Learning from Lost Provenance: Multiple Instance Learning for Cancer Registry Tumor Group Classification
यह शोध पत्र एक अटेंशन-आधारित मल्टीपल इंस्टेंस लर्निंग (ABMIL) फ्रेमवर्क प्रस्तावित करता है जो खोए हुए रिपोर्ट-स्तरीय प्रोवेनेंस (provenance) को पुनः प्राप्त करने के लिए नियमित, रोगी-स्तरीय कैंसर रजिस्ट्री लेबल का लाभ उठाता है, जिससे एक उच्च-गुणवत्ता वाला प्रशिक्षण डेटासेट प्राप्त होता है जो डीप लर्निंग मॉडल्स को अतिरिक्त मैनुअल एनोटेशन की आवश्यकता के बिना उच्च-प्रदर्शन ट्यूमर समूह वर्गीकरण प्राप्त करने में सक्षम बनाता है।
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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास सुरागों का एक विशाल ढेर (पैथोलॉजी रिपोर्ट) है और पूरे मामले के लिए केवल एक अंतिम निर्णय (ट्यूमर समूह) है। समस्या क्या है? आपको यह नहीं पता कि कौन सा विशिष्ट सुराग उस निर्णय तक ले गया। एक कैंसर रजिस्ट्री में, डॉक्टर (जिन्हें ऑन्कोलॉजी डेटा स्पेशलिस्ट कहा जाता है) एक ही मरीज के लिए दर्जनों रिपोर्ट पढ़ते हैं और फिर पूरे मरीज के लिए एक लेबल असाइन करते हैं। लेकिन कंप्यूटर को यह नहीं पता कि कौन सी रिपोर्ट वह "धुआं छोड़ने वाली बंदूक" (smoking gun) थी और कौन सी सिर्फ एक भटकाव (red herring) थी।
लंबे समय तक, शोधकर्ताओं ने इसे हल करने के लिए या तो अधिकांश सुरागों को फेंक देने (केवल उन मरीजों को रखने जिन्हें एक रिपोर्ट मिली है) या यह मान लेने की कोशिश की कि हर सुराग ही वह निर्णायक सबूत था। यह पेपर तर्क देता है कि दूसरा विचार एक जाल है। यदि आप कंप्यूटर को बताते हैं कि मरीज की हर एक रिपोर्ट उस निदान का कारण है, तो आप उसे शोर (noise) पर प्रशिक्षित कर रहे हैं। यह एक छात्र को यह बताने जैसा है कि पाठ्यपुस्तक का हर पन्ना उत्तर समझाता है, यहाँ तक कि वे पन्ने भी जो असंबंधित विषयों के बारे में हैं। यह पेपर इस "लेबल प्रोपेगेशन" पद्धति को मॉडल को प्रशिक्षित करने के लिए एक अच्छे तरीके के रूप में स्पष्ट रूप से खारिज करता है क्योंकि यह सिस्टम को भ्रमित कर देता है, विशेष रूप से कैंसर के दुर्लभ प्रकारों के लिए।
इसके बजाय, लेखक एक नया और चतुर सीखने का तरीका प्रस्तावित करते हैं जिसे अटेंशन-बेस्ड मल्टीपल इंस्टेंस लर्निंग (ABMIL) कहा जाता है। इसे एक स्मार्ट जासूस की तरह समझें जो सुरागों के पूरे ढेर को एक साथ देखता है। मॉडल केवल एक रिपोर्ट से उत्तर का अनुमान लगाने की कोशिश नहीं करता है। इसके बजाय, यह मरीज की रिपोर्टों के पूरे "बैग" (bag) को देखता है और पूछता है, "इनमें से कौन सी रिपोर्ट वास्तव में मायने रखती है?" यह प्रत्येक रिपोर्ट को महत्व का एक स्कोर प्रदान करता है।
यहाँ जादू का नुस्खा है: मॉडल उबाऊ, अप्रासंगिक रिपोर्टों को अनदेखा करना और केवल उन्हीं पर ध्यान केंद्रित करना सीखता है जो वास्तव में निदान की व्याख्या करते हैं। एक बार जब यह समझ जाता है कि कौन सी रिपोर्ट "शो के सितारे" (stars of the show) हैं, तो यह दो शानदार चीजें कर सकता है:
- प्रत्यक्ष जासूसी कार्य (Direct Detective Work): यह बिना यह जाने कि कौन सी रिपोर्ट वास्तव में किसकी है, नए मामलों को सीधे वर्गीकृत करने के लिए उस "सुरागों के बैग" वाले दृष्टिकोण का उपयोग कर सकता है।
- महान फिल्टर (The Great Great Filter): यह एक छलनी की तरह काम कर सकता है। यह रिपोर्टों के विशाल ढेर को लेता है, उन रिपोर्टों को फेंक देता है जिन्हें यह अप्रासंगिक मानता है, और केवल उच्च-स्कोर वाली रिपोर्टों को रखता है। फिर, यह मरीज के लेबल को लेता है और उन्हें उन कुछ, उच्च-गुणवत्ता वाली रिपोर्टों पर चिपका देता है। अचानक, आपके पास एक साफ, सटीक डेटासेट होता है जहाँ प्रत्येक रिपोर्ट का एक सही लेबल होता है, और वह भी बिना किसी इंसान द्वारा एक-एक करके उन्हें पढ़ने या लेबल करने के।
शोधकर्ताओं ने ब्रिटिश कोलंबिया कैंसर रजिस्ट्री के डेटा पर इसका परीक्षण किया। उन्होंने 82,855 अद्वितीय मरीजों और 359,714 पैथोलॉजी रिपोर्टों को देखा। उन्होंने इस डेटा को विभाजित किया, 90% प्रशिक्षण (training) के लिए रखा और 10% उनके काम की जांच करने के लिए। उन्होंने अपने अंतिम सिस्टम का परीक्षण विशेषज्ञों द्वारा मैन्युअल रूप से जांचे गए 2,057 रिपोर्टों के एक नए बैच (ODS-एनोटेटेड डेटासेट) पर भी किया।
परिणाम उत्साहजनक थे। इस फ़िल्टरिंग ट्रिक (जिसे ABMIL-DISTIL कहा जाता है) का उपयोग करने वाले मॉडल ने नए टेस्ट डेटा पर 0.83 (मैक्रो F1 स्कोर) का स्कोर प्राप्त किया। यह पुराने तरीकों की तुलना में बेहतर था जो यह मान लेते थे कि हर रिपोर्ट महत्वपूर्ण है। पेपर सुझाव देता है कि यह दृष्टिकोण वास्तविक दुनिया के रिकॉर्ड को उच्च-गुणवत्ता वाले प्रशिक्षण डेटा में बदलने का एक व्यावहारिक तरीका है, जिसमें न तो बहुत सारे इंसानों को लेबल करने की आवश्यकता है और न ही भारी-भरकम सुपर-कंप्यूटरों की।
यह ध्यान रखना महत्वपूर्ण है कि हालांकि परिणाम मजबूत हैं, लेकिन पेपर इसे विशिष्ट डेटा पर एक मापी गई सफलता के रूप में देखता है, न कि ऐसी जादुई छड़ी जो सब कुछ हमेशा के लिए हल कर देगी। लेखक बताते हैं कि उनके परीक्षण डेटा में उनके प्रशिक्षण डेटा की तुलना में थोड़ा अलग लेबलिंग सिस्टम था, जो अंतिम स्कोर में थोड़ा "शोर" जोड़ता है, जिसका अर्थ है कि वास्तविक दुनिया का प्रदर्शन थोड़ा भिन्न हो सकता है। लेकिन कुल मिलाकर, वे सुझाव देते हैं कि यह कैंसर रजिस्ट्री के काम को स्वचालित करने का एक बहुत ही सुलभ और प्रभावी मार्ग है, जो कागजी कार्रवाई के पहाड़ को एक तेज, केंद्रित उपकरण में बदल देता है।
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।