LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction
यह शोध पत्र LungColonCancerPred-NN का परिचय देता है, जो एक संक्षिप्त ट्रिपल-ब्रांच न्यूरल नेटवर्क है जो एक कठोर ऑग्मेंटेशन-फैमिली-आधारित मूल्यांकन प्रोटोकॉल के माध्यम से LC25000 बेंचमार्क में डेटा लीकेज को संबोधित करते हुए पांच-वर्ग फेफड़े और कोलोन हिस्टोपैथोलॉजी वर्गीकरण में 99.25% की अत्याधुनिक सटीकता प्राप्त 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
हर साल, लाखों लोग कैंसर से ग्रसित होते हैं, और दो सबसे सामान्य और घातक रूप फेफड़ों और कोलन (बड़ी आंत) को प्रभावित करते हैं। जब एक डॉक्टर इन बीमारियों का संदेह करता है, तो वे सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे ऊतक (टिश्यू) के सूक्ष्म स्लाइसों की जांच करने के लिए एक रोगविज्ञानी (पैथोलॉजिस्ट) पर भरोसा करते हैं। इन स्लाइसों को विशेष रंगों से रंगा जाता है जो कोशिका नाभिक (सेल न्यूक्लियस) को बैंगनी और अन्य भागों को गुलाबी कर देते हैं, जिससे शरीर की सूक्ष्म संरचना का एक जटिल मानचित्र तैयार होता है। रोगविज्ञानी का काम इस मानचित्र को पढ़ना, स्वस्थ ऊतक और कैंसर के बीच अंतर करना, और फिर यह पहचानना है कि वास्तव में कैंसर किस प्रकार का है। यह एक महत्वपूर्ण कार्य है क्योंकि एक प्रकार के फेफड़ों के कैंसर का उपचार दूसरे से अक्सर भिन्न होता है, और एक सौम्य (बेनाइन) वृद्धि और एक घातक (मैलिग्नेंट) वृद्धि के बीच का अंतर यह निर्धारित करता है कि रोगी को सर्जरी की आवश्यकता है या कीमोथेरेपी की। हालाँकि, यह प्रक्रिया धीमी, कठिन है और पूरी तरह से अत्यधिक प्रशिक्षित मानव विशेषज्ञों की उपलब्धता पर निर्भर करती है।
वर्षों से, वैज्ञानिक कंप्यूटरों को इन सूक्ष्म मानचित्रों को पढ़ना सिखाने की कोशिश कर रहे हैं, इस उम्मीद में कि वे डॉक्टरों की सहायता के लिए या स्वतंत्र रूप से काम करने के लिए एक उपकरण बना सकें। वे इन कंप्यूटर प्रोग्रामों को पैटर्न पहचानने के लिए प्रशिक्षित करने के लिए डिजिटल छवियों के बड़े संग्रहों का उपयोग करते हैं, जिन्हें न्यूरल नेटवर्क कहा जाता है। लेकिन इन संग्रहों को कैसे बनाया जाता है, इसमें एक छिपा हुआ जाल है। प्रशिक्षण के लिए उपयोग की जाने वाली कई छवियां अलग-अलग रोगियों की अद्वितीय तस्वीरें नहीं होती हैं। इसके बजाय, उन्हें एक ही मूल छवि को डिजिटल रूप से घुमाकर, पलटकर या थोड़ा बदलकर कई नए संस्करण बनाने के लिए बनाया जाता है। यदि कोई कंप्यूटर प्रोग्राम एक ऐसी छवि पर परीक्षण करता है जो उसके द्वारा प्रशिक्षण के दौरान देखी गई छवि का केवल एक पलटा हुआ संस्करण है, तो वह उत्तर सही इसलिए दे सकता है क्योंकि वह चित्र को पहचान लेता है, न कि इसलिए कि वह बीमारी को समझता है। डेटा लीकेज (data leakage) नामक यह दोष, यह जानना कठिन बना देता है कि ये कंप्यूटर प्रोग्राम वास्तव में कैंसर का निदान करना सीख रहे हैं या केवल परीक्षा को याद कर रहे हैं।
मोरक्को के मोहम्मद वी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने अब इस समस्या को सीधे संबोधित किया है। उन्होंने एक नया कंप्यूटर सिस्टम बनाया जिसे 'लंगकोलनकैंसरप्रेड-एनएन' (LungColonCancerPred-NN) कहा जाता है और इसका परीक्षण पहले की तुलना में बहुत अधिक सख्त पद्धति का उपयोग करके किया। छवियों को यादृच्छिक रूप से इधर-उधर करने के बजाय, उन्होंने उन्हें उनके मूल स्रोत के आधार पर सावधानीपूर्वक समूहों में विभाजित किया। उन्होंने ऊतक छवियों के दो बड़े सार्वजनिक संग्रहों से शुरुआत की, जिनमें कुल 40,000 फाइलें थीं। सबसे पहले, उन्होंने हजारों सटीक डुप्लिकेट्स को हटा दिया जहाँ एक ही डिजिटल फाइल दो बार दिखाई दे रही थी। फिर, उन्होंने उन छवियों के "परिवारों" को खोजा जो एक ही मूल रोगी नमूने से आई थीं। एक स्मार्ट प्रणाली का उपयोग करते हुए जो यह समझती है कि छवियां कैसे एक जैसी दिखती हैं भले ही उन्हें घुमाया या पलटा गया हो, उन्होंने इन सभी संबंधित छवियों को एक साथ समूहबद्ध किया। फिर उन्होंने यह सुनिश्चित किया कि छवियों का कोई भी संबंधित समूह प्रशिक्षण सेट और परीक्षण सेट के बीच विभाजित न हो। इसका मतलब था कि कंप्यूटर को बीमारी को शुरू से पहचानना सीखना होगा, बिना परीक्षण छवियों के किसी भी निकट-प्रतिलिपि को प्रशिक्षण के दौरान देखे।
उनके द्वारा बनाया गया कंप्यूटर सिस्टम आश्चर्यजनक रूप से संक्षिप्त है, जिसमें लगभग 5.8 मिलियन समायोज्य सेटिंग्स (adjustable settings) हैं, जो एक मानक ग्राफिक्स कार्ड पर चलने के लिए पर्याप्त छोटा है। यह एक साथ तीन अलग-अलग "लेंसों" के माध्यम से ऊतक छवियों को देखकर काम करता है। एक लेंस कोशिकाओं की सामान्य बनावट और रंग पर ध्यान केंद्रित करता है, ठीक वैसे ही जैसे मानव आँख समग्र पैटर्न के लिए स्कैन करती है। दूसरा लेंस कोशिकाओं के विशिष्ट आकार और समूहों को देखता है जो एक-दूसरे के समान हैं, भले ही वे छवि में एक-दूसरे से दूर हों, जिससे यह ट्यूमर के बिखरे हुए हिस्सों को जोड़ पाता है। तीसरा लेंस प्रत्येक कोशिका के सटीक स्थान पर ध्यान देता है, यह समझता है कि ऊतक अंतरिक्ष में कैसे व्यवस्थित हैं। एक विशेष तंत्र फिर तीनों लेंसों से प्राप्त जानकारी को प्रत्येक छवि के लिए तौलता है, यह तय करता है कि कौन सा दृश्य सबसे महत्वपूर्ण है, इससे पहले कि अंतिम निर्णय लिया जाए।
जब शोधकर्ताओं ने इस प्रणाली का परीक्षण 5,497 छवियों पर किया जिन्हें उसने पहले कभी नहीं देखा था, तो परिणाम उल्लेखनीय रूप से सटीक थे। कंप्यूटर ने 99.25% मामलों में ऊतक के प्रकार की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि इसने सबसे खतरनाक गलती कभी नहीं की: इसने कैंसरयुक्त ऊतक को स्वस्थ के रूप में लेबल नहीं किया। इसने कुछ गलतियाँ भी कीं, लेकिन वे ज्यादातर दो विशिष्ट प्रकार के फेफड़ों के कैंसर के बीच भ्रमित होने के कारण थीं, जो एक ऐसी चुनौती है जिसका सामना मानव रोगविज्ञानी भी कभी-कभी करते हैं और जिसे हल करने के लिए अतिरिक्त परीक्षणों की आवश्यकता होती है। सिस्टम ने लगभग हर मामले में यह भी सही ढंग से पहचाना कि ऊतक किस अंग से आया है। जब इसे उसी डेटासेट पर परीक्षण किए गए अन्य हालिया कंप्यूटर प्रोग्रामों के साथ तुलना की गई, तो इस नए सिस्टम ने बेहतर प्रदर्शन किया, भले ही यह केवल तीन प्रकार के ऊतकों के बजाय पांच अलग-अलग प्रकार के ऊतकों के बीच अंतर करके एक कठिन समस्या को हल कर रहा था।
इस कार्य की सफलता केवल उच्च सटीकता में नहीं है, बल्कि इस बात में है कि परीक्षण कैसे डिजाइन किया गया था। यह सुनिश्चित करके कि परीक्षण की जाने वाली छवियां वास्तव में नई हैं और प्रशिक्षण डेटा की केवल प्रतियां नहीं हैं, शोधकर्ताओं ने सिद्ध किया कि उनके सिस्टम ने वास्तव में कैंसर की जैविक विशेषताओं को पहचानना सीखा है। उन्होंने पाया कि उनके उत्तरों में कंप्यूटर का आत्मविश्वास अच्छी तरह से कैलिब्रेटेड था, जिसका अर्थ है कि वह जानता था कि वह कब अनिश्चित है। यह दृष्टिकोण चिकित्सा में कृत्रिम बुद्धिमत्ता (AI) विकसित करने के लिए एक स्पष्ट मार्ग प्रदान करता है, यह दर्शाता है कि सावधानीपूर्वक परीक्षण के साथ, ये उपकरण सरल पैटर्न मिलान से आगे बढ़कर डॉक्टरों के लिए विश्वसनीय सहायक बन सकते हैं। शोधकर्ता अपने सिस्टम का परीक्षण किसी अन्य अस्पताल के छवियों के पूरी तरह से अलग सेट पर करने की योजना बना रहे हैं ताकि यह देखा जा सके कि क्या यह वास्तविक दुनिया के विविधताओं को संभाल सकता है, जो कि इस तकनीक के मरीजों की मदद करने के लिए उपयोग किए जाने से पहले एक महत्वपूर्ण कदम 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।