An open AI system for dermatology tasks
यह शोध पत्र UniDerm को प्रस्तुत करता है, जो पूरी तरह से सार्वजनिक डेटा पर प्रशिक्षित एक ओपन-सोर्स डर्मेटोलॉजी फाउंडेशन मॉडल है, जो एक नवीन सुपरविजन-डिनोइजिंग कंट्रास्टिव लर्निंग दृष्टिकोण का उपयोग करता है जो विविध त्वचा के रंगों और वैश्विक बेंचमार्क में विशेषज्ञ-स्तर की नैदानिक सटीकता प्राप्त करता है, जो मालिकाना प्रणालियों के एक प्रतिलिपि योग्य और न्यायसंगत विकल्प की पेशकश 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 कंप्यूटर को त्वचा रोगों को पहचानना सिखाने की कोशिश कर रहे हैं। वर्षों तक, सबसे अच्छे AI सिस्टम 'सीक्रेट क्लबों' की तरह थे: उन्हें मरीजों की विशाल, निजी फोटो संग्रहों पर प्रशिक्षित किया गया था जिन्हें केवल कुछ बड़े अस्पतालों तक ही पहुँचा जा सकता था। क्योंकि इन प्रणालियों ने अपने प्रशिक्षण डेटा को छिपा कर रखा था, इसलिए कोई और यह जाँच नहीं सका कि वे पक्षपाती थे या नहीं, उनकी गलतियों को कैसे सुधारा जाए, या उन्हें एक छोटे क्लिनिक में साधारण लैपटॉप पर कैसे चलाया जाए। यह एक ऐसे प्रतिभाशाली डॉक्टर की तरह था जिसने अपनी मेडिकल पाठ्यपुस्तकों को साझा करने से इनकार कर दिया हो, जिससे दुनिया का अधिकांश हिस्सा उनकी विशेषज्ञता से वंचित रह गया।
इस शोध पत्र के माध्यम से हुई सफलता को समझने के लिए, आपको दो चीजें जानना आवश्यक है। पहला, "फाउंडेशन मॉडल्स" (foundation models) उन सुपर-स्मार्ट छात्रों की तरह हैं जो विशिष्ट कार्यों के लिए परीक्षण से पहले भारी मात्रा में डेटा से सामान्य पैटर्न सीखते हैं। दूसरा, "कॉन्ट्रास्टिव लर्निंग" (contrastive learning) AI को सिखाने का एक तरीका है जिसमें उसे ऐसी चीजों के जोड़े दिखाए जाते हैं जो एक साथ आते हैं (जैसे कि चकत्ते की एक तस्वीर और शब्द "एक्जिमा") और उसे निर्देश दिया जाता है कि वह उन जोड़ों को अपने मस्तिष्क में करीब लाए और असंबंधित चीजों को दूर धकेले। पेचीदा हिस्सा यह है कि त्वचा की छवियों के साथ अक्सर एक साथ कई अलग-अलग विवरण जुड़े होते हैं—एक निदान, शरीर का स्थान, लक्षणों की एक सूची और एक दृश्य अवधारणा। पारंपरिक AI ने इन सभी विवरणों को एक धुंधले उत्तर में औसत करने की कोशिश की, जिससे वे सूक्ष्म विवरण खो गए जो एक सटीक निदान के लिए आवश्यक होते हैं।
यह शोध पत्र UniDerm को पेश करता है, जो डर्मेटोलॉजी (त्वचा विज्ञान) के लिए एक नया, पूरी तरह से खुला AI सिस्टम है जो इस विचार को चुनौती देता है कि विश्व स्तरीय मेडिकल AI बनाने के लिए आपको गुप्त, निजी डेटा की आवश्यकता होती है। लेखकों ने, जो त्सिंगहुआ विश्वविद्यालय, बायचुआन इंक और अन्य संस्थानों की एक टीम है, एक ऐसा मॉडल बनाया है जिसे पूरी तरह से सार्वजनिक रूप से उपलब्ध इमेज और टेक्स्ट डेटा पर प्रशिक्षित किया गया है। त्वचा के घाव के विभिन्न विवरणों को एक धुंधले मिश्रण में औसत करने के बजाय, UniDerm "सुपरविजन-डीनॉइजिंग" (supervision-denoising) नामक एक चतुर तकनीक का उपयोग करता है। इसे एक ऐसे जासूस की तरह समझें जो केवल एक साथ चिल्लाते हुए गवाहों की भीड़ को नहीं सुनता; इसके बजाय, जासूस विशिष्ट प्रश्न पूछता है ("चकत्ता कैसा दिखता है?" बनाम "यह कहाँ स्थित है?") ताकि प्रत्येक विशिष्ट कार्य के लिए एक स्पष्ट और सटीक उत्तर प्राप्त किया जा सके।
इसके परिणाम आश्चर्यजनक हैं। UniDerm का परीक्षण पांच महाद्वीपों में 11 अलग-अलग बेंचमार्क पर किया गया और पाया गया कि यह अग्रणी "सीक्रेट क्लब" मॉडल्स के प्रदर्शन के बराबर है या उनसे भी बेहतर है, बावजूद इसके कि इसे केवल सार्वजनिक डेटा पर प्रशिक्षित किया गया था। वास्तव में, इसने केवल एक-तिहाई विशेषज्ञ लेबल का उपयोग करके निजी मॉडल्स के समान उच्च सटीकता प्राप्त की। इसने स्किन कैंसर का पता लगाने में 0.946 का सटीकता स्कोर (AUROC) दर्ज किया, जो 302 मानव विशेषज्ञों के पैनल के सर्वसम्मति से भी अधिक है। सबसे महत्वपूर्ण बात यह है कि UniDerm गहरे रंग की त्वचा (darker skin tones) पर भी अच्छी तरह काम करता है, एक ऐसा क्षेत्र जहाँ कई AI सिस्टम विफल हो जाते हैं, और इसे महंगे, शक्तिशाली ग्राफिक्स कार्ड की आवश्यकता के बिना एक मानक कंप्यूटर पर चलाया जा सकता है।
यह शोध पत्र तर्क देता है कि यह दृष्टिकोण मेडिकल AI का "लोकतांत्रीकरण" (democratizes) करता है। अपने मॉडल का कोड, वेट्स (weights), और अपने प्रशिक्षण डेटा को फिर से बनाने की सटीक विधि को जारी करके, लेखक समुदाय को इसकी चाबियाँ सौंप रहे हैं। इसका अर्थ यह है कि कम संसाधनों वाले क्षेत्रों के क्लिनिक स्वयं इस AI को डाउनलोड, ऑडिट और बेहतर बना सकते हैं, बजाय इसके कि उन्हें एक ऐसा मालिकाना उत्पाद खरीदना पड़े जिसका वे निरीक्षण या संशोधन नहीं कर सकते। लेखक सुझाव देते हैं कि यह तरीका रेडियोलॉजी या पैथोलॉजी जैसे अन्य क्षेत्रों में विशेषज्ञ स्तर का AI बनाने के लिए एक ब्लूप्रिंट हो सकता है, जो यह सिद्ध करता है कि सार्वजनिक भलाई के लिए निर्माण करने हेतु आपको निजी रहस्यों की आवश्यकता नहीं 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।