RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding

कल्पना कीजिए कि आप एक कंप्यूटर को दुनिया को समझने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं, उसे तस्वीरें दिखाकर और उनके बारे में कहानियाँ पढ़ाकर। यह "विज़न-लैंग्वेज" (दृष्टि-भाषा) लर्निंग का मूल है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ मशीनें यह समझने की कोशिश करती हैं कि जो वे देख रही हैं उसका जो वे पढ़ रही हैं उससे क्या संबंध है। लंबे समय से, वैज्ञानिकों ने इन कंप्यूटरों को एक "वन-साइज़-फिट्स-ऑल" (एक ही आकार सबके लिए) दृष्टिकोण का उपयोग करके सिखाया है: वे कंप्यूटर को एक चेस्ट एक्स-रे की तस्वीर और डॉक्टर की रिपोर्ट का पूरा टेक्स्ट दिखाते हैं, और कंप्यूटर से यह सीखने को कहते हैं कि ये दोनों जानकारी के एक विशाल ब्लॉक के रूप में कैसे मेल खाते हैं। यह एक नई भाषा सीखने जैसा है जहाँ आप एक ही समय में एक पूरी उपन्यास और एक एकल दृश्य की तस्वीर सुन रहे हैं, इस उम्मीद में कि कंप्यूटर जादू से समझ जाएगा कि कौन सा शब्द छवि के किस भाग से संबंधित है। हालांकि यह सामान्य कार्यों के लिए ठीक काम करता है, लेकिन जब आपको विशिष्ट विवरण खोजने की आवश्यकता होती है तो यह अव्यवस्थित हो जाता है। यदि एक डॉक्टर लिखता है, "हृदय बड़ा है, लेकिन फेफड़े साफ हैं," तो कंप्यूटर इस बात को लेकर भ्रमित हो सकता है कि छवि का कौन सा हिस्सा हृदय का है और कौन सा फेफड़ों का। सटीकता की यह कमी एआई को कठिन बनाती है, क्योंकि डॉक्टर आसानी से यह नहीं देख सकते कि कंप्यूटर ने एक विशिष्ट निर्णय क्यों लिया या उसने समस्या को कहाँ देखा।

यहीं पर नया पेपर, RadPRISM, आता है। शोधकर्ताओं ने एक स्मार्ट तरीका बनाना चाहा जिससे कंप्यूटर मेडिकल रिपोर्ट और एक्स-रे को पढ़ना सीख सके। रिपोर्ट को सूचना के एक बड़े ढेर के रूप में मानने के बजाय, उन्होंने इसे छोटे, विशिष्ट टुकड़ों में तोड़ने का निर्णय लिया, जैसे कि एक अव्यवस्थित टूलबॉक्स को हथौड़ों, पेचकशों और रिंचों के लिए अलग-अलग दराजों में छाँटना। उन्होंने एक ऐसा सिस्टम बनाया जो डॉक्टर की फ्री-टेक्स्ट रिपोर्ट लेता है, एक शक्तिशाली एआई लैंग्वेज टूल का उपयोग करके विशिष्ट चीजों (जैसे "टूटी हुई हड्डी" या "फेफड़े में तरल पदार्थ") का वर्णन करने वाले विशिष्ट वाक्यों को ढूंढता है, और फिर कंप्यूटर को केवल उस विशिष्ट चीज़ को छवि में खोजने के लिए सिखाता है। इसे एक विशिष्ट चिकित्सा अवधारणा के लिए कंप्यूटर को आवर्धक लेंस (मैग्निफाइंग ग्लास) देने जैसा समझें, न कि पूरी तस्वीर के लिए वाइड-एंगल लेंस देने जैसा। परिणाम स्वरूप एक ऐसा कंप्यूटर मिलता है जो न केवल यह कहता है कि "कुछ गलत है"; बल्कि यह सटीक रूप से बता सकता है कि समस्या कहाँ है और उसी वर्णनात्मक भाषा का उपयोग करके समझा सकता है जिसका उपयोग मानव डॉक्टर करते हैं, और वह भी बिना किसी इंसान द्वारा प्रशिक्षण के दौरान हर समस्या के चारों ओर बॉक्स बनाने की आवश्यकता के।

मुख्य विचार: टूलबॉक्स की छंटनी

टीम, जिसका नेतृत्व फैबियन ड्रेक्सल और म्यूनिख की टेक्निकल यूनिवर्सिटी के सहयोगियों ने किया, ने महसूस किया कि पिछले एआई मॉडल उन छात्रों की तरह थे जो एक साथ पूरी लाइब्रेरी को याद करने की कोशिश कर रहे थे। वे सीखते थे कि "निमोनिया" और "तरल पदार्थ" दोनों फेफड़ों में बुरी चीजें हैं, लेकिन उन्हें विवरणों को स्पष्ट रखने में संघर्ष करना पड़ता था। यदि रिपोर्ट कहती थी, "बाईं ओर तरल पदार्थ है लेकिन दाईं ओर नहीं," तो एक मानक मॉडल केवल यह सीख सकता था कि "तरल = बुरा" और भूल सकता था कि वह किस तरफ था।

इसे ठीक करने के लिए, शोधकर्ताओं ने RadPRISM का आविष्कार किया। उन्होंने म्यूनिख के एक अस्पताल के 323,562 से अधिक चेस्ट एक्स-रे और उनकी संबंधित फ्री-टेक्स्ट रिपोर्ट के एक विशाल संग्रह से शुरुआत की। पूरी रिपोर्ट को कंप्यूटर को खिलाने के बजाय, उन्होंने एक विशेष एआई टूल (एक लार्ज लैंग्वेज मॉडल) का उपयोग एक सुपर-फास्ट लाइब्रेरियन के रूप में किया। इस लाइब्रेरियन ने हर रिपोर्ट को पढ़ा और 19 विभिन्न चिकित्सा अवधारणाओं के लिए विशिष्ट वाक्य निकाले, जैसे कि "निमोनिया," "टूटी हुई हड्डियाँ," या "हृदय का आकार।"

कल्पना कीजिए कि कंप्यूटर का मस्तिष्क 19 अलग-अलग "उप-कमरों" वाला एक विशाल कमरा है। जब लाइब्रेरियन "निमोनिया" के बारे में एक वाक्य पाता है, तो वह उस वाक्य को "निमोनिया रूम" में भेज देता है। जब उसे "टूटी हुई हड्डियों" के बारे में एक वाक्य मिलता है, तो वह उसे "टूटी हुई हड्डियों के कमरे" में भेज देता है। कंप्यूटर फिर एक्स-रे को देखना और केवल निमोनिया रूम या केवल टूटी हुई हड्डियों के कमरे से मेल खाने वाले दृश्य संकेतों को खोजना सीखता है। इसे "कॉन्सेप्ट-स्ट्रैटिफाइड" (अवधारणा-स्तरीकृत) लर्निंग कहा जाता है। यह कंप्यूटर को अपने विचारों को अलग और व्यवस्थित रखने के लिए मजबूर करता है, बजाय इसके कि वे सब कुछ एक बड़े, भ्रमित करने वाले ढेर में मिला दें।

उन्होंने क्या पाया: तेज आँखें और बेहतर स्मृति

इस नए तरीके के परिणाम प्रभावशाली थे। जब शोधकर्ताओं ने नए एक्स-रे पर (जिसे "जीरो-शॉट क्लासिफिकेशन" कहा जाता है) परीक्षण किया, तो RadPRISM मॉडल 0.868 बार सही रहा (जिसे मैक्रो AUROC नामक स्कोर से मापा गया है)। इसकी तुलना पुराने "वन-साइज़-फिट्स-ऑल" पद्धति से करें, जो केवल 0.717 बार सही था। यह सटीकता में एक बड़ी छलांग है, जो बताती है कि जानकारी को अलग-अलग "कमरों" में व्यवस्थित करने से कंप्यूटर को विवरण समझने में वास्तव में मदद मिलती है।

लेकिन असली जादू तब हुआ जब हमने कंप्यूटर को एक्स-रे पर समस्या की ओर इशारा करने के लिए कहा, जिसे "विजुअल ग्राउंडिंग" कहा जाता है। यह कंप्यूटर को यह बताने जैसा है कि निमोनिया वास्तव में कहाँ है, वहाँ एक बिंदु लगाने के लिए। CheXlocalize नामक सार्वजनिक डेटासेट का उपयोग करते हुए एक परीक्षण में, RadPRм पिछले सर्वश्रेष्ठ मॉडल, CARZero की तुलना में बहुत बेहतर रहा।

• Atelectasis (फेफड़े का सिकुड़ना) के लिए, RadPRISM सही जगह की ओर इशारा करने में 4.3 गुना बेहतर था।
• Pleural Effusion (फेफड़ों के आसपास तरल पदार्थ) के लिए, यह 2.8 गुना बेहतर था।
• Lung Lesions (फेफड़ों के घाव) के लिए, यह 1.5 गुना बेहतर था।

इससे भी अधिक रोमांचक बात यह है कि कंप्यूटर ने यह सब बिना कभी भी किसी डॉक्टर द्वारा बीमारी के चारों ओर घेरा बनाने के उदाहरण देखे बिना किया। इसने केवल टेक्स्ट विवरणों को पढ़कर और चित्रों को देखकर इशारा करना सीख लिया।

मानव परीक्षण: क्या एक डॉक्टर इस पर भरोसा करता है?

यह सुनिश्चित करने के लिए कि यह केवल एक कंप्यूटर का चमत्कार नहीं था, शोधकर्ताओं ने मानव डॉक्टरों को शामिल किया। उन्होंने छह रेडियोलॉजी रेजिडेंट्स (प्रशिक्षण ले रहे डॉक्टर) को 200 एक्स-रे दिखाए और उनके काम का मूल्यांकन करने को कहा। उन्होंने तीन प्रश्न पूछे:

1. क्या कंप्यूटर ने सही अनुमान लगाया कि बीमारी मौजूद थी या नहीं? (यह 0.83 बार सही था)।
2. क्या कंप्यूटर का "अटेंशन मैप" (वह क्षेत्र जिसे उसने हाइलाइट किया) वास्तव में वहां था जहां बीमारी थी? (यह 0.85 बार सही था)।
3. क्या कंप्यूटर अपने डेटाबेस से एक ऐसा वाक्य खोज सका जो छवि में मौजूद बीमारी का वर्णन करता हो? (यह 0.78 बार सही था)।

डॉक्टर तीसरे बिंदु से विशेष रूप से प्रभावित थे। क्योंकि कंप्यूटर ने अवधारणाओं को अलग करना सीख लिया था, इसलिए यह अपने डेटाबेस से विशिष्ट, वर्णनात्मक वाक्य निकाल सकता था जैसे कि "दाएं ऊपरी लोब में अपरिवर्तित आकार (लगभग 6 सेमी) का बड़ा मास लीजन," जो छवि से पूरी तरह मेल खाता था। यह कुछ पुरानी मॉडलों के लिए संभव नहीं था क्योंकि उन्हें निश्चित लेबल (जैसे केवल "हाँ/नहीं") के साथ प्रशिक्षित किया गया था और उनके पास समृद्ध, वर्णनात्मक भाषा नहीं थी।

यह क्यों महत्वपूर्ण है

पेपर सुझाव देता है कि डॉक्टरों की अव्यवस्थित, मुक्त-प्रवाह वाली भाषा को व्यवस्थित, विशिष्ट अवधारणाओं में तोड़कर, हम ऐसा एआई बना सकते हैं जो न केवल स्मार्ट है बल्कि अधिक पारदर्शी भी है। डॉक्टर कंप्यूटर के काम को देख सकते हैं, देख सकते हैं कि उसने निर्णय लेने के लिए किस "कमरे" का उपयोग किया, और उस विशिष्ट वाक्य को पढ़ सकते हैं जो छवि से मेल खाता है। यह एआई को एक "ब्लैक बॉक्स" के बजाय एक सहायक साथी बनाता है जो चिकित्सा टीम की समान भाषा बोलता है।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह एक 'प्रूफ ऑफ कॉन्सेप्ट' है। जबकि परिणाम मजबूत हैं, इनका परीक्षण मुख्य रूप से एक अस्पताल के चेस्ट एक्स-रे और एक सार्वजनिक डेटासेट पर किया गया था। उन्होंने यह भी पाया कि सिस्टम अभी भी पूर्ण नहीं है; बहुत कठिन चीजों जैसे कि सूक्ष्म फ्रैक्चर या फेफड़ों में हवा की पतली रेखाओं (न्यूमोथोरैक्स) के लिए, कंप्यूटर कभी-कभी सटीक स्थान बताने में संघर्ष करता है, जो संभवतः इसलिए है क्योंकि छवियां पर्याप्त उच्च-रिज़ॉल्यूशन की नहीं थीं। लेकिन मूल विचार—कि अवधारणा के आधार पर जानकारी को व्यवस्थित करने से एआई स्मार्ट और अधिक भरोसेमंद बनता है—चिकित्सा तकनीक की दिशा में एक ठोस कदम प्रतीत होता है।