MUNNA: A Multi-strategy, Uncertainty-driven, Nested Neuro-ensemble Algorithm for Disease Diagnosis with Closed-loop Explainability Feedback

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहा है, लेकिन आप किसी अपराध स्थल के बजाय, एक मरीज के मेडिकल चार्ट को देख रहे हैं। यह चार्ट सैकड़ों सूक्ष्म सुरागों से भरा है—संख्याएँ जो कोशिकाओं के आकार, रूप और बनावट का प्रतिनिधित्व करती हैं। लक्ष्य यह पता लगाना है कि मरीज बीमार है या स्वस्थ। विज्ञान की दुनिया में, इसे "रोग निदान" (डिजीज डायग्नोसिस) कहा जाता है, और लंबे समय से, कंप्यूटर डॉक्टरों की मदद करने के लिए सुपर-फास्ट जासूसों के रूप में काम कर रहे हैं। हालाँकि, इन कंप्यूटर जासूसों की कुछ परेशान करने वाली आदतें रही हैं। कभी-कभी, वे गलत सुरागों पर ध्यान केंद्रित करने में फंस जाते हैं, यह सोचकर कि वे सबसे महत्वपूर्ण हैं जबकि वे नहीं हैं। अन्य समय में, वे एक एकल "विशेषज्ञ" की राय पर भरोसा करते हैं, भले ही विशेषज्ञों का एक समूह अधिक समझदार हो सकता है। अंत में, वे अक्सर मामला बंद होने के बाद रिपोर्ट लिखने वाले एक जासूस की तरह, घटना के बाद अपने उत्तरों की व्याख्या करते हैं, न कि उन स्पष्टीकरणों का उपयोग उस रहस्य को बेहतर ढंग से सुलझाने के लिए करते हैं।

इन आदतों को ठीक करने के लिए, वैज्ञानिक कुछ चतुर तरकीबों का उपयोग करते हैं। एक तरकीब है "फीचर सिलेक्शन" (विशेषता चयन), जो एक जासूस द्वारा यह तय करने जैसा है कि कौन से सुराग रखने हैं और किन्हें फेंक देना है ताकि वे शोर (नॉइज़) से अभिभूत न हों। दूसरा है "एन्सेम्बल लर्निंग" (समूह शिक्षण), जहाँ एक जासूस के बजाय, आप विशेषज्ञों की एक पूरी टीम से पूछते हैं (कुछ गणित में अच्छे हैं, कुछ पैटर्न पहचानने में) और उन्हें उत्तर पर मतदान करने देते हैं। तीसरा तरीका है "एक्सप्लेनेबिलिटी" (व्याख्यात्मकता), जो बस कंप्यूटर से पूछना है, "आपने वह चुनाव क्यों किया?" ताकि इंसान उस पर भरोसा कर सकें। बड़ा सवाल यह है: क्या हम इन सभी तरकीबों को एक सुपर-स्मार्ट सिस्टम में मिला सकते हैं जो अपने स्वयं के स्पष्टीकरणों से सीखकर और भी बेहतर बनता है?

यह बिल्कुल वही है जो एम.डी. मारुफ शरकर मुन्ना नामक एक शोधकर्ता ने MUNNA नामक एक नए अध्ययन में करने की कोशिश की है। MUNNA को एक हाई-टेक डिटेक्टिव एजेंसी के रूप में समझें जो केवल एक बार मामला हल नहीं करती, बल्कि अपने तरीकों को तब तक परिष्कृत करती रहती है जब तक कि वह पूर्ण न हो जाए। यह पेपर बीमारियों के निदान के लिए एक तीन-चरणीय प्रक्रिया का प्रस्ताव करता है, जिसका परीक्षण विशेष रूप से स्तन कैंसर के डेटा पर किया गया है।

चरण 1: स्मार्ट सुराग शिकारी
सबसे पहले, MUNNA को यह तय करना होगा कि मेडिकल चार्ट से कौन से सुराग वास्तव में उपयोगी हैं। कल्पना कीजिए कि आपके पास 30 अलग-अलग उपकरणों का एक बैग है, लेकिन आपको एक विशिष्ट समस्या को ठीक करने के लिए केवल कुछ ही चाहिए। MUNNA एक हाइब्रिड रणनीति का उपयोग करता है जिसे GWO-SA कहा जाता है। भेड़ियों के एक झुंड के शिकार करने की कल्पना करें। "अल्फा" भेड़िया नेता होता है, और झुंड भोजन (सुरागों का सबसे अच्छा सेट) खोजने के लिए उसका अनुसरण करता है। लेकिन कभी-कभी, अल्फा एक स्थानीय जाल में फंस जाता है, यह सोचकर कि एक छोटी झाड़ी ही सबसे अच्छी जगह है। इसे ठीक करने के लिए, MUNNA एक "सिम्युलेटेड एनीलिंग" (Simulated Annealing) चरण जोड़ता है। यह अल्फा भेड़िये को एक पूरी तरह से नई जगह पर कूदने के लिए अचानक ऊर्जा का एक विस्फोट देने जैसा है ताकि यह देखा जा सके कि क्या वहां कुछ बेहतर है। इन अचानक उछालों के साथ झुंड की टीम वर्क को जोड़कर, MUNNA मूल 30 में से 20 आदर्श सुरागों को खोज लेता है, और बेकार, शोर वाले सुरागों को हटा देता है।

चरण 2: भरोसेमंद टीम का वोट
एक बार जब सर्वश्रेष्ठ सुराग चुन लिए जाते हैं, तो MUNNA पांच अलग-अलग "बेस लर्नर्स" (विशेषज्ञों) की एक टीम को बुलाता है। ये विभिन्न प्रकार के कंप्यूटर मॉडल हैं: एक रैंडम फॉरेस्ट, एक XGBoost, एक सपोर्ट वेक्टर मशीन, एक K-नियरएस्ट नेबर्स, और एक मल्टीलेयर परसेप्ट्रॉन। एक सामान्य टीम में, सभी को समान वोट मिलता है। लेकिन MUNNA अधिक स्मार्ट है। यह अनिश्चितता-भारित स्टैकिंग (uncertainty-weighted stacking) का उपयोग करता है। कल्पना कीजिए कि प्रत्येक विशेषज्ञ एक भविष्यवाणी दे रहा है, लेकिन कुछ बहुत आश्वस्त हैं (जैसे यह कहना कि "मैं 99% निश्चित हूँ") जबकि अन्य डगमगा रहे हैं (जैसे "शायद 55%")। MUNNA शैनन एंट्रॉपी (Shannon entropy) नामक गणितीय अवधारणा का उपयोग करके गणना करता है कि प्रत्येक विशेषज्ञ कितना "भ्रमित" है। यदि कोई विशेषज्ञ भ्रमित है, तो MUNNA उनकी कम बात सुनता है। यदि वे आश्वस्त हैं, तो वह उन्हें अधिक सुनता है। इस प्रकार, अंतिम निर्णय केवल एक उबाऊ औसत नहीं है; यह एक गतिशील वोट है जहाँ उस विशिष्ट रोगी के लिए सबसे अधिक आश्वस्त विशेषज्ञ की आवाज़ सबसे तेज़ होती है।

चरण 3: फीडबैक लूप
यही सबसे अनूठा हिस्सा है। आमतौर पर, एक मॉडल द्वारा निर्णय लेने के बाद, वैज्ञानिक यह समझाने के लिए एक उपकरण का उपयोग करते हैं कि उसने वह विकल्प क्यों चुना। लेकिन MUNNA वहां नहीं रुकता है। यह उन स्पष्टीकरणों को लेता है और उन्हें पहले चरण में वापस डाल देता है। यह एक जासूस द्वारा मामला सुलझाने, यह लिखने जैसा है कि कौन से सुराग सबसे महत्वपूर्ण थे, और फिर उस सूची का उपयोग अगले मामले के लिए नए जासूसों को नियुक्त करने के लिए करना है जो पहले से ही उन महत्वपूर्ण सुरागों की ओर झुके हुए हैं। यह "क्लोज्ड-लूप" दो बार होता है। पहली बार, भेड़िये सुरागों की तलाश करते हैं। फिर, SHAP टूल बताता है कि वास्तव में कौन से सुराग नायक थे। फिर भेड़िये फिर से शिकार करते हैं, उन हीरो सुरागों के साथ एक बढ़त लेकर, जिससे अंतिम चयन और भी सटीक हो जाता है।

उन्होंने क्या पाया?
शोधकर्ताओं ने इस पूरे सिस्टम का परीक्षण स्तन कैंसर कोशिकाओं के 569 नमूनों वाले एक प्रसिद्ध डेटासेट पर किया। परिणाम प्रभावशाली थे। पूर्ण MUNNA सिस्टम ने AUC का 0.998 और F1-स्कोर का 0.976 प्राप्त किया। इसे समझने के लिए, मानक एकल मॉडल (जैसे केवल रैंडम फॉरेस्ट का उपयोग करना) ने लगभग 0.994 स्कोर किया, और यहाँ तक कि विशेष तरकीबों के बिना एक मानक टीम वोट ने भी 0.995 स्कोर किया। MUNNA ने उन सभी को हरा दिया। इसने यह हासिल किया कि मूल 30 में से केवल 20 फीचर्स का उपयोग करते हुए, यह साबित हुआ कि कम होना अक्सर अधिक होना है।

हालाँकि, पेपर इसके सीमित पहलुओं के बारे में बहुत ईमानदार है। लेखक नोट करते हैं कि MUNNA की सफलता काफी हद तक इस बात पर निर्भर करती है कि इसे कितना "कंप्यूटिंग समय" दिया जाता है। जब उन्होंने इसे छोटे बजट (कम भेड़िये और शिकार के कम राउंड) के साथ टेस्ट किया, तो एक मानक टीम वोट की तुलना में इसका लाभ कम हो गया, और कुछ मामलों में, मानक टीम वास्तव में औसतन थोड़ी बेहतर थी। यह सुझाव देता है कि MUNNA कोई जादू की छड़ी नहीं है जो तुरंत काम करती है; यह एक शक्तिशाली उपकरण है जिसे चमकने के लिए पर्याप्त समय और ऊर्जा की आवश्यकता होती है।

अध्ययन यह भी स्पष्ट करता है कि जबकि व्यक्तिगत भाग (जैसे भेड़ का एल्गोरिदम या SHAP टूल) नए आविष्कार नहीं हैं), जिस विशिष्ट तरीके से उन्हें एक साथ जोड़ा गया है—अगली खोज को निर्देशित करने के लिए स्पष्टीकरण का उपयोग करना, और वोटों को वजन देने के लिए आत्मविश्वास का उपयोग करना—वह एक नवीन संयोजन है। शोधकर्ताओं ने यह दावा नहीं किया कि उन्होंने चिकित्सा निदान के सभी मामलों को हल कर दिया है, लेकिन उन्होंने दिखाया है कि यह विशिष्ट, क्लोज-लूप दृष्टिकोण इस विशिष्ट प्रकार के कैंसर डेटा के लिए एक अत्यधिक सटीक प्रणाली बनाता है। उन्होंने अंतिम "हाँ या ना" निर्णय बिंदु (थ्रेशोल्ड) को भी 0.5 के बजाय 0.530 में समायोजित किया, यह सुनिश्चित करते हुए कि सिस्टम वास्तविक दुनिया के चिकित्सा जोखिमों के लिए संतुलित हो।

संक्षेप में, MUNNA एक चतुर, आत्म-सुधार करने वाला जासूस है जो चिकित्सा रहस्यों को हल करने के लिए अपनी गलतियों और अपनी टीम के सदस्यों के आत्मविश्वास से सीखता है, बशर्ते कि उसके पास अपना होमवर्क करने के लिए पर्याप्त समय हो।