A systematic review of autonomous multiagent frameworks for early breast cancer detection using thermography
AI-संचालित स्तन कैंसर थर्मोग्राफी पर 100 अध्ययनों का यह व्यवस्थित अवलोकन प्रकट करता है कि जहाँ डीप लर्निंग मॉडल उच्च सटीकता प्राप्त करते हैं, वहीं यह क्षेत्र डेटासेट की सीमित विविधता, नैदानिक सत्यापन की कमी, अपर्याप्त व्याख्यात्मकता और एजेंटिक या मल्टी-एजेंट AI फ्रेमवर्क की गंभीर अनुपस्थिति से बाधित 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 शहर के भीतर किसी रहस्य को सुलझाने की कोशिश कर रहे हैं एक जासूस। आमतौर पर, जासूस सुराग खोजने के लिए फ्लैशलाइट और एक्स-रे मशीनों का उपयोग करते हैं, लेकिन वे उपकरण महंगे हो सकते हैं, उनके लिए विशेष प्रशिक्षण की आवश्यकता होती है, या वे थोड़ा विकिरण (रेडिएशन) भी छोड़ सकते हैं जो बार-बार उपयोग के लिए अच्छा नहीं है। यहाँ प्रवेश होता है थर्मोग्राफी (Thermography) का: इसे एक "हीट कैमरा" के रूप में सोचें। प्रकाश देखने के बजाय, यह गर्मी देखता है। चूंकि कैंसर कोशिकाएं स्वस्थ ऊतकों (tissue) की तुलना में अधिक गर्म होती हैं और उनमें रक्त का प्रवाह अधिक होता है, इसलिए वे इस हीट मैप पर चमकीले, गर्म धब्बों के रूप में दिखाई देती हैं। यह एक ठंडी रसोई में गर्म कुकी को खोजने के लिए थर्मल नाइट-विज़न गॉगल्स का उपयोग करने जैसा है।
लंबे समय तक, ये हीट कैमरे थोड़े उतार-चढ़ाव वाले रहे हैं। लेकिन हाल ही में, वैज्ञानिकों ने कंप्यूटर को इन हीट मैप्स को "देखना" सिखाना शुरू किया है, जिसका उपयोग आर्टिफिशियल इंटेलिजेंस (AI) के माध्यम से किया जाता है। विशेष रूप से, वे डीप लर्निंग (Deep Learning) का उपयोग करते हैं, जो एक डिजिटल मस्तिष्क की तरह है जो हजारों तस्वीरों को देखने तक सीखता है जब तक कि वह पैटर्न पहचानने में बहुत कुशल न हो जाए। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम एक सुपर-स्मार्ट, स्वचालित प्रणाली बना सकते हैं जो ब्रेस्ट कैंसर को जल्दी, सुरक्षित रूप से और सस्ते में खोजने के लिए इन हीट कैमरों का उपयोग करे, खासकर उन जगहों के लिए जहाँ शानदार अस्पताल नहीं हैं?
यह पेपर 100 अलग-अलग अध्ययनों के लिए एक विशाल "रिपोर्ट कार्ड" है जिन्होंने 2020 और 2026 के बीच उस प्रश्न का उत्तर देने का प्रयास किया। लेखकों, प्रज्ञा नरखेड़े और दविएवाला शेहरेवर ने केवल नंबरों को नहीं देखा; उन्होंने 100 अलग-अलग छात्रों के होमवर्क की जांच करने वाले संपादकों की एक टीम की तरह काम किया। वे यह देखना चाहते थे कि ये AI सिस्टम वास्तव में कितने अच्छे हैं, उन्होंने किन उपकरणों का उपयोग किया, और—सबसे महत्वपूर्ण बात यह है कि—वे क्या मिस कर रहे हैं।
यहाँ उनकी मिली हुई बड़ी कहानी है:
"सुपर-स्टूडेंट" का जाल
पेपर ने पाया कि कई AI मॉडल "सुपर-स्टूडेंट्स" की तरह व्यवहार कर रहे हैं जिन्होंने केवल एक ही छोटे अभ्यास परीक्षण के उत्तर रट लिए हैं। थर्मोग्राफी की दुनिया में, DMR-IR नामक एक विशिष्ट डेटासेट है जिसमें केवल 287 रोगियों की छवियां शामिल हैं। चौंकाने वाली बात यह है कि समीक्षा किए गए सभी अध्ययनों में से 73% लगभग पूरी तरह से इस एक समूह के लोगों पर निर्भर थे। क्योंकि AI ने इन विशिष्ट छवियों को इतनी बार देखा है, इसलिए यह अविश्वसनीय रूप से उच्च स्कोर प्राप्त करता है, दावा करता है कि इसकी सटीकता 95% से 99.9% है।
हालाँकि, लेखक चेतावनी देते हैं कि यह एक ऐसे छात्र की तरह है जिसने गणित की क्विज़ के उत्तर तो रट लिए हैं लेकिन उसने कभी वास्तविक दुनिया की समस्या नहीं देखी है। पेपर का तर्क है कि ये उच्च स्कोर संभवतः एक छोटे, सरल डेटासेट के कारण पैदा हुआ एक भ्रम है, न कि इसलिए कि AI एक वास्तविक अस्पताल में जाने और वास्तविक रोगी का निदान करने के लिए तैयार है। जब उन्होंने उन अध्ययनों को देखा जिन्होंने AI का परीक्षण नए, विविध समूहों या वास्तविक दुनिया के क्लीनिकों में किया था, तो संख्या गिर गई, और साक्ष्य बहुत कमजोर हो गए।
खोई हुई "जासूसों की टीम"
इस पेपर की सबसे रोमांचक और आश्चर्यजनक खोज एक बड़ा अंतर है। लेखकों ने एक विशिष्ट प्रकार के उन्नत AI की तलाश की जिसे एजेंटिक AI (Agentic AI) या मल्टी-एजेंट सिस्टम (Multi-Agent Systems) कहा जाता है।
इसे समझने के लिए, एक नियमित AI की कल्पना करें जो एक अकेले, बहुत बुद्धिमान जासूस की तरह है जो एक फोटो देखता है और कहता है, "यह कैंसर जैसा दिखता है।" अब, एक एजेंटिक AI की कल्पना करें जो जासूसों की एक पूरी टीम की तरह है जो मिलकर काम करती है। एक जासूस फोटो की गुणवत्ता की जांच करता है, दूसरा गर्मी के पैटर्न को मापता है, तीसरा रोगी के मेडिकल इतिहास की जांच करता है, चौथा बताता है कि उसे क्यों लगता है कि यह कैंसर है, और पांचवां अंतिम रिपोर्ट लिखता है। ये एजेंट एक-दूसरे से बात करते हैं, अपने काम की दोबारा जांच करते हैं, और मिलकर निर्णय लेते हैं।
पेपर ने पाया कि जबकि अन्य प्रकार के AI (जैसे कि मैमोग्राम या सामान्य कैंसर अनुसंधान में उपयोग किए जाने वाले) ने इस "टीम ऑफ डिटेक्टिव्स" दृष्टिकोण का उपयोग करना शुरू कर दिया है, अभी तक शून्य अध्ययनों ने सफलतापूर्वक इस टीम-आधारित, स्वायत्त AI को ब्रेस्ट थर्मोग्राफी पर लागू किया है। यह एक पूरी तरह से खाली क्षेत्र है। लेखकों का सुझाव है कि इस तकनीक का भविष्य केवल एक एकल मॉडल को स्मार्ट बनाने के बारे में नहीं है, बल्कि इस सहयोगी टीम (जिसे वे ATBIS फ्रेमवर्क कहते हैं) को बनाने के बारे में है जो फोटो लेने से लेकर रिपोर्ट लिखने तक की पूरी प्रक्रिया को संभाल सके।
एक वास्तविकता की जाँच (Reality Check)
लेखकों ने वर्तमान शोध में कुछ गंभीर छूटे हुए हिस्सों की ओर भी इशारा किया:
- "क्यों" गायब है: लगभग 60% अध्ययनों में यह समझाने का कोई तरीका शामिल नहीं था कि AI ने अपना निर्णय कैसे लिया। चिकित्सा में, आप केवल यह नहीं कह सकते कि "कंप्यूटर ने हाँ कहा"; आपको यह जानने की आवश्यकता है कि क्यों ताकि डॉक्टर इस पर भरोसा कर सकें।
- वास्तविक दुनिया का परीक्षण दुर्लभ है: 100 अध्ययनों में से केवल चार वास्तविक दुनिया के क्लिनिकल ट्रायल थे जहाँ मरीजों को अस्पताल के माहौल में स्कैन किया गया था। अधिकांश केवल पुराने डेटा का उपयोग करके किए गए कंप्यूटर सिमुलेशन थे।
- गोपनीयता संबंधी चिंताएं: जबकि कुछ शोधकर्ता निजी रोगी डेटा को साझा किए बिना AI को प्रशिक्षित करने के तरीकों (जिसे फेडरेटेड लर्निंग कहा जाता है) पर काम कर रहे हैं, इनमें से किसी भी गोपनीयता-केंद्रित पद्धति का अभी तक विशेष रूप से ब्रेस्ट हीट मैप्स पर परीक्षण नहीं किया गया है।
निष्कर्ष (The Bottom Line)
यह पेपर निष्कर्ष निकालता है कि जबकि तकनीक नियंत्रित लैब में पहेलियों को सुलझाने में बहुत अच्छी होती जा रही है, इसने अभी तक ब्रेस्ट कैंसर की अव्यवस्थित, वास्तविक दुनिया की पहेली को हल करना नहीं सीखा है। उच्च सटीकता के आंकड़े ज्यादातर एक ही छोटे डेटासेट का बार-बार उपयोग करने का परिणाम हैं। शोधकर्ताओं के अनुसार, भविष्य उस "एजेंटिक AI" (टीम ऑफ AI डिटेक्टिव्स) को बनाने, सीखने के लिए रोगियों के बहुत बड़े और विविध समूहों को इकट्ठा करने, और अंततः इन प्रणालियों को वास्तविक अस्पतालों में परीक्षण करने में निहित है कि क्या वे वास्तव में जीवन बचा सकते हैं। तब तक, "सुपर-स्टूडेंट" अभी भी बड़े खेल के लिए अभ्यास कर रहा 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।