Empowering Surgical Embodied Intelligence: A Blockchain-based Federated Learning Framework for Collaborative Video Analysis
यह शोध पत्र एक ब्लॉकचेन-आधारित फेडेरेटेड लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो विकेंद्रीकृत सर्वसम्मति और हाइब्रिड मॉडल आर्किटेक्चर के माध्यम से केंद्रीय सर्वर की कमजोरियों को समाप्त करता है और डेटा गोपनीयता सुनिश्चित करता है, जिससे सर्जिकल एम्बोडीड इंटेलिजेंस को आगे बढ़ाने के लिए सुरक्षित, सहयोगात्मक सर्जिकल वीडियो विश्लेषण सक्षम होता 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
ऑपरेशन थिएटर में, सर्जरी का भविष्य वीडियो के माध्यम से लिखा जा रहा है। सर्जन एक ऑपरेशन के दृश्य प्रवाह—उपकरणों की सटीक गति, ऊतकों (tissue) का खिसकना, प्रक्रिया की लय—पर निर्भर करते हैं ताकि वे पलक झपकते ही निर्णय ले सकें। मशीनों को एक दिन इन कार्यों में सहायता करने या यहाँ तक कि इन्हें स्वायत्त रूप से करने के लिए, उन्हें पहले मानव विशेषज्ञ की तरह इन दृश्यों को देखने और समझने में सक्षम होना होगा। 'सर्जिकल एम्बोडीड इंटेलिजेंस' (surgical embodied intelligence) के रूप में ज्ञात यह क्षेत्र, रोबोट्स को उस दुनिया का एक दृश्य बोध देने का लक्ष्य रखता है जिसे वे हेरफेर करने वाले हैं। हालाँकि, मशीन को सर्जिकल चरण (phase) पहचानना सिखाना केवल कुछ घंटों के फुटेज को उसे खिलाने का सरल कार्य नहीं है। इसके लिए कई अलग-अलग अस्पतालों से बड़ी मात्रा में विविध डेटा की आवश्यकता होती है ताकि यह सुनिश्चित किया जा सके कि मशीन वास्तविक दुनिया में पाए जाने वाले प्रकाश, कैमरा कोण और सर्जिकल शैलियों के विविधताओं को संभाल सके।
इस प्रगति के मार्ग में केंद्रीय बाधा गोपनीयता है। मेडिकल रिकॉर्ड और सर्जिकल वीडियो किसी भी व्यक्ति के पास मौजूद सबसे संवेदनशील डेटा में से हैं, जो सख्त कानूनों द्वारा संरक्षित हैं जो अस्पतालों को अपने कच्चे फुटेज को एक-दूसरे के साथ या बाहरी शोधकर्ताओं के साथ साझा करने से रोकते हैं। यह एक ऐसी स्थिति पैदा करता है जहाँ मूल्यवान डेटा अलग-थलग "साइलो" (silos) में पड़ा रहता है, जो मजबूत आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के लिए आवश्यक बड़े, विविध डेटासेट के निर्माण को रोकता है। हालाँकि, 'फेडरेटेड लर्निंग' (federated learning) नामक एक विधि उभरी है जो डेटा को स्थानांतरित किए बिना मॉडल को प्रशिक्षित करने का एक तरीका है, लेकिन यह पारंपरिक रूप से प्रक्रिया के समन्वय के लिए एक केंद्रीय सर्वर पर निर्भर करती है। यह केंद्रीय बिंदु एक नया जोखिम पैदा करता है: यदि वह सर्वर समझौता किया जाता है या अविश्वसनीय व्यवहार करता है, तो पूरी प्रणाली विफल हो जाती है, और भाग लेने वाले अस्पतालों की गोपनीयता खतरे में पड़ जाती है।
इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नया ढांचा विकसित किया है जो केंद्रीय सर्वर को पूरी तरह से हटा देता है, और उसके स्थान पर एक सुरक्षित, साझा लेज़र (ledger) के रूप में 'ब्लॉकचेन' का उपयोग करता है। इस प्रणाली में, कई चिकित्सा केंद्र अपनी निजी वीडियो फ़ाइलों को साझा किए बिना एक एकल, शक्तिशाली आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित करने के लिए सहयोग कर सकते हैं। शोधकर्ताओं ने तीन सार्वजनिक डेटासेट्स से प्राप्त सर्जिकल वीडियो का उपयोग करके इस दृष्टिकोण का परीक्षण किया, जिसमें आठ अलग-अलग चिकित्सा केंद्रों में रिकॉर्ड किए गए अस्सी अलग-अलग ऑपरेशनों के फुटेज शामिल थे। इन वीडियो ने पित्ताशय (gallbladder) को निकालने की सात मानक अवस्थाओं को कैद किया, जिसमें प्रारंभिक तैयारी से लेकर अंग के अंतिम विस्थापन (retraction) तक शामिल है। डेटा जानबूझकर विविध था, जिसमें कैमरा कोण, प्रकाश व्यवस्था और सर्जिकल तकनीकें अलग-अलग थीं ताकि ऑपरेटिंग रूम की जटिल वास्तविकता की नकल की जा सके।
शोधकर्ताओं ने एक ऐसी प्रणाली डिजाइन की जहाँ प्रत्येक अस्पताल अपने स्थानीय डेटा पर मॉडल के एक हिस्से को प्रशिक्षित करता है। उन्होंने सीखने के कार्य को दो भागों में विभाजित किया: एक "साझा" (shared) घटक जो सभी सर्जरी में सामान्य दृश्य पैटर्न सीखता है, जैसे कि एक सर्जिकल उपकरण का आकार, और एक "निजी" (private) घटक जो उस अस्पताल के विशिष्ट वर्कफ़्लो के अद्वितीय, समय-आधारित लय को सीखता है। एक बार जब कोई अस्पताल प्रशिक्षण पूरा कर लेता है, तो वह अपने अपडेट को एन्क्रिप्ट करता है और उन्हें नेटवर्क पर भेज देता है। इन अपडेट को एकत्र करने के लिए किसी केंद्रीय बॉस के बजाय, अस्पताल मिलकर उनकी पुष्टि करते हैं। वे यह जाँचते हैं कि अपडेट वास्तविक हैं और उनके साथ कोई छेड़छाड़ नहीं की गई है, जो एक समूह मतदान की प्रक्रिया के समान है जहाँ सबसे विश्वसनीय योगदानों को अधिक महत्व दिया जाता है। यह सत्यापन एक ब्लॉकचेन पर होता है, जो एक डिजिटल रिकॉर्ड है जिसे बदला नहीं जा सकता, जिससे यह सुनिश्चित होता है कि सहयोग का प्रत्येक चरण पारदर्शी और भरोसेमंद है।
इस प्रयोग के परिणामों ने दिखाया कि यह विकेंद्रीकृत दृष्टिकोण पारंपरिक तरीकों से बेहतर है। जब शोधकर्ताओं ने यह मापा कि मॉडल सर्जरी के विभिन्न चरणों को पहचानने में कितना सक्षम है, तो उनके नए सिस्टम ने आज के मानक तरीकों की तुलना में उच्च सटीकता और सभी विभिन्न चिकित्सा केंद्रों में बेहतर निरंतरता हासिल की। विशिष्ट परीक्षणों में, नए ढांचे ने समग्र सटीकता में उल्लेखनीय अंतर से सुधार किया, जिससे यह सिद्ध हुआ कि यह क्षमता खोए बिना अस्पतालों के बीच के अंतर को संभाल सकता है। सिस्टम ने हस्तक्षेप के प्रति भी मजबूत प्रतिरोध क्षमता प्रदर्शित की; यहाँ तक कि जब शोधकर्ताओं ने प्रशिक्षण को बाधित करने के प्रयास में दुर्भावनापूर्ण तत्वों (malicious actors) की उपस्थिति का अनुकरण किया, तब भी मॉडल स्थिर और सटीक बना रहा।
यह सिद्ध करके कि अस्पताल केंद्रीय प्राधिकरण के बिना सुरक्षित रूप से सहयोग कर सकते हैं, यह कार्य चिकित्सा आर्टिफिशियल इंटेलिजेंस के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह सुझाव देता है कि भविष्य के स्वायत्त सर्जिकल रोबोट के लिए आवश्यक दृश्य धारणा को रोगी के डेटा को सुरक्षित रखते हुए कई स्रोतों से ज्ञान एकत्र करके बनाया जा सकता है। अध्ययन पुष्टि करता है कि एक भरोसेमंद, विकेंद्रीकृत आधार संभव है, जिससे यह क्षेत्र केवल वीडियो के विश्लेषण से बढ़कर सक्रिय रूप से ऑपरेटिंग रूम में सहायता करने की ओर बढ़ सकता है। यह ढांचा केवल एक कंप्यूटर प्रोग्राम को बेहतर नहीं बनाता है; यह चिकित्सा संस्थानों के लिए मिलकर काम करने का एक नया तरीका स्थापित करता है, जो अलग-थलग पड़े डेटा को एक साझा संसाधन में बदल देता है जो अंततः मशीनों को एक सर्जन के जटिल, जीवन रक्षक कौशल सीखने में मदद कर सकता 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।