اوہ مصنوعی ذہانت جیہڑی پھیپھڑیاں دی تھاں ہسپتال دی مہر پڑھدی اے

چھاتی دے ایکسرے دا اک درجہ بندی کرن والا ماڈل (classifier) پھیپھڑیاں دی بیماری دی تھاں اوہ کوڈ پڑھنا سکھ سکدا اے جیہڑا ہسپتال ہر تصویر دے کونے وچ ٹھپدا اے۔ فیر اوہ اوس ہسپتال دے ڈیٹا اُتے چنگا کم کردا اے تے اگلے وچ چپ چاپ ناکام ہو جاندا اے۔ پہلاں دیاں تحقیقاں نے ایہہ گل COVID-19 تے نمونیا دے درجہ بندی کرن والیاں لئی درج کیتی سی۔ اوہ ایہہ نہیں دس سکیاں پئی ماڈل دا کیہڑا حصہ پڑھن دا کم کردا اے، تے کیہ اوس حصے نوں کڈھن نال فائدہ ہووے گا۔

وضاحت دے عام اوزار — Grad-CAM ورگے حرارتی نقشے، attention rollout، LIME — وکھاندے نیں پئی ماڈل نے کتھے ویکھیا۔ اوہ ذمے وار حصے دی پچھان نہیں کردے، تے وجہ ثابت نہیں کر سکدے۔ ماکیریرے یونیورسٹی دے Joshua Muhumuza تے Cornelius Kalenzi نے ایہدی تھاں میکانکی تشریح (mechanistic interpretability) دا اوزاراں والا ڈبہ ادھار لیا، جیہڑا زبانی ماڈلاں نوں چیرن لئی بنایا گیا سی، تے اوہنوں اک Vision Transformer اُتے لاگو کیتا۔

تدریسی ہسپتال توں ضلعی کلینک تیک

لکھاری خطرے نوں ٹھوس طریقے نال سامنے رکھدے نیں۔ Transformer اُتے بنے ایکسرے درجہ بندی ماڈل گھٹ وسائل والیاں تھاواں اُتے ٹی بی تے نمونیا دی جانچ لئی ودھ توں ودھ ورتے جا رہے نیں، اکثر اک وڈے ریفرل ہسپتال وچ سکھلائے جاندے نیں تے مڑ جانچے بغیر ضلعی ہسپتالاں یاں چلدیاں پھردیاں اکائیاں وچ لے جائے جاندے نیں، جتھے مشیناں، سافٹ ویئر تے لیبل لان دیاں عادتاں وکھریاں ہوندیاں نیں۔ جیہڑا ماڈل اپنے گھر دے ہسپتال دی مہر سکھ چکیا ہووے، اوہ اوسے ویلے وگڑ جاوے گا جدوں اوہدا واہ کسے ایسے کلینک نال پوے جیہڑا کوئی مہر نہیں لاندا، یاں کجھ ہور، کسے ہور تھاں لاندا اے۔

144 وچوں اک ہیڈ

جانچیا گیا ماڈل، ViT-Base/16 (عوامی چیک پوائنٹ google/vit-base-patch16-224، ImageNet-21k اُتے پہلاں توں سکھلایا ہویا)، ہر تصویر نوں 196 ٹکڑیاں (patches) وچ کٹدا اے تے اوہناں نوں 12 تہاں وچوں لنگھاندا اے، ہر تہہ وچ 12 اٹینشن ہیڈ۔ ٹیم نے سارے 144 ہیڈاں نوں ایس گل اُتے نمبر دتے پئی اوہناں دا دھیان کنا اکٹھا تے کنا دور تیک پھیلیا اے۔

اکٹھا دھیان تہاں 7 توں 9 وچ اچانک آ جاندا اے۔ اک ہیڈ وکھرا کھلوتا اے: L8H10، تہہ 8 دا ہیڈ 10۔ ایہہ اپنے دھیان دا 34.6% اک ای ٹکڑے اُتے رکھدا اے — کسے وی ہور ہیڈ نالوں 2.8 گنا ودھ۔ اُتلے کھبے کونے وچ “D CLINO” لکھے اک ایکسرے اُتے، ایہہ اپنے دھیان دا 0.346 اوس ٹکڑے اُتے رکھدا اے، جیہڑا 0.0051 دے برابر درجے دا 68 گنا اے، جدکہ پھیپھڑیاں نوں لگ بھگ کجھ نہیں ملدا۔

پہلے جانچے گئے ایکسرے اُتے ہیڈ L8H10: کونے والے نوٹ اُتے اک چمکدا داغ، پھیپھڑیاں اُتے لگ بھگ کالا۔ — شکل 4، Muhumuza تے Kalenzi (2026)، arXiv:2610.21638۔

COVID-19 دے 200 ایکسریاں وچ، ہیڈ 123 (62%) وچ ایویں کردا اے۔ اوہناں تصویراں وچ، کونے اُتے دھیان اوسطاً پھیپھڑیاں اُتے دھیان دا 57.5 گنا اے؛ باقیاں وچ، 0.77 گنا۔ دونویں ٹولے اک دوجے اُتے نہیں چڑھدے۔ ایس رویے دی پیشین گوئی چمک نہیں، سگوں کونے وچ مقامی کنٹراسٹ (local contrast) کردا اے — عین اوہ جو ہلکے پچھوکڑ اُتے گوڑھے اکھر بناندے نیں۔

ہر ہیڈ لئی اک ٹکڑے اُتے زیادہ توں زیادہ دھیان: L8H10 (لال) 0.346 اُتے، اگلا 0.124 اُتے۔ — شکل 3، Muhumuza تے Kalenzi (2026)، arXiv:2610.21638۔

مٹا کے ثبوت

کونے نوں پدھرے سلیٹی رنگ نال ڈھکنا صاف ٹیسٹ نہیں: اک اکو جیہا سلیٹی چوکور آپ اُچے کنٹراسٹ والا ہوندا اے تے ہیڈ نوں کھچدا اے۔ ایس لئی لکھاریاں نے ایہدی تھاں کونے نوں ان پینٹ (inpaint) کیتا، یعنی اصلی ٹشو ورگی بناوٹ نال بھریا۔ فیر کونے اُتے دھیان 200 وچوں 158 تصویراں (79%) وچ گھٹ گیا۔ متاثرہ تصویراں وچ، پھیپھڑیاں ول دھیان 1.52 گنا ودھیا؛ باقیاں وچ، ایہہ ہلیا ای نہیں (0.99 گنا)۔ ہیڈ نوں لکھت آپ چلاندی اے، چمک یاں کنڈے نہیں۔

نمونہ ہور تھاواں اُتے وی دہرایا جاندا اے: NIH ChestX-ray14 ڈیٹا سیٹ دے 200 ایکسریاں دے 79% وچ، تے دو ہور ڈھانچیاں وچ — DeiT-Base (ہیڈ L9H2، 88%) تے ViT-Large/16 (ہیڈ L8H8، 80%)۔

اوہ سرکٹ جیہنوں کسے دے ٹیسٹ نہیں ویکھ سکدے

مکھ نتیجہ منفی اے۔ اوسے ڈھانچے اُتے بنے پنج قسماں والے ایکسرے درجہ بندی ماڈل وچ، L8H10 نوں بند کرن نال 5% پیشین گوئیاں بدلیاں — پر عام تصویراں اُتے وی اونی ای واری جنی متاثرہ تصویراں اُتے (p = 0.340)۔ اک دوجے، وکھرے سکھلائے نمونیا ماڈل نے وی اوہو خالی نتیجہ دتا۔ تناں شکی ہیڈاں (L8H10، L7H2، L9H3) نوں اکو ویلے بند کرن نال تبدیلیاں دگنیاں ہو کے 10% ہو گئیاں، فیر وی کسے خاص اثر بغیر (p = 0.532)۔

لکھاری ایہنوں فالتو پن (redundancy) سمجھدے نیں: جانکاری بہت سارے حصیاں وچ کھلری ہوئی اے، ایس لئی سب توں ظاہر چکن والیاں نوں کڈھن نال باقی کم سنبھال لیندے نیں۔ مڑ سکھلائی وی مدد نہیں کردی۔ ایکسریاں اُتے پوری فائن ٹیوننگ مگروں، 123 متاثرہ تصویراں وچوں 121 (98.4%) نے فیر وی ہیڈ نوں چالو کیتا، کیوں جے اوس ڈیٹا وچ مہر پیشین گوئی دے قابل رہندی اے جتھے لیبل لان دیاں عادتاں ایہہ دسدیاں نیں پئی تصویر کیہڑے ہسپتال توں — تے کیہڑیاں بیماریاں توں — آئی اے۔

لاگو کرن توں پہلاں اندر ویکھو

لکھاری لکھدے نیں پئی خطرہ اک غلط تشخیص نہیں، سگوں اک لُکی کمزوری اے جیہڑی اوس ویلے جاگدی اے جدوں ماڈل ہسپتال بدلدا اے۔ اوہناں دی صلاح: اٹینشن ہیڈاں دی جانچ کرو، جانکاری چکن والیاں دی پچھان کرو، اوہناں دی وجہ والی تصدیق کرو، تے ایہہ سب لاگو کرن توں پہلاں کرو — خاص طور تے اداریاں وچکار۔ اوہناں نوں پتہ اکو پکے علاج ڈیٹا دے درجے اُتے نیں: نوٹاں توں صاف کیتیاں تصویراں اُتے سکھلائی دیو، یاں سکھلائی دوران پچھانے گئے ہیڈاں نوں سزا دیو۔

حداں وی دسیاں گئیاں نیں۔ کونے دا علاقہ تے حد ایہناں ڈیٹا سیٹاں لئی مقرر کیتے گئے؛ فائن ٹیوننگ والے ٹیسٹاں وچ صرف 200 تصویراں ورتیاں گئیاں؛ تے فیصلہ کن تجربہ — اکو جنے سائز دیاں نوٹاں والیاں بمقابلہ صاف کیتیاں تصویراں اُتے سکھلائی — ہلے ہونا باقی اے۔