Convolutional Neural Network-Based Model to Differentiate Distal Ureteral Stones, Vascular Calcification, and Normal Cases
इस अध्ययन ने एक नॉन-कॉन्ट्रास्ट सीटी छवियों पर प्रशिक्षित एक कनवल्शनल न्यूरल नेटवर्क मॉडल विकसित और मूल्यांकित किया, जिसने रेडियोलॉजिस्टों को नैदानिक निर्णय लेने में सहायता करने के लिए डिस्टल यूरेटेरल स्टोन्स (distal ureteral stones), संवहनी कैल्सीफिकेशन (vascular calcifications) और सामान्य मामलों के बीच अंतर करने में उच्च सटीकता (94.6%) और उत्कृष्ट विभेदात्मक प्रदर्शन प्राप्त किया।
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 मानव शरीर के भीतर एक रहस्य को सुलझाने की कोशिश कर रहे हैं। अपराध स्थल निचला पेट है, और अपराधी एक छोटा, कठोर उभार है जो शायद दर्द का कारण बन रहा है। चिकित्सा की दुनिया में, डॉक्टर इस क्षेत्र की तस्वीर लेने के लिए एक विशेष प्रकार के एक्स-रे का उपयोग करते हैं जिसे सीटी स्कैन (CT scan) कहा जाता है। लेकिन पेचीदा हिस्सा यह है कि शरीर एक भीड़भाड़ वाला मोहल्ला है। मूत्र ले जाने वाली नली (यूरेटर) रक्त वाहिकाओं के बिल्कुल बगल में चलती है। कभी-कभी, एक कठोर पथरी नली में फंस जाती है, लेकिन अन्य बार, एक रक्त वाहिका थोड़ी सख्त और ऊबड़-खाबड़ (कैल्सीफाइड) हो जाती है या उसके अंदर एक छोटा सा कंकड़ (फ्लेबोलिथ) होता है। नग्न आंखों से एक सपाट, ब्लैक-एंड-व्हाइट तस्वीर को देखते हुए, इन तीनों चीजों को—पथरी, रक्त वाहिका के उभार और सामान्य ऊतक को—लगभग एक जैसा ही दिख सकता है। यह एक धुंधली फोटो को देखकर एक असली सेब, एक मोम के सेब और एक लाल गेंद के बीच अंतर करने की कोशिश करने जैसा है।
लंबे समय से, डॉक्टरों को सूक्ष्म सुरागों जैसे कि नरम ऊतक के "हेलो" (आभामंडल) या प्रकाश की एक "कॉमेट टेल" (धूमकेतु जैसी पूंछ) को देखकर यह समझने के लिए अपनी आँखें सिकोड़ना और अनुमान लगाना पड़ता था कि वे क्या देख रहे हैं। लेकिन कभी-कभी, सबसे अच्छे जासूस भी भ्रमित हो जाते हैं। यहीं पर एक नया सहायक प्रवेश करता है: एक कंप्यूटर मस्तिष्क जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' (CNN) कहा जाता है। एक CNN को एक अत्यंत चौकस छात्र के रूप में समझें जिसने लाखों तस्वीरों का अध्ययन किया है। पूरी छवि को देखने के बजाय, यह छात्र सूक्ष्म पैटर्न, बनावट और आकृतियों को पहचानने में माहिर है जिन्हें इंसान शायद मिस कर दें। बड़ा सवाल यह है कि क्या हम इस कंप्यूटर छात्र को मानव जासूसों से बेहतर जासूस बनने के लिए सिखा सकते हैं, विशेष रूप से एक दर्दनाक यूरेरल स्टोन (मूत्र नली की पथरी) और पेल्विस में एक हानिरहित रक्त वाहिका के उभार के बीच अंतर करने में?
यह शोध पत्र एक ऐसी टीम के काम के बारे में बताता है जिन्होंने ठीक इसी तरह का कंप्यूटर जासूस बनाने और परीक्षण करने का निर्णय लिया। उन्होंने उन रोगियों के सीटी स्कैन चित्रों का एक विशाल संग्रह इकट्ठा किया जिन्हें किडनी स्टोन के संदेह में यूरोलॉजी केंद्र भेजा गया था। यह सुनिश्चित करने के लिए कि कंप्यूटर सही सबक सीखे, मानव विशेषज्ञों—एक दशक से अधिक अनुभव वाले रेडियोलॉजिस्ट—ने पहले हर एक तस्वीर को देखा और उन्हें लेबल किया। उन्होंने छवियों को चार अलग-अलग समूहों में वर्गीकृत किया: 1) यूरेरल स्टोन का एक स्पष्ट मामला, 2) वैस्कुलर कैल्सीफिकेशन (एक सख्त रक्त वाहिका) का मामला, 3) एक पेचीदा मामला जहाँ एक पथरी और एक सख्त वाहिका बिल्कुल पास-पास थे, और 4) एक पूरी तरह से सामान्य मामला जिसमें कोई कठोर उभार नहीं था।
इसके बाद शोधकर्ताओं ने इन लेबल की गई तस्वीरों को अपने कंप्यूटर मॉडल में डाला, जिसे 'रेज़नेट101' (ResNet101) नामक एक प्रसिद्ध आर्किटेक्चर का उपयोग करके बनाया गया था। इस मॉडल को एक गहरे, बहु-परतीय सुरंग के रूप में समझें जहाँ से छवि कई फिल्टरों से गुजरती है, और हर कदम पर अधिक स्मार्ट होती जाती है। यह सुनिश्चित करने के लिए कि कंप्यूटर केवल उत्तरों को रट नहीं रहा है बल्कि वास्तव में नियमों को सीख रहा है, टीम ने "फाइव-फोल्ड क्रॉस-वैलिडेशन" नामक एक चतुर प्रशिक्षण तकनीक का उपयोग किया। यह छात्रों की एक कक्षा लेने, उन्हें पांच समूहों में विभाजित करने और चार समूहों को अध्ययन करने देने और पांचवें को टेस्ट देने जैसा है, फिर इसे घुमाते रहना ताकि हर किसी को अध्ययन और टेस्ट करने का मौका मिले। उन्हें डेक को संतुलित भी करना था, यह सुनिश्चित करना था कि कंप्यूटर प्रत्येक चार प्रकार के मामलों के लिए समान संख्या में उदाहरण देखे, ताकि वह सबसे आम मामले की ओर पक्षपाती न हो जाए।
डिजिटल जासूसी के ये परिणाम काफी प्रभावशाली थे। कंप्यूटर मॉडल ने टेस्ट इमेज में कैल्सीफिकेशन के प्रकार को 94.6% की समग्र सटीकता के साथ सही ढंग से पहचाना। जब शोधकर्ताओं ने गहराई से देखा कि इसने प्रत्येक विशिष्ट समूह के लिए कैसा प्रदर्शन किया, तो संख्याएं अभी भी बहुत अधिक थीं: यह 93.2% संवेदनशील (सेंसिटिव) था (यानी इसने पथरी को शायद ही कभी छोड़ा) और 95.1% विशिष्ट (स्पेसिफिक) था (यानी इसने पथरी के रूप में एक हानिरहित उभार को शायद ही कभी गलत समझा)। मॉडल की विभिन्न श्रेणियों के बीच अंतर करने की क्षमता को 'एरिया अंडर द कर्व' (AUC) नामक एक स्कोर द्वारा मापा गया था, जहाँ एक पूर्ण स्कोर 1.0 होता है। मॉडल ने पत्थरों के लिए 0.97, वैस्कुलर कैल्सीफिकेशन के लिए 0.95, मिश्रित मामलों के लिए 0.94 और सामान्य मामलों के लिए 0.96 का स्कोर प्राप्त किया। ये संख्याएं बताती हैं कि मॉडल अंतर करने में उत्कृष्ट है।
हालाँकि, यह शोध पत्र यह दावा करने में सावधान है कि कंप्यूटर ने इस रहस्य को हमेशा के लिए सुलझा लिया है। लेखक बताते हैं कि हालांकि मॉडल ने उनके अध्ययन में सात रेडियोलॉजिस्ट के औसत से बेहतर प्रदर्शन किया, लेकिन न तो कंप्यूटर और न ही मनुष्यों को 100% का पूर्ण स्कोर मिला। इसका मतलब है कि इस शक्तिशाली नए उपकरण के साथ भी, डॉक्टरों को निश्चित होने के लिए पूरी तस्वीर को देखने और रोगी के अन्य लक्षणों पर विचार करने की आवश्यकता है। अध्ययन यह भी नोट करता है कि यह पुराने डेटा का एक "रिट्रोस्पेक्टिव" (पूर्वव्यापी) अवलोकन था, जिसका अर्थ है कि कंप्यूटर का परीक्षण पुरानी तस्वीरों पर किया गया था, अभी तक वास्तविक समय के रोगियों पर नहीं। शोधकर्ताओं का सुझाव है कि हालांकि यह CNN-आधारित दृष्टिकोण एक शक्तिशाली नया सहायक है जो डॉक्टर के आत्मविश्वास को बढ़ा सकता है, लेकिन यह एक जादू की छड़ी नहीं है जो मानवीय निर्णय और नैदानिक संदर्भ की आवश्यकता को प्रतिस्थापित कर सके। वे कहते हैं कि भविष्य में, इस इमेज-स्मार्ट कंप्यूटर को रक्त परीक्षण जैसे अन्य डेटा के साथ जोड़ने में शामिल किया जा सकता है ताकि निदान को और भी सटीक बनाया 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।