ResNet50 Features for Colon Histopathology: What Transfer Learning Actually Delivers

डिजिटल डिटेक्टिव और रंगीन कांच की खिड़की

कल्पना कीजिए कि आप एक कंप्यूटर को एक विशाल बगीचे में एक विशिष्ट प्रकार की खरपतवार (weed) पहचानने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। आप इसे शून्य से सिखाने की कोशिश कर सकते हैं, जिसमें उसे खरपतवार और फूलों की लाखों तस्वीरें दिखाई जाती हैं, लेकिन इसमें बहुत समय लगता है और इसके लिए एक सुपरकंप्यूटर की आवश्यकता होती है। या फिर, आप एक "स्मार्ट हेल्पर" का उपयोग कर सकते है जिसने पहले से ही बिल्लियों, कारों और परिदृश्यों (landscapes) की लाखों तस्वीरों का अध्ययन करने में वर्षों बिताए हैं। यह हेल्पर किनारों, छायाओं और बनावट (textures) को पहचानना जानता है। यही ट्रांसफर लर्निंग (transfer learning) का जादू है: एक ऐसी चीज़ पर प्रशिक्षित मस्तिष्क (जैसे सामान्य तस्वीरें) को लेकर उसे किसी बिल्कुल अलग चीज़ (जैसे मेडिकल स्लाइड्स) में मदद करने के लिए कहना।

चिकित्सा की दुनिया में, डॉक्टर सूक्ष्मदर्शी (microscope) का उपयोग ऊतकों (tissue) के बहुत छोटे स्लाइस देखने के लिए करते हैं, जिन्हें अक्सर कोशिकाओं को दृश्यमान बनाने के लिए गुलाबी और बैंगनी रंगों से रंगा जाता है। इन्हें हिस्टोपैथोलॉजी (histopathology) स्लाइड्स कहा जाता है। लक्ष्य कैंसर कोशिकाओं को खोजना है, जो स्वस्थ कोशिकाओं से अलग दिखती हैं। लेकिन कंप्यूटर को यह सिखाना कठिन है क्योंकि मेडिकल इमेज जटिल होती हैं; डाई के बैच या उपयोग किए गए माइक्रोस्कोप के आधार पर रंग बदल सकते हैं। वैज्ञानिक मुख्य सवाल यह पूछ रहे हैं: यदि हम एक पूर्व-प्रशिक्षित "स्मार्ट हेल्पर" लेते हैं और केवल इन मेडिकल स्लाइड्स को देखने के लिए उसकी आँखों का उपयोग करते हैं, तो क्या वह वास्तव में समझ पाएगा कि वह क्या देख रहा है, या वह केवल उन विशिष्ट रंगों को याद कर लेगा जिनके लिए उसे प्रशिक्षित किया गया था?

---

शोध का मिशन: "स्मार्ट हेल्पर" वास्तव में क्या देखता है?

इस शोध में, सैमजना शाक्य नामक एक वैज्ञानिक ने ResNet50 नामक एक विशिष्ट मॉडल का उपयोग करके इस "स्मार्ट हेल्पर" को परखने का निर्णय लिया। ResNet50 को लाखों पेंटिंग्स देख चुके एक अनुभवी कला समीक्षक (art critic) के रूप में समझें। शोधकर्ता ने समीक्षक को फिर से पेंटिंग सीखना नहीं सिखाया; इसके बजाय, उन्होंने समीक्षक से केवल एक नई तस्वीर में जो वे देखते हैं उसका वर्णन करने के लिए कहा।

शोधकर्ता ने कोलन टिश्यू (colon tissue) की एक प्रसिद्ध संग्रह (जिसे LC25000 डेटासेट कहा जाता है) ली और उसे इस "फ्रीज्ड" (frozen) ResNet50 मॉडल में डाला। "फ्रीज्ड" का अर्थ है कि मॉडल का मस्तिष्क कुछ भी नया सीखने या बदलने की अनुमति नहीं थी; इसने केवल अपने मौजूदा ज्ञान का उपयोग करके प्रत्येक छोटी इमेज पैच को संख्याओं की एक लंबी सूची (एक 2048-आयामी वेक्टर) में बदल दिया। यह सूची छवि की बनावट और आकार के एक विस्तृत फिंगरप्रिंट की तरह है।

शोधपत्र ने पूछा: यदि हम इन फिंगरप्रिंट्स को लेते हैं और उन्हें एक सरल, पुराने ज़माने के गणितीय उपकरण (जैसे लॉजिस्टिक रिग्रेशन मॉडल) को देते हैं, तो क्या वह स्वस्थ कोलन टिश्यू और कैंसर के बीच अंतर कर सकता है?

परिणाम: एक परफेक्ट स्कोर, लेकिन एक बड़ी चेतावनी

परिणाम चौंका देने वाले रूप में अच्छे थे। 10,000 छवियों के एक संतुलित सेट पर, सिस्टम ने 99.89% सटीकता और 1.0000 का परफेक्ट AUC प्राप्त किया। इसे समझने के लिए, यदि आप "कैंसर पहचानने" का खेल खेल रहे होते, तो यह सिस्टम इस विशिष्ट सेट की हर एक तस्वीर को सही पहचानता।

जब शोधकर्ता ने देखा कि कंप्यूटर बिना उत्तर बताए इन छवियों को कैसे समूहों में बांटता है (K-means क्लस्टरिंग नामक विधि का उपयोग करके), तो समूह अविश्वसनीय रूप से स्पष्ट थे। "कैंसर" वाली छवियां एक साथ सिमटी हुई थीं, और "स्वस्थ" छवियां अपने स्वयं के समूह में रहीं, जिसकी शुद्धता 90% से अधिक थी। इसके अलावा, जब उन्होंने वास्तविक जीव विज्ञान (biology) की जांच की, तो कंप्यूटर के समूह कोशिका नाभिक (cell nuclei - कोशिकाओं के छोटे नियंत्रण केंद्र) के वास्तविक अंतरों से मेल खाते थे। समूहों के बीच नाभिकों की संख्या और उनका आकार सांख्यिकीय रूप से भिन्न था, जिसका p-value 0.0001 से कम था, जिसका अर्थ है कि इसकी संयोग होने की संभावना बहुत कम थी।

पकड़: अभी जश्न न मनाएं

यहाँ एक मोड़ है। भले ही स्कोर एकदम सटीक था, शोधपत्र तर्क देता है कि हमें अभी शैंपेन की बोतलें नहीं खोलनी चाहिए। लेखक का सुझाव है कि यह लगभग पूर्ण स्कोर विशिष्ट डेटासेट का एक छल हो सकता है।

शोधपत्र स्पष्ट रूप से चेतावनी देता है कि यदि आप माइक्रोस्कोप या डाई बदल देते हैं, तो यह सफलता बरकरार नहीं रह सकती है। यदि कंप्यूटर ने इस एक डेटासेट में उपयोग किए गए स्कैनर के विशिष्ट "फिंगरप्रिंट" या डाई के गुलाबी रंग के सटीक शेड को पहचानना सीख लिया है, तो यह दूसरे अस्पताल की स्लाइड पर पूरी तरह विफल हो सकता है। शोधपत्र इस विचार को खारिज करता है कि यह मॉडल वास्तविक दुनिया में उपयोग के लिए तैयार है क्योंकि इसने इस परीक्षण पर 100% स्कोर किया है। यह तर्क देता है कि ट्रांसफर लर्निंग हमें उपयोगी उपकरण तो देती है, लेकिन यह हमें अलग-अलग मशीनों और अलग-अलग प्रयोगशालाओं पर मॉडल का परीक्षण करने के कठिन काम को छोड़ने का मुफ्त पास नहीं देती है।

निष्कर्ष: एक बेहतरीन उपकरण, जादू की छड़ी नहीं

तो, यह शोधपत्र वास्तव में क्या प्रदान करता है? यह पुष्टि करता है कि एक पूर्व-प्रशिक्षित ResNet50 को फीचर एक्सट्रैक्टर के रूप में उपयोग करना एक स्मार्ट और कुशल कदम है। यह एक पेशेवर फोटोग्राफर द्वारा अपराध स्थल की उच्च-गुणवत्ता वाली फोटो लेने जैसा है, और फिर एक जासूस उस फोटो का उपयोग करके केस सुलझाता है। फोटोग्राफर (ResNet50) विवरणों को कैप्चर करने का भारी काम करता है, और जासूस (सरल गणितीय मॉडल) बाकी काम करता है।

यह दृष्टिकोण समय और कंप्यूटिंग शक्ति बचाता है। आप इन "फिंगरप्रिंट्स" को एक बार निकाल सकते हैं और पूरे सिस्टम को फिर से प्रशिक्षित किए बिना कई अलग-अलग परीक्षणों के लिए उपयोग कर सकते हैं। हालाँकि, शोधपत्र इस बात पर जोर देता है कि यह केवल पहला कदम है। पूर्ण स्कोर एक शुरुआती बिंदु है, अंतिम रेखा नहीं। इससे पहले कि इस तकनीक पर वास्तविक अस्पताल में भरोसा किया जा सके, इसे विभिन्न स्कैनर्स और विभिन्न स्टेनिंग बैचों से छवियों को दिखाने के "तनाव परीक्षण" (stress test) को पास करना होगा। तब तक, परफेक्ट स्कोर एक शक्तिशाली उपकरण का संकेत है, लेकिन किसी समस्या के हल होने की गारंटी नहीं है।