रिपोर्ट पर्यवेक्षण एआई ट्यूमर विभाजन में सुधार के लिए रेडियोलॉजी रिपोर्ट का उपयोग करता है

क्या हुआ?

शोधकर्ताओं ने रिपोर्ट पर्यवेक्षण, या आर-सुपर, एक प्रशिक्षण ढांचा पेश किया जो सीटी स्कैन पर ट्यूमर का पता लगाने और रूपरेखा बनाने में एआई मॉडल का मार्गदर्शन करने के लिए रेडियोलॉजी रिपोर्ट का उपयोग करता है। पेपर रिपोर्ट में किडनी और अग्न्याशय के ट्यूमर का पता लगाने और विभाजन के प्रदर्शन में सुधार हुआ है, जिसमें कम से कम 50 एनोटेटेड ट्यूमर मास्क वाली सेटिंग्स भी शामिल हैं।

पेपर आर-सुपर को दो प्रकार की सूचनाओं से विभाजन मॉडल को प्रशिक्षित करने के एक तरीके के रूप में वर्णित करता है: विस्तृत ट्यूमर मास्क और रेडियोलॉजी रिपोर्ट। सार के अनुसार, रिपोर्ट का उपयोग प्रशिक्षण के दौरान किया जाता है, न कि नैदानिक ​​​​भविष्यवाणी के दौरान अतिरिक्त इनपुट के रूप में। फ्रेमवर्क हानि कार्यों का परिचय देता है जिसका उद्देश्य मॉडल की अनुमानित ट्यूमर गिनती, आकार और स्थान को रिपोर्ट में विवरण के अनुरूप बनाना है। उस डिज़ाइन का लक्ष्य छवि-विभाजन कार्य के लिए कम सटीक लेकिन अधिक प्रचुर नैदानिक ​​पाठ को उपयोगी पर्यवेक्षण में बदलना है। इस खाते में, रिपोर्ट सीखने के दौरान मास्क को पूरक करती है जबकि विभाजन कार्य सीटी छवि पर केंद्रित रहता है। प्रशिक्षण पर्यवेक्षण और नैदानिक ​​​​भविष्यवाणी के बीच का अंतर इसलिए केंद्रीय है जो पेपर वास्तव में वर्णन करता है।

लेखकों ने गुर्दे और अग्न्याशय के ट्यूमर विभाजन पर दृष्टिकोण का मूल्यांकन किया। उनके प्रयोगों में विभिन्न मात्रा में प्रशिक्षण डेटा का उपयोग किया गया, जिसमें 41,418 सीटी-रिपोर्ट जोड़े और 3,488 अग्नाशयी ट्यूमर सीटी-मास्क जोड़े तक पहुंचने वाले संयोजन शामिल थे। पेपर की रिपोर्ट है कि, बाहरी सत्यापन पर, आर-सुपर ने अकेले मास्क पर प्रशिक्षण की तुलना में ट्यूमर-पहचान एफ 1 स्कोर और विभाजन पासा समानता गुणांक को 15% तक बढ़ा दिया है। यह भी रिपोर्ट करता है कि आर-सुपर ने सीएलआईपी-आधारित प्रशिक्षण और मल्टी-टास्क लर्निंग सहित तुलना दृष्टिकोण से बेहतर प्रदर्शन किया है। ये तुलनाएँ रिपोर्ट किए गए परिणाम को प्रशिक्षण रणनीतियों के मूल्यांकन के रूप में तैयार करती हैं, जिसमें पहचान और सीमा गुणवत्ता पर एक साथ विचार किया जाता है। वर्णित परिणाम परिणामस्वरूप पेपर के प्रयोगों में मॉडल प्रदर्शन के बारे में है।

केंद्रीय व्यावहारिक दावा यह है कि यह विधि डेटा-दुर्लभ और बड़े-मास्क सेटिंग्स दोनों में मदद करती है। सार विशेष रूप से उन परिणामों पर प्रकाश डालता है जब केवल 50 मास्क उपलब्ध होते हैं और जब 3,488 मास्क उपलब्ध होते हैं। इसमें यह भी कहा गया है कि रिपोर्टें व्यापक रूप से उपलब्ध हैं: सार्वजनिक डेटासेट में हजारों सीटी-रिपोर्ट जोड़े होते हैं, जबकि अस्पतालों में सैकड़ों हजारों होते हैं। स्रोत अंतर्निहित प्रेरणा का श्रेय 3डी ट्यूमर मास्क बनाने में लगने वाले समय को देता है - 30 मिनट तक - और इस तथ्य को कि ट्यूमर मास्क आमतौर पर नियमित नैदानिक ​​​​रिपोर्टिंग के हिस्से के रूप में उत्पादित नहीं किए जाते हैं। प्रस्तावित मूल्य पहले से ही स्कैन से जुड़ी कम सटीक रिपोर्ट के साथ अधिक विस्तृत मास्क के संयोजन से आता है। वह संयोजन फ्रेमवर्क के रिपोर्ट किए गए डेटा-दक्षता तर्क का आधार है।

स्रोत विवरण: arxiv.org ↗

यह क्यों मायने रखता है?

ट्यूमर विभाजन मॉडल रूपरेखा प्रदान कर सकते हैं जो रेडियोलॉजिस्ट को एआई निष्कर्षों का निरीक्षण करने में मदद करते हैं, लेकिन 3डी ट्यूमर मास्क बनाना श्रम-गहन है। अस्पतालों द्वारा पहले से तैयार की गई रिपोर्टों का उपयोग करने से डेवलपर्स को प्रत्येक स्कैन के लिए एक नया विस्तृत मास्क प्राप्त करने की आवश्यकता के बिना काफी अधिक प्रशिक्षण जानकारी मिल सकती है।

विभाजन एक साधारण वर्गीकरण परिणाम से भिन्न होता है क्योंकि यह पहचानता है कि एक संदिग्ध ट्यूमर कहाँ स्थित है और इसकी सीमाओं को रेखांकित करता है। सूत्र का कहना है कि उन रूपरेखाओं से रेडियोलॉजिस्ट के लिए एआई आउटपुट को सत्यापित करना और उस पर भरोसा करना आसान हो सकता है। यदि रिपोर्ट किए गए लाभ सभी सेटिंग्स में हैं, तो विभाजन में सुधार से एआई सहायता को उस सिस्टम की तुलना में अधिक निरीक्षण योग्य बनाया जा सकता है जो केवल एक लेबल या संभावना लौटाता है। इसलिए व्यावहारिक मूल्य न केवल उच्च बेंचमार्क स्कोर से जुड़ा है, बल्कि एक दृश्य वस्तु प्रदान करने से भी जुड़ा है जिसकी एक चिकित्सक समीक्षा कर सकता है। स्कैन के संबंध में एक सीमा की जांच की जा सकती है, जो रिपोर्ट किए गए आउटपुट को एक ऐसा रूप देता है जिसका निरीक्षण करना एक अलग भविष्यवाणी की तुलना में आसान है। वह व्याख्या-संबंधी भूमिका इस बात का हिस्सा है कि विभाजन गुणवत्ता क्यों मायने रखती है।

आर-सुपर द्वारा संबोधित डेटा समस्या मेडिकल इमेजिंग के लिए आम है: सबसे उपयोगी एनोटेशन महंगा हो सकता है, जबकि अन्य चिकित्सकीय रूप से उत्पन्न जानकारी प्रचुर मात्रा में है। रेडियोलॉजी रिपोर्टें घाव की संख्या, अनुमानित आकार और स्थान का वर्णन कर सकती हैं, भले ही वे पिक्सेल द्वारा प्रत्येक सीमा पिक्सेल का पता न लगा सकें। आर-सुपर का दृष्टिकोण उन विवरणों को मॉडल की प्रशिक्षण प्रक्रिया में बाधाओं के रूप में उपयोग करने का प्रयास करता है। इससे ट्यूमर-विभाजन डेटासेट का विस्तार करने के लिए आवश्यक मैन्युअल एनोटेशन की मात्रा कम हो सकती है, खासकर उन संस्थानों के लिए जिनके पास युग्मित स्कैन और रिपोर्ट के बड़े संग्रह हैं। इसलिए यह ढांचा नैदानिक ​​रिपोर्टिंग में पहले से ही बनाई गई जानकारी को विभाजन के लिए आवश्यक अधिक विशिष्ट पर्यवेक्षण के साथ जोड़ता है। इसका महत्व इस बात पर निर्भर करता है कि क्या वह कनेक्शन उपयोगी रहता है जब उपलब्ध विवरण मुखौटों की तुलना में कम सटीक होते हैं।

ये निष्कर्ष इस बात के लिए भी मायने रख सकते हैं कि मेडिकल एआई सिस्टम कैसे विकसित और मूल्यांकन किए जाते हैं। रिपोर्टों से प्रशिक्षित एक मॉडल केवल मास्क पाइपलाइन की तुलना में मौजूदा क्लिनिकल रिकॉर्ड का अधिक कुशलता से उपयोग करने में सक्षम हो सकता है, जिससे संभावित रूप से उन अस्पतालों की सीमा का विस्तार हो सकता है जो विकास में भाग ले सकते हैं। लेकिन स्रोत एक पेपर का रिपोर्ट किया गया मूल्यांकन है। यह स्थापित नहीं करता है कि ढांचा निदान, उपचार योजना, रोगी परिणाम या रेडियोलॉजिस्ट कार्यभार में सुधार करता है। न ही सार यह स्थापित करता है कि रिपोर्ट शब्दांकन, संस्थागत सम्मेलन या नैदानिक ​​​​दस्तावेज़ीकरण में त्रुटियां परिणामों को प्रभावित करती हैं या नहीं। वे सीमाएँ रिपोर्ट किए गए प्रशिक्षण और विभाजन मूल्यांकन पर ध्यान केंद्रित रखती हैं। उनका यह भी मतलब है कि इस अध्ययन द्वारा स्थापित निष्कर्ष के बजाय व्यापक नैदानिक ​​महत्व अतिरिक्त साक्ष्य के लिए एक प्रश्न बना हुआ है।

आगे क्या देखना है

रिपोर्ट किए गए परिणाम नियमित नैदानिक ​​​​परिनियोजन के साक्ष्य के बजाय शोध निष्कर्ष बने हुए हैं। महत्वपूर्ण अनुत्तरित प्रश्नों में शामिल है कि अस्पतालों में प्रदर्शन कैसे भिन्न होता है, रिपोर्ट शैली, ट्यूमर के प्रकार और रोगी आबादी, और क्या दृष्टिकोण संभावित नैदानिक ​​​​अध्ययनों में रेडियोलॉजिस्ट के निर्णयों में सुधार करता है।

आगे की जांच में पूरे पेपर की डेटा संरचना और सत्यापन डिज़ाइन पर ध्यान केंद्रित किया जाना चाहिए। सार बाहरी सत्यापन की पहचान करता है लेकिन संस्थानों की संख्या, रोगी जनसांख्यिकी, ट्यूमर के आकार का वितरण या प्रत्येक अंग और प्रशिक्षण-डेटा स्थिति के लिए सटीक प्रदर्शन लाभ निर्दिष्ट नहीं करता है। वे विवरण महत्वपूर्ण हैं क्योंकि एक विधि चयनित डेटासेट पर अच्छा प्रदर्शन कर सकती है जबकि विभिन्न स्कैनर, प्रोटोकॉल या रिपोर्टिंग भाषा का उपयोग करने वाले अस्पतालों में कम विश्वसनीय रूप से स्थानांतरित कर सकती है। उन पहलुओं की समीक्षा से यह स्पष्ट होगा कि रिपोर्ट किए गए परिणामों की कितनी व्यापक व्याख्या की जा सकती है। यह पेपर की परीक्षण स्थितियों के तहत प्रदर्शन को अन्य सेटिंग्स में प्रदर्शन से अलग भी करेगा। यह अंतर यह तय करने के लिए महत्वपूर्ण है कि दृष्टिकोण अधिक मांग वाले मूल्यांकन के लिए तैयार है या नहीं।

रिपोर्ट की गुणवत्ता और पूर्णता एक और प्रमुख अनिश्चितता है। आर-सुपर को ट्यूमर की संख्या, आकार और स्थान के विवरण के आधार पर डिज़ाइन किया गया है, लेकिन सार यह नहीं बताता है कि रिपोर्ट कितनी बार उन विवरणों को छोड़ देती है, अस्पष्ट भाषा रखती है या उपलब्ध मुखौटों से असहमत होती है। यह यह भी नहीं बताता कि नए हानि फ़ंक्शन मुक्त-पाठ विवरणों में अनिश्चितता को कैसे संभालते हैं। विविध डेटासेट पर स्वतंत्र प्रतिकृति यह निर्धारित करने में मदद करेगी कि क्या विधि उन दस्तावेज़ीकरण अंतरों के लिए मजबूत है। यह मुद्दा रिपोर्ट में दी गई जानकारी और तुलना के लिए उपयोग किए गए मुखौटे के बीच संबंध से संबंधित है। यदि वह संबंध संस्थानों में बदलता है, तो रिपोर्ट-आधारित पर्यवेक्षण की उपयोगिता भी बदल सकती है। इसलिए अनसुलझे रिपोर्टिंग प्रश्नों का पालन करना महत्वपूर्ण है।

अगला सार्थक मील का पत्थर संभावित या वर्कफ़्लो-आधारित अध्ययनों से साक्ष्य होगा। इस तरह के अध्ययन परीक्षण कर सकते हैं कि क्या विभाजन ओवरले वास्तव में रेडियोलॉजिस्ट को ट्यूमर का पता लगाने, समीक्षा समय कम करने या त्रुटियों से बचने में मदद करते हैं, बजाय केवल एफ 1 स्कोर या पासा समानता गुणांक में सुधार करने के। जब अस्पताल मॉडल प्रशिक्षण के लिए रिपोर्ट का उपयोग करते हैं तो किडनी और अग्न्याशय से परे ट्यूमर के प्रकारों के परिणाम, वर्तमान नैदानिक ​​​​उपकरणों के साथ तुलना, और गोपनीयता, शासन और डेटा-साझाकरण आवश्यकताओं का आकलन देखना भी उपयोगी होगा। उन अध्ययनों से पता चलेगा कि क्या रिपोर्ट किया गया तकनीकी सुधार व्यावहारिक लाभ में परिवर्तित होता है। तब तक, पेपर प्रशिक्षण दृष्टिकोण की निरंतर जांच का समर्थन करता है, जबकि नैदानिक ​​​​कार्य पर इसका प्रभाव अपुष्ट है। यही अंतर परिनियोजन पर लागू होता है, जो रिपोर्ट किए गए प्रयोगों द्वारा स्थापित नहीं किया गया है।

संबंधित मार्गदर्शिकाएँ एवं प्रश्नोत्तरी