A foundation-model-powered AI system with post-read alerts and concurrent assistance improves gastric biopsy diagnosis across 29 pathological categories
यह अध्ययन एक डेटा-कुशल, फाउंडेशन-मॉडल-संचालित एआई प्रणाली प्रस्तुत करता है जो 29 गैस्ट्रिक बायोप्सी श्रेणियों को वर्गीकृत करने में सक्षम है, जो कि समवर्ती सहायता और पोस्ट-रीड अलर्ट प्रतिमानों के माध्यम से तैनात किए जाने पर, घातक अवस्था (मैलिग्नेंसी) और मेटाप्लासिया के लिए नैदानिक संवेदनशीलता में महत्वपूर्ण सुधार करती है और नियमित अभ्यास में छूटे हुए मामलों की पहचान करती 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 एक पैथोलॉजिस्ट (रोगविज्ञानी) एक नन्हे, रंजित ऊतक (tissue) के टुकड़े के भीतर छिपे रहस्य को सुलझाने की कोशिश करने वाला एक जासूस है। आमतौर पर, उन्हें केवल कुछ सुरागों की तलाश करनी होती है: "क्या यह कैंसर है? क्या यह कैंसर का कोई विशिष्ट प्रकार है?" लेकिन वास्तविक दुनिया में, वह ऊतक एक साथ 29 अलग-अलग रहस्य छिपा सकता है—खतरनाक ट्यूमर और प्री-कैंसरस परिवर्तनों से लेकर अदृश्य बैक्टीरिया और हानिरहित उभारों तक। एक साथ इन सभी को पहचानना ऐसा ही है जैसे किसी जासूस से एक ही घास के ढेर में सुई, खोई हुई बाली, एक मकड़ी और धूल के एक विशिष्ट प्रकार को खोजने के लिए कहना, और वह भी एक 100 पन्नों की रिपोर्ट पढ़ते हुए।
यह शोध पत्र एक नए AI "सुपर-डिटेक्टिव" (सुपर-जासूस) को पेश करता है जो इन सभी 29 सुरागों को एक साथ संभाल सकता है। यह कैसे काम करता है, इसने क्या पाया, और इसे अभी कहाँ अभ्यास की आवश्यकता है, यहाँ बताया गया है।
जादुई याददाश्त वाला सुपर-डिटेक्टिव
अतीत के अधिकांश AI जासूस केवल दो या तीन चीजों को खोजने के लिए प्रशिक्षित किए गए थे। हालाँकि, इस नए सिस्टम को एक "फाउंडेशन मॉडल" का उपयोग करके बनाया गया था। इसे एक ऐसे जासूस के रूप में समझें जिसने मानव शरीर के हर तरह के ऊतक के बारे में लाखों किताबें पहले ही पढ़ ली हैं, इससे पहले कि उसने पेट के बायोप्सी (stomach biopsy) को देखा हो। उन्होंने केवल पेट के स्लाइड्स से नहीं सीखा; उन्होंने शरीर के सभी हिस्सों से 70,618 होल स्लाइड इमेज सीखीं।
क्योंकि इस AI को इतनी बड़ी शुरुआत मिली थी, इसे सब कुछ शुरू से सीखने की आवश्यकता नहीं थी। शोधकर्ताओं को इसे यह सिखाने के लिए कि 29 विशिष्ट श्रेणियों को कैसे पहचाना जाए, केवल 10,462 पेट के बायोप्सी दिखाने की आवश्यकता थी। इससे भी अधिक आश्चर्यजनक बात यह थी कि AI ने बिना किसी के दिखाए कि समस्या कहाँ है (जैसे कि ट्यूमर के चारों ओर लाल घेरा बनाना), खुद ही सटीक स्थान बता दिया। इसने बिना किसी को घेरा खींचकर दिखायाए, केवल अस्पताल के रिकॉर्ड में लिखे अंतिम निदान को देखकर खुद ही स्थान का पता लगा लिया।
दो तरीके जिनसे AI मदद करता है
शोधकर्ताओं ने इस AI का परीक्षण दो बहुत अलग तरीकों से किया, जैसे कि कार में एक नया सुरक्षा फीचर टेस्ट करना।
1. "पोस्ट-रीड" (पढ़ने के बाद का) सुरक्षा जाल
सबसे पहले, उन्होंने AI को एक "पोस्ट-रीड अलर्ट सिस्टम" के रूप में आजमाया। कल्पना कीजिए कि एक शिक्षक एक परीक्षा को ग्रेड कर रहा है और फिर उसे दूसरे, सुपर-फास्ट ग्रेडर को सौंप रहा है जो केवल उन गलतियों को देखता है जिन्हें पहला शिक्षक शायद छोड़ गया हो।
- सिमुलेशन (अनुकरण): शोधकर्ताओं ने चार अलग-अलग अस्पतालों के रिकॉर्ड (जिसमें 4,679 मामले शामिल थे) लिए और डॉक्टरों द्वारा अपना काम पूरा करने के बाद AI को उन पर चलाया।
- परिणाम: AI ने कैंसर के 17 मामलों को खोज निकाला जिन्हें मूल रिकॉर्ड ने या तो मिस कर दिया था या उन्हें कुछ हानिरहित मानकर गलत लेबल कर दिया था। जब एक वरिष्ठ पैथोलॉजिस्ट ने इन विशिष्ट मामलों की समीक्षा की, तो वे सहमत थे: "हाँ, AI सही था, और मूल रिकॉर्ड गलत था।"
- कैच (सीमा): यह एक सिमुलेशन था। AI ने वास्तव में वास्तविक समय में इन त्रुटियों को नहीं रोका; इसने केवल यह दिखाया कि यदि यह वहाँ होता तो क्या होता। लेकिन इसने साबित कर दिया कि AI बाद में गलतियों को पकड़ने के लिए एक शक्तिशाली सुरक्षा जाल के रूप में कार्य कर सकता है।
2. "कन्करेंट" (साथ-साथ चलने वाला) को-पायलट
इसके बाद, उन्होंने इस AI को एक "कन्करेंट असिस्टेंस" सिस्टम के रूप में परखा। यह एक को-पायलट की तरह है जो जासूस के बगल में बैठा है, और सुरागों की ओर इशारा कर रहा है जबकि वे देख रहे होते हैं।
- प्रयोग: छह पैथोलॉजिस्टों ने 120 स्लाइड्स को दो बार देखा। एक बार अपने आप, और एक बार AI की मदद से, जो संदिग्ध क्षेत्रों को विभिन्न रंगों में हाइलाइट कर रहा था (कैंसर के लिए लाल, प्री-कैंसर के लिए पीला, ऊतक परिवर्तनों के लिए हरा, और बैक्टीरिया के लिए नीली रूपरेखा)।
- परिणाम: AI की मदद से, पैथोलॉजिस्ट कैंसर को पहचानने में बेहतर हो गए। उनकी सफलता दर 92.2% से बढ़कर 94.8% हो गई। वे "मेटाप्लासिया" (ऊतक परिवर्तन का एक विशिष्ट प्रकार) को पहचानने में भी बेहतर हुए, जो 94.2% से बढ़कर 97.4% हो गया।
- गति: वे अपना काम थोड़ा तेज़ी से भी पूरा करने लगे, जिससे उनका औसत समय प्रति स्लाइड 43.8 सेकंड से घटकर 41.1 सेकंड हो गया।
- सीमा: इस विशिष्ट परीक्षण में AI ने बैक्टीरिया (H. pylori) को पहचानने में अधिक मदद नहीं की या प्री-कैंसरस "डिस्प्लेसिया" में भी ज्यादा मदद नहीं की। शोध पत्र सुझाव देता है कि ऐसा इसलिए हो सकता है क्योंकि वे सुराग देखना कठिन है या AI के हाइलाइट्स उन विशिष्ट कार्यों के लिए उतने उपयोगी नहीं थे।
"सुपर-लर्नर" बनाम "हार्ड वर्कर"
इस शोध पत्र के सबसे रोमांचक हिस्सों में से एक दो प्रकार की लर्निंग के बीच तुलना है।
- "हार्ड वर्कर" (कठिन परिश्रमी): शून्य से प्रशिक्षित एक मॉडल, जैसे कि एक छात्र जिसे लाइब्रेरी की हर किताब को पहले पन्ने से पढ़ना पड़ता है। भले ही इस मॉडल ने 10,462 स्लाइड्स का अध्ययन किया, फिर भी इसे कुछ कठिन कैंसर खोजने में संघर्ष करना पड़ा।
- "सुपर-लर्नर" (फाउंडेशन मॉडल): इस मॉडल ने, जिसे व्यापक प्री-ट्रेनिंग मिली थी, केवल 400 स्लाइड्स (200 कैंसर, 200 गैर-कैंसर) देखीं।
- चौंकाने वाला तथ्य: केवल 400 स्लाइड्स के साथ "सुपर-लर्नर" ने 10,000 से अधिक स्लाइड्स का अध्ययन करने वाले "हार्ड वर्कर" से बेहतर प्रदर्शन किया। सुपर-लर्नर ने कैंसर खोजने में लगभग पूर्ण स्कोर (0.9906) प्राप्त किया, जो हार्ड वर्कर के सर्वश्रेष्ठ स्कोर (0.9755) से बेहतर था। यह बताता है कि एक व्यापक, पूर्व-मौजूद ज्ञान आधार होना केवल डेटा को रटने की तुलना में कहीं अधिक शक्तिशाली है।
यह शोध पत्र क्या नहीं कहता
यह जानना महत्वपूर्ण है कि इस AI ने अभी तक क्या नहीं किया है।
- यह प्रतिस्थापन नहीं है: शोध पत्र यह नहीं कहता कि AI पैथोलॉजिस्ट की जगह ले सकता है। वास्तव में, AI को उनके साथ काम करने के लिए डिज़ाइन किया गया है, या तो दूसरी जोड़ी आँखों के रूप में या एक सुरक्षा जाल के रूप में।
- यह हर चीज़ के लिए परफेक्ट नहीं है: AI अभी भी ट्यूमर के बहुत दुर्लभ प्रकारों के साथ थोड़ा संघर्ष करता है क्योंकि उन्हें सिखाने के लिए पर्याप्त उदाहरण नहीं थे।
- यह गति के लिए कोई जादुई समाधान नहीं है: हालांकि इसने पैथोलॉजिस्ट को थोड़ा तेज़ बनाया, लेकिन शोध पत्र नोट करता है कि बैक्टीरिया (H. pylori) को खोजना अभी भी एक धीमा, सावधानी भरा काम है जिसके लिए बहुत बारीकी से देखने की आवश्यकता होती है, और AI ने इसे बहुत अधिक तेज़ नहीं किया।
- यह अंतिम निर्णय नहीं है: "पोस्ट-रीड" परिणाम एक सिमुलेशन थे। शोध पत्र का तर्क है कि हमें वास्तविक दुनिया के, प्रोस्पेक्टिव अध्ययनों (जहाँ AI वास्तव में एक अस्पताल में चलते समय उपयोग किया जाता है) की आवश्यकता है ताकि यह साबित हो सके कि यह दैनिक जीवन में काम करता है।
निष्कर्ष
यह शोध पत्र दिखाता है कि एक AI, जो व्यापक, सामान्य ज्ञान की नींव पर बना है, बहुत कम विशिष्ट प्रशिक्षण डेटा का उपयोग करके 29 अलग-अलग पेट की स्थितियों को अविश्वसनीय सटीकता के साथ पहचानने में सक्षम है। यह सुझाव देता है कि इस AI को छूटे हुए एरर को पकड़ने के लिए एक "सुरक्षा जाल" और डॉक्टरों को कैंसर खोजने में मदद करने के लिए एक "को-पायलट" के रूप में उपयोग करना एक आशाजनक मार्ग है। हालाँकि, लेखक सावधानी से नोट करते हैं कि भले ही संख्याएँ सिमुलेशन और नियंत्रित परीक्षणों में बहुत अच्छी दिखती हैं, लेकिन वास्तविक दुनिया का परीक्षण अभी शुरू हुआ है। AI एक शक्तिशाली नया उपकरण है, लेकिन यह अभी भी जासूस के कार्यालय में एक आदर्श साथी बनने का प्रशिक्षण ले रहा 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।