WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन

11 नवम्बर 20265 बार देखा गया

यह प्रीप्रिंट WILSON प्रस्तुत करता है—एक vision-language मॉडल, जो केवल एक अलग “सर्वश्रेष्ठ” स्लाइड के बजाय पूरे स्लाइडों और एक ही मरीज के अलग-अलग आवर्धन पर लिए गए नमूनों की छवियों को एन्कोड करता है। किसी विशिष्ट कार्य के लिए अतिरिक्त प्रशिक्षण के बिना, यह कई मेट्रिक्स पर विशेषीकृत और अधिक बड़े स्लाइड-मॉडलों से बेहतर प्रदर्शन करता है, वह भी काफ़ी कम कंप्यूटेशनल लागत पर; इसके नैदानिक विवरणों को पैथोलॉजिस्टों से अधिक ऊँची रेटिंग मिली।

WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन

केवल एक प्रतिनिधि स्लाइड क्यों पर्याप्त नहीं है

रोगविज्ञानी अलग-अलग आवर्धनों पर और कई कांच की स्लाइडों पर ऊतक के नमूनों की जाँच करते हैं। वे निदान करने के लिए आकारिकी संबंधी जानकारी को एक साथ जोड़ते हैं। पैथोलॉजी के अधिकांश foundation models एक प्रतिनिधि (“best”) स्लाइड से हज़ारों छवि खंडों को एन्कोड करते हैं। फिर मॉडल इन विशेषताओं को एकत्रित करते हैं।

इस दृष्टिकोण की सीमाएँ:

  • मॉडल को पूरे मामले के बजाय एक “best” स्लाइड मिलता है;
  • अलग-अलग आवर्धनों की विशेषताएँ एक साझा निरूपण में नहीं जुड़तीं;
  • छवि खंडों को एकत्रित करने पर रोगी-स्तर का संदर्भ खो जाता है।

व्यावहारिक कसौटी: case-level कार्य के लिए ऐसे मॉडल की ज़रूरत है जो कई स्लाइड और अलग-अलग आवर्धन स्वीकार करे। एक प्रतिनिधि स्लाइड इस तरह के कार्य के लिए पर्याप्त नहीं है।

मॉडल आवर्धनों और स्लाइडों को कैसे एक साथ जोड़ता है

WILSON एक vision-language foundation model है। यह multi-magnification composites के ज़रिए whole-slide images और कई स्लाइड वाले मामलों का निरूपण करता है। यह रोगी-स्तर पर विश्लेषण का समर्थन करता है।

निरूपण में शामिल हैं:

  • whole-slide images;
  • कई कांच की स्लाइडों वाले मामले;
  • multi-magnification composites में कई आवर्धन।

निष्कर्ष: मॉडल अलग-अलग पैमानों और स्लाइडों से मिली आकारिकी संबंधी जानकारी को एक ही निरूपण में सुरक्षित रखता है। यही इसे एक “best” स्लाइड वाले तरीक़े से अलग करता है।

प्रशिक्षण और डेटा का दायरा

WILSON के प्रशिक्षण डेटासेट में लगभग 189 000 स्लाइड हैं। डेटा में 42 अंग और 838 निदान संबंधी इकाइयाँ शामिल हैं।

दायरा:

  • 189 000 स्लाइड;
  • 42 अंग;
  • 838 निदान संबंधी इकाइयाँ।

अंगों और इकाइयों की सूची कार्य की जाँच के लिए दायरा तय करती है। विशेषज्ञ इस सूची से अंग और निदान संबंधी इकाई का मिलान करता है।

विशिष्ट कार्य के लिए प्रशिक्षण के बिना परिणाम

WILSON ने विशिष्ट कार्य के लिए प्रशिक्षण के बिना macro-F1 में एक विशेष case-level model से बेहतर प्रदर्शन किया। इसका मान 0.38 की तुलना में 0.52 रहा।

तुलनाWILSONविकल्प
case-level कार्य पर Macro-F10.520.38
कम्प्यूटेशनल ऑपरेशन400–1 350 गुना कमकाफ़ी बड़े slide-level models

मॉडल ने काफ़ी बड़े slide-level models के बराबर परिणाम भी दिखाए। साथ ही, इसे 400–1 350 गुना कम कम्प्यूटेशनल ऑपरेशन की ज़रूरत होती है।

निष्कर्ष: case-level विश्लेषण की गुणवत्ता बढ़ाने के लिए कम्प्यूटेशनल लागत बढ़ाना ज़रूरी नहीं है। संक्षिप्त बहु-स्तरीय निरूपण एक व्यावहारिक मानदंड देता है।

विशिष्ट कार्यों के लिए फ़ाइन-ट्यूनिंग

End-to-end fine-tuning से इन कार्यों में WILSON के परिणाम बेहतर हुए:

  • स्तन कैंसर का उपप्रकार निर्धारण;
  • stromal lymphocytes का ग्रेड निर्धारण।

व्यावहारिक कसौटी: किसी सीमित दायरे वाले कार्य के लिए end-to-end fine-tuning पर विचार करना चाहिए। बिना फ़ाइन-ट्यूनिंग वाला मूल मॉडल case-level विश्लेषण करता है, जबकि फ़ाइन-ट्यूनिंग से विशिष्ट कार्यों में सुधार होता है।

खोज और निदान संबंधी पाठ तैयार करना

image-text retrieval में WILSON ने recall@1 पर PRISM से बेहतर प्रदर्शन किया। परिणाम 58.1% की तुलना में 75.6% रहा।

मेट्रिकWILSONPRISM
recall@175.6%58.1%

WILSON के निदान संबंधी विवरणों को बोर्ड-प्रमाणित पाँच रोगविज्ञानियों ने अधिक अंक दिए। प्रतिस्पर्धी मॉडलों को कम अंक मिले।

व्यावहारिक कसौटी: खोज और रिपोर्ट तैयार करने के लिए दो क्षमताएँ महत्त्वपूर्ण हैं—retrieval और पाठ जनन। इनकी जाँच कार्यप्रवाह से मिलते-जुलते कार्यों पर की जाती है।

मॉडल चुनने के लिए इसका क्या अर्थ है

लेखकों का निष्कर्ष है कि संक्षिप्त बहु-स्तरीय निरूपण कम्प्यूटेशनल रूप से कुशल और नैदानिक ​​दृष्टि से प्रासंगिक foundation models को सक्षम कर सकते हैं। व्यावहारिक रूप से मॉडल चुनते समय कुछ जाँचें करनी चाहिए।

मानदंड:

  • मॉडल कई स्लाइड स्वीकार करता है;
  • मॉडल अलग-अलग आवर्धनों को जोड़ता है;
  • विश्लेषण रोगी-स्तर पर होता है;
  • गुणवत्ता को case-level कार्यों पर मापा जाता है;
  • कम्प्यूटेशनल ऑपरेशन का हिसाब रखा जाता है;
  • retrieval और पाठ जनन की अलग-अलग जाँच की जाती है।

निष्कर्ष: एक “best” स्लाइड और हज़ारों छवि खंडों का एकत्रीकरण रोगी का संदर्भ नहीं समेटते। मॉडल का चुनाव इस आधार पर किया जाता है कि वह इस संदर्भ को कैसे जोड़ता है और उसे कितनी गणना की ज़रूरत होती है।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
डैशबोर्ड विश्लेषण में GUI एजेंटों का चरणबद्ध निदान: DashAct बेंचमार्क
अनुसंधान

डैशबोर्ड विश्लेषण में GUI एजेंटों का चरणबद्ध निदान: DashAct बेंचमार्क

DashAct प्रस्तुत है—348 मानव-सत्यापित ट्रैजेक्टरी वाला एक बेंचमार्क, जो इंटरैक्टिव डैशबोर्ड के साथ GUI एजेंटों के काम को तीन चरणों और चार दृश्य स्थितियों में विभाजित करता है। नतीजे बताते हैं कि एजेंटों को कार्रवाइयों का अनुमान लगाने और दृश्य लक्ष्यों से जुड़ने में लगातार समस्याएँ आती हैं, साथ ही उनकी प्रतिक्रियाएँ संदर्भ और स्थानिक समर्थन पर निर्भर करती हैं।

11 नवम्बर 2026
RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं
समाचार

RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं

यह अध्ययन जाँचता है कि क्या सीखने योग्य गतिशीलता मॉडल में भौतिक नियमों को शामिल करना उचित है: प्रक्षेप पथों से निकाले गए और ग्रोबनर आधारों के माध्यम से विहित रूप में लाए गए अपरिवर्तक पूर्वानुमानों में मामूली सुधार देते हैं, लेकिन निदान में प्रभावी साबित होते हैं—वे उल्लंघित बाधा का स्थान निर्धारित करने और विशिष्ट गलत पैरामीटर की पहचान करने में सक्षम बनाते हैं।

10 नवम्बर 2026
AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ
समाचार

AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ

यह फ्रेमवर्क LLM एजेंटों के व्यवहार का आकलन अंतिम निर्णय के आधार पर नहीं, बल्कि अहम बिंदुओं पर जोखिम के प्रति उनकी प्रतिक्रिया के आधार पर करता है: टूल-कॉल की ट्रैजेक्टरी बीच में रोक दी जाती हैं, जिसके बाद मॉडल को अपना तर्क और कार्रवाई जारी रखनी होती है, जबकि LLM जजों का एक पैनल जोखिम की पहचान, कदम की प्रकृति और उसकी सुरक्षा का विश्लेषण करता है। R-Judge की 157 ट्रैजेक्टरी से संकलित 1249 कार्यों में, 20 मॉडलों में सुरक्षित रास्ता न होने पर असुरक्षित कार्रवाइयाँ बढ़ जाती हैं, और निष्पादन से पहले निगरानी हटाने पर शुरुआत में सुरक्षित रहे 52,3% मामले असुरक्षित हो जाते हैं।

10 नवम्बर 2026
WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन