$\Delta$Representation: Geometry Supervised Representation Learning of Phenotypes via Counterfactual Reasoning for Medical VLMs

एक अस्पताल के रेडियोलॉजी विभाग की शांत गूँज में, एक डॉक्टर सीटी स्कैन का अध्ययन कर रहा है, जो एक स्वस्थ फेफड़े और एक बीमार फेफड़े के बीच के सूक्ष्म अंतर की तलाश कर रहा है। मानवीय दृष्टि के लिए, यह कार्य इस बात को पहचानने के लिए वर्षों के प्रशिक्षण पर निर्भर करता है कि कैसे एक विशिष्ट बीमारी सामान्य ऊतकों (tissue) के स्वरूप को बदल देती है। हाल के वर्षों में, कंप्यूटरों ने विजन-लैंग्वेज मॉडल नामक आर्टिफिशियल इंटेलिजेंस सिस्टम के माध्यम से इसी कौशल को सीखना शुरू कर दिया है। इन प्रणालियों को मेडिकल इमेज देखने और क्लिनिकल टेक्स्ट पढ़ने के लिए प्रशिक्षित किया जाता है, ताकि वे देख रहे दृश्य को लिखे गए शब्दों के साथ जोड़ सकें। इसका लक्ष्य एक डिजिटल सहायक बनाना है जो डॉक्टरों को स्कैन की व्याख्या करने, असामान्यताओं का पता लगाने और रिपोर्ट तैयार करने में मदद कर सके। हालाँकि, एक महत्वपूर्ण बाधा बनी हुई है: ये कंप्यूटर मॉडल अक्सर यह समझने में संघर्ष करते हैं कि बीमारी शरीर में तैरती हुई कोई अलग वस्तु नहीं है, बल्कि शरीर की सामान्य संरचना में होने वाला एक परिवर्तन है। वे छवि को एक संपूर्ण इकाई के रूप में देखते हैं, लेकिन वे ठीक से यह अलग करने में कठिनाई महसूस करते हैं कि एक घाव (lesion), या क्षतिग्रस्त क्षेत्र, अपने आस-पास के स्वस्थ ऊतकों से किस प्रकार भिन्न है। इस सटीक समझ के बिना, कंप्यूटर यह तो पहचान सकता है कि कुछ गलत है, लेकिन वह यह विश्वसनीय रूप से नहीं समझा सकता कि वास्तव में क्या गलत है या वह स्थान कहाँ है, जिसकी सटीकता की एक डॉक्टर को आवश्यकता होती है।

शोधकर्ताओं की एक टीम ने इन कंप्यूटर मॉडलों को सिखाने का एक नया तरीका प्रस्तावित किया है, जो केवल अंतिम छवि के बजाय 'परिवर्तन' की अवधारणा पर केंद्रित है। वे अपने दृष्टिकोण को 'काउंटरफैक्चुअल रीजनिंग' (counterfactual reasoning) के माध्यम से विजुअल रिप्रजेंटेशन सीखने की एक विधि कहते हैं। सरल शब्दों में, कंप्यूटर को केवल एक बीमार फेफड़े की तस्वीर दिखाकर यह पूछने के बजाय कि बीमारी का नाम क्या है, शोधकर्ता कंप्यूटर को यह कल्पना करना सिखाते हैं कि वह विशिष्ट स्थान कैसा दिखता यदि वह स्वस्थ होता। सिस्टम पहले यह सीखता है कि मानव शरीर के अंगों की व्यवस्था अंतरिक्ष (space) में कैसे होती है, यह समझते हुए कि हृदय फेफड़ों के सापेक्ष एक विशिष्ट स्थिति में होता है और रक्त वाहिकाएं एक निरंतर पथ का अनुसरण करती हैं। एक बार सामान्य शरीर रचना का यह मानचित्र स्थापित हो जाने के बाद, कंप्यूटर एक रोगग्रस्त क्षेत्र को देखता है और एक काल्पनिक प्रश्न पूछता है: "यदि यह स्थान सामान्य होता, तो यह कैसा दिखता?" जब सिस्टम बीमार ऊतक की वास्तविक छवि की तुलना इस कल्पित स्वस्थ संस्करण से करता है, तो वह विशिष्ट अंतर की गणना करता है। यह अंतर, या परिवर्तन का "इन्क्रीमेंट" (increment), बीमारी की पहचान करने की कुंजी बन जाता है। शोधकर्ताओं ने पाया कि इस वास्तविक और कल्पित स्वस्थ अवस्था के बीच के अंतर पर ध्यान केंद्रित करके, कंप्यूटर यह पहचानने में बहुत बेहतर हो जाता है कि समस्या कहाँ है और वह समस्या किस प्रकार की है।

यह विधि दो अलग-अलग चरणों पर आधारित है। पहले, सिस्टम एक प्रशिक्षण चरण से गुजरता है जहाँ वह बिना किसी बीमारी के मानव शरीर की ज्यामिति (geometry) को सीखता है। इसे स्वस्थ शरीर रचना की हजारों छवियां दिखाई जाती हैं और इसे अपने आंतरिक बोध को इस तरह व्यवस्थित करने के लिए सिखाया जाता है कि स्थानिक संबंध वास्तविकता के अनुरूप हों। यदि मॉडल जानता है कि दाएं फेफड़े के सापेक्ष बायां फेफड़ा कहाँ होना चाहिए, और ऊतक एक ही अंग के भीतर निरंतर कैसे प्रवाहित होते हैं, तो यह एक स्थिर संदर्भ बिंदु बनाता है। यह महत्वपूर्ण है क्योंकि यह कंप्यूटर को एक विश्वसनीय आधार प्रदान करता है। दूसरे चरण में, सिस्टम उन छवियों का सामना करता है जिनमें घाव (lesions), जैसे कि नोड्यूल्स या सूजन वाले क्षेत्र मौजूद होते हैं। प्रत्येक रोगग्रस्त ऊतक के पैच के लिए, सिस्टम स्वस्थ शरीर रचना के अपने ज्ञान का उपयोग करके अनुमान लगाता है कि वह पैच कैसा दिखता यदि वह रोगग्रस्त नहीं होता। इसके बाद, यह अनुमानित स्वस्थ संस्करण को वास्तविक रोगग्रस्त छवि से घटा देता है। परिणाम एक स्पष्ट संकेत (signal) है जो केवल रोग संबंधी परिवर्तन को उजागर करता है, जिससे सामान्य शरीर रचना का 'बैकग्राउंड नॉइज़' हट जाता है। यह मॉडल को यह सीखने में मदद करता है कि एक "पल्मोनरी नोड्यूल" केवल एक यादृच्छिक आकार नहीं है, बल्कि सामान्य फेफड़े के ऊतकों के सापेक्ष एक विशिष्ट प्रकार का दृश्य परिवर्तन है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने अपनी विधि को कई मौजूदा मेडिकल आर्टिफिशियल इंटेलिजेंस मॉडलों पर लागू किया और चेस्ट सीटी स्कैन वाले दो बड़े सार्वजनिक डेटासेट्स पर उनका मूल्यांकन किया। एक डेटासेट में चार विशिष्ट प्रकार की फेफड़ों की स्थितियों पर विस्तृत नोट्स के साथ दो हजार से अधिक छवियां शामिल थीं, जबकि दूसरे में फेफड़ों के नोड्यूल्स के लिए विशेषज्ञ एनोटेशन के साथ सैकड़ों स्कैन थे। परिणामों ने मॉडलों की दो महत्वपूर्ण कार्यों को करने की क्षमता में नाटकीय सुधार दिखाया: स्कैन पर घाव के सटीक स्थान का पता लगाना और बीमारी के प्रकार को सही ढंग से पहचानना। उदाहरण के लिए, जब एक मॉडल पर परीक्षण किया गया, तो समस्या के स्थान को सही ढंग से पहचानने की सटीकता लगभग दस प्रतिशत से बढ़कर पचास प्रतिशत से अधिक हो गई। इसी तरह, कुछ मामलों में बीमारी के विशिष्ट प्रकार की पहचान करने की सटीकता तीन गुना से अधिक बढ़ गई। शोधकर्ताओं ने देखा कि जैसे-जैसे वे सिस्टम को रोगग्रस्त ऊतकों के अधिक उदाहरण देते गए, विभिन्न प्रकार की स्थितियों के बीच अंतर करने की इसकी क्षमता और भी तेज होती गई, ठीक वैसे ही जैसे एक छात्र कई उदाहरण देखने के बाद समान दिखने वाले पक्षियों के बीच अंतर करना सीख जाता है।

अध्ययन ने यह भी प्रदर्शित किया कि यह दृष्टिकोण तब भी अच्छी तरह काम करता है जब कंप्यूटर से स्कैन के बारे में पूर्ण लिखित रिपोर्ट तैयार करने के लिए कहा जाता है, जिसे 'रेडियोलॉजी रिपोर्ट जनरेशन' कहा जाता है। इन परीक्षणों में, नई विधि से लैस मॉडल न केवल अपने विवरणों में अधिक सटीक थे, बल्कि उन विवरणों को छवि के सही भागों से जोड़ने में भी बेहतर थे। एक विशिष्ट केस स्टडी में, एक मानक मॉडल 'ग्राउंड-ग्लास ओपेसिटी' (एक सूक्ष्म धुंधलापन) को नोटिस करने में विफल रहा और रिपोर्ट दी कि स्कैन सामान्य है। हालाँकि, नई विधि का उपयोग करने वाले मॉडल ने विसंगति की सही पहचान की, उसकी बनावट और आकार का वर्णन किया, और फेफड़े के निचले हिस्से में उसके स्थान को नोट किया। यह सफलता बताती है कि कंप्यूटर को शरीर के सामान्य लेआउट को समझने और फिर उस लेआउट से विचलन को मापने के लिए सिखाकर, सिस्टम को बीमारी की गहरी और अधिक विश्वसनीय समझ प्राप्त होती है। शोधकर्ताओं ने निष्कर्ष निकाला कि सीखने का यह तरीका, जो तुलना की प्रक्रिया के माध्यम से सामान्य को असामान्य से अलग करता है, चिकित्सा छवियों की व्याख्या करने के लिए आर्टिफिशियल इंटेलिजेंस को बेहतर बनाने में एक शक्तिशाली उपकरण प्रदान करता है, जिससे भविष्य में अधिक सटीक निदान और डॉक्टरों के लिए बेहतर सहायता संभव हो सकेगी।