Do Pathology Foundation Models Learn Biology? Uncertainty-Based Evaluation on AML Cytomorphology
यह अध्ययन प्रदर्शित करता है कि जबकि सामान्य-उद्देश्य वाले विजन मॉडल मानक क्लस्टरिंग मेट्रिक्स पर पैथोलॉजी-विशिष्ट फाउंडेशन मॉडल्स से बेहतर प्रदर्शन कर सकते हैं, लेकिन बाद वाले की जैविक रूप से सार्थक संरचना को पकड़ने की क्षमता स्थिर अनिश्चितता पैटर्न के माध्यम से बेहतर ढंग से प्रकट होती है जो एक्यूट मायलोइड ल्यूकेमिया में सेल मैच्योरिटी अवस्थाओं के बीच अंतर करती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
चिकित्सा की दुनिया में, सूक्ष्मदर्शी (माइक्रोस्कोप) लंबे समय से मानव शरीर की अदृश्य कार्यप्रणाली को समझने के लिए प्राथमिक उपकरण रहा है। जब किसी डॉक्टर को रक्त विकार का संदेह होता है, तो वे कोशिकाओं की एक स्लाइड देखते हैं, और आकार, रंग और बनावट में उन सूक्ष्म अंतरों की तलाश करते हैं जो यह प्रकट कर सकें कि कोशिका स्वस्थ है या बीमार। यह कार्य कठिन है और मानवीय त्रुटियों के प्रति संवेदनशील है; विशेषज्ञ भी इस पर असहमत हो सकते हैं कि वे क्या देख रहे हैं, और यह प्रक्रिया धीमी है। मदद के लिए, वैज्ञानिकों ने कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) की ओर रुख किया है, जिससे कंप्यूटर को इन पैटर्नों को पहचानना सिखाया जा सके। हाल ही में, शक्तिशाली कंप्यूटर प्रोग्रामों की एक नई पीढ़ी उभरी है, जिन्हें 'फाउंडेशन मॉडल्स' के रूप में जाना जाता है। ये दृश्य ज्ञान के विशाल पुस्तकालयों की तरह हैं, जिन्हें दुनिया को समझने के लिए लाखों छवियों पर प्रशिक्षित किया गया है। कुछ को प्रकृति की सामान्य तस्वीरों पर प्रशिक्षित किया जाता है, जबकि अन्य को विशेष रूप से मेडिकल स्लाइड्स पर प्रशिक्षित किया जाता है। डॉक्टरों और शोधकर्ताओं के लिए बड़ा सवाल यह है कि क्या ये सामान्य-उद्देश्य वाले प्रोग्राम, जो दुनिया के बारे में अविश्वसनीय रूप से स्मार्ट हैं, वास्तव में मानव कोशिकाओं के विशिष्ट और जटिल जीव विज्ञान को समझ सकते हैं, या उन्हें ऐसा करने के लिए मेडिकल छवियों पर प्रशिक्षित करने की आवश्यकता है।
एक टीम ने एक विशिष्ट प्रकार के रक्त कैंसर, जिसे एक्यूट माइलॉयड ल्यूकेमिया कहा जाता है, पर तीन अलग-अलग कंप्यूटर मॉडलों का परीक्षण करके इसका उत्तर देने का प्रयास किया। यह रोग तब होता है जब रक्त कोशिकाएं ठीक से परिपक्व होने में विफल रहती हैं, और एक अपरिपक्व अवस्था में फंस जाती हैं। शोधकर्ताओं ने लगभग 17,500 व्यक्तिगत कोशिकाओं की छवियों वाले एक डेटासेट का उपयोग किया, जिन्हें विशेषज्ञों द्वारा उनके जैविक विकास के आधार पर पंद्रह विशिष्ट श्रेणियों में पहले ही वर्गीकृत किया जा चुका था। लक्ष्य यह देखना था कि क्या कंप्यूटर मॉडल बिना उत्तर बताए इन कोशिकाओं को सही ढंग से समूहों में वर्गीकृत कर सकते हैं। उन्होंने सामान्य छवियों पर प्रशिक्षित एक मानक मॉडल, सामान्य छवियों पर प्रशिक्षित एक बड़े मॉडल (जो अधिक उन्नत शिक्षण पद्धति का उपयोग करता है), और लाखों मेडिकल पैथोलॉजी स्लाइड्स पर प्रशिक्षित एक विशेष मॉडल का परीक्षण किया।
परिणामों ने एक आश्चर्यजनक मोड़ दिखाया। जब शोधकर्ताओं ने देखा कि कंप्यूटर द्वारा बनाए गए समूह कितनी सफाई से बने थे, तो प्राकृतिक फोटोग्राफ्स पर प्रशिक्षित सामान्य-उद्देश्य वाला मॉडल सबसे अच्छा प्रदर्शन करता दिखा। इसने बहुत ही सटीक और स्पष्ट रूप से अलग दिखने वाले क्लस्टर बनाए जो कागज़ पर एकदम सही लग रहे थे। हालांकि, जब शोधकर्ताओं ने जांच की कि क्या ये समूह वास्तव में कोशिकाओं के वास्तविक जैविक प्रकारों से मेल खाते हैं, तो यही मॉडल पूरी तरह से विफल रहा। इसने उन कोशिकाओं को एक साथ समूहबद्ध कर दिया जो सतही तौर पर समान दिखती थीं लेकिन शरीर में पूरी तरह से अलग परिवारों से संबंधित थीं। इसके विपरीत, विशेष रूप से मेडिकल स्लाइड्स पर प्रशिक्षित मॉडल ने ऐसे समूह बनाए जो कम व्यवस्थित और ज्यामितीय रूप से कम पूर्ण थे, फिर भी इन समूहों का वास्तविक बीमारी के जीव विज्ञान के साथ बेहतर तालमेल था। विशेष मॉडल ने उन सूक्ष्म अंतरों को समझा जो एक डॉक्टर के लिए महत्वपूर्ण होते हैं, जबकि सामान्य मॉडल सतही समानताओं के कारण भ्रमित हो गया।
इस बात के मूल कारण तक पहुँचने के लिए, शोधकर्ताओं ने एक नया तरीका विकसित किया: उन्होंने प्रत्येक कोशिका के बारे में कंप्यूटर की अनिश्चितता को मापा। जीव विज्ञान में, कुछ कोशिकाएं स्पष्ट रूप रूप से परिभाषित और स्थिर होती हैं, जबकि अन्य संक्रमणकालीन अवस्था में होती हैं, जो एक चरण से दूसरे चरण में बदल रही होती हैं। ये संक्रमणकालीन कोशिकाएं स्वाभाविक रूप से संदिग्ध होती हैं। शोधकर्ताओं ने पाया कि मेडिकल-प्रशिक्षित मॉडल में ठीक वहीं उच्च अनिश्चितता दिखाई दी जहाँ उसे होनी चाहिए थी: जब वह इन संक्रमणकालीन, परिवर्तनशील कोशिकाओं को देख रहा था। इसने पहचान लिया कि इन कोशिकाओं को स्पष्ट रूप से निर्धारित करना कठिन है। दूसरी ओर, सामान्य-उद्देश्य वाले मॉडल में ऐसा कोई पैटर्न नहीं दिखा; वह हर चीज़ के बारे में समान रूप से आश्वस्त था, और जैविक जटिलता को महसूस करने में विफल रहा। यह अनिश्चितता वास्तव में समूहों की स्वच्छता की तुलना में वास्तविक समझ का अधिक विश्वसनीय संकेत साबित हुई।
इस अध्ययन ने इन उपकरणों के मूल्यांकन के लिए एक महत्वपूर्ण सबक भी रेखांकित किया। यदि कोई शोधकर्ता केवल उन मानक स्कोर को देखता है जो समूहों की स्वच्छता को मापते हैं, तो वह काम के लिए गलत मॉडल चुन लेगा। वह मॉडल जो मानक परीक्षण पर सबसे अच्छा दिखता है, वास्तव में जीव विज्ञान को समझने में सबसे खराब है। इसके अलावा, शोधकर्ताओं ने पाया कि मेडिकल मॉडल का प्रदर्शन इस बात पर निर्भर कर सकता है कि प्रयोग कैसे शुरू किया गया था, लेकिन इसकी अनिश्चितता को महसूस करने की क्षमता स्थिर और विश्वसनीय बनी रही। यह सुझाव देता है कि केवल यह जांचने के बजाय कि क्या कोई मॉडल चीजों को व्यवस्थित ढेरों में छाँटता है, अस्पष्टता के प्रति मॉडल की प्रतिक्रिया को देखना बुद्धिमत्ता को आंकने का एक बेहतर तरीका है। अंततः, अनुसंधान दिखाता है कि कंप्यूटर को लाखों मेडिकल छवियों पर प्रशिक्षित करने से दुनिया को देखने के तरीके पर एक विशिष्ट छाप पड़ती है, जिससे वह बीमारी की जैविक वास्तविकता को उस तरह से समझने में सक्षम होता है जैसा कि केवल सामान्य ज्ञान प्राप्त नहीं कर सकता।
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।