Evaluating Medical Visual Question Answering for Telemedicine: A Secondary Data Review and the TRACE-MedVQA Framework

स्वास्थ्य सेवा के आधुनिक परिदृश्य में, बड़ी संख्या में रोगी बिना कभी भी अस्पताल की इमारत के भीतर कदम रखे ही उपचार प्राप्त कर रहे हैं। टेलीमेडिसिन के माध्यम से, डॉक्टर बीमारियों का निदान करने के लिए डिजिटल छवियों और रिमोट बातचीत पर भरोसा करते हैं, जिससे वे अपनी विशेषज्ञता को दूरियों के पार विस्तारित करते हैं। जैसे-जैसे यह अभ्यास बढ़ रहा है, सहायता के लिए एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का उदय हुआ है: ऐसे सिस्टम जो मेडिकल स्कैन, जैसे कि एक्स-रे या ऊतक के नमूने (tissue sample) को देख सकते हैं और जो वे देखते हैं उसके बारे में विशिष्ट प्रश्नों के उत्तर दे सकते हैं। 'मेडिकल विजुअल क्वेश्चन आंसरिंग' (medical visual question answering) के रूप में ज्ञात यह क्षेत्र कंप्यूटर विजन और मानवीय भाषा के बीच की खाई को पाटने का प्रयास करता है। केवल किसी छवि को "सामान्य" या "असामान्य" के रूप में लेबल करने के बजाय, इन सिस्टमों से पूछा जाता है कि घाव (lesion) कहाँ स्थित है, स्कैन का प्रकार क्या है, या किसी निष्कर्ष की प्रकृति का वर्णन करें। इसका लक्ष्य एक ऐसा डिजिटल सहायक बनाना है जो डॉक्टरों को रिमोट परामर्श के दौरान सहायता कर सके, जिससे उन्हें तेज़ और अधिक सूचित निर्णय लेने में मदद मिल सके। हालाँकि, एक कंप्यूटर प्रोग्राम जो एक परीक्षण प्रश्न का उत्तर दे सकता है, से वास्तविक दुनिया की रोगी देखभाल के लिए पर्याप्त सुरक्षित उपकरण बनने का मार्ग चुनौतियों से भरा है, विशेष रूप से विश्वसनीयता और विश्वास के संबंध में।

डॉ. काजी अब्दुल मन्नान और उनके सहयोगियों द्वारा शांतो-मारियम यूनिवर्सिटी ऑफ क्रिएटिव टेक्नोलॉजी में किया गया एक हालिया अध्ययन इस तकनीक की वर्तमान स्थिति की जांच करता है ताकि यह निर्धारित किया जा सके कि क्या यह वास्तव में टेलीमेडिसिन के लिए तैयार है। शोधकर्ताओं ने कोई नया कंप्यूटर प्रोग्राम नहीं बनाया और न ही इसे नए रोगियों पर परखा। इसके बजाय, उन्होंने मौजूदा वैज्ञानिक साहित्य की गहन समीक्षा की, पिछले कुछ वर्षों में प्रकाशित दर्जनों डेटासेट्स और कंप्यूटर मॉडलों का विश्लेषण किया। उन्होंने देखा कि इन सिस्टमों को कैसे प्रशिक्षित किया गया था, वे किस प्रकार के प्रश्नों के उत्तर दे सकते थे, और उनके प्रदर्शन को कैसे मापा गया था। उनकी जांच ने इस क्षेत्र में एक स्पष्ट विकास को प्रकट किया। शुरुआती सिस्टम एक निश्चित सूची से उत्तर चुनने तक सीमित थे, ठीक वैसे ही जैसे कि एक बहुविकल्पीय परीक्षा (multiple-choice test)। हाल के सिस्टम खुले-अंत वाले वाक्यों (open-ended sentences) की ओर बढ़ गए हैं, जिससे अधिक स्वाभाविक बातचीत संभव हो सके। जबकि यह बदलाव अधिक लचीलापन प्रदान करता है, लेखकों ने पाया कि यह महत्वपूर्ण जोखिम भी पैदा करता है। नए, अधिक संवादात्मक मॉडल अक्सर ऐसे प्रवाहपूर्ण और आत्मविश्वास से भरे उत्तर देते हैं जो वास्तव में छवि द्वारा समर्थित नहीं होते हैं, जिसे 'भ्रम' (hallucination) की समस्या के रूप में जाना जाता है। इसके अलावा, इन सिस्टमों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले कई डेटासेट्स छोटे, असंतुलित या इस तरह से बनाए गए हैं जो एक रिमोट क्लिनिक की अव्यवized वास्तविकता को प्रतिबिंबित नहीं करते, जहाँ छवियां धुंधली हो सकती हैं या खराब परिस्थितियों में ली जा गई हो सकती हैं।

इस समीक्षा का मुख्य निष्कर्ष यह है कि हालांकि तकनीक तेजी से विकसित हुई है, लेकिन वर्तमान में कोई भी मौजूदा मॉडल टेलीमेडिसिन सेटिंग में स्वतंत्र रूप से तैनात होने के लिए पर्याप्त सुरक्षित नहीं है। शोधकर्ताओं ने देखा कि मानक परीक्षणों पर उच्च स्कोर अक्सर गंभीर खामियों को छिपा देता है, जैसे कि दुर्लभ स्थितियों को संभालने में सिस्टम की अक्षमता, अनिश्चित होने पर रिपोर्ट करने में उसकी विफलता, या इस बात की पारदर्शिता की कमी कि उसने अपनी जानकारी कहाँ से प्राप्त की। एक सिस्टम परीक्षण पर सही उत्तर दे सकता है लेकिन एक ग्रामीण क्लिनिक से प्राप्त संकुचित (compressed) छवि या प्रशिक्षण डेटा में अलग तरह से पूछे गए प्रश्न का सामना करने पर बुरी तरह विफल हो सकता है। अध्ययन का तर्क है कि बेंचमार्क टेस्ट पर पूर्ण सटीकता प्राप्त करने की दौड़ ने सुरक्षा, व्याख्यात्मकता (explainability) और यह जानने की क्षमता की अधिक महत्वपूर्ण आवश्यकता से ध्यान भटका दिया है कि कब रुकना है और मानव से मदद मांगनी है।

इन कमियों को दूर करने के लिए, लेखक एक नया वैचारिक ढांचा प्रस्तावित करते हैं जिसे TRACE-MedVQA कहा जाता है। यह कोई तैयार सॉफ्टवेयर उत्पाद नहीं है बल्कि एक ब्लूप्रिंट है कि एक सुरक्षित सिस्टम को कैसे डिजाइन किया जाना चाहिए। नाम का अर्थ है टेलीमेडिसन-रेडी (Telemedicine-Ready), रिट्रीवल-ऑगमेंटेड (Retrieval-Augmented), कैलिब्रेटेड (Calibrated), और एक्सप्लेनेबल (Explainable)। यह ढांचा एक ही शक्तिशाली मॉडल पर सब कुछ करने के लिए निर्भर रहने के बजाय विभिन्न प्रकार के आर्टिफिशियल इंटेलिजेंस को संयोजित करने का सुझाव देता है। यह एक ऐसे सिस्टम की कल्पना करता है जो पहले आने वाली छवि की गुणवत्ता और पूछे गए प्रश्न के प्रकार की जांच करता है। यदि प्रश्न सरल है और उसका उत्तर स्पष्ट है, तो सिस्टम प्रतिक्रिया देने के लिए एक विश्वसनीय, नियंत्रित विधि का उपयोग करता है। यदि प्रश्न के लिए विस्तृत विवरण की आवश्यकता है, तो यह एक अधिक लचीले जनरेटर का उपयोग करता है, लेकिन केवल चिकित्सा ज्ञान के एक विश्वसनीय डेटाबेस के विरुद्ध अपने उत्तर की जांच करने के बाद। महत्वपूर्ण रूप से, सिस्टम में एक "कैलिब्रेशन" चरण शामिल है जो यह मापता है कि वह अपने स्वयं के उत्तर के प्रति कितना आश्वस्त है। यदि आत्मविश्वास बहुत कम है, या यदि छवि बहुत धुंधली है, तो सिस्टम को अपनी अनिश्चितता को स्वीकार करने और उत्तर देने से इनकार करने के लिए डिज़ाइन किया गया है, और इसके बजाय एक मानव डॉक्टर को कार्यभार संभालने के लिए प्रेरित करने के लिए बनाया गया है।

प्रस्तावित ढांचा विजुअल ग्राउंडिंग (visual grounding) और मानवीय निरीक्षण के महत्व पर भी जोर देता है। केवल टेक्स्ट आउटपुट देने के बजाय, सिस्टम छवि के उन विशिष्ट हिस्सों को हाइलाइट करेगा जो उसके निष्कर्ष का कारण बने, जिससे डॉक्टर साक्ष्य को सत्यापित कर सकेगा। यह प्रत्येक बातचीत का रिकॉर्ड भी रखेगा, जिसमें यह भी शामिल होगा कि किन चिकित्सा स्रोतों का परामर्श लिया गया और सिस्टम ने अपना निर्णय कैसे लिया। यह दृष्टिकोण आर्टिफिशियल इंटेलिजेंस को डॉक्टर के विकल्प के रूप में नहीं, बल्कि एक उपकरण के रूप में देखता है जिसे मानव नियंत्रण में रहना चाहिए। लेखक जोर देते हैं कि टेलीमेडिसिन को सुरक्षित रूप से काम करने के लिए, सिस्टम में अपने तर्क को समझाने, अपने स्रोत दिखाने और यह जानने की क्षमता होनी चाहिए कि कब पीछे हटना है। इन सुरक्षा तंत्रों को एकीकृत करके, TRACE-MedVQA ढांचा इस वर्तमान प्रयोगात्मक तकनीक को एक व्यावहारिक सहायता में बदलने का लक्ष्य रखता है जो नैदानिक विशेषज्ञों (clinicians) को रोगी की सुरक्षा को जोखिम में डाले बिना सहायता कर सके।

अध्ययन निष्कर्ष निकालता है कि मेडिकल विजुअल क्वेश्चन आंसरिंग का भविष्य बड़े या अधिक जटिल मॉडल बनाने में नहीं, बल्कि स्मार्ट और अधिक जिम्मेदार सिस्टम बनाने में निहित है। शोधकर्ताओं का सुझाव है कि क्षेत्र के लिए अगला कदम केवल टेस्ट स्कोर पर ध्यान केंद्रित करना बंद करना और यह मापना शुरू करना है कि ये सिस्टम वास्तविक दुनिया के परिदृश्यों में कैसा प्रदर्शन करते हैं, जिसमें विविध रोगी समूहों और विविध छवि गुणवत्ता को संभालने की उनकी क्षमता भी शामिल है। वे एक नए मूल्यांकन मानक के लिए आह्वान करते जिसमें पूर्वाग्रह (bias) की जांच करना, अनिश्चितता को मापना और यह सुनिश्चित करना शामिल है कि मानव डॉक्टर अंतिम निर्णय लेने वाले बने रहें। जब तक ये मानक पूरे नहीं हो जाते, यह तकनीक एक तैयार-उपयोग समाधान के बजाय एक आशाजनक अनुसंधान दिशा बनी रहती है। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि स्वास्थ्य सेवा में, सबसे उन्नत तकनीक उतनी ही अच्छी है जितनी कि उसकी विश्वास करने, समझने और चिकित्सा के मानवीय अभ्यास में सुरक्षित रूप से एकीकृत होने की क्षमता।