An Agent-Based Concept Generation ApproachUsing Concept Bottleneck Models for ChestRadiograph Classification
यह अध्ययन प्रदर्शित करता है कि नैदानिक रूप से आधारित अवधारणा निर्माण (concept construction) चेस्ट रेडियोग्राफ वर्गीकरण के लिए कॉन्सेप्ट बॉटलनेक मॉडल को बेहतर बनाता है, जिसमें पर्यवेक्षित (supervised) दृष्टिकोण गैर-बॉटलनेक बेसलाइन के समान मजबूत प्रदर्शन प्राप्त करते हैं, जबकि लेबल-मुक्त मॉडल एक आशाजनक विकल्प प्रदान करते हैं जब अवधारणा एनोटेशन उपलब्ध नहीं होते हैं।
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
कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ कंप्यूटर मेडिकल तस्वीरों को देख सकते हैं और डॉक्टरों को बता सकते हैं कि क्या गलत है, लगभग एक सुपर-पावर्ड जासूस की तरह। यह मेडिकल आर्टिफिशियल इंटेलिजेंस (AI) का क्षेत्र है। लंबे समय तक, ये AI जासूस "ब्लैक बॉक्स" की तरह थे: वे एक एक्स-रे देखते और चिल्लाते, "यह निमोनिया है!" लेकिन वे यह नहीं समझा पाते थे कि क्यों। उन्हें बस जवाब पता था, लेकिन वे उन सुरागों को नहीं जानते थे जिनका उपयोग उन्होंने उत्तर खोजने के लिए किया था। इसने डॉक्टरों को घबरा दिया, क्योंकि चिकित्सा में, "क्या" के साथ-साथ "क्यों" जानना भी उतना ही महत्वपूर्ण है। इसे ठीक करने के लिए, वैज्ञानिकों ने "कॉन्सेप्ट बोटलनेक मॉडल" (Concept Bottleneck Model) नामक कुछ आविष्कार किया। इसे एक दो-चरणीय कुकिंग रेसिपी की तरह समझें। AI के सीधे अंतिम व्यंजन (निदान) पर कूदने के बजाय, उसे पहले "सामग्री" (अवधारणाएं, जैसे "सफेद धब्बे" या "बढ़ा हुआ हृदय") की पहचान करनी होती है और फिर परिणाम प्राप्त करने के लिए उन्हें मिलाना होता है। यह AI की सोचने की प्रक्रिया को दृश्यमान बनाता है, जैसे एक शेफ आपको सूप परोसने से पहले कटे हुए प्याज दिखाता है। लेकिन पेचीदा हिस्सा यह है कि AI को वे "सामग्रियां" क्या हैं, यह सिखाने के लिए आमतौर पर एक इंसान को हर एक तस्वीर को घंटों तक लेबल करने की आवश्यकता होती है, जो धीमा और महंगा है।
यह शोध पत्र इस बारे में है कि बिना किसी इंसान द्वारा सब कुछ लेबल किए, AI को वे सामग्रियां कैसे सिखाई जा सकती हैं। शोधकर्ता, मेहमत वारण, फातिह सोयगाज़ी और डैमला ओगुज़, यह देखना चाहते थे कि क्या वे एक विशाल मेडिकल डिक्शनरी जिसे यूनिफाइड मेडिकल लैंग्वेज सिस्टम (UMLS) कहा जाता है, और डिजिटल एजेंटों (कंप्यूटर प्रोग्राम जो छोटे शोधकर्ताओं के रूप में कार्य करते हैं) की एक टीम का उपयोग करके एक स्मार्ट "सामग्री सूची" बना सकते हैं। उन्होंने इसे 1,12,000 से अधिक चेस्ट एक्स-रे के एक विशाल संग्रह पर परखा। उनका लक्ष्य यह देखना था कि क्या चिकित्सकीय रूप से व्यवस्थित इस अवधारणा सूची का उपयोग करने से AI निमोनिया या हृदय संबंधी समस्याओं जैसी बीमारियों का पता लगाने में बेहतर बनेगा, और क्या यह अपने आप सामग्री का अनुमान लगाने के बजाय बेहतर प्रदर्शन करेगा। उन्होंने अपने नए "एजेंट-आधारित" तरीके की तुलना सरल सूचियों से की और यह भी जांचा कि एक सुपरवाइज्ड मॉडल (जिसे एक मानव शिक्षक द्वारा सिखाया गया था) कैसा प्रदर्शन करता है।
टीम की मुख्य खोज यह है कि आप सामग्रियों की सूची कैसे बनाते हैं, इससे बहुत फर्क पड़ता है। जब उन्होंने अपने नए तरीके का उपयोग किया—जहाँ डिजिटल एजेंटों ने मेडिकल शब्दों की खोज की, उन्हें विशाल UMLS डिक्शनरी के साथ जांचा और बेकार चीजों को फ़िल्टर किया—तो उन्होंने पाया कि AI ने एक साधारण शब्द सूची की तुलना में बेहतर प्रदर्शन किया। उनके "लेबल-फ्री" प्रयोगों में (जहाँ AI को बिना मानव शिक्षक के सामग्रियों को सीखना था), उनकी शानदार UMLS सूची वाले सर्वश्रेष्ठ मॉडल ने 0.702 का स्कोर प्राप्त किया, जबकि सरल सूची को केवल 0.691 मिला। यह कोई बहुत बड़ा उछाल नहीं था, लेकिन यह सुसंगत था: अवधारणाएं जितनी अधिक चिकित्सकीय रूप से आधारित थीं, AI एक्स-रे को उतनी ही बेहतर समझता था।
हालाँकि, यह शोध पत्र इस "नो-टीचर" (बिना शिक्षक वाले) दृष्टिकोण की एक स्पष्ट सीमा को भी प्रकट करता है। हालांकि एजेंट-आधारित तरीका आशाजनक था, लेकिन यह उस मॉडल का मुकाबला नहीं कर सका जिसके पास एक मानव शिक्षक था। जब शोधकर्ताओं ने एक सुपरवाइज्ड मॉडल को प्रशिक्षित किया (एक एफिशिएंटनेट-बी1 बैकबोन और क्लिप कॉन्सेप्ट प्रोटोटाइप के साथ), तो इसने 0.8196 का बहुत उच्च स्कोर प्राप्त किया। यह सुझाव देता है कि भले ही हम AI को मानवीय शब्दों में बिना भारी मात्रा में मैनुअल लेबलिंग के सोचने के काबिल बना सकते हैं, लेकिन हम अभी भी पूर्णतः मानव-सत्यापित लेबल होने की तुलना में थोड़ी सटीकता खो देते हैं। शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि लेबल-फ्री तरीके वर्तमान में उच्च-जोखिम वाले मेडिकल कार्यों के लिए सुपरवाइज्ड लर्निंग का एक आदर्श विकल्प हैं; वे एक आशाजनक शॉर्टकट हैं, लेकिन अंतिम मंजिल नहीं हैं।
शोधकर्ताओं ने यह भी पाया कि सभी बीमारियाँ AI के समझने के लिए समान रूप से आसान नहीं थीं। मॉडल एम्फिसेमा, कार्डियोमेगाली (बढ़ा हुआ हृदय), न्यूमोथोरैक्स (फेफड़े का सिकुड़ना), और एडिमा (फेफड़ों में तरल पदार्थ) जैसी स्थितियों को पहचानने में बहुत अच्छा था, जिनका स्कोर 0.88 से 0.91 के बीच था। लेकिन उसे इन्फिल्ट्रेशन, निमोनिया और नोड्यूल्स जैसी चीजों के साथ अधिक संघर्ष करना पड़ा, जहाँ स्कोर गिरकर लगभग 0.71 से 0.75 हो गया। जब उन्होंने देखा कि AI अपने चुनाव क्यों कर रहा था, तो उन्होंने पाया कि वह अक्सर वास्तविक, सार्थक मेडिकल शब्दों को पकड़ रहा था। लेकिन, एक ऐसे छात्र की तरह जो कभी-कभी गलत कारण से सही उत्तर का अनुमान लगा लेता है, AI कुछ "नॉइज़ी" (शोर युक्त) अवधारणाओं से भी भ्रमित हो गया—ऐसे शब्द जो बहुत अस्पष्ट थे या चित्र में पूरी तरह फिट नहीं बैठते थे।
अंत में, शोध पत्र सुझाव देता है कि मेडिकल AI के लिए एक बेहतर "शब्दावली" बनाना एक महत्वपूर्ण कदम है। UMLS जैसी एक संरचित, चिकित्सकीय रूप से सत्यापित प्रणाली का उपयोग करने से AI उस भाषा में बोल पाता है जिसे डॉक्टर समझते हैं, जिससे उसके निर्णय अधिक पारदर्शी हो जाते हैं। लेकिन लेखक सावधानी बरतते हुए कहते हैं कि यह केवल एक कदम आगे बढ़ना है। "लेबल-फ्री" दृष्टिकोण मैनुअल लेबलिंग के बोझ को कम करने का एक शानदार तरीका है, लेकिन सबसे महत्वपूर्ण, उच्च-सटीक निदान के लिए, सुपरवाइज्ड मॉडल जो मानव विशेषज्ञों से सीखते हैं, अभी भी शीर्ष पर बने हुए हैं। वे सुझाव देते हैं कि भविष्य, स्वचालित खोज की लचीलेपन और इन अवधारणा सूचियों को और अधिक परिष्कृत करने के लिए नैदानिक विशेषज्ञों के सख्त अनुशासन को मिलाने में निहित 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।