Predicting Visual Acuity from Fundus Photographs Using a Domain-Pretrained Vision Transformer: Anatomical Alignment of Attention Patterns
यह अध्ययन प्रदर्शित करता है कि 21,000 से अधिक फंडस फोटोग्राफ्स पर फाइन-ट्यून किया गया एक डोमेन-प्रीट्रेंड विजन ट्रांसफार्मर (RETFound), चार-वर्ग दृश्य तीक्ष्णता (विजुअल एक्युटी) की भविष्यवाणी करने में पर्याप्त सहमति प्राप्त करता है और साथ ही शारीरिक रूप से व्यवस्थित अटेंशन पैटर्न विकसित करता है—जो कम दृष्टि वाले नेत्रों में रेटिनल वाहिकाओं से सामान्य दृष्टि वाले नेत्रों में मैकुला की ओर स्थानांतरित होता है—जो वर्गीकरण की शुद्धता के साथ सह-संबंध रखते हैं और अनिश्चित भविष्यवाणियों के लिए व्याख्यात्मकता प्रदान करते हैं।
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 केवल किसी की आँख के पिछले हिस्से की एक रंगीन तस्वीर देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि वह कितनी अच्छी तरह देख सकता है। यह ऑफ्थैल्मिक एआई (ophthalmic AI) की दुनिया है, जहाँ कंप्यूटर को रेटिना की तस्वीरों को पढ़कर विजुअल एक्युइटी (visual acuity) यानी दृष्टि की तीक्ष्णता का पूर्वानुमान लगाने के लिए प्रशिक्षित किया जाता है। आमतौर पर, अपनी दृष्टि की जाँच करने के लिए आपको डॉक्टर के क्लिनिक में बैठना पड़ता है, चार्ट को घूरना पड़ता है और ज़ोर से अक्षर पढ़ने पड़ते हैं। लेकिन क्या होगा अगर एक कंप्यूटर आपकी आँख की फोटो देखकर कह सके, "आह, आपकी दृष्टि एकदम सटीक है," या "आपको चश्मे की ज़रूरत हो सकती है," और वह भी बिना आपके एक शब्द बोले?
इसे करने के लिए, वैज्ञानिक विज़न ट्रांसफॉर्मर्स (Vision Transformers) का उपयोग करते हैं। इन्हें 'सुपर-स्मार्ट डिजिटल जासूस' के रूप में सोचें। पुराने कंप्यूटर मॉडल जो केवल एक कैमरे की तरह फोटो का एक स्नैपशॉट लेते हैं, उनके विपरीत, एक विज़न ट्रांसफार्मर इस तस्वीर को छोटे-छोटे पहेली के टुकड़ों में तोड़ देता है और पूछता है, "यह टुकड़ा उस दूसरे टुकड़े से कैसे संबंधित है?" यह विशिष्ट विवरणों पर ध्यान देना सीखता है, जैसे कि एक जासूस उंगलियों के निशान या कीचड़ वाले जूते के निशान पर ध्यान केंद्रित करता है। बड़ा सवाल यह है जिसे यह शोध पत्र हल करता है: क्या एक कंप्यूटर इन आँखों के मानचित्रों को देखकर दृष्टि की गुणवत्ता का अनुमान लगा सकता है, और अधिक महत्वपूर्ण बात यह है कि क्या हम इस पर भरोसा कर सकते हैं कि कंप्यूटर कहाँ देख रहा है? यदि कंप्यूटर कहता है कि आपकी दृष्टि खराब है, तो क्या वह वास्तव में आपकी आँख के क्षतिग्रस्त हिस्सों को देख रहा है, या वह केवल रैंडम शोर (noise) के आधार पर अनुमान लगा रहा है?
जासूस का नया चश्मा
इस अध्ययन में, शोधकर्ताओं की एक टीम ने अपने डिजिटल जासूस को RETFound नामक विशेष "चश्मे" दिए। कल्पना कीजिए कि आपके पास एक जासूस है जिसने लाखों अपराध स्थल की तस्वीरों का अध्ययन किया है। वे जानते हैं कि उंगलियों का निशान कैसा दिखता है, खून के छींटे कैसे होते हैं, और सुराग आमतौर पर कहाँ छिपे होते हैं। RETFound वही है: एक विशाल एआई मॉडल जिसने पहले ही 1.6 मिलियन अनलेबल (unlabeled) आँख की तस्वीरों को "पढ़" लिया है। इससे पहले कि वह विजुअल एक्युइटी की विशिष्ट पहेली को सुलझाने की कोशिश करे, यह पहले से ही रेटिना की सूक्ष्म वाहिकाओं (vessels) और बनावट को पहचानने में विशेषज्ञ बन चुका है।
शोधकर्ताओं ने इस विशेषज्ञ जासूस को एक विशिष्ट रहस्य को सुलझाने के लिए तैयार (fine-tune) किया: आँख की तस्वीरों को चार दृष्टि श्रेणियों में वर्गीकृत करना।
- C0: पूर्ण या कार्यात्मक अंधापन।
- C1: गंभीर अक्षमता (बहुत धुंधला)।
- C2: मध्यम से हल्की अक्षमता।
- C3: सामान्य, स्पष्ट दृष्टि।
उन्होंने इसका परीक्षण 21,602 तस्वीरों और 3,654 रोगियों पर किया। यह सुनिश्चित करने के लिए कि जासूस उत्तर रटकर नकल न कर ले, उन्होंने डेटा को बहुत सख्ती से विभाजित किया: इसे रोगी के आधार पर बांटा गया, न कि फोटो के आधार पर। इसका मतलब है कि यदि किसी रोगी की पाँच तस्वीरें थीं, तो वे पाँचों या तो प्रशिक्षण समूह (training group) में गईं या परीक्षण समूह (test group) में, कभी दोनों में नहीं। यह ऐसा है जैसे यह सुनिश्चित करना कि परीक्षा देने वाला छात्र एक ही प्रश्न को अलग रूपों में दोबारा न देख सके।
परिणाम: एक "ठोस" सफलता
परिणाम उत्साहजनक थे। RETFound जासूस 55.6% बार सही उत्तर देता है। हालांकि यह सुनने में एकदम सटीक स्कोर नहीं लग सकता है, लेकिन मेडिकल एआई की दुनिया में यह एक बड़ी बात है। अधिक महत्वपूर्ण बात यह है कि जब इसने गलती की, तो वह आमतौर पर एक छोटी सी गलती थी। इसके 89.6% एरर (errors) सही उत्तर से केवल एक कदम दूर थे (जैसे "मध्यम" के बजाय "गंभीर अक्षमता" का अनुमान लगाना)। इसने कभी भी बहुत बड़े गलत अनुमान नहीं लगाए, जैसे कि एक सामान्य आँख को "अंधा" घोषित करना।
इस शोध पत्र ने RETFound की तुलना दो अन्य जासूसों से भी की: DINOv2 (एक सामान्य उद्देश्य वाला एआई जिसने विशेष रूप से आँख की तस्वीरों का अध्ययन नहीं किया है) और EfficientNet (कंप्यूटर विजन का एक पुराना प्रकार)। RETFound ने दोनों को काफी बड़े अंतर से पीछे छोड़ दिया। शोधकर्ताओं ने क्वाड्रेटिक वेटेड कप्पा (Quadratic Weighted Kappa) नामक एक स्कोर की गणना की, जो यह मापता है कि भविष्यवाणियाँ वास्तविक क्रम के साथ कितनी मेल खाती हैं। RETFound का स्कोर 0.612 था, जिसे विशेषज्ञ "ठोस सहमति" (substantial agreement) कहते हैं।
"आप कहाँ देख रहे हैं?" का रहस्य
इस शोध पत्र का सबसे रोमांचक हिस्सा केवल यह नहीं है कि कंप्यूटर ने सही उत्तर प्राप्त किया, बल्कि यह है कि उसने उत्तर पाने के लिए आँख को कैसे देखा। शोधकर्ताओं ने अटेंशन रोलआउट (Attention Rollout) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि कंप्यूटर आँख की फोटो पर एक स्पॉटलाइट (स्पॉटलाइट) डाल रहा है। यह तकनीक शोधकर्ताओं को यह देखने की अनुमति देती है कि स्पॉटलाइट वास्तव में कहाँ केंद्रित है।
उन्होंने एक सुंदर पैटर्न पाया जो मानव डॉक्टरों द्वारा दशकों से ज्ञात तथ्यों से मेल खाता है:
- खराब दृष्टि वाली आँखों के लिए (C0): कंप्यूटर की स्पॉटलाइट आँख के किनारों के आसपास की रक्त वाहिकाओं (blood vessels) पर भारी रूप से केंद्रित थी। यह तर्कसंगत है क्योंकि गंभीर दृष्टि हानि अक्सर क्षतिग्रस्त या रिसने वाली रक्त वाहिकाओं के कारण होती है। कंप्यूटर ने मानचित्र के "अव्यवस्थित" हिस्सों को देखना सीख लिया।
- बेहतरीन दृष्टि वाली आँखों के लिए (C3): स्पॉटलाइट आँख के बिल्कुल केंद्र (मैकुला) की ओर चली गई। यह आँख का वह हिस्सा है जो स्पष्ट, केंद्रीय दृष्टि के लिए जिम्मेदार है। कंप्यूटर ने किनारों को अनदेखा करना और केंद्र पर ध्यान केंद्रित करना सीख लिया।
यह एक ऐसे जासूस की तरह है जो जानता है कि यदि घर में आग लगी है, तो उसे धुएं और लपटों को देखना चाहिए (वाहिकाएं), लेकिन यदि घर बिल्कुल ठीक है, तो उसे पुष्टि करने के लिए सामने के दरवाजे और खिड़कियों (मैकुला) को देखना चाहिए।
"मुझ पर विश्वास करो" परीक्षण
यहाँ एक चतुर मोड़ है: शोधकर्ता यह जानना चाहते थे कि क्या यह "स्पॉटलाइट" व्यवहार केवल एक भाग्यशाली दुर्घटना थी या इसका वास्तव में मतलब था कि कंप्यूटर सही सोच रहा था। उन्होंने उन तस्वीरों की तुलना की जिन्हें कंप्यूटर ने सही पहचाना बनाम जिन्हें उसने गलत पहचाना।
- जब कंप्यूटर सही था: स्पॉटलाइट का व्यवहार एकदम सटीक था। यदि इसने "अंधा" होने का अनुमान लगाया, तो रोशनी वाहिकाओं पर थी। यदि इसने "सामान्य" होने का अनुमान लगाया, तो रोशनी केंद्र पर थी। स्पॉटलाइट और उत्तर के बीच संबंध बहुत मजबूत था।
- जब कंप्यूटर गलत था: स्पॉटलाइट भ्रमित थी। यह इधर-उधर भटक रही थी, यादृच्छिक (random) जगहों पर देख रही थी। जहाँ कंप्यूटर देख रहा था और जो उसने अनुमान लगाया, उसके बीच का संबंध कमजोर था।
यह सुझाव देता है कि कंप्यूटर का "ध्यान" (attention) एक विश्वसनीय संकेत है। यदि कंप्यूटर सही जगह देख रहा है, तो वह शायद सही है। यदि वह एक साथ हर जगह देख रहा है, तो आपको संदेह करना चाहिए।
"धुंधला मध्य" की समस्या
अध्ययन में एक कठिन क्षेत्र भी पाया गया। कंप्यूटर को C1 श्रेणी (गंभीर अक्षमता, लेकिन पूर्ण अंधापन नहीं) के साथ सबसे अधिक संघर्ष करना पड़ा। इसने अक्सर इन आँखों को "मध्यम" श्रेणी के साथ भ्रमित किया। शोधकर्ता सुझाव देते हैं कि यह इसलिए नहीं है कि कंप्यूटर कम बुद्धिमान है, बल्कि इसलिए है क्योंकि इस विशिष्ट स्तर की दृष्टि के लिए आँख की तस्वीरें स्वाभाविक रूप से अस्पष्ट (ambiguous) होती हैं। यह एक थोड़े धुंधले दिन और बहुत बादल वाले दिन के बीच अंतर करने की कोशिश करने जैसा है; कभी-कभी, तस्वीर में 100% निश्चित होने के लिए पर्याप्त स्पष्ट सुराग नहीं होते हैं।
इसका क्या अर्थ है
यह शोध पत्र यह दावा नहीं करता है कि इसने दृष्टि हानि को हल कर लिया है या डॉक्टरों की जगह ले ली है। इसके बजाय, यह दिखाता है कि हम ऐसा एआई बना सकते हैं जो केवल अनुमान नहीं लगाता, बल्कि वास्तव में आँख को वैसे ही "देखता" है जैसे एक मानव डॉक्टर देखता है। यह रक्त वाहिकाओं के लिए खराब आँखों और अच्छे नेत्रों के लिए केंद्र पर ध्यान केंद्रित करना सीखता है।
लेखक सुझाव देते हैं कि भविष्य में, हम इस "स्पॉटलाइट" व्यवहार का उपयोग एक चेतावनी प्रणाली के रूप में कर सकते हैं। यदि कोई एआई भविष्यवाणी करता है लेकिन उसकी स्पॉटलाइट हर जगह बिखरी हुई है, तो डॉक्टर उस मामले को मानवीय जांच के लिए चिह्नित कर सकते हैं। यह एआई को एक 'ब्लैक बॉक्स' से बदलकर एक ऐसे साथी में बदल देता है जो आपको न केवल यह बताता है कि वह क्या सोच रहा है, बल्कि यह भी कि वह क्यों सोच रहा है, और आपको उस अनुमान पर कितना भरोसा करना चाहिए।
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।