MIFR: A Modality-Invariant and Fair Representation Framework for Skin Disease Classification
यह शोध पत्र MIFR प्रस्तुत करता है, जो एक नवीन ढांचा है जो उच्च-सटीक त्वचा रोग वर्गीकरण और विविध त्वचा रंगों के बीच निष्पक्ष प्रदर्शन को एक साथ प्राप्त करने के लिए मल्टी-ऑब्जेक्टिव लॉस फंक्शन के साथ मल्टी-मोडल क्लिनिकल और डर्मोस्कोपिक छवियों का लाभ उठाता 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
त्वचा शरीर का सबसे बड़ा अंग है, एक जटिल परिदृश्य जहाँ हानिरहित धब्बे और खतरनाक कैंसर एक समान दिख सकते हैं। दशकों से, डॉक्टर इन घावों की जांच के लिए दो मुख्य तरीकों पर भरोसा करते रहे हैं: एक सामान्य कैमरा द्वारा ली गई मानक तस्वीर, जिसे क्लिनिकल इमेज (नैदानिक छवि) कहा जाता है, और एक विशेष उपकरण द्वारा लिया गया अत्यधिक आवर्धित दृश्य जिसे डर्मोस्कोप कहते हैं। हालांकि आर्टिफिशियल इंटेलिजेंस हाल ही में त्वचा रोगों को पहचानने में कुशल हो गया है, लेकिन ये डिजिटल उपकरण दो कठिन बाधाओं का सामना करते हैं। पहला, अधिकांश सिस्टम केवल एक प्रकार की छवि को देखने के लिए प्रशिक्षित होते हैं, जिसका अर्थ है कि एक मॉडल जो आवर्धित डर्मोस्कोपिक फोटो पर अच्छी तरह काम करता है, वह एक मानक क्लिनिकल फोटो पर पूरी तरह विफल हो सकता है। दूसरा, और शायद अधिक महत्वपूर्ण, ये सिस्टम गहरे रंग की त्वचा वाले लोगों पर लागू होने पर संघर्ष करते हैं। क्योंकि प्रशिक्षण डेटा का एक बड़ा हिस्सा हल्के रंग की त्वचा वाले लोगों से आता है, इसलिए एल्गोरिदम बीमारियों को उन विशेषताओं के आधार पर पहचानना सीख जाते हैं जो गहरे रंग की त्वचा पर सही ढंग से लागू नहीं होती हैं, जिससे गलत निदान और असमान स्वास्थ्य परिणाम होते हैं।
शोधकर्ताओं की एक टीम ने दोनों समस्याओं को एक साथ हल करने के लिए एक नया दृष्टिकोण प्रस्तावित किया है, एक ऐसा सिस्टम बनाया है जो विभिन्न प्रकार की छवियों और विभिन्न त्वचा के रंगों के साथ समान निष्पक्षता के साथ व्यवहार करता है। उनका कार्य, जिसे MIFR कहा गया है, एक ऐसे ढांचे (फ्रेमवर्क) को पेश करता है जिसे त्वचा रोग की एक एकल, एकीकृत समझ सीखने के लिए डिज़ाइन किया गया है जो इस बात पर निर्भर नहीं करती कि तस्वीर कैसे ली गई थी या त्वचा का रंग क्या था। क्लिनिकल फोटो और डर्मोस्कोपिक छवियों के लिए अलग-अलग उपकरण बनाने या विभिन्न त्वचा प्रकारों के लिए अलग-अलग मॉडल प्रशिक्षित करने के बजाय, यह सिस्टम स्वयं बीमारी के अंतर्निहित जैविक संकेतों को देखना सीखता है। शोधकर्ताओं ने क्लिनिकल फोटोग्राफ को उसी रोगी की संबंधित डर्मोस्कोपिक छवियों के साथ जोड़ा, जिससे कंप्यूटर को यह पहचानने में मदद मिली कि ये दो बहुत अलग दिखने वाली तस्वीरें वास्तव में एक ही चिकित्सीय स्थिति को दर्शाती हैं। इन विभिन्न दृश्यों को संरेखित (align) करने के लिए मजबूर करके, मॉडल कैमरे या लाइटिंग के कारण होने वाले सतही अंतरों को अनदेखा करना और पूरी तरह से बीमारी के जैविक संकेतों पर ध्यान केंद्रित करना सीख जाता है।
यह सुनिश्चित करने के लिए कि सिस्टम अनजाने में त्वचा के रंग के आधार पर भेदभाव न करे, शोधकर्ताओं ने एक चतुर प्रशिक्षण तंत्र जोड़ा। उन्होंने कंप्यूटर को बीमारी की भविष्यवाणी करने के साथ-साथ रोगी के त्वचा प्रकार को मॉडल से छिपाने के लिए भी प्रशिक्षित किया। कल्पना कीजिए कि एक छात्र को एक कठिन प्रश्न का सही उत्तर देना है लेकिन उसे अपने बैकग्राउंड के बारे में किसी भी सुराग का उपयोग करने से मना किया गया है। इस डिजिटल संस्करण में, सिस्टम एक खेल खेलता है जहाँ एक हिस्सा छवि की विशेषताओं से त्वचा के रंग का अनुमान लगाने की कोशिश करता है, और दूसरा हिस्सा उन विशेषताओं को इस तरह से अस्त-व्यस्त करने की कोशिश करता है कि वह अनुमान विफल हो जाए। समय के साथ, सिस्टम त्वचा के रंग से संबंधित किसी भी जानकारी को हटाना सीख जाता है, और केवल बीमारी के निदान के लिए आवश्यक विवरणों को ही रखता है। यह प्रक्रिया सुनिश्चित करती है कि अंतिम उपकरण सबसे गहरे रंग की त्वचा वाले व्यक्ति के लिए भी उतना ही अच्छा काम करे जितना कि सबसे हल्के रंग वाले व्यक्ति के लिए।
शोधकर्ताओं ने अपने नए फ्रेमवर्क का परीक्षण कई सार्वजनिक डेटाबेस के त्वचा छवियों के संग्रह पर किया, जिसमें छवियों का एक सेट भी शामिल था जहाँ एक ही घाव की क्लिनिकल फोटो और डर्मोस्कोपिक छवि दोनों मौजूद थीं। उन्होंने तीन सामान्य स्थितियों पर ध्यान केंद्रित किया: मेलानोमा (एक खतरनाक प्रकार का त्वचा कैंसर); नेवी (benign moles या सौम्य तिल); और बेसल सेल कार्सिनोमा (सबसे आम प्रकार का त्वचा कैंसर)। परिणामों ने दिखाया कि सिस्टम सटीक रूप से इन बीमारियों को वर्गीकृत कर सकता था चाहे वह एक मानक फोटो देख रहा हो या एक आवर्धित दृश्य, जो यह सिद्ध करता है कि इसने सफलतापूर्वक एक 'मोडैलिटी-इनवेरिएंट रिप्रजेंटेशन' (विभिन्न माध्यमों से स्वतंत्र प्रतिनिधित्व) सीख लिया है। जब इसे ऐसे डेटा पर परखा गया जिसे इसने पहले कभी नहीं देखा था, जिसमें विभिन्न क्षेत्रों के डेटासेट शामिल थे, तो मॉडल ने उच्च सटीकता बनाए रखी, और उन पिछले तरीकों से बेहतर प्रदर्शन किया जो केवल एक प्रकार की छवि के लिए विशिष्ट थे।
शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम ने निष्पक्षता में महत्वपूर्ण सुधार प्रदर्शित किया। जब शोधकर्ताओं ने विभिन्न त्वचा के रंगों के बीच मॉडल के प्रदर्शन को मापा, तो नए दृष्टिकोण ने मौजूदा उपकरणों की तुलना में सबसे हल्के और सबसे गहरे समूहों के बीच सटीकता के अंतर को बहुत कम दिखाया। डेटा के विज़ुअलाइज़ेशन ने पुष्टि की कि कंप्यूटर ने वास्तव में एक ही बीमारी की छवियों को एक साथ समूहित किया था, चाहे वे क्लिनिकल कैमरा से आई हों या डर्मोस्कोप से, और चाहे रोगी की त्वचा का रंग कुछ भी हो। कंप्यूटर के आंतरिक मानचित्र में डेटा बिंदुओं के क्लस्टर मिश्रित थे, जो दिखाते हैं कि सिस्टम अब रोगी की त्वचा के रंग या उपयोग की गई छवि के प्रकार के आधार पर रोगियों को अलग नहीं करता है।
हाला-कि शोधकर्ता स्वीकार करते हैं कि उनकी विधि हर स्थिति के लिए पूर्ण समाधान नहीं है। वर्तमान में इस सिस्टम को प्रशिक्षण के लिए युग्मित (paired) छवियों की आवश्यकता होती है, जो वास्तविक दुनिया में दुर्लभ हैं, और डुअल-कैमरा सेटअप कम्प्यूटेशनल लागत को बढ़ाता है। इसके अलावा, अध्ययन में नोट किया गया कि जब मॉडल का परीक्षण केवल डर्मोस्कोपिक छवियों वाले डेटासेट पर किया गया, तो इसके प्रदर्शन में थोड़ी गिरावट आई, जिससे पता चलता है कि दोनों प्रकार की छवियों के लिए सिस्टम को काम करने के योग्य बनाने के प्रयास में कभी-कभी एक प्रकार के विशिष्ट विवरण का त्याग करना पड़ता है। इन सीमाओं के बावजूद, यह कार्य एक महत्वपूर्ण प्रगति है। यह प्रदर्शित करता है कि ऐसा आर्टिफिशियल इंटेलिजेंस बनाना संभव है जो न केवल सटीक है, बल्कि न्यायसंगत भी है, जो मानव त्वचा के पूरे स्पेक्ट्रम के रोगियों और विभिन्न चिकित्सा इमेजिंग सेटिंग्स में, बिना किसी अलग, विशिष्ट उपकरण के, सेवा करने में सक्षम 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।