BagShift: Measuring How Patch Selection Changes the Evidence Seen by Whole-Slide MIL
यह शोध पत्र BagShift प्रस्तुत करता है, जो एक ऐसा प्रोटोकॉल है जो यह प्रदर्शित करता है कि परिनियोजन (डिप्लॉयमेंट) के दौरान पैच चयन रणनीतियों में परिवर्तन होल-स्लाइड मल्टीपल-इंस्टेंस लर्निंग मॉडलों द्वारा देखे गए साक्ष्य को महत्वपूर्ण रूप से बदल देते हैं, जिससे प्रदर्शन में भारी गिरावट आती है और केवल पैच गणनाओं से परे सेलेक्टर प्रिजर्वेशन (चयन संरक्षण) और एग्रीगेशन विधियों दोनों के मूल्यांकन की महत्वपूर्ण आवश्यकता पर प्रकाश पड़ता 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
डिजिटल पैथोलॉजी की दुनिया में, डॉक्टर एक बार में माइक्रोस्कोप के नीचे पूरी कांच की स्लाइड को नहीं देखते हैं। इसके बजाय, वे कंप्यूटर सिस्टम पर भरोसा करते हैं जो उस स्लाइड के विभिन्न स्थानों से लिए गए छोटे, वर्गाकार स्नैपशॉट्स, जिन्हें 'पैच' कहा जाता है, का परीक्षण करते हैं। ये सिस्टम, जिन्हें 'होल-स्लाइड मल्टीपल-इंस्टेंस लर्निंग मॉडल' के रूप में जाना जाता है, जासूसों की एक टीम की तरह काम करते हैं। वे इन स्नैपशॉट्स का एक संग्रह इकट्ठा करते हैं, प्रत्येक के भीतर मौजूद ऊतकों (टिश्यू) का विश्लेषण करते हैं, और फिर पूरी स्लाइड के लिए एक एकल निदान (डायग्नोसिस) करने के लिए अपने निष्कर्षों को जोड़ते हैं। वर्षों से, ध्यान इस बात पर रहा है कि कंप्यूटर को कितने स्नैपशॉट्स देखने की अनुमति है, यह मानते हुए कि यदि संख्या समान है, तो निदान की गुणवत्ता भी समान होगी। यह धारणा छवियों के चयन को गिनती के एक सरल गणितीय समस्या के रूप में मानती है, जो इस वास्तविकता को अनदेखा करती है कि वे छवियां कहाँ से आती हैं, यह उतना ही महत्वपूर्ण है जितना कि उनकी संख्या।
एक नया अध्ययन इस लंबे समय से चली आ रही धारणा को चुनौती देता है और 'BagShift' नामक एक विधि पेश करता है। शोधकर्ताओं ने यह जानना चाहा कि क्या होता है जब एक कंप्यूटर को एक ही रोगी की स्लाइड को देखने के लिए मजबूर किया जाता है, लेकिन उसे अलग-अलग क्षेत्रों को देखने तक सीमित कर दिया जाता है। उन्होंने बाकी सब कुछ बिल्कुल समान रखा: रोगी, मेडिकल लेबल, कंप्यूटर का आंतरिक ज्ञान और स्नैपशॉट्स की कुल संख्या। उन्होंने केवल यह बदलकर नियम बदल दिया कि स्नैपशॉट्स का चयन कैसे किया जाए। एक परिदृश्य में, कंप्यूटर को पूरे ऊतक (टिश्यू) में बिखरे हुए 128 स्नैपशॉट्स चुनने की अनुमति दी गई। दूसरे में, उसे एक ही छोटे पड़ोस में मजबूती से क्लस्टर किए गए 128 स्नैपशॉट्स चुनने के लिए मजबूर किया गया। परिणाम चौंकाने वाले थे। जब कंप्यूटर ने बिखरे हुए स्नैपशॉट्स को देखा, तो उसका निदान सटीक बना रहा। लेकिन जब उसे केवल एक केंद्रित पड़ोस पर ध्यान केंद्रित करने के लिए मजबूर किया गया, तो उसका प्रदर्शन नाटकीय रूप से गिर गया। प्रोस्टेट कैंसर की स्लाइड्स के एक डेटासेट पर, जब दृश्य स्थानीयकृत (localized) था, तो सटीकता स्कोर में लगभग 18 अंकों की गिरावट आई, जबकि दृश्य के फैले होने पर गिरावट 2 अंकों से भी कम थी।
शोधकर्ताओं ने पाया कि समस्या केवल थोड़ी सी जानकारी की कमी नहीं है; बल्कि यह उस विशिष्ट साक्ष्य की कमी है जो किसी बीमारी के अस्तित्व को सिद्ध करता है। लिम्फ नोड्स में मेटास्टैटिक कैंसर से संबंधित एक परीक्षण में, टीम ने एक विशेष सेट के एनोटेशन का उपयोग किया जो प्रशिक्षण चरण के दौरान कंप्यूटर से छिपे हुए थे, ताकि सत्य की जांच की जा सके। उन्होंने पाया कि जब कंप्यूटर ने एक विस्तृत क्षेत्र को देखा, तो उसने कठिन मामलों में से लगभग आधे में कैंसर के सूक्ष्म धब्बों को पकड़ लिया। हालांकि, जब उसे एक एकल, स्थानीयकृत पड़ोस को देखने के लिए मजबूर किया गया, तो उसने उन्हीं कैंसर के धब्बों को 90 प्रतिशत मामलों में मिस कर दिया। कंप्यूटर केवल गलत अनुमान नहीं लगा रहा था; वह वास्तव में साक्ष्य के प्रति अंधा था क्योंकि चयन नियम उसे सही स्थान से दूर रख रहा था। यह सुझाव देता है कि केवल एक सिस्टम को छवियों की एक निश्चित संख्या देखने के लिए कहना एक विश्वसनीय निदान सुनिश्चित करने के लिए पर्याप्त नहीं है। उन छवियों का स्थान यह निर्धारित करता है कि सिस्टम सत्य देखेगा या अंधेरे में रहेगा।
अध्ययन ने यह भी पता लगाया कि क्या कंप्यूटर को इन प्रतिबंधित दृश्यों की अपेक्षा करने के लिए प्रशिक्षित करना इस समस्या को ठीक कर सकता है। शोधकर्ताओं ने मॉडल को व्यापक और संकीक्त दोनों दृश्यों को एक साथ संभालने के लिए सिखाने का प्रयास किया। हालांकि इससे स्कोर में थोड़ा सुधार हुआ, लेकिन इसने पूरे चित्र को देखने और केवल एक अंश देखने के बीच के विशाल अंतर को मिटा नहीं दिया। मॉडल थोड़ा अधिक सावधान होना सीख सकता था, लेकिन वह उस साक्ष्य को जादुई रूप से पैदा नहीं कर सकता था जो उसे कभी दिखाया ही नहीं गया था। यह निष्कर्ष अस्पतालों में इन प्रणालियों को तैनात करने के तरीके के लिए अत्यंत महत्वपूर्ण है। यदि किसी अस्पताल का वर्कफ़्लो या कंप्यूटिंग सीमाएं सिस्टम को स्लाइड के एक छोटे, विशिष्ट क्षेत्र को देखने के लिए मजबूर करती हैं, तो सिस्टम उस बीमारी का पता लगाने में विफल हो सकता है जो कहीं और मौजूद है, भले ही संसाधित छवियों की कुल संख्या एक सफल मामले के समान ही क्यों न हो।
अंत में, टीम ने जांच की कि क्या होता है जब एक सिस्टम को एक ही स्लाइड को अलग-अलग कोणों या क्षेत्रों से कई बार देखने का मौका मिलता है। उन्होंने इन कई दृश्यों को संयोजित करने के दो तरीकों की तुलना की। एक तरीका यह था कि प्रत्येक क्षेत्र के लिए एक अलग निदान किया जाए और फिर परिणामों का औसत निकाला जाए। दूसरा तरीका यह था कि प्रत्येक क्षेत्र के सभी स्नैभों को एक एकल निदान करने से पहले एक विशाल ढेर में मिला दिया जाए। दूसरा दृष्टिकोण, जो प्रभावी रूप से बिखरे हुए साक्ष्यों को फिर से एकजुट करता है, काफी बेहतर परिणाम देता है। इसने अलग-अलग अनुमानों का औसत निकालने की तुलना में सटीकता स्कोर में लगभग 8 अंकों का सुधार किया। यह इंगित करता है कि जब किसी सिस्टम को टुकड़ों में स्लाइड देखने के लिए मजबूर किया जाता है, तो पूर्ण चित्र को पुनः प्राप्त करने का सबसे अच्छा तरीका निष्कर्ष निकालने से पहले सभी टुकड़ों को एक साथ एकत्र करना है, न कि अलग-थलग अंशों की राय का औसत निकालना।
शोध निष्कर्ष निकालता है कि एक कंप्यूटर द्वारा संसाधित छवियों की संख्या उसके कंप्यूटिंग खर्च का माप है, न कि उसके द्वारा देखे गए साक्ष्य का माप। दो सिस्टम छवियों की बिल्कुल समान संख्या को संसाधित कर सकते हैं और पूरी तरह से अलग स्तर की निश्चितता पर पहुँच सकते हैं, केवल इसलिए क्योंकि वे चित्र कहाँ से लिए गए थे। इन उपकरणों को वास्तविक चिकित्सा परिवेश में सुरक्षित और विश्वसनीय बनाने के लिए, डॉक्टरों और इंजीनियरों को न केवल यह रिपोर्ट करना चाहिए कि कितनी छवियों का विश्लेषण किया गया, बल्कि यह भी कि स्लाइड के कौन से हिस्से कवर किए गए थे और उन दृश्यों को कैसे संयोजित किया गया था। अध्ययन दिखाता है कि सही निदान का मार्ग केवल सुरागों को गिनने के बारे में नहीं है, बल्कि यह सुनिश्चित करने के बारे में है कि सुराग सही स्थानों से एकत्र किए गए हैं।
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।