A Hybrid Complex Quantum U-Net for Enhanced Medical Polyp Image Segmentation

मेडिकल इमेजिंग की शांत और उच्च-दांव वाली दुनिया में, डॉक्टर उन चीजों को देखने के लिए कंप्यूटर पर भरोसा करते हैं जो मानवीय आंख से छूट सकती हैं। सबसे महत्वपूर्ण कार्यों में से एक है पॉलीप्स को पहचानना, जो कोलन की भीतरी परत पर छोटी वृद्धि होती है जो यदि अनुपचारित छोड़ दी जाए तो कैंसर में बदल सकती है। वर्षों से, इस काम के लिए मानक उपकरण एक प्रकार का आर्टिफिशियल इंटेलिजेंस रहा है जिसे न्यूरल नेटवर्क कहा जाता है, जो छवियों में पैटर्न को पहचानने के लिए ठीक वैसे ही सीखता है जैसे मानव मस्तिष्क चेहरों को पहचानना सीखता है। ये सिस्टम आमतौर पर केवल वास्तविक संख्याओं (real numbers) का उपयोग करके छवियों को प्रोसेस करने के लिए बनाए जाते हैं, जो एक गणितीय भाषा है जो चमक और रंग का वर्णन करती है लेकिन 'फेज' (phase) के रूप में ज्ञात जानकारी की एक छिपी हुई परत को अनदेखा कर देती है। फेज तरंगों का एक गुण है जो संरचना और बनावट के बारे में सूक्ष्म विवरण ले जाता है, जो अक्सर डेटा को सरल बनाने पर खो जाता है। हालांकि ये मानक सिस्टम अच्छी तरह से काम करते हैं, लेकिन वे कभी-कभी मानव शरीर के भीतर पाई जाने वाली जटिल और विविध बनावटों के साथ संघर्ष करते हैं। इसी समय, कंप्यूटिंग का एक नया क्षेत्र उभर रहा है जो सूचना को संसाधित करने के लिए क्वांटम भौतिकी के अजीब नियमों का उपयोग करता है जिसे क्लासिकल कंप्यूटर नहीं कर सकते। शोधकर्ता यह सोचने लगे हैं कि क्या इन दो दुनियाओं को मिलाना—संकेतों की जटिल, तरंग जैसी प्रकृति और क्वांटम यांत्रिकी के शक्तिशाली, संभाव्य तर्क—बीमारी खोजने का एक स्मार्ट तरीका बना सकता है।

शोधकर्ताओं ने इस सवाल का जवाब देने के लिए एक नया प्रकार का आर्टिफिशियल इंटेलिजेंस विशेष रूप से कोलन पॉलीप्स खोजने के लिए डिज़ाइन करके एक साहसी कदम उठाया है। उन्होंने एक हाइब्रिड सिस्टम बनाया जो डेटा के बारे में सोचने के तीन अलग-अलग तरीकों को जोड़ता है: अधिकांश कंप्यूटरों में उपयोग किए जाने वाले मानक वास्तविक नंबर, जटिल संख्याएं (complex numbers) जो आकार और तरंग-जैसी फेज दोनों को ट्रैक रखती हैं, और एक सिम्युलेटेड क्वांटम सर्किट जो क्वांटम यांत्रिकी के सिद्धांतों का उपयोग करके सूचना को प्रोसेस करता है। लक्ष्य पूरी प्रणाली को क्वांटम तकनीक से बदलना नहीं था, जो अभी अपने शुरुआती चरण में है, बल्कि एक सिद्ध मेडिकल इमेजिंग ढांचे में एक छोटा, विशिष्ट क्वांटम स्तर बुनना था। परिणाम एक ऐसा मॉडल है जो एक अत्यधिक प्रशिक्षित विशेषज्ञ की तरह कार्य करता है, जो एक परिचित संरचना का उपयोग करके छवि को स्कैन करता है, लेकिन अंतिम निर्णय लेने से पहले डेटा का विश्लेषण करने के लिए एक अधिक परिष्कृत, बहु-आयामी लेंस के साथ एक महत्वपूर्ण बिंदु पर रुकता है।

शोधकर्ताओं ने यू-नेट (U-Net) नामक एक प्रसिद्ध आर्किटेक्चर के साथ शुरुआत की, जो 'U' के आकार का होता है और अपनी इस क्षमता के लिए प्रसिद्ध है कि वह एक तस्वीर लेता है, उसे विशेषताओं में तोड़ता है, और फिर विशिष्ट क्षेत्रों को हाइलाइट करने के लिए उसे पुनर्गठित करता है। अपने संस्करण में, उन्होंने मानक शुरुआती बिंदु को एक शक्तिशाली प्री-ट्रेन्ड सिस्टम से बदल दिया जो कोलोनोस्कोपी छवि से सबसे महत्वपूर्ण विवरण निकालने के लिए एक फिल्टर के रूप में कार्य करता है। विवरणों को एक साधारण वास्तविक-संख्या फिल्टर के माध्यम से भेजने के बजाय, उन्होंने उन्हें एक कॉम्प्लेक्स-वैल्यूड ब्लॉक (complex-valued block) में भेजा। सिस्टम का यह हिस्सा इमेज डेटा के साथ ऐसे व्यवहार करता है जैसे कि वह एक तरंग हो, जिससे उसकी तीव्रता और उसके फेज दोनों को सुरक्षित रखा जा सके। इस फेज जानकारी को बनाए रखकर, मॉडल पॉलीप की बनावट और किनारों के सूक्ष्म सुरागों को सुरक्षित रखता है जिन्हें अन्य सिस्टम अक्सर त्याग देते हैं।

इस नेटवर्क के बिल्कुल केंद्र में, जहाँ छवि को उसके सबसे आवश्यक फीचर्स में कम कर दिया गया है, शोधकर्ताओं ने एक अद्वितीय घटक डाला: एक सिम्युलेटेड क्वांटम सर्किट। यह सर्किट एक वैश्विक पर्यवेक्षक (global observer) के रूप में कार्य करता है। यह जटिल तरंग सूचना का सारांश—विशेष रूप से फीचर्स के औसत आकार और फेज—लेता है और उसे एक छोटे, आठ-आयामी वेक्टर में संकुचित करता है। इस वेक्टर को फिर एक क्वांटम प्रोसेसर में फीड किया जाता है, जो एक मानक कंप्यूटर पर चल रहा एक गणितीय सिमुलेशन है लेकिन क्वांटम यांत्रिकी के नियमों का पालन करता है। क्वांटम प्रोसेसर इन सांख्यिकी का विश्लेषण करता है और नेटवर्क को वापस एक संकेत भेजता है, जो प्रभावी रूप से इसे बताता है, "बड़ी तस्वीर को देखो; यहाँ बताया गया है कि वैश्विक संदर्भ आपके स्थानीय विवरणों को कैसे प्रभावित करना चाहिए।" यह सिग्नल फीचर्स को मॉड्युलेट करता है, उन्हें अंतिम छवि को पुनर्गठित करने से पहले पॉलीप के समग्र आकार और संदर्भ के अनुकूल बेहतर ढंग से ढालने के लिए समायोजित करता है।

टीम ने तीन अलग-अलग मेडिकल इमेज सेट्स पर इस नए हाइब्रिड सिस्टम का परीक्षण किया, जिसमें 246 उच्च-गुणवत्ता वाली कोलोनोस्कोपी तस्वीरों का एक कस्टम संग्रह और एक हजार से अधिक छवियों वाले दो बड़े सार्वजनिक डेटासेट्स शामिल थे। उन्होंने अपने हाइब्रिड मॉडल की तुलना दो सबसे मजबूत मौजूदा तरीकों से की: एक मानक उन्नत न्यूरल नेटवर्क और एक नया सिस्टम जो ट्रांसफॉर्मर पर आधारित है, जो छवियों में लंबी दूरी के कनेक्शन को समझने के लिए जाना जाता है। परिणाम स्पष्ट थे। कस्टम डेटासेट पर, हाइब्रिड मॉडल ने वास्तविक पॉलीप के आउटलाइन को कितनी अच्छी तरह मैच किया, इसे मापने में 79.36 प्रतिशत का स्कोर प्राप्त किया, जिसने मानक नेटवर्क को एक महत्वपूर्ण अंतर से पीछे छोड़ दिया। इसने अन्य दो डेटासेट्स पर भी उच्च स्कोर किया, जिससे साबित हुआ कि यह दृष्टिकोण उन छवियों पर भी अच्छा काम करता है जिन्हें इसने पहले कभी नहीं देखा था। शोधकर्ताओं ने पाया कि या तो कॉम्प्लेक्स-वैल्यूड ब्लॉक या क्वांटम लेयर को हटाने से प्रदर्शन गिर गया, जिससे पुष्टि हुई कि सफलता के लिए दोनों हिस्से आवश्यक थे।

अध्ययन बताता है कि सुधार मॉडल की केवल चमक से अधिक देखने की क्षमता से आता है। फेज जानकारी को सुरक्षित रखकर, सिस्टम पॉलीप के खुरदरे, अनियमित किनारों को चिकनी आसपास की ऊतक (tissue) से बेहतर तरीके से अलग कर सका। क्वांटम लेयर ने वैश्विक समझ की एक परत जोड़ी, जिससे मॉडल को केवल छोटे पैच को अलग-थलग देखने के बजाय पूरी छवि के संदर्भ को समझने में मदद मिली। हालांकि सिस्टम का क्वांटम हिस्सा सिम्युलेटेड था और वास्तविक क्वांटम हार्डवेयर पर नहीं चला, परिणाम संकेत देते हैं कि एक छोटा, सावधानीपूर्वक रखा गया क्वांटम मॉड्यूल भी मेडिकल डायग्नोसिस में सार्थक बढ़ावा दे सकता है। शोधकर्ता स्वीकार करते हैं कि उनका काम अभी प्रयोगात्मक चरण में है और वास्तविक दुनिया के क्वांटम कंप्यूटर अभी लाइव मेडिकल डेटा के शोर और जटिलता को संभालने के लिए तैयार नहीं हैं। हालांकि, निष्कर्ष एक आशाजनक मार्ग प्रदान करते हैं, जो दिखाते हैं कि क्लासिकल, कॉम्प्लेक्स और क्वांटम दृष्टिकोणों को मिलाने से ऐसे उपकरण बनाए जा सकते हैं जो बीमारी के शुरुआती संकेतों का पता लगाने के लिए अधिक सटीक और विश्वसनीय होते हैं।