💻 computer science

DobicVLM: Aligning Chest X-Ray Report Generation with Clinically-Grounded Programmatic Rewards via Group Relative Policy Optimization

DobicVLM एक विजन-लैंग्वेज मॉडल है जो क्लिनिकली-ग्राउंडेड, रूल-बेस्ड रिवार्ड्स के साथ ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन का लाभ उठाता है ताकि चेस्ट एक्स-रे रिपोर्ट जनरेट की जा सकें जो इम्प्रेशन एक्यूरेसी और मेडिकल टर्मिनोलॉजी में जेमिनी 2.5 फ्लैश जैसे स्ट्रॉन्ग बेसलाइन्स से बेहतर प्रदर्शन करती हैं और न्यूरल रिवॉर्ड मॉडल्स पर निर्भर रहे बिना स्ट्रक्चरल और सिमेंटिक अनुपालन सुनिश्चित करती हैं।

मूल लेखक: Thanni Adewuyi, Angelica Obayi, Andem Aniekan, Samuel Okoko, Angel Ezendu, Ephraim Usani, Ademide Animasaun, Philip Chibundu, Christian Maurice, Mary Donald Essien, Oluwaseun Odunsi, Oluwasegun Oguntu

प्रकाशित 2026-07-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thanni Adewuyi, Angelica Obayi, Andem Aniekan, Samuel Okoko, Angel Ezendu, Ephraim Usani, Ademide Animasaun, Philip Chibundu, Christian Maurice, Mary Donald Essien, Oluwaseun Odunsi, Oluwasegun Oguntuase, Abiodun Adereni

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 सुपर-स्मार्ट रोबोट को डॉक्टर का सहायक बनने के लिए सिखा रहे हैं। आप उसे एक मरीज के सीने की एक तस्वीर देते हैं और उससे वह सब लिखने को कहते हैं जो वह देख रहा है। यह चिकित्सा में आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया है, विशेष रूप से विज़न-लैंग्वेज मॉडल्स (Vision-Language Models) नामक एक क्षेत्र। इन मॉडल्स को ऐसे प्रतिभाशाली छात्रों के रूप में समझें जिन्होंने लाखों किताबें पढ़ी हैं और लाखों तस्वीरें देखी हैं, लेकिन वे अभी भी एक पेशेवर की तरह व्यवहार करना सीख रहे हैं।

यहाँ बड़ी चुनौती विश्वास (trust) की है। एक साधारण AI एक चेस्ट एक्स-रे को देखकर कह सकता है, "मुझे एक हृदय और कुछ फेफड़े दिख रहे हैं," जो कि सच है, लेकिन एक वास्तविक डॉक्टर को एक बहुत ही विशिष्ट प्रारूप की आवश्यकता होती है: "फाइंडिंग्स" (क्या गलत है) के लिए एक अनुभाग और "इम्प्रेशन" (अंतिम निदान) के लिए एक अनुभाग। यदि AI ऐसी बीमारी का नाम ले देता है जो वहाँ नहीं है ("हैलुसिनेशन" या भ्रम) या वह टूटी हुई पसली का उल्लेख करना भूल जाता है, तो यह खतरनाक हो सकता है। लक्ष्य केवल शब्दों को सही करना नहीं है; लक्ष्य यह है कि मेडिकल तथ्य सही हों और वे उन सख्त नियमों का पालन करें जिनका उपयोग डॉक्टर हर दिन करते हैं। यह शोध इस सवाल पर केंद्रित है: हम एक रोबोट को अंदाज़ा लगाने के बजाय नियम पुस्तिका का पूरी तरह से पालन करना कैसे सिखा सकते हैं?

DobicVLM की कहानी: वह रोबोट जिसने नियमों का पालन करना सीखा

मिलिए DobicVLM से, एक नया AI सहायक जिसे चेस्ट एक्स-रे पढ़ने और मेडिकल रिपोर्ट लिखने के लिए डिज़ाइन किया गया है। इसे बनाने वाले शोधकर्ताओं ने महसूस किया कि रोबोट को केवल हजारों एक्स-रे दिखाना और उसे डॉक्टरों के नोट्स की नकल करने के लिए कहना (एक विधि जिसे सुपरवाइज्ड फाइन-ट्यूनिंग कहा जाता है) पर्याप्त नहीं था। रोबोट रिपोर्ट की शैली तो सीख रहा था, लेकिन वह चीजें बनाने या महत्वपूर्ण विवरणों को छोड़ने के प्रति संवेदनशील था। यह एक ऐसे छात्र की तरह था जिसने निबंध के फॉन्ट और स्पेसिंग को तो याद कर लिया, लेकिन वास्तव में प्रश्न का उत्तर देना भूल गया।

इसे ठीक करने के लिए, टीम ने रोबोट को एक नए प्रकार का प्रशिक्षण दिया जिसे ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन (GRPO) कहा जाता है। कल्पना कीजिए कि आप एक कक्षा को ग्रेड दे रहे हैं। केवल एक छात्र के निबंध को ग्रेड देने के बजाय, आप कक्षा को एक ही निबंध के पांच अलग-अलग संस्करण लिखने के लिए कहते हैं। फिर, आप उन सभी की तुलना नियमों की एक सख्त चेकलिस्ट से करते हैं। यदि किसी छात्र का निबंध नियमों का पूरी तरह से पालन करता है, तो उसे उच्च स्कोर मिलता है। यदि दूसरा छात्र रचनात्मक है लेकिन नियमों को तोड़ता है (जैसे रिपोर्ट के बजाय कविता लिखना), तो उसे कम स्कोर मिलता है। रोबोट अपनेเอง के प्रयासों के समूह को देखकर सीखता है और यह समझता है, "हे, जिसने चेकलिस्ट का पालन किया उसे सबसे अच्छा रिवॉर्ड मिला!"

जादुई चेकलिस्ट: प्रोग्रामेटिक रिवॉर्ड्स (Programmatic Rewards)
DobicVLM का गुप्त मंत्र इसका रिवॉर्ड सिस्टम है। एक मानव शिक्षक द्वारा हर एक रिपोर्ट को ग्रेड देने के बजाय (जो धीमा और महंगा है), शोधकर्ताओं ने एक डिजिटल "चेकलिस्ट" बनाई है जिसका रोबोट खुद के विरुद्ध मिलान करता है। इस चेकलिस्ट में चार मुख्य नियम हैं:

संरचना (Structure): क्या आपने "फाइंडिंग्स" और "इम्प्रेशन" जैसे सही हेडर का उपयोग किया है? (एक कंप्यूटर स्क्रिप्ट द्वारा विशिष्ट शब्दों की खोज करके जांचा जाता है)।
शरीर रचना (Anatomy): क्या आपने शरीर के महत्वपूर्ण अंगों का उल्लेख किया है, जैसे हृदय या फेफड़े? (आवश्यक शब्दों की सूची के विरुद्ध जांचा जाता है)।
सत्यता (Truthfulness): क्या रिपोर्ट वास्तविक निदान से मेल खाती है? (टेक्स्ट की वास्तविक डॉक्टर की रिपोर्ट से तुलना करके जांचा जाता है)।
लंबाई (Length): क्या रिपोर्ट बहुत छोटी या बहुत लंबी है? (यह सुनिश्चित करने के लिए जांचा जाता है कि यह एक शब्द का वाक्य या एक उपन्यास न हो)।

रोबोट को एक निजी क्लिनिक के 1,000 अज्ञात चेस्ट एक्स-रे रिपोर्टों पर प्रशिक्षित किया गया था। इस प्रशिक्षण के बाद, टीम ने इसे 69 नए, अनदेखे मामलों पर परखा। उन्होंने परिणामों को ग्रेड देने के लिए कंप्यूटर का उपयोग नहीं किया; इसके बजाय, उन्होंने चार वास्तविक डॉक्टरों (दो रेडियोलॉजिस्ट और दो मेडिकल डॉक्टर्स) से AI की रिपोर्टों को बिना देखे (blindly) पढ़ने और उन्हें 1 से 5 के पैमाने पर रेटिंग देने के लिए कहा।

उन्हें क्या मिला?

परिणाम बड़ी जीत और कुछ समझौतों (trade-offs) का मिश्रण थे।

जीत (The Wins):
जब बात निदान को सही करने की आई, तो DobicVLM स्पष्ट विजेता था। डॉक्टरों की रेटिंग में, DobicVLM ने "इम्प्रेशन" अनुभाग (रिपोर्ट का सबसे महत्वपूर्ण हिस्सा) के लिए 27.2% की उच्चतम सटीकता प्राप्त की। यह बेस मॉडल (MedGemma-4B) के 26.3% से बेहतर था और शक्तिशाली सामान्य AI, Gemini 2.5 Flash, जो केवल 10.7% स्कोर करता है, उससे कहीं बेहतर था। इसने सही मेडिकल शब्दावली का उपयोग करने में भी सर्वश्रेष्ठ प्रदर्शन किया, जिसका स्कोर 86.5% था।

समझौते (The Trade-offs):
हालाँकि, रोबोट परफेक्ट नहीं था। क्योंकि प्रशिक्षण ने रोबोट को सही उत्तर खोजने में अधिक "रचनात्मक" होने के लिए प्रोत्साहित किया था, इसलिए इसने कभी-कभी ऐसी छोटी बातें बना दीं जो वहां मौजूद नहीं थीं। टीम ने देखा कि DोबिकVLM में "हैलुसिनेशन" (चीजें बनाना) की दर बेस मॉडल की तुलना में थोड़ी अधिक थी (65.1% स्वीकृति बनाम 68.8%)। इसने रिपोर्ट पूर्णता (Report Completeness) (60.2%) और उपयुक्त रेफरल (Appropriate Referrals) (30.9%) पर भी कम स्कोर किया।

समझौता क्यों हुआ?
लेखकों का सुझाव है कि ऐसा इसलिए हुआ क्योंकि रोबोट मुख्य निदान को सही करने पर इतना केंद्रित था कि वह लंबाई की सीमा के भीतर रहने के लिए कभी-कभी अतिरिक्त विवरणों या "अगले कदमों" (रेफरल) को छोड़ देता था। यह एक ऐसे छात्र की तरह है जो एक बेहतरीन निष्कर्ष लिखता है लेकिन परिचय में सभी सामग्रियों को सूचीबद्ध करना भूल जाता है क्योंकि वह शब्द सीमा को लेकर चिंतित था।

निचोड़ (The Bottom Line)

DobicVLM दिखाता है कि आप एक AI को बिना किसी मानव द्वारा हर प्रयास को ग्रेड दिए, सख्त चिकित्सा नियमों का पालन करना सिखा सकते हैं। एक पारदर्शी, नियम-आधारित चेकलिस्ट (प्रोग्रामेटिक रिवॉर्ड्स) का उपयोग करके, टीम ने एक ऐसा मॉडल बनाया है जो सामान्य AI मॉडलों की तुलना में सही निदान देने में बहुत बेहतर है।

यह शोध पत्र सुझाव देता है कि यह दृष्टिकोण एक शानदार कदम है, विशेष रूप से उन स्थानों के लिए जहाँ संसाधन सीमित हैं और आप रोबोटों को प्रशिक्षित करने के लिए डॉक्टरों की सेना को काम पर रखने का खर्च नहीं उठा सकते। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह डॉक्टरों को बदलने के लिए तैयार कोई "पूर्ण" उत्पाद नहीं है। इसकी सटीकता दर, हालांकि परीक्षण में सबसे अच्छी थी, फिर भी मानव विशेषज्ञों और AI के बीच एक अंतर दिखाती है। रोबोट वर्तमान में एक ड्राफ्टिंग टूल के रूप में कार्य करने के लिए सबसे उपयुक्त है—एक सहायक जो मानव डॉक्टर द्वारा समीक्षा और हस्ताक्षर किए जाने के लिए रिपोर्ट का पहला संस्करण लिखता है, न कि एक ऐसी मशीन जो पूरी तरह से अपने दम पर काम करती है।

तकनीकी सारांश: DobicVLM

समस्या विवरण

चेस्ट एक्स-रे (CXR) के लिए स्वचालित रेडियोलॉजी रिपोर्ट जनरेशन (ARRG) प्रायोगिक मॉडलों और नैदानिक उपयोगिता के बीच एक महत्वपूर्ण अंतर का सामना कर रहा है। जबकि सामान्य विजन-लैंग्वेज मॉडल्स (VLMs) टेक्स्ट जनरेट कर सकते हैं, वे अक्सर रेडियोलॉजी की उच्च-दांव वाली आवश्यकताओं को पूरा करने में विफल रहते हैं, विशेष रूप से:

संरचनात्मक अनुपालन (Structural Adherence): कठोर प्रोटोकॉल (जैसे, अलग "Findings" और "Impression" अनुभाग) का पालन करने में विफलता।
शारीरिक पूर्णता (Anatomical Completeness): महत्वपूर्ण शारीरिक संरचनाओं का छूटना।
सिमेंटिक निष्ठा (Semantic Faithfulness): "हैलुसिनेशन" (गढ़े हुए निष्कर्ष) या मानक रिपोर्टिंग परंपराओं से विचलन।
प्रशिक्षण सीमाएँ (Training Limitations): मानक सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) अक्सर सांख्यिकीय पैटर्न सीखता है लेकिन सख्त बाधाओं को लागू करने में संघर्ष करता है, जिससे फॉर्मेटिंग की विफलता और तथ्यात्मक त्रुटियां होती हैं।
रिवॉर्ड मॉडल अपारदर्शिता (Reward Model Opacity): पारंपरिक रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक (RLHF) न्यूरल रिवॉर्ड मॉडल्स पर निर्भर करता है जो अक्सर अपारदर्शी, अस्थिर और क्लिनिकल सुरक्षा के लिए ऑडिट करने में कठिन होते हैं।

कार्यप्रणाली

लेखक DobicVLM का प्रस्ताव करते हैं, जो एक विशेष फ्रेमवर्क है जो MedGemma-4B आर्किटेक्चर का उपयोग करके चेस्ट एक्स-रे रिपोर्टिंग को क्लिनिकल मानकों के साथ संरेखित करता है।

1. मॉडल आर्किटेक्चर

बेस मॉडल: MedGemma-4B, जो एक्स-रे प्रोसेसिंग के लिए SigLIP 400M विजन एनकोडर के साथ Gemma 3 का विस्तार है।
दक्षता: अटेंशन लेयर्स में क्वेरी और वैल्यू प्रोजेक्शन पर लागू लो-रैंक एडेप्टेशन (LoRA) का उपयोग करता है, जो सीमित हार्डवेयर (Nvidia A100 GPUs) पर कुशल फाइन-ट्यूनिंग सक्षम बनाता है।

2. प्रशिक्षण पाइपलाइन

प्रशिक्षण प्रक्रिया दो अलग चरणों में विभाजित है:

चरण 1: सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): मॉडल को आधारभूत सक्षमता स्थापित करने के लिए 1,000 डी-आइडेंटिफाइड इमेज-रिपोर्ट पेयर्स पर प्रशिक्षित किया जाता है। डेटा ऑग्मेंटेशन में रोटेशन, फ्लिपिंग और कंट्रास्ट एडजस्टमेंट शामिल हैं।
चरण 2: ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO): पॉलिसी को GRPO का उपयोग करके परिष्कृत किया जाता है, जो एक क्रिटिक-फ्री रीइन्फोर्समेंट लर्निंग एल्गोरिदम है। RLHF के विपरीत, GRPO को अलग न्यूरल रिवॉर्ड मॉडल की आवश्यकता नहीं होती है। इसके बजाय, यह $G$ कैंडिडेट आउटपुट उत्पन्न करता है, एक प्रोग्रामेटिक फंक्शन के आधार पर रिवॉर्ड असाइन करता है, और इन आउटपुट्स को ग्रुप मीन और स्टैंडर्ड डेविएशन के विरुद्ध कॉन्ट्रास्ट करके पॉलिसी को ऑप्टिमाइज़ करता है।

3. क्लिनिकली-ग्राउंडेड प्रोग्रामेटिक रिवॉर्ड्स

एक मुख्य नवाचार सीखा हुआ रिवॉर्ड मॉडल के स्थान पर व्याख्या योग्य, नियम-आधारित रिवॉर्ड फंक्शन्स का उपयोग करना है। कुल रिवॉर्ड $R_{total}$ चार घटकों का एक भारित योग है:

संरचनात्मक अनुपालन ( $R_{struct}$ ): आवश्यक हेडर (Indication, Comparison, Findings, Impression) की उपस्थिति सुनिश्चित करने के लिए रेगेक्स (Regex) सत्यापन।
एनाटॉमिकल चेकलिस्ट ( $R_{check}$ ): उत्पन्न टेक्स्ट में आवश्यक शारीरिक शब्दों (जैसे, कार्डियक सिलुएट, कोस्टोफ्रेनिक एंगल्स) के अंश की गणना करता है।
सिमेंटिक निष्ठा ( $R_{overlap}$ ): ग्राउंड ट्रुथ के साथ संरेखण सुनिश्चित करने के लिए "Impression" सेक्शन पर ROUGE-L F1 स्कोर का उपयोग करता है।
लंबाई प्रतिबंध ( $R_{len}$ ): [80, 450] टोकन रेंज से बाहर गिरने वाली रिपोर्टों के लिए एक सॉफ्ट पेनल्टी।

प्रमुख योगदान

DobicVLM फ्रेमवर्क: वास्तविक क्लिनिकल रिपोर्ट्स पर LoRA और GRPO का उपयोग करके MedGemma-4B को फाइन-ट्यून करने के लिए एक मजबूत पाइपलाइन।
क्लिनिकल अलाइनमेंट के लिए GRPO: रेडियोलॉजी के लिए GRPO के पहले अनुप्रयोगों में से एक, जो प्रदर्शित करता है कि क्रिटिक-फ्री ऑप्टिमाइजेशन बिना किसी अलग क्रिटिक मॉडल के संरचनात्मक और शारीरिक बाधाओं को प्रभावी ढंग से लागू कर सकता है।
सत्यापन योग्य प्रोग्रामेटिक रिवॉर्ड्स: एक अभिनव रिवॉर्ड फंक्शन जो अनुमानित लर्निंग के बजाय पारदर्शी, नियम-आधारित सत्यापन को प्राथमिकता देता है, जिससे सिस्टम ऑडिट योग्य और EHR फॉर्मेटिंग मानकों के अनुरूप बनता है।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन एक निजी क्लिनिकल डेटासेट से 69 होल्ड-आउट रियल-वर्ल्ड चेस्ट एक्स-रे मामलों पर किया गया। मूल्यांकन चार बोर्ड-सर्टिफाइड नाइजीरियाई चिकित्सकों (दो रेडियोलॉजिस्ट, दो मेडिकल डॉक्टर) द्वारा पांच मानदंडों पर 5-पॉइंट लिकर्ट स्केल का उपयोग करके ब्लाइंडेड एक्सपर्ट रिव्यू के माध्यम से किया गया।

तुलनात्मक प्रदर्शन:
DobicVLM की तुलना Gemini 2.5 Flash और बेस MedGemma-4B से की गई।

मानदंड	Gemini 2.5 Flash	MedGemma-4B (Base)	DobicVLM (Ours)
Accuracy of Impression	10.7%	26.3%	27.2%
Medical Terminology	82.3%	83.2%	86.5%
Low Hallucination Rate	41.0%	68.8%	65.1%
Report Completeness	70.0%	62.7%	60.2%
Appropriate Referral	36.1%	48.3%	30.9%

मुख्य निष्कर्ष:

बेहतर सटीकता: DobicVLM ने Accuracy of Impression (27.2%) और Medical Terminology (86.5%) में उच्चतम स्कोर प्राप्त किया, जो दोनों बेसलाइन्स से बेहतर है।
हैलुसिनेशन ट्रेड-ऑफ: हालांकि DobicVLM ने Gemini 2.5 Flash (41.0% स्वीकृति बनाम 65.1%) की तुलना में हैलुसिनेशन को काफी कम कर दिया, लेकिन यह कंजर्वेटिव बेस MedGemma मॉडल (68.8%) की तुलना में मामूली गिरावट दिखाता है। लेखक इसे GRPO में निहित 'एक्सप्लोरेशन' के कारण बताते हैं, जो कभी-कभी सिमेंटिक रिवॉर्ड्स को संतुष्ट करने के लिए गैर-तथ्यात्मक विस्तार पेश कर सकता है।
पूर्णता और रेफरल: मॉडल ने पूर्णता और रेफरल में कम स्कोर दिखाया। लेखक नोट करते हैं कि यह एक जानबूझकर किया गया ट्रेड-ऑफ है; रिवॉर्ड वेटिंग विस्तृत शारीरिक विवरणों के बजाय सटीक, संक्षिप्त रिपोर्टिंग को प्राथमिकता देती है, जो अन्य मॉडलों में देखी जाने वाली "पूर्णता के लिए हैलुसिनेशन" व्यवहार को कम करने में मदद करती है।

महत्व और दावे

यह पेपर DobicVLM को संसाधन-सीमित सेटिंग्स में पारदर्शी अलाइनमेंट की दिशा में एक कदम के रूप में प्रस्तुत करता है।

क्लिनिकल उपयोगिता: Gemini 2.5 Flash की तुलना में इम्प्रेसन एक्यूरेसी में 2.5 गुना सुधार यह सुझाव देता है कि मॉडल क्लिनिकल डिप्लॉयमेंट के लिए बेहतर ढंग से उपयुक्त है, विशेष रूप से एक ड्राफ्ट जनरेशन टूल के रूप में जिसे अनिवार्य मानव समीक्षा की आवश्यकता है या रेसिडेंट्स के लिए एक टीचिंग टूल के रूप में।
पारदर्शिता: न्यूरल रिवॉर्ड मॉडल्स के बजाय प्रोग्रामेटिक रिवॉर्ड्स का उपयोग करके, सिस्टम ऑडिटेबिलिटी प्रदान करता है, जो चिकित्सा AI के लिए एक महत्वपूर्ण आवश्यकता है।
विनम्रता: लेखक स्पष्ट रूप से स्वीकार करते हैं कि 27.2% इम्प्रेसन एक्सेप्टेंस रेट रेडियोलॉजिस्ट के मानकों तक पहुँचने में एक महत्वपूर्ण अंतर को दर्शाता है। वे इस बात पर जोर देते हैं कि सिस्टम रेडियोलॉजिस्ट का विकल्प नहीं बल्कि एक सहायक उपकरण है।
सीमाएं: अध्ययन एक एकल संस्थान से प्राप्त मध्यम डेटासेट आकार (~1,000 ट्रेनिंग, 69 इवैल्यूएशन केस) द्वारा सीमित है। लेखक नोट करते हैं कि ROUGE-L डायग्नोस्टिक फैक्टुअलिटी के लिए एक अपूर्ण प्रॉक्सी है और एंटिटी एक्सट्रैक्शन (जैसे, RadGraph) और मल्टी-इंस्टीट्यूशनल स्केलिंग के साथ भविष्य के कार्य का आह्वान करते हैं।