CXR-Retrieve: Compositional Text-to-Image Retrieval in Chest Radiography
यह शोध पत्र CXR-Retrieve प्रस्तुत करता है, जो एक संरचित बेंचमार्क और एक लेबल-जागरूक कंट्रास्टिव फाइन-ट्यूनिंग विधि है जो चेस्ट रेडियोग्राफी में कंपोजिशनल टेक्स्ट-टू-इमेज रिट्रीवल में महत्वपूर्ण सुधार करता है, जिससे यह सुनिश्चित होता है कि रिट्रीव की गई छवियां केवल कीवर्ड्स से मेल खाने के बजाय संयोजन (conjunctions) और निषेध (negations) सहित जटिल नैदानिक बाधाओं को पूरा करती हैं।
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 जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आप संदिग्धों की तलाश करने के बजाय एक्स-रे चित्रों के एक विशाल पुस्तकालय में खोज कर रहे हैं। वास्तविक दुनिया में, डॉक्टरों के पास लाखों ऐसे चित्र होते हैं, लेकिन उनमें से अधिकांश के साथ एक लंबा, उलझा हुआ टेक्स्ट पैराग्राफ जुड़ा होता है—एक रेडियोलॉजिस्ट की रिपोर्ट। यदि आप टूटी हुई हड्डी का चित्र ढूँढना चाहते हैं, तो आप कंप्यूटर से सीधे "मुझे टूटी हुई हड्डियाँ दिखाओ" नहीं पूछ सकते। आपको सही एक चित्र खोजने के लिए हजारों रिपोर्टों को पढ़ना होगा।
इसे आसान बनाने के लिए, वैज्ञानिकों ने कंप्यूटर को एक ही समय में चित्रों और शब्दों दोनों को समझने के लिए प्रशिक्षित किया है। इसे "पिक्चर-इंग्लिश" बोलने के लिए एक रोबोट को सिखाने जैसा समझें। इस काम के लिए सबसे अच्छे शिक्षक 'विज़न-लैंग्वेज मॉडल्स' (Vision-Language Models) कहलाते हैं। वे सुपर-स्मार्ट लाइब्रेरियन की तरह हैं जिन्होंने लाइब्रेरी की हर किताब पढ़ी है और हर चित्र देखा है, और यह सीखा है कि एक विवरण को एक चित्र से कैसे मिलाया जाए। आमतौर पर, इन लाइब्रेरियन को एक पूरी, लंबी कहानी (एक पूर्ण मेडिकल रिपोर्ट) को एक चित्र से मिलाने के लिए प्रशिक्षित किया जाता है। लेकिन क्या होगा यदि आप पूरी कहानी नहीं चाहते? क्या होगा यदि आप केवल एक विशिष्ट चीज़ चाहते हैं, लेकिन निश्चित रूप से दूसरी चीज़ नहीं? यहीं पर वर्तमान लाइब्रेरियन भ्रमित होने लगते हैं। वे "कहानी" खोजने में बहुत अच्छे हैं, लेकिन सख्त, छोटे निर्देशों का पालन करने में वे बहुत खराब हैं, जैसे "मुझे एक फेफड़ा दिखाओ जिसमें तरल पदार्थ हो, लेकिन सुनिश्चित करें कि उसमें निमोनिया न हो।"
यह वह समस्या है जिसे टेक्निओन (Technion) और बेन-गुरियन यूनिवर्सिटी के शोधकर्ताओं के एक दल ने हल करने का निर्णय लिया। उन्होंने महसूस किया कि जबकि कंप्यूटर एक्स-रे के साथ लंबी रिपोर्टों को मिलाने में बेहतर हो रहे हैं, वे संक्षिप्त, सटीक नैदानिक (clinical) प्रश्नों का उत्तर देने में बुरी तरह विफल हो रहे हैं, विशेष रूप से जब उन प्रश्नों में किसी चीज़ को "नहीं" कहना शामिल हो या दो अलग-अलग स्थितियों को जोड़ना हो।
समस्या: "हाँ, लेकिन नहीं" का भ्रम
शोधकर्ताओं ने पाया कि वर्तमान AI मॉडल में एक अजीब सा अंधा मोड़ (blind spot) है। यदि आप उनसे "एटेलेक्टेसिस" (फेफड़े का एक हिस्सा ढह जाना) और "कोई निमोनिया नहीं" के लिए पूछते हैं, तो AI अक्सर "नहीं" वाले हिस्से को अनदेखा कर देता है। वह आपके अनुरोध में "निमोनिया" शब्द देखता है और सोचता है, "ओह, उन्हें निमोनिया चाहिए!" और आपको एक ऐसा चित्र दिखाता है जिसमें दोनों समस्याएं होती हैं। यह एक शेफ से बिना चीज़ वाला बर्गर मांगने जैसा है, जहाँ शेफ, "चीज़" शब्द को सुनकर, उसमें चीज़ का एक बड़ा टुकड़ा डाल देता है क्योंकि वह निर्देश के बजाय शब्द पर बहुत अधिक ध्यान केंद्रित करता है।
टीम ने यह साबित करने के लिए CXR-RETRIEVE नामक एक नया परीक्षण बनाया। उन्होंने 5,159 एक्स-रे छवियों और 145 विभिन्न खोज प्रश्नों (queries) के साथ एक विशेष चुनौती बनाई। कुछ प्रश्न सरल थे ("मुझे एक फ्रैक्चर दिखाओ"), कुछ संयोजन वाले थे ("मुझे एक फ्रैक्चर और एक फेफड़े का घाव दिखाओ"), और कुछ पेचीदा निषेध (negations) वाले थे ("मुझे एक फ्रैक्चर दिखाओ लेकिन फेफड़े का घाव नहीं")। उन्होंने पाया कि मौजूदा सर्वोत्तम मॉडल, जिन्हें पूर्ण रिपोर्टों से मिलान करने के लिए प्रशिक्षित किया गया है, अक्सर सरल वाले तो सही कर देते लेकिन पेचीदा वाले में पूरी तरह विफल हो जाते। वे ऐसे चित्र खोज लेते थे जो शब्दों से तो मेल खाते थे लेकिन तर्क (logic) का उल्लंघन करते थे।
समाधान: AI को "नहीं" सुनना सिखाना
इसे ठीक करने के लिए, शोधकर्ताओं ने केवल अधिक डेटा नहीं डाला; उन्होंने AI के सीखने के तरीके को बदल दिया। उन्होंने लेबल-अवेयर कॉन्ट्रास्टिव फाइन-ट्यूनिंग (label-aware contrastive fine-tuning) नामक एक नया प्रशिक्षण तरीका पेश किया।
कल्पना कीजिए कि आप एक कुत्ते को गेंद लाना सिखा रहे हैं। यदि आप कहते हैं "गेंद लाओ," तो कुत्ता गेंद की ओर दौड़ता है। लेकिन यदि आप कहते हैं "गेंद लाओ, लेकिन स्टिक (छड़ी) मत लाना," तो एक सामान्य कुत्ता भ्रमित हो सकता है और दोनों को उठा सकता है। शोधकर्ताओं ने अपने AI को एक नया नियम सिखाया: "यदि आप एक ऐसा चित्र देखते हैं जो 'गेंद' वाले हिस्से से मेल खाता है लेकिन उसमें 'स्टिक' वाला हिस्सा भी है, तो आपको उसे दूर धकेल देना चाहिए।"
उन्होंने यह एक विशेष "स्कोरकार्ड" बनाकर किया जो प्रत्येक छवि और टेक्स्ट जोड़ी के लिए था।
- आकर्षण (The Attraction): यदि एक छवि और एक टेक्स्ट क्वेरी इस बात पर सहमत हैं कि क्या मौजूद है (जैसे, दोनों कहते हैं "एडिमा यहाँ है") और क्या अनुपस्थित है (जैसे, दोनों कहते हैं "कोई निमोनिया नहीं"), तो AI को उन्हें एक-दूसरे के करीब लाने के लिए पुरस्कृत किया जाता है।
- प्रतिकर्षण (The Repulsion): यह असली गुप्त मंत्र है। यदि टेक्स्ट कहता है "कोई निमोनिया नहीं" लेकिन छवि में वास्तव में निमोनिया है, तो AI को स्पष्ट रूप से दंडित किया जाता है और उसे उस छवि को दूर धकेलने के लिए कहा जाता है। यह एक "छूना मना है" के साइन बोर्ड की तरह है जो गलत उत्तरों को सक्रिय रूप से दूर धकेलता है।
उन्होंने यह भी सुनिश्चित किया कि AI यह समझ सके कि यदि कोई रिपोर्ट किसी बीमारी का उल्लेख नहीं करती है, तो इसका मतलब यह नहीं है कि वह "हाँ" या "नहीं" है—यह बस "अज्ञात" है। लेकिन यदि रिपोर्ट स्पष्ट रूप से कहती है "कोई निमोनिया नहीं," तो यह एक पुष्ट तथ्य है जिसका AI को सम्मान करना चाहिए।
परिणाम: तर्क में एक बड़ी छलांग
जब उन्होंने अपने नए तरीके का परीक्षण किया, तो परिणाम प्रभावशाली थे, विशेष रूप से कठिन प्रश्नों के लिए।
- सरल खोजों के लिए: उनका मॉडल मौजूदा सर्वोत्तम मॉडलों जितना ही अच्छा था।
- संयोजन खोजों (A और B) के लिए: उन्होंने पिछले सर्वश्रेष्ठ मॉडल की तुलना में सटीकता में 8.5 प्रतिशत अंक का सुधार किया।
- पेचीदा "नहीं" वाली खोजों (A और no B) के लिए: यह सबसे बड़ी जीत थी। उन्होंने सटीकता में 22.0 प्रतिशत अंक का सुधार किया।
इसे समझने के लिए, यदि पुराना मॉडल 100 में से केवल 20 बार सही "कोई निमोनिया नहीं" वाला चित्र ढूंढ पाता था, तो नया मॉडल इसे 100 में से 42 बार ढूंढता है। उन्होंने यह भी मापा कि AI कितनी बार विशिष्ट गलती करता है जिसमें वह वर्जित बीमारी वाला चित्र दिखाता है (जिसे हार्ड नेगेटिव रिट्रीवल रेट कहा जाता है)। उनके तरीके ने इस त्रुटि दर को काफी कम कर दिया, जिसका अर्थ है कि AI आपके अनुरोध में "नहीं" को अनदेखा करने की संभावना बहुत कम रखता है।
यह क्यों मायने रखता है
शोधकर्ता सुझाव देते हैं कि चिकित्सा AI के वास्तव में उपयोगी होने के लिए, यह केवल एक शब्द-मिलान मशीन नहीं हो सकती। इसे नैदानिक तर्क (clinical logic) को समझना होगा। इसे यह समझना होगा कि "एटेलेक्सिस और कोई निमोनिया नहीं" एक पूरी तरह से अलग अनुरोध है बजाय "एटेलेक्सिस और निमोनिया" के। विरोधाभासी छवियों को सक्रिय रूप से दूर धकेलकर और स्पष्ट "नहीं" की बाधाओं का सम्मान करके, उन्होंने दिखाया कि हम ऐसे सिस्टम बना सकते हैं जो वास्तव में डॉक्टर के विशिष्ट, छोटे निर्देशों को सुनते हैं।
यह कोई जादुई छड़ी नहीं है जो अभी हर चिकित्सा समस्या को हल कर देगी, लेकिन यह एक स्पष्ट मार्ग सुझाती है। यदि हम चाहते हैं कि कंप्यूटर डॉक्टरों को पिछले मामलों को सीखने में मदद करें, तो हमें उन्हें न केवल यह नहीं सिखाना होगा कि शब्दों का अर्थ क्या है, बल्कि यह भी कि वे शब्द रोगी की वास्तविकता का वर्णन करने के लिए एक साथ कैसे जुड़ते हैं। शोध पत्र निष्कर्ष निकालता है कि विश्वसनीय चिकित्सा इमेज रिट्रीवल के लिए ऐसे प्रशिक्षण उद्देश्यों की आवश्यकता है जो न केवल यह मॉडल करें कि कौन से निष्कर्ष मौजूद हैं, बल्कि यह भी कि वे कैसे घोषित किए गए हैं—चाहे वे मौजूद हों, अनुपस्थित हों, या अनिश्चित हों।
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।