PathoArgus: Advancing Evidence-Grounded Long-Context Visual Reasoning across Gigapixel Whole-Slide and Multi-Slide Case Contexts

एक पैथोलॉजी प्रयोगशाला की शांत, बाँझ दुनिया में, एक निदान अक्सर एक एकल, विशाल छवि के साथ शुरू होता है। यह एक 'होल-स्लाइड इमेज' (whole-slide image) है, जो ऊतक के नमूने (tissue sample) का एक डिजिटल फोटोग्राफ है जो इतना बड़ा और विस्तृत है कि इसमें अरबों सूक्ष्म पिक्सेल शामिल हैं, जो मानव आँख द्वारा एक बार में देख पाने की क्षमता से कहीं अधिक हैं। इसे समझने के लिए, एक पैथोलॉजिस्ट को एक जासूस की तरह कार्य करना चाहिए, जो बीमारी की पुष्टि करने वाले विशिष्ट, सूक्ष्म सुरागों को खोजने के लिए कोशिकाओं के विशाल परिदृश्यों में खोज करता है। वर्षों से, वैज्ञानिक कंप्यूटरों को यही काम सिखा रहे हैं, इस उम्मीद में कि वे ऐसी कृत्रिम बुद्धिमत्ता (AI) बना सकें जो इन गीगापिक्सेल छवियों को पढ़ सके और रोगी के स्वास्थ्य के बारे में सवालों के जवाब दे सके। लक्ष्य हमेशा एक ऐसी प्रणाली बनाना रहा है जो न केवल सही उत्तर का अनुमान लगाए, बल्कि वास्तव में ऊतक में मौजूद साक्ष्य को ढूँढकर उसे सिद्ध करे। हालाँकि, एक महत्वपूर्ण प्रश्न अनुत्तरित रह गया है: जब एक कंप्यूटर सही उत्तर प्राप्त करता है, तो क्या वह इसलिए है क्योंकि उसने वास्तव में स्लाइड में बीमारी को देखा है, या वह केवल इस आधार पर अनुमान लगा रहा है कि प्रश्न कैसे पूछा गया था?

हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं का एक नया अध्ययन एक कठोर नए तरीके से इन कंप्यूटर प्रणालियों का परीक्षण करके इस समस्या का सीधे तौर पर सामना करता है। उन्होंने 'पाथोआर्गस-बेंच' (PathoArgus-Bench) नामक एक विशाल परीक्षण स्थल बनाया है, जिसमें 15 विभिन्न प्रकार के कैंसरों के वास्तविक रोगी मामलों से प्राप्त 22,000 से अधिक प्रश्न शामिल हैं। पिछले परीक्षणों के विपरीत, जो केवल यह जाँचते थे कि अंतिम उत्तर सही था या नहीं, यह नया बेंचमार्क कंप्यूटर को यह साबित करने के लिए मजबूर करता है कि उसने सही जगह पर देखा है। शोधकर्ताओं ने एक सख्त नियम बनाया: कंप्यूटर को विशाल छवि के केवल एक बहुत छोटे हिस्से को देखने की अनुमति है, जो डेटा को एक साथ संसाधित करने की एक प्रणाली की वास्तविक दुनिया की सीमा का अनुकरण करता है। इसके बाद उन्होंने कंप्यूटरों से इस सीमित दृश्य के आधार पर प्रश्न पूछने को कहा। यह देखने के लिए कि क्या कंप्यूटर वास्तव में तर्क कर रहे थे, शोधकर्ताओं ने परीक्षणों का एक विशेष सेट भी बनाया जहाँ उन्होंने ऊतक के नमूनों को आपस में बदल दिया। यदि कंप्यूटर वास्तव में साक्ष्य देख रहा था, तो ऊतक बदलने से उसका उत्तर बदलना चाहिए था। यदि वह केवल अनुमान लगा रहा था, तो वह वास्तव में चित्र में क्या था, इसकी परवाह किए बिना समान उत्तर देता।

इस प्रयोग के परिणामों ने एक चौंका देने वाली खाई को उजागर किया जो इस बात के बीच है कि कंप्यूटर क्या जानते प्रतीत होते हैं और वे वास्तव में क्या समझते हैं। जब शोधकर्ताओं ने 20 विभिन्न कृत्रिम बुद्धिमत्ता प्रणालियों का परीक्षण किया, जिनमें उपलब्ध सबसे उन्नत मॉडल भी शामिल थे, तो उन्होंने पाया कि जबकि कुछ प्रणालियाँ आधे से अधिक समय तक सही उत्तर दे सकती थीं, वे साक्ष्य का पालन करने में लगभग पूरी तरह विफल रहीं। एक शीर्ष प्रदर्शन करने वाली प्रणाली, एक शक्तिशाली मॉडल जिसे GPT-5.6 के रूप में जाना जाता है, ने प्रश्नों पर 57 प्रतिशत सफलता दर हासिल की। हालाँकि, जब शोधकर्ताओं ने यह जाँच की कि क्या सिस्टम ने ऊतक साक्ष्य बदले जाने पर अपना विचार बदला, तो वह केवल लगभग 4 प्रतिशत बार ऐसा करने में सफल रहा। दूसरे शब्दों में, सिस्टम अक्सर गलत कारणों से सही उत्तर प्राप्त कर रहा था, जो प्रश्न के पाठ (text) के पैटर्न पर निर्भर था न कि ऊतक की दृश्य वास्तविकता पर। यहाँ तक कि जब शोधकर्ताओं ने कंप्यूटर को छवि के सबसे प्रासंगिक हिस्सों को खोजने में मदद करने के लिए विशेष रूप से डिज़ाइन किया गया एक नया उपकरण बनाया, तब भी सिस्टम लगातार अपने उत्तर को मिली हुई विशिष्ट साक्ष्य से जोड़ने में संघर्ष करता रहा।

यह खोज बताती है कि वर्तमान पीढ़ी की मेडिकल आर्टिफिशियल इंटेलिजेंस अभी भी होल-स्लाइड इमेज से बीमारी का निदान करने के जटिल कार्य के लिए भरोसेमंद नहीं है। अध्ययन से पता चलता है कि केवल कंप्यूटर को एक बड़ी छवि तक पहुँच देना ही पर्याप्त नहीं है; प्रणाली को उस छवि में नेविगेट करने, विशिष्ट सुरागों को खोजने और उन सुरागों को अपने निष्कर्ष को निर्देशित करने देने में भी सक्षम होना चाहिए। शोधकर्ताओं ने पाया कि जबकि उपयोगी होल-स्लाइड संदर्भ प्राप्त करना आवश्यक है, यह पर्याप्त होने से बहुत दूर है, और वर्तमान प्रणालियाँ साक्ष्य-आधारित तर्क (evidence-grounded reasoning) में एक बड़ी कमी प्रदर्शित करती हैं। यह इंगित करता है कि साक्ष्य खोजने की क्षमता और उस साक्ष्य के आधार पर तर्क करने की क्षमता दो अलग-अलग कौशल हैं, और वर्तमान प्रणालियों ने अभी तक दूसरे में महारत हासिल नहीं की है। यह कार्य एक स्पष्ट चेतावनी के रूप में कार्य करता है कि सफलता को केवल अंतिम उत्तर द्वारा मापना भ्रामक है। क्षेत्र को वास्तव में आगे बढ़ाने के लिए, ध्यान केवल सही स्कोर प्राप्त करने से हटकर यह सुनिश्चित करने पर केंद्रित होना चाहिए कि कंप्यूटर का तर्क रोगी के ऊतक के वास्तविक दृश्य तथ्यों पर आधारित हो।

अध्ययन निष्कर्ष निकालता है कि जबकि हमने कंप्यूटरों को देखने के लिए सिखाने में प्रगति की है, हमने अभी तक उन्हें जो वे देखते हैं उसके साथ सोचना नहीं सिखाया है। इस शोध में विकसित नया बेंचमार्क और उपकरण मेडिकल AI की अगली पीढ़ी के लिए एक रोडमैप प्रदान करते हैं, जो केवल एक सही अनुमान के बजाय साक्ष्य के प्रमाण की मांग करता है। वर्तमान प्रणालियों की सीमाओं को उजागर करके, शोधकर्ता उम्मीद करते हैं कि वे भविष्य के विकास को ऐसे मॉडलों की ओर निर्देशित कर सकें जो वास्तव में बीमारी की जटिल दृश्य भाषा को समझ सकें, यह सुनिश्चित करते हुए कि जब कोई कंप्यूटर निदान करता है, तो वह इसलिए होता है क्योंकि उसने सत्य को देखा है, न कि इसलिए कि उसने एक चाल (trick) सीखी है।