कल्पना कीजिए कि आप एक जासूस हैं जो एक तस्वीर के भीतर छिपे रहस्य को सुलझाने की कोशिश कर रहे हैं। मेडिकल इमेजिंग की दुनिया में, विशेष रूप से त्वचा के धब्बों (जिन्हें 'लेजन' कहा जाता है) को देखते समय, लक्ष्य यह बताना है कि कोई धब्बा हानिरहित है या खतरनाक। लंबे समय से, कंप्यूटर इसमें बहुत अच्छे होते जा रहे हैं, लेकिन वे कभी-कभी विचलित हो जाते हैं। वे वास्तविक धब्बे के बजाय फोटो के कोने में रखी एक स्केल (रूलर) या किसी अजीब छाया पर ध्यान केंद्रित कर सकते हैं। उन्हें ध्यान केंद्रित करने में मदद करने के लिए, डॉक्टर अक्सर "मास्क" (masks) का उपयोग करते हैं—डिजिटल आउटलाइन जो ठीक से बताती है कि धब्बा कहाँ है। मास्क को एक हाइलाइटर पेन की तरह समझें जिसका उपयोग एक शिक्षक होमवर्क पर यह दिखाने के लिए करता है कि उत्तर का सही हिस्सा कौन सा है।

हालाँकि, एक पेंच है। वास्तविक दुनिया में, एक डॉक्टर हमेशा डिजिटल हाइलाइटर लेकर नहीं चल सकता या हर एक फोटो के लिए आउटलाइन बनाने में घंटों नहीं बिता सकता। यदि कंप्यूटर को काम करने के लिए पहले से बने आउटलाइन की आवश्यकता है, तो यह एक व्यस्त क्लिनिक में उपयोग करने के लिए बहुत धीमा और महंगा हो जाता है। इसलिए, वैज्ञानिक कंप्यूटर को इतना स्मार्ट बनाने की कोशिश कर रहे हैं कि वह बिना हाइलाइटर पेन के ही सुराग ढूंढ सके। वे चाहते हैं कि कंप्यूटर अपने अध्ययन के समय "हाइलाइट किए गए" उदाहरणों से सीखे, लेकिन फील्ड में आने पर वह बिना किसी मदद के रहस्य सुलझा सके। यह शोध पत्र इसी सटीक कार्य को करने के लिए एक चतुर तरीका बताता है, जिसे "नॉलेज डिस्टिलेशन" (knowledge distillation) कहा जाता है, जो एक मास्टर टीचर द्वारा अपने छात्र को उनके गुप्त सूत्र सिखाने जैसा है, जिसे परीक्षा बिना किसी नोट्स के देनी है।

---

समस्या: "हाइलाइटर" की दुविधा

स्किन कैंसर का पता लगाना एक उच्च-जोखम वाला खेल है। शुरुआती पहचान जीवन बचाती है, और डीप लर्निंग (एक प्रकार की आर्टिफिशियल इंटेलिजेंस) एक शक्तिशाली खिलाड़ी बनकर उभरी है। लेकिन इन AI मॉडलों की एक बुरी आदत है: उन्हें आसानी से बेवकूफ बनाया जा सकता है। वे टैटू, स्केल, या फोटो की लाइटिंग को देखकर निर्णय ले सकते हैं, न कि वास्तविक स्किन लीजन (त्वचा के धब्बे) के आधार पर।

इसे ठीक करने के लिए, शोधकर्ता अक्सर लेजन सेगमेंटेशन मास्क (lesion segmentation masks) का उपयोग करते हैं। ये डिजिटल आउटलाइन हैं जो कंप्यूटर को बताती हैं, "यहीं देखो; बाकी सब को अनदेखा करो।" यह एक छात्र को उस किताब देने जैसा है जिसमें सही उत्तर को लाल स्याही से घेरा गया हो। हालांकि इससे छात्र सीखने में मदद मिलती है, लेकिन यह एक नई समस्या पैदा करता है: वास्तविक दुनिया में, आपके पास वह लाल स्याही नहीं होती। यदि एक डॉक्टर को कंप्यूटर द्वारा विश्लेषण करने से पहले हर फोटो के लिए एक मास्क बनाना पड़ता है, तो सिस्टम बहुत धीमा और जटिल हो जाता है जिसे व्यावहारिक रूप से उपयोग करना कठिन है।

समाधान: "प्रिविलेज्ड" (विशेषाधिकार प्राप्त) शिक्षक

इस शोध पत्र के लेखक, अबू मुक्कदम राही और उनके सहयोगियों के नेतृत्व में, एक नया फ्रेमवर्क प्रस्तावित करते हैं जिसे प्रिविलेज्ड लीजन-कॉन्टेक्स्ट रिलेशनल डिस्टिलेशन (PLCRD) कहा जाता है। इसे एक टीचर (शिक्षक) और एक स्टूडेंट (छात्र) के बीच दो चरणों वाली सीखने की प्रक्रिया के रूपक के रूप में समझें।

1. टीचर (द प्रिविलेज्ड वन): ट्रेनिंग चरण के दौरान, टीचर को लाल-स्याही वाले मास्क के साथ फोटो देखने का मौका मिलता है। उसे मास्क के बिना वाली तस्वीरें भी देखने को मिलती हैं। टीचर मास्क का उपयोग यह सीखने के लिए करता है कि लीजन वास्तव में कहाँ है और लीजन का आसपास की त्वचा के साथ क्या संबंध (कॉन्टेक्स्ट) है। वह निदान के गहरे और जटिल नियमों को सीखता है, यह जानते हुए कि उसे वास्तव में क्या देखना है।
2. स्टूडेंट (द इमेज-ओनली वन): हालाँकि, स्टूडेंट को केवल सादी फोटो देखने की अनुमति है। कोई मास्क नहीं। कोई लाल स्याही नहीं। स्टूडेंट का काम केवल तस्वीर को देखकर निदान करना सीखना है।

जादू बीच में होता है। टीचर केवल यह नहीं कहता, "यह मेलानोमा है।" बल्कि, वह स्टूडेंट को सोचना सिखाता है। वह तीन विशिष्ट प्रकार का ज्ञान साझा करता है:

• निदान (The Diagnosis): "इस बात की कितनी संभावना है कि यह कैंसर है।"
• फोकस (The Focus): "इस विशिष्ट स्थान को देखें; सबूत यहीं है।"
• संबंध (The Relationships): यह सबसे अनूठा हिस्सा है। टीचर स्टूडेंट को लीजन और आसपास की त्वचा के बीच के संबंध के बारे में सिखाता है। यह केवल यह सिखाने जैसा नहीं है कि कार कैसी दिखती है, बल्कि यह सिखाने जैसा है कि पहिए शरीर से कैसे संबंधित हैं और कार सड़क पर कैसे बैठती है। टीचर सीखता है कि लीजन और आसपास की त्वचा का एक विशिष्ट "ज्यामिति" (geometry) या पैटर्न होता है।

यह कैसे काम करता है: "रिलेशनल" ट्रिक

पुराने तरीके अक्सर यह कोशिश करते थे कि स्टूडेंट टीचर के सटीक ब्रेन वेव्स (फीचर वेक्टर्स) की नकल करे। लेकिन टीचर और स्टूडेंट के मस्तिष्क का आकार (कंप्यूटर आर्किटेक्चर) अलग हो सकता है, इसलिए सीधे नकल करना एक गैलन पानी को कप में डालने की कोशिश करने जैसा है।

PLCRD एक स्मार्ट दृष्टिकोण का उपयोग करता है जिसे रिलेशनल डिस्टिलेशन (Relational Distillation) कहा जाता है। कच्चे डेटा की नकल करने के बजाय, टीचर स्टूडेंट को संबंधों के बारे में सिखाता है।

• इंटर-लीजन सिमिलैरिटी (Inter-lesion similarity): "यह लीजन उस दूसरे लीजन जैसा दिखता है।"
• लीजन-कॉन्टेक्स्ट एफिनिटी (Lesion-context affinity): "यह लीजन इस विशिष्ट बैकग्राउंड के साथ फिट बैठता है।"
• सेपरेशन (Separation): "सुनिश्चित करें कि लीजन वाला हिस्सा और बैकग्राउंड वाला हिस्सा आपस में मिक्स न हों।"

इन संबंधों को सीखकर, स्टूडेंट बिना मास्क देखे ही मास्क के "लॉजिक" को आत्मसात कर लेता है। यह उस छात्र की तरह है जो ग्रैंडमास्टर को बोर्ड के साथ खेलते हुए देखकर शतरंज के नियम सीखता है, लेकिन फिर बोर्ड के लेआउट को रटने के बजाय मोहरों के बीच के संबंधों को समझकर खाली बोर्ड पर भी बेहतरीन खेल सकता है।

परिणाम: स्मार्ट, तेज़ और मास्क-मुक्त

शोधकर्ताओं ने इस सिस्टम का परीक्षण दो प्रमुख डेटासेट्स पर किया: HAM10000 (त्वचा की छवियों का एक बड़ा संग्रह) और ISIC 2018 (यह परीक्षण करने के लिए कि क्या सिस्टम नए डेटा पर काम करता है)।

यहाँ उनके निष्कर्ष दिए गए हैं:

• उच्च सटीकता (High Accuracy): HAM10000 डेटासेट पर, PLCRD सिस्टम ने 0.773 ± 0.018 का मैक्रो-F1 स्कोर और 0.764 ± 0.023 की बैलेंस्ड एक्यूरेसी हासिल की। इसका मतलब है कि यह विभिन्न प्रकार के लीजन्स को पहचानने में बहुत अच्छा था, यहाँ तक कि उन दुर्लभ मामलों को भी जिन्हें अन्य सिस्टम अक्सर मिस कर देते हैं।
• जनरलाइजेशन (Generalization): जब उन्होंने बिना री-ट्रेनिंग के (यानी सिस्टम को बिना किसी नए अध्ययन समय के) ISIC 2018 डेटासेट पर परीक्षण किया, तो इसने अभी भी अच्छा प्रदर्शन किया, जिससे 0.732 ± 0.008 का मैक्रो-F1 प्राप्त हुआ। यह सुझाव देता है कि सिस्टम ने केवल पहली तस्वीरों को रटा नहीं, बल्कि सामान्य नियम सीखे हैं।
• विकल्पों से बेहतर: पेपर स्पष्ट रूप से कई अन्य विचारों को खारिज करता है। उन्होंने मास्क का सीधे उपयोग करने की कोशिश की (जैसे परीक्षा के दौरान छात्र को उत्तर कुंजी देना), और वास्तव में इसका प्रदर्शन खराब रहा। उन्होंने बिना विशेष रिलेशनल ट्रिक्स के मानक "नॉलेज डिस्टिलेशन" का भी परीक्षण किया, और वह उतना प्रभावी नहीं रहा। पेपर का सुझाव है कि "प्रिविलेज्ड" टीचर और "रिलेशनल" टीचिंग स्टाइल का संयोजन ही सफलता की कुंजी है।
• दक्षता (Efficiency): सबसे अच्छी बात? अंतिम सिस्टम बहुत हल्का (lightweight) है। ट्रेनिंग पूरी होने के बाद, टीचर और मास्क को हटा दिया जाता है। तैनात किया गया सिस्टम केवल स्टूडेंट है, जो तेज़ है और जिसे आउटलाइन बनाने के लिए किसी अतिरिक्त सॉफ्टवेयर की आवश्यकता नहीं है। यह एक मानक कंप्यूटर पर प्रति इमेज लगभग 5.468 मिलीसेकंड में चलता है।

इसका क्या अर्थ है

पेपर सुझाव देता है कि हमें "सुपर एक्यूरेट" (जिसके लिए आमतौर पर मास्क की आवश्यकता होती है) और "व्यावहारिक" (जिसके लिए आमतौर पर मास्क की आवश्यकता नहीं होती) के बीच चयन करने की आवश्यकता नहीं है। मास्क को केवल एक स्मार्ट टीचर के लिए गुप्त ट्रेनिंग टूल के रूप में उपयोग करके, हम एक सरल, तेज़ स्टूडेंट को उतना ही स्मार्ट बना सकते हैं, बिना वास्तविक दुनिया में मास्क की आवश्यकता के।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह कोई जादू की छड़ी नहीं है। सिस्टम को अभी भी ट्रेनिंग के दौरान मास्क बनाने की आवश्यकता होती है, जिसमें समय और पैसा लगता है। साथ ही, सिस्टम अभी भी बहुत समान दिखने वाली त्वचा की स्थितियों, जैसे मेलानोमा और एक्टिनिक केराटोसिस के बीच भ्रमित हो सकता है। लेकिन, पिछले तरीकों की तुलना में, यह दृष्टिकोण AI के लिए एक अधिक व्यावहारिक मार्ग प्रदान करता है जो डॉक्टरों को बिना डिजिटल आउटलाइन बनाने में उलझे, तेज़ी से और सटीक रूप से स्किन कैंसर का निदान करने में मदद कर सके।