Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

तकनीकी सारांश: क्षेत्रीय कन्नड़ पर्यायवाची एकीकरण के साथ स्वचालित रोग भविष्यवाणी और नुस्खा प्रणाली

समस्या विवरण
प्रभावी स्वास्थ्य सेवा वितरण प्रदाताओं और रोगियों के बीच स्पष्ट संचार पर बहुत अधिक निर्भर करता है। बहुभाषी क्षेत्रों में, भाषा की बाधाएं अक्सर गलत निदान, दवा संबंधी त्रुटियों और उप-इष्टतम रोगी परिणामों का कारण बनती हैं। जबकि न्यूरल मशीन ट्रांसलेशन (NMT) ने महत्वपूर्ण प्रगति की है, गूगल ट्रांसलेट और व्हिस्पर (Whisper) जैसे मौजूदा समाधान निम्न-संसाधन वाली भाषाओं, विशेष रूप से क्षेत्रीय बोलियों और चिकित्सा पर्यायवाची शब्दों (medical synonyms) के मामले में सटीक अनुवाद करने में विफल रहते हैं। कर्नाटक में, रोगी अक्सर एक ही बीमारी को विभिन्न क्षेत्रीय कन्नड़ शब्दों (पर्यायवाची) का उपयोग करके बताते हैं जिन्हें मानक अनुवाद उपकरण गलत समझते हैं या जिनका शाब्दिक अनुवाद करते हैं (जैसे, "खुजली" के क्षेत्रीय शब्द को "नाश्ता" या "जलन" के रूप में अनुवादित करना)। इसके अलावा, इन विशिष्ट भाषा युग्मों के लिए सार्वजनिक, बड़े पैमाने पर उपलब्ध चिकित्सा डेटासेट की कमी इन मजबूत, डोमेन-अनुकूलन योग्य अनुवाद मॉडल के विकास को सीमित करती है।

कार्यप्रणाली
लेखक एक प्रस्तावित स्वचालित प्रणाली का प्रस्ताव करते हैं जो स्पीच-टू-टेक्ट (speech-to-text) रूपांतरण, क्षेत्रीय पर्यायवाची-जागरूक मशीन अनुवाद और रोग भविष्यवाणी को एकीकृत करती है। मुख्य तकनीकी पाइपलाइन में शामिल है:

1. डेटा संग्रह और प्री-प्रोसेसिंग: लगभग 900 कन्नड़-अंग्रेजी वाक्य युग्मों का एक कस्टम डेटासेट बनाया गया, जो रोगी के लक्षणों और रोग विवरणों पर केंद्रित था। डेटा को क्लीनिंग (लोअरकेसिंग, विशेष वर्णों को हटाना), टोकनाइजेशन और शब्दावली निर्माण की प्रक्रियाओं से गुजारा गया।
2. मॉडल आर्किटेक्चर: सिस्टम एक रिकरेंट न्यूरल नेटवर्क (RNN) आर्किटेक्चर का उपयोग करता है, विशेष रूप से अनुक्रमिक डेटा (sequential data) और दीर्घकालिक निर्भरता (long-term dependencies) को संभालने के लिए लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) इकाइयों का उपयोग करता है।
   • एनकोडर-डिकोडर फ्रेमवर्क: एक एनकोडर इनपुट कन्नड़ टेक्स्ट को एक निश्चित-आयामी वेक्टर (हिडन और सेल स्टेट्स) में संसाधित करता है, जबकि एक डिकोडर अंग्रेजी अनुवाद उत्पन्न करता है।
   • अटेंशन मैकेनिज्म: मॉडल सामान्य और ग्लोबल अटेंशन मैकेनिज्म दोनों को एकीकृत करता है ताकि डिकोडर स्रोत वाक्य के प्रासंगिक भागों पर गतिशील रूप से ध्यान केंद्रित कर सके, जिससे मानक एनकोडर-डिकोडर मॉडलों की सूचना संबंधी बाधा (information bottleneck) को कम किया जा सके।
   • ट्रेनिंग रणनीति: प्रशिक्षण के दौरान टीचर फोर्सिंग (Teacher Forcing) एल्गोरिदम का उपयोग किया जाता है ताकि डिकोडर को सटीक संदर्भ आउटपुट प्रदान किया जा सके, जिससे अभिसरण (convergence) में सुधार होता है।
   • डिकोडिंग: अनुवाद की तरलता और सटीकता को अनुकूलित करने के लिए ग्रीडी डिकोडिंग (Greedy Decoding) और बीम सर्च (Beam Search) दोनों दृष्टिकोणों का मूल्यांकन किया गया।
3. पर्यायवाची एकीकरण: कार्यप्रणाली का एक प्रमुख घटक सिस्टम की क्षेत्रीय कन्नड़ पर्यायवाची शब्दों को पहचानने की क्षमता है। मानक ट्रांसलेटर के विपरीत जो बोलीगत विविधताओं पर विफल हो सकते हैं, यह मॉडल इन क्षेत्रीय विविधताओं को सही अंग्रेजी चिकित्सा शब्दावली में मैप करने के लिए प्रशिक्षित है।
4. नुस्खा भविष्यवाणी (Prescription Prediction): एक बार टेक्स्ट का अनुवाद और बीमारी की पहचान हो जाने के बाद, सिस्टम संबंधित दवा की भविष्यवाणी करने के लिए एक डेटासेट को क्वेरी करता है।

प्रमुख योगदान

• क्षेत्रीय पर्यायवाची हैंडलिंग: एक ऐसा अनुवाद मॉडल विकसित करना जो विशेष रूप से कन्नड़-अंग्रेजी युग्मों को संभालने के लिए डिज़ाइन किया गया है, जिसमें क्षेत्रीय चिकित्सा पर्यायवाची शब्दों पर ध्यान केंद्रित किया गया है, जो उस अंतर को संबोधित करता है जहाँ गूगल ट्रांसलेट जैसे उपकरण अक्सर विफल हो जाते हैं।
• आर्किटेक्चरल कार्यान्वयन: निम्न-संसाधन वाली भाषाओं के लिए अनुवाद की गुणवत्ता बढ़ाने के लिए आरएनएन-एलएसटीएम (RNN-LSTM) ढांचे के भीतर अटेंशन मैकेनिज्म और टीचर फोर्सिंग एल्गोरिदम का एकीकरण।
• तुलनात्मक मूल्यांकन: प्रस्तावित मॉडल का गूगल ट्रांसलेट और व्हिस्पर ट्रांसलेटर के विरुद्ध एक व्यापक तुलना, जो विशिष्ट चिकित्सा संदर्भों में बेहतर प्रदर्शन प्रदर्शित करता है।
• डेटासेट निर्माण: इस डोमेन में प्रशिक्षण और मूल्यांकन को सुगम बनाने के लिए लगभग 900 रोगी लक्षण वाक्यों के एक विशेष डेटासेट का निर्माण।

परिणाम
प्रस्तावित प्रणाली का मूल्यांकन मानक एनएमटी (NMT) मेट्रिक्स का उपयोग करके किया गया: BLEU, METEOR, और ट्रांसलेशन एडिट रेट (TER)।

• अनुवाद सटीकता: प्रस्तावित मॉडल ने 41.5–31.8 की BLEU स्कोर रेंज और 52.2% का METEOR स्कोर प्राप्त किया, जो गूगल ट्रांसलेटर (BLEU 35.8–28.4, METEOR 39.5%) और व्हिस्पर ट्रांसलेटर (BLEU 39.8–30.8, METEOR 41.5%) से बेहतर प्रदर्शन करता है।
• त्रुटि में कमी: मॉडल ने गूगल (69.2%) और व्हिस्पर (64.6%) की तुलना में 53.1% का कम ट्रांसलेशन एडिट रेट (TER) प्रदर्शित किया।
• पर्यायवाची पहचान: गुणात्मक परीक्षणों में, प्रस्तावित मॉडल ने "खुजली" (विभिन्न क्षेत्रीय कन्नड़ शब्दों को सही ढंग से अनुवादित करना), "दमा" (Asthma), और "वैरिकोज वेन्स" (Varicose Veins) जैसे रोगों के लिए क्षेत्रीय शब्दों की सही पहचान की, जबकि गूगल और व्हिस्पर ने शाब्दिक या गलत अनुवाद (जैसे, खुजली के क्षेत्रीय शब्द को "नाश्ता" के रूप में अनुवादित करना) प्रस्तुत किए।
• नुस्खा भविष्यवाणी: सिस्टम ने अनुवादित रोग विवरणों के आधार पर दवाओं की भविष्यवाणी करने में 95% सटीकता दर्ज की, हालांकि यह विशिष्ट डेटासेट संदर्भ के भीतर भविष्यवाणी त्रुटियों के विरुद्ध आकलित है।

महत्व और दावे
पेपर का दावा है कि सिस्टम कन्नड़ भाषी आबादी के लिए संचार के अंतर को सफलतापूर्वक पाटता है, जो क्षेत्रीय बोलियों और पर्यायवाची शब्दों को सटीक रूप से अनुवादित करता है जिन्हें मानक उपकरण छोड़ देते हैं। रोगियों के इनपुट को प्राकृतिक भाषा में समझने और उपयुक्त दवाओं का पूर्वानुमान लगाने में सक्षम बनाकर, यह प्रणाली स्वास्थ्य पेशेवरों को उच्च रोगी मात्रा को अधिक कुशलता से प्रबंधित करने में सहायता करने का लक्ष्य रखती है। लेखक इस बात पर जोर देते हैं कि हालांकि सिस्टम उत्साहजनक परिणाम दिखाता है, इसे चिकित्सा पेशेवरों की सहायता के लिए डिज़ाइन किया गया है, न कि उन्हें बदलने के लिए; सभी अनुमानित नुस्खे सुरक्षा सुनिश्चित करने के लिए मानव विशेषज्ञों द्वारा सत्यापित किए जाने चाहिए, जो निर्बाध सटीकता की गारंटी देने में एआई (AI) की सीमाओं को स्वीकार करता है।