Avoiding Data Leakage in Machine Learning Models for Diabetes and Hypertension Classification Using Routine Occupational Health Screening Data
यह अध्ययन प्रदर्शित करता है कि मधुमेह और उच्च रक्तचाप वर्गीकरण के लिए मशीन लर्निंग मॉडल में फास्टिंग ब्लड ग्लूकोज और रक्तचाप जैसे परिणाम-निर्धारक भविष्यवक्ताओं को शामिल करने से गंभीर डेटा लीकेज और कृत्रिम रूप से बढ़ी हुई प्रदर्शन क्षमता होती है, जबकि इन चरों को नियमित व्यावसायिक स्क्रीनिंग डेटा का उपयोग करके बाहर रखने वाले मॉडल मध्यम लेकिन नैदानिक रूप से यथार्थवादी सटीकता प्राप्त करते हैं और आयु, बीएमआई तथा मनोवैज्ञानिक संकट जैसे कारकों के भविष्य कहने वाले मूल्य को उजागर करते हैं।
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
आधुनिक चिकित्सा की दुनिया में, कंप्यूटरों से तेजी से यह अपेक्षा की जा रही है कि वे एक मरीज के डेटा को देखें और भविष्यवाणी करें कि क्या उन्हें मधुमेह या उच्च रक्तचाप जैसी गंभीर बीमारी विकसित होगी। मशीन लर्निंग के रूप में ज्ञात यह क्षेत्र, इस तरह काम करता है कि इसमें कंप्यूटर को बीमार लोगों और स्वस्थ लोगों के हजारों उदाहरण दिए जाते हैं, साथ ही उम्र, वजन और रक्त परीक्षण जैसे माप की एक लंबी सूची भी दी जाती है। इसके बाद कंप्यूटर उन छिपे हुए पैटर्न को खोजने की कोशिश करता है जो इन मापों को बीमारी से जोड़ते हैं। यदि कंप्यूटर अच्छी तरह सीख जाता है, तो डॉक्टरों को उम्मीद है कि यह जोखिम वाले व्यक्तियों की पहचान जल्दी कर सकेगा, शायद काम के दौरान एक नियमित जांच के दौरान ही, जिससे बीमारी के जड़ पकड़ने से पहले ही रोकथाम की जा सके। हालांकि, इस प्रक्रिया में एक खतरनाक जाल है जिसे 'डेटा लीकेज' (data leakage) कहा जाता है। यह तब होता है जब कंप्यूटर को अनजाने में वह उत्तर कुंजी दे दी जाती है जिसे उसे अभी सीखना बाकी है। यदि कंप्यूटर एक ऐसा ब्लड शुगर लेवल देखता है जो पहले से ही उच्च है और फिर उससे पूछा जाता है कि व्यक्ति को मधुमेह है या नहीं, तो वह वास्तव में कोई भविष्यवाणी नहीं कर रहा है; वह केवल बीमारी की परिभाषा पढ़ रहा है। यह विश्वास का एक झूठा अहसास पैदा करता है, जिससे कंप्यूटर एक जीनियस की तरह प्रतीत होता है जबकि वास्तव में वह केवल अमान्य डेटा का उपयोग कर रहा होता है।
ईरान के शोधकर्ताओं की एक टीम ने एक ऐसी प्रणाली बनाने का लक्ष्य रखा जो विश्वविद्यालय के कर्मचारियों के बीच मधुमेह और उच्च रक्तचाप की पहचान कर सके, जिसके लिए उनके वार्षिक स्वास्थ्य परीक्षणों के दौरान एकत्र किए गए डेटा का उपयोग किया गया। वे यह देखना चाहते थे कि क्या ये नियमित रिकॉर्ड, जिनमें शारीरिक माप, रक्त परीक्षण और यहाँ तक कि तनाव और मनोदशा के बारे में प्रश्न भी शामिल हैं, जोखिम वाले लोगों को पहचानने में मदद कर सकते हैं। लेकिन उनका सबसे महत्वपूर्ण लक्ष्य केवल एक मॉडल बनाना नहीं था, बल्कि यह साबित करना था कि शोधकर्ता कितनी आसानी से खुद को यह सोचने के लिए मूर्ख बना सकते हैं कि उनके मॉडल पूर्ण हैं। उन्होंने कर्मचारियों के रिकॉर्डों के एक बड़े समूह को लिया और अपने विचारों का परीक्षण करने के लिए उन्हें दो समूहों में विभाजित किया। सबसे पहले, उन्होंने एक ऐसा मॉडल बनाया जिसमें उपलब्ध हर एक जानकारी शामिल थी, जिसमें वे विशिष्ट ब्लड शुगर और रक्तचाप के आंकड़े भी शामिल थे जिनका उपयोग डॉक्टर बीमारियों के निदान के लिए करते हैं। स्वाभाविक रूप से, इस मॉडल ने लगभग पूरी तरह से प्रदर्शन किया, और लगभग हर मामले की सही पहचान की। यह एक बड़ी सफलता जैसा लग रहा था।
फिर, शोधकर्ताओं ने कुछ महत्वपूर्ण किया। उन्होंने एक दूसरा मॉडल बनाया जिसे उन विशिष्ट ब्लड शुगर और रक्तचाप के नंबरों को देखने से सख्ती से मना किया गया था। उन्होंने कंप्यूटर को मजबूर किया कि वह केवल अन्य सुरागों, जैसे कि उम्र, शरीर का आकार और मनोवैज्ञानिक तनाव के स्तर पर भरोसा करे, ताकि वह अपना अनुमान लगा सके। यह दूसरा मॉडल उस स्थिति का प्रतिनिधित्व करता था जो वास्तविक दुनिया में होगा, जहाँ एक डॉक्टर अंतिम नैदानिक परीक्षण चलाने से पहले जोखिम की भविष्यवाणी करना चाह सकता है। जब उन्होंने दोनों की तुलना की, तो अंतर स्पष्ट था। पहले मॉडल ने, जिसके पास उत्तर कुंजी थी, ९६ प्रतिशत बार सही होने का दावा किया। दूसरे मॉडल ने, जिसे वास्तविक भविष्यवाणी करने की कठिन मेहनत करनी पड़ी, ७८ प्रतिशत बार सही होने का प्रदर्शन किया। लगभग बीस प्रतिशत अंकों का यह अंतर कोई छोटी त्रुटि नहीं थी; यह पूरी तरह से कंप्यूटर द्वारा उत्तर देख लेने के कारण हुआ एक बड़ा उछाल था। अध्ययन ने प्रदर्शित किया कि कई पिछले दावे कि अत्यधिक सटीक चिकित्सा भविष्यवाणी संभव है, इसी कमजोर नींव पर बने हो सकते हैं, जहाँ कंप्यूटर केवल बीमारी की परिभाषा पढ़ रहा था न कि उसे पहचानना सीख रहा था।
इस पद्धतिगत दोष को उजागर करने के अलावा, शोधकर्ताओं ने पाया कि बिना उत्तर कुंजी वाला मॉडल भी मूल्यवान था। ब्लड प्रेशर या शुगर की सीधी रीडिंग के बिना भी, कंप्यूटर मध्यम स्तर की सटीकता के साथ स्वस्थ और जोखिम वाले कर्मचारियों के बीच अंतर कर सकता था। इससे भी अधिक आश्चर्यजनक बात यह थी कि कंप्यूटर ने सीखा कि मनोवैज्ञानिक कारक शक्तिशाली सुराग थे। सामान्य मनोवैज्ञानिक संकट, अवसाद और चिंता को मापने वाले चर (variables) दोनों स्थितियों के लिए शीर्ष भविष्यवक्ताओं में शामिल थे, जो कमर की परिधि या बॉडी मास इंडेक्स जैसे शारीरिक मापों के समान ही महत्वपूर्ण प्रतीत हुए। यह सुझाव देता है कि मन और शरीर इन बीमारियों में गहराई से जुड़े हुए हैं, और एक कर्मचारी की मानसिक स्थिति शारीरिक स्वास्थ्य समस्याओं के लिए एक महत्वपूर्ण प्रारंभिक चेतावनी संकेत हो सकती है।
शोधकर्ताओं ने सावधानीपूर्वक यह नोट किया कि उनके निष्कर्ष एक शुरुआती बिंदु हैं, कोई पूर्ण समाधान नहीं। यह अध्ययन एक ही विश्वविद्यालय के कर्मचारियों के अपेक्षाकृत छोटे समूह पर किया गया था, और इन मॉडलों का परीक्षण अन्य स्थानों पर विभिन्न समूहों के लोगों पर नहीं किया गया है। वास्तविक मॉडल का प्रदर्शन, हालांकि जोखिम समूहों में लोगों को वर्गीकृत करने के लिए उपयोगी है, लेकिन यह डॉक्टर के निदान का स्थान लेने के लिए पर्याप्त नहीं है। इस कार्य का वास्तविक मूल्य वैज्ञानिक समुदाय के लिए इसकी चेतावनी में निहित है: यदि आप जानना चाहते हैं कि क्या कोई भविष्यवाणी उपकरण वास्तव में काम करता है, तो आपको इसे बीमारी को परिभाषित करने वाले नंबरों को देखे बिना परीक्षण करना चाहिए। यह दिखाकर कि इस नियम का पालन करने पर प्रदर्शन कितना कम हो जाता है, यह अध्ययन भविष्य के अनुसंधान के लिए एक स्पष्ट और ईमानदार ढांचा प्रदान करता है। यह हमें याद दिलाता है कि स्वास्थ्य के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करने की दौड़ में, सबसे महत्वपूर्ण कदम यह सुनिश्चित करना है कि कंप्यूटर सत्य सीख रहा है, न कि केवल परीक्षा को रट रहा 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।