Reality-anchored generative gating enables robust morphological classification and metacognitive triage of leukemia

रक्त निदान (ब्लड डायग्नोस्टिक्स) की शांत और उच्च-दांव वाली दुनिया में, एक माइक्रोस्कोप स्लाइड एक ऐसी कहानी बताती है जो किसी मरीज के जीवन को निर्धारित कर सकती है। जब एक डॉक्टर ल्यूकेमिया (रक्त कैंसर का एक प्रकार) का संदेह करता है, तो वे असामान्य श्वेत रक्त कोशिकाओं की तलाश करते हैं जो अनियंत्रित हो गई हैं। ये कोशिकाएं, जिन्हें 'ब्लास्ट्स' कहा जाता है, कई सूक्ष्म विविधताओं में आती हैं, और उन्हें एक-दूसरे से अलग पहचानना सही उपचार और खतरनाक देरी के बीच का अंतर होता है। पारंपरिक रूप से, यह कार्य मानव विशेषज्ञों पर निर्भर करता है जो सूक्ष्मदर्शी (माइक्रोस्कोप) के माध्यम से देखते हैं, और एक-एक करके कोशिकाओं को गिनते और वर्गीकृत करते हैं। यह एक ऐसा काम है जिसमें तीव्र एकाग्रता की आवश्यकता होती है, फिर भी यह मानवीय त्रुटि, थकान और विशेषज्ञों की कमी के प्रति संवेदनशील है, विशेष रूप से उन क्षेत्रों में जहां चिकित्सा संसाधन कम हैं। दशकों से, वैज्ञानिकों ने ऐसे कंप्यूटर बनाने की कोशिश की है जो यह काम कर सकें, इस उम्मीद में कि वे डॉक्टरों को एक विश्वसनीय 'दूसरी जोड़ी आंखों' के रूप में सहायता दे सकें। लेकिन कोशिकाएं जटिल हैं; वास्तविक दुनिया के नमूनों में दुर्लभ और खतरनाक प्रकार इतनी कम बार दिखाई देते हैं कि कंप्यूटर यह सीखने में संघर्ष करते हैं कि वे कैसे दिखते हैं, और अक्सर स्वस्थ कोशिकाओं की विशाल विविधता या कैंसर के प्रकारों के बीच सूक्ष्म अंतर के कारण भ्रमित हो जाते हैं।

शेन्ज़ेन यूनिवर्सिटी और सहयोगी अस्पतालों के शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण पेश किया है जो कृत्रिम शिक्षण (आर्टिफिशियल लर्निंग) और जैविक वास्तविकता के बीच के इस अंतर को पाटता है। उन्होंने एक ऐसी प्रणाली विकसित की है जो केवल छवियों को याद नहीं करती, बल्कि रक्त कोशिकाओं के भौतिक आकार और बनावट को समझना सीखती है, भले ही वे कोशिकाएं दुर्लभ क्यों न हों। उनके तरीके के मूल में एक चतुर दो-चरणीय प्रक्रिया शामिल है। सबसे पहले, उन्होंने दुर्लभ कैंसर कोशिकाओं की हजारों नई और वास्तविक दिखने वाली छवियां उत्पन्न करने के लिए एक परिष्कृत कंप्यूटर प्रोग्राम का उपयोग किया, जिससे प्रभावी रूप से एक संतुलित लाइब्रेरी बनाई गई जहाँ दुर्लभ प्रकार उतने ही सामान्य हैं जितने कि सामान्य प्रकार। हालांकि, इन नकली छवियों को प्रशिक्षण सेट में जोड़ने से आमतौर पर कंप्यूटर गलत सबक सीख लेते हैं, यानी वे वास्तविक जीव विज्ञान के बजाय कृत्रिम पैटर्न को याद कर लेते हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक "रियलिटी गेट" (वास्तविकता द्वार) बनाया। जैसे-जैसे कंप्यूटर उत्पन्न छवियों से सीखता है, यह गेट लगातार वास्तविक, प्रामाणिक रोगी नमطों के साथ उनकी जांच करता है, जिससे कंप्यूटर का ध्यान सत्य की ओर वापस आता है और प्रकृति में मौजूद न होने वाले किसी भी दृश्य विरूपण को खारिज कर देता है।

इसका परिणाम एक ऐसा नैदानिक उपकरण है जो विशेषज्ञ की सटीकता के साथ रक्त को देखता है। बच्चों से लेकर बुजुर्गों तक विविध रोगियों के समूह पर परीक्षण किए जाने पर, इस प्रणाली ने ग्यारह अलग-अलग प्रकार की श्वेत रक्त कोशिकाओं को, जिनमें ल्यूकेमिया के सबसे खतरनाक और दुर्लभ रूप भी शामिल हैं, 99.30% की सटीकता के साथ सही ढंग से पहचाना। इसने केवल अनुमान नहीं लगाया; इसने कोशिकाओं के विशिष्ट भौतिक लक्षणों, जैसे कि केंद्रक (न्यूक्लियस) के आकार और कोशिका द्रव्य (साइटोप्लाज्म) की बनावट को मापना भी सीखा, जिससे यह सुनिश्चित हुआ कि इसके निर्णय वास्तविक जीव विज्ञान पर आधारित हैं न कि केवल दृश्य युक्तियों पर। शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम को यह जानने के लिए डिज़ाइन किया गया था कि वह कब अनिश्चित है। उन मामलों में जहां कोशिकाएं संदिग्ध या असामान्य दिख रही थीं, कंप्यूटर ने उन्हें मानव डॉक्टर द्वारा समीक्षा के लिए चिह्नित किया, बजाय इसके कि वह एक आत्मविश्वासी लेकिन संभावित रूप से गलत उत्तर देने का प्रयास करे। इसकी अपनी सीमाओं को पहचानने की यह क्षमता, इसकी उच्च सटीकता के साथ मिलकर, एक ऐसे भविष्य का संकेत देती है जहाँ स्वचालित प्रणालियाँ प्रारंभिक स्क्रीनिंग का भारी काम संभाल सकती हैं, जिससे मानव विशेषज्ञ सबसे जटिल और महत्वपूर्ण मामलों पर ध्यान केंद्रित करने के लिए स्वतंत्र हो सकें।

इस सफलता की यात्रा एक मौलिक समस्या से शुरू हुई: डेटा असंतुलन। एक विशिष्ट अस्पताल प्रयोगशाला में, एक तकनीशियन को एक एकल कैंसर कोशिका के लिए सैकड़ों सामान्य कोशिकाएं देखने को मिल सकती हैं। यदि एक कंप्यूटर केवल उसी पर प्रशिक्षित होता है जो वह देखता है, तो वह सामान्य कोशिकाओं की ओर पक्षपाती हो जाता है और दुर्लभ खतरों को पूरी तरह से चूक जाता है। शोधकर्ताओं ने एक 'जेनरेटिव मॉडल' का उपयोग करके इस समस्या का समाधान किया, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो सीखी गई बातों के आधार पर नई छवियां बनाने में सक्षम है। उन्होंने इस मॉडल को दुर्लभ ल्यूकेमिया कोशिकाओं की वास्तविक दिखने वाली छवियां संश्लेषित करना सिखाया, जिससे एक गणितीय रूप से संतुलित डेटासेट बनाया गया जहाँ प्रत्येक कोशिका प्रकार को समान रूप से दर्शाया गया था। लेकिन वे जानते थे कि मशीन द्वारा बनाई गई छवियों में सूक्ष्म त्रुटियां हो सकती हैं, जैसे कि बहुत छोटे दृश्य दोष जिन्हें मानव आंख कभी नहीं देख पाएगी लेकिन एक कंप्यूटर उन्हें एक परिभाषित विशेषता के रूप में पकड़ सकता है। इसे रोकने के लिए, उन्होंने एक तंत्र पेश किया जो एक सख्त वास्तविकता जांच (रियलिटी चेक) के रूप में कार्य करता है।

प्रशिक्षण प्रक्रिया के दौरान, जब भी कंप्यूटर एक उत्पन्न छवि को देखता, सिस्टम अपने डेटाबेस से सबसे निकटतम मेल खाने वाले वास्तविक उदाहरण को साथ ही प्राप्त करता। फिर यह दोनों की तुलना करता, यह सुनिश्चित करने के लिए एक गणितीय नियम का उपयोग करता कि उत्पन्न छवि प्रामाणिक नमूने से जुड़ी रहे। यदि कंप्यूटर किसी ऐसे लक्षण को सीखने की कोशिश करता जो केवल नकली छवि में मौजूद था, तो सिस्टम उसे दंडित करता, जिससे वह उन लक्षणों पर ध्यान केंद्रित करने के लिए मजबूर होता जो सिंथेटिक और वास्तविक दोनों नमूनों में मौजूद थे। इस "रियलिटी-एंकोर्ड" (वास्तविकता-आधारित) दृष्टिकोण ने यह सुनिश्चित किया कि कंप्यूटर कोशिकाओं के वास्तविक जैविक हस्ताक्षरों को सीखे, जैसे कि केंद्रक के आकार का विशिष्ट तरीका या कोशिका द्रव्य में कणों की व्यवस्था, न कि छवि निर्माण प्रक्रिया के आर्टिफैक्ट्स को।

शोधकर्ताओं ने दक्षिण चीन अस्पताल के रोगियों के रक्त नमूनों के एक बड़े संग्रह पर इस प्रणाली का परीक्षण किया, जिसमें आयु की एक विस्तृत श्रृंखला शामिल थी और इसमें निदान करने में कठिन विभिन्न स्थितियां भी शामिल थीं। सिस्टम को ग्यारह अलग-अलग श्रेणियों में कोशिकाओं को वर्गीकृत करने के लिए कहा गया था, जिसमें सामान्य प्रतिरक्षा कोशिकाओं से लेकर एक्यूट माइलॉयड ल्यूकेमिया और लिम्फोब्लास्टिक ल्यूकेमिया के विशिष्ट उपप्रकार तक शामिल थे। इसका प्रदर्शन शानदार था। सिस्टम ने 99.30% की समग्र सटीकता प्राप्त की, और अधिकांश कोशिकाओं की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि इसने सबसे दुर्लभ और सबसे खतरनाक कोशिका प्रकारों के लिए उच्च संवेदनशीलता बनाए रखी, जिन्हें अक्सर अन्य तरीकों द्वारा छोड़ दिया जाता है। उदाहरण के लिए, इसने उन विशिष्ट ल्यूकेमिया उपप्रकारों के लगभग सभी मामलों की सही पहचान की जो एक-दूसरे से अलग पहचानना बहुत कठिन माना जाता है।

साधारण वर्गीकरण से परे, सिस्टम को व्याख्या योग्य (इंटरप्रिटेबल) बनाने के लिए डिज़ाइन किया गया था। एक "ब्लैक बॉक्स" के रूप में कार्य करने के बजाय जो बिना किसी स्पष्टीकरण के उत्तर देता है, इसे कोशिकाओं के विशिष्ट भौतिक मापों, जैसे कि केंद्रक और कोशिका द्रव्य के अनुपात की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। इन भौतिक लक्षणों की सफलतापूर्वक भविष्यवाणी करके, सिस्टम ने प्रदर्शित किया कि यह अपने निर्णयों के लिए सही विशेषताओं को देख रहा था। जब शोधकर्ताओं ने यह देखा कि कंप्यूटर कोशिका छवियों पर कहाँ "देख" रहा है, तो उन्होंने पाया कि यह केंद्रक की संरचना और कोशिका द्रव्य की दानेदार बनावट जैसे महत्वपूर्ण क्षेत्रों पर सटीक रूप से केंद्रित था, और पृष्ठभूमि के शोर तथा अन्य कोशिकाओं को अनदेखा कर रहा था। इसने पुष्टि की कि सिस्टम उन्हीं जैविक मार्करों के आधार पर अपने निर्णय ले रहा था जिनका उपयोग मानव रोगविज्ञानी (पैथोलॉजिस्ट) करते हैं।

इस नए ढांचे की एक महत्वपूर्ण विशेषता इसकी अनिश्चितता को प्रबंधित करने की क्षमता है। चिकित्सा में, गलत होना कोई विकल्प नहीं है, लेकिन अनिश्चित होना ज्ञान की एक वैध अवस्था है। सिस्टम को प्रत्येक भविष्यवाणी में अपनी आत्मविश्वास की गणना करने के लिए सुसज्जित किया गया था। जब इसे ऐसी कोशिका मिली जो रूपात्मक रूप से संदिग्ध थी या जो सीखे गए पैटर्न से बाहर थी, तो इसने गलत अनुमान लगाने के बजाय एक उच्च अनिश्चितता स्कोर दिया और नमूने को मानव समीक्षा के लिए चिह्नित किया। अपने परीक्षणों में, सिस्टम ने एक प्रतिशत से भी कम नमों को स्वायत्त रूप से स्थगित किया, विशेष रूप से सबसे जटिल और संदिग्ध मामलों को लक्षित किया। यह चयनात्मक स्थगन एक सुरक्षा जाल के रूप में कार्य करता है, यह सुनिश्चित करता है कि कंप्यूटर नियमित, स्पष्ट मामलों को संभालता है और कठिन मामलों को मानव विशेषज्ञों को सौंप देता है।

शोधकर्ताओं ने डेटा में भिन्नता को संभालने के लिए एक अलग अस्पताल के डेटा पर भी इस प्रणाली का परीक्षण किया कि क्या यह स्लाइड्स को तैयार करने और रंगने (स्टेनिंग) के तरीकों में बदलाव को संभाल सकता है। नए डेटा पर पुन: प्रशिक्षित किए बिना भी, सिस्टम ने मजबूत प्रदर्शन बनाए रखा और अधिकांश कोशिकाओं की सही पहचान की। यह सुझाव देता है कि "रियलिटी-एंकोर्ड" प्रशिक्षण पद्धति ने कोशिका जीव विज्ञान की एक मजबूत समझ विकसित की है जो विशिष्ट प्रयोगशाला स्थितियों से परे है। सिस्टम अपने ज्ञान को नए वातावरण में सामान्य करने में सक्षम था, जो व्यापक नैदानिक उपयोग के लिए इच्छित किसी भी उपकरण के लिए एक महत्वपूर्ण आवश्यकता है।

अध्ययन में उनके नए दृष्टिकोण की तुलना कई मौजूदा, अत्यधिक उन्नत कंप्यूटर मॉडलों के साथ भी की गई। जबकि अन्य प्रणालियों ने सामान्य कार्यों पर अच्छी सटीकता प्राप्त की, वे ल्यूकेमिया निदान में विशिष्ट, असंतुलित डेटा का सामना करने पर काफी संघर्ष करती हैं। वे अक्सर अल्पसंख्यक वर्गों का पता लगाने में विफल रहीं या अत्यधिक आत्मविश्वासी लेकिन गलत भविष्यवाणियां प्रदान कीं। नया ढांचा, जेनेरेटिव सिंथेसिस और रियलिटी-चेकिंग गेट्स के संयोजन के साथ, इन स्थापित तरीकों से लगातार बेहतर प्रदर्शन करता रहा, और नैदानिक निष्ठा का एक ऐसा स्तर प्राप्त किया जो पहले पहुंच से बाहर था।

यह कार्य हेमेटोलॉजी (रक्त विज्ञान) में आर्टिफिशियल इंटेलिजेंस के अनुप्रयोग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। यथार्थवादी पीढ़ी के माध्यम से डेटा की कमी की समस्या को हल करके और यह सुनिश्चित करके कि कंप्यूटर केवल जैविक रूप से वैध विशेषताओं से सीखता है, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो शक्तिशाली और विश्वसनीय दोनों है। यह प्रणाली मानव विशेषज्ञ को प्रतिस्थापित नहीं करती है बल्कि उनकी क्षमताओं को बढ़ाती है, नियमित स्क्रीनिंग के कार्यभार को संभालती है और उन मामलों को उजागर करती है जिनमें गहन मानवीय निर्णय की आवश्यकता होती है। जैसे-जैसे यह तकनीक वास्तविक दुनिया में तैनाती की ओर बढ़ती है, यह नैदानिक देरी को कम करने और रक्त कैंसर वाले रोगियों के परिणामों में सुधार करने के लिए एक आशाजनक मार्ग प्रदान करती है, यह सुनिश्चित करती है कि सबसे दुर्लभ कोशिकाओं को भी देखा और समझा जाए।