A Specialized Large Multimodal Model for Interpreting PET/CT in Head and Neck Cancer

न्यूक्लियर मेडिसिन की शांत और उच्च-दांव वाली दुनिया में, डॉक्टर शरीर के अंदर देखने के लिए PET/CT नामक एक शक्तिशाली उपकरण पर भरोसा करते हैं। यह तकनीक दो अलग-अलग प्रकार के स्कैन को एक एकल छवि में जोड़ती है: एक जो शरीर की शारीरिक संरचना (एनाटॉमी) को एक विस्तृत सड़क मानचित्र की तरह दर्शाता है, और दूसरा जो यह प्रकट करता है कि कोशिकाएं कैसे काम कर रही हैं, जो एक विशेष चीनी (शुगर) को ट्रैक करता है जो वहां चमक उठता है जहां ऊर्जा का उपभोग किया जा रहा है। जब कैंसर कोशिकाएं बढ़ती हैं, तो वे इस चीनी को बहुत अधिक मात्रा में खाती हैं, जो स्कैन पर चमकीले धब्बों के रूप में दिखाई देती हैं। सिर और गर्दन के कैंसर के लिए, यह एक महत्वपूर्ण नैदानिक खिड़की (डायग्नोस्टिक विंडो) है। यह क्षेत्र मांसपेशियों, नसों और ग्रंथियों का एक जटिल जाल है, जिससे यह बताना मुश्किल हो जाता है कि ट्यूमर वास्तव में कहां से शुरू होता है या क्या यह पास की लिम्फ नोड्स में फैल गया है। इन छवियों की व्याख्या करने के लिए वर्षों के विशेष प्रशिक्षण की आवश्यकता होती है, फिर भी विशेषज्ञों की एक वैश्विक कमी है जो इन्हें पढ़ सकें। इस अंतर ने ऐसे कंप्यूटर सिस्टम बनाने की तत्काल आवश्यकता पैदा कर दी है जो मानव विशेषज्ञ को बदलने के बजाय डॉक्टरों को तेज़ और अधिक सटीक निर्णय लेने में मदद कर सकें।

हाल ही में, एक प्रकार का नया आर्टिफिशियल इंटेलिजेंस उभरा है जिसे 'लार्ज मल्टीमॉडल मॉडल' कहा जाता है। ये ऐसे सिस्टम हैं जो छवियों और टेक्स्ट दोनों को समझने में सक्षम हैं, बिल्कुल वैसे ही जैसे एक व्यक्ति किसी तस्वीर को देखकर उसका वर्णन वाक्यों में कर सकता है। हालांकि इन मॉडलों के सामान्य संस्करण मौजूद हैं, वे अक्सर चिकित्सा की विशिष्ट, उच्च-दांव वाली भाषा के साथ संघर्ष करते हैं और सुरक्षा फिल्टरों के कारण कभी-कभी चिकित्सा संबंधी प्रश्नों का उत्तर देने से मना कर देते हैं। इस अंतर को पाटने के लिए, सियोल नेशनल यूनिवर्सिटी और उससे जुड़े अस्पतालों के शोधकर्ताओं की एक टीम ने इस तकनीक का एक विशेष संस्करण बनाने के लिए हाथ मिलाया, जिसे विशेष रूप से सिर और गर्दन के कैंसर के PET/CT स्कैन को पढ़ने के लिए प्रशिक्षित किया गया था। उनका लक्ष्य एक सामान्य चैटबॉट बनाना नहीं था, बल्कि एक केंद्रित नैदानिक सहायक (डायग्नोस्टिक असिस्टेंट) का निर्माण करना था जो एक संरचित, चरण-दर-चरण सीखने की प्रक्रिया के माध्यम से इन जटिल छवियों की बारीकियों को सीख सके।

शोधकर्ताओं ने कनाडा और जर्मनी के संस्थानों सहित कई चिकित्सा केंद्रों से डेटा का एक विशाल संग्रह एकत्र करके शुरुआत की। उन्होंने हजारों छवियों और विशेषज्ञ-लिखित विवरणों के जोड़े तैयार किए। दो न्यूक्लियर मेडिसिन विशेषज्ञों ने इन छवियों की सावधानीपूर्वक समीक्षा की, और सटीक रूप से नोट किया कि वहां क्या मौजूद था: स्कैन का प्रकार, दृश्य का कोण, क्या ट्यूमर दिखाई दे रहा है, और सूजन वाली लिम्फ नोड्स का सटीक स्थान। यह क्यूरेटेड डेटासेट उनके नए मॉडल के लिए एक पाठ्यपुस्तक बन गया। आर्टिफिशियल इंटेलिजेंस को सब कुछ एक साथ सिखाने के बजाय, टीम ने एक दो-स्तरीय प्रशिक्षण पाठ्यक्रम तैयार किया। पहले स्तर में, मॉडल ने बुनियादी बातें सीखीं, जैसे स्कैन के प्रकार की पहचान करना और सरल असामान्यताओं को पकड़ना। एक बार जब इसने इन बुनियादी बातों में महारत हासिल कर ली, तो यह दूसरे, अधिक उन्नत स्तर पर चला गया, जहाँ इसे प्राथमिक ट्यूमर की उपस्थिति और मेटास्टैटिक लिम्फ नोड्स के सटीक स्थान के बारे में विशिष्ट नैदानिक प्रश्न पूछने की चुनौती दी गई।

यह सुनिश्चित करने के लिए कि मॉडल केवल उत्तरों को रटने के बजाय एक डॉक्टर की तरह सोचना सीखे, शोधकर्ताओं ने एक विशिष्ट प्रशिक्षण पद्धति का उपयोग किया जिसने सिस्टम को अपने द्वारा पहले कही गई बातों के आधार पर अपने अगले शब्दों की भविष्यवाणी करने के लिए मजबूर किया। यह दृष्टिकोण उस तरीके की नकल करता है जिस तरह से एक मानव रेडियोलॉजिस्ट अपनी रिपोर्ट को वाक्य-दर-वाक्य तैयार करता है, न कि केवल एक पूर्व-लिखित उत्तर की नकल करता है। मॉडल का परीक्षण उस डेटा के विरुद्ध किया गया जिसे उसने पहले कभी नहीं देखा था, जो चार स्वतंत्र अस्पतालों से आया था जिनमें विभिन्न प्रकार की स्कैनिंग मशीनें थीं। परिणाम आश्चर्यजनक थे। स्कैन की व्याख्या करने के लिए पूछे जाने पर, विशेष मॉडल ने उपलब्ध सर्वोत्तम सामान्य-उद्देश्य वाले आर्टिफिशियल इंटेलिजेंस सिस्टमों को भी पीछे छोड़ दिया, जिसमें व्यापक रूप से ज्ञात व्यावसायिक चैटबॉट्स भी शामिल थे। जबकि सामान्य मॉडल अक्सर उपयोगी उत्तर देने में विफल रहे या चिकित्सा छवियों के साथ जुड़ने से इनकार कर दिया, विशेष मॉडल ने उच्च सटीकता के साथ ट्यूमर की उपस्थिति और लिम्फ नोड मेटास्टेसिस के स्थान की सफलतापूर्वक पहचान की।

अध्ययन ने सफलता को कई मानक मेट्रिक्स का उपयोग करके मापा जो कंप्यूटर की लिखित रिपोर्ट की तुलना विशेषज्ञ के मूल नोट्स से करते हैं। विशिष्ट लिम्फ नोड स्टेशनों की पहचान करने वाले सबसे कठिन परीक्षणों में, विशेष मॉडल ने उन स्कोर प्राप्त किए जो सामान्य मॉडल की तुलना में बहुत बेहतर थे, जो लगभग शून्य के करीब थे। उदाहरण के लिए, यह पहचानने में कि क्या प्राथमिक ट्यूमर मौजूद था, मॉडल बाहरी परीक्षणों में 69 प्रतिशत बार सही था, जो कि, हालांकि पूर्ण नहीं है, फिर भी सामान्य विकल्पों की तुलना में एक बड़ी छलांग थी। मॉडल ने विभिन्न प्रकार के स्कैनर और रोगी आबादी के बीच सुसंगत रहने की उल्लेखनीय क्षमता भी प्रदर्शित की, जिससे पता चलता है कि इसने केवल विशिष्ट छवियों को याद करने के बजाय बीमारी के अंतर्निहित पैटर्न को सीखा है।

इन सफलताओं के बावजूद, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह सिस्टम अभी मानव डॉक्टर को बदलने के लिए तैयार नहीं है। मॉडल गलतियाँ करता है, विशेष रूप से शरीर के कुछ दृश्यों में बाएं और दाएं पक्षों के बीच अंतर करने में, और कभी-कभी उन विशिष्ट संक्षिप्त रूपों (Abbreviations) के साथ संघर्ष करता है जिनका उपयोग डॉक्टर अपने दैनिक नोट्स में करते हैं। प्रशिक्षण प्रक्रिया भी गणनात्मक रूप से महंगी और समय लेने वाली थी। हालांकि, यह अध्ययन सिद्ध करता है कि एक विशेष आर्टिफिशियल इंटेलिजेंस बनाना संभव है जो न्यूक्लियर मेडिसिन की जटिल भाषा को समझता है। एक विशिष्ट चिकित्सा कार्य पर ध्यान केंद्रित करके और उच्च गुणवत्ता वाले, विशेषज्ञ-सत्यापित डेटा पर प्रशिक्षण देकर, टीम ने दिखाया है कि ये उपकरण केवल छवि पहचान से आगे बढ़कर वास्तविक नैदानिक सहायता प्रदान कर सकते हैं। यह कार्य एक ऐसे भविष्य का सुझाव देता है जहाँ ऐसे विशेष मॉडल एक विश्वसनीय 'दूसरी जोड़ी आँखों' के रूप में कार्य कर सकते हैं, जो अत्यधिक व्यस्त चिकित्सा टीमों के बोझ को कम करने और यह सुनिश्चित करने में मदद कर सकते हैं कि रोगियों को सिर और गर्दन के कैंसर के लिए समय पर, सटीक निदान मिले।