Multimodal B-Mode and Contrast-Enhanced Ultrasound Radiomics With Two-Stage Supervised Contrastive Representation Learning for Differentiating Benign and Malignant Breast Lesions
यह अध्ययन प्रदर्शित करता है कि एक मल्टीमॉडल रेडियोमिक्स-आधारित टू-स्टेज सुपरवाइज्ड कॉन्ट्रास्टिव रिप्रेजेंटेशन लर्निंग मॉडल (Radiomics-TSMCR), जो बी-मोड और कंट्रास्ट-एन्हांस्ड अल्ट्रासाउंड फीचर्स को एकीकृत करता है, पारंपरिक रेडियोमिक्स और फ्यूजन विधियों की तुलना में सौम्य (benign) से घातक (malignant) स्तन घावों के बीच अंतर करने में बेहतर नैदानिक प्रदर्शन प्राप्त करता है, जबकि यह डीप लर्निंग दृष्टिकोणों के तुलनीय प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (https://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
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या स्तन में मौजूद यह गांठ एक हानिरहित "अच्छे आदमी" (benign) की है या एक चालाक "बुरे आदमी" (malignant) की? लंबे समय से, डॉक्टर एक मानक टॉर्च का उपयोग करते आए हैं जिसे B-मोड अल्ट्रासाउंड (BUS) कहा जाता है। यह गांठ के आकार, किनारों और बनावट के ब्लैक-एंड-व्हाइट स्केच (रेखाचित्र) को देखने जैसा है। यह बेहतरीन है, लेकिन कभी-कभी स्केच धुंधला होता है, और जासूस को 100% यकीन नहीं हो पाता।
फिर, एक दूसरा उपकरण आता है जिसे कॉन्ट्रास्ट-एनहांस्ड अल्ट्रासाउंड (CEUS) कहा जाता है। इसे एक विशेष, चमकते हुए डाई (dye) को इंजेक्ट करने के रूप में समझें जो गांठ के अंदर की रक्त वाहिकाओं को चमका देता है। अब, केवल एक स्केच के बजाय, आपको एक मूवी मिलती है जो दिखाती है कि "ब्लड ट्रैफिक" कैसे बह रहा है। यह प्रकट करता है कि क्या गांठ अपनी खुद की अराजक सड़कें (परेशानी का संकेत) बना रही है या प्रवाह शांत और व्यवस्थित है।
बड़ा सवाल यह था: हम इस स्केच और मूवी को बिना किसी विशाल, भ्रमित करने वाले डेटा के ढेर में मिलाए बिना कैसे जोड़ सकते हैं?
नया डिटेक्टिव टीम: Radiomics-TSMCR
शिहेज़ी यूनिवर्सिटी के शोधकर्ताओं के एक दल ने एक सुपर-स्मार्ट AI जासूस बनाने का फैसला किया जिसका नाम Radiomics-TSMCR है। केवल स्केच और मूवी को आपस में चिपकाने के बजाय, उन्होंने AI को एक विशेष दो-चरणीय नृत्य (two-step dance) सिखाया:
- पहला चरण (सोलो एक्ट): AI, BUS स्केच और CEUS मूवी को अलग-अलग देखता है। यह स्केच की अनूठी "व्यक्तित्व" (आकार, किनारे) और मूवी की अनूठी "व्यक्तित्व" (डाई कैसे चलती है) को सीखता है।
- दूसरा चरण (ग्रुप हडल): इसके बाद AI इन दोनों व्यक्तित्वों को एक साथ लाता है। लेकिन यहाँ एक जादू का नुस्खा है: यह एक "कॉन्ट्रास्टिव" (contrastive) विधि का उपयोग करता है। कल्पना करें कि AI फोटो को दो डिब्बों में छाँट रहा है: "अच्छे लोग" और "बुरे लोग"। यह स्केच और उसी अच्छे आदमी की मूवी को एक-दूसरे के बहुत समान दिखने के लिए मजबूर करता है, जबकि यह सुनिश्चित करता है कि वे बुरे लोगों से बिल्कुल अलग दिखें। यह हर मामले के लिए ऐसा करता है, यह सीखते हुए कि आकार और रक्त प्रवाह कैसे सहमत या असहमत होते हैं।
बड़ा मुकाबला
शोधकर्ताओं ने एक परीक्षण में इस नए AI का छह अन्य जासूसों के खिलाफ परीक्षण किया, जिसमें 486 महिलाओं के पुष्टि किए गए स्तन के गांठों को शामिल किया गया।
- पुराना गार्ड: मानक AI जो केवल स्केच (BUS) को देखता है, केवल मूवी (CEUS) को देखता है, या दोनों का एक साधारण मिश्रण देखता है।
- न्यूरल नेटवर्क: एक अलग प्रकार का AI जो केवल संयुक्त डेटा को घूरकर सीखने की कोशिश करता है।
- इमेज-डीप-लर्नर: एक अत्यंत जटिल AI जो सीधे कच्ची तस्वीरों (ResNet18-TSMCR) से सीखने की कोशिश करता है।
परिणाम:
नया Radiomics-TSMCR जासूस शो का स्टार था। आंतरिक परीक्षण समूह में, इसने एक स्कोर (जिसे AUC कहा जाता है) 0.896 प्राप्त किया।
- इसने साधारण मिक्स-एंड-मैच AI (जिसने 0.825 स्कोर किया) को पछाड़ दिया।
- इसने सरल न्यूरल नेटवर्क (जिसने 0.863 स्कोर किया) को पीछे छोड़ दिया।
- इसका प्रदर्शन सुपर-कॉम्प्लेक्स इमेज-डीप-लर्नर (जिसने 0.892 स्कोर किया) के बराबर ही रहा।
पेपर सुझाव देता है कि यह दो-चरणीय नृत्य दो प्रकार के अल्ट्रासाउंड डेटा को संयोजित करने का एक बहुत प्रभावी तरीका है। इसने केवल सब कुछ ब्लेंडर में नहीं डाला; इसने प्रत्येक मोडैलिटी की अनूठी जानकारी का सम्मान किया।
AI ने वास्तव में क्या "देखा"
यह सुनिश्चित करने के लिए कि AI केवल अनुमान नहीं लगा रहा है, शोधकर्ताओं ने SHAP नामक एक टूल का उपयोग किया (जो एक स्पॉटलाइट की तरह है जो दिखाता है कि कौन से सुराग सबसे अधिक महत्वपूर्ण थे)।
- स्पॉटलाइट ने दिखाया कि AI ने अपनी मस्तिष्क शक्ति का 54.95% BUS स्केच फीचर्स पर और 45.05% CEUS मूवी फीचर्स पर लगाया।
- यह पेपर के विचार को सिद्ध करता है: आकार और रक्त प्रवाह दोनों आवश्यक, पूरक सुराग हैं। AI ने एक के लिए दूसरे को नजरअंदाज नहीं किया। दोनों का महत्व बना रहा।
"लेकिन..." (वास्तविकता बनाए रखना)
भले ही यह AI अच्छे और बुरे गांठों के बीच अंतर करने में उत्कृष्ट है, पेपर कुछ बातें बताता है जिन पर हमें सावधान रहने की आवश्यकता है:
- यह एक रिस्क स्कोर है, क्रिस्टल बॉल नहीं: AI गांठों को "संभावित अच्छी" से "संभावित बुरी" के रूप में रैंक करने में उत्कृष्ट है। हालाँकि, जो नंबर यह देता है, वे अभी भी पूरी तरह से कैलिब्रेटेड प्रोबेबिलिटी (संभावना) नहीं हैं। यदि यह कहता है कि कैंसर की 70% संभावना है, तो इसका मतलब यह नहीं है कि वास्तविक दुनिया में यह बिल्कुल 70% है। शोधकर्ताओं ने गणितीय ट्रिक्स (Platt scaling और isotonic regression) के साथ इसे ठीक करने की कोशिश की, लेकिन नंबर अभी भी वास्तविकता के साथ पूरी तरह मेल नहीं खाते। इसलिए, फिलहाल, इसे एक "रिस्क रैंकिंग" टूल के रूप में उपयोग करना सबसे अच्छा है, न कि अंतिम निर्णय के रूप में।
- "एक स्कूल" की समस्या: यह अध्ययन केवल एक अस्पताल के डेटा (एक सिंगल-सेंटर स्टडी) पर आधारित था। पेपर स्पष्ट रूप से नोट करता है कि हमें अभी तक यह नहीं पता है कि क्या यह AI अन्य अस्पतालों में अलग मशीनों या अलग रोगियों के साथ भी उतना ही अच्छा काम करेगा। इसे वास्तविक दुनिया में, इस एक स्थान के बाहर, परीक्षण करने की आवश्यकता है।
- मानवीय हाथ: शोधकर्ताओं को छवियों पर गांठों की रूपरेखा (outlines) को मैन्युअल रूप से खींचना पड़ा था। हालांकि उन्होंने यह जांचा कि विभिन्न डॉक्टरों ने उन्हें समान रूप से खींचा, फिर भी यह प्रक्रिया मानवीय आंखों पर निर्भर थी।
निचोड़
यह अध्ययन सुझाव देता है कि AI को दो अलग-अलग अल्ट्रासाउंड दृश्यों (स्केच और मूवी) के बीच "नृत्य" करना सिखाना, डेटा को बस मिलाने की तुलना में स्तन की गांठों का निदान करने का एक स्मार्ट तरीका है। Radiomics-TSMCR मॉडल ने दिखाया कि यह पुराने तरीकों से बेहतर और सबसे जटिल इमेज-आधारित AI के बराबर काम कर सकता है।
हालाँकि, पेपर यह दावा नहीं करता है कि यह एक हल की गई समस्या है या कोई जादुई इलाज है। यह एक आशाजनक नया उपकरण है जिसे अलग-अलग अस्पतालों में अधिक परीक्षण और डॉक्टर को कैंसर की सटीक प्रतिशत संभावना बताने से पहले बेहतर कैलिब्रेशन की आवश्यकता है। यह एक बहुत ही मजबूत संकेत है कि इन दो प्रकार के अल्ट्रासाउंड दृश्यों को संयोजित करना ही भविष्य का रास्ता है, लेकिन यात्रा अभी पूरी नहीं हुई 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।