Feasibility Study of Multilight Facial Imaging for Multiparameter Skin Assessment Using Lightweight Convolutional Neural Network

कल्पना कीजिए कि आपका चेहरा एक जटिल, बहु-परतीय मानचित्र है। आमतौर पर, जब हम किसी के त्वचा की फोटो देखते हैं, तो हम एक मानक कैमरे का उपयोग कर रहे होते हैं जो दुनिया को "RGB" यानी लाल, हरे और नीले रंग में देखता है। यह एक ऐसे मानचित्र को देखने जैसा है जिसमें केवल स्याही की एक एकल, सपाट परत है। आप मुख्य सड़कों और प्रमुख शहरों को देख सकते हैं, लेकिन आप सतह के ठीक नीचे छिपे हुए भूमिगत सुरंगों, गुप्त रास्तों और सूक्ष्म बनावटों को मिस कर देते हैं। डर्मेटोलॉजी (त्वचा विज्ञान) की दुनिया में, यह सपाट दृश्य गहरे पिगमेंट के धब्बों, कोलेजन संरचना, या त्वचा प्रकाश के प्रति कितनी संवेदनशील है, जैसे चीजों को पहचानने में मुश्किल पैदा करता है, जब तक कि किसी डॉक्टर की विशेषज्ञ दृष्टि या महंगी, भारी मशीनों का सहारा न लिया जाए।

इस समस्या को हल करने के लिए, वैज्ञानिकों ने "मल्टी-लाइट" (बहु-प्रकाश) इमेजिंग का उपयोग करना शुरू कर दिया है। इसे एक अंधेरे कमरे में अलग-अलग रंग की टॉर्च जलाकर उन चीजों को प्रकट करने के रूप में सोचें जो अंधेरे में अदृश्य हैं। कुछ रोशनी सतह से टकराकर तेल (सेबम) दिखाती है, जबकि अन्य गहराई तक जाकर धब्बे या झुर्रियों को दर्शाती है। इन विभिन्न "टॉर्चों" को मिलाकर, हमें त्वचा के रहस्यों का एक 3D जैसा दृश्य मिलता है। लक्ष्य क्या है? कंप्यूटर को यह सिखाना कि वह इन विशेष फोटो को देखे और स्वचालित रूप से हमें बता सके कि हमारी त्वचा वास्तव में कितनी स्वस्थ है, बिना किसी मानव विशेषज्ञ की आवश्यकता के। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) आता है, जो एक सुपर-फास्ट जासूस के रूप में कार्य करता है जो इन जटिल प्रकाश पैटर्न को पढ़ना सीख सकता है।

यह शोध पत्र एक "व्यवहार्यता अध्ययन" (feasibility study) है, जो एक फैंसी तरीका है यह कहने का कि शोधकर्ता पूछ रहे हैं: "क्या हम एक छोटा, कुशल AI मस्तिष्क बना सकते हैं जो इन मल्टी-लाइट फोटो का उपयोग करके 13 अलग-अलग त्वचा स्थितियों की सटीक भविष्यवाणी कर सके?" उन्होंने केवल एक प्रकार की रोशनी का उपयोग नहीं किया; उन्होंने आठ अलग-अलग प्रकार की रोशनी का उपयोग किया, जिसमें सफेद, नीला, लाल, भूरा, UV, और यहाँ तक कि विशेष पोलराइज्ड लाइट भी शामिल थी जो कैमरे के लिए धूप के चश्मे की तरह काम करती है। उन्होंने 211 लोगों की तस्वीरें लीं, जिनमें कुल 1,688 चित्र कैप्चर किए गए, और उन्हें त्वचा के लक्षणों जैसे सेबम (तेल), रोमछिद्र, झुर्रियां, मुँहासे और डार्क सर्कल्स के वास्तविक मापों के साथ जोड़ा।

टीम ने MobileNetV2 नामक चीज़ पर आधारित एक हल्का AI मॉडल बनाया। आप इस मॉडल को एक बहुत ही स्मार्ट, लेकिन बहुत ही संक्षिप्त जासूस के रूप में देख सकते हैं। एक विशाल, भारी कंप्यूटर जिसे चलाने के लिए गोदाम की आवश्यकता हो, उसके बजाय, यह मॉडल बहुत तेज़ और कुशल होने के लिए डिज़ाइन किया गया है, जैसे कि एक ऐसा जासूस जो हाई-टेक लैब के बजाय एक कॉफी शॉप में केस सुलझा सकता है। AI को प्रत्येक व्यक्ति के आठ अलग-अलग प्रकाश चित्रों को देखने और एक साथ सभी 13 त्वचा मापदंडों के लिए संख्याओं का अनुमान लगाने के लिए प्रशिक्षित किया गया था। यह एक संदिग्ध को आठ अलग-अलग रंग की स्पॉटलाइट्स के नीचे देखने और तुरंत उसकी ऊंचाई, वजन, मूड और जूते के आकार पर रिपोर्ट लिखने के लिए कहने जैसा है।

हालाँकि, परिणाम एक कहानी बताते हैं कि "क्षमता अच्छी है, लेकिन अभी पूरी तरह से नहीं।" शोधकर्ताओं ने पाया कि AI कुछ चीजों, जैसे "धब्बे", "पिगमेंट" और "कोलेजन फाइबर" को पहचानने में आश्चर्यजनक रूप से अच्छा था। इन लक्षणों के लिए, मॉडल ऐसी भविष्यवाणियां कर सका जो वास्तविक मापों से काफी हद तक मेल खाती थीं। हालाँकि, अन्य लक्षणों के लिए, AI काफी संघर्ष करता है। जब बात "सेबम" (तेल) या "डार्क सर्कल्स" की भविष्यवाणी करने की आई, तो मॉडल की भविष्यवाणियां लगभग रैंडम थीं, जो औसत अनुमान लगाने से भी बहुत कम बेहतर थीं। शोध पत्र स्पष्ट रूप से नोट करता है कि मॉडल इन विशिष्ट लक्षणों के पैटर्न को सीखने में विफल रहा, जिसका कारण संभवतः डेटा का असमान वितरण था—ज्यादातर लोगों में तेल या डार्क सर्कल्स की मात्रा समान थी, इसलिए AI सीखने के लिए पर्याप्त विविधता नहीं ढूंढ सका।

लेखक बहुत स्पष्ट हैं कि यह अध्ययन क्या सिद्ध करता है और क्या नहीं। वे यह दावा नहीं करते कि उन्होंने स्वचालित त्वचा विश्लेषण की समस्या को हल कर लिया है। वास्तव में, वे इस विचार के विरुद्ध तर्क देते हैं कि एक साधारण, हल्का मॉडल वर्तमान में आसानी से सभी त्वचा मापदंडों को संभाल सकता है। अध्ययन बताता है कि हालांकि मल्टी-लाइट इमेजिंग मानक फोटो की तुलना में अधिक समृद्ध जानकारी प्रदान करती है, लेकिन केवल उस डेटा को एक बुनियादी AI में फीड करना पर्याप्त नहीं है। डेटा का "असमान वितरण" (जहाँ कुछ त्वचा प्रकार दुर्लभ थे और अन्य सामान्य थे) ने मॉडल को भ्रमित कर दिया, और AI की "हल्की" प्रकृति का अर्थ था कि यह तेल जैसे कठिन लक्षणों के लिए आवश्यक सूक्ष्म विशेषताओं को निकालने में सक्षम नहीं था।

अंततः, यह पेपर एक आधार रेखा (baseline) के रूप में कार्य करता है—एक मानचित्र पर एक शुरुआती बिंदु। यह दिखाता है कि मल्टी-लाइट दृष्टिकोण एक आशाजनक दिशा है जो मानक कैमरों की तुलना में अधिक दृश्य जानकारी प्रदान करती है, लेकिन यह भी रेखांकित करता है कि हमें इसे विश्वसनीय रूप से काम करने के लिए बहुत बड़े, अधिक संतुलित डेटासेट और स्मार्ट AI तकनीकों की आवश्यकता है। लेखक निष्कर्ष निकालते हैं कि हालांकि विचार व्यवहार्य है, वर्तमान तकनीक अभी अपने शुरुआती चरणों में है, और भविष्य के शोध को डेटा असंतुलन को ठीक करने और यह सुधारने पर ध्यान केंद्रित करने की आवश्यकता है कि AI इन विभिन्न प्रकाश स्रोतों को एक साथ कैसे जोड़ता है, इससे पहले कि हम इस पर भरोसा कर सकें कि यह हमें एक सटीक स्किन रिपोर्ट दे रहा है।