Artificial Intelligence in Oral Squamous Cell Carcinoma Diagnosis: Exploring Deep Transfer Learning Strategies
यह अध्ययन प्रदर्शित करता है कि डीप ट्रांसफर लर्निंग, विशेष रूप से डेटा ऑग्मेंटेशन और क्रॉस-वैलिडेशन के साथ अनुकूलित एफिशिएंटनेटबी7 (EfficientNetB7) और रेसनेट50 (ResNet50) मॉडलों का उपयोग करके, ओरल स्क्वैमस सेल कार्सिनोमा हिस्टोलॉजिकल छवियों का उच्च-परिशुद्धता वर्गीकरण प्राप्त किया जाता है, जो नैदानिक सटीकता में सुधार करने और अंतर-पैथोलॉजिस्ट परिवर्तनशीलता को संबोधित करने के लिए एक आशाजनक समाधान प्रदान 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 को सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान या पैरों के निशान खोजने के बजाय, आप सूक्ष्मदर्शी (microscope) के नीचे कोशिकाओं की छोटी, रंगीन तस्वीरों को देख रहे हैं। यह पैथोलॉजी की दुनिया है, जहाँ डॉक्टर ऊतक (tissue) के नमूनों की जांच करके यह पता लगाते हैं कि किसी व्यक्ति को कैंसर है या नहीं। सबसे आम और कठिन कैंसरों में से एक है ओरल स्क्वैमस सेल कार्सिनोमा (OSCC), जो मुंह में शुरू होने वाला कैंसर है। दशकों से, इस रहस्य को सुलझाने के लिए "गोल्ड स्टैंडर्ड" एक मानव पैथोलॉजिस्ट रहा है जो स्लाइड को ध्यान से देखता है। वे सुरागों को देखते हैं जैसे कि कोशिकाएं कैसे व्यवस्थित हैं या क्या वे अव्यवस्थित और अराजक दिखती हैं। लेकिन समस्या यह है कि इंसान थक जाते हैं, उनकी आँखें धोखा दे सकती हैं, और दो अलग-अलग जासूस एक ही तस्वीर को देखकर अलग-अलग राय रख सकते हैं। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) की भूमिका आती है। AI को एक सुपर-पावर्ड सहायक के रूप में सोचें जिसने लाखों चित्र पुस्तकें पढ़ी हैं और वह उन पैटर्न को पहचान सकता है जिन्हें मानवीय आँखें मिस कर सकती हैं। बड़ा सवाल यह है कि क्या वैज्ञानिक कंप्यूटर को इन छोटी कोशिका चित्रों को देखना और यह बताना सिखा सकते हैं कि वास्तव में किस प्रकार का कैंसर है, और वह कितना खतरनाक है, एक इंसान से बेहतर और तेज़ तरीके से?
यह अध्ययन एक हाई-स्टेक्स कुकिंग कॉम्पिटिशन (खाना पकाने की प्रतियोगिता) की तरह है, जहाँ शेफ के बजाय कंप्यूटर मॉडल हैं, और सामग्री के बजाय उन्हें मुंह के ऊतकों की सूक्ष्म छवियां खिलाई जाती हैं। शोधकर्ता यह देखना चाहते थे कि कौन सा "शेफ" (डीप लर्निंग मॉडल) इन छवियों को तीन श्रेणियों में सबसे अच्छी तरह से वर्गीकृत कर सकता है: स्वस्थ मुंह का ऊतक, लो-ग्रेड कैंसर (धीमा, कम खतरनाक प्रकार), और हाई-ग्रेड कैंसर (तेज़, आक्रामक प्रकार)। मुकाबले को निष्पक्ष बनाने के लिए, उन्होंने 750 छवियों के एक छोटे ढेर से शुरुआत की। चूंकि दुर्लभ "लो-ग्रेड" और "हाई-ग्रेड" कैंसर की तस्वीरें पर्याप्त नहीं थीं ताकि कंप्यूटर को ठीक से सिखाया जा सके, इसलिए उन्होंने SMOTE नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास केवल तीन लाल कंचे हैं और सौ नीले, तो आप किसी को लाल कंचों को पहचानने के लिए प्रशिक्षित करने में कठिनाई महसूस करेंगे। SMOTE एक जादुई फोटोकॉपी मशीन की तरह है जो बिल्कुल नए, नकली-लेकिन-वास्तविक दिखने वाले लाल कंचे बनाता है ताकि कंप्यूटर को पर्याप्त अभ्यास मिल सके। उन्होंने "डेटा ऑग्मेंटेशन" का भी उपयोग किया, जो एक फोटो लेने, उसे उल्टा करने, उसे चमकीला बनाने या थोड़ा घुमाने जैसा है, ताकि कंप्यूटर सीख सके कि तस्वीर को किसी भी तरह से रखने पर कैंसर को कैसे पहचाना जाए।
शोधकर्ताओं ने सात प्रसिद्ध "शेफ" (कंप्यूटर मॉडल) का परीक्षण किया जो पहले से ही बिल्लियों, कारों और सेबों जैसी लाखों रोजमर्रा की वस्तुओं को पहचानना जानते थे। ये मॉडल ResNet50, InceptionV3, VGG16, EfficientNetB7, DenseNet121, Xception, और MobileNet थे। विचार यह था कि इन स्मार्ट मॉडलों को "फाइन-ट्यून" किया जाए, जैसे किसी ऐसे जनरल को सिखाना जो युद्ध लड़ना जानता है कि अब उसे एक विशिष्ट प्रकार के इलाके में विशेषज्ञता हासिल करनी है। उन्होंने ऐसा मॉडल के अधिकांश "मस्तिष्क" को "फ्रीज" करके किया (ताकि वह जो पहले से जानता है उसे भूल न जाए) और केवल अंतिम कुछ परतों को नई कैंसर तस्वीरों से सीखने दिया। उन्होंने अलग-अलग रणनीतियों का भी परीक्षण किया, जैसे कि 15 परतों को सीखने देना या 30 परतों को सीखने देना, यह देखने के लिए कि क्या सबसे अच्छा काम करता है।
परिणाम एक विशिष्ट मॉडल के लिए स्पष्ट जीत थी: EfficientNetB7। यह मॉडल शो का स्टार था, जिसने 99.2% बार सही उत्तर दिया। यह एक ऐसे जासूस की तरह था जिसने कभी कोई सुराग नहीं छोड़ा। रनर-अप ResNet50 था, जो 99.04% की सफलता दर के साथ अविश्वसनीय रूप से विश्वसनीय भी था। इन दोनों मॉडलों ने साबित कर दिया कि सही प्रशिक्षण के साथ, कंप्यूटर इन विशिष्ट कैंसर ग्रेडों को पहचानने में अत्यंत सटीक हो सकते हैं। हालाँकि, हर मॉडल विजेता नहीं था। InceptionV3, जो सुनने में बहुत शानदार लगता था, वास्तव में 92.94% के साथ सबसे खराब प्रदर्शन करने वाला रहा, और MobileNet, जो आमतौर पर छोटे उपकरणों के लिए बेहतरीन होता है, केवल 95.2% तक ही पहुँच पाया। अध्ययन बताता है कि हालांकि यह तकनीक अविश्वसनीय रूप से आशाजनक है, लेकिन "रेसिपी" बहुत मायने रखती है; कुछ मॉडल इन कोशिका छवियों के विशिष्ट विवरणों को अन्य की तुलना में बेहतर तरीके से संभालते हैं।
लेखक सावधानीपूर्वक नोट करते हैं कि हालांकि ये संख्याएँ अद्भुत हैं, फिर भी इन मॉडलों को अधिक विविध डेटा के साथ वास्तविक दुनिया में परीक्षण करने की आवश्यकता है। वे एक सीमा की ओर भी इशारा करते हैं: ये AI सिस्टम "ब्लैक बॉक्स" की तरह हैं। वे उच्च आत्मविश्वास के साथ उत्तर तो दे सकते हैं, लेकिन वे हमेशा यह स्पष्ट नहीं कर पाते कि वे क्यों सोचते हैं कि एक कोशिका खतरनाक दिख रही है, जो कि ऐसी चीज़ है जिसे मानव डॉक्टरों को जीवन-मरण के निर्णय लेने से पहले समझना आवश्यक है। अंततः, यह पेपर सुझाव देता है कि AI, विशेष रूप से EfficientNetB7 और ResNet50 जैसे मॉडल, पैथोलॉजिस्ट के लिए एक शक्तिशाली साथी बन सकते हैं, जो उन्हें सुपरह्यूमन गति और सटीकता के साथ ओरल कैंसर का निदान करने में मदद कर सकते हैं, लेकिन यह अभी भी मानव विशेषज्ञ का विकल्प नहीं 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।