A Novel Open-Set Domain Adaptation Framework for Histopathology Image Classification: A Style-Aware and Density-Guided Approach
यह शोध पत्र SADG का प्रस्ताव करता है, जो हिस्टोपैथोलॉजी इमेज क्लासिफिकेशन के लिए एक नवीन ओपन-सेट डोमेन एडाप्टेशन फ्रेमवर्क है, जो उपस्थिति सामान्यीकरण (अपिरन्स नॉर्मलाइजेशन) के लिए एक स्टाइल रेक्टिफिकेशन मॉड्यूल और घनत्व-निर्देशित अज्ञात नमूना पहचान (डेंसिटी-गाइडेड अननोन सैंपल डिटेक्शन) के लिए एक्सट्रीम वैल्यू थ्योरी के साथ एक GMM-आधारित क्लस्टरनेट को एकीकृत करके स्टेनिंग-प्रेरित कोवेरिएट शिफ्ट और अज्ञात ऊतक श्रेणियों, दोनों को प्रभावी ढंग से संबोधित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक चिकित्सा की दुनिया में, एक रोगविज्ञानी (पैथोलॉजिस्ट) का सबसे महत्वपूर्ण उपकरण अक्सर एक सूक्ष्मदर्शी (माइक्रोस्कोप) होता है। वे रंगीन रंगों से रंगे ऊतकों (टिश्यू) के सूक्ष्म स्लाइसों की जांच करते हैं, ताकि कैंसर जैसी बीमारियों की पहचान की जा सके। आज, कंप्यूटर भी इस काम को करने के लिए सीख रहे हैं, जो इन डिजिटल छवियों को स्कैन करने और असामान्यताओं को पहचानने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करते हैं। हालाँकि, ये कंप्यूटर प्रोग्राम एक जिद्दी वास्तविकता का सामना करते हैं: वास्तविक दुनिया में जो छवियां वे देखते हैं, वे बिल्कुल वैसी नहीं होतीं जैसी उन्हें प्रशिक्षित किया गया था। एक स्लाइड जो एक अस्पताल में तैयार की गई हो, उसे दूसरे अस्पताल की स्लाइड की तुलना में थोड़ा अलग तरीके से रंगा जा सकता है या अलग मशीन से स्कैन किया जा सकता है, जिससे रंग और बनावट बदल सकती है। इसके अलावा, एक कंप्यूटर जिसे पांच प्रकार के ऊतकों को पहचानने के लिए प्रशिक्षित किया गया है, वह अचानक छठे प्रकार के ऊतक का सामना कर सकता है जिसे उसने पहले कभी नहीं देखा है। यदि सॉफ्टवेयर इन परिवर्तनों को नहीं संभाल पाता या नए, अज्ञात ऊतक को नहीं पहचान पाता है, तो यह खतरनाक गलतियाँ कर सकता है, या तो बीमारी की गलत पहचान कर सकता है या किसी नई समस्या को पहचानने में विफल हो सकता है।
शिराज यूनिवर्सिटी ऑफ टेक्नोलॉजी और डिकिन यूनिवर्सिटी के शोधकर्ताओं ने इन कंप्यूटर प्रणालियों को इस अव्यवस्थित वास्तविकता से निपटने में मदद करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने SADG नामक एक ढांचा (फ्रेमवर्क) बनाया है, जिसे विशेष रूप से 'ओपन-सेट डोमेन अडैप्टेशन' के जटिल कार्य के लिए डिज़ाइन किया गया है। सरल शब्दों में, इसका अर्थ है कंप्यूटर को नई दृश्य शैलियों (विजुअल स्टाइल्स) के अनुकूल होने के साथ-साथ उन चीजों को पहचानना सिखाना जिन्हें उसे कभी नहीं सिखाया गया है। टीम ने अपने तरीके का परीक्षण कोलोरेक्टल ऊतक (कोलोरेक्टल टिश्यू) की हजारों छवियों पर किया, जो कैंसर के लिए एक सामान्य स्थान है, जिसमें दो बड़े सार्वजनिक डेटासेट का उपयोग किया गया जो विभिन्न अस्पतालों और स्टेनिंग स्थितियों का प्रतिनिधित्व करते हैं। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जो ज्ञात ऊतक प्रकारों को सटीक रूप से वर्गीकृत कर सके, भले ही छवि के रंग बदल गए हों, और साथ ही यह भी सही ढंग से पहचान सके कि ऊतक का एक टुकड़ा उस श्रेणी से संबंधित है जो उसके प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित थी।
उनकी सफलता का मूल आधार यह है कि वे दो मुख्य समस्याओं को कैसे संभालते हैं जिनका सामना कंप्यूटर करता है: दृश्य अंतर और अज्ञात श्रेणियां। सबसे पहले, उन्होंने दृश्य बदलावों को संबोधित किया। जब एक ऊतक के नमूने को स्कैन किया जाता है, तो प्रकाश, कंट्रास्ट या उपयोग किए गए रासायनिक रंगों में भिन्नता एक ही ऊतक को अलग दिखा सकती है। शोधकर्ताओं ने अपने सिस्टम में एक विशेष मॉड्यूल बनाया है जो एक फिल्टर की तरह कार्य करता है। यह स्कैनिंग प्रक्रिया के कारण होने वाले सतही दृश्य अंतरों को हटा देता है जबकि उन गहरे, संरचनात्मक विवरणों को सावधानीपूर्वक सुरक्षित रखता है जो निदान के लिए वास्तव में महत्वपूर्ण होते हैं। यह कंप्यूटर को कोशिकाओं के आकार और व्यवस्था पर ध्यान केंद्रित करने की अनुमति देता है, बजाय इसके कि वह रंग के कारण भ्रमित हो जाए।
दूसरा, और शायद अधिक कठिन, चुनौती अज्ञात ऊतक प्रकारों से निपटना है। पारंपरिक तरीके अक्सर हर नई छवि को ज्ञात श्रेणियों में से एक में जबरन फिट करने की कोशिश करते हैं, या वे सभी अज्ञात नमूनों को एक ही अस्पष्ट "अन्य" टोकरी में डाल देते हैं। शोधकर्ताओं ने पाया कि यह दृष्टिकोण त्रुटिपूर्ण है क्योंकि अज्ञात ऊतक एक जैसे नहीं होते; उनकी अपनी आंतरिक संरचनाएं और पैटर्न होते हैं। उन्हें एक ही बॉक्स में डालने के बजाय, नया सिस्टम डेटा के परिदृश्य (लैंडस्केप) का मानचित्रण करता है। यह छवियों को उनके प्राकृतिक घनत्व के आधार पर समूहों (क्लस्टर्स) में विभाजित करता है, जिससे एक विस्तृत मानचित्र बनता है कि ज्ञात ऊतक कहाँ रहते हैं और कहाँ रिक्त स्थान मौजूद हैं। इस मानचित्र को समझकर, सिस्टम प्रत्येक नई छवि के लिए एक स्कोर की गणना कर सकता है। यदि कोई छवि ज्ञात ऊतक के घने क्षेत्र में आती है, तो उसे विश्वास के साथ वर्गीकृत किया जाता है। यदि वह एक विरल (स्पार्स) क्षेत्र में या किसी ज्ञात समूह से दूर गिरती है, तो सिस्टम पहचान लेता है कि यह कुछ नया है।
बिना किसी मनमाने कटऑफ पर निर्भर हुए यह निर्णय लेने के लिए, टीम ने एक सांख्यिकीय तकनीक का उपयोग किया जो डेटा वितरण के चरम किनारों को देखती है। यह सिस्टम को यह अनुमान लगाने की अनुमति देता है कि कोई नमूना अज्ञात होने की कितनी संभावना है, बिना किसी निश्चित नियम के जो विभिन्न स्थितियों में विफल हो सकता है। उन्होंने कंप्यूटर को अपने अनुमानों के प्रति विनम्र होना सिखाने का एक तरीका भी पेश किया। जब सिस्टम अनिश्चित होता है, तो उसे गलत उत्तर देने के बजाय अनिश्चितता स्वीकार करने के लिए प्रोत्साहित किया जाता है। इसके विपरीत, जब सिस्टम ज्ञात ऊतक प्रकार के बारे में आश्वस्त होता है, तो उसे और भी अधिक निश्चित होने के लिए सुदृढ़ किया जाता है। यह संतुलन कंप्यूटर को एक परिचित ऊतक को आत्मविश्वास के साथ गलत लेबल करने से रोकता है।
उनके परीक्षण के परिणाम आश्चर्यजनक थे। जब उन्होंने अपने तरीके को कोलोरेक्टल ऊतक के डेटासेट पर लागू किया, तो सिस्टम ने लगातार मौजूदा अत्याधुनिक तकनीकों (स्टेट-ऑफ-द-आर्ट तकनीक) को पछाड़ दिया। एक विशिष्ट परिदृश्य में जहाँ कंप्यूटर को एक बड़े डेटासेट से एक छोटे डेटासेट (जिसमें अलग विशेषताएं थीं) में अनुकूलित होना था, इसने ज्ञात ऊतक प्रकारों की पहचान करने में 98.40% की सटीकता प्राप्त की। इससे भी महत्वपूर्ण बात यह है कि यह अज्ञातओं को पहचानने में असाधारण रूप से अच्छा था, जिसने एक अन्य परीक्षण कॉन्फ़िगरेशन में 97.60% का डिटेक्शन स्कोर हासिल किया। ये आंकड़े दर्शाते हैं कि सिस्टम ने न केवल भटकाने वाले दृश्य परिवर्तनों को अनदेखा करना सीखा, बल्कि यह भी समझ लिया कि वह कब किसी बिल्कुल नई चीज़ का सामना कर रहा है।
शोधकर्ताओं ने यह भी पता लगाया कि उनके सिस्टम के विभिन्न हिस्सों ने इस सफलता में कैसे योगदान दिया। उन्होंने पाया कि दृश्य अंतरों को फिल्टर करने वाले मॉड्यूल को हटाने से प्रदर्शन में भारी गिरावट आई, जिससे सिद्ध हुआ कि शैली के विविधताओं को संभालना आवश्यक है। इसी तरह, जब उन्होंने डेटा के घनत्व का मानचित्रण करने वाले तंत्र को हटाया, तो सिस्टम ज्ञात और अज्ञात नमूनों को अलग करने में संघर्ष करने लगा, और अक्सर दोनों के बीच भ्रमित हो गया। उन्होंने पाया कि डेटा का मानचित्रण करने के लिए उपयोग किए जाने वाले क्लस्टर्स की संख्या बहुत मायने रखती थी; बहुत अधिक या बहुत कम समूहों का उपयोग करने से सिस्टम कम प्रभावी हो गया। सही संतुलन खोजकर, उन्होंने यह सुनिश्चित किया कि कंप्यूटर एक साथ जंगल और पेड़ों दोनों को देख सके।
यह कार्य सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस के लिए वास्तव में नैदानिक सेटिंग्स में उपयोगी होने के लिए, इसे चिकित्सा डेटा की स्वाभाविक परिवर्तनशीलता को संभालने के लिए पर्याप्त मजबूत होना चाहिए। यह एक कठोर उपकरण नहीं हो सकता जो केवल पूर्ण, नियंत्रित परिस्थितियों में काम करता है। SADG फ्रेमवर्क यह प्रदर्शित करता है कि डेटा की प्राकृतिक संरचना का सम्मान करके और कंप्यूटर को उसकी अपनी सीमाओं को पहचानने के लिए शिक्षित करके, हम ऐसे सिस्टम बना सकते हैं जो सटीक और सुरक्षित दोनों हों। शोधकर्ता नोट करते हैं कि हालांकि उनकी विधि एक महत्वपूर्ण कदम है, अंतिम लक्ष्य ऐसे मॉडल बनाना है जो न्यूनतम पर्यवेक्षण के साथ नए डोमेन के प्रति और भी तेज़ी से अनुकूलित हो सकें। उनके निष्कर्ष वास्तविक दुनिया में पैथोलॉजिस्ट की सहायता करने के लिए AI की ओर एक आशाजनक मार्ग प्रदान करते हैं, जहाँ हर स्लाइड अद्वितीय है और अप्रत्याशित घटना हमेशा संभव है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।