Evaluation of Clinically Steerable Retinal Image Generation from Foundation Model Latent Spaces

कल्पना कीजिए कि आप एक रोबोट को मानव आँख के चित्र बनाना सिखाने की कोशिश कर रहे हैं, न कि केवल सुंदर दिखने के लिए, बल्कि इसलिए ताकि वह डॉक्टर को ठीक से बता सके कि मरीज के स्वास्थ्य में क्या खराबी है। यह मेडिकल इमेजिंग की दुनिया है, जहाँ कंप्यूटर उन पैटर्न्स को पहचानना सीख रहे हैं जो शायद मानवीय आँखों से छूट सकते हैं। इसे करने के लिए, वैज्ञानिक "फाउंडेशन मॉडल्स" का उपयोग करते हैं, जो उन अत्यंत बुद्धिमान छात्रों की तरह हैं जिन्होंने बिना उत्तर जाने लाखों मेडिकल पाठ्यपुस्तकों (इस मामले में, आँखों की लाखों तस्वीरों) को पढ़ा है। ये मॉडल आँख की "भाषा" को समझना सीखते हैं, जिससे वे एक गुप्त मानचित्र तैयार करते हैं कि स्वस्थ और बीमार आँखें कैसी दिखती हैं। बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या हम इस गुप्त मानचित्र का उपयोग न केवल आँखों को समझने के लिए, बल्कि नई, नकली आँखों की तस्वीरें बनाने के लिए कर सकते हैं जो इतनी वास्तविक और सटीक हों कि वे अन्य डॉक्टरों को प्रशिक्षित करने या नए उपचारों का परीक्षण करने में मदद कर सकें? यदि हम इस AI मॉडल को विशिष्ट लक्षणों वाली आँखें बनाने के लिए निर्देशित कर सकें—जैसे उच्च रक्तचाप या हृदय संबंधी समस्याओं का इतिहास—तो हम वास्तविक मरीजों की आवश्यकता के बिना अनंत प्रशिक्षण डेटा उत्पन्न कर सकते हैं। लेकिन इसमें एक पेंच है: सिर्फ इसलिए कि AI को लगता है कि वह एक आदर्श बीमार आँख बना रहा है, क्या वह वास्तव में किसी मानव डॉक्टर या किसी अन्य कंप्यूटर प्रोग्राम के लिए एक वास्तविक बीमार आँख की तरह दिखती है?

यह शोध पत्र ठीक इसी चुनौती की जांच करने के लिए रेटिनल (आँख) इमेजिंग के लिए डिज़ाइन किए गए चार अलग-अलग "सुपर-स्टूडेंट" AI मॉडल्स का परीक्षण करता है। शोधकर्ता यह देखना चाहते थे कि क्या वे इन मॉडल्स को एक ब्लूप्रिंट के रूप में उपयोग कर सकते हैं ताकि ऐसी सिंथेटिक (कृत्रिम) आँख की छवियाँ बनाई जा सकें जो उम्र, लिंग, या भविष्य में दिल के दौरे के जोखिम जैसे विशिष्ट स्वास्थ्य विवरणों को पूरी निष्ठा से दर्शाती हों। उन्होंने एक चतुर दो-चरणीय तकनीक का उपयोग किया: पहले, उन्होंने एक जनरेटर को स्वास्थ्य डेटा (जैसे "यह व्यक्ति 60 वर्ष का है और उच्च रक्त दबाव वाला है") के आधार पर एक आँख का "विचार" बनाना सिखाया, और फिर उन्होंने उस विचार को एक पूर्ण-रंग वाली फोटो में बदलने के लिए एक डिकोडर का उपयोग किया।

परिणाम "वाह" और "रुको जरा" का मिश्रण थे। जब शोधकर्ताओं ने उत्पन्न छवियों की जांच उसी AI मॉडल का उपयोग करके की जिसने उन्हें बनाया था, तो परिणाम शानदार थे। नकली छवियाँ एकदम सटीक प्रतिलिपियों की तरह थीं; वे AI के मस्तिष्क में कोडित सभी स्वास्थ्य जानकारी को सफलतापूर्वक वहन करती थीं। यदि AI को उच्च रक्तचाप वाले 60 वर्षीय व्यक्ति की आँख बनाने के लिए कहा जाता, तो परिणामी छवि इतनी विश्वसनीय होती कि AI के अपने आंतरिक परीक्षण कहते, "हाँ, यह निश्चित रूप से एक 60 वर्षीय उच्च रक्तचाप वाला व्यक्ति है।" वास्तव में, ये फाउंडेशन-मॉडल-आधारित रचनाएँ इन विवरणों को बनाए रखने में मानक AI पेंटिंग टूल्स की तुलना में अक्सर बेहतर थीं।

हालाँकि, कहानी में मोड़ तब आता है जब शोधकर्ता अपने स्वयं के दायरे से बाहर कदम रखते हैं। उन्होंने इन सुंदर, AI-जनरेटेड आँख की तस्वीरों को एक पूरी तरह से अलग, मानक कंप्यूटर प्रोग्राम (एक ResNet क्लासिफायर) को दिखाया, जिसने केवल वास्तविक मानव आँख की तस्वीरें देखी थीं। अचानक, जादू फीका पड़ गया। ये नकली छवियाँ, जो अपने बनाने वाले AI के लिए तो एकदम सही थीं, बाहरी दुनिया को समझाने में संघर्ष करती दिखीं। मानक प्रोग्राम को वास्तविक तस्वीरों की तुलना में इन सिंथेटिक तस्वीरों से उम्र या स्वास्थ्य स्थितियों का अनुमान लगाने में बहुत अधिक कठिनाई हुई। ऐसा लग रहा था जैसे AI ने "आँख की भाषा" का एक बहुत ही विशिष्ट लहजा सीख लिया है जिसे केवल वही समझता है। हालाँकि ये छवियाँ मानवीय दृष्टि के लिए वास्तविक दिख रही थीं, लेकिन इनमें वे सूक्ष्म, वास्तविक बनावट (textures) गायब थीं जिन पर अन्य कंप्यूटर निदान करने के लिए निर्भर करते हैं।

शोध पत्र निष्कर्ष निकालता है कि हालांकि ये फाउंडेशन मॉडल्स नियंत्रित, स्वास्थ्य-जागरूक आँख की छवियाँ बनाने के लिए शक्तिशाली उपकरण हैं, फिर भी एक "अनुवाद अंतराल" (translation gap) मौजूद है जो यह तय करता है कि AI क्या वास्तविक मानता है और बाकी दुनिया क्या देखती है। एक मॉडल, जिसे 'URFound' कहा जाता है, जिसे आँख की तस्वीरों और अन्य मेडिकल स्कैन दोनों पर प्रशिक्षित किया गया था, इस अंतर को पाटने में सबसे अच्छा काम करता है, लेकिन वह भी पूर्ण नहीं था। लेखक सुझाव देते हैं कि जबकि हम मांग पर उपयोगी मेडिकल डेटा उत्पन्न करने के करीब पहुँच रहे हैं, हमें अभी भी इन AI मॉडल्स को एक ऐसी भाषा बोलना सिखाने की आवश्यकता है जो केवल उनके अपने आंतरिक तर्क के बजाय वास्तविक दुनिया के अनुकूल हो। जब तक यह अंतर नहीं भर जाता, हमें यह मानकर सावधान रहना चाहिए कि एक उत्तम दिखने वाली AI-जनरेटेड मेडिकल इमेज महत्वपूर्ण चिकित्सा कार्यों में वास्तविक रोगी डेटा का स्थान लेने के लिए तैयार है।