Fractal Geometry–Driven Hybrid Framework for Automated Skin Lesion Analysis and Classification

त्वचा का कैंसर एक निरंतर शत्रु है, जो इसलिए जान नहीं लेता कि इसका इलाज संभव नहीं है, बल्कि इसलिए क्योंकि इसे अक्सर बहुत देर से पकड़ा जाता है। सबसे खतरनाक रूप, मेलानोमा (melanoma), त्वचा की सतह से बाहर निकलते ही तेजी से फैलता है, जिससे इसे इसके शुरुआती और सबसे उपचार योग्य चरणों में पहचानने की क्षमता जीवन और मृत्यु का प्रश्न बन जाती है। दशकों से, डॉक्टर संदिग्ध तिल की जांच करने के लिए नग्न आंखों और डर्मोस्कोप नामक एक विशेष आवर्धक उपकरण पर निर्भर रहे हैं, जो अनियमितता के स्पष्ट संकेतों को देखते हैं। फिर भी, यह प्रक्रिया गहराई से मानवीय बनी हुई है, जो पर्यवेक्षक के अनुभव और अलग-अलग डॉक्टरों द्वारा एक ही छवि की व्याख्या करने के सूक्ष्म अंतरों के अधीन है। हाल के वर्षों में, कंप्यूटर ने सहायता करना शुरू कर दिया है, जो इन छवियों में ऐसे पैटर्न खोजने के लिए जटिल एल्गोरिदम का उपयोग करते हैं जो मानवीय आंखों के लिए अदृश्य होते हैं। हालांकि, ये डिजिटल सहायक अक्सर 'ब्लैक बॉक्स' के रूप में कार्य करते हैं, जो यह बताए बिना निदान प्रदान करते हैं कि वे उस निष्कर्ष तक कैसे पहुंचे, और उन्हें सीखने के लिए विशाल मात्रा में डेटा की आवश्यकता होती है, जो चिकित्सा के क्षेत्र में एक दुर्लभ संसाधन है। एक नया दृष्टिकोण इस अंतर को पाटने का प्रयास करता है, जिसमें कंप्यूटर को त्वचा के घावों को उसी तरह देखने के लिए सिखाया जाता है जैसे प्रकृति देखती है—एक गणितीय अवधारणा का उपयोग करके जो यह बताती है कि जटिल और खुरदरी चीजें कितनी जटिल होती हैं, और इसे आधुनिक कृत्रिम बुद्धिमत्ता (AI) के साथ जोड़कर एक ऐसी प्रणाली बनाना जो शक्तिशाली और समझने योग्य दोनों हो।

इस अध्ययन के पीछे के शोधकर्ताओं ने, जो भारत और इथियोपिया के संस्थानों में कार्यरत हैं, एक हाइब्रिड ढांचे का प्रस्ताव दिया है जो देखने के दो अलग-अलग तरीकों का मेल कराता है। एक तरफ, उन्होंने डीप लर्निंग का उपयोग किया, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है जो छवियों में पैटर्न पहचानने की मानव मस्तिष्क की क्षमता की नकल करता है। दूसरी ओर, वे फ्रैक्टल ज्योमेट्री (fractal geometry) की ओर मुड़े, जो गणित की एक शाखा है जो प्रकृति में पाई जाने वाली आकृतियों की खुरदरापन और अनियमितता को मापती है। जबकि एक चिकना वृत्त एक सरल, अनुमानित किनारा रखता है, एक टेढ़ा-मेढ़ा तट या एक जटिल पत्ती की सीमा अलग-अलग पैमानों पर अनंत रूप से विस्तृत और स्व-समान (self-similar) होती है; यही एक फ्रैक्टल है। टीम ने तर्क दिया कि घातक त्वचा के घाव, जो अराजक और अव्यवस्थित होते हैं, सौम्य या हानिरहित तिलों की तुलना में इस ज्यामितीय जटिलता का बहुत उच्च स्तर रखते हैं। इस विशिष्ट प्रकार के खुरदरेपन को मापकर, वे कंप्यूटर को नियमों का एक ऐसा सेट दे सकते हैं जो गणितीय रूप से सुदृढ़ और नैदानिक रूप से सार्थक हो, बजाय इसके कि इसे केवल लाखों उदाहरणों के आधार पर अनुमान लगाने दिया जाए।

इस विचार का परीक्षण करने के लिए, टीम ने एक डायग्नोस्टिक पाइपलाइन बनाई जो पहले त्वचा के घावों की कच्ची छवियों को साफ करती है, बाल या असमान रोशनी जैसे विकर्षणों को हटाती है, और फिर तिल को आसपास की त्वचा से सावधानीपूर्वक अलग करती है। एक बार जब घाव स्पष्ट रूप से परिभाषित हो जाता है, तो प्रणाली दोहरी विश्लेषण करती है। यह पारंपरिक बनावट (texture) विशेषताओं, जैसे रंग वितरण और आकार को निकालती है, और साथ ही फ्रैक्टल माप का एक समूह भी गणना करती है। इन मापों में घाव की सीमा की जटिलता, इसकी आंतरिक सतह का खुरदरापन और इसकी बनावट के भीतर अंतराल का वितरण शामिल है। इन गणितीय विवरणों को फिर डीप न्यूरल नेटवर्क द्वारा सीखे गए उच्च-स्तरीय दृश्य पैटर्न के साथ जोड़ा जाता है। प्रणाली केवल इन संख्याओं को आपस में नहीं जोड़ती है; यह यह तय करने के लिए एक स्मार्ट वेटिंग मैकेनिज्म (weighting mechanism) का उपयोग करती है कि किसी विशिष्ट निदान के लिए कौन सी विशेषताएं सबसे महत्वपूर्ण हैं, जिससे फ्रैक्टल की गणितीय सटीकता कृत्रिम बुद्धिमत्ता की व्यापक पैटर्न पहचान को निर्देशित कर सके।

इस प्रयोग के परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने अपने हाइब्रिड सिस्टम का परीक्षण त्वचा की छवियों के तीन प्रमुख, सार्वजनिक रूप से उपलब्ध संग्रहों पर किया—25,000 से अधिक छवियों वाला ISIC आर्काइव, 10,000 से अधिक छवियों वाला HAM10000 डेटासेट, और 200 छवियों वाला PH2 डेटासेट—तो फ्रैक्टल ज्योमेट्री और डीप लर्निंग के संयोजन ने अन्य सभी विधियों को पछाड़ दिया। एक प्रणाली जो केवल पारंपरिक हस्तनिर्मित विशेषताओं पर निर्भर थी, उसने लगभग 87 प्रतिशत की सटीकता प्राप्त की, जबकि केवल डीप लर्निंग का उपयोग करने वाली प्रणाली ने लगभग 94 प्रतिशत तक पहुंच बनाई। हालांकि, जब डीप लर्निंग मॉडल में फ्रैक्टल माप जोड़े गए, तो सटीकता बढ़कर 97.8 प्रतिशत हो गई। यह सुधार मामूली नहीं था; यह खतरनाक और हानिरहित घावों के बीच सही ढंग से अंतर करने की क्षमता में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करता था। प्रणाली अत्यधिक विश्वसनीय भी सिद्ध हुई, जिसने नैदानिक गुणवत्ता के एक माप में 99.1 प्रतिशत का स्कोर प्राप्त किया जिसे 'एरिया अंडर द कर्व' (area under the curve) कहा जाता है, जो चिकित्सा परीक्षणों के लिए एक मानक बेंचमार्क है। शायद नैदानिक उपयोग के लिए सबसे महत्वपूर्ण बात यह है कि प्रणाली ने इस उच्च प्रदर्शन को तब भी बनाए रखा जब इसे उस डेटा पर परखा गया जिसे इसने पहले कभी नहीं देखा था, जो यह सुझाव देता है कि यह वास्तविक दुनिया के अस्पतालों में प्रभावी ढंग से काम कर सकती है जहाँ छवि की स्थितियाँ व्यापक रूप से भिन्न होती हैं।

कच्चे नंबरों से परे, यह अध्ययन पारदर्शिता में एक महत्वपूर्ण लाभ प्रदान करता है। चूंकि फ्रैक्टल विशेषताएं अनियमितता और खुरदरेपन की ठोस गणितीय परिभाषाओं पर आधारित हैं, वे सीधे उन दृश्य संकेतों से मेल खाती हैं जिन्हें डॉक्टर पहले से ही देखते हैं, जैसे कि विषमता (asymmetry) और सीमा की अनियमितता (border irregularity) का ABCDE नियम। इसका अर्थ है कि कंप्यूटर केवल एक निर्णय नहीं दे रहा है; यह एक ऐसा कारण प्रदान कर रहा है जिसे मनुष्य समझ सकता है। शोधकर्ताओं ने पाया कि फ्रैक्टल विवरण विशेष रूप से घातक वृद्धि की अराजक प्रकृति को पकड़ने में अच्छे थे, जो उन अंतरालों को भरते हैं जिन्हें डीप लर्निंग कभी-कभी छोड़ देती है, विशेष रूप से जब डेटा सीमित होता है। प्रणाली कम्प्यूटेशनल रूप से भी कुशल सिद्ध हुई, जो एक छवि का विश्लेषण करने में लगने वाले समय में केवल कुछ मिलीसेकंड ही जोड़ती है, जिससे यह भविष्य में व्यस्त क्लीनिकों या मोबाइल उपकरणों के लिए भी व्यवहार्य हो जाती है।

यद्यपि यह अध्ययन आशाजनक है, लेखक यह नोट करने में सावधान हैं कि यह प्रणाली बिना और काम किए तत्काल तैनाती के लिए तैयार कोई अंतिम उत्पाद नहीं है। पूरी प्रक्रिया की सटीकता काफी हद तक त्वचा से घाव को सही ढंग से अलग करने के प्रारंभिक चरण पर निर्भर करती है, और कुछ फ्रैक्टल मापों के लिए आवश्यक गणितीय गणनाएं कंप्यूटर संसाधनों पर भारी पड़ सकती हैं। इसके अलावा, अध्ययन मौजूदा डेटासेट पर किया गया था, और अगला कदम विविध रोगी आबादी के साथ लाइव क्लिनिकल वातावरण में प्रणाली का परीक्षण करना होगा। फिर भी, निष्कर्ष त्वचा विज्ञान (dermatology) के लिए एक स्पष्ट मार्ग सुझाते हैं। कृत्रिम बुद्धिमत्ता को त्वचा के घावों के बढ़ने और व्यवहार करने की गणितीय वास्तविकता के आधार पर स्थापित करके, यह हाइब्रिड दृष्टिकोण ऐसे नैदानिक उपकरण बनाने का एक तरीका प्रदान करता है जो न केवल स्मार्ट हैं बल्कि अधिक भरोसेमंद भी हैं, जो कैंसर को जल्दी और अधिक निश्चितता के साथ पकड़कर जीवन बचाने की क्षमता रखते हैं।