मानव आँख शरीर के समग्र स्वास्थ्य में एक अनूठी खिड़की प्रदान करती है। आँख के पिछले हिस्से में स्थित प्रकाश-संवेदनशील परत, रेटिना का परीक्षण करके, डॉक्टर मधुमेह, उच्च रक्तचाप और यहाँ तक कि अल्जाइमर रोग जैसी स्थितियों के संकेतों को पहचान सकते हैं। ऐसा करने के लिए, वे अक्सर कलर फंडस फोटोग्राफ्स पर निर्भर होते हैं, जो रेटिना की रक्त वाहिकाओं और तंत्रिका शीर्ष (नर्व हेड) के विस्तृत चित्र होते हैं। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस इन छवियों का विश्लेषण करने के लिए एक शक्तिशाली उपकरण बन गया है, जिससे बीमारियों का पता पहले की तुलना में अधिक तेज़ी और सटीकता से लगाने में मदद मिल रही है। हालाँकि, इन बुद्धिमान प्रणालियों को प्रभावी ढंग से सीखने के लिए वास्तविक रोगी डेटा की विशाल मात्रा की आवश्यकता होती है। विविध आबादी से पर्याप्त उच्च-गुणवत्ता वाली छवियां एकत्र करना कठिन, महंगा और गोपनीयता संबंधी गंभीर चिंताएं पैदा करने वाला कार्य है। यह एक बाधा उत्पन्न करता है: तकनीक जितनी उन्नत होती जा रही है, उसे सिखाने के लिए आवश्यक वास्तविक दुनिया के उदाहरणों को खोजना उतना ही कठिन होता जा रहा है।

शोधकर्ताओं ने एक समाधान खोजने की दिशा में कदम बढ़ाए हैं: कृत्रिम, या सिंथेटिक (synthetic) छवियां बनाना जो वास्तविक रेटिनल फोटोग्राफ्स की तरह दिखती और व्यवहार करती हों। ये कंप्यूटर-जनित छवियां वास्तविक लोगों की तस्वीरें नहीं हैं, बल्कि इन्हें वास्तविक डेटा पर प्रशिक्षित एल्गोरिदम द्वारा स्वस्थ और रोगग्रस्त आंखों के पैटर्न की नकल करने के लिए बनाया गया है। विचार यह है कि ये सिंथेटिक छवियां वास्तविक डेटा की पूरक हो सकती हैं, जिससे आर्टिफिशियल इंटेलिजेंस मॉडल को लाखों नई रोगी तस्वीरों को एकत्र किए बिना अधिक सीखने में मदद मिल सके। लेकिन एक महत्वपूर्ण प्रश्न अनुत्तरित रह गया था: क्या केवल अधिक नकली छवियां जोड़ने से प्रणाली अधिक स्मार्ट बनती है, या क्या ऐसा कोई बिंदु है जहाँ अतिरिक्त छवियां मदद करने के बजाय केवल कंप्यूटिंग शक्ति को बर्बाद करती हैं? शोधकर्ताओं की एक टीम ने इस उत्तर को खोजने के लिए इन चिकित्सा AI मॉडलों के प्रदर्शन पर विभिन्न मात्रा में सिंथेटिक डेटा के प्रभाव का परीक्षण करने का निर्णय लिया।

टीम ने तीन अलग-अलग सार्वजनिक डेटासेट से एकत्र किए गए 28,430 वास्तविक रेटिनल फोटोग्राफ्स के संग्रह से शुरुआत की। ये छवियां चीन, ब्राजील और अन्य क्षेत्रों के रोगियों से ली गई थीं, जो आंखों की विभिन्न स्थितियों को कवर करती हैं। इस वास्तविक डेटा का उपयोग करके, उन्होंने एक कंप्यूटर प्रोग्राम को नई, सिंथेटिक रेटिनल छवियां उत्पन्न करने के लिए प्रशिक्षित किया। उन्होंने 56,),600 सिंथेटिक छवियों का एक विशाल भंडार बनाया, जो उनके मूल वास्तविक संग्रह के आकार से बीस गुना अधिक है। AI को इन सिंथेटिक छवियों के प्रभाव का परीक्षण करने के लिए, शोधकर्ताओं ने छह अलग-अलग प्रशिक्षण परिदृश्य (scenarios) डिजाइन किए। पहला परिदृश्य केवल वास्तविक छवियों का उपयोग करता है। दूसरा केवल सिंथेटिक छवियों का उपयोग करता है। शेष चार परिदृश्यों में वास्तविक छवियों को सिंथेटिक छवियों के साथ बढ़ती मात्रा में मिलाया गया: एक वास्तविक छवि के लिए एक सिंथेटिक छवि, एक वास्तविक के लिए पांच, एक वास्तविक के लिए दस, और अंत में, एक एकल वास्तविक छवि के लिए बीस सिंथेटिक छवियां।

इन छह समूहों में से प्रत्येक का उपयोग एक अलग आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित करने के लिए किया गया। इसके बाद इन मॉडलों का परीक्षण ग्लौकोमा, डायबिटिक रेटिनोपैथी और उम्र से संबंधित मैकुलर डिजनरेशन (age-related macular degeneration) जैसी कार्यों की एक श्रृंखला पर किया गया। शोधकर्ताओं ने दो तरीकों से मॉडलों का मूल्यांकन किया। पहला, उन्होंने उस डेटा पर परीक्षण किया जो उनके प्रशिक्षण के दौरान देखे गए डेटा के समान था, जिसे आंतरिक सत्यापन (internal validation) कहा जाता है। दूसरा, उन्होंने अन्य अस्पतालों और क्षेत्रों के पूरी तरह से अलग डेटासेट पर परीक्षण किया, जिसे बाहरी सत्यापन (external validation) कहा जाता है, ताकि यह देखा जा सके कि मॉडल नई स्थितियों में अपने ज्ञान को कैसे लागू करते हैं। उन्होंने प्रत्येक रणनीति के लिए आवश्यक कंप्यूटिंग शक्ति का भी सावधानीपूर्वक पता लगाया, जिसमें छवियों को उत्पन्न करने और मॉडलों को प्रशिक्षित करने के लिए आवश्यक कुल गणितीय गणनाओं, या फ्लोटिंग-पॉइंट ऑपरेशंस को मापा गया।

परिणामों ने इस बात का एक सूक्ष्म चित्र प्रस्तुत किया कि सिंथेटिक डेटा कैसे काम करता है। जब मॉडलों का परीक्षण परिचित डेटा पर किया गया, तो सबसे अच्छा प्रदर्शन उस समूह का रहा जिसने दस गुना अधिक सिंथेटिक छवियों के साथ वास्तविक छवियों को मिलाया था। इस संयोजन ने सभी समूहों के बीच उच्चतम सटीकता स्कोर प्राप्त किया। हालाँकि, जब मॉडलों का परीक्षण पूरी तरह से नए, बाहरी डेटा पर किया गया, तो कहानी बदल गई। वह समूह जिसने बीस गुना अधिक सिंथेटिक छवियों का उपयोग किया, उसने सबसे अच्छा प्रदर्शन किया, जो अनदेखे मामलों को संभालने की सबसे मजबूत क्षमता प्रदर्शित करता है। दिलचस्प बात यह है कि केवल सिंथेटिक छवियों का उपयोग करने वाले समूह ने भी केवल वास्तविक छवियों का उपयोग करने वाले समूह के समान प्रदर्शन किया, जब कुल छवियों की संख्या समान थी। यह सुझाव देता है कि सिंथेटिक छवियां प्रशिक्षण संसाधन के रूप में स्वतंत्र रूप से खड़ी हो सकती हैं, कम से कम परीक्षण किए गए कार्यों के लिए।

शोधकर्ताओं ने इन लाभों की लागत पर भी नज़र डाली। सिंथेटिक छवियों को उत्पन्न करने के लिए भारी मात्रा में कंप्यूटिंग शक्ति की आवश्यकता थी, जो अध्ययन में उपयोग की गई कुल ऊर्जा का लगभग निन्यानवे प्रतिशत थी। शेष ऊर्जा मॉडलों को प्रशिक्षित करने में उपयोग की गई। इसके कारण, शोधकर्ताओं ने पाया कि सिंथेटिक डेटा की कम मात्रा का उपयोग करना प्रदर्शन और लागत के बीच एक बेहतर संतुलन प्रदान करता है। वह रणनीति जिसमें एक वास्तविक छवि के लिए केवल एक सिंथेटिक छवि को मिलाया गया था, ने मिश्रित रणनीतियों में सबसे कम कंप्यूटिंग शक्ति का उपयोग करते हुए सटीकता में महत्वपूर्ण वृद्धि प्रदान की। इसने हजारों अतिरिक्त छवियों को उत्पन्न करने की भारी ऊर्जा लागत के बिना मॉडलों के प्रदर्शन में सार्थक सुधार किया।

अध्ययन यह निष्कर्ष निकालता है कि सिंथेटिक डेटा का उपयोग करने के लिए कोई एक "परफेक्ट" मात्रा नहीं है। इसके बजाय, सबसे अच्छा दृष्टिकोण लक्ष्य पर निर्भर करता है। यदि प्राथमिकता एक ऐसा मॉडल बनाना है जो विभिन्न आबादी के नए, अनदेखे डेटा पर अच्छा प्रदर्शन करे, तो बड़ी मात्रा में सिंथेटिक छवियां जोड़ना फायदेमंद है। यदि लक्ष्य सीमित कंप्यूटिंग संसाधनों के साथ कुशलतापूर्वक प्रदर्शन में सुधार करना है, तो सिंथेटिक डेटा की कम मात्रा जोड़ना एक समझदारी भरा विकल्प है। निष्कर्ष बताते हैं कि सिंथेटिक छवियां चिकित्सा AI को प्रशिक्षित करने के लिए एक मूल्यवान उपकरण हैं, चाहे वह मौजूदा डेटासेट का विस्तार करने के लिए हो या एक स्टैंडअलोन संसाधन के रूप में जब वास्तविक रोगी डेटा दुर्लभ हो। उपलब्ध कंप्यूटिंग शक्ति और परियोजना की विशिष्ट आवश्यकताओं के साथ सिंथेटिक डेटा की मात्रा को सावधानीपूर्वक मिलाकर, शोधकर्ता रोगी की गोपनीयता से समझौता किए बिना या डिजिटल संसाधनों को समाप्त किए बिना नेत्र देखभाल के लिए अधिक मजबूत और विश्वसनीय उपकरण बना सकते हैं।