Development of an Ensemble Deep Learning Model for Breast Cancer Diagnosis
यह अध्ययन स्थानीय रूप से प्राप्त नाइजीरियाई मैमोग्राम डेटा पर प्रशिक्षित InceptionResNetV2 और ResNet-18 को संयोजित करने वाले एक एन्सेम्बल डीप लर्निंग मॉडल का प्रस्ताव करता है, जिसने स्तन कैंसर को BI-RADS श्रेणियों में वर्गीकृत करने में 99.26% सटीकता प्राप्त की, जो व्यक्तिगत मॉडलों से बेहतर प्रदर्शन करता है और एआई विकास के लिए स्थानीय रूप से प्रतिनिधि डेटासेट के उपयोग के महत्व को रेखांकित 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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके सुराग उंगलियों के निशान या पैरों के निशान नहीं, बल्कि मानव शरीर के अंदर की तस्वीरें हैं। यह मेडिकल इमेजिंग की दुनिया है, जहाँ डॉक्टर स्तन कैंसर के शुरुआती संकेतों को देखने के लिए मैमोग्राम नामक विशेष एक्स-रे का उपयोग करते हैं। पेच क्या है? ये तस्वीरें अविश्वसनीय रूप से जटिल हैं, और यहाँ तक कि विशेषज्ञ मानव जासूस (रेडियोलॉजिस्ट) भी कभी-कभी जो देखते हैं, उस पर असहमत हो सकते हैं। सभी को एक ही पृष्ठ पर रखने के लिए, डॉक्टर BI-RADS नामक एक विशेष नियम पुस्तिका का उपयोग करते हैं। BI-RADS को स्तन स्वास्थ्य के लिए एक ट्रैफिक लाइट सिस्टम की तरह समझें: यह छवियों को "सब कुछ स्पष्ट है" से लेकर "यह बहुत संदिग्ध लग रहा है और तत्काल ध्यान देने की आवश्यकता है" तक की श्रेणियों में वर्गीकृत करता है।
अब, एक कंप्यूटर को एक 'सुपर-डिटेक्टिव' बनने के लिए प्रशिक्षित करने की कल्पना करें। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) और डीप लर्निंग काम आते हैं। डीप लर्निंग कंप्यूटर के मस्तिष्क का एक प्रकार है जो हजारों उदाहरणों को देखकर सीखता है, ठीक वैसे ही जैसे एक बच्चा कई अलग-अलग बिल्लियों को देखकर बिल्ली को पहचानना सीखता है। आमतौर पर, इन कंप्यूटर मस्तिष्कों को दूसरे देशों की तस्वीरों पर प्रशिक्षित किया जाता है। लेकिन ठीक वैसे ही जैसे एक शहर का व्यक्ति दूसरे शहर की बोली या पहनावे को नहीं पहचान सकता, विदेशी डेटा पर प्रशिक्षित कंप्यूटर स्थानीय रोगियों की अनूठी विशेषताओं से भ्रमित हो सकता है। यही वह बड़ा सवाल है जिसे यह शोध पत्र संबोधित करता है: क्या हम एक ऐसा कंप्यूटर जासूस बना सकते हैं जिसे विशेष रूप से स्थानीय तस्वीरों पर प्रशिक्षित किया गया हो ताकि वह समस्याओं को अधिक सटीक रूप से पहचान सके?
इस अध्ययन में काम करने वाले शोधकर्ताओं ने, इबादान, नाइजीरिया के एक डायग्नोस्टिक सेंटर के डेटा के साथ मिलकर, एक "सुपर-डिटेक्टिव" टीम बनाने का निर्णय लिया। केवल एक कंप्यूटर मस्तिष्क पर निर्भर रहने के बजाय, उन्होंने एक एन्सेम्बल मॉडल (ensemble model) बनाया। कल्पना कीजिए कि आपके पास दो बहुत बुद्धिमान मित्र हैं, जिनमें से प्रत्येक अपने तरीके से पहेलियाँ सुलझाने में कुशल है। एक मित्र सूक्ष्म विवरणों (जैसे कपड़े का एक विशिष्ट पैटर्न) को पहचानने में माहिर है, जबकि दूसरा बड़ी तस्वीर और विभिन्न हिस्से एक साथ कैसे जुड़ते हैं, इसे देखने में अद्भुत है। यदि आप केवल एक उनसे किसी रहस्य को सुलझाने के लिए कहते हैं, तो वे गलती कर सकते हैं। लेकिन यदि आप दोनों को एक ही सुराग को देखने के लिए कहते हैं और फिर उनके उत्तरों को मिलाते हैं, तो उनके सही होने की संभावना बहुत अधिक होती है। लेखकों ने बिल्कुल यही किया: उन्होंने दो शक्तिशाली AI मॉडलों, InceptionResNetV2 और ResNet-18 को मिलाया, ताकि वे एक ऐसी टीम बना सकें जो अकेले रहने की तुलना में साथ मिलकर बेहतर काम करती है।
टीम ने स्थानीय रोगियों के 184 मैमोग्राम चित्रों के संग्रह के साथ शुरुआत की। यह सुनिश्चित करने के लिए कि कंप्यूटर प्रभावी ढंग से सीख सके, उन्होंने "डेटा ऑग्मेंटेशन" नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आप एक ही फोटो लेते हैं और उसे घुमाकर, पलटकर या ज़ूम इन/आउट करके उसके दस थोड़े अलग संस्करण बनाते हैं। इसने उनके 184 चित्रों के छोटे संग्रह को 1,840 चित्रों के एक विशाल पुस्तकालय में बदल दिया, जिससे कंप्यूटर मस्तिष्क को अधिक वास्तविक रोगियों को खोजने की आवश्यकता के बिना पर्याप्त अभ्यास मिला। फिर उन्होंने अपने मॉडलों को इन छवियों को BI-RADS श्रेणियों में वर्गीकृत करने के लिए प्रशिक्षित किया।
परिणाम प्रभावशाली थे। जब शोधकर्ताओं ने अपने एकल जासूसों का परीक्षण किया, तो InceptionResNetV2 मॉडल पहले से ही बहुत अच्छा काम कर रहा था, जो लगभग 98.52% बार वर्गीकरण सही कर रहा था। ResNet-18 मॉडल भी अच्छा था, लेकिन थोड़ा कम सटीक 92.22% पर था। हालाँकि, जब उन्होंने इन दोनों को अपने एन्सेम्बल टीम में मिलाया, तो प्रदर्शन उछलकर शानदार 99.26% सटीकता तक पहुँच गया।
इसे समझने के लिए, BI-RADS श्रेणियों को एक वीडियो गेम के विभिन्न स्तरों के रूप में सोचें। सबसे कठिन स्तर, BI-RADS 4, वह है जहाँ सुराग भ्रमित करने वाले होते हैं और "सुरक्षित" और "खतरनाक" दोनों की तरह दिखते हैं। यह आमतौर पर वह जगह है जहाँ मानव डॉक्टर और कंप्यूटर सबसे अधिक संघर्ष करते हैं। इस अध्ययन में, एकल मॉडलों ने इस कठिन स्तर पर कुछ गलतियाँ कीं। लेकिन एन्सेम्बल टीम? वे इस पर लगभग भी नहीं लड़खड़ाए। संयुक्त मॉडल ने "सुरक्षित" और "बहुत संदिग्ध" मामलों की पहचान करने में पूर्ण स्कोर प्राप्त किया और सभी कठिन "BI-RADS 4" मामलों में से केवल दो को ही मिस किया। पेपर यह सुझाव देता है कि स्थानीय डेटा पर विशेष रूप से प्रशिक्षित करके और एक टीम दृष्टिकोण का उपयोग करके, कंप्यूटर डॉक्टरों के लिए एक बहुत अधिक विश्वसनीय साथी बन जाता है।
लेखक सावधानी से नोट करते हैं कि हालांकि उनकी स्थानीय टीम ने अविश्वसनीय रूप से अच्छा प्रदर्शन किया, असली परीक्षण यह है कि यह व्यस्त, वास्तविक दुनिया के क्लिनिक में कैसे काम करता है। वे यह भी बताते हैं कि उनके अध्ययन में हर एक संभावित श्रेणी (विशेष रूप से BI-RADS 3 की कमी) शामिल नहीं थी, इसलिए अभी भी बढ़ने की गुंजाइश है। लेकिन मुख्य संदेश स्पष्ट है: जब आप उन लोगों के चित्रों का उपयोग करके AI उपकरण बनाते हैं जो वास्तव में उनका उपयोग करेंगे, और आप उन उपकरणों को एक टीम के रूप में मिलकर काम करने देते हैं, तो आपको एक ऐसा निदान प्रणाली मिलती है जो अधिक तेज, अधिक सटीक और स्थानीय समुदाय के लिए बेहतर अनुकूलित है। यह एक अनुस्मारक है कि मेडिकल AI की दुनिया में, कभी-कभी भविष्य को देखने का सबसे अच्छा तरीका स्थानीय वर्तमान को करीब से देखना 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।