A systematic review of quality control efforts for histopathology annotation

चिकित्सा निदान की दुनिया में, एक रोगविज्ञानी (पैथोलॉजिस्ट) एक जासूस की तरह होता है जो बीमारी के संकेतों को खोजने के लिए सूक्ष्मदर्शी के नीचे ऊतक (टिश्यू) के सूक्ष्म स्लाइसों की जांच करता है। कंप्यूटर को यह काम करने के लिए सिखाने हेतु, वैज्ञानिकों को पहले उन्हें इन ऊतक छवियों के हजारों नमूने दिखाने होते हैं, और महत्वपूर्ण हिस्सों के चारों ओर सावधानीपूर्वक रेखाएं खींचनी होती हैं ताकि मशीन को यह सिखाया जा सके कि उसे क्या खोजना है। रेखाएं खींचने की इस प्रक्रिया को 'एनोटेशन' (annotation) कहा जाता है। हालांकि, जिस तरह एक इंसान मानचित्र पर लेबल लगाते समय गलती कर सकता है, उसी तरह एक कंप्यूटर या मानव एनोटेटर भी एक कोशिका की गलत पहचान कर सकता है या ट्यूमर को पहचानने से चूक सकता है। यदि कंप्यूटर इन गलतियों से सीखता है, तो उसके भविष्य के निदान त्रुटिपूर्ण होंगे। इसे रोकने के लिए, शोधकर्ता यह सुनिश्चित करने के लिए कि लेबल सही हैं, विशिष्ट जांच और उपकरणों का उपयोग करते हैं। ये जांच, जिन्हें 'क्वालिटी कंट्रोल मेजर्स' (quality control measures) कहा जाता है, में मनुष्यों द्वारा कार्य की समीक्षा करना शामिल है, जबकि उपकरण, जिन्हें 'क्वालिटी कंट्रोल फीचर्स' (quality control features) कहा जाता है, वे बटन और मेनू हैं जो एक समीक्षक को किसी लेबल को स्वीकार करने, अस्वीकार करने या उसे ठीक करने के लिए कहने की अनुमति देते हैं। इन सुरक्षा उपायों के बिना, भविष्य के डिजिटल पैथोलॉजिस्ट दोषपूर्ण जानकारी पर प्रशिक्षित हो सकते हैं।

लिमरिक विश्वविद्यालय और वियना मेडिकल यूनिवर्सिटी के एक शोधकर्ता ओलिवियर रुकुंडो द्वारा किया गया एक हालिया व्यवस्थित समीक्षा (सिस्टमैटिक रिव्यू), यह बारीकी से देखता है कि हिस्टोपैथोलॉजी (histopathology), जो ऊतक नमूनों के अध्ययन का क्षेत्र है, में इन सुरक्षा जाल का वर्तमान में कितनी अच्छी तरह उपयोग किया जा रहा है। इस अध्ययन ने कोई नया सॉफ्टवेयर नहीं बनाया या नए प्रयोग नहीं चलाए; इसके बजाय, इसने मौजूदा शोध के एक व्यापक ऑडिट के रूप में कार्य किया। लेखक ने पांच प्रमुख वैज्ञानिक डेटाबेस को खोजा, और किसी भी ऐसे अध्ययन के लिए एक विस्तृत जाल फैलाया जिसमें ऊतक छवि लेबल की गुणवत्ता की जांच कैसे की जाए, इस पर चर्चा की गई हो। एक सौ इक्कीस संभावित रिकॉर्ड खोजने के बाद, शोधकर्ता ने उन्हें सावधानीपूर्वक फ़िल्टर किया, डुप्लिकेट, विवरण की कमी वाले कॉन्फ्रेंस पेपर्स और उन अध्ययनों को हटा दिया जो वास्तव में गुणवत्ता की जांच के लिए किसी विधि का वर्णन नहीं करते थे। इस कठोर प्रक्रिया ने अंततः सोलह अध्ययनों के एक समूह को छोड़ा जो समावेशन के सख्त मानदंडों को पूरा करते थे।

समीक्षा ने इन सोलह अध्ययनों को उनके द्वारा प्रदान किए जाने वाले योगदान के आधार पर तीन अलग-अलग समूहों में वर्गीकृत किया। कुछ अध्ययन मुख्य रूप से गुणवत्ता नियंत्रण के मानवीय पक्ष पर केंद्रित थे, जो विशेषज्ञों द्वारा एनोटेशन की समीक्षा और सुधार करने की विधियों का प्रस्ताव देते थे। अन्य सॉफ्टवेयर पक्ष पर केंद्रित थे, जो डिजिटल फीचर्स पेश करते थे जो उपयोगकर्ताओं को यह निर्णय लेने में मदद करते हैं कि एक लेबल अच्छा है या बुरा। एक तीसरा समूह दोनों दृष्टिकोणों को जोड़ता था, जो एक ऐसी प्रणाली पेश करता था जहाँ मानव समीक्षा और डिजिटल उपकरण मिलकर काम करते हैं। निष्कर्षों ने क्षेत्र में एक स्पष्ट विभाजन को प्रकट किया। कुल मिलाकर, 62.5% अध्ययनों ने हिस्टोपैथोलॉजी इमेज एनोटेशन के लिए गुणवत्ता नियंत्रण प्रयासों को लागू किया, जबकि 37.5% ने ऐसा नहीं किया। यह सुझाव देता है कि जबकि अधिकांश शोधकर्ता इन सुरक्षा उपायों की आवश्यकता के प्रति जागरूक हैं, इस क्षेत्र में काम का एक महत्वपूर्ण हिस्सा अभी भी त्रुटियों को पकड़ने के लिए किसी औपचारिक प्रणाली के बिना आगे बढ़ रहा है।

जिन अध्ययनों ने इन जांचों को लागू किया, उन्होंने विभिन्न दृष्टिकोण दिखाए। कुछ मानव सहयोग पर निर्भर थे, जहाँ रोगविज्ञानी एक-दूसरे के काम की समीक्षा करते थे या जहाँ अनुभवी वरिष्ठ डॉक्टर कनिष्ठ सहयोगियों (जूनियर फेलो) द्वारा किए गए एनोटेशन की निगरानी करते थे। अन्य ने सॉफ्टवेयर टूल पेश किए जो दूसरी आंख के रूप में कार्य करते थे। उदाहरण के लिए, कुछ प्रोग्राम कृत्रिम बुद्धिमत्ता (AI) का उपयोग करते थे ताकि यह सुझाव दिया जा सके कि संरचना कहाँ खींची जानी चाहिए, जिससे एक मानव केवल सुझाव को स्वीकार कर सके या यदि वह गलत हो तो उसे सुधार सके। अन्य उपकरण विसंगतियों को पकड़ने के लिए डिज़ाइन किए गए थे, जो उन क्षेत्रों को चिह्नित करते थे जहाँ अलग-अलग लोगों ने एक ही छवि को अलग तरह से लेबल किया था ताकि एक अंतिम निर्णय लिया जा सके। सबसे उन्नत उदाहरणों में, सॉफ्टवेयर और मानव एक लूप में काम करते थे: कंप्यूटर एक सुझाव देता था, मानव उसकी समीक्षा करता था, और सिस्टम यह रिकॉर्ड करता था कि मानव ने परिवर्तन को स्वीकार किया या अस्वीकार किया, जिससे सुधार का एक निरंतर चक्र बनता था।

समीक्षा किए गए अध्ययनों के बहुमत द्वारा दिखाए गए प्रगति के बावजूद, यह समीक्षा इस बात पर प्रकाश डालती है कि यह क्षेत्र अभी तक एक समान नहीं हुआ है। तथ्य यह है कि शामिल अध्ययनों में से एक-तिहाई से अधिक ने इन गुणवत्ता नियंत्रण प्रयासों को लागू नहीं किया, यह दर्शाता है कि कई परियोजनाएं अभी भी सटीकता को सत्यापित करने के लिए एक मजबूत पद्धति के बिना अपने डेटासेट बना रही हैं। समीक्षा यह दावा नहीं करती है कि समस्या हल हो गई है या किसी एक आदर्श विधि का अस्तित्व है। इसके बजाय, यह वर्तमान परिदृश्य का मानचित्रण करती है, यह दिखाते हुए कि जबकि कई शोधकर्ता अपने डेटा को स्वच्छ बनाने के तरीकों को सक्रिय रूप से विकसित कर रहे हैं, वहां अपनाने में अभी भी एक अंतर है। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि चिकित्सा निदान में कंप्यूटरों को विश्वसनीय भागीदार बनने के लिए, प्रशिक्षण डेटा को लेबल करने के मानवीय प्रयास को निरंतर, कठोर जांच द्वारा समर्थित किया जाना चाहिए, चाहे वे जांच एक वरिष्ठ रोगविज्ञानी से आए या गलती को पकड़ने के लिए डिज़ाइन किए गए डिजिटल टूल से।