Which Attention Helps? A Slide-Level Ablation of Attention-Augmented CNNs for Serous Ovarian Carcinoma Grading
यह अध्ययन प्रदर्शित करता है कि सेरस ओवेरियन कार्सिनोमा ग्रेडिंग के लिए कठोर, लीकेज-मुक्त स्लाइड-स्तरीय मूल्यांकन के तहत, ट्रांसफर लर्निंग और कमजोर चैनल-ओनली अटेंशन कॉन्फ़िगरेशन से बचने से सबसे महत्वपूर्ण प्रदर्शन लाभ प्राप्त होते हैं, जबकि सूक्ष्म अटेंशन मैकेनिज्म और पैथोलॉजी फाउंडेशन मॉडल एक प्रीट्रेन मेड मोबाइलनेट बेसलाइन की तुलना में कोई पता लगाने योग्य सुधार प्रदान नहीं करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कैंसर निदान की दुनिया में, एक रोगविज्ञानी (पैथोलॉजिस्ट) की दृष्टि अंतिम निर्णायक होती है। जब रोगी के शरीर से ऊतक (टिश्यू) का नमूना निकाला जाता है, तो उसे रंगों से रंगा जाता है, सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे रखा जाता है, और इस बात के सुरागों की जांच की जाती है कि बीमारी कितनी आक्रामक हो सकती है। डिम्बग्रंथि के कैंसर (ओवेरियन कैंसर) के लिए, यह अंतर अत्यंत महत्वपूर्ण है। सेरस कार्सिनोमा नामक एक विशिष्ट प्रकार के ट्यूमर के दो मुख्य प्रकार हैं: एक जो धीरे बढ़ता है और कुछ उपचारों के प्रति अच्छी प्रतिक्रिया देता है, और दूसरा जो तेजी से फैलता है और जिसके लिए बहुत अधिक आक्रामक दृष्टिकोण की आवश्यकता होती है। हालांकि वे सूक्ष्मदर्शी के नीचे देखने में काफी समान दिखते हैं, और एक ही सामान्य आकार और संरचना साझा करते हैं, लेकिन उनके व्यवहार का अंतर जीवन और मृत्यु का होता है। डॉक्टरों के लिए चुनौती यह है कि उन्हें अलग पहचानना विशेषज्ञों के लिए भी कठिन है, और गलत होने पर दांव बहुत ऊँचा होता है।
हाल के वर्षों में, वैज्ञानिकों ने इस कार्य में मदद के लिए आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर रुख किया है। कंप्यूटर एक ही स्लाइड से हजारों सूक्ष्म छवियों को स्कैन कर सकते हैं, और उन पैटर्नों की तलाश कर सकते हैं जो मानवीय आंख से छूट सकते हैं। हालांकि, कई शुरुआती रिपोर्टों ने दावा किया कि ये कंप्यूटर प्रोग्राम लगभग दोषरहित थे, और उन्होंने ऐसी सटीकता दर हासिल की जो लगभग अविश्वसनीय लग रही थी। एक नया अध्ययन बताता है कि ये उच्च आंकड़े एक भ्रम हो सकते हैं जो परीक्षण करने के तरीके में एक त्रुटि के कारण उत्पन्न हुआ था। इस कार्य के पीछे के शोधकर्ताओं ने यह पता लगाने की कोशिश की कि क्या कंप्यूटर वास्तव में बीमारी को पहचानना सीख रहे थे, या वे केवल उस विशिष्ट तरीके को याद कर रहे थे जिस तरह से उस दिन ऊतक के नमूनों को स्कैन किया गया था। एक सख्त परीक्षण प्रणाली बनाकर, उनका लक्ष्य यह देखना था कि वास्तविक चिकित्सा निदान की जटिल वास्तविकता के सामने इन उपकरणों की वास्तविक क्षमता क्या है।
शोधकर्ताओं ने ओवेरियन कैंसर के रोगियों की 259 होल-स्लाइड छवियों के संग्रह पर ध्यान केंद्रित किया। उन्होंने अपना ध्यान दो कठिन-से-पहचानने योग्य प्रकारों पर केंद्रित किया: आक्रामक हाई-ग्रेड संस्करण और धीमा बढ़ने वाला लो-ग्रेड संस्करण। कुल मिलाकर, आक्रामक प्रकार के 217 मामले थे और धीमे प्रकार के केवल 42 मामले थे, एक ऐसी कमी जो इस कार्य को सांख्यिकीय रूप से कठिन बनाती है। अपने परिणामों को ईमानदार सुनिश्चित करने के लिए, उन्होंने एक प्रोटोकॉल तैयार किया जो कंप्यूटर को स्लाइड-स्तरीय जानकारी का उपयोग करने से रोकता था। कई पिछले अध्ययनों में, एक कंप्यूटर को प्रशिक्षण के दौरान स्लाइड का एक छोटा हिस्सा दिखाया जा सकता था और फिर उसी स्लाइड के दूसरे हिस्से पर उसका परीक्षण किया जा सकता था। चूंकि एक ही स्लाइड के हर हिस्से के लिए स्टेन का रंग और स्कैनर सेटिंग्स समान होती हैं, इसलिए कंप्यूटर कैंसर के बजाय रोगी या लैब को पहचानने में सक्षम हो सकता था। इस अध्ययन ने कंप्यूटर को संपूर्ण स्लाइडों से सीखने के लिए मजबूर किया, यह सुनिश्चित करते हुए कि प्रशिक्षण और परीक्षण दोनों चरणों में किसी भी एकल रोगी का डेटा मौजूद न हो।
यह समझने के लिए कि कंप्यूटर के मस्तिष्क के कौन से हिस्से वास्तव में सहायक थे, टीम ने सॉफ्टवेयर के सात अलग-अलग संस्करणों का परीक्षण किया। उन्होंने अधिकांश के लिए प्रोग्राम की मूल संरचना को समान रखा, केवल यह बदलकर कि सिस्टम छवि के विभिन्न हिस्सों पर कैसे ध्यान देता है। कुछ संस्करणों ने ध्यान (अटेंशन) को पूरी तरह से अनदेखा कर दिया, जबकि अन्य ने विशिष्ट गणितीय युक्तियों का उपयोग करके महत्वपूर्ण विशेषताओं, जैसे कि कोशिका नाभिक (न्यूक्लिआई) के आकार या ऊतक की बनावट को उजागर किया। उन्होंने एक ऐसे संस्करण का भी परीक्षण किया जिसे लाखों सामान्य छवियों पर प्रशिक्षित किया गया था, इस उम्मीद में कि यह पूर्व ज्ञान उन्हें बढ़त दे सकेगा। अंत में, उन्होंने एक "शॉर्टकट" परीक्षण भी शामिल किया जहां कंप्यूटर को केवल ऊतक के रंगों को देखने की अनुमति दी गई, सभी आकारों और संरचनाओं को अनदेखा करते हुए, ताकि यह देखा जा सके कि रंग की छाया के आधार पर उत्तर का कितना अनुमान लगाया जा सकता है।
परिणामों से पता चला कि कंप्यूटर प्रोग्राम वास्तव में कैंसर के दोनों प्रकारों के बीच अंतर करने में सक्षम थे, लेकिन उनका प्रदर्शन पिछले रिपोर्टों में देखे गए लगभग पूर्ण स्कोर की तुलना में बहुत मामूली था। सबसे अच्छा प्रदर्शन करने वाला मॉडल, जिसने सामान्य छवि विशेषताओं को समझने के लिए एक प्री-ट्रेंड फाउंडेशन का उपयोग किया था, ने 0.86 के AUC के साथ स्लाइड्स को सही ढंग से रैंक किया। यह बिना किसी पूर्व प्रशिक्षण के शुरू होने वाले मॉडलों की तुलना में एक महत्वपूर्ण सुधार था। हालांकि, अध्ययन में पाया गया कि जटिल "अटेंशन" तंत्र जोड़ने से सिस्टम अनिवार्य रूप से स्मार्ट नहीं हुआ। वास्तव में, एक मॉडल में स्थानिक ध्यान (स्पेशियल अटेंशन) शाखा जोड़ने से, जो पहले से ही चैनल फीचर्स पर ध्यान केंद्रित कर रहा था, कोई पता लगाने योग्य सुधार नहीं हुआ; पूर्ण मॉडल का प्रदर्शन चैनल-ओनली संस्करण से बेहतर नहीं था। शोधकर्ताओं ने पाया कि ठीक-ठीक यह मानचित्रण करने का अतिरिक्त कदम कि ट्यूमर कहाँ स्थित है, कंप्यूटर को बेहतर निर्णय लेने में मदद नहीं कर सका।
शायद सबसे खुलासा करने वाला निष्कर्ष यह था कि कंप्यूटर केवल कैंसर कोशिकाओं को ही नहीं देख रहा था; वह स्टेन के रंगों को भी पकड़ रहा था। जब शोधकर्ताओं ने एक ऐसे सिस्टम का परीक्षण किया जो केवल ऊतक के रंग पैलेट को देखता था, तो वह दो प्रकार के कैंसर के बीच 0.66 के AUC के साथ अंतर कर सका। यह सुझाव देता है कि विभिन्न ग्रेड के कैंसर अक्सर थोड़े अलग स्टेनिंग पैटर्न के साथ आते हैं, जो संभवतः विभिन्न अस्पतालों में ऊतकों के प्रसंस्करण के कारण होते हैं। हालांकि मुख्य मॉडल इस रंग-मात्र प्रणाली की तुलना में बेहतर प्रदर्शन करते थे, लेकिन उनके बीच का अंतर उम्मीद से कम था, जो दर्शाता है कि कंप्यूटर शुद्ध जैविक संरचना के बजाय इन रंग संकेतों पर भी निर्भर कर रहे थे।
अध्ययन ने यह भी रेखांकित किया कि दुर्लभ मामलों की संख्या बहुत कम होने पर कार्य कितना कठिन हो जाता है। केवल 42 धीमे बढ़ने वाले कैंसर के उदाहरणों के साथ, परीक्षण के लिए उपयोग किए गए विशिष्ट उदाहरणों के आधार पर परिणाम भिन्न होते रहे। शोधकर्ताओं ने अपने निष्कर्षों को स्थिर सुनिश्चित करने के लिए विभिन्न यादृच्छिक (रैंडम) शुरुआती बिंदुओं के साथ अपने प्रयोग कई बार चलाए। उन्होंने पाया कि जबकि प्री-ट्रेंड मॉडल लगातार सबसे विश्वसनीय था, अन्य मॉडलों के बीच का अंतर अक्सर इतना कम था कि निश्चित होना कठिन था। एक छोटा, सरल कंप्यूटर प्रोग्राम, प्रशिक्षण की यादृच्छिकता को ध्यान में रखने के बाद, बड़े और जटिल प्रोग्रामों जितना अच्छा प्रदर्शन नहीं कर सका, जो यह सुझाव देता है कि इस विशिष्ट चिकित्सा समस्या के लिए, एक विशाल नेटवर्क की आवश्यकता नहीं है, बल्कि एक संकुचित (कॉम्पैक्ट) नेटवर्क पर्याप्त नहीं है।
अंततः, यह कार्य चिकित्सा आर्टिफिशियल इंटेलिजेंस के क्षेत्र के लिए एक वास्तविकता की जाँच (रियलिटी चेक) के रूप में कार्य करता है। यह प्रदर्शित करता है कि जब परीक्षण सही ढंग से किया जाता है, बिना कंप्यूटर को स्लाइड-स्तरीय जानकारी का उपयोग करने की अनुमति दिए, तो इन उपकरणों का प्रदर्शन अच्छा है लेकिन चमत्कारिक नहीं है। अध्ययन निष्कर्ष निकालता है कि वर्तमान में सबसे प्रभावी दृष्टिकोण वह है जिसमें एक ऐसा मॉडल उपयोग किया जाए जिसने सामान्य छवियों से सीखा हो और ऐसे अत्यधिक जटिल डिजाइनों से बचा जाए जो कोई मूल्य नहीं जोड़ते हैं। यह यह भी बताता है कि इन कैंसरों के बीच अंतर करने की वर्तमान कठिनाई वास्तविक है और दुर्लभ मामलों की सीमित संख्या के कारण सर्वोत्तम तरीके के बारे में निश्चित निष्कर्ष निकालना कठिन है। आगे का रास्ता न केवल बेहतर एल्गोरिदम की मांग करता है, बल्कि अधिक डेटा और निरंतर कठोर परीक्षण की भी आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि इन उपकरणों पर नैदानिक सेटिंग में भरोसा किया जा सके।
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।