Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, दुनिया देख चुके रोबोट (जिसे ResNet50 कहा जाता है) को त्वचा की तस्वीरों में मेलानोमा (melanoma) नामक एक खतरनाक स्थिति को पहचानने के लिए सिखाने की कोशिश कर रहे हैं। इस रोबोट ने पहले से ही लाखों सामान्य तस्वीरें (जैसे बिल्लियाँ, कारें और पेड़) देखी हैं और यह सामान्य आकृतियों और रंगों को पहचानने में विशेषज्ञ है। लेकिन अब, इसे एक बहुत ही विशिष्ट, उच्च-दांव वाले कौशल को सीखना है: एक हानिरहित तिल और एक खतरनाक कैंसर के बीच अंतर करना।

लेखक, आर्यन भगत, ने इस रोबोट को यह कैसे सिखाया, इसे सरल शब्दों में यहाँ समझाया गया है:

1. समस्या: रोबोट पक्षपाती और भ्रमित था

रोबोट के सामने दो बड़ी बाधाएँ थीं:

• "बहुत अधिक अच्छे तिलों" की समस्या: वास्तविक दुनिया में, अधिकांश तिल हानिरहित (benign) होते हैं और बहुत कम कैंसरयुक्त (melanoma) होते हैं। यदि आप रोबोट को केवल ऐसी तस्वीरों का ढेर दिखाते हैं जहाँ 10 में से 8 हानिरहित हैं, तो वह आलसी हो जाता है। वह ज्यादातर समय सही होने के लिए हर चीज़ को "हानिरहित" बताने लगता है। यह खतरनाक है क्योंकि इससे वह कैंसर को पहचान नहीं पाता।
• "एक ही आकार सबके लिए" की समस्या: आमतौर पर, जब हम किसी रोबोट को नया हुनर सिखाते हैं, तो हम उसके दिमाग को एक साथ ही थोड़ा सा बदल देते हैं। लेकिन लेखक ने पाया कि ऐसा बहुत तेज़ी से करने से रोबोट अपने पहले से मौजूद सामान्य ज्ञान (जैसे किनारों और छायाओं को देखना) को भूल जाता है और त्वचा के नए, विशिष्ट विवरणों के साथ भ्रमित हो जाता है।

2. समाधान: एक दो-चरणीय "बूट कैंप" (Boot Camp)

रोबोट को सीधे गहरे पानी में फेंकने के बजाय, लेखक ने एक दो-चरणीय फाइन-ट्यूनिंग (Two-Stage Fine-Tuning) दृष्टिकोण का उपयोग किया। इसे एक एथलीट को दो अलग-अलग चरणों में प्रशिक्षित करने की तरह समझें:

• चरण 1: वार्म-अप (सिर को स्थिर करना)
  लेखक ने रोबोट के "दिमाग" (जो सामान्य विशेषताओं को देखता है) को फ्रीज कर दिया ताकि वह बदल न सके। उन्होंने केवल "निर्णय लेने वाले" (classification head) को थोड़े समय के लिए प्रशिक्षित किया।

  • उपमा: कल्पना कीजिए कि एक नया कर्मचारी है जो कंप्यूटर चलाना जानता है लेकिन उसे कंपनी के विशिष्ट नियमों का पता नहीं है। चरण 1 में, आप उन्हें केवल नियम सिखाते हैं (निर्णय लेने वाला हिस्सा) बिना उन्हें जटिल मशीनरी छूने दिए। यह सुनिश्चित करता है कि वे अभिभूत न हों।
  • समाधान: इससे पहले, लेखक ने प्रशिक्षण तस्वीरों को संतुलित किया ताकि "कैंसर" और "कैंसर नहीं" की तस्वीरों की संख्या बराबर हो। इसने रोबोट को दोनों पर ध्यान देने के लिए मजबूर किया, न कि केवल आसान "कैंसर नहीं" वाले चित्रों पर।

• चरण 2: गहरा गोता (Deep Dive - सब कुछ फाइन-ट्यून करना)
  एक बार जब निर्णय लेने वाला हिस्सा स्थिर हो गया, तो लेखक ने पूरे दिमाग को अनफ्रीज कर दिया। उन्होंने रोबोट को अपनी पूरी नेटवर्क को त्वचा की तस्वीरों को समझने के लिए समायोजित करने दिया, लेकिन उन्होंने सीखने की गति को बहुत ही धीमी कर दिया (एक बहुत ही कम "लर्निंग रेट")।

  • उपमा: अब जब कर्मचारी नियमों को जानता है, तो उसे मशीनरी छूने की अनुमति है, लेकिन उसे बहुत धीरे-धीरे और सावधानी से चलने के लिए कहा जाता है। यह उसे अपने पिछले काम (इमेजनेट ज्ञान) से सीखे गए उपयोगी कौशल को गलती से तोड़ने से रोकता है जबकि वह नए त्वचा-विशिष्ट कौशल सीख रहा होता है।

3. परिणाम: एक पैनी नज़र

जब उन्होंने इस रोबोट का परीक्षण 3,826 नई त्वचा तस्वीरों पर किया जिन्हें उसने पहले कभी नहीं देखा था, तो परिणाम प्रभावशाली थे:

• उसने कैंसर पकड़ा: इसने वास्तविक मेलानोमा मामलों में से लगभग 87.6% को सही ढंग से पहचाना। यह सबसे महत्वपूर्ण संख्या है क्योंकि कैंसर के मामले को चूक जाना सबसे बुरा परिणाम होता है।
• वह घबराया नहीं: इसने हानिरहित तिलों के लिए लगभग 89.1% मामलों में सही ढंग से कहा कि "यह सुरक्षित है।" यह बहुत अच्छा है क्योंकि इसका मतलब है कि लोगों को अनावश्यक बायोप्सी (तिल की जांच के लिए सर्जरी) की आवश्यकता कम होगी।
• "एब्लेशन स्टडी" (प्रमाण): लेखक ने इस पद्धति की प्रभावशीलता को "पुराने तरीके" (केवल एक चरण) से प्रशिक्षित रोबोट से तुलना करके सिद्ध किया। दो-चरणीय रोबोट कैंसर खोजने में 4% बेहतर था। 3,800 लोगों के समूह में, वह अंतर लगभग 161 अतिरिक्त मामलों को पकड़ने के बराबर है जिन्हें पुराना तरीका छोड़ देता।

4. रोबोट की सोच को देखना (Grad-CAM)

लेखक ने केवल आंकड़ों पर भरोसा नहीं किया; उन्होंने Grad-CAM नामक एक टूल का उपयोग करके रोबोट को अपना काम दिखाने के लिए कहा।

• उपमा: यह रोबोट द्वारा फोटो के ऊपर एक चमकता हुआ लाल नक्शा बनाने जैसा है ताकि यह दिखाया जा सके कि वह वास्तव में कहाँ देख रहा था।
• परिणाम: जब रोबोट ने कैंसर देखा, तो उसका लाल नक्शा तिल की अजीब, अनियमित सीमाओं पर केंद्रित था। जब उसने एक सुरक्षित तिल देखा, तो नक्शा अधिक फैला हुआ था। इससे यह साबित हुआ कि रोबोट वास्तव में त्वचा के घाव को देख रहा था, न कि फोटो में बाल या स्केल जैसे रैंडम बैकग्राउंड शोर के आधार पर अनुमान लगा रहा था।

5. इसका क्या अर्थ है

पेपर यह निष्कर्ष निकालता है कि शानदार परिणाम प्राप्त करने के लिए आपको एक बिल्कुल नया, जटिल रोबोट आर्किटेक्चर बनाने की आवश्यकता नहीं है। इसके बजाय, आप रोबोट को कैसे सिखाते हैं, यह अधिक मायने रखता है। इस विशिष्ट दो-चरणीय प्रशिक्षण पद्धति का उपयोग करके और यह सुनिश्चित करके कि रोबोट प्रशिक्षण और परीक्षण के दौरान तस्वीरों को बिल्कुल एक ही तरीके से देखता है, लेखक ने एक अत्यधिक संवेदनशील डिटेक्टर बनाया है।

लेखक ने एक मुफ्त, वर्किंग ऐप (Streamlit का उपयोग करके) भी बनाया है जहाँ कोई भी त्वचा की फोटो अपलोड कर सकता है और उसकी भविष्यवाणी, साथ ही "हीट मैप" देख सकता है कि उसने कहाँ देखा। सारा कोड किसी के भी जाँच और उपयोग के लिए खुला है।

संक्षेप में: यह पेपर दिखाता है कि एक मानक AI मॉडल को एक तेज़ चरण के बजाय दो सावधानीपूर्वक चरणों में प्रशिक्षित करके, हम खतरनाक त्वचा कैंसर का पता लगाने की इसकी क्षमता को काफी सुधार सकते हैं और गलत अलार्म से बच सकते हैं।