Joint Classification and Supervised Contrastive Representation Learning for Cervical Cancer Detection in Histopathological Images

चिकित्सा निदान की शांत, उच्च-दांव वाली दुनिया में, रोगविज्ञानी (पैथोलॉजिस्ट) कैंसर के उपचार के लिए अंतिम द्वारपाल के रूप में कार्य करते हैं। वे बीमारी की उपस्थिति का संकेत देने वाले कोशिका के आकार और व्यवस्था में सूक्ष्म परिवर्तनों की खोज करने के लिए शक्तिशाली सूक्ष्मदर्शी के नीचे ऊतक के पतले स्लाइसों का परीक्षण करते हैं। गर्भाशय ग्रीवा के कैंसर (सर्वाइकल कैंसर) के लिए, यह प्रक्रिया अत्यंत महत्वपूर्ण है; बीमारी को जल्दी पकड़ लेना जीवन बचा सकता है, लेकिन यह कार्य अविश्वीय रूप से कठिन है। ऊतक के नमूने जटिल होते हैं, जो अक्सर स्वस्थ या रोगग्रस्त होने के मामले में भ्रामक रूप से समान दिखते हैं, और दृश्य अंतर बहुत सूक्ष्म हो सकते हैं। मानव विशेषज्ञों की सहायता के लिए, वैज्ञानिकों ने कृत्रिम बुद्धिमत्ता (एआई) की ओर रुख किया है, जिससे कंप्यूटर को इन पैटर्न को पहचानने के लिए प्रशिक्षित किया जा सके। हालाँकि, मानक कंप्यूटर मॉडल चिकित्सा छवियों की अव्यवस्थित वास्तविकता के साथ संघर्ष करते हैं, जहाँ प्रकाश भिन्न होता है, स्टेन (रंग) अलग होते हैं, और स्वस्थ ऊतक आश्चर्यजनक रूप रूप से अनियमित दिख सकते हैं। लक्ष्य केवल यह नहीं है कि कंप्यूटर सही उत्तर का अनुमान लगाए, बल्कि इसे एक स्वस्थ कोशिका और एक कैंसरयुक्त कोशिका के बीच गहरे, संरचनात्मक अंतरों को समझने के लिए प्रशिक्षित करना है, जिससे एक ऐसा मानसिक मानचित्र बनाया जा सके जहाँ समान चीजों को एक साथ समूहबद्ध किया जाता है और अलग चीजों को दूर धकेला जाता है।

शोधकर्ताओं की एक टीम ने इस दृश्य जटिलता को समझने में कंप्यूटर की मदद करने के लिए एक नई विधि विकसित की है। उन्होंने एक ऐसी प्रणाली बनाई है जिसे गर्भाशय ग्रीवा की हिस्टोपैथोलॉजिकल छवियों को पढ़ने और सामान्य ऊतक तथा कैंसर से प्रभावित ऊतक के बीच अंतर करने के लिए डिज़ाइन किया गया है। केवल एक तरीके से सीखने के बजाय, उन्होंने दो अलग-अलग रणनीतियों को मिलाया। पहला पारंपरिक दृष्टिकोण है, जहाँ कंप्यूटर को प्रत्येक छवि के लिए सही उत्तर बताया जाता है और वह अपनी गलतियों को कम करने का प्रयास करता है। दूसरा, अधिक उन्नत रणनीति है जिसे 'सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग' कहा जाता है। यह तकनीक कंप्यूटर को गहराई से देखने के लिए मजबूर करती है, जिससे वह एक ही प्रकार की छवियों को अपनी आंतरिक स्मृति में एक-दूसरे के करीब लाने और अलग प्रकार की छवियों को एक-दूसरे से दूर धकेलने के लिए सीखता है। इस प्रक्रिया को एक पुस्तकालय को व्यवस्थित करने की तरह समझें: पारंपरिक तरीका यह सुनिश्चित करता है कि प्रत्येक पुस्तक सही शेल्फ पर हो, जबकि कॉन्ट्रास्टिव तरीका यह सुनिश्चित करता है कि एक ही विषय की पुस्तकें एक-दूसरे के पास करीने से रखी हों, जिससे उन्हें ढूंढना और असंबंधित खंडों से अलग करना आसान हो जाता है। दोनों विधियों का एक साथ उपयोग करके, शोधकर्ताओं का लक्ष्य एक ऐसा मॉडल बनाना था जो न केवल सटीक हो, बल्कि उस ऊतक के दृश्य परिदृश्य को भी समझ सके जिसका वह परीक्षण कर रहा है।

टीम ने अपने सिस्टम का परीक्षण छवियों के एक विशिष्ट संग्रह का उपयोग करके किया जिसे CAISHI डेटासेट के रूपए जाना जाता है, जिसमें चीन के एक अस्पताल से ली गई गर्भाशय ग्रीवा के ऊतक की 2,240 उच्च-रिज़ॉल्यूशन वाली तस्वीरें शामिल हैं। इन छवियों को विशेषज्ञ रोगविज्ञानी द्वारा सावधानीपूर्वक लेबल किया गया था, जिनमें से कुछ सामान्य ग्रंथियों को दर्शाती हैं और अन्य एक विशिष्ट प्रकार के पूर्व-कैंसर परिवर्तन को दर्शाती हैं जिसे 'एडेनोकार्सिनोमा इन सिटु' कहा जाता है। अपने परिणामों को विश्वसनीय बनाने के लिए, शोधकर्ताओं ने डेटा को केवल एक बार टेस्ट नहीं किया। उन्होंने डेटा को पांच अलग-अलग समूहों में विभाजित किया, चार समूहों पर सिस्टम को प्रशिक्षित किया और पांचवें पर इसका परीक्षण किया, और इस प्रक्रिया को तब तक दोहराया जब तक कि प्रत्येक छवि का परीक्षण नहीं हो गया। इस कठोर दृष्टिकोण से पता चला कि उनकी संयुक्त विधि ने औसतन 96.90 प्रतिशत सटीकता प्राप्त की। यह प्रदर्शन सभी पांच परीक्षणों में उल्लेखनीय रूप से सुसंगत था, जिसमें बहुत कम भिन्नता थी, जो यह सुझाव देता है कि मॉडल स्थिर है और केवल एक विशिष्ट सेट के साथ भाग्यशाली नहीं है। सिस्टम ने उच्च परिशुद्धता (प्रिसिजन) और रिकॉल भी दिखाया, जिसका अर्थ है कि इसने शायद ही कभी किसी कैंसर के मामले को छोड़ा और शायद ही कभी स्वस्थ ऊतक को कैंसरयुक्त के रूप में चिह्नित किया।

यह समझने के लिए कि यह नई विधि इतनी अच्छी तरह से क्यों काम कर रही थी, शोधकर्ताओं ने प्रयोगों की एक श्रृंखला चलाई जहाँ उन्होंने अपने सिस्टम के विशिष्ट हिस्सों को हटाया या बदला। उन्होंने पाया कि यदि वे केवल सीखने के पारंपरिक तरीके पर निर्भर रहते, तो सटीकता थोड़ी कम हो जाती, जिससे सिद्ध हुआ कि कॉन्ट्रास्टिव लर्निंग घटक उनकी सफलता के लिए आवश्यक था। उन्होंने दोनों शिक्षण रणनीतियों के बीच सही संतुलन खोजने के लिए विभिन्न सेटिंग्स का भी परीक्षण किया। उन्होंने पाया कि कॉन्ट्रास्टिव लर्निंग वाले हिस्से को एक विशिष्ट, मध्यम भार (वेट) देने से सर्वोत्तम परिणाम मिले, जबकि इसे बहुत अधिक भार देने से वास्तव में मॉडल के प्रदर्शन को नुकसान पहुँचा। इस सावधानीपूर्वक ट्यूनिंग ने दिखाया कि दोनों विधियाँ तब सबसे अच्छा काम करती हैं जब वे एक-दूसरे का समर्थन करती हैं न कि एक-दूसरे के साथ प्रतिस्पर्धा करती हैं। इसके अलावा, शोधकर्ताओं ने यह देखने के लिए एक विज़ुअलाइज़ेशन टूल का उपयोग किया कि कंप्यूटर छवियों के किन हिस्सों पर ध्यान केंद्रित कर रहा है। जब स्वस्थ ऊतक को देखा जा रहा था, तो कंप्यूटर ने व्यापक, समान क्षेत्रों को हाइलाइट किया। कैंसरयुक्त ऊतक को देखते समय, इसने छोटे, चमकीले, अनियमित धब्बों पर ध्यान केंद्रित किया जो बीमारी के विशिष्ट घने, अराजक कोशिका संरचनाओं के अनुरूप थे। इसने पुष्टि की कि मॉडल केवल बैकग्राउंड शोर के आधार पर अनुमान नहीं लगा रहा था, बल्कि वास्तव में प्रासंगिक जैविक विशेषताओं की पहचान कर रहा था।

यह अध्ययन गर्भाशय ग्रीवा के कैंसर का पता लगाने के लिए उपयोग की जाने वाली अन्य विधियों के संदर्भ में इस नए दृष्टिकोण को रखता है। पुराने मशीन लर्निंग तकनीकों या बिना कॉन्ट्रास्टिव तत्व वाले मानक डीप लर्निंग मॉडल का उपयोग करने वाले पिछले प्रयासों ने कम सटीकता दर हासिल की थी। यहाँ तक कि विभिन्न प्रकार के न्यूरल नेटवर्क का उपयोग करने वाले कुछ उन्नत मॉडल भी इस संयुक्त दृष्टिकोण के प्रदर्शन से मेल खाने में संघर्ष कर रहे थे। शोधकर्ताओं ने उल्लेख किया कि जबकि उनका सिस्टम अत्यधिक प्रभावी है, इसका परीक्षण केवल एक विशिष्ट डेटासेट पर किया गया था। इसका मतलब है कि हालांकि परिणाम मजबूत हैं, फिर भी मॉडल को विभिन्न अस्पतालों और विभिन्न स्टेनिंग तकनीकों वाली छवियों पर परीक्षण करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह हर जगह काम करे। इस सीमा के बावजूद, निष्कर्ष बताते हैं कि कंप्यूटर को केवल लेबल याद करने के अलावा, समानता के आधार पर दृश्य जानकारी को व्यवस्थित करने के लिए सिखाना, एक अधिक मजबूत और विश्वसनीय उपकरण बनाता है। यह कार्य पैथोलॉजी में आर्टिफिशियल इंटेलिजेंस के लिए एक आशाजनक मार्ग प्रदान करता है, जो सरल पैटर्न मिलान से आगे बढ़कर बीमारी को परिभाषित करने वाले दृश्य साक्ष्यों की गहरी समझ की ओर बढ़ता है।