- त्वचा रोग विशेषज्ञ द्वारा विकसित स्किन कैंसर लर्निंग ऐप का परिचय
- यह उपयोगकर्ताओं को मोबाइल डिवाइस पर सर्वोत्तम अनुभव पाने में सहायता करती है
- वेबसाइट (molecheck.info) पर QR code scan करके पहुंचने की सिफारिश की जाती है
- डेस्कटॉप पर भी उपयोग संभव है, लेकिन स्मार्टफोन का उपयोग अधिक उपयुक्त है
- त्वचा रोग और lesion quiz के जरिए स्किन कैंसर से जुड़ी जानकारी सीखी जा सकती है
molecheck.info और मोबाइल वातावरण अनुकूलन मार्गदर्शिका
- molecheck.info एक स्किन कैंसर लर्निंग web app है, जिसे त्वचा रोग विशेषज्ञ ने सीधे भाग लेकर बनाया है
- उपयोगकर्ता स्मार्टफोन कैमरा से QR code scan करके मोबाइल डिवाइस पर web app उपयोग की अनुशंसा संबंधी मार्गदर्शन प्राप्त कर सकते हैं
- यह मोबाइल वातावरण में सर्वश्रेष्ठ उपयोग अनुभव प्रदान करने पर जोर देता है
- उपयोगकर्ता चाहें तो डेस्कटॉप वातावरण में भी ऐप का उपयोग जारी रख सकते हैं
- इस ऐप के माध्यम से त्वचा lesion quiz हल करते हुए स्किन कैंसर के बारे में समझ बेहतर की जा सकती है
1 टिप्पणियां
Hacker News टिप्पणियाँ
मुझे AI coding का DIY वाला पहलू सच में बहुत पसंद है। कुछ समय पहले अगर किसी dermatologist ने ऐसा आइडिया सोचा होता, तो उसे वास्तव में बनाने के लिए expert partner ढूँढ़ना पड़ता और बहुत सारा काम करना पड़ता। इसलिए ज़्यादातर ऐसे आइडिया सिर्फ आइडिया बनकर रह जाते। यह सिर्फ non-experts की बात नहीं है; मेरे पास भी दशकों से जमा project ideas की एक सूची है, जिन्हें समय न होने के कारण कभी बना नहीं पाया। अब मैं AI agents का इस्तेमाल करके यह प्रयोग कर रहा हूँ कि मैं क्या-क्या कर सकता हूँ।
सच कहूँ तो सिर्फ इसका नाम “vibe code” होना ही थोड़ा खलता है। लोगों को उपयोगी तरीकों से कंप्यूटर प्रोग्राम करना सिखाना वाकई बहुत अच्छी बात है।
मैं भी ऐसा ही हूँ। सालों से दिमाग में घूमते आइडिया थे, लेकिन “वैसे भी नहीं होगा” इस यक़ीन की वजह से कोशिश ही नहीं की। मैं लगभग 20 साल से pro developer के तौर पर काम कर रहा हूँ, इसलिए उन्हें लागू करने की क्षमता तो थी, लेकिन यह समय की बर्बादी जैसा लगता था। अब AI की ताकत लेकर बस आगे बढ़ रहा हूँ। नतीजे थोड़े कच्चे हैं, लेकिन कुछ न होने से तो बेहतर हैं। क्या काम कर जाए, कौन जाने।
मैं भी इसे अकेले काफ़ी हद तक कर सकता था, लेकिन इसमें कई हफ़्ते लग जाते, और हकीकत में शायद मैं इसे पूरा नहीं कर पाता।
मैं expert नहीं हूँ, लेकिन मेरी बहन को melanoma हुआ था, इसलिए skin cancer में मेरी काफ़ी रुचि है। इसकी वजह से मैं जल्दी ही 50% से 85% सही जवाब तक पहुँच गया। ज़्यादातर cases skin cancer के थे, इसलिए सीखना आसान था। इसलिए मेरी सलाह है कि अगर वास्तविक skin cancer cases का अनुपात 50% हो तो शायद बेहतर होगा। हालाँकि, सीखने का उद्देश्य अगर malignant cases पर ध्यान दिलाना है, तो ऐसा करना समझ में आता है। असल में यह मेरी उम्मीद से कहीं ज़्यादा कठिन समस्या थी। अब सच में किसी dermatologist से मिलना चाहता हूँ।
अगर इसे dermatologist की वास्तविक “training” के लिए code कर रहे होते, तो मैं इसे वास्तविक दुनिया के अनुपात के ज़्यादा करीब बनाता। एक dermatologist के रूप में, जिन skin lesions को लेकर लोग चिंतित होते हैं, उनमें से वास्तव में cancer होने वाले शायद 100 में 1 ही होते हैं। मौजूदा dataset में cancer की तस्वीरें बहुत ज़्यादा हैं, इसलिए अगर कोई हर चीज़ को 'cancer' बता दे तो भी score अच्छा आ सकता है। लेकिन अगर इससे बहुत से non-cancer लोगों को अनावश्यक रूप से referral मिलें, तो अंत में यह एक ऐसा tool बन जाएगा जिसे उपयोग करना मुश्किल होगा।
यह बहुत अच्छा point है। हकीकत में cancer बनाम benign lesions लगभग 50:50 होने चाहिए। अगले version में मैं इसे ज़रूर दिखाऊँगा। बेशक, वास्तविक skin lesions में ज़्यादातर harmless होते हैं, लेकिन फिर भी मुझे लगता है कि थोड़े समय की focused training से आम लोगों को suspicious lesions पहचानने में मदद मिल सकती है।
मैंने थोड़ा और सोचा, और मुझे लगता है कि शुरुआत में 100% या बहुत ऊँचे अनुपात में malignant cases दिखाना बेहतर हो सकता है, ताकि लोग पहले यह सीखें कि उन्हें पहचानना क्या है। उसके बाद धीरे-धीरे difficulty बढ़ाई जा सकती है। 50% अनुपात के करीब जाते ही score साधारण probability के करीब आने लगता है, इसलिए यह ज़्यादा कठिन महसूस होगा।
शुरुआती 12 में लगभग सभी cancer थे, और अगले 12 में ज़्यादातर non-cancer थे। (पता नहीं यह वास्तव में random था या नहीं), (और मैं सच में skin lesions में cancer पहचानने में बहुत ख़राब हूँ)।
मैं ऐसा इंसान हूँ जिसके शरीर पर हर तरह के skin spots, moles और अजीब-सी चीज़ें हैं, इसलिए यह project मुझे काफ़ी डरावना लगता है।
हर साल dermatologist से full-body skin check करवाना आम बात है। मैं अपने skin type की वजह से कई सालों से हर साल यह करवाता आ रहा हूँ, और हाल की जाँच में एक basal cell carcinoma जल्दी पकड़ में आ गया।
मुझे सिर्फ एक चीज़ संदिग्ध लगती है, लेकिन फिर भी मैंने लगभग 20 मिनट ‘dermatofibroma और basal cell carcinoma’ गूगल करने में लगा दिए। मेरे मामले में यह dermatofibroma जैसा दिखता है, लेकिन इस project की वजह से फिर याद आया कि इसे जाँच करवाना ही बेहतर है।
शानदार काम। अब आपको statistics वाला हिस्सा ज़रूर पढ़ना चाहिए, और तब जल्दी ही समझ आ जाएगा कि यह तो अपेक्षाकृत आसान हिस्सा था। Classified results का वास्तव में कैसे उपयोग किया जाए, यानी उन्हें ऐसे कैसे बदला जाए कि patient health को शुद्ध लाभ मिले, यही कहीं ज़्यादा कठिन बाधा है। एक startup में ऐसा classification system बनाया गया था; technology तो ठीक से बन गई, लेकिन इसे वास्तविक उपयोग में नकारात्मक परिणामों से बचाते हुए कैसे लगाया जाए, इसमें बहुत संघर्ष करना पड़ा। Error rate चाहे जितना कम हो, यही मुख्य चुनौती बनने वाली है। false positive और false negative दोनों ही लागत और भावनात्मक असर के लिहाज़ से भारी पड़ते हैं।
यह सच में उपयोगी tool है। अगर इसमें यह समझाने वाली कुछ और जानकारी होती कि निर्णय किस आधार पर लिया गया, या फोटो में सही उत्तर तक कैसे पहुँचना है, तो और अच्छा होता। मुझे melanoma और seborrhoeic keratosis/nevus में अंतर करना कठिन लग रहा है और अभी भी ठीक से समझ नहीं आ रहा। मैंने लगभग 120 images बहुत ध्यान से देखीं, लेकिन अभी भी intuition नहीं बनी। और menu में जो guide page है, वह मौजूद नहीं है: https://molecheck.info/how-to-recognise-skin-cancer
यह बहुत उपयोगी feedback है। Diagnosis में ज़्यादा मदद मिल सके, इसके लिए मैं guidance बेहतर करूँगा और menu में भी विस्तृत explanation जोड़ूँगा। सच कहूँ तो मुझे लगा था कि मेरे अलावा सिर्फ मेरे कुछ मरीज़ ही इसका इस्तेमाल करेंगे; यह HN के front page तक पहुँच जाएगा, इसकी बिल्कुल उम्मीद नहीं थी।
मुझे भी कुछ ऐसा ही लगा। मैं ऐसा mode चाहता हूँ जिसमें पूरे set में 50% melanoma और 50% ‘भूरे benign lesions’ हों।
क्या यह सच में "invasive melanoma" है, यह जानने की उत्सुकता है: लिंक
dataset metadata के अनुसार इसे ऐसा ही चिह्नित किया गया है। बेशक, यह misclassified भी हो सकता है। बहुत कम मामलों में ऊपर से बिल्कुल सामान्य दिखने वाला mole भी वास्तव में malignant हो सकता है, जैसे naevoid melanoma के cases: naevoid melanoma Google Images। यही वजह है कि dermatology diagnosis कठिन है, और AI image classification को legal और risk-management के नज़रिए से लागू करना आसान नहीं है। पहले melanoma multidisciplinary meetings में साल में 1–2 बार ऐसे cases आते थे जो पुरानी तस्वीरों में बिल्कुल संदिग्ध नहीं लगते थे। मैं अपने patients से हमेशा यही कहता हूँ कि कोई mole बाहर से बिना बदलाव का दिखे, लेकिन अगर महीनों में उसमें बदलाव दिखे, तो उसे हमेशा जाँच कराना चाहिए।
हाँ, यह लगभग निश्चित रूप से misclassification लगता है।
मैं भी डॉक्टर हूँ, और इस project के उद्देश्य और development process के बारे में विस्तार से सुनना चाहूँगा। ‘चिंता करें/चिंता न करें’ वाला binary split शायद consulting clinician के लिए ज़्यादा उपयोगी होगा, जबकि ‘BCC vs melanoma’ जैसी multiple-choice classification medical students की education में ज़्यादा काम आ सकती है। दूसरे लोगों की तरह, इसे वास्तविक patients या primary care settings के अनुरूप बनाना भी दिलचस्प होगा। हालाँकि, अगर इसमें बहुत ज़्यादा benign nevi हों, तो यह उबाऊ भी हो सकता है।
बढ़िया आइडिया है। AI की मदद से ideas को वास्तविक रूप देने का यह अच्छा उदाहरण है। मुझे लगता है कि expert द्वारा बनाए गए educational tools ही AI युग की सबसे उम्मीदभरी मिसालों में से हैं। हालाँकि, AI का नकारात्मक इस्तेमाल भी बहुत होता है, जिसमें internet creators की value को tech investors की तरफ मोड़ दिया जाता है, और ऐसे projects कभी-कभी उस आलोचना के जवाब में “तो क्या आप cancer treatment के खिलाफ़ हैं?” जैसे तर्कों में इस्तेमाल होते हैं, इसलिए इसमें थोड़ी कड़वाहट भी महसूस होती है।
वास्तव में, इस विषय पर पहले ही कई startups शुरू हो चुके हैं। Technology अपने आप में बनाई जा सकती थी, लेकिन medical और ethical समस्याओं को पार करना कहीं ज़्यादा कठिन चुनौती था।
feedback के लिए धन्यवाद। मुझे खुशी है कि इतने लोगों को app उपयोगी लग रहा है। यह निश्चित रूप से AI coding की वजह से संभव हो पाया, और मुझे लगता है कि आगे इसे कई non-specialist क्षेत्रों में भी लागू किया जा सकता है।
यह शानदार project है और सीखने के लिए सच में उपयोगी भी है, लेकिन एक चिंता है। App में "चिंताजनक" बनाम "चिंता न करने योग्य" lesions का अनुपात वास्तविक जनसंख्या से मेल नहीं खाता। किसी random mole के cancer होने की संभावना उतनी ज़्यादा नहीं होती, जितनी app से लगता है। सीखने की efficiency के लिए यह ज़रूरी हो सकता है, लेकिन आम लोगों में इससे अनावश्यक चिंता की bias आ सकती है। Base rate की शिक्षा भी साथ में होनी चाहिए।
AI coding का यह एकदम सही उपयोग है। यह किसी domain expert द्वारा बनाया गया कम-implementation-complexity वाला focused app है। @sungam, अगर आप कभी skin cancer AI models पर research करें, तो बेझिझक संपर्क करें (ईमेल profile में है)। मैं ऐसे tools बनाता हूँ जो clinical researchers को AI को research में आसानी से अपनाने में मदद करते हैं।