Self-Supervised Contrastive Learning for Cardiac MR Sequence Classification

कल्पना कीजिए कि आपके पास एक प्रतिभाशाली छात्र है जिसने बिल्लियों, कुत्तों, कारों और पेड़ों की तस्वीरों से भरी एक लाइब्रेरी का वर्षों तक अध्ययन किया है। यह छात्र रोज़मर्रा की वस्तुओं को पहचानने में विशेषज्ञ है। अब, आप उसे मेडिकल हार्ट स्कैन (MRI इमेज) का एक ढेर थमाते हैं और उन्हें अलग-अलग श्रेणियों में छाँटने के लिए कहते हैं।

आश्चर्यजनक रूप से, यह "विशेषज्ञ" छात्र संघर्ष करता है। वह जो कुछ भी बिल्लियों और कारों के बारे में जानता है उसे हार्ट स्कैन पर लागू करने की कोशिश करता है, लेकिन वह काम नहीं करता। हार्ट स्कैन उन रोज़मर्रा की तस्वीरों से बहुत अलग दिखते हैं जिनका उसने अध्ययन किया था।

यही वह मुख्य समस्या है जिसे यह शोध पत्र (paper) संबोधित करता है। शोधकर्ता एक शक्तिशाली AI मॉडल (जिसे विज़न ट्रांसफार्मर या ViT कहा जाता है) को दिल के विभिन्न प्रकार के MRI स्कैन को छाँटने के लिए सिखाना चाहते थे। उन्होंने पाया कि मॉडल को लेबल किए गए उदाहरणों के साथ सिखाना (जैसे उसे एक स्कैन दिखाना और कहना "यह टाइप A है") सबसे कुशल तरीका नहीं था। इसके बजाय, उन्होंने एक चतुर नई रणनीति आजमाई: सेल्फ-सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग (Self-Supervised Contrastive Learning)।

उन्होंने इसे सरल अवधारणाओं में तोड़कर यहाँ समझाया है:

1. "जुड़वां" खेल (सेल्फ-सुपरवाइज्ड लर्निंग)

AI को तुरंत लेबल किए गए उदाहरण दिखाने के बजाय, उन्होंने छवियों के साथ एक खेल खेला।

• सेटअप: उन्होंने एक हार्ट स्कैन लिया और उसके दो थोड़े अलग संस्करण बनाए (जैसे उसे तिरछा करना या घुमाना)।
• नियम: उन्होंने AI को बताया, "ये दो तस्वीरें जुड़वां हैं; वे एक ही चीज़ हैं।" फिर उन्होंने उसे अन्य तस्वीरें दिखाईं और कहा, "ये अजनबी हैं; ये अलग हैं।"
• लक्ष्य: AI को यह पहचानना सीखना था कि "जुड़वां" एक साथ आते हैं और "अजनबी" एक दूसरे से अलग होते हैं, बिना किसी के उन्हें यह बताए कि वास्तविक मेडिकल डायग्नोसिस क्या था।

शोधकर्ताओं ने SimSiam नामक एक विशिष्ट विधि का उपयोग किया। SimSiam को एक स्मार्ट कोच की तरह समझें जो AI को हार्ट स्कैन के "आकार" और "संरचना" को पहचानने में मदद करता है, केवल चित्रों की आपस में तुलना करके, न कि किसी शिक्षक द्वारा हर एक विवरण बताने से।

2. परिणाम: दिल की "भाषा" सीखना

एक बार जब AI ने इस "जुड़वां" खेल को कुछ समय तक खेला, तो इसने हार्ट स्कैन की अनूठी भाषा और पैटर्न को सीख लिया था। इसके बाद, उन्होंने इसे थोड़े से लेबल किए गए डेटा (वास्तविक उत्तरों) के साथ दिया ताकि इसके कौशल को और बेहतर (fine-tune) बनाया जा सके।

• पुराना तरीका (सुपरवाइज्ड लर्निंग): यदि वे शुरुआत से ही AI को लेबल किए गए उत्तरों के साथ सिखाते, तो यह लगभग 74% सही होता।
• नया तरीका (पहले सेल्फ-सुपरवाइज्ड): पहले "जुड़वां" खेल खेलने के बाद, AI 78% तक सही प्रदर्शन कर सका।
• "आउट-ऑफ-द-बॉक्स" टेस्ट: असली जादू तब हुआ जब उन्होंने इस AI का परीक्षण उन अलग प्रकार के मेडिकल स्कैन पर किया जिन्हें उसने पहले कभी नहीं देखा था (ट्यूमर के लिए ब्रेन स्कैन और अल्जाइमर के लिए स्कैन)। "जुड़वां" खेल रणनीति के साथ प्रशिक्षित AI ने उस AI की तुलना में बहुत बेहतर प्रदर्शन किया जिसे केवल लेबल के साथ प्रशिक्षित किया गया था। यह ऐसा था जैसे वह छात्र जिसने शरीर रचना (anatomy) के सिद्धांतों को सीखा है, वह केवल तथ्यों को रटने वाले छात्र की तुलना में एक नए अंग को बेहतर समझ सकता है।

3. आश्चर्यजनक खोजें (एब्लेशन स्टडीज)

शोधकर्ताओं ने यह देखने के लिए कुछ वेरिएबल्स का परीक्षण किया कि क्या सबसे अच्छा काम करता है, जिससे उन्हें कुछ विपरीत परिणाम मिले:

• "भीड़" का आकार (बैच साइज): कई AI प्रशिक्षण विधियों में, अच्छी तरह सीखने के लिए आपको एक साथ उदाहरणों के एक बहुत बड़े समूह की आवश्यकता होती है। शोधकर्ताओं को लगा कि उन्हें छवियों का एक विशाल समूह चाहिए होगा। इसके बजाय, उन्होंने पाया कि एक मध्यम आकार का समूह (256 चित्र) सबसे अच्छा काम करता है। यदि समूह बहुत बड़ा हो जाता है, तो AI वास्तव में भ्रमित हो जाता है और खराब प्रदर्शन करता है। यह एक स्टडी ग्रुप की तरह है: एक छोटा समूह केंद्रित होता है, एक बड़ी भीड़ अराजक होती है।
• "कुछ" बनाम "कई" (डेटा का आकार): उन्होंने सोचा कि क्या इसे काम करने के लिए उन्हें हजारों लेबल किए गए चित्रों की आवश्यकता होगी। उन्होंने पाया कि भले ही उनके पास बहुत कम लेबल किया गया डेटा (उनके कुल संग्रह का केवल 3%) हो, तब भी "जुड़वां" खेल की रणनीति पारंपरिक विधि से बेहतर थी। यह बहुत बड़ी बात है क्योंकि लेबल किया गया मेडिकल डेटा प्राप्त करना कठिन और महंगा है; इस विधि को इसकी बहुत कम आवश्यकता है।

निचोड़ (The Bottom Line)

शोध पत्र निष्कर्ष निकालता है कि हार्ट MRI स्कैन को छाँटने के लिए, AI को पहले छवियों के बीच के संबंधों को समझना सिखाना (सेल्फ-सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग) केवल लेबल किए गए उदाहरण खिलाने की तुलना में एक बेहतर रणनीति है।

यह किसी को गाड़ी चलाना सिखाने जैसा है: केवल हर संभावित रूट का नक्शा देने के (लेबल किया गया डेटा) के बजाय, आप उन्हें एक सिम्युलेटर में गाड़ी चलाने का अभ्यास करने देते हैं जहाँ वे सीखते हैं कि कार मोड़ और स्टॉप कैसे लेती है (सेल्फ-सुपरवाइज्ड लर्निंग)। एक बार जब वे मैकेनिक्स को समझ लेते हैं, तो वे नए रास्तों (विभिन्न मेडिकल डेटासेट) पर बहुत आसानी से नेविगेट कर सकते हैं।

महत्वपूर्ण नोट: यह शोध पत्र सख्ती से AI की छवियों को वर्गीकृत (छाँटने) करने की क्षमता पर केंद्रित है। यह दावा नहीं करता है कि यह AI रोगियों का निदान कर सकता है, डॉक्टरों की जगह ले सकता है, या अभी अस्पताल में उपयोग किया जा सकता है। यह केवल यह सिद्ध करता है कि यह विशिष्ट लर्निंग मेथड AI को छवियों को पहचानने में अधिक स्मार्ट बनाता है।