Toward Multi-Modal Deep Learning for Pulmonary Disease Classification: A Texture-Based Machine Learning Pilot Study on Public Chest X-Ray Data
यह पायलट अध्ययन एक सार्वजनिक चेस्ट एक्स-रे डेटासेट पर कोविड-19 को अन्य निमोनिया से अलग करने के लिए शास्त्रीय टेक्सचर-आधारित मशीन लर्निंग विधियों का मूल्यांकन करता है, जो मध्यम प्रदर्शन प्राप्त करता है जो भविष्य के मल्टी-मोडल डीप लर्निंग आर्किटेक्चर को प्रस्तावित करने के लिए एक आधार के रूप में कार्य करता 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
मानव शरीर की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें, और फेफड़ों को इसके दो विशाल, हवादार पार्कों के रूप में, जहाँ ताजी हवा अंदर आती है और बाहर जाती है। कभी-कभी, इन पार्कों पर शरारती तत्वों—वायरस, बैक्टीरिया या फंगस—का आक्रमण हो जाता है, जो साफ आसमान को धुंधले, बादलों वाले मलबे में बदल देते हैं। डॉक्टर इन पार्कों की तस्वीरें लेने के लिए एक्स-रे नामक विशेष "जादुई कैमरों" का उपयोग करते हैं, जो इस धुंध के स्पष्ट संकेतों की तलाश करते हैं। लेकिन इन तस्वीरों को पढ़ना कठिन काम है; यह बादलों से भरे आसमान में एक विशिष्ट बादल के पैटर्न को खोजने जैसा है, और हर एक फोटो को देखने के लिए पर्याप्त विशेषज्ञ "बादल देखने वाले" (रेडियोलॉजिस्ट) उपलब्ध नहीं हैं। यहीं पर कंप्यूटर मदद करने के लिए सुपर-फास्ट सहायक के रूप में कदम रखने की कोशिश करते हैं। मुख्य सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या हम एक कंप्यूटर को यह सिखा सकते हैं कि वह एक एक्स-रे को देखे और तुरंत कह सके, "आह, यह कोविड-19 के कारण होने वाली विशिष्ट धुंध है, न कि कोई भी साधारण धुंध"?
यह शोध पत्र एक पायलट अध्ययन है—एक छोटा, सावधानीपूर्वक किया गया परीक्षण—जो एक बहुत ही विशिष्ट, पुराने तरीके का उपयोग करके इस प्रश्न का उत्तर देने की कोशिश कर रहा है। एक कंप्यूटर को शून्य से "सीखने" के लिए सिखाने के बजाय (जिसके लिए आमतौर पर लाखों तस्वीरों की आवश्यकता होती है), शोधकर्ताओं ने कंप्यूटर को बादलों की बनावट (टेक्सचर) को मापने के लिए उपकरणों का एक सेट दिया। इसे एक जासूस को ड्राइंग में रेखाओं की खुरदरापन और दिशा को मापने के लिए एक आवर्धक लेंस और एक रूलर देने जैसा समझें, बजाय इसके कि जासूस को इसे खुद समझने के लिए हजारों ड्राइंगों को घूरने दिया जाए। उन्होंने दो मुख्य उपकरणों का उपयोग किया: एक जो किनारों की दिशा को गिनता है (जैसे लकड़ी के रेशों में रेखाएं) और दूसरा जो यह मापता है कि एक-दूसरे के बगल में स्थित छोटे बिंदु कितने समान हैं (जैसे यह जांचना कि कपड़ा चिकना है या ऊबड़-खाबड़)। उन्होंने इन उपकरणों का परीक्षण 408 रोगियों की 668 एक्स-रे छवियों के एक छोटे, सार्वजनिक संग्रह पर किया ताकि यह देखा जा सके कि क्या कंप्यूटर कोविड-19 निमोनिया और अन्य प्रकार के निमोनिया के बीच अंतर कर सकता है।
शोधकर्ताओं ने पाया कि उनका सरल, नियम-आधारित जासूस एक ठीक-ठाक काम करता है, लेकिन वह कोई चमत्कार करने वाला नहीं था। इन टेक्सचर टूल्स को मानक गणितीय क्लासिफायर (जैसे लॉजिस्टिक रिग्रेशन, रैंडम फॉरेस्ट और सपोर्ट वेक्टर मशीन) के साथ मिलाकर, सबसे अच्छा प्रदर्शन करने वाले—एक सपोर्ट वेक्टर मशीन—ने लगभग 75.4% बार सही उत्तर दिया। यह केवल हर बार "कोविड-19" का अनुमान लगाने से थोड़ा बेहतर है, जो केवल इसलिए 71.6% बार सही होता क्योंकि कोविड-19 की तस्वीरें ढेर में अधिक थीं। कंप्यूटर ने 0.755 के स्कोर (जिसे AUC कहा जाता है) के साथ दोनों प्रकार के निमोनिया के बीच अंतर करने में भी सफलता प्राप्त की, जो कि एक सिक्के के उछाल (0.500) से बेहतर है, लेकिन पूर्णता से बहुत दूर है।
हालाँकि, लेखक इस प्रयोग की सीमाओं के बारे में बहुत ईमानदार हैं। वे स्पष्ट रूप रूप से इस विचार को खारिज करते हैं कि यह प्रणाली मरीजों का निदान करने के लिए एक वास्तविक अस्पताल में उपयोग के लिए तैयार है। वे बताते हैं कि डेटासेट छोटा था और यह व्यवस्थित रोगी समूह के बजाय बिखरे हुए केस रिपोर्टों से आया था, जिससे परिणाम पक्षपाती हो सकते थे। वे यह भी नोट करते हैं कि चूंकि "अन्य निमोनिया" समूह कई अलग-अलग कारणों (वायरल, बैक्टीरियल, फंगल) का मिश्रण था, इसलिए कंप्यूटर के लिए एक स्पष्ट पैटर्न सीखना कठिन था। महत्वपूर्ण रूप से, वे इतने छोटे डेटासेट पर विशाल, जटिल "डीप लर्निंग" सिस्टम का उपयोग करने के विरुद्ध तर्क देते हैं, और चेतावनी देते हैं कि इससे कंप्यूटर वास्तव में सीखने के बजाय केवल उत्तरों को रट लेगा (ओवरफिटिंग)।
जीत का दावा करने के बजाय, यह शोध पत्र इन मामूली परिणामों का उपयोग एक आधार के रूप में करता है। लेखक सुझाव देते हैं कि जबकि यह सरल टेक्सचर-आधारित तरीका यह सिद्ध करता है कि खोजने के लिए कुछ संकेत मौजूद हैं, वास्तविक भविष्य एक बहुत अधिक परिष्कृत "मल्टी-मोडल" प्रणाली बनाने में निहित है। वे एक भविष्य के आर्किटेक्चर का प्रस्ताव करते जो विभिन्न प्रकार के शक्तिशाली AI (जैसे कन्वोल्यूशनल नेटवर्क और ट्रांसफॉर्मर) को जोड़ता है और एक्स-रे छवियों को रोगी के मेडिकल रिकॉर्ड के साथ मिलाता है। लेकिन वे इस बात पर जोर देते हैं कि यह केवल भविष्य के कार्य के लिए एक प्रस्ताव है। इसे साकार करने के लिए, वे कहते हैं कि हमें कई अस्पतालों से बहुत बड़े, विविध डेटासेट और सख्त नैतिक जांच की आवश्यकता है। फिलहाल, यह शोध पत्र एक पारदर्शी, पुनरुत्पादक आधार (बेसलाइन) के रूप में कार्य करता है—एक विनम्र पहला कदम जो दिखाता है कि हालांकि रास्ता स्पष्ट है, लेकिन एक वास्तव में विश्वसनीय AI डॉक्टर बनने की यात्रा अभी शुरू ही हुई 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।