💻 computer science

Beyond Target Scores: Measuring Off-Target Drift in Diffusion-Based Medical Image Editing

यह शोध पत्र CIB-Med-1 प्रस्तुत करता है, जो चेस्ट रेडियोग्राफी संपादन के लिए एक बेंचमार्क है जो यह दर्शाता है कि कैसे मानक डिफ्यूजन मॉडल अक्सर गैर-लक्ष्य निष्कर्षों को बदलकर "रिवॉर्ड हैक" करते हैं, और यह प्रदर्शित करता है कि एक कसी हुई गाइडेड अप्रोच (constrained guidance approach) इच्छित पैथोलॉजी प्रोग्रेशन को प्रभावी ढंग से संरक्षित करते हुए ऑफ-टारगेट सिमेंटिक ड्रिफ्ट को काफी कम करती है।

मूल लेखक: Todd Zhou

प्रकाशित 2026-07-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Todd Zhou

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 शेफ हैं जो एक रोबोट को खाना बनाना सिखाने की कोशिश कर रहे हैं। आप चाहते हैं कि रोबोट एक ऐसा सूप बनाए जो अधिक तीखा हो, लेकिन आप नहीं चाहते कि वह गलती से पूरे बर्तन को एक कटोरा तीखी आइसक्रीम में बदल दे या गाजरों का रंग बदलकर नियॉन हरा कर दे। यह जेनरेटिव एआई (generative AI) की दुनिया है, विशेष रूप से एक प्रकार जिसे डिफ्यूजन मॉडल (diffusion models) कहा जाता है। इन मॉडलों को उन कलाकारों के रूप में सोचें जो स्टैटिक शोर (static noise) से ढके एक कैनवास से शुरुआत करते हैं और धीरे-धीरे, चरण-दर-चरण, उस शोर को एक स्पष्ट चित्र में परिष्कृत करते हैं। वे एक तस्वीर को लेने और उसमें एक विशिष्ट चीज़ बदलने में अद्भुत हैं—जैसे कि एक बिल्ली को धूप का चश्मा पहनाना या चिकित्सा जगत में, एक फेफड़े को ऐसा दिखाना जैसे उसमें अधिक तरल पदार्थ भरा हो।

लेकिन पेचीदा हिस्सा यहाँ है: वास्तविक दुनिया में, चीजें अव्यवस्थित होती हैं। एक मरीज के फेफड़ों में तरल पदार्थ स्वाभाविक रूप से हृदय संबंधी समस्या या किसी विशिष्ट संक्रमण के साथ ही हो सकता है। यदि आप केवल एआई को "तरल पदार्थ को और अधिक बढ़ा देने" के लिए कहते हैं, तो एआई बेईमानी कर सकता है। यह वास्तव में केवल तरल पदार्थ नहीं बढ़ाएगा; यह अनजाने में हृदय को बड़ा कर सकता है या हड्डियों को अजीब बना सकता है, क्योंकि इसने सीखा है कि अस्पताल की तस्वीरों में ये चीजें अक्सर एक साथ दिखाई देती हैं। यह शोध पत्र एआई को इन शॉर्टकट लेने से पकड़ने के बारे में है। शोधकर्ता जानना चाहते हैं: क्या एआई वास्तव में केवल उसी एक चीज़ को बदल रहा है जिसके लिए उसे कहा गया था, या वह हमें यह विश्वास दिलाने के लिए चुपके से कई अन्य चीज़ें बदल रहा है कि उसने अपना काम अच्छी तरह से किया है?

समस्या: "रिवॉर्ड हैकिंग" करने वाला शेफ

पेपर में, लेखक मेडिकल इमेज एडिटिंग को टेस्ट करने का एक नया तरीका पेश करते हैं जिसे CIB-Med-1 कहा जाता है। वे चेस्ट एक्स-रे (छाती के एक्स-रे) पर ध्यान केंद्रित कर रहे हैं, विशेष रूप से यह देखने के लिए कि प्लूरल इफ्यूजन (pleural effusion) (फेफड़ों के चारों ओर तरल पदार्थ) कितना दृश्यमान है, इसे कैसे एडिट किया जाए।

इन एआई एडिटर्स को टेस्ट करने का मानक तरीका बहुत सरल रहा है। आमतौर पर, वैज्ञानिक केवल यह पूछते हैं: "क्या एआई ने फ्लूइड स्कोर को बढ़ा दिया?" यदि स्कोर बढ़ता है, तो वे कहते हैं, "बहुत बढ़िया!" लेकिन लेखक तर्क देते हैं कि यह एक ऐसे छात्र को ग्रेड देने जैसा है जिसने गणित की परीक्षा में केवल सही उत्तर देकर नकल की है। एआई इस टेस्ट को "हैक" कर सकता है। यह तरल पदार्थ के स्कोर को इसलिए बढ़ा सकता है क्योंकि इसने अनजाने में हृदय को बड़ा कर दिया, फेफड़ों को धुंधला कर दिया, या अजीब निशान (artifacts) जोड़ दिए, क्योंकि ये चीजें ट्रेनिंग डेटा में तरल पदार्थ के साथ सांख्यिकीय रूप से जुड़ी हुई हैं।

यह पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि केवल छवि को "यथार्थवादी" बनाना या एक एकल बीमारी का उच्च स्कोर प्राप्त करना पर्याप्त है। वे तर्क देते हैं कि चिकित्सा में, आपको सिमेंटिक कंट्रोल (semantic control) की आवश्यकता होती है: एक विशिष्ट चीज़ को बदलने की क्षमता बिना अन्य चीज़ों को प्रभावित किए।

समाधान: एक सख्त ट्रैफिक पुलिस वाला

इसे ठीक करने के लिए, टीम ने नियमों का एक नया सेट (एक बेंचमार्क) और एआई के पालन करने के लिए एक नई विधि बनाई। वे अपनी विधि को कन्स्ट्रेंड डिफ्यूजन गाइडेंस (constrained diffusion guidance) कहते हैं।

कल्पना कीजिए कि एआई एक कार है जो एक पहाड़ी पर चढ़ने की कोशिश कर रही है (तरल पदार्थ की गंभीरता बढ़ाना)।

पुराना तरीका (Unconstrained): कार बस एक्सीलेटर को पूरा दबा देती है। वह पहाड़ी के शीर्ष तक तेज़ी से पहुँच जाती है, लेकिन वह सड़क से उतर सकती है, बाड़ को तोड़ सकती है, या मेलबॉक्स को गिरा सकती है (अन्य चिकित्सा निष्कर्षों को बदलना) ताकि वह वहां तक पहुँच सके।
नया तरीका (Constrained): कार के साथ एक सख्त ट्रैफिक पुलिस वाला बैठा है। पुलिस वाला कहता है, "आप पहाड़ी पर ऊपर जा सकते हैं, लेकिन आपको अपनी लेन में रहना होगा। यदि आप बाड़ (हृदय का आकार बदलना) या मेलबॉक्स (हड्डियों को बदलना) की ओर बढ़ने लगते हैं, तो मैं ब्रेक लगा दूँगा।"

शोधकर्ताओं ने इसका परीक्षण 240 वास्तविक चेस्ट एक्स-रे पर किया। उन्होंने एआई से एक "ट्रैजेक्टरी" (trajectory) बनाने के लिए कहा, जो केवल एक फिल्म की तरह है जिसमें छवि धीरे-धीरे "कम तरल" से "उच्च तरल" में बदलती है, जो 20 चरणों में होती है।

उन्हें क्या मिला

उनके परिणाम आँखें खोल देने वाले थे। जब उन्होंने एआई को ट्रैफिक पुलिस के बिना गाड़ी चलाने दी (unconstrained विधि), तो इसने फ्लूइड स्कोर को बहुत अच्छी तरह से बढ़ाया। फ्लूइड बढ़ने का "ट्रेंड" (trend) बहुत मजबूत था, जिसका सहसंबंध स्कोर (correlation score) 0.90 था। हालांकि, बाकी सब चीजों के लिए यह एक आपदा थी। "ड्रिफ्ट" (drift)—यानी एआई ने अनजाने में कितनी अन्य चीजें बदलीं—वह बहुत अधिक था। औसत ड्रिफ्ट 0.46 था, और सबसे खराब मामलों में (90वें पर्सेंटाइल में), यह भारी 0.98 था।

जब उन्होंने ट्रैफिक पुलिस के साथ अपने नए कन्स्ट्रेंड (constrained) तरीके का उपयोग किया:

फ्लूइड पहले की तरह ही लगभग उतना ही अच्छा बढ़ा (ट्रेंड स्कोर 0.88)।
लेकिन, "ड्रिफ्ट" नाटकीय रूप से गिर गया। औसत ड्रिफ्ट घटकर 0.20 हो गया, और सबसे खराब स्थिति वाला ड्रिफ्ट भी 0.33 तक गिर गया।

इसका मतलब है कि नए तरीके ने एआई को उसकी लेन में रखा, तरल पदार्थ को बदले बिना बाकी तस्वीर को खराब नहीं किया।

"क्यों" और "कितना निश्चित"

लेखकों ने पाया कि एआई सबसे अधिक बार किन चीजों को बदलता था, वे वही चीजें थीं जो वास्तविक अस्पताल के डेटा में तरल पदार्थ के साथ अक्सर दिखाई देती हैं। उदाहरण के लिए, यदि एआई को तरल पदार्थ जोड़ने के लिए कहा गया था, तो इसने स्वाभाविक रूप से "एटलेक्टेसिस" (फेफड़ों का सिकुड़ना) या "एडेमा" (सूजन) जोड़ने की कोशिश की क्योंकि ये चीजें वास्तविक रोगियों में अक्सर एक साथ देखी जाती हैं। पेपर सुझाव देता है कि यह रैंडम शोर नहीं है; यह एक संरचित पैटर्न है। एआई वास्तविक दुनिया के "शॉर्टकट" सीख रहा है।

यह साबित करने के लिए कि उनका तरीका वास्तव में काम कर रहा था और यह कोई इत्तेफाक नहीं था, उन्होंने एक मानव परीक्षण किया। उन्होंने संपादित की गई इमेज सीक्वेंस को दो रेडियोलॉजी प्रशिक्षुओं (radiology trainees) को दिखाया और उनसे गंभीरता के क्रम का अनुमान लगाने को कहा।

Unconstrained एआई सीक्वेंस को छात्रों के लिए सही क्रम में रखना कठिन था (स्कोर 0.47)।
Constrained एआई सीक्वेंस को क्रम में रखना बहुत आसान था (स्कोर 0.61)।
तुलना के लिए, एक लोकप्रिय इमेज एडिटिंग टूल Pix2Pix ने इससे भी खराब प्रदर्शन किया (स्कोर केवल 0.29)।

मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि हम केवल अंतिम स्कोर को देखकर यह नहीं देख सकते कि मेडिकल एआई काम कर रहा है या नहीं। हमें पूरी यात्रा को देखना होगा। लेखक सुझाव देते हैं कि यदि कोई एआई एक चीज़ बदलने की कोशिश करता है और अंततः कई अन्य चीज़ों को बदल देता है, तो यह इसलिए नहीं है कि एआई "कला" में बुरा है; बल्कि इसलिए है क्योंकि जिस डेटा से उसने सीखा है वह अव्यवस्थित और कनेक्शनों से भरा है।

वे सावधानी बरतते हुए कहते हैं कि यह सभी मेडिकल कारणों को पूरी तरह से अलग करने वाला कोई जादुई इलाज नहीं है। वे स्वीकार करते हैं कि चूंकि वास्तविक अस्पताल का डेटा ऑब्जर्वेशनल (observational) है (हम केवल देखते हैं कि क्या होता है, हम इसे नियंत्रित नहीं करते), इसलिए इनमें से कुछ कनेक्शन वास्तविक जीव विज्ञान (biology) हैं, और कुछ केवल अस्पतालों द्वारा डेटा एकत्र करने के तरीके के विचित्र गुण हैं। लेकिन उनका नया बेंचमार्क, CIB-Med-1, हमें यह मापने का एक तरीका देता है कि एआई कितनी "बेईमानी" कर रहा है। यह एक छिपी हुई विफलता को एक दृश्य संकेत में बदल देता है, जिससे डेवलपर्स को ऐसा एआई बनाने में मदद मिलती है जो डॉक्टरों के उपयोग के लिए अधिक सुरक्षित और विश्वसनीय हो।

तकनीकी सारांश: टार्गेट स्कोर से परे: डिफ्यूजन-आधारित मेडिकल इमेज एडिटिंग में ऑफ-टार्गेट ड्रिफ्ट का मापन

1. समस्या विवरण (Problem Statement)

डिफ्यूजन मॉडल्स ने मेडिकल इमेजेस को दृष्टिगत रूप से विश्वसनीय (visually plausible) तरीकों से एडिट करने की क्षमता प्रदर्शित की है। हालांकि, इन मॉडल्स के लिए मानक मूल्यांकन मेट्रिक्स क्लिनिकल अनुप्रयोगों के लिए अपर्याप्त हैं। वर्तमान दृष्टिकोण आमतौर पर दो मानदंडों के आधार पर सफलता का आकलन करते हैं: धारणात्मक यथार्थता (perceptual realism) (जैसे, FID) या एक एकल टार्गेट क्लासिफायर स्कोर का अधिकतमकरण (जैसे, किसी विशिष्ट बीमारी की संभावना को बढ़ाना)।

यह शोध पत्र तर्क देता है कि क्लिनिकल इमेजिंग में, पैथोलॉजिकल निष्कर्ष सांख्यिकीय रूप से कोमोरबिडिटीज (comorbidities), अधिग्रहण प्रभावों (acquisition effects) और चयन पूर्वाग्रह (selection bias) के साथ उलझे हुए होते हैं। फलस्वरूप, एक मॉडल मानक मेट्रिक्स के तहत सफल दिखाई दे सकता है क्योंकि वह इन सहसंबंधों (correlations) का लाभ उठाता है—एक ऐसी घटना जिसे लेखक "रिवॉर्ड हैकिंग" (reward hacking) कहते हैं। इस विफलता मोड में, एक एडिटर लक्षित बीमारी के स्कोर को केवल लक्षित पैथोलॉजी को अलग करने के बजाय, अनजाने में सह-संबंधित, गैर-लक्षित निष्कर्षों (जैसे, पेरेन्काइमल ओपेसिटी या कार्डियोमिडियास्टिनल सिलुएट को बदलते हुए इफ्यूजन स्कोर को बढ़ाना) को बढ़ाकर प्राप्त करता है।

मुख्य चुनौती केवल यथार्थता नहीं, बल्कि सिमेंटिक आइडेंटिफिएबिलिटी (semantic identifiability) है: एक विशिष्ट क्लिनिकल अक्ष (axis) को हेरफेर करने की क्षमता जबकि अन्य चिकित्सकीय रूप से प्रासंगिक गुणों को अपरिवर्तित रखा जाए। शोध पत्र का मानना है कि मौजूदा बेंचमार्क वास्तविक सिमेंटिक नियंत्रण और डेटासेट सहसंबंधों का लाभ उठाने वाले डिस्ट्रीब्यूशन-फॉलोइंग व्यवहार के बीच अंतर करने में विफल रहते हैं।

2. कार्यप्रणाली: CIB-Med-1 बेंचमार्क और कंस्ट्रेंड गाइडेंस (Methodology: CIB-Med-1 Benchmark and Constrained Guidance)

A. CIB-Med-1 बेंचमार्क

लेखक CIB-Med-1 (चेस्ट रेडियोग्राफी में कंट्रोल्ड इंक्रीमेंटल बायोमार्कर एडिटिंग) पेश करते हैं, जो सिमेंटिक कंट्रोल को मापने के लिए डिज़ाइन किया गया एक ट्राजेक्टरी-लेवल बेंचमार्क है। एंडपॉइंट मूल्यांकन के विपरीत, CIB-Med-1 पूरी एडिट ट्राजेक्टरी $\{x_t\}_{t=0}^T$ का आकलन करता है।

मुख्य घटक:

एंकर (Anchors): एक होल्ड-आउट डेटासेट से वास्तविक चेस्ट रेडियोग्राफ (CXR), जिन्हें गैर-सैचुरेटेड टार्गेट स्कोर वाले होने के लिए चुना गया है।
सिमेंटिक कोऑर्डिनेट्स (Semantic Coordinates): एक फ्रोजन, आउट-ऑफ-ट्रेनिंग रेडियोलॉजी क्लासिफायर ( $F$ $F$ ) इमेजेस को मल्टी-लेबल स्कोर में मैप करता है।
- टार्गेट कोऑर्डिनेट ( $p_{eff}$ ): प्लुरल इफ्यूजन के लिए एक कैलिब्रेटेड, मोनोटोन प्रोग्रेशन स्कोर, जो क्लासिफायर लॉजिट पर आइसोटोनिक रिग्रेशन के माध्यम से प्राप्त किया गया है।
- ऑफ-टार्गेट सेट ( $K$ ): 14 गैर-लक्षित निष्कर्षों (जैसे, एटेलेक्टेसिस, कार्डियोमेगाली, न्यूमोथोरैक्स, आर्टिफैक्ट्स) का एक क्यूरेटेड सेट, जिन्हें स्थिर रहना चाहिए।
मूल्यांकन मेट्रिक्स:
1. मोनोटोन टार्गेट प्रोग्रेशन: स्टेप इंडेक्स और टार्गेट स्कोर के बीच स्पियरमैन रैंक कोरिलेशन ( $\rho_{trend}$ ) और एक इन्वर्जन रेट (स्कोर रिवर्सल की आवृत्ति) द्वारा मापा जाता है।
2. ऑफ-टार्गेट सिमेंटिक ड्रिफ्ट: ऑफ-टार्गेट स्कोर के एंकर से पूर्ण विचलन (absolute deviation) के रूप में मात्रागत किया जाता है। दोनों मीडियन ड्रिफ्ट ( $D_{off}$ ) और 90वें पर्सेंटाइल ड्रिफ्ट ( $D^{(90)}_{off}$ ) को रिपोर्ट किया जाता है ताकि सामान्य और चरम कोलेटरल परिवर्तनों को कैप्चर किया जा सके।
3. कोरिलेशन विश्लेषण: ड्रिफ्ट के परिमाण को एंकर वितरण में टार्गेट और ऑफ-टार्गेट लेबल्स के बीच अनुभवजन्य जुड़ाव के साथ स्पष्ट रूप से सह-संबंधित किया जाता है ताकि फिजियोलॉजिकल को-मॉर्बिडिटी और स्प्यूरियस शॉर्टकट्स के बीच अंतर किया जा सके।

B. कंस्ट्रेंड डिफ्यूजन गाइडेंस बेसलाइन (Constrained Diffusion Guidance Baseline)

रिवॉर्ड हैकिंग की समस्या को संबोधित करने के लिए, लेखक एक कंस्ट्रेंड डिफ्यूजन गाइडेंस विधि प्रस्तावित करते हैं। केवल टार्गेट लॉजिट $\ell_{eff}(x)$ के अनुकूलन के बजाय, यह विधि एक कंस्ट्रेंड ऑप्टिमाइज़ेशन समस्या को हल करती है: बाउंडेड ऑफ-टार्गेट परिवर्तन के अधीन टार्गेट प्रोग्रेशन को अधिकतम करना।

गाइडेंस फील्ड को इस प्रकार लागू किया जाता है:
$\nabla_x G(x) = \nabla_x \ell_{eff}(x) - \lambda \sum_{k \in K} w_k(x_0) \cdot \text{sgn}(v_k(x) - v_k(x_0)) \nabla_x \ell_k(x)$

तंत्र (Mechanism): एक साइन्ड बैरियर टर्म एंकर के ऑफ-टार्गेट मानों से दूर जाने को दंडित करता है।
एडेप्टिव वेट्स ( $w_k$ ): वेट्स एंकर-डिपेंडेंट हैं, जो उन ऑफ-टार्गेट अक्षों को अधिक भार देते हैं जो या तो इमेज में पहले से मौजूद हैं या समान एंकर्स के बीच उच्च परिवर्तनशीलता प्रदर्शित करते हैं, जिससे एंकर के सिमेंटिक प्रोफाइल को संरक्षित करने को प्राथमिकता मिलती है।
लक्ष्य: यह एडिटर को इमेज स्पेस में उन दिशाओं को खोजने के लिए मजबूर करता है जो एंकर के सिमेंटिक प्रोफाइल को सुरक्षित रखते हुए टार्गेट कोऑर्डिनेट को प्रभावित करती हैं।

3. मुख्य योगदान (Key Contributions)

CIB-Med-1 बेंचमार्क: एक नया मूल्यांकन ढांचा जो 14 क्लिनिकली प्रेरित न्यूसेंस एक्सिस के माध्यम से ऑफ-टार्गेट ड्रिफ्ट को स्पष्ट रूप से मापता है, जिससे सिमेंटिक आइडेंटिफिएबिलिटी की विफलताओं को मापने योग्य बनाया जाता है।
रिवॉर्ड हैकिंग की पहचान: यह अनुभवजन्य प्रदर्शन कि डिफ्यूशन एडिटर्स सह-संबंधित परिवर्तनों (पेरेन्काइमल, कार्डियोमिडियास्टिनल और आर्टिफैक्ट-संबंधित निष्कर्षों) को प्रेरित करके उच्च टार्गेट स्कोर प्राप्त कर सकते हैं, न कि लक्षित पैथोलॉजी को अलग करके।
कंस्ट्रेंड गाइडेंस बेसलाइन: एक विधि जो बाउंडेड ऑफ-टार्गेट परिवर्तन के अधीन टार्गेट प्रोग्रेशन को ऑप्टिमाइज़ करती है, जो रिवॉर्ड हैकिंग को कम करने के लिए एक सिद्धांत आधारित बेसलाइन के रूप में कार्य करती है।
डायग्नोस्टिक विश्लेषण: ऑफ-टार्गेट ड्रिफ्ट को एक स्ट्रक्चर्ड घटना के रूप में लक्षणित करना जो टार्गेट और ऑफ-टार्गेट लेबल्स के बीच अनुभवजन्य जुड़ाव को ट्रैक करता है, जो यह सुझाव देता है कि सिमेंटिक अस्थिरता (instability) लर्निंग रिप्रेजेंटेशनल एंटैंगलमेंट का एक परिणाम है, न कि रैंडम नॉइज़ का।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग CheXpert पर फाइन-ट्यून किए गए Stable Diffusion v2.1 बैकबोन का उपयोग करके 240 एंकर रेडियोग्राफ पर किए गए।

टार्गेट प्रोग्रेशन बनाम ड्रिफ्ट: अनकन्स्ट्रेंड डिफ्यूजन गाइडेंस ने मजबूत टार्गेट प्रोग्रेशन ( $\rho_{trend} = 0.90$ ) प्राप्त किया लेकिन उच्च मीडियन ऑफ-टार्गेट ड्रिफ्ट ( $D_{off} = 0.46$ ) और अत्यधिक 90वें पर्सेंटाइल ड्रिफ्ट ( $D^{(90)}_{off} = 0.98$ ) प्रदर्शित किया।
कंस्ट्रेंड परफॉरमेंस: कंस्ट्रेंड एडिटर ने तुलनीय टार्गेट प्रोग्रेशन ( $\rho_{trend} = 0.88$ ) बनाए रखा, जबकि मीडियन ड्रिफ्ट को 0.20 और 90वें पर्सेंटाइल ड्रिफ्ट को 0.33 तक काफी कम कर दिया।
मानवीय सत्यापन (Human Validation): रेडियोलॉजी ट्रेनीज के साथ एक ब्लाइंडेड अध्ययन में, कंस्ट्रेंड एडिटर ने अनकन्स्ट्रेंड डिफ्यूजन ( $\tau = 0.47$ ) और InstructPix2Pix ( $\tau = 0.29$ ) की तुलना में इच्छित प्रोग्रेशन ऑर्डरिंग के साथ मजबूत सहमति ( $\text{Kendall } \tau = 0.61$ ) दिखाई।
एब्लेशन स्टडीज: विशिष्ट ऑफ-टार्गेट निष्कर्षों (जैसे, एडिमा, लंग ओपेसिटी) पर बाधाओं को हटाने से ड्रिफ्ट में सबसे अधिक वृद्धि हुई, जिससे पुष्टि हुई कि ड्रिफ्ट विशिष्ट, दृढ़ता से सह-संबंधित सिमेंटिक अक्षों द्वारा संचालित होता है।
ड्रिफ्ट की संरचना: ड्रिफ्ट का परिमाण प्रशिक्षण डेटा में टार्गेट और ऑफ-टार्गेट लेबल्स के बीच अनुभवजन्य जुड़ाव के साथ सकारात्मक रूप से सह-संबंधित पाया गया, जो पुष्टि करता है कि ड्रिफ्ट सीखे गए कपलिंग स्ट्रक्चर (फिजियोलॉजी और सिलेक्शन बायस का मिश्रण) को दर्शाता है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र तर्क देता है कि मेडिकल इमेज एडिटिंग को एंडपॉइंट स्कोर मैक्सिमाइजेशन के बजाय ट्राजेक्टरी-लेवल सिमेंटिक कंट्रोल के रूप में मूल्यांकित किया जाना चाहिए।

समस्या का पुनर्गठन: लेखक दावा करते हैं कि केंद्रीय चुनौती आइडेंटिफिएबिलिटी है, न कि यथार्थता। केवल टार्गेट सुधार के लिए अनुकूलन करने से मॉडल डेटा सहसंबंधों का लाभ उठा सकते हैं (रिवॉर्ड हैकिंग), बजाय इसके कि वे इच्छित कारक को मैनिपुलेट करें।
डायग्नोस्टिक उपयोगिता: CIB-Med-1 बेंचमार्क और कंस्ट्रेंड गाइडेंस डायग्नोस्टिक टूल्स के रूप में कार्य करते हैं। जब एक कंस्ट्रेंड एडिटर बिना ड्रिफ्ट उत्पन्न किए आगे बढ़ने में विफल रहता है या रुक जाता है, तो यह स्वतंत्र मैनिपुलेबिलिटी की वास्तविक सीमा को प्रकट करता, न कि केवल ऑप्टिमाइज़ेशन एल्गोरिदम की विफलता को।
कोई कॉज़ल दावा नहीं: लेखक स्पष्ट रूप से कहते हैं कि वे ऑब्जर्वेशनल डेटा से कॉज़ल डिसेंटैंगलमेंट का दावा नहीं करते हैं। लक्ष्य जैविक रूप से निष्ठावान काउंटरफैक्चुअल (counterfactuals) का अनुकरण करना नहीं है, बल्कि यह स्पष्ट करना है कि डायरेक्शनल एडिटिंग मेथड्स वास्तव में क्या ऑप्टिमाइज़ कर रहे हैं और यह मूल्यांकन करने के लिए उपकरण प्रदान करना है कि प्रगति स्वतंत्र रूप से प्राप्त की गई है या शॉर्टकट्स के माध्यम से।
व्यापक निहितार्थ: यह कार्य सुझाव देता है कि उच्च-दांव वाले डोमेन में, "बेहतर" मॉडल्स (बड़े या उच्च-फिडेलिटी वाले) भी अपर्याप्त हैं यदि मूल्यांकन उद्देश्य मिसअलाइन्ड (misaligned) है। प्रगति के लिए ऐसे उपयोग-संरेखित उद्देश्यों को परिभाषित करने की आवश्यकता है जो ड्रिफ्ट को मापने योग्य बनाते हैं और ऐसे तरीके विकसित करने की आवश्यकता है जो शॉर्टकट्स पर निर्भर रहने के बजाय इन उद्देश्यों को ऑप्टिमाइज़ करते हैं।

निष्कर्षतः, CIB-Med-1 ऑफ-टार्गेट ड्रिफ्ट को एक छिपे हुए विफलता मोड से एक डायग्नोस्टिक सिग्नल में बदल देता है, जिससे यह मूल्यांकन करने में सक्षम बनाया जाता है कि क्लिनिकल डिफ्यूजन मॉडल्स में स्वतंत्र सिमेंटिक मैनिपुलेशन कब और क्यों सफल या विफल होता है।