Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis

कल्पना कीजिए कि आप एक रोबोट को जंगल में एक विशिष्ट प्रकार के पक्षी को पहचानने के लिए सिखाने की कोशिश कर रहे हैं। आपके पास पक्षियों की तस्वीरों का एक विशाल पुस्तकालय है, लेकिन रोबोट भ्रमित है। वह एक गौरैया (sparrow) और फिंच (finch) के बीच अंतर नहीं कर पा रहा है क्योंकि वे दिखने में बहुत समान हैं, या वह तस्वीरों की भारी संख्या से अभिभूत हो जाता है। यह डीप लर्निंग (Deep Learning) की दुनिया है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर हजारों उदाहरणों को देखकर सीखता है। आमतौर पर, कंप्यूटर को नया हुनर सिखाने के लिए, हम ट्रांसफर लर्निंग (Transfer Learning) का उपयोग करते हैं। इसे ऐसे समझें जैसे किसी ऐसे शेफ को काम पर रखना जिसे पहले से फ्रेंच व्यंजन बनाना आता है और फिर उससे सुशी बनाना सीखने के लिए कहना। उसे पहले से ही चाकू चलाने और गर्मी (तापमान) को संभालने का ज्ञान है, इसलिए उसे बस विशिष्ट मछली और चावल को सीखने की आवश्यकता है।

हालाँकि, चिकित्सा जगत में चीजें जटिल हो जाती हैं। डॉक्टरों को कंप्यूटर की आवश्यकता होती है जो मैमोग्राम (स्तनों के विशेष एक्स-रे) को देख सके ताकि कैंसर का जल्दी पता लगाया जा सके। लेकिन स्तन का ऊतक (tissue) हर किसी के लिए अलग होता है, और कुछ प्रकार के ऊतक ऐसे होते हैं जिन्हें देखना बहुत कठिन होता है। यह बर्फ के ढेर में सफेद बिल्ली को खोजने बनाम कोयले के ढेर में काली बिल्ली को खोजने जैसा है। "बर्फ" घना स्तन ऊतक है, जो ट्यूमर को छिपा देता है और इस काम को डॉक्टरों और कंप्यूटर दोनों के लिए बहुत कठिन बना देता है। बड़ा सवाल यह है: हम कंप्यूटर को एक बेहतर जासूस बनने के लिए कैसे सिखाएं जब सुराग छिपे हों, मामले दुर्लभ हों, और "बर्फ" लगातार बदल रही हो?

जासूस का नया नक्शा: DITL का परिचय

इस शोध पत्र में, जर्मनी के शोधकर्ताओं ने इन कंप्यूटर जासूसों को सिखाने का एक चतुर नया तरीका प्रस्तावित किया है। वे अपने इस तरीके को DITL कहते हैं, जिसका अर्थ है डेटासेट-इन्फॉर्म्ड ट्रांसफर लर्निंग (Dataset-Informed Transfer Learning)। केवल कंप्यूटर को तस्वीरों का ढेर थमाकर "इसे सीखो!" कहने के बजाय, DITL कंप्यूटर को पढ़ाई शुरू करने से पहले ही इलाके का एक व्यक्तिगत नक्शा प्रदान करता है।

यहाँ वह समस्या है जिसे वे हल कर रहे हैं: मानक शिक्षण विधियाँ अक्सर हर फोटो के साथ एक जैसा व्यवहार करती हैं। वे कह सकती हैं, "यह फोटो आसान है, इसे अनदेखा करें," या "यह फोटो कठिन है, इस पर ध्यान दें!" लेकिन वे आमतौर पर यह अनुमान लगाने के लिए कंप्यूटर के आत्मविश्वास (confidence) का उपयोग करती हैं कि कौन सा क्या है। लेखक तर्क देते हैं कि यह एक छात्र द्वारा केवल इसलिए गणित के कठिन सवालों का अनुमान लगाने जैसा है क्योंकि उसने एक बार गलत उत्तर दिया था, न कि स्वयं समस्या को समझने के कारण।

"बर्फ" और "कठिन मामले"
शोधकर्ताओं ने महसूस किया कि कुछ मैमोग्राम स्वाभाविक रूप से वर्गीकृत करने के लिए दूसरों की तुलना में अधिक "कठिन" होते हैं। एक बहुत ही घने स्तन की फोटो जिसमें एक छोटा, सूक्ष्म धब्बा है, वह एक "कठिन मामला" है। वसायुक्त स्तन की फोटो जिसमें एक स्पष्ट गांठ है, वह एक "आसान मामला" है। अतीत में, कंप्यूटर संघर्ष करते थे क्योंकि उन्हें यह पता नहीं होता था कि कौन से मामले कैसे हैं जब तक कि उन्होंने पहले ही गलती न कर दी हो।

तीन-चरणीय जादू का खेल
DITL इसे ठीक करने के लिए तीन मजेदार चरणों में काम करता है:

1. वार्म-अप (सेल्फ-सुपरवाइज्ड लर्निंग): सबसे पहले, कंप्यूटर सभी मैमोग्रामों को देखता है बिना यह जाने कि वे क्या हैं। यह एक रोबोट को बिना गाइड के जंगल में घूमने देने जैसा है, बस यह देखते हुए कि कुछ पेड़ एक जैसे दिखते हैं और कुछ अलग। यह लेबल के आधार पर नहीं, बल्कि पैटर्न के आधार पर "जंगल" का एक मानसिक मानचित्र बनाता है।
2. पड़ोस की निगरानी (पड़ोसियों को खोजना): इसके बाद, कंप्यूटर अपने नए नक्शे को देखता है और पूछता है, "मेरे पड़ोसी कौन हैं?" प्रत्येक फोटो के लिए, यह उन k निकटतम फोटो को खोजता है जो उसके जैसे दिखते हैं।
   • यदि कोई फोटो ऐसे पड़ोसियों से घिरा है जिनके लेबल समान हैं (जैसे, "कैंसर"), तो यह एक आसान फोटो है।
   • यदि कोई फोटो मिश्रित लेबल वाले पड़ोसियों से घिरा है (कुछ "कैंसर", कुछ "कोई कैंसर नहीं"), तो यह एक कठिन फोटो है। यह दो दुनियाओं के बीच की सीमा पर खड़ा है।
   • शोधकर्ता कितने पड़ोसियों की जांच करनी है, यह तय करने के लिए एक सरल गणितीय नियम का उपयोग करते हैं: कुल फोटो की संख्या का वर्गमूल (square root)। यह छोटे समूहों और विशाल भीड़, दोनों के लिए एक सटीक संतुलन है।
3. स्मार्ट सबक (नए लॉस फंक्शन्स): अंत में, कंप्यूटर अपनी वास्तविक ट्रेनिंग शुरू करता है, लेकिन अब उसके पास दो महाशक्तियाँ हैं:
   • शक्ति 1: कठिनाई का भार (A-DWCE)। कंप्यूटर जानता है कि कौन सी तस्वीरें "कठिन" हैं और कौन सी "आसान"। वह कठिन वाली तस्वीरों पर अधिक ध्यान देता है, ठीक वैसे ही जैसे एक छात्र कठिन गणित के सवालों पर अधिक समय बिताता है। लेकिन अन्य तरीकों के विपरीत, जिन्हें यह तय करने के लिए मानवीय 'नॉब्स और डायल' को ट्यून करने की आवश्यकता होती है कि कितना ध्यान देना है, यह तरीका स्वचालित रूप से पड़ोस के आधार पर इसे खुद समझ लेता है।
   • शक्ति 2: पड़ोस की यात्रा (A-NR-Triplet)। कंप्यूटर को "कठिन" पड़ोसियों को करीब लाने और "अलग" पड़ोसियों को दूर धकेलने के लिए कहा जाता है। एक डांस फ्लोर की कल्पना करें जहाँ कंप्यूटर उन लोगों को समूह में लाना सीख रहा है जो एक जैसे दिखते हैं और उन्हें अलग कर रहा है जो अलग हैं। दिलचस्प बात? उन्हें कितनी "दूरी" बनाए रखनी है, यह कोई निश्चित नियम नहीं है; कंप्यूटर नाचते हुए ही सही दूरी सीख जाता है।

यह एक बड़ी बात क्यों है?
लेखकों ने इस नई पद्धति का परीक्षण मैमोग्राम डेटा के चार अलग-अलग सेटों पर किया, जो विशिष्ट ट्यूमर स्पॉट के छोटे संग्रह से लेकर 13,000 से अधिक पूरे स्तन छवियों के विशाल डेटासेट तक विस्तृत है।

उन्होंने पाया कि DITL पुराने तरीकों की तुलना में एक सांख्यिकीय रूप से महत्वपूर्ण (statistically significant) सुधार था। बड़े डेटासेट (VinDR-Mammo) में, DITL ने मानक तरीकों की तुलना में स्तन घनत्व और जोखिम स्तर (BI-RADS) को पहचानने में बेहतर स्कोर प्राप्त किया। यह केवल कुछ अंक बेहतर नहीं था; सुधार इतना सुसंगत था कि इसके इत्तेफाक होने की संभावना 10,000 में से 1 से भी कम थी (p < 0.0001)।

छोटे डेटासेट (जैसे CESM और CBIS-DDSM) के लिए भी, DITL विजेता रहा, जिसने सटीकता और F1-स्कोर (एक पैमाना कि यह दुर्लभ, महत्वपूर्ण मामलों को कितनी अच्छी तरह पाता है) में छोटी लेकिन सार्थक वृद्धि की। उदाहरण के लिए, CESM डेटासेट पर, इसने बेसलाइन की तुलना में F1-स्कोर को लगभग 3.6% बढ़ाया।

उन्होंने किस बात को "ना" कहा?
शोध पत्र इस बारे में बहुत स्पष्ट है कि क्या उतना अच्छा काम नहीं करता है। वे स्पष्ट रूप से फोकल लॉस (Focal Loss) के उपयोग के विरुद्ध तर्क देते हैं, जो एक लोकप्रिय तरीका है जो कंप्यूटर के वर्तमान आत्मविश्वास के आधार पर कठिन उदाहरणों पर ध्यान केंद्रित करने की कोशिश करता है। उन्होंने पाया कि फोकल लॉस को बहुत अधिक मानवीय ट्यूनिंग (सही "गामा" नंबर का अनुमान लगाने) की आवश्यकता होती है और यह अभी भी DITL की तरह डेटासेट की अनूठी संरचना को नहीं समझ पाता है। DITL को इसकी आवश्यकता नहीं है; यह कठिनाई को अपने आप समझ लेता है।

निष्कर्ष
शोधकर्ताओं ने केवल यह सुझाव नहीं दिया कि यह काम कर सकता है; उन्होंने इसे मापा। उन्होंने दिखाया कि कंप्यूटर को सीखने से पहले ही प्रत्येक छवि के "पड़ोस" को समझने देने से, यह एक बहुत बेहतर जासूस बन जाता है। यह "बर्फ़ीले" घने स्तनों को बेहतर ढंग से संभालता है, दुर्लभ उच्च-जोखिम वाले मामलों को अधिक बार पहचानता है, और यह सब बिना किसी मानवीय हस्तक्षेप के करता है।

अंततः, DITL कंप्यूटर को चश्मे का एक जोड़ा देने जैसा है जो इसे किसी भी मामले को हल करने की कोशिश करने से पहले ही उसकी कठिनाई देखने में मदद करता है। यह स्तन कैंसर की स्क्रीनिंग की पूरी प्रक्रिया को अधिक विश्वसनीय बनाता है, विशेष रूप से उन रोगियों के लिए जिनका निदान करना सबसे कठिन है। और सबसे अच्छी बात? यह कंप्यूटर को धीमा नहीं करता है। "नक्शा" एक बार बनाया जाता है, और फिर कंप्यूटर तेजी से और बिना किसी अतिरिक्त लागत के सीखता है।