A Neuro-Symbolic Fuzzy Rule-based Approach forMelanoma Classification
यह शोध पत्र एक न्यूरो-सिम्बोलिक फजी नियम-आधारित ढांचे का प्रस्ताव करता है जो केवल इमेज-आधारित डीप लर्निंग दृष्टिकोणों की तुलना में मेलानोमा वर्गीकरण की सटीकता और व्याख्यात्मकता में सुधार करने के लिए डीप लर्निंग-आधारित डर्मोस्कोपिक विशेषता अनुमान को स्वचालित रूप से निकाले गए नैदानिक नियमों के साथ एकीकृत 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, लेकिन किसी अपराध स्थल के बजाय, आप किसी व्यक्ति की त्वचा पर एक बहुत ही छोटे, पेचीदा धब्बे को देख रहे हैं। रहस्य क्या है? क्या यह धब्बा एक हानिरहित तिल है या मेलानोमा नामक एक खतरनाक त्वचा कैंसर? लंबे समय से, डॉक्टर इन जासूसों की भूमिका निभाते आए हैं, वे विशिष्ट सुरागों, जैसे कि अजीब पैटर्न या रंगों को देखने के लिए अपनी आँखों और अनुभव का उपयोग करते हैं। लेकिन हाल ही में, कंप्यूटर भी इस बल में शामिल हो गए हैं। ये "डीप लर्निंग" कंप्यूटर सुपर-फास्ट स्कैनर की तरह हैं जो हजारों तस्वीरों को देख सकते हैं और उन पैटर्नों को पकड़ सकते हैं जिन्हें इंसान शायद मिस कर दें। हालाँकि, इसमें एक पेंच है: ये सुपर-कंप्यूटर अक्सर "ब्लैक बॉक्स" होते हैं। वे एक उत्तर तो देते हैं, लेकिन वे वास्तव में यह स्पष्ट नहीं कर पाते कि उन्हें क्यों लगता है कि यह खतरनाक है। वे बस कहते हैं, "मुझ पर भरोसा करो, यह बुरा है।" यह जोखिम भरा है क्योंकि चिकित्सा के क्षेत्र में, उत्तर जानने के साथ-साथ उसका कारण जानना भी उतना ही महत्वपूर्ण है।
इसे ठीक करने के लिए, वैज्ञानिक कंप्यूटर को मानव डॉक्टरों की तरह सोचने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं, जिसमें "न्यूरो-सिम्बोलिक" तर्क का मिश्रण है। "न्यूरो" को एक कंप्यूटर की तस्वीरों से सीखने की क्षमता के रूप में समझें (जैसे एक छात्र फ्लैशकार्ड का अध्ययन करता है), और "सिम्बोलिक" को स्पष्ट नियमों का पालन करने की क्षमता के रूप में (जैसे एक छात्र टेक्स्टबुक चेकलिस्ट का पालन करता है)। लेकिन त्वचा हमेशा ब्लैक एंड व्हाइट नहीं होती; एक सुराग "कुछ हद तक मौजूद" या "किसी तरह गायब" हो सकता है। यहीं पर "फजी लॉजिक" (fuzzy logic) काम आता है। एक साधारण हाँ-या-ना वाले स्विच के बजाय, फजी लॉजिक एक डिमर स्विच (dimmer switch) का उपयोग करता है, जो एक सुराग को "50% मौजूद" या "80% मौजूद" होने की अनुमति देता है। यह शोध पत्र एक नए प्रकार के जासूस के निर्माण के बारे में है जो एक चित्र-स्कैनिंग कंप्यूटर की सुपर-दृष्टि और एक डॉक्टर के स्पष्ट, व्याख्या योग्य नियमों को जोड़ता है, जिसमें त्वचा कैंसर के निदान के ग्रे एरिया (धुंधले क्षेत्रों) को संभालने के लिए फजी डिमर स्विच का उपयोग किया गया है।
शोधकर्ताओं, मोहम्मद अमीन इब्राहिमी और उम्बर्टो स्ट्रैकिया ने इस हाइब्रिड जासूसी प्रणाली को बनाने का लक्ष्य रखा। उन्होंने दो अलग-अलग त्वचा चित्रों और नोट्स (जिन्हें PH2 और Derm7pt डेटासेट कहा जाता है) के सेट एकत्र करके और उन्हें एक बड़े, सुसंगत पुस्तकालय में मिलाकर शुरुआत की। उन्होंने सुनिश्चित किया कि नोट्स में दिए गए "सुराग"—जैसे कि "पिगमेंट नेटवर्क" या "ब्लू-व्हाइटिश वेल"—दोनों सेटों में एक ही तरह से वर्णित हों। फिर, उन्होंने एक शक्तिशाली कंप्यूटर मॉडल (जिसे EfficientNet-B3 कहा जाता है) को त्वचा के चित्रों को देखने और यह अनुमान लगाने के लिए प्रशिक्षित किया कि प्रत्येक सुराग कितना मजबूत है। केवल "पिगमेंट नेटवर्क: हाँ" कहने के बजाय, कंप्यूटर ने 0 से 1 तक का स्कोर दिया, जो एक डिमर स्विच की तरह है, जो यह दर्शाता है कि वह सुराग कितना दृश्यमान है।
इसके बाद, उन्होंने इन फजी स्कोर को उन नियमों में डाला जिन्हें उन्होंने स्वचालित रूप से डेटा से निकाला था। ये नियम सरल "इफ-देन" (If-Then) कथनों की तरह हैं जिनका उपयोग एक डॉक्टर कर सकता है। उदाहरण के लिए, एक नियम यह हो सकता है: "यदि ब्लू-व्हाइटिश वेल अनुपस्थित है और पिगमेंट नेटवर्क अनुपस्थित है, तो यह संभवतः मेलानोमा नहीं है।" लेकिन क्योंकि सुराग फजी (डिमर स्विच) हैं, इसलिए कंप्यूटर इन स्कोर को संयोजित करने के लिए विशेष गणित (जिसे फजी ऑपरेटर्स कहा जाता है) का उपयोग करता है। उन्होंने इन सुरागों को मिलाने के विभिन्न तरीकों का परीक्षण किया, जैसे कि "हामेचर" (Hamacher) विधि, जो सुरागों के लिए एक स्मूथ मिक्सर की तरह कार्य करती है।
टीम ने पाया कि यह मिला-जुला दृष्टिकोण केवल चित्रों को देखने के अकेले तरीके से बेहतर काम करता है। जब उन्होंने एक "वास्तविक दुनिया" के परिदृश्य में इसका परीक्षण किया जहाँ कंप्यूटर को डॉक्टर के नोट्स की मदद के बिना स्वयं चित्र से सुरागों का अनुमान लगाना था, तो सबसे अच्छा सेटअप एक "लेट फ्यूजन" (late fusion) रणनीति थी। यह दो जासूसों के होने जैसा है: एक जो चित्र को देखता है और दूसरा जो नियम पुस्तिका की जाँच करता है। वे दोनों अपनी राय देते हैं, और फिर एक बॉस उन्हें संयोजित करता है। शोध पत्र में पाया गया कि जब उन्होंने चित्र-आधारित अनुमान को नियम-आधारित अनुमान के साथ एक विशिष्ट वजन (जहाँ चित्र-आधारित हिस्से का अंतिम निर्णय में 60% योगदान था) के साथ जोड़ा, तो सिस्टम मेलानोमा को पहचानने में बहुत बेहतर रहा। सटीकता केवल चित्र-आधारित जासूस के लगभग 81.8% से बढ़कर टीम-अप के 86.7% तक पहुँच गई।
दिलचस्प रूप से, शोध पत्र ने यह भी दिखाया कि भले ही आप कंप्यूटर को सटीक डॉक्टर नोट्स के साथ प्रशिक्षित करें, फिर भी यह तब सबसे अच्छा प्रदर्शन करता है जब यह अपने चित्र-दर्शन को फजी नियमों के साथ संयोजित करने के लिए इस "लेट फ्यूजन" पद्धति का उपयोग करता है। फजी रीजनिंग वाला हिस्सा (चित्र कंप्यूटर के बिना) भी काफी अच्छा था, जिसने लगभग 85.9% सटीकता प्राप्त की, जिससे सिद्ध होता है कि नियम स्वयं शक्तिशाली हैं। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह उनके विशिष्ट परीक्षणों के आधार पर एक सुझाव है जो इन दो डेटासेट्स के साथ किए गए हैं, जो अपेक्षाकृत छोटे हैं। वे यह दावा नहीं करते कि उन्होंने त्वचा कैंसर के निदान को हमेशा के लिए हल कर लिया है। इसके बजाय, वे सुझाव देते हैं कि डीप लर्निंग में इन स्पष्ट, फजी नियमों को जोड़ने से कंप्यूटर अधिक स्मार्ट और भरोसेमंद बनता है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि उनकी नई विधि आशाजनक है, लेकिन इसे पूरी तरह से भरोसेमंद होने के लिए रोगियों के बहुत बड़े और विविध समूहों पर परीक्षण करने की आवश्यकता 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।