SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation

मेडिकल इमेजिंग लंबे समय से स्कैन के भीतर ट्यूमर, अंगों और अन्य संरचनाओं के चारों ओर सटीक रूपरेखा खींचने के लिए मानव विशेषज्ञों की तेज आंखों पर निर्भर रही है। यह प्रक्रिया, जिसे सेगमेंटेशन (segmentation) कहा जाता है, निदान और उपचार योजना की नींव है, लेकिन यह अविश्वसनीय रूप से श्रमसाध्य भी है। एक एकल स्कैन को विस्तार से एनोटेट करने में एक रेडियोलॉजिस्ट को घंटों लग सकते हैं, जिससे एक बड़ा बॉटलनेक (bottleneck) पैदा होता है जहाँ लेबल किए गए डेटा की भारी कमी के कारण आर्टिफिशियल इंटेलिजेंस की क्षमता बाधित होती है। इस समस्या को हल करने के लिए, शोधकर्ताओं ने 'एक्टिव लर्निंग' (active learning) नामक रणनीति की ओर रुख किया है, जहाँ एक कंप्यूटर प्रोग्राम पूरे संग्रह के बजाय केवल सबसे उपयोगी छवियों को लेबल करने के लिए एक मानव से पूछता है। हालाँकि, एक जिद्दी समस्या बनी हुई है: इन प्रोग्रामों को शुरू करने के लिए पहले से लेबल किए गए उदाहरणों के एक छोटे सेट की आवश्यकता होती है। वास्तविक दुनिया में, जहाँ डेटा अक्सर शुरुआत में पूरी तरह से अनलेबल होता है, ये सिस्टम यह जानने में संघर्ष करते हैं कि पहले किन छवियों के लिए पूछना है, जिससे अक्सर आसान या गैर-सूचनात्मक उदाहरणों पर कीमती समय बर्बाद होता है।

शोधकर्ताओं की एक टीम ने इस गतिरोध को तोड़ने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे आर्टिफिशियल इंटेलिजेंस लगभग बिना किसी मानवीय मार्गदर्शन के शुरुआत से ही सीख सकता है। उनका तरीका, जो हाल ही के एक अध्ययन में विस्तृत है, 'सेगमेंट एनीथिंग मॉडल' (Segment Anything Model) नामक एक शक्तिशाली प्री-ट्रेन मॉडल का लाभ उठाता है, जिसे मूल रूप से विशिष्ट चिकित्सा प्रशिक्षण की आवश्यकता के बिना वस्तुओं को पहचानने के लिए लाखों छवियों पर प्रशिक्षित किया गया था। एक नए मॉडल को शून्य से सिखाने के बजाय, शोधकर्ता इस मौजूदा विशेषज्ञ का उपयोग उन पहली छवियों के चयन के लिए मार्गदर्शन करने हेतु करते हैं जिन्हें एक मानव को लेबल करना चाहिए। उन्होंने पाया कि मॉडल की अपनी आंतरिक अनिश्चितता (uncertainty) का उपयोग करके—अनिवार्य रूप से कंप्यूटर से यह पूछकर कि वह कहाँ भ्रमित है—वे सबसे महत्वपूर्ण छवियों की पहचान कर सकते थे जिन्हें एनोटेट करने की आवश्यकता है। जब उन्होंने इस स्मार्ट चयन प्रक्रिया को अनिश्चितता का उपयोग गाइड के रूप में करने वाली एक विशेष प्रशिक्षण तकनीक के साथ जोड़ा, तो उनके सिस्टम ने अत्याधुनिक परिणाम प्राप्त किए। प्रोस्टेट, हृदय, लिवर और स्किन लीजन इमेजिंग सहित चार अलग-अलग मेडिकल डेटासेट्स पर परीक्षणों में, नई विधि ने मौजूदा तकनीकों को पछाड़ दिया, और अक्सर पूर्ण डेटासेट्स पर प्रशिक्षित मॉडलों के प्रदर्शन के बराबर रही, जबकि उसने लेबल किए गए डेटा के एक प्रतिशत से भी कम का उपयोग किया।

इस सफलता का मुख्य आधार यह है कि शोधकर्ताओं ने "कोल्ड स्टार्ट" (cold start) समस्या को कैसे संभाला, जहाँ शुरुआत में कोई लेबल किया गया डेटा मौजूद नहीं होता है। पारंपरिक तरीके अक्सर यह पता लगाने के लिए कि कौन सी छवियां दिलचस्प हैं, एक अलग, जेनेरिक मॉडल को प्रशिक्षित करने पर निर्भर करते हैं, जो एक धीमी और गणनात्मक रूप से महंगी प्रक्रिया है। नया फ्रेमवर्क, जिसे SUGFW+ कहा जाता है, सीधे 'सेगमेंट एनीथिंग मॉडल' का उपयोग करके इसे दरकिनार करता है। शोधकर्ताओं ने महसूस किया कि यह मॉडल, हालांकि चिकित्सा डेटा पर प्रशिक्षित नहीं है, फिर भी दृश्य सीमाओं (visual boundaries) की गहरी समझ रखता है। उन्होंने इसका उपयोग प्रत्येक अनलेबल मेडिकल इमेज को छोटे पैच में तोड़ने के लिए किया और मॉडल से प्रत्येक पैच के भीतर सीमाओं का अनुमान लगाने को कहा। इस प्रक्रिया को मामूली विविधताओं के साथ कई बार चलाकर, वे माप सकते थे कि मॉडल के अनुमान कितने सुसंगत थे। जहाँ मॉडल अनिश्चित था या बार-बार अपना निर्णय बदल रहा था, वहाँ शोधकर्ताओं ने उस क्षेत्र को अत्यधिक अनिश्चित के रूप में चिह्नित किया। इससे प्रत्येक छवि के लिए भ्रम का एक मानचित्र (map of confusion) तैयार हो गया।

इन भ्रमित करने वाले मानचित्रों को एक उपयोगी चयन उपकरण में बदलने के लिए, टीम ने एक छवि के विभिन्न हिस्सों के महत्व को मापने का तरीका विकसित किया। उन्होंने पाया कि केवल एक पूरी छवि की विशेषताओं का औसत निकालना पर्याप्त नहीं था, क्योंकि इससे उन विशिष्ट क्षेत्रों का प्रभाव कम हो जाता जहाँ मॉडल संघर्ष कर रहा था। इसके बजाय, उन्होंने एक ऐसी प्रणाली बनाई जो अनिश्चित क्षेत्रों से आने वाली विशेषताओं को प्रवर्धित (amplify) करती है, जो प्रभावी रूप से छवि के उन हिस्सों को उजागर करती है जिनमें सबसे अधिक जानकारी होती है। इसके बाद उन्होंने इन हाइलाइट किए गए फीचर्स के आधार पर छवियों को समूहित किया और विविध नमूनों का एक सेट चुना जिसने अनिश्चितता की पूरी सीमा को कवर किया। इसने यह सुनिश्चित किया कि मानव एनोटेटर न केवल समान और आसान छवियों को लेबल कर रहा है, बल्कि ऐसे उदाहरण प्रदान कर रहा है जो कंप्यूटर को सबसे कठिन और महत्वपूर्ण सबक सिखाएंगे।

एक बार जब सबसे मूल्यवान छवियों का चयन और लेबलिंग कर ली गई, तो शोधकर्ताओं को दूसरी चुनौती का सामना करना पड़ा: इतने कम डेटा के साथ मॉडल को प्रभावी ढंग से कैसे प्रशिक्षित किया जाए। मानक प्रशिक्षण विधियाँ अक्सर डेटा की कमी होने पर विफल हो जाती हैं, जिससे मॉडल कुछ उदाहरणों को सीखने के बजाय उन्हें रटने लगता है। इसे संबोधित करने के लिए, उन्होंने एक तकनीक पेश की जहाँ अनिश्चितता मानचित्र स्वयं मॉडल के लिए एक प्रॉम्प्ट (prompt) के रूप में कार्य करता है। प्रशिक्षण के दौरान, मॉडल को न केवल सही उत्तर बताया जाता था; बल्कि उसे उस मानचित्र को भी दिखाया जाता था जहाँ वह पहले भ्रमित हुआ था। इसने मॉडल को कठिन क्षेत्रों पर अतिरिक्त ध्यान देने के लिए मजबूर किया, जिससे बहुत कम उदाहरणों के बावजूद उसकी शारीरिक रचना (anatomy) की समझ को परिष्कृत किया जा सका। इस प्रक्रिया को, जिसे उन्होंने 'अनसर्टेन्टी-प्रॉम्प्टेड फाइन-ट्यूनिंग' (uncertainty-prompted fine-tuning) कहा, मॉडल को विशिष्ट चिकित्सा कार्य के अनुकूल तेजी से और मजबूती से ढलने की अनुमति दी।

सभी परीक्षण किए गए डेटासेट्स पर इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। प्रोस्टेट इमेजिंग डेटासेट पर, इस विधि ने केवल तीन प्रतिशत डेटा लेबल करने के साथ उच्च स्तर की सटीकता प्राप्त की, जिसने अधिक डेटा की आवश्यकता वाले अन्य उन्नत तरीकों को पीछे छोड़ दिया। हार्ट इमेजिंग डेटासेट में, इसने एक प्रतिशत से भी कम छवियों के लेबल होने पर लगभग नब्बे प्रतिशत सटीकता प्राप्त की, एक ऐसा कार्य जिसे अन्य विधियों को करने में कठिनाई हुई। लिवर और स्किन लीजन सेगमेंटेशन के लिए, नए फ्रेमवर्क ने लगातार पिछले तकनीकों की तुलना में अधिक सटीक और पूर्ण रूपरेखा तैयार की, भले ही एनोटेशन बजट को घटाकर 0.05 प्रतिशत तक कर दिया गया हो। शोधकर्ताओं ने नोट किया कि जहाँ अन्य विधियाँ कभी-कभी खंडित या गलत रूपरेखा बनाती थीं, वहीं उनके दृष्टिकोण ने अंगों की संरचनात्मक अखंडता को बनाए रखा, जो शरीर रचना की गहरी समझ का सुझाव देता है।

अध्ययन ने उनके नए सिस्टम की तुलना एक अलग प्रकार के न्यूरल नेटवर्क का उपयोग करने वाले मानक प्रशिक्षण दृष्टिकोण से भी की, जो मेडिकल इमेजिंग में आमतौर पर उपयोग किया जाता है। परिणामों ने दिखाया कि नया तरीका, जिसने स्मार्ट चयन रणनीति को विशेष प्रशिक्षण तकनीक के साथ जोड़ा, मानक दृष्टिकोण की तुलना में काफी बेहतर प्रदर्शन करता है। कुछ मामलों में, बहुत कम डेटा पर प्रशिक्षित नया सिस्टम, पूरे डेटासेट पर प्रशिक्षित मानक मॉडल की तुलना में बेहतर प्रदर्शन करता है। यह सुझाव देता है कि चयनित डेटा की गुणवत्ता और प्रशिक्षण के दौरान मॉडल को कैसे निर्देशित किया जाता है, वह लेबल किए गए उदाहरणों की विशाल मात्रा से अधिक महत्वपूर्ण है। शोधकर्ताओं ने निष्कर्ष निकाला कि उनका फ्रेमवर्क उन चिकित्सा संस्थानों के लिए एक व्यावहारिक समाधान प्रदान करता है जिनके पास विशाल डेटासेट्स को लेबल करने के संसाधन नहीं हैं, जिससे वे न्यूनतम प्रयास के साथ उच्च-प्रदर्शन वाले सेगमेंटेशन टूल्स तैनात कर सकते हैं।

हालाँकि इस पद्धति ने बड़ी संभावना दिखाई, लेखकों ने स्वीकार किया कि यह दोषरहित नहीं है। अनिश्चितता मानचित्र (uncertainty maps) उत्पन्न करने की प्रक्रिया के लिए कंप्यूटर को प्रत्येक छवि को कई बार प्रोसेस करने की आवश्यकता होती है, जो बहुत बड़े संग्रहों के लिए समय लेने वाला हो सकता है। इसके अतिरिक्त, वर्तमान प्रणाली छवियों के दो-आयामी (2D) स्लाइस के साथ काम करती है, जिसका अर्थ है कि यह अभी तक कई मेडिकल स्कैन्स की त्रि-आयामी (3D) प्रकृति का पूर्ण उपयोग नहीं करती है। इन बाधाओं के बावजूद, यह कार्य मेडिकल इमेजिंग को अधिक सुलभ और कुशल बनाने की दिशा में एक महत्वपूर्ण कदम है। कंप्यूटर को सही प्रश्न पूछना और सबसे भ्रमित करने वाले उदाहरणों से सीखना सिखाकर, शोधकर्ताओं ने एक ऐसे भविष्य का मार्ग प्रशस्त किया है जहाँ उन्नत नैदानिक उपकरणों को वर्तमान मानवीय प्रयास के एक अंश के साथ विकसित किया जा सकता है।