An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation

कल्पना कीजिए कि आप एक कंप्यूटर को मरीज के शरीर में ट्यूमर पहचानने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। डॉक्टर आमतौर पर दो प्रकार के चित्रों को एक साथ देखते हैं: एक CT स्कैन (जो शरीर की शारीरिक रचना दिखाता है, जैसे हड्डियों और अंगों का विस्तृत 3D मानचित्र) और एक PET स्कैन (जो मेटाबॉलिज्म दिखाता है, यानी उन क्षेत्रों को चमकाता है जहाँ कोशिकाएं ऊर्जा जला रही होती हैं, जो अक्सर कैंसर का संकेत देते हैं)।

लंबे समय से, कंप्यूटर इन दोनों दृश्यों को प्रभावी ढंग से संयोजित करने में अक्षम रहे हैं। मौजूदा अधिकांश AI मॉडल ऐसे छात्रों की तरह थे जिन्होंने केवल एक विशिष्ट परीक्षा के लिए पढ़ाई की थी। उन्हें केवल एक ही अस्पताल के मरीजों के छोटे समूहों पर प्रशिक्षित किया गया था, और वे CT और PET स्कैन के साथ दो अलग-अलग विषयों की तरह व्यवहार करते थे, केवल अपने "सोचने" की प्रक्रिया के बिल्कुल अंत में उन्हें जोड़ने का प्रयास करते थे। इससे वे नाजुक बन गए थे; यदि कंप्यूटर किसी दूसरे अस्पताल या अलग मशीन का स्कैन देखता, तो वह अक्सर भ्रमित हो जाता था।

यह शोध पत्र PET/CT स्कैन के लिए एक नया समाधान पेश करता है: एक "फाउंडेशन मॉडल" (Foundation Model)। इसे ऐसे न समझें कि यह एक छात्र है जो एक विशिष्ट परीक्षा के लिए पढ़ रहा है, बल्कि इसे एक मेडिकल छात्र के रूप में देखें जिसने वास्तविक मरीज को देखने से पहले चार अलग-अलग देशों की हजारों पाठ्यपुस्तकों को पढ़ा है।

यहाँ बताया गया है कि उन्होंने इसे कैसे बनाया और यह क्यों काम करता है, सरल शब्दों में:

1. स्कैन का "लाइब्रेरी" (The "Library" of Scans)

एक ही स्थान के छोटे डेटासेट के बजाय, शोधकर्ताओं ने चार अलग-अलग सार्वजनिक डेटासेट्स (जर्मनी, ऑस्ट्रेलिया, अमेरिका और वियतनाम से) से 4,997 स्कैन एकत्र किए।

• चुनौती: ये सभी स्कैन अलग-अलग आकार के थे और अलग-अलग मशीनों से लिए गए थे। यह एक पहेली (puzzle) बनाने की कोशिश करने जैसा है जहाँ कुछ टुकड़े एक 1000-टुकड़ों वाले सेट के हैं और अन्य एक 500-टुकड़ों वाले सेट के हैं, और चित्र की गुणवत्ता भी भिन्न है।
• समाधान: उन्होंने एक "सुधार पाइपलाइन" (harmonization pipeline) बनाई। एक मास्टर संपादक की कल्पना करें जो इन सभी अलग-अलग पहेली के टुकड़ों को लेता है, उनके किनारों को काटता है और उन्हें एक ही भौतिक ग्रिड (2.0 x 2.0 x 3.0 मिमी प्रति टुकड़ा) में फिट होने के लिए रीसाइज करता है। महत्वपूर्ण बात यह है कि उन्होंने छवियों को केवल एक जैसा दिखने के लिए खींचा (stretch) नहीं; बल्कि उन्होंने ट्यूमर के वास्तविक भौतिक आकार को सुरक्षित रखा ताकि कंप्यूटर चीजों के वास्तविक पैमाने को सीख सके।

2. CT और PET का "जल्द विवाह" (The "Early Marriage" of CT and PET)

अधिकांश पिछले AI मॉडल CT और PET स्कैन के साथ ऐसे व्यवहार करते थे जैसे दो लोग मेज के विपरीत सिरों पर बैठे हों, और वे एक-दूसरे से तभी बात करते हैं जब उन्होंने अपनी रिपोर्ट लिख ली हो।

• नया दृष्टिकोण: यह मॉडल CT और PET स्कैन को बिल्कुल पहले क्षण से ही "हाथ मिलाने" के लिए मजबूर करता है। उन्हें विश्लेषण शुरू करने से पहले ही अगल-बगल (channel-wise concatenation) जोड़ दिया जाता है।
• उपमा: यह एक बच्चे को कुत्ता पहचानने के लिए सिखाने जैसा है, जिसमें उसे कुत्ते की तस्वीर और साथ में भौंकने की आवाज दिखाई जाती है, बजाय इसके कि पहले उसे एक तस्वीर दिखाई जाए, फिर पूछा जाए "यह क्या है?", और फिर आवाज सुनाई जाए और पूछा जाए "यह क्या है?" अलग-अलग। शारीरिक संरचना (CT) और चयापचय (PET) की जानकारी को तुरंत मिलाकर, मॉडल यह सीखता है कि शरीर की संरचना और उसकी ऊर्जा का उपयोग एक-दूसरे से कैसे संबंधित हैं।

3. "आंखों पर पट्टी" वाला खेल (The "Blindfold" Game - Masked Autoencoding)

इस मॉडल को बिना किसी इंसान द्वारा हर एक ट्यूमर पर आउटलाइन खींचने (जो महंगा और धीमा है) के प्रशिक्षित करने के लिए, उन्होंने मास्क्ड ऑटोएनकोडिंग (Masked Autoencoding) नामक तकनीक का उपयोग किया।

• खेल: कल्पना करें कि आप कंप्यूटर को एक ट्यूमर की तस्वीर दिखाते हैं, लेकिन आप उसका 50% हिस्सा एक पट्टी से ढक देते हैं। कंप्यूटर का काम यह अनुमान लगाना है कि दृश्य भागों और दूसरे स्कैन प्रकार (उदाहरण के लिए, यदि CT छिपा हुआ है, तो वह आकार का अनुमान लगाने के लिए PET को देखता है) के आधार पर नीचे क्या छिपा है।
• नवाचार: आमतौर पर, जब कंप्यूटर किसी छवि के हिस्सों को ढकता है, तो वे खाली जगह को एक सामान्य "प्लेसहोल्डर" टोकन (जैसे एक खाली ग्रे वर्ग) से भर देते हैं। शोधकर्ताओं ने महसूस किया कि यह "कृत्रिम किनारे" (artificial edges) बनाता है जो कंप्यूटर को भ्रमित करते हैं। इसके बजाय, उन्होंने जीरो-मीन इम्प्यूटेशन (Zero-Mean Imputation) का उपयोग किया। चूंकि उन्होंने पहले ही डेटा को सामान्य (normalize) कर दिया था (चमक को इस तरह समायोजित किया था कि औसत शून्य हो), उन्होंने छिपे हुए स्थानों को शून्य (zero) से भर दिया।
• यह क्यों मायने रखता है: यह दीवार के छेद को पहले से मौजूद प्लास्टर के बिल्कुल समान रंग से भरने जैसा है, न कि वहां एक ग्रे पैच लगाने जैसा। यह छवि की "बनावट" (texture) को सुचारू रखता है, जिससे कंप्यूटर बिना विचलित हुए बेहतर सीख पाता है।

4. परिणाम: कम के साथ सीखना (The Results: Learning with Less)

शोधकर्ताओं ने इस नए मॉडल का परीक्षण "ट्यूमर सेगमेंटेशन" (ट्यूमर के चारों ओर रेखा खींचना) नामक कार्य पर किया।

• "फ्यू-शॉट" चमत्कार (The "Few-Shot" Miracle): आमतौर पर, AI को अच्छी तरह सीखने के लिए हजारों लेबल किए गए उदाहरणों की आवश्यकता होती है। हालाँकि, इस मॉडल को पहले 4,997 स्कैन के विशाल "लाइब्रेरी" पर प्रशिक्षित किया गया था। जब उन्होंने इसे केवल 10% लेबल किए गए डेटा (केवल 70 स्कैन) के साथ परीक्षण किया, तो इसने 100% डेटा पर प्रशिक्षित अन्य मॉडलों के समान प्रदर्शन किया।
• "एक्सट्रीम" टेस्ट: उन्होंने एक "5-शॉट" परीक्षण भी किया, जहाँ कंप्यूटर ने केवल 5 लेबल किए गए उदाहरण देखे। नया मॉडल अभी भी काम कर गया, जबकि पुराने मॉडल पूरी तरह विफल रहे।
• निष्कर्ष: क्योंकि मॉडल ने एक विशाल, विविध डेटासेट से यह सीखा कि ट्यूमर CT और PET दोनों में कैसे दिखते हैं, इसलिए इसे हर नए अस्पताल के लिए शुरुआत से सब कुछ फिर से सिखाने की आवश्यकता नहीं थी।

सारांश

यह शोध पत्र चिकित्सा इमेजिंग के लिए एक ओपन-सोर्स "मस्तिष्क" प्रस्तुत करता है जिसने हजारों विविध स्कैन पढ़े हैं। CT और PET स्कैन को शुरुआत से ही एक साथ देखने के लिए प्रशिक्षित करके और एक चतुर "खाली जगह भरने" वाली प्रशिक्षण विधि का उपयोग करके, उन्होंने एक ऐसी प्रणाली बनाई है जो है:

1. अधिक स्मार्ट: यह शरीर की संरचना और मेटाबॉलिज्म के बीच के संबंध को बेहतर समझती है।
2. अधिक कुशल: यह बहुत कम लेबल किए गए उदाहरणों के साथ ट्यूमर को पहचानना सीख सकती है, जिससे डॉक्टरों का समय बचता है।
3. अधिक मजबूत (Robust): यह तब भी अच्छा काम करती है जब स्कैन अलग-अलग अस्पतालों या मशीनों से आते हैं।

लेखक नोट करते हैं कि हालांकि यह एक शक्तिशाली उपकरण है, वर्तमान में इसके लिए CT और PET दोनों स्कैन की उपस्थिति आवश्यक है (यह अभी गायब डेटा को नहीं संभाल सकता) और इसके सबसे बड़े संस्करण को पूरी तरह से फाइन-ट्यून करने के लिए कभी-कभी उपलब्ध परीक्षण डेटा से अधिक लेबल किए गए डेटा की आवश्यकता होती है। फिर भी, यह भविष्य की स्वचालित कैंसर इमेजिंग के लिए एक मजबूत, ओपन फाउंडेशन प्रदान करता है।