An Intelligent Ultrasound Image–Based Deep Learning Framework for Early Breast Cancer Diagnosis Using Transposed Self-Attention and Optimized Spiking Neural Networks

स्तन कैंसर दुनिया भर में महिलाओं के सामने आने वाली सबसे गंभीर स्वास्थ्य चुनौतियों में से एक बना हुआ है, जहाँ जीवन और मृत्यु के बीच का अंतर अक्सर इस बात पर निर्भर करता है कि बीमारी का पता कितनी जल्दी चला है। जब किसी ट्यूमर का पता शरीर के अन्य हिस्सों में फैलने से पहले चल जाता है, तो जीवित रहने की संभावना नाटकीय रूप से बढ़ जाती है। शरीर के अंदर देखने के लिए डॉक्टरों द्वारा उपयोग किए जाने वाले विभिन्न उपकरणों में से, अल्ट्रासाउंड इमेजिंग एक महत्वपूर्ण, गैर-आक्रामक विधि के रूप में उभरती है जो सुरक्षित, सस्ती और विशेष रूप से घने स्तन ऊतकों (टिश्यू) की जांच करने के लिए प्रभावी है। हालाँकि, ये चित्र हमेशा पढ़ने में आसान नहीं होते हैं। वे अक्सर दानेदार होते हैं और स्पेकल नॉइज़ (speckle noise) नामक स्टैटिक जैसी बाधाओं से भरे होते हैं, जो ट्यूमर के तीखे किनारों को धुंधला कर सकते हैं या छोटे, खतरनाक उभारों को पूरी तरह से छिपा सकते हैं। यह दृश्य अव्यवस्था अनुभवी चिकित्सकों के लिए भी हानिरहित गांठों और खतरनाक गांठों के बीच अंतर करना कठिन बना देती है, जिससे गलत निदान या अनावश्यक चिंता पैदा होती है।

डॉक्टरों को अधिक स्पष्ट रूप से देखने में मदद करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, विशेष रूप से 'डीप लर्निंग' नामक एक क्षेत्र की ओर, जो कंप्यूटर को छवियों में पैटर्न पहचानने के लिए सिखाता है, ठीक वैसे ही जैसे मानव मस्तिष्क करता है। जबकि शुरुआती कंप्यूटर प्रणालियों ने आशाजनक प्रदर्शन दिखाया है, वे अक्सर उसी शोर और धुंधलेपन से जूझती हैं जो मानवीय आँखों को भ्रमित करता है, या उन्हें इतनी अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है कि उनका उपयोग वास्तविक क्लिनिक में तेजी से नहीं किया जा सकता। भारत के आदित्य विश्वविद्यालय के एक नए अध्ययन में इस समस्या के समाधान के लिए एक नया दृष्टिकोण प्रस्तावित किया गया है, जो कई उन्नत तकनीकों को एक एकल, बुद्धिमान प्रणाली में जोड़ता है जिसे शोर को कम करने और उल्लेखनीय सटीकता के साथ स्तन कैंसर की पहचान करने के लिए डिज़ाइन किया गया है।

शोधकर्ताओं ने, जिनका नेतृत्व श्रीमती चलामला हारिका दिव्या और डॉ. एम. वमसिकிருஷ்णा ने किया है, एक नया ढांचा विकसित किया जिसे वे EWGF-CTSA-OSN कहते हैं। यह प्रणाली कंप्यूटर द्वारा विश्लेषण करने से पहले ही कच्चे अल्ट्रासाउंड चित्रों को साफ करना शुरू कर देती है। यह एक विशेष फ़िल्टरिंग पद्धति का उपयोग करती है जो एक अत्यधिक कुशल संपादक की तरह कार्य करती है, जो दानेदार स्टैटिक को हटाते हुए ट्यूमर के तीखे बाहरी घेरों को सावधानीपूर्वक सुरक्षित रखती है। यह चरण अत्यंत महत्वपूर्ण है क्योंकि यदि घाव (लीजन) के किनारे धुंधले हैं, तो कंप्यूटर सटीक रूप से उसके आकार या आकृति को नहीं माप सकता है। 'एन्ट्रॉपी' नामक गणितीय अवधारणा का उपयोग करके यह तय करना कि छवि के कौन से हिस्से महत्वपूर्ण हैं, यह प्रणाली सुनिश्चित करती है कि ऊतक के महत्वपूर्ण विवरण स्पष्ट और सुस्पष्ट बने रहें।

एक बार जब छवि साफ हो जाती है, तो प्रणाली अगले चरण की ओर बढ़ती है: यह समझना कि वह क्या देख रही है। केवल छवि के एक टुकड़े को स्कैन करने के बजाय, कंप्यूटर एक ऐसी प्रक्रिया का उपयोग करता है जो इसे एक बार में पूरी तस्वीर देखने की अनुमति देती है, जिससे ट्यूमर के पूर्ण संदर्भ को समझने के लिए छवि के दूरस्थ हिस्सों को जोड़ा जा सके। यह बिल्कुल वैसा ही है जैसे कोई व्यक्ति एक परिदृश्य को देखता है और तुरंत समझ जाता है कि पेड़, पहाड़ियाँ और आकाश एक-दूसरे से कैसे संबंधित हैं, बजाय इसके कि वह केवल एक अकेले पत्ते पर ध्यान केंद्रित करे। इसके बाद, प्रणाली इस परिष्कृत जानकारी को एक वर्गीकरण इंजन (classification engine) को भेजती है जो मानव मस्तिष्क में जैविक न्यूरॉन्स के सक्रिय होने के तरीके से प्रेरित है। इस प्रणाली का भाग, जिसे स्पाइकिंग न्यूरल नेटवर्क कहा जाता है, सूचनाओं को समय के साथ संसाधित करता है, जिससे यह देखे गए लक्षणों के क्रम से सीखने और ट्यूमर के सबसे महत्वपूर्ण क्षेत्रों के आधार पर निर्णय लेने में सक्षम होता है।

यह सुनिश्चित करने के लिए कि यह जटिल प्रणाली पूरी तरह से काम करे, शोधकर्ताओं ने केवल सेटिंग्स सेट करके उम्मीद नहीं की। उन्होंने डंग बीटल (dung beetles) के व्यवहार पर आधारित एक प्रकृति-प्रेरित अनुकूलन विधि का उपयोग किया। जिस तरह ये कीट अपने वातावरण में सबसे अच्छे मार्ग को खोजने के लिए नेविगेट करते हैं, उसी तरह यह एल्गोरिदम कंप्यूटर मॉडल के हजारों संभावित सेटिंग्स में से सर्वोत्तम संयोजन खोजने के लिए खोज करता है। यह प्रक्रिया इस बात को सूक्ष्मता से नियंत्रित करती है कि सिस्टम कैसे सीखता है, यह सुनिश्चित करते हुए कि यह त्रुटियों के चक्र में फंसने के बजाय तेजी से और विश्वसनीयता से सही उत्तर तक पहुँच सके।

इस नए दृष्टिकोण के परिणाम आश्चर्यजनक हैं। दो अलग-अलग वास्तविक दुनिया के अल्ट्रासाउंड चित्रों पर परीक्षण करने पर, इस प्रणाली ने असाधारण सटीकता के साथ स्तन ऊतकों को वर्गीकृत करने की क्षमता प्रदर्शित की। BUSI के रूप में ज्ञात एक मानक डेटासेट पर, मॉडल ने 99.20% बार ऊतक के प्रकार की सही पहचान की। दूसरे, अलग डेटासेट पर, इसने 98.90% की सटीकता प्राप्त की। ये संख्याएँ केवल पिछले तरीकों से थोड़ी बेहतर नहीं हैं; वे मौजूदा मॉडलों की तुलना में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करती हैं जो पुराने डीप लर्निंग तकनीकों पर निर्भर हैं। यह प्रणाली सामान्य ऊतक, सौम्य (गैर-कैंसरयुक्त) गांठों और घातक (कैंसरयुक्त) ट्यूमर के बीच अंतर करने में भी ऐसी सटीकता के साथ सक्षम थी जो शायद ही कभी कोई मामला चूकती है या गलत अलार्म बजाती है।

कच्चे आंकड़ों के अलावा, यह अध्ययन इस बात का स्पष्ट दृश्य प्रदान करता है कि प्रणाली कैसे सोचती है। यह विश्लेषण करके कि कंप्यूटर ने छवि के किन हिस्सों पर ध्यान केंद्रित किया, शोधकर्ताओं ने पाया कि मॉडल ने घावों के किनारों और बनावट (टेक्सचर) पर सबसे अधिक ध्यान दिया, ठीक वहीं जहाँ एक मानव डॉक्टर देखता है। यह सुझाव देता है कि प्रणाली केवल यादृच्छिक पैटर्न के आधार पर अनुमान नहीं लगा रही है, बल्कि वास्तव में उन दृश्य विशेषताओं को सीख रही है जो कैंसर को परिभाषित करती हैं। छवि को साफ करने से लेकर अंतिम निदान तक की पूरी प्रक्रिया एक सेकंड से भी कम समय लेती है, जिससे यह एक व्यस्त अस्पताल के माहौल में उपयोग करने के लिए पर्याप्त तेज़ हो जाती है।

हालाँकि परिणाम प्रभावशाली हैं, लेखक सावधानीपूर्वक यह नोट करते हैं कि यह प्रणाली एक जादुई समाधान नहीं है जो हर संभव स्थिति में काम करती है। मॉडल उच्च गुणवत्ता वाली छवियों और स्पष्ट एनोटेशन पर निर्भर करता है, और यदि अल्ट्रासाउंड चित्र बहुत खराब गुणवत्ता के हों या इमेजिंग स्थितियाँ असामान्य हों, तो इसका प्रदर्शन गिर सकता है। शोधकर्ता यह भी स्वीकार करते हैं कि प्रणाली जटिल है और इसे चलाने के लिए महत्वपूर्ण कंप्यूटिंग शक्ति की आवश्यकता होती है, जो कुछ क्लीनिकों के लिए एक बाधा हो सकती है। फिर भी, यह अध्ययन एक मजबूत नींव रखता है, यह सुझाव देते हुए कि और अधिक शोधन और विभिन्न अस्पतालों से विविध डेटा जोड़ने के साथ, यह तकनीक शीघ्र पहचान के लिए एक मानक उपकरण बन सकती है।

इस कार्य का अंतिम लक्ष्य डॉक्टरों के लिए एक विश्वसनीय सहायक बनाना है, जो मैनुअल विश्लेषण के बोझ को कम कर सके और एक ऐसा दूसरा मत (second opinion) प्रदान कर सके जो तेज़ और सटीक दोनों हो। शोर में कमी, उन्नत पैटर्न पहचान और जैविक प्रेरणा को जोड़कर, यह नया ढांचा शीघ्र और अधिक विश्वसनीय निदान के माध्यम से अधिक जीवन बचाने की दिशा में एक आशाजनक मार्ग प्रदान करता है। जैसे-जैसे यह तकनीक परिपक्व होती है, इसमें स्तन कैंसर का पता लगाने के तरीके को बदलने की क्षमता है, जो एक दानेदार, कठिन छवि को रोगियों और उनके परिवारों के लिए एक स्पष्ट और कार्रवाई योग्य उत्तर में बदल सकती है।