A Three Layer Attention Enhanced Deep Learning Framework for Automated Skin Lesion Classification Using ISIC 2016 and ISIC 2018 Dermoscopic Image Dataset

त्वचा का कैंसर एक निरंतर वैश्विक स्वास्थ्य चुनौती है, लेकिन इसका सबसे खतरनाक रूप, मेलानोमा (melanoma), समय की शक्ति का एक कठोर सबक देता है। जब इसे जल्दी पकड़ लिया जाता है, जब बीमारी अभी भी उसी स्थान तक सीमित होती है जहाँ से यह शुरू हुई थी, तो पांच साल की उत्तरजीविता दर (survival rate) लगभग पूर्ण होती है। हालांकि, एक बार जब यह कैंसर पास की लिम्फ नोड्स या दूर के अंगों में फैल जाता है, तो जीवित रहने की संभावना तेजी से गिर जाती है। इलाज और त्रासदी के बीच का अंतर अक्सर कुछ महत्वपूर्ण महीनों पर निर्भर करता है। दशकों से, डॉक्टर डर्मोस्कोपी (dermoscopy) पर भरोसा करते आए हैं, जो एक ऐसी तकनीक है जो एक विशेष आवर्धक प्रकाश का उपयोग करती है ताकि त्वचा के घावों में छिपे हुए उन पैटर्न को देखा जा सके जिन्हें नग्न आंखें नहीं देख सकतीं। फिर भी, विशेषज्ञों के लिए भी इन छवियों की व्याख्या करना कठिन है क्योंकि त्वचा के कैंसर आकार, रंग और बनावट में बहुत भिन्न होते हैं, और वे हानिरहित तिल के समान भ्रामक रूप से दिख सकते हैं। यहीं पर कंप्यूटर-सहायता प्राप्त निदान (computer-aided diagnosis) का क्षेत्र काम आता है, जो मशीनों को वह देखने के लिए प्रशिक्षित करने का प्रयास करता है जो मानवीय आँखें शायद मिस कर दें, जिससे कच्चे पिक्सेल डेटा को एक दूसरे मत (second opinion) में बदला जा सके जो जीवन बचा सकता है।

इस संदर्भ में, इंजीनियरिंग एंड टेक्नोलॉजी यूनिवर्सिटी टैक्सिला के शोधकर्ता वकार इस्माइल और डॉ. वकील अहमद ने कंप्यूटर को इन त्वचा छवियों को पढ़ना सिखाने के लिए एक नया दृष्टिकोण प्रस्तावित किया है। उन्होंने TLANet नामक एक प्रणाली विकसित की है, जो एक सुव्यवस्थित कृत्रिम बुद्धिमत्ता (AI) मॉडल है जिसे विशेष रूप से खतरनाक और हानिरहित त्वचा के विकास के बीच अंतर करने के लिए डिज़ाइन किया गया है। लाखों मापदंडों (parameters) वाले कई आधुनिक जटिल नेटवर्कों के विपरीत, इस टीम ने एक सरल प्रश्न पूछा: क्या एक बहुत छोटा, अधिक कुशल नेटवर्क, यदि सही ढंग से निर्देशित हो, तो उतना ही अच्छा प्रदर्शन कर सकता है? उनका उत्तर 'अटेंशन' (attention) नामक एक तकनीक में निहित है। जिस तरह एक मानव डॉक्टर आसपास की स्वस्थ त्वचा को अनदेखा करते हुए एक तिल की अनियमित सीमा पर ध्यान केंद्रित करता है, शोधकर्ताओं ने एक ऐसा तंत्र बनाया है जो कंप्यूटर को छवि के सबसे महत्वपूर्ण हिस्सों को बाकी हिस्सों की तुलना में अधिक भार देने के लिए मजबूर करता है। यह "चैनल और स्थानिक अटेंशन" (channel and spatial attention) एक फिल्टर के रूप में कार्य करता है, जो सिस्टम को निर्देश देता है कि वह खतरे का संकेत देने वाली विशिष्ट बनावट और रंगों पर ध्यान दे, जबकि बाल या छाया जैसे अप्रासंगिक बैकग्राउंड शोर को कम महत्व दे।

टीम ने यह देखने के लिए कि यह दबाव में कैसा प्रदर्शन करता है, अपने निर्माण का परीक्षण वास्तविक दुनिया की चिकित्सा छवियों के दो अलग-अलग सेटों पर किया। पहले परीक्षण में एक बाइनरी चुनौती शामिल थी: केवल यह तय करना कि घाव सौम्य (benign) था या घातक (malignant)। 900 प्रशिक्षण छवियों और 379 परीक्षण छवियों के डेटासेट का उपयोग करते हुए, सिस्टम ने लगभग 88.3 प्रतिशत की सटीकता हासिल की। यह उनके नेटवर्क के एक मानक संस्करण की तुलना में एक महत्वपूर्ण सुधार था जिसमें अटेंशन मैकेनिज्म की कमी थी, जिसने केवल लगभग 84.2 प्रतिशत सटीकता प्राप्त की थी। दूसरे, अधिक कठिन परीक्षण में सिस्टम को त्वचा रोग की सात अलग-अलग श्रेणियों में वर्गीकृत करने की आवश्यकता थी, जो सामान्य तिल से लेकर विभिन्न प्रकार के कैंसर तक विस्तृत थीं। इस डेटासेट में 10,000 से अधिक छवियां थीं और इसमें एक गंभीर असंतुलन था, जिसमें कुछ दुर्लभ रोगों का प्रतिनिधित्व केवल कुछ उदाहरणों द्वारा किया गया था। यहाँ, अटेंशन-एन्हांस्ड मॉडल ने फिर से अपने नॉन-अटेंशन समकक्ष की तुलना में बेहतर प्रदर्शन किया, और 0.612 के बेसलाइन की तुलना में 0.681 का मैक्रो F1 स्कोर प्राप्त किया। ये स्कोर, जो यह मापते हैं कि मॉडल सभी श्रेणियों में परिशुद्धता (precision) और रिकॉल (recall) को कितनी अच्छी तरह संतुलित करता है, यह सुझाव देते हैं कि अटेंशन मैकेनिज्म कंप्यूटर को दृष्टिगत रूप से समान रोगों के बीच भ्रम को दूर करने में मदद करता है।

इस कार्य को जो बात उल्लेखनीय बनाती है वह केवल संख्याएँ नहीं हैं, बल्कि समाधान की दक्षता है। शोधकर्ताओं ने अपने कॉम्पैक्ट तीन-परतीय नेटवर्क की तुलना स्थापित, भारी मॉडलों जैसे ResNet और EfficientNet से की, जो अपने उच्च प्रदर्शन के लिए जाने जाते हैं लेकिन साथ ही अपनी भारी कम्प्यूटेशनल लागत के लिए भी। जबकि उन बड़े मॉडलों ने कुछ मामलों में थोड़े उच्च स्कोर प्राप्त किए, उन्हें चलाने के लिए काफी अधिक प्रोसेसिंग पावर और समय की आवश्यकता थी। इसके विपरीत, TLALet मॉडल हल्का रहा, जिसमें बहुत कम मापदंड थे और तेज़ इन्फरेंस समय (inference times) था, जिससे यह उन सेटिंग्स में तैनाती के लिए एक अधिक व्यवहार्य उम्मीदवार बन गया जहाँ कंप्यूटिंग संसाधन सीमित हैं। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि जटिलता हमेशा बेहतर होती है; इसके बजाय, इसने प्रदर्शित किया कि एक सावधानीपूर्वक डिज़ाइन किया गया, छोटा आर्किटेक्चर, जब सही फोकस से लैस हो, तो अनावश्यक बोझ के बिना आवश्यक पैटर्न सीख सकता है।

हालाँकि, शोधकर्ता यह दावा करने में सावधान हैं कि यह प्रणाली एक डॉक्टर को बदलने के लिए तैयार है। अध्ययन इस बात पर प्रकाश डालता है कि हालांकि मॉडल सार्वजनिक डेटासेट पर अच्छा प्रदर्शन करता है, फिर भी यह सबसे दुर्लभ रोग श्रेणियों के साथ संघर्ष करता है और खराब गुणवत्ता या असामान्य रोशनी वाली छवियों से भ्रमित हो सकता है। सिस्टम द्वारा उत्पन्न अटेंशन मैप्स यह दिखाते हैं कि कंप्यूटर कहाँ देख रहा है, जो उसकी निर्णय लेने की प्रक्रिया की एक झलक प्रदान करते हैं, लेकिन ये विज़ुअलाइज़ेशन नैदानिक निर्णय (clinical judgment) का विकल्प नहीं हैं। यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो सुझाव देता है कि डर्मेटोलॉजी में कृत्रिम बुद्धिमत्ता के लिए एक केंद्रित, कुशल दृष्टिकोण संभव है। यह एक ऐसा मार्ग प्रदान करता है जहाँ तकनीक को प्रभावी होने के लिए विशाल होने की आवश्यकता नहीं है, बशर्ते उसे पता हो कि वास्तव में कहाँ देखना है। जैसा कि लेखकों ने उल्लेख किया है, जीवन-मरण के निर्णयों के मार्गदर्शन के लिए ऐसे उपकरणों पर भरोसा करने से पहले भविष्य के कार्यों को विविध आबादी और वास्तविक दुनिया के नैदानिक सेटिंग्स में इन निष्कर्षों को प्रमाणित करने की आवश्यकता होगी।