Towards Dys-XAI: Influence-Based Explanations for Dysarthria Severity Assessment

तकनीकी सारांश: Dys-XAI की ओर: डिसआर्थ्रिया (Dysarthria) गंभीरता मूल्यांकन के लिए प्रभाव-आधारित स्पष्टीकरण

समस्या विवरण
डिसआर्थ्रिया गंभीरता का मूल्यांकन नैदानिक चिकित्सा योजना और अनुदैर्ध्य निगरानी (longitudinal monitoring) के लिए महत्वपूर्ण है, लेकिन वर्तमान में यह मैन्युअल बोधपरक रेटिंग (manual perceptual rating) पर निर्भर करता है, जो समय लेने वाला है और जिसमें अंतर-रेटर्स की परिवर्तनशीलता (inter-rater variability) की समस्या रहती है। जबकि डीप लर्निंग मॉडल सार्वजनिक डेटासेट पर विशेषज्ञ रेटिंग के समान प्रदर्शन प्राप्त कर चुके हैं, उनकी "ब्लैक-बॉक्स" प्रकृति नैदानिक उपयोग को बाधित करती है। भाषण के लिए मौजूदा व्याख्यात्मक एआई (XAI) विधियाँ, जैसे कि फीचर एट्रिब्यूशन (जैसे, SHAP, LIME) या अटेंशन विज़ुअलाइज़ेशन, आमतौर पर ध्वनिक विशेषता स्कोर (acoustic feature importance scores) या स्पेक्ट्रोग्राम हीटमैप उत्पन्न करती हैं। लेखक तर्क देते हैं कि ये नैदानिक उपयोगिता के लिए अपर्याप्त हैं क्योंकि:

1. वे स्थानीय (local) और उच्चारण-स्तर (utterance-level) के होते हैं, जो गंभीरता लेबल की क्रमोन्नति प्रकृति (ordinal nature) को पकड़ने में विफल रहते हैं (जहाँ आस-पास की श्रेणियाँ केवल नाममात्र की श्रेणियों के बजाय वृद्धिशील अंतरों का प्रतिनिधित्व करती हैं)।
2. वे इंजीनियर किए गए ध्वनिक डिस्क्रिप्टर या समय-आवृत्ति क्षेत्रों (time-frequency regions) पर निर्भर करते हैं जिन्हें नैदानिक तर्क में उपयोग किए जाने वाले बोधपरक निर्माणों (perceptual constructs) (जैसे, व्यंजन परिशुद्धता, सांस की भारीपन/breathiness) में अनुवादित करना चिकित्सकों के लिए कठिन होता है।

कार्यप्रणाली
यह शोध पत्र Dys-XAI का प्रस्ताव करता है, जो एक प्रभाव-आधारित (influence-based), इंस्टेंस-स्तरीय व्याख्यात्मक ढांचा है जो स्पष्टीकरण के परिप्रेक्ष्य को ध्वनिक विशेषताओं से बदलकर प्रशिक्षण इंस्टेंस (training instances) की ओर ले जाता है। यह पूछने के बजाय कि कौन सी विशेषताएं महत्वपूर्ण थीं, यह ढांचा पूछता है कि किन प्रशिक्षण नमूनों ने एक विशिष्ट भविष्यवाणी पर सहायक या विरोधी प्रभाव डाला।

• कार्य सूत्रीकरण (Task Formulation): कार्य को TORGO डेटासेट का उपयोग करके एक 4-वर्ग क्रमोन्नति वर्गीकरण (4-class ordinal classification) के रूप में परिभाषित किया गया है (Typical, Mild, Moderate, Severe)।
• इंस्टेंस-स्तरीय प्रभाव गणना: लेखक एक ग्रेडिएंट-आधारित प्रभाव अनुमान पद्धति का उपयोग करते हैं। प्रशिक्षण के दौरान सहेजे गए चेकपॉइंट्स $\{\theta_1, \dots, \theta_M\}$ को ट्रैक करके, वे एक परीक्षण नमूना $x_t$ पर एक प्रशिक्षण नमूना $x_i$ के प्रभाव की गणना उनके ग्रेडिएंट्स के संचयी आंतरिक उत्पाद (cumulative inner product) के रूप में करते हैं:
  $$I_{i \to t} = \sum_{m=1}^{M} \nabla_\theta \ell(f_{\theta_m}(x_t), y_t)^\top \nabla_\theta \ell(f_{\theta_m}(x_i), y_i)$$
  एक सकारात्मक आंतरिक उत्पाद सहायक प्रभाव (supportive influence) को दर्शाता है (प्रशिक्षण $x_i$ पर करने से $x_t$ पर होने वाला लॉस कम हो जाता है), जबकि एक नकारात्मक उत्पाद विरोधी (counteracting) प्रभाव को दर्शाता है।
• एकत्रीकरण रणनीतियाँ (Aggregation Strategies):
  1. वर्ग-स्तरीय एकत्रीकरण (Class-Level Aggregation): प्रभाव स्कोर को परीक्षण नमूनों के वास्तविक गंभीरता लेबल द्वारा एकत्रित किया जाता है ताकि क्रमोन्नति पैमाने (ordinal scale) पर सहायक बनाम प्रतिस्पर्धी योगदान को मापा जा सके। यह एक $4 \times 4$ प्रभाव मैट्रिक्स ($S_{c \leftarrow c'}$) बनाता है जो दिखाता है कि गंभीरता $c'$ के प्रशिक्षण नमूने गंभीरता $c$ के लिए भविष्यवाणियों को कैसे प्रभावित करते हैं।
  2. मॉडल-स्तरीय क्रमोन्नति संवेदनशीलता (Model-Level Ordinal Sensitivity): प्रभाव को क्रमोन्नति दूरी ($d = |c - c'|$) द्वारा एकत्रित किया जाता है ताकि यह आकलन किया जा सके कि क्या मॉडल क्रमोन्नति संरचना का सम्मान करता है (अर्थात, क्या प्रभाव गंभीरता स्तरों के बीच की दूरी बढ़ने के साथ घटता है)।
• सत्यापन: ढांचे को नियंत्रित विलोपन प्रयोगों (controlled deletion experiments) के माध्यम से सत्यापित किया गया है। लेखक उच्च-प्रभाव या निम्न-प्रभाव वाले प्रशिक्षण नमूनों को चुनिंदा रूप से हटाते हैं (5-20%) और मॉडल की भविष्यवाणियों में व्यवस्थित बदलावों को देखने के लिए मॉडल को पुन: प्रशिक्षित करते हैं।

प्रमुख परिणाम

• प्रभाव स्कोर का सत्यापन: नियंत्रित विलोपन प्रयोगों ने प्रभाव स्कोर की निष्ठा (faithfulness) की पुष्टि की।
  • उच्च-प्रभाव हटाना: अत्यधिक प्रभावशाली नमों के शीर्ष 20% को हटाने से प्रदर्शन में गंभीर गिरावट आई (उदाहरण के लिए, Moderate गंभीरता के लिए सटीकता 36.8% से गिरकर 0.3% हो गई; Severe 72.3% से गिरकर 43.1% हो गई)।
  • निम्न-प्रभाव हटाना: कम प्रभाव वाले नमों (low influence) के निचले 20% को हटाने से प्रदर्शन में सुधार हुआ, विशेष रूप से अस्पष्ट वर्गों के लिए (Mild की सटीकता 5.5% से बढ़कर 17.6% हो गई), जिससे पता चलता है कि इन नमों में शोर या गलत लेबल वाला डेटा था।
• क्रॉस-गंभीरता प्रभाव पैटर्न: वर्ग-स्तरीय प्रभाव मैट्रिक्स ने एक दो-स्तरीय संरचना (two-tier structure) प्रकट की:
  • बाइनरी विभेदन (Binary Distinction): 'Typical' भाषण अलग थलग है; इसे केवल अन्य 'typical' नमों से सकारात्मक प्रभाव प्राप्त होता है और सभी 'dysarthric' स्तरों से नकारात्मक प्रभाव प्राप्त होता है।
  • क्रमोन्नति प्रवणता (Ordinal Gradation): 'Dysarthric' स्तर (Mild, Moderate, Severe) आपसी सकारात्मक प्रभाव प्रदर्शित करते हैं, जो इंगित करता है कि मॉडल डिसआर्थ्रेटिक निरंतरता (continuum) के बीच साझा ध्वनिक विशेषताओं को पहचानता है।
• क्रमोन्नति संवेदनशीलता: औसत प्रभाव $\bar{S}(d)$ क्रमोन्नति दूरी ($d$) के साथ निरंतर रूप से घटता है। समान-स्तर का प्रभाव आस-पास के स्तर के प्रभाव की तुलना में 13 गुना अधिक मजबूत था, और दूर के स्तरों के लिए प्रभाव नकारात्मक हो गया ($d \ge 2$), जो पुष्टि करता है कि मॉडल गंभीरता को नाममात्र श्रेणियों के बजाय एक क्रमबद्ध निरंतरता के रूप में एनकोड करता है।
• केस स्टडी और डेटासेट ऑडिटिंग: एक गुणात्मक तुलना में, प्रस्तावित विधि ने रैंक किए गए ऑडियो संदर्भ प्रदान किए, जबकि SHAP ने व्याख्यात्मक रूप से कठिन ध्वनिक डिस्क्रिप्टर स्कोर प्रदान किए। विशेष रूप से, प्रभाव रैंकिंग ने पहचाना कि 'severe' वक्ताओं के "लगभग मौन" (near-silent) रिकॉर्डिंग, 'severe' भविष्यवाणियों के लिए सबसे प्रभावशाली नमों में से थे। इसने एक स्प्यूरियस एसोसिएशन (spurious association) को उजागर किया जिसे मॉडल ने सीखा था (मौन $\to$ गंभीर), जो फीचर-आधारित तरीकों द्वारा छोड़े जाने वाले डेटा ऑडिटिंग के लिए इस ढांचे की उपयोगिता को प्रदर्शित करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि Dys-XAI ऑडिट योग्य स्पष्टीकरण (auditable explanations) प्रदान करता है जो मॉडल के निर्णयों को अमूर्त फीचर स्कोर के बजाय बोधगम्य संदर्भ मामलों (ऑडियो रिकॉर्डिंग) से जोड़ता है। यह नैदानिक तर्क के अनुरूप है, जहाँ निर्णयों को अक्सर प्रोटोटाइपिकल उदाहरणों के साथ तुलना करके उचित ठहराया जाता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण:

1. क्रमोन्नति को स्पष्ट रूप से संभालता है: गंभीरता लेबल द्वारा प्रभाव को एकत्रित करके, ढांचा आस-पास के और दूर के गंभीरता स्तरों के बीच संबंधपरक साक्ष्य को उजागर करता है।
2. बोधपरक सत्यापन (Perceptual Verification) सक्षम करता है: चिकित्सक सहायक और प्रतिस्पर्धी प्रशिक्षण नमों को सीधे सुनकर यह सत्यापित कर सकते हैं कि मॉडल का निर्णय नैदानिक मार्करों के साथ मेल खाता है या नहीं।
3. डेटा समस्याओं की पहचान करता है: यह ढांचा डेटासेट ऑडिटिंग के लिए एक उपकरण के रूप में कार्य करता है, जो स्प्यूरियस सहसंबंधों (जैसे, गंभीरता से जुड़ा मौन) को उजागर करने में सक्षम है जिन्हें फीचर-आधारित विधियाँ मिस कर सकती हैं।

यह कार्य डिसआर्थ्रिया मूल्यांकन के लिए उच्च-प्रदर्शन वाले डीप लर्निंग मॉडल और नैदानिक तैनाती के लिए आवश्यक पारदर्शिता के बीच के अंतर को पाटने की दिशा में एक कदम के रूप में प्रस्तुत किया गया है।