कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपका "अपराध स्थल" कोई अपराध नहीं, बल्कि एक मरीज के शरीर से लिया गया ऊतक (tissue) का एक छोटा सा, रंगीन टुकड़ा है, जिसे सूक्ष्मदर्शी (microscope) के नीचे हजारों गुना बड़ा करके दिखाया गया है। यह कम्प्यूटेशनल पैथोलॉजी की दुनिया है, जहाँ वैज्ञानिक इन सूक्ष्म चित्रों को पढ़ने और यह भविष्यवाणी करने के लिए शक्तिशाली कंप्यूटरों का उपयोग करते हैं कि किसी मरीज की बीमारी, जैसे कि कैंसर, समय के साथ कैसे व्यवहार करेगी। लंबे समय तक, ये कंप्यूटर एक प्रतिभाशाली लेकिन मौन जादूगरों की तरह रहे हैं: वे एक स्लाइड को देख सकते हैं और कह सकते हैं, "इस मरीज के जीवित रहने की संभावना अधिक है," या "इस एक को अधिक जोखिम है," जो प्रभावशाली सटीकता के साथ होता है। लेकिन एक समस्या है। जब आप कंप्यूटर से पूछते हैं कि उसने वह भविष्यवाणी क्यों की, तो वह आमतौर पर छवि के एक विशिष्ट स्थान की ओर इशारा करता है और कहता है, "मैंने यहाँ देखा।" वह आपको यह नहीं बताता कि उसने उस स्थान में क्या देखा। क्या वह एक भीषण प्रतिरक्षा युद्ध (immune battle) का संकेत है? मरती हुई कोशिकाओं का संकेत? या एक विशिष्ट प्रकार की रक्त वाहिका का संकेत? बिना यह जाने कि "क्यों", डॉक्टर कंप्यूटर पर पूरी तरह भरोसा नहीं कर सकते, और वे बीमारी के बारे में उन नए रहस्यों को भी नहीं सीख सकते जो कंप्यूटर ने खोजे होंगे।

यहीं पर SAGE नामक एक नया टूल आता है। SAGE को एक अनुवादक (translator) के रूप में सोचें जो कंप्यूटर के मौन इशारों को एक बोले गए वृत्तांत (spoken story) में बदल देता है। यह शोध पत्र एक विधि पेश करता है जो उन "मौन जादूगरों" (विशेष रूप से 'अटेंशन-बेस्ड मल्टीपल इंस्टेंस लर्निंग' या ABMIL नामक एक प्रकार के AI) को लेने और उन्हें 25 सामान्य जैविक अवधारणाओं (biological concepts) के शब्दकोश का उपयोग करके अपने विचारों को समझाने के लिए कहने का काम करती है, जैसे कि "लिम्फोसाइट्स" (प्रतिरक्षा कोशिकाएं), "नेक्रोसिस" (मृत ऊतक), या "एंजियोजेनेसिस" (नई रक्त वाहिका वृद्धि)। शोधकर्ताओं ने कंप्यूटर को फिर से प्रशिक्षित नहीं किया या उसे कुछ नया सीखने के लिए मजबूर नहीं किया; इसके बजाय, उन्होंने एक 'पोस्ट-हॉक' (post-hoc) ढांचा बनाया जो कंप्यूटर के मौजूदा 'अटेंशन मैप' को पढ़ता है और उसे मानव-पठनीय अवधारणाओं में अनुवादित करता है। उन्होंने इसका परीक्षण TCGA नामक एक विशाल डेटाबेस से सात अलग-अलग प्रकार के कैंसरों पर किया। परिणाम? SAGE ने न केवल उन चीजों की पुष्टि की जो डॉक्टर पहले से जानते थे—जैसे कि मृत ऊतक (necrosis) आमतौर पर बुरी खबर होती है—बल्कि इसने आश्चर्यजनक, कैंसर-विशिष्ट कहानियाँ भी उजागर कीं, जैसे कि किडनी कैंसर में रक्त वाहिकाओं के विकास का एक विशिष्ट प्रकार, जो वास्तव में मरीज के लिए एक अच्छा संकेत लग रहा था।

SAGE की कहानी: AI को एक आवाज़ देना

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट लेकिन शर्मीला रोबोट सहायक है जो आपके होमवर्क को ग्रेड करने में बहुत अच्छा है लेकिन आपको यह बताने से इनकार करता है कि आपको 'A' या 'F' क्यों मिला। वह बस पन्ने को हाइलाइट करता है और कहता है, "यहाँ ध्यान दें।" वर्तमान पैथोलॉजी में AI मॉडल लगभग यही करते हैं। वे होल स्लाइड इमेजेस (WSIs) को देखते हैं—जो हजारों छोटे वर्गाकार पैच से बने विशाल डिजिटल मोज़ेक की तरह होते हैं—और विभिन्न पैच को "अटेंशन वेट्स" (attention weights) असाइन करते हैं। यदि किसी पैच को उच्च अटेंशन वेट मिलता है, तो इसका मतलब है कि मॉडल को लगता है कि वह विशिष्ट छोटा वर्ग महत्वपूर्ण है। लेकिन "महत्वपूर्ण" शब्द अस्पष्ट है। क्या यह इसलिए महत्वपूर्ण है क्योंकि यह एक ट्यूमर जैसा दिखता है? क्योंकि यह प्रतिरक्षा कोशिकाओं की एक सेना जैसा दिखता है? या सिर्फ इसलिए क्योंकि इसका रंग अजीब है?

इस शोध पत्र के लेखक, अब्दुल्लाह लमाने और उनकी टीम, इस रहस्य को सुलझाना चाहते थे। उन्होंने S SAGE (सेमेंटिक अटेंशन ग्लोबल एक्सप्लेनेशन) नामक एक ढांचा बनाया। SAGE को एक जासूस की नोटबुक के रूप में समझें जो रोबोट के अस्पष्ट इशारों को लेती है और उन खाली जगहों को 25 विशिष्ट जैविक अवधारणाओं के शब्दकोश से भर देती है। ये अवधारणाएं कोशिका प्रकारों (जैसे लिम्फोसाइट्स या कैंसर कोशिकाएं) से लेकर कोशिका व्यवहारों (जैसे माइटोसिस, यानी कोशिका विभाजन) और पर्यावरणीय विशेषताओं (जैसे नेक्रोसिस या निशान/स्कारिंग) तक फैली हुई हैं।

यहाँ यह जादू चरण-दर-चरण कैसे होता है:

1. द फ्रोजन मॉडल (The Frozen Model): शोधकर्ताओं ने एक मौजूदा, "फ्रोजन" AI मॉडल (एक ऐसा मॉडल जिसे पहले से ही उत्तरजीविता/survival की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है) को लिया और उसके सोचने के तरीके में कोई बदलाव नहीं किया। उन्होंने बस उसके 'अटेंशन वेट्स' को बरकरार रखा।
2. शब्दकोश (The Dictionary): उन्होंने उन 25 अवधारणाओं का एक शब्दकोश बनाने के लिए एक विशेष "विज़न-लैंग्वेज मॉडल" (एक प्रकार का AI जो चित्रों और शब्दों दोनों को समझता है) का उपयोग किया।
3. अनुवाद (The Translation): ऊतक की प्रत्येक छोटी पैच के लिए, SAGE विज़न-लैंग्वेज मॉडल से पूछता है: "'नेक्रोसिस' जैसा यह पैच कितना दिखता है? 'लिम्फोसाइट्स' जैसा यह कितना दिखता है?" उसे प्रत्येक अवधारणा के लिए एक स्कोर मिलता है।
4. एकत्रीकरण (The Aggregation): यह सबसे चतुर हिस्सा है। SAGE केवल इन स्कोर्स का औसत नहीं निकालता। यह उन्हें मूल AI मॉडल द्वारा उन पैचों को दिए गए 'अटेंशन वेट्स' से गुणा करता है। यदि मूल AI ने उस पैच पर बहुत अधिक ध्यान दिया था जो "नेक्रोसिस" जैसा दिखता था, तो SAGE "नेक्रोसिस" को एक बड़ा स्कोर देता है। यदि AI ने उस पैच को अनदेखा कर दिया जो "लिम्फोसाइट्स" जैसा दिखता था, तो उस अवधारणा को कम स्कोर मिलता है।
5. वैश्विक कहानी (The Global Story): अंत में, SAGE समूहों के एक पूरे समूह (cohort) को देखता है और पूछता है: "क्या उच्च 'नेक्रोसिस' स्कोर वाले मरीजों में AI द्वारा कम उत्तरजीविता (survival) की भविष्यवाणी की जाती है?" ऐसा करके, वे एक "ग्लोबल एक्सप्लेनेशन" बनाते हैं जो केवल एक स्लाइड के बजाय पूरे समूह के बारे में एक कहानी बताता है।

उन्होंने क्या पाया: पुराने की पुष्टि और नए की खोज

जब टीम ने सात अलग-अलग कैंसर डेटासेट (किडनी, मस्तिष्क, फेफड़े, कोलोन, स्तन, मूत्राशय और गर्भाशय ग्रीवा के कैंसर सहित) पर SAGE चलाया, तो परिणाम राहत देने वाली पुष्टि और रोमांचक खोज का मिश्रण थे।

सबसे पहले, AI का "मौन इशारा" समझ में आया। सभी मामलों में, एपिथेलियल सेल्स (ऊतकों के सामान्य निर्माण खंड) की अवधारणा बेहतर उत्तरजीविता भविष्यवाणियों से मजबूती से जुड़ी थी। इसके विपरीत, नेक्रोसिस (मृत ऊतक) लगातार खराब भविष्यवाणियों से जुड़ा था। यह बिल्कुल वही है जो एक पैथोलॉजिस्ट उम्मीद करेगा, जिससे पता चलता है कि AI वास्तव में वास्तविक जीव विज्ञान सीख रहा है और केवल रैंडम शोर (noise) नहीं।

लेकिन असली मज़ा तब शुरू हुआ जब उन्होंने विशिष्ट कैंसर देखे। किडनी रीनल क्लियर सेल कार्सिनोमा (KIRC) में, AI अविश्वसनीय रूप से सटीक था, और SAGE ने एक दिलचस्प पैटर्न का खुलासा किया। मॉडल ने एंजियोजेनेसिस (नई रक्त वाहिकाओं का विकास) और एंडोथेलियल सेल्स (रक्त वाहिकाओं की परत बनाने वाली कोशिकाएं) को बेहतर उत्तरजीविता से जोड़ा। यह विरोधाभासी लग सकता है—आमतौर पर, अधिक रक्त वाहिकाओं का मतलब है एक भूखा ट्यूमर—लेकिन शोधकर्ताओं ने नोट किया कि यह किडनी कैंसर के ज्ञात आणविक उपप्रकारों के अनुरूप है जहाँ रक्त वाहिकाओं के विकास का एक विशिष्ट प्रकार कम आक्रामक बीमारी का संकेत होता है।

सर्वाइकल कैंसर (CESC) में, AI ने न्यूट्रोफिल (सफेद रक्त कोशिकाओं का एक प्रकार) को खराब परिणामों से जोड़ा, जो पिछले अध्ययनों से मेल खाता है। दिलचस्प बात यह है कि कुछ मामलों में, AI ने हाइपरसेल्यूलरिटी (कोशिकाओं का घना जमाव) को बेहतर उत्तरजीविता से जोड़ा। पहली बार में, यह अजीब लगा क्योंकि घनी कोशिकाएं अक्सर कैंसर का संकेत होती हैं। हालाँकि, जब शोधकर्ताओं ने वास्तविक छवियों को देखा, तो उन्होंने पाया कि "घने" क्षेत्र वास्तव में कैंसर से लड़ने वाली प्रतिरक्षा कोशिकाओं से भरे हुए थे, न कि केवल ट्यूमर कोशिकाओं से। SAGE ने उन्हें यह समझने में मदद की कि AI एक "अच्छे" प्रकार के जमाव को पहचान रहा था।

"क्यों" का महत्व: अटेंशन बनाम केवल देखना

टीम ने एक महत्वपूर्ण प्रश्न पूछा: "क्या AI का अटेंशन वास्तव में मायने रखता है, या हमें वही उत्तर मिलेगा यदि हम सब कुछ समान रूप से देखें?"

इसका परीक्षण करने के लिए, उन्होंने एक प्रयोग चलाया जहाँ उन्होंने AI के अटेंशन वेट्स को अनदेखा कर दिया और पूरे स्लाइड में अवधारणाओं के स्कोर्स का औसत निकाला। उन्होंने पाया कि हालांकि बिना अटेंशन के भी कुछ रुझान मौजूद थे, लेकिन AI के विशिष्ट फोकस ने संकेतों को बहुत अधिक स्पष्ट बना दिया। उदाहरण के लिए, किडनी कैंसर में, रक्त वाहिकाओं और अच्छी उत्तरजीविता के बीच का संबंध बहुत मजबूत हो गया जब उन्होंने AI के अटेंशन वेट्स का उपयोग किया। यह सुझाव देता है कि AI केवल अनुमान नहीं लगा रहा है; यह विशेष रूप से बीमारी की सबसे महत्वपूर्ण विशेषताओं पर ध्यान केंद्रित करना सीख रहा है।

उन्होंने यह भी परीक्षण किया कि क्या उनका 25-शब्दों का शब्दकोश अपने आप में पर्याप्त है। उन्होंने एक नया, सरल मॉडल बनाया जो केवल इन 25 अवधारणाओं के टेक्स्ट विवरणों का उपयोग करता था (बिना किसी चित्र के) ताकि उत्तरजीविता की भविष्यवाणी की जा सके। आश्चर्यजनक रूप से, इस "केवल टेक्स्ट" मॉडल ने जटिल इमेज-आधारित मॉडल के लगभग बराबर प्रदर्शन किया। यह सुझाव देता है कि उनके द्वारा चुनी गई 25 अवधारणाएं जैविक सत्य का एक बड़ा हिस्सा पकड़ लेती हैं जो मरीज के परिणामों की भविष्यवाणी करने के लिए आवश्यक है।

सीमाएं और भविष्य

लेखक अपने परिणामों को बहुत अधिक बढ़ा-चढ़ाकर बताने के प्रति सावधान हैं। वे बताते हैं कि SAGE एक "पोस्ट-हॉक" टूल है, जिसका अर्थ है कि यह उस मॉडल की व्याख्या करता है जिसने पहले ही अपना निर्णय ले लिया है। यह परिकल्पनाएं (hypotheses) उत्पन्न करता है, कारण और प्रभाव का पूर्ण प्रमाण नहीं। वे यह भी स्वीकार करते हैं कि उनकी 25 अवधारणाओं की सूची कुछ दुर्लभ या सूक्ष्म विशेषताओं को छोड़ सकती है, और छवियों को शब्दों में अनुवादित करने के लिए उपयोग किया गया विज़न-लैंग्वेज मॉडल त्रुटिपूर्ण हो सकता है।

हालाँकि, अध्ययन बताता है कि SAGE एक शक्तिशाली, हल्का टूल है जिसे बिना पुन: प्रशिक्षण के मौजूदा AI मॉडल में "प्लग इन" किया जा सकता है। यह एक ब्लैक बॉक्स को एक पारदर्शी खिड़की में बदल देता है, जिससे डॉक्टर न केवल यह देख सकते हैं कि AI कहाँ देख रहा है, बल्कि यह भी कि वह क्या देख रहा है। यह प्रकट करके कि AI "एंजियोजेनेसिस" या "लिम्फॉइड एग्रीगेट्स" जैसी चीजों पर ध्यान दे रहा है, SAGE डॉक्टरों और मशीनों के बीच विश्वास बनाने में मदद करता है, और शायद डॉक्टरों को कैंसर के व्यवहार के बारे में नए जैविक सुराग खोजने में भी मदद करता है।

अंत में, SAGE केवल यह नहीं बताता कि AI स्मार्ट है; यह हमें यह समझने में भी मदद करता है कि AI मानव शरीर का वर्णन करने के लिए किस भाषा का उपयोग कर रहा है, जिससे ठंडे डेटा को एक ऐसी कहानी में बदला जा सके जिसे हम सभी समझ सकें।