Explainable Hybrid ConvNeXt–Vision Transformer Model for Pneumonia Detection from Chest X-ray Images

कल्पना कीजिए कि एक ऐसी दुनिया जहाँ आपकी आँखें परम जासूस हैं, लेकिन कभी-कभी, सबसे तेज़ जासूस को भी अदृश्य को देखने के लिए थोड़ी मदद की ज़रूरत होती है। चिकित्सा के क्षेत्र में, डॉक्टर हमारे सीने के अंदर देखने के लिए एक्स-रे जैसे विशेष कैमरों का उपयोग करते हैं, ताकि वे निमोनिया नामक एक छिपे हुए हमलावर का पता लगा सकें। निमोनिया फेफड़ों का एक संक्रमण है जो सांस लेना कठिन बना देता है, और इसे जल्दी से पहचान लेना एक आग को पूरे घर को जलाने से पहले पकड़ लेने जैसा है। लेकिन यहाँ पेचीदा बात यह है कि: कभी-कभी एक स्वस्थ फेफड़े और एक संक्रमित फेफड़े के बीच का अंतर तूफान में एक फुसफुसाहट जितना सूक्ष्म होता है। यह एक मानव विशेषज्ञ के लिए भी सुरागों को मिस करना आसान बना देता है।

यहाँ आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में प्रवेश होता है, विशेष रूप से "डीप लर्निंग" नामक एक शाखा। डीप लर्निंग को एक बहुत ही बुद्धिमान छात्र के रूप में समझें जो हजारों तस्वीरों को देखकर सीखता है। आमतौर पर, यह छात्र दो मुख्य तरीकों से अध्ययन करता है: एक तरीका सूक्ष्म ब्रशस्ट्रोक देखने के लिए आवर्धक लेंस (magnifying glass) के साथ एक पेंटिंग को देखने जैसा है (इसे कनवल्शनल न्यूरल नेटवर्क या CNN कहा जाता है), और दूसरा तरीका पूरी तस्वीर को देखने और रंग एक-दूसरे से कैसे संबंधित हैं, यह समझने के लिए पीछे हटने जैसा है (इसे विजन ट्रांसफॉर्मर या ViT कहा जाता है)। लंबे समय तक, वैज्ञानिकों ने इस बात पर बहस की कि कौन सा छात्र बेहतर है। लेकिन क्या होगा अगर हम एक ऐसा 'सुपर-छात्र' बना सकें जो एक ही समय में दोनों काम कर सके? यही वह काम है जिसे इंटरनेशनल इस्लामिक यूनिवर्सिटी चित्तगाँव के शोधकर्ताओं की एक टीम ने करने का प्रयास किया। वे एक ऐसा उपकरण बनाना चाहते थे जो न केवल यह अनुमान लगाए कि फेफड़ा बीमार है या नहीं, बल्कि यह भी समझाए कि वह ऐसा क्यों सोचता है, जिससे डॉक्टरों को तेज़ और सुरक्षित निर्णय लेने में मदद मिल सके।

सुपर-छात्र का गुप्त हथियार

शोधकर्ताओं ने एक "हाइब्रिड" मॉडल बनाया, जो एक फैंसी तरीका है यह कहने का कि उन्होंने एक सुपर-ब्रेन बनाने के लिए दो अलग-अलग AI दिमागों को आपस में जोड़ दिया है। इस मस्तिष्क का एक आधा हिस्सा ConvNeXt पर आधारित है, जो स्थानीय विवरणों, जैसे कि उन छोटे, धुंधले पैच को पहचानने में उत्कृष्ट है जो अक्सर फेफड़ों के संक्रमित होने पर दिखाई देते हैं। दूसरा आधा हिस्सा एक विजन ट्रांसफॉर्मर (ViT) है, जो बड़ी तस्वीर को समझने और फेफड़ों के विभिन्न हिस्सों के बीच संबंध को समझने में माहिर है।

लेकिन वे यहीं नहीं रुके। उन्होंने एक विशेष "अटेंशन मैकेनिज्म" जोड़ा जिसे CBAM कहा जाता है। कल्पना कीजिए कि यह जादुई चश्मे की एक जोड़ी है जो AI को बताती है, "हे, यहाँ देखो, यह हिस्सा महत्वपूर्ण है, उस धुंधले बैकग्राउंड को अनदेखा करो।" यह मॉडल को एक्स-रे के उन सटीक स्थानों पर ध्यान केंद्रित करने में मदद करता है जो सबसे महत्वपूर्ण हैं, जिससे शोर (noise) छँट जाता है।

इस नए सुपर-ब्रेन को सिखाने के लिए, टीम ने केवल कुछ तस्वीरें इस्तेमाल नहीं कीं। उन्होंने 6,590 चेस्ट एक्स-रे छवियों का एक विशाल पुस्तकालय एकत्र किया। कुछ स्वस्थ फेफड़ों को दिखाते थे, और कुछ निमोनिया को। उन्होंने इस पुस्तकालय को तीन ढेरों में विभाजित किया: सीखने (training) के लिए, होमवर्क चेक करने (validation) के लिए, और अंतिम परीक्षा (testing) के लिए। इन छवियों को AI को खिलाने से पहले, उन्होंने डेटा को और भी बेहतर बनाने के लिए कुछ चालें चलीं, जैसे कि छवियों को तिरछा घुमाना या चमक (brightness) बदलना, ताकि यदि कोई तस्वीर थोड़ी अलग दिखे तो AI भ्रमित न हो।

परिणाम: एक नया चैंपियन

जब अंतिम परीक्षा का समय आया, तो परिणाम प्रभावशाली थे। हाइब्रिड मॉडल ने 94.03% बार सही अनुमान लगाया। इसे समझने के लिए, उन्होंने इसकी तुलना कमरे में मौजूद अन्य शीर्ष AI छात्रों से की, जैसे कि ResNet152, MobileNetV2, और यहाँ तक कि अकेले विजन ट्रांसफॉर्मर से भी। हाइब्रिड मॉडल ने उन सभी को पीछे छोड़ दिया, और सटीकता (accuracy), प्रिसिजन (precision) और रिकॉल (recall) में उच्च स्कोर किया।

लेकिन असली जादू केवल स्कोर नहीं था; यह इसकी "व्याख्यात्मकता" (explainability) थी। अतीत में, AI मॉडल ब्लैक बॉक्स की तरह थे: आप एक एक्स-रे डालते थे, और एक "हाँ" या "नहीं" बाहर आता था, लेकिन आपके पास यह जानने का कोई तरीका नहीं था कि वह क्यों हुआ। शोधकर्ताओं ने Grad-CAM नामक एक तकनीक का उपयोग करके AI की सोचने की प्रक्रिया को एक रंगीन हीट मैप में बदल दिया। जब मॉडल ने निमोनिया देखा, तो हीट मैप ने फेफड़ों के ठीक संक्रमित क्षेत्रों को रोशन कर दिया, जो डॉक्टर को दिखाने के लिए लाल रंग में चमक रहा था, "मुझे इस जगह की चिंता है।" यह एक बहुत बड़ी बात है क्योंकि यह विश्वास पैदा करता है। एक डॉक्टर एक्स-रे देख सकता है, चमकते हुए लाल धब्बे को देख सकता है, और कह सकता है, "आह, मैं देख सकता हूँ जो कंप्यूटर देख रहा है," बजाय इसके कि वह केवल एक अनुमान पर अंधा विश्वास करे।

यह क्यों मायने रखता है (और यह क्या नहीं है)

यह अध्ययन बताता है कि विभिन्न प्रकार के AI दिमागों को मिलाने के साथ, महत्वपूर्ण विवरणों पर ध्यान केंद्रित करने का एक तरीका जोड़ने से, निमोनिया का पता लगाने के लिए एक अधिक विश्वसनीय उपकरण बनता है। मॉडल ने उच्च आत्मविश्वास के साथ बीमार और स्वस्थ फेफड़ों के बीच अंतर करने की क्षमता दिखाई, जिससे 95.01% का प्रिसिजन और 92.74% का रिकॉल प्राप्त हुआ। शोधकर्ता तर्क देते हैं कि यह दृष्टिकोण केवल एक प्रकार के मॉडल का उपयोग करने की तुलना में बेहतर है क्योंकि यह सूक्ष्म विवरणों और बड़ी तस्वीर दोनों को कैप्चर करता है।

हालाँकि, पेपर सावधानीपूर्वक नोट करता है कि यह अभी तक कोई जादुई इलाज नहीं है। मॉडल अभी भी थोड़ा संघर्ष करता है जब निमोनिया बहुत हल्का होता है या जब छवियां जटिल होती हैं, और इसे एक विशिष्ट डेटा सेट पर परखा गया था। लेखक सुझाव देते हैं कि हालांकि यह एक कंप्यूटर-सहायक नैदानिक उपकरण की ओर एक आशाजनक कदम है, इसे दुनिया के हर अस्पताल के लिए पूर्ण बनाने के लिए और अधिक काम की आवश्यकता है। वे यह भी बताते हैं कि डेटासेट, हालांकि बड़ा है, और भी बड़ा और अधिक विविध हो सकता है।

संक्षेप में, यह पेपर यह दावा नहीं करता है कि इसने निमोनिया को हमेशा के लिए हल कर दिया है। इसके बजाय, यह डॉक्टरों को अदृश्य को देखने में मदद करने के लिए एक शक्तिशाली, पारदर्शी नया तरीका प्रदान करता है, जो यह साबित करता है कि जब आप दो अलग-अलग AI दुनियाओं के सर्वश्रेष्ठ को मिलाते हैं और थोड़ा सा "अटेंशन" जोड़ते हैं, तो आपको एक ऐसा उपकरण मिलता है जो न केवल स्मार्ट है बल्कि समझने में भी आसान है।