← नवीनतम पेपर
🤖 AI

A World Model of Radiologist Reading for Medical Image Representation Learning

GazeWorld एक मेडिकल इमेजिंग वर्ल्ड मॉडल है जो रेडियोलॉजिस्ट के आई-ट्रैकिंग डेटा का लाभ उठाते हुए लेटेंट इमेज रिप्रेजेंटेशन्स को ऑटोरेग्रेसिवली प्रेडिक्ट करता है, जिससे यह केवल इस बात को सीखने के बजाय कि विशेषज्ञों ने क्या निष्कर्ष निकाला, बल्कि यह सीखने में सक्षम होता है कि विशेषज्ञ छवियों को कैसे पढ़ते हैं, जिससे स्टेट-ऑफ-द-आर्ट डायग्नोस्टिक सटीकता और ज़ीरो-शॉट प्रदर्शन प्राप्त होता है।

मूल लेखक: Yiwei Li, Zihao Wu, Huaqin Zhao, Yifan Zhou, Chao Cao, Dajiang Zhu, Tianming Liu, Lin Zhao

प्रकाशित 2026-05-26
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yiwei Li, Zihao Wu, Huaqin Zhao, Yifan Zhou, Chao Cao, Dajiang Zhu, Tianming Liu, Lin Zhao

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 आप एक कंप्यूटर को एक्स-रे पढ़ना सिखाने की कोशिश कर रहे हैं। आमतौर पर, हम कंप्यूटर को हजारों तस्वीरें दिखाते हैं और कहते हैं, "इसमें निमोनिया है, यह साफ है।" लेकिन यह किसी को केवल मंजिल दिखाकर ड्राइविंग सिखाने जैसा है, बिना कभी यह समझाए कि वे वहां तक कैसे पहुंचे। कंप्यूटर संयोग से सही अनुमान लगा सकता है, लेकिन वह वास्तव में समस्या को खोजने की प्रक्रिया को नहीं समझता है।

यह पेपर कंप्यूटर को सिखाने का एक नया तरीका पेश करता है, जिसे GazeWorld कहा जाता है। केवल अंतिम उत्तर देखने के बजाय, GazeWorld यह समझने की कोशिश करता है कि एक मानव विशेषज्ञ (एक रेडियोलॉजिस्ट) तस्वीर को कैसे देखता है।

यहाँ सरल उपमाओं का उपयोग करके इसका विवरण दिया गया है:

1. समस्या: "ब्लैक बॉक्स" और "डेटा की कमी"

मेडिकल AI के पास दो बड़ी मुश्किलें हैं:

  • डेटा की कमी: लाखों लेबल किए गए एक्स-रे प्राप्त करना कठिन है क्योंकि मरीज की गोपनीयता के कानून सख्त हैं और डॉक्टर व्यस्त होते हैं।
  • "ब्लैक बॉक्स": वर्तमान AI मॉडल अक्सर केवल निदान (डायग्नोसिस) देते हैं ("यह निमोनिया है!") बिना यह दिखाए कि उन्होंने अपना काम कैसे किया। डॉक्टर उस मशीन पर भरोसा नहीं कर सकते यदि उन्हें यह नहीं पता कि उसने वह निर्णय क्यों लिया।

2. गुप्त सामग्री: आई-ट्रैकिंग (Eye-Tracking)

रेडियोलॉजिस्ट एक्स-रे को बेतरतीब ढंग से नहीं देखते। उनके देखने का एक विशिष्ट तरीका होता है। वे ऊपर बाईं ओर देख सकते हैं, फिर नीचे दाईं ओर कूद सकते हैं, फिर एक विशिष्ट स्थान पर ज़ूम कर सकते हैं। इसे स्कैनपाथ (scanpath) कहा जाता है।

  • पुराना तरीका: पिछले AI मॉडल इस आंखों की हरकत को एक स्थिर "हीट मैप" (एक धुंधला लाल धब्बा जो दिखाता है कि डॉक्टर ने कहाँ देखा) की तरह मानते थे। यह देखने के क्रम को फेंक देता है। यह यह जानने जैसा है कि एक जासूस अपराध स्थल पर गया था, लेकिन यह नहीं कि उसने सुरागों को किस क्रम में खोजा।
  • नया तरीका (GazeWorld): यह मॉडल एक्स-रे को एक दुनिया के रूप में और डॉक्टर की आंखों की हरकत को उस दुनिया के माध्यम से एक यात्रा के रूप में मानता है।

3. GazeWorld कैसे काम करता है: "कहानीकार" और "कल्पना करने वाला"

मॉडल दो समानांतर तरीकों से सीखता है, जैसे कि एक छात्र जो कहानी भी पढ़ रहा है और छूटे हुए पन्नों की कल्पना भी कर रहा है:

  • कहानीकार (Next-Fixation Prediction):
    कल्पना कीजिए कि आप एक किताब पढ़ रहे हैं, लेकिन आप केवल पहले कुछ वाक्य देख पाते हैं। GazeWorld यह अनुमान लगाने की कोशिश करता है कि आपके द्वारा पढ़े गए वाक्यों के आधार पर अगला वाक्य क्या होगा।

    • AI के मामले में, यह एक्स-रे के उस पहले हिस्से (patch) को देखता है जिसे डॉक्टर ने देखा, फिर दूसरे को, और फिर अगले हिस्से के लेटेंट रिप्रेजेंटेशन (अर्थ) का अनुमान लगाने की कोशिश करता है जिसे डॉक्टर देखेगा।
    • ऐसा करके, यह डॉक्टर की खोज के तर्क को सीखता है। यह सीखता है कि "यदि मैं यहाँ एक छाया देखता हूँ, तो अगली तार्किक जगह जहाँ मुझे देखना चाहिए, वह वहाँ है।"

  • कल्पना करने वाला (Spatial Completion):
    एक्स-रे के उन हिस्सों के बारे में क्या जो डॉक्टर ने नहीं देखे? शायद उन्होंने उन्हें छोड़ दिया क्योंकि वे सामान्य थे, या क्योंकि वे समस्या से दूर थे।

    • GazeWorld का दूसरा हिस्सा एक कल्पनाशील कलाकार की तरह कार्य करता है। यह डॉक्टर द्वारा देखे गए "कहट" (story) को लेता है और उन हिस्सों के लिए "खाली जगहों को भरने" की कोशिश करता है जिन्हें उन्होंने छोड़ दिया था।
    • यह पूछता है: "डॉक्टर द्वारा एकत्र किए गए साक्ष्यों के आधार पर, इस खाली, अनपेक्षित कोने में संभवतः क्या है?"

4. परिणाम: एक स्मार्ट, अधिक भरोसेमंद AI

लेखकों ने तीन प्रमुख चेस्ट एक्स-रे डेटासेट्स (CheXpert, RSNA, और SIIM-ACR) पर इसका परीक्षण किया। यहाँ क्या हुआ:

  • बेहतर निदान: जब उन्होंने निदान के लिए "फ्रोजन" (प्री-ट्रेन्ड) GazeWorld फीचर्स का उपयोग किया, तो इसने हर मौजूदा पद्धति को मात दी, तब भी जब उन्होंने इसे बहुत कम लेबल किए गए डेटा (1% या 10%) के साथ दिया।
  • जीरो-शॉट सफलता: इसने तब भी सर्वश्रेष्ठ प्रदर्शन किया जब इसे बिना किसी विशिष्ट प्रशिक्षण के नई बीमारियों का अनुमान लगाना पड़ा।
  • बेहतर आई-ट्रैकिंग प्रेडिक्शन: उन्होंने परीक्षण किया कि क्या मॉडल यह अनुमान लगा सकता है कि इंसान आगे कहाँ देखेगा। भले ही GazeWorld को आंखों की हरकत की भविष्यवाणी करने के लिए स्पष्ट रूप से प्रशिक्षित नहीं किया गया था, फिर भी इसका आंतरिक "मस्तिष्क" पढ़ने की प्रक्रिया को समझने में इतना अच्छा था कि एक साधारण डिकोडर इसके माध्यम से डॉक्टर के आई-पाथ (eye path) को विशेष रूप से बनाए गए मॉडलों की तुलना में बेहतर तरीके से अनुमानित कर सका।
  • दृश्य प्रमाण: जब उन्होंने AI कहाँ "देख" रहा था (हीटमैप का उपयोग करके) इसका विज़ुअलाइज़ेशन किया, तो इसने अन्य मॉडलों की तुलना में वास्तविक चिकित्सा समस्याओं (जैसे निमोनिया के धब्बे) पर बहुत अधिक ध्यान केंद्रित किया, जो अक्सर बिखरे हुए और भ्रमित थे।

निचोड़

GazeWorld केवल यह नहीं सीखता कि बीमारी कैसी दिखती है; यह यह सीखता है कि उसे कैसे ढूँढा जाए। एक रेडियोलॉजिस्ट की आंखों की चरण-दर-चरण यात्रा की नकल करके, यह चिकित्सा छवियों की एक स्मार्ट, अधिक कुशल और अधिक व्याख्या योग्य समझ बनाता है। यह साबित करता है कि AI को यह सिखाना कि विशेषज्ञ कैसे सोचते हैं, यह सिखाने जितना ही महत्वपूर्ण है कि वे क्या निष्कर्ष निकालते हैं।

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.AI →