशन)
पुराना तरीका:
अधिकांश शोधकर्ताओं ने अपने AI को पूरे एक्स-रे पर प्रशिक्षित किया। यह एक जासूस को अपराध स्थल की ऐसी फोटो दिखाने जैसा है जिसमें संदिग्ध के साथ-साथ फर्नीचर, लाइटिंग और यहाँ तक कि दीवार पर लगी एक घड़ी भी शामिल है।
समस्या:
पेपर में पाया गया कि AI "आलसी" हो रहा था। फेफड़ों (जहाँ वायरस रहता है) को देखने के बजाय, यह उत्तर का अनुमान लगाने के लिए फेफड़ों के बाहर की चीजों को देखने लगा।
- उपमा (Analogy): कल्पना कीजिए कि AI ने ध्यान दिया कि ट्रेनिंग डेटा में लगभग सभी "COVID-पॉजिटिव" फोटो पुरानी मशीनों पर ली गई थीं जो तस्वीर को थोड़ा दानेदार (grainy) बनाती हैं, या उन फोटो में मरीजों के सीने में पेसमेकर (धातु के उपकरण) थे।
- परिणाम: AI यह सीखना शुरू कर जाता है कि, "अगर मैं पेसमेकर या कोई विशेष तार देखता हूँ, तो यह COVID है!" वह वास्तविक फेफड़ों को अनदेखा कर देता है।
- प्रमाण: लेखकों ने Grad-CAM नामक टूल का उपयोग किया (इसे एक "हीट मैप" टॉर्च समझें)। जब उन्होंने इस रोशनी को AI के दिमाग पर डाला, तो उन्होंने देखा कि यह फेफड़ों के बजाय पेसमेकर और तारों के ऊपर चमक रहा था।
समाधान:
लेखकों ने एक्स-रे को काटकर केवल फेफड़ों को दिखाया (सेगमेंटेशन)।
- उपमा: अब, जासूस को मजबूर होकर केवल संदिग्ध के चेहरे को देखना पड़ता है, बैकग्राउंड के फर्नीचर को नहीं।
- परिणाम: भले ही AI का कच्चा "स्कोर" (सटीकता) "चीटिंग" वाले सुरागों के खो जाने के कारण थोड़ा कम हो गया, लेकिन निर्णय विश्वसनीय हो गया। AI अब वास्तव में बीमारी को देख रहा है, न कि पेसमेकर को।
प्रश्न 2: क्या अधिक नकली डेटा बनाना मदद करता है? (डेटा ऑग्मेंटेशन)
पुराना तरीका:
चूंकि असली COVID एक्स-रे कम थे, इसलिए कई शोधकर्ताओं ने "डेटा ऑग्मेंटेशन" का उपयोग किया। उन्होंने एक असली फोटो ली और उसे तिरछा करके, पलटकर या खींचकर 10 नकली फोटो बनाईं।
- उपमा: कल्पना कीजिए कि आप एक छात्र को बिल्ली पहचानने के लिए सिखा रहे हैं। आप उसे एक असली बिल्ली दिखाते हैं, फिर उसी बिल्ली की 10 तस्वीरें दिखाते हैं जो उल्टी, टेढ़ी और टॉफी की तरह खींची हुई हैं। आप छात्र से कहते हैं, "देखो, ये सभी अलग-अलग बिल्लियाँ हैं!"
समस्या:
पेपर का तर्क है कि एक्स-रे के लिए यह खतरनाक है।
- उपमा: वास्तविक दुनिया में, आप कभी भी मानव सीने का एक्स-रे उल्टा या मिरर इमेज (दर्पण प्रतिबिंब) में नहीं देखते। यदि आप अपने AI को इन असंभव, पलटी हुई छवियों पर प्रशिक्षित करते हैं, तो वह भ्रमित हो जाता है। वह बीमारी को याद रखने के बजाय "पलटने" (flips) को याद करने लगता है।
- परिणाम: पेपर ने अधिक और अधिक नकली छवियां जोड़कर इसका परीक्षण किया। उन्होंने पाया कि जैसे-जैसे उन्होंने नकली डेटा जोड़ा, असली टेस्ट मामलों पर AI का प्रदर्शन वास्तव में क्रैश हो गया।
- रूपक (Metaphor): यह टूटे हुए पैर के साथ डांस मूव का बहुत अधिक अभ्यास करने जैसा है। आप टूटे हुए पैर के साथ बहुत अच्छा डांस करना सीख जाते हैं, लेकिन जब आप असली स्टेज पर नाचने की कोशिश करते हैं, तो आप गिर जाते हैं। AI ने "ओवरफिट" (नकली डेटा को रट लिया) किया और वास्तविक रोगियों के प्रति अपनी क्षमता खो दी।
समाधान:
लेखकों ने पाया कि बिना किसी खिंचाव या पलटने के, मूल, असली डेटा का उपयोग करने से अधिक विश्वसनीय मॉडल प्राप्त हुआ।
अंतिम फैसला: "SDL-COVID" विधि
इन निष्कर्षों के आधार पर, लेखकों ने SDL-COVID नामक एक नई विधि प्रस्तावित की। यह कैसे काम करती है, इसे सरल भाषा में यहाँ बताया गया है:
- इमेज को साफ करें: वे एक्स-रे लेते हैं और एक विशेष फिल्टर का उपयोग करते हैं जिससे फेफड़ों के विवरण अधिक स्पष्ट हो जाते हैं (जैसे धुंधली फोटो को शार्प करना)।
- फेफड़ों को क्रॉप करें: वे फेफड़ों के अलावा सब कुछ काट देते हैं (उन पेसमेकर, तारों और हड्डियों को हटा देते हैं जो AI को विचलित करते हैं)।
- कोई नकली डेटा नहीं: वे असली छवियों पर AI को प्रशिक्षित करते हैं, बिना कोई नकली इमेज बनाए।
- परिणाम: इस विधि ने 95.21% प्रिसिजन (Precision) हासिल किया।
यह क्यों महत्वपूर्ण है (पेपर के अनुसार)
पेपर यह निष्कर्ष निकालता है कि सटीकता (Accuracy) के आंकड़े भ्रामक हो सकते हैं।
- एक AI चीटिंग करके (पेसमेकर देखकर) 99% स्कोर प्राप्त कर सकता है।
- एक AI ईमानदारी से (केवल फेफड़ों को देखकर) 95% स्कोर प्राप्त कर सकता है।
लेखक तर्क देते हैं कि चिकित्सा में, उच्च स्कोर से बेहतर ईमानदारी है। एक ऐसे मॉडल का होना बेहतर है जो विश्वसनीय रूप से फेफड़ों को देखता है, बजाय उस मॉडल के जो मरीज की उम्र या मशीन के प्रकार के आधार पर अनुमान लगाकर परफेक्ट स्कोर प्राप्त करता है। उन्होंने साबित किया कि "शोर" (सेगमेंटेशन) को बाहर निकालना और "असली" डेटा पर टिके रहना (नो ऑग्मेंटेशन) डॉक्टरों के लिए एक सुरक्षित, अधिक भरोसेमंद उपकरण बनाता 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।