Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis
यह शोध पत्र एक द्वि-स्तरीय संबंधात्मक ढांचे का प्रस्ताव करता है जो ISIC बेंचमार्क पर त्वचा के घावों के निदान प्रदर्शन को महत्वपूर्ण रूप से सुधारने के लिए एक मास्क किए गए ऑटोएन्कोडर के माध्यम से अंतर्निहित इंटर-पैच लर्निंग को स्पष्ट ग्राफ-आधारित मॉडलिंग के साथ जोड़ता है, जिससे ISIC-2018 डेटासेट पर 79.27% की संतुलित सटीकता प्राप्त होती 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
कल्पना कीजिए कि आप एक कंप्यूटर को किसी विशिष्ट प्रकार की वस्तु, जैसे कि कोई दुर्लभ पक्षी या शर्ट पर लगा कोई कठिन दाग, केवल एक तस्वीर देखकर पहचानने के लिए सिखाने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे इमेज क्लासिफिकेशन (image classification) कहा जाता है। लंबे समय से, कंप्यूटर रंग के छोटे बिंदुओं (पिक्सेल) को देखकर और यह सीखकर कि वे आकृतियाँ बनाने के लिए कैसे एक साथ आते हैं, इसमें बहुत अच्छे रहे हैं। लेकिन एक पेच है: वास्तविक दुनिया की वस्तुएं, विशेष रूप से चिकित्सा के क्षेत्र में जैसे कि त्वचा के धब्बे, केवल पिक्सेल का यादृच्छिक ढेर नहीं होती हैं। उनकी एक संरचना होती है। एक तिल या घाव के हिस्से एक-दूसरे से संवाद करते हैं; एक धब्बे का किनारा उसके केंद्र से संबंधित होता है।
कंप्यूटर को इन संबंधों को समझने में मदद करने के लिए, वैज्ञानिक "इंडक्टिव बायस" (inductive bias) नामक चीज़ का उपयोग करते हैं। इसे एक नियम या संकेत के रूप में समझें जो हम कंप्यूटर को देते हैं कि दुनिया कैसे काम करती है। एक तरीका "इम्प्लिसिट" (implicit) लर्निंग है, जहाँ कंप्यूटर लाखों तस्वीरों को देखकर अपने आप कनेक्शन खोज लेता है, ठीक वैसे ही जैसे आप यह बताए बिना कि कौन सी विशेषताएं महत्वपूर्ण हैं, अपने किसी दोस्त के चेहरे को पहचानना सीख जाते हैं। दूसरा तरीका "एक्सप्लिसिट" (explicit) लर्निंग है, जहाँ हम वास्तव में कंप्यूटर के लिए एक नक्शा बनाते हैं, जिससे उसे पता चलता है कि छवि के कौन से हिस्से पड़ोसी हैं और उनकी तुलना की जानी चाहिए। यह शोध पत्र यह पता लगाने के लिए है कि क्या हम इन दोनों दृष्टिकोणों को मिला सकते हैं: कंप्यूटर को अपने आप बुनियादी बातें सीखने देना, और फिर उसे डॉट्स को और भी बेहतर तरीके से जोड़ने के लिए एक विशिष्ट नक्शा देना। लक्ष्य क्या है? चिकित्सा निदान को अधिक सटीक बनाना, जो एक बड़ी बात है क्योंकि डॉक्टरों को बीमारियों का जल्दी पता लगाने के लिए हर संभव लाभ की आवश्यकता होती है।
पेपर की कहानी: कंप्यूटर को खुद से "बात" करना सिखाना
यह पेपर उन शोधकर्ताओं की टीम के बारे में है जो यह देखना चाहते थे कि क्या वे दो अलग-अलग तरह की सोच को मिलाकर एक कंप्यूटर को त्वचा के घावों (त्वचा पर धब्बे जो कैंसर हो सकते हैं) के निदान में अधिक स्मार्ट बना सकते हैं। उन्होंने एक छोटा सा प्रयोग किया यह देखने के लिए कि क्या एक कंप्यूटर अपने काम में बेहतर हो सकता है यदि वह पहले एक छवि के "वाइब" (vibe) को अपने आप समझना सीखे, और फिर उसे उस छवि के विभिन्न हिस्सों के साथ स्पष्ट रूप से बातचीत करने के लिए मजबूर किया जाए।
सबसे पहले, उन्होंने कंप्यूटर को एक "सेल्फ-सुपरवाइज्ड" (self-supervised) ट्रेनिंग सत्र दिया। कल्पना कीजिए कि आपके पास एक जिग्सॉ पहेली है, लेकिन आप आधे टुकड़ों को ढक देते हैं और किसी से पूछते हैं कि जो टुकड़े दिख रहे हैं उनके आधार पर नीचे क्या होगा, इसका अनुमान लगाएं। कंप्यूटर ने कुछ ऐसा ही किया: उसने त्वचा के घाव की छवि को देखा, उसके कुछ हिस्सों को छिपा दिया, और गायब हिस्सों को फिर से बनाने की कोशिश की। इसने कंप्यूटर को छवि के छोटे वर्गों (जिन्हें "पैच" कहा जाता है) के बीच स्थानीय संबंधों को समझने में मदद की, बिना किसी इंसान द्वारा यह बताए कि बीमारी क्या थी। यह इम्प्लिसिट हिस्सा था—खेल के नियमों को खेलकर सीखना।
इसके बाद, उन्होंने उन सीखे हुए "वाइब्स" (एम्बेडिंग्स) को लिया और त्वचा के धब्बों को वर्गीकृत करने की कोशिश की। उन्होंने एक मानक पद्धति के साथ शुरुआत की जहाँ कंप्यूटर बस सभी पैच को देखता था और इस बात पर वोट देता था कि निदान क्या होना चाहिए। यह उनका बेसलाइन था, और इसने काफी अच्छा काम किया, एक टेस्ट सेट (ISIC-2018) पर 76.17% की "बैलेंस्ड एक्यूरेसी" प्राप्त की। लेकिन शोधकर्ता यहीं नहीं रुके। वे यह देखना चाहते थे कि क्या वे एक एक्सप्लिसिट हिस्सा जोड़कर बेहतर कर सकते हैं: एक नक्शा।
उन्होंने पैच को विभिन्न "ग्राफ" में व्यवस्थित किया, जो केवल फैंसी नेटवर्क हैं जहाँ डॉट्स (पैच) लाइनों (संबंधों) द्वारा जुड़े होते हैं। उन्होंने तीन प्रकार के नक्शे आजमाए:
- रैंडम (Random): पैच को रैंडम पड़ोसियों से जोड़ना, जैसे कि एक अराजक ग्रुप चैट।
- ग्रिड (Grid): पैच को केवल उनके तत्काल पड़ोसियों से जोड़ना, जैसे कि एक शहर का ब्लॉक जहाँ आप केवल बगल के घरों से बात करते हैं।
- k-नेरेस्ट नेबर्स (kNN): पैच को उन लोगों से जोड़ना जो दिखने में सबसे अधिक समान हैं, चाहे वे चित्र में कहीं भी हों, जैसे कि एक क्लब जहाँ आप केवल उन्हीं लोगों के साथ रहते हैं जिनके शौक एक जैसे हैं।
फिर उन्होंने एक विशेष प्रकार के न्यूरल नेटवर्क (एक ग्राफ न्यूरल नेटवर्क) का उपयोग किया ताकि ये पैच अपने नक्शे की रेखाओं के माध्यम से एक-दूसरे को "संदेश भेज सकें" और अंतिम निर्णय ले सकें।
उन्होंने क्या पाया
परिणाम काफी स्पष्ट थे। वह कंप्यूटर जिसने केवल पैच को देखा और वोट दिया (बेसलाइन), उसने 76.17% सटीकता प्राप्त की। जब उन्होंने "इम्प्लिसिट" लर्निंग (सेल्फ-सुपरवाइज्ड रिकंस्ट्रक्शन) जोड़ा, तो यह बढ़कर 77.12% हो गई। लेकिन असली जादू तब हुआ जब उन्होंने एक्सप्लिसिट मैप्स जोड़े।
सबसे अच्छा प्रदर्शन करने वाला मॉडल ग्रिड ग्राफ था जिसे एक विशेष प्रकार के मैसेज-पासिंग नेटवर्क (Graph Attention Network - GAT) के साथ जोड़ा गया था। इस सेटअप ने, जिसने कंप्यूटर को त्वचा के घाव के भौतिक लेआउट का सम्मान करने के लिए मजबूर किया, सटीकता को 79.27% तक बढ़ा दिया। यह एक ठोस सुधार है! दूसरे, बड़े डेटासेट (ISIC-2019) पर, इम्प्लिसिट लर्निंग को kNN ग्राफ (समान पैच को जोड़ने वाला) के साथ मिलाने की उसी रणनीति ने सटीकता को 60.67% तक पहुँचा दिया, जो कि केवल इम्प्लिसिट वर्जन (59.84%) से बेहतर था।
शोधकर्ताओं ने एक "क्या होगा अगर" परिदृश्य का भी परीक्षण किया: क्या होगा यदि कंप्यूटर संदेशों से नहीं सीख पाता और केवल एक निश्चित, पूर्व-निर्धारित नक्शा उपयोग करता? जब उन्होंने ग्राफ नेटवर्क के सीखने वाले हिस्से को "फ्रीज" कर दिया, तो प्रदर्शन गिरकर 34.28% रह गया। यह सुझाव देता है कि कंप्यूटर को वास्तव में यह सीखना होगा कि पैच एक-दूसरे से कैसे संबंधित हैं; केवल नक्शा होना ही पर्याप्त नहीं है। सीखने की प्रक्रिया ही वह चीज़ है जो अंतर पैदा करती है।
यह क्यों मायने रखता है
पेपर सुझाव देता है कि "सीक्रेट सॉस" केवल अधिक डेटा या बड़े कंप्यूटर नहीं है, बल्कि यह है कि आप डॉट्स को कैसे जोड़ते हैं। एक कंप्यूटर की अपनी क्षमता (इम्प्लिसिट) को एक संरचित तरीके से (एक्सप्लिसिट) जोड़ने के माध्यम से, उन्होंने एक ऐसा सिस्टम बनाया जो कई पिछले तरीकों की तुलना में अधिक सटीक है। वास्तव में, उनके एकल मॉडल ने लगभग उन विशाल "एन्सेम्बल" (ensemble) तरीकों के बराबर प्रदर्शन किया जो 90 अलग-अलग जटिल मॉडलों के भविष्यवाणियों को जोड़ते हैं।
लेखकों का निष्कर्ष है कि यह दृष्टिकोण चिकित्सा छवियों को संभालने का एक आशाजनक तरीका है, जहाँ घाव के विभिन्न हिस्सों के बीच का संबंध अत्यंत महत्वपूर्ण होता है। उन्होंने पाया कि जबकि इम्प्लिसिट लर्निंग एक बेहतरीन आधार प्रदान करती है, एक्सप्लिसिट रिलेशनल मॉडलिंग जोड़ने से उस आधार को एक मजबूत छत मिल जाती है। यह एक याद दिलाता है कि AI की दुनिया में, कभी-कभी आपको कंप्यूटर को न केवल यह सिखाने की आवश्यकता होती है कि क्या देखना है, बल्कि यह भी कि जो वह देख रहा है उसके बीच के कनेक्शन के बारे में कैसे सोचना 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।