Context-aware AI-assisted screening for image duplication in biomedical publications
यह अध्ययन एक संदर्भ-जागरूक (context-aware) एआई-सहायता प्राप्त स्क्रीनिंग सिस्टम को प्रस्तुत और मान्य करता है जो उच्च संवेदनशीलता बनाए रखते हुए फॉल्स पॉजिटिव्स को कम करने के लिए विजुअल समानता को प्रासंगिक जोखिम अधिनिर्णय (contextual risk adjudication) के साथ एकीकृत करके बायोमेडिकल प्रकाशनों में छवि प्रतिकृति (image duplication) का पता लगाने की दक्षता और सटीकता में महत्वपूर्ण सुधार 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
बायोमेडिकल अनुसंधान की दुनिया में, एक तस्वीर अक्सर केवल एक चित्र से कहीं अधिक होती है; यह साक्ष्य का एक टुकड़ा होती है। जब वैज्ञानिक सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे कोशिकाओं के व्यवहार या ऊतकों (टिश्यू) में होने वाले परिवर्तनों का अध्ययन करते हैं, तो वे अपने निष्कर्षों को सिद्ध करने के लिए इन क्षणों को छवियों के रूप में कैद करते हैं। ये तस्वीरें चिकित्सा विज्ञान में विश्वास की नींव हैं। हालाँकि, एक गंभीर समस्या तब उत्पन्न होती है जब एक ही छवि का उपयोग बिना किसी स्पष्ट स्पष्टीकरण के दो अलग-अलग प्रयोगों को दर्शाने के लिए किया जाता है। इसे इमेज डुप्लिकेशन (छवि पुनरावृत्ति) के रूप में जाना जाता है। यह दुर्घटना से हो सकता है, जब कोई शोधकर्ता गलती से किसी फोटो का पुन: उपयोग कर लेता है, या जानबूझकर, ताकि डेटा को वास्तविकता से अधिक मजबूत दिखाया जा सके। क्योंकि वैज्ञानिक शोध पत्रों में अक्सर दर्जनों छवियां होती हैं, जो कभी-कभी कई छोटे पैनलों के साथ जटिल ग्रिड में व्यवस्थित होती हैं, इसलिए इन्हें आंखों से पहचानना अविश्वसनीय रूप से कठिन होता है। एक ही छवि को क्रॉप किया जा सकता है, घुमाया जा सकता है, या उसके रंगों को बदला जा सकता है, जिससे वह अलग दिखती है, भले ही वह वही हो। वर्षों से, संपादकों और समीक्षकों को इन हजारों छवियों को मैन्युअल रूप से छानना पड़ता रहा है, जो एक धीमा और थका देने वाला कार्य है जो अक्सर सूक्ष्म त्रुटियों को पकड़ने में विफल रहता है।
इस चुनौती से निपटने के लिए, चाइनीज एकेडमी ऑफ मेडिकल साइंसेज और पेकिंग यूनियन मेडिकल कॉलेज के शोधकर्ताओं की एक टीम ने इन समस्याओं को पहचानने में मदद करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने का एक नया तरीका विकसित किया है। उन्होंने ऐसी मशीन नहीं बनाई जो केवल समान दिखने वाली तस्वीरों को खोजे, क्योंकि ऐसा दृष्टिकोण बहुत अधिक 'फॉल्स अलार्म' (गलत चेतावनी) पैदा करता है। इसके बजाय, उन्होंने एक ऐसा सिस्टम बनाया जो एक सतर्क सहायक की तरह काम करता है, जो न केवल समान दिखने वाली छवियों को ढूंढता है बल्कि उन छवियों के वास्तविक अर्थ को समझने के लिए आसपास के टेक्स्ट (पाठ) को भी पढ़ता है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण उन 79 वैज्ञानिक लेखों पर किया जिन्हें पहले ही वापस (रिट्रैक्ट) लिया जा चुका था, क्योंकि उनमें छवि पुनरावृत्ति के पुष्ट मामले पाए गए थे। इन ज्ञात समस्या वाले मामलों को अपने सिस्टम में फीड करके, वे देख सके कि क्या AI त्रुटियों की सही पहचान करता है और, उतना ही महत्वपूर्ण रूप से, क्या वह एक वास्तविक गलती और एक वैध समानता (जैसे कि अलग सेटिंग्स के साथ एक ही प्रयोग की दो तस्वीरें) के बीच अंतर कर सकता है।
यह सिस्टम दो मुख्य चरणों में काम करता है। सबसे पहले, यह पूरे लेख को स्कैन करता है ताकि किसी भी ऐसी जोड़ी को खोजा जा सके जो देखने में समान हो। इस प्रारंभिक जांच में, कंप्यूटर ने छवियों के 534 ऐसे जोड़े खोजे जो एक जैसे दिखते थे। हालाँकि, इनमें से सभी गलतियाँ नहीं थीं। कुछ वैध थे, जैसे कि एक ही फोटो का एक ज़ूम किया हुआ संस्करण, या एक ही माइक्रोस्कोप स्लाइड से दो अलग-अलग रंग के चैनल। यदि सिस्टम यहीं रुक जाता, तो संपादकों को अभी भी उन सभी 534 जोड़ियों की जांच करनी पड़ती, जिससे समय की बहुत कम बचत होती। इस नए तरीके की असली शक्ति दूसरे चरण में आती है, जहाँ AI संदर्भ को समझने के लिए लेख के टेक्स्ट को पढ़ता है। यह फिगर लीजेंड्स (चित्र विवरण), मुख्य पाठ, और यहाँ तक कि छवियों के भीतर के लेबल को भी देखता है ताकि यह निर्धारित किया जा सके कि प्रत्येक चित्र क्या दिखा रहा है। यह प्रश्न पूछता है जैसे: क्या ये दोनों छवियां जानवरों के एक ही समूह का प्रतिनिधित्व करती हैं? क्या वे एक प्रयोग के एक ही समय बिंदु को दिखा रही हैं? या वे दावा करती हैं कि वे अलग-अलग चीजें दिखा रही हैं जो दिखने में एक जैसी हैं?
जब शोधकर्ताओं ने संदर्भ पढ़ने के दूसरे चरण को लागू किया, तो परिणाम नाटकीय रूप से बदल गए। सिस्टम ने सभी 327 ज्ञात खराब छवि जोड़ों को "उच्च जोखिम" (हाई रिस्क) श्रेणी में सफलतापूर्वक रखा, जिसका अर्थ है कि इसने पहले चरण में पाई गई अपनी सभी पुष्ट त्रुटियों को मिस नहीं किया। इससे भी महत्वपूर्ण बात यह है कि इसने 152 वैध, समान दिखने वाले जोड़ों को "कम जोखिम" (लो रिस्क) के रूप में सफलतापूर्वक पहचाना। इसका मतलब था कि सिस्टम संपादकों को बता सकता था कि ये विशिष्ट छवियां संभवतः ठीक हैं और उन्हें गहन जांच की आवश्यकता नहीं है। परिणामस्वरूप, मानव संपादक को बारीकी से देखने के लिए आवश्यक छवियों के कुल जोड़ों की संख्या 534 से घटकर 382 रह गई। लगभग 30 प्रतिशत की यह कमी का मतलब है कि संपादक अपना सीमित समय वास्तव में महत्वपूर्ण मामलों पर केंद्रित कर सकते हैं। सिस्टम ने केवल अनुमान नहीं लगाया; इसने प्रत्येक निर्णय के लिए एक लिखित रिपोर्ट प्रदान की, जिसमें सटीक रूप से बताया गया कि कौन से भाग के आधार पर निष्कर्ष निकाला गया, जिससे एक मानव द्वारा तर्क की पुष्टि करना संभव हो सका।
अध्ययन ने दिखाया कि AI वर्गीकरण के मामले में मानव विशेषज्ञों के साथ लगभग 89 प्रतिशत बार सहमत था। जिन मामलों में AI और मनुष्यों के बीच असहमति हुई, वे त्रुटियां आमतौर पर इसलिए हुईं क्योंकि पेपर में टेक्स्ट अस्पष्ट था या इमेज लेआउट भ्रमित करने वाला था, न कि इसलिए कि AI मौलिक रूप से त्रुटिपूर्ण था। उदाहरण के लिए, यदि किसी इमेज पर लगा स्केल या तकनीकी मार्किंग दो अलग-अलग चित्रों में समान दिखती है, तो सिस्टम उसे संदिग्ध मान सकता है, जो कि एक सुरक्षित विकल्प है क्योंकि एक वास्तविक समस्या को मिस करने की तुलना में कुछ अतिरिक्त छवियों की जांच करना बेहतर है। शोधकर्ताओं ने इस बात पर जोर दिया कि यह उपकरण मानव निर्णय लेने में सहायता करने के लिए डिज़ाइन किया गया है, न कि उसकी जगह लेने के लिए। यह अपने आप में किसी पेपर को धोखाधड़ी वाला घोषित नहीं करता है; बल्कि, यह सबसे संदिग्ध क्षेत्रों को उजागर करता है और मानव संपादक को अंतिम निर्णय लेने के लिए आवश्यक साक्ष्य प्रदान करता है।
यह दृष्टिकोण वैज्ञानिक अखंडता बनाए रखने के तरीके में एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करता है। केवल विजुअल मैचिंग (दृश्य मिलान) पर निर्भर रहने के बजाय, जो अक्सर वैध समानताओं से भ्रमित हो जाता है, यह नया तरीका विजुअल डिटेक्शन को वैज्ञानिक कहानी की गहरी समझ के साथ जोड़ता है। लेखों को सुरक्षित कंप्यूटरों पर स्थानीय रूप से प्रोसेस करके, यह सिस्टम अप्रकाशित शोध की गोपनीयता की भी रक्षा करता है, यह सुनिश्चित करते हुए कि संवेदनशील डेटा पब्लिशर के नियंत्रण से बाहर न जाए। हालांकि यह परीक्षण उन लेखों पर किया गया था जिनमें पहले से ही समस्याएं ज्ञात थीं, शोधकर्ताओं का मानना है कि यह तरीका प्रकाशकों को त्रुटियों को प्रकाशित होने से पहले ही पकड़ने में मदद करेगा। लक्ष्य एक पूर्ण, स्वचालित न्यायाधीश बनाना नहीं है, बल्कि मानव समीक्षकों को एक शक्तिशाली उपकरण देना है जो उन्हें व्यापक परिदृश्य को समझने में मदद करे, यह सुनिश्चित करते हुए कि हमारे चिकित्सा ज्ञान का समर्थन करने वाली छवियां उतनी ही विश्वसनीय हों जितना कि उनके पीछे का विज्ञान।
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।