End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

मानव मस्तिष्क अंगों का कोई स्थिर संग्रह नहीं है, बल्कि एक गतिशील, प्रवाहित नेटवर्क है जहाँ सूचना विभिन्न क्षेत्रों के बीच निरंतर यात्रा करती है। मस्तिष्क कैसे कार्य करता है, और चोट के दौरान यह कैसे विफल होता है, इसे समझने के लिए वैज्ञानिक तीन प्रकार के कनेक्शनों को देखते हैं। स्ट्रक्चरल कनेक्टिविटी (संरचनात्मक जुड़ाव) भौतिक वायरिंग है, जैसे कि स्वयं सड़कें। फंक्शनल कनेक्टिविटी (कार्यात्मक जुड़ाव) यह मापता है कि विभिन्न क्षेत्र कितनी बार एक ही समय में सक्रिय होते हैं, जो संयोग से होने वाले ट्रैफिक पैटर्न के समान है। इफेक्टिव कनेक्टिविटी (प्रभावी जुड़ाव) एक कदम आगे जाकर यह पूछता है कि वास्तव में कौन सा क्षेत्र दूसरे क्षेत्र को संकेत भेज रहा है, जिससे सूचना के प्रवाह में कारण-और-प्रभाव का संबंध स्थापित होता है। स्ट्रोक से पीड़ित रोगियों के लिए, जहाँ मस्तिष्क के एक हिस्से में रक्त का प्रवाह बाधित हो जाता है, ये नेटवर्क बाधित होते हैं। क्षति केवल ऊतकों में एक साधारण छेद नहीं है; यह पूरे सिस्टम में लहरों की तरह फैलती है, जिससे मस्तिष्क के एक तरफ से दूसरी तरफ सूचना के संचलन का तरीका बदल जाता है। दिशा और समय में इन विशिष्ट परिवर्तनों को समझना स्ट्रोक की गंभीरता के निदान और रोगी के सुधार की भविष्यवाणी करने के लिए महत्वपूर्ण है, फिर भी पारंपरिक उपकरण अक्सर इन जटिल, एक-तरफा प्रवाहों का सटीक मानचित्रण करने में संघर्ष करते हैं।

एक नए अध्ययन में, एजीएच यूनिवर्सिटी ऑफ क्राको (AGH University of Krakow) और सानो सेंटर फॉर कम्प्यूटेशनल मेडिसिन (Sano Center for Computational Medicine) के शोधकर्ताओं ने इन कारणत्मक प्रवाहों (causal flows) को मैप करने और स्वस्थ मस्तिष्क तथा स्ट्रोक से क्षतिग्रस्त मस्तिष्क के बीच अंतर करने के लिए एक पूर्ण पाइपलाइन विकसित की है। टीम ने 104 स्ट्रोक रोगियों और 26 स्वस्थ स्वयंसेवकों के मैग्नेटिक रेजोनेंस इमेजिंग (MRI) डेटा से शुरुआत की। इन स्कैनों ने समय के साथ मस्तिष्क की गतिविधि को कैप्चर किया, जिसे 100 विशिष्ट क्षेत्रों में विभाजित किया गया था। उन मानक तरीकों के बजाय जो अक्सर क्षेत्रों के बीच एक सरल, दो-तरफा संबंध मानते हैं, शोधकर्ताओं ने 'रिजर्वायर कंप्यूटिंग' (reservoir computing) नामक एक विशेष कम्प्यूटेशनल तकनीक का उपयोग किया। यह दृष्टिकोण मस्तिष्क की गतिविधि को एक जटिल, समय-आधारित प्रणाली के रूप में मानता है, जिससे कंप्यूटर यह सीख सकता है कि एक क्षेत्र का संकेत दूसरे क्षेत्र के संकेत को कैसे प्रभावित करता है, जिससे सूचना प्रवाह की दिशा का प्रभावी ढंग से पुनर्निर्माण होता है। परिणाम प्रत्येक व्यक्ति के लिए "इफेक्टिव कनेक्टिविटी" का एक विस्तृत मानचित्र था, जिसे एक निर्देशित ग्राफ (directed graph) के रूप में दर्शाया गया है जहाँ तीर ठीक से दिखाते हैं कि मस्तिष्क के कौन से क्षेत्र दूसरों की गतिविधि को संचालित कर रहे हैं।

एक बार जब ये मानचित्र बना लिए गए, तो शोधकर्ताओं ने उन्हें नेटवर्क का विश्लेषण करने के लिए डिज़ाइन किए गए एक प्रकार के आर्टिफिशियल इंटेलिजेंस में फीड किया, जिसे ग्राफ कन्वोल्यूशनल न्यूरल नेटवर्क (graph convolutional neural network) कहा जाता है। लक्ष्य यह देखना था कि क्या कंप्यूटर केवल इन दिशात्मक मानचित्रों के आधार पर स्ट्रोक के रोगियों और स्वस्थ नियंत्रण समूहों के मस्तिष्क नेटवर्क के बीच अंतर करना सीख सकता है। सिस्टम सफल रहा, जिसने समूहों की पहचान सफलतापूर्वक की, जिसका सटीकता स्तर मानक प्रदर्शन पैमाने पर 0.69 था। हालाँकि यह मामूली लग सकता है, लेकिन यह पिछले तरीकों की तुलना में एक महत्वपूर्ण सुधार है जो ग्रेंजर कॉज़ैलिटी (Granger causality) जैसी पुरानी सांख्यिकीय तकनीकों पर निर्भर थे, जिन्होंने कम स्कोर दिए थे। अध्ययन ने स्पष्ट रूप से पाया कि नए रिजर्वायर कंप्यूटिंग दृष्टिकोण ने पारंपरिक विधि की तुलना में मस्तिष्क के बाधित नेटवर्क की बारीकियों को बेहतर ढंग से पकड़ा, विशेष रूप से यह उजागर करते हुए कि मस्तिष्क के दोनों गोलार्द्धों (hemispheres) के बीच का संतुलन कैसे टूट गया था।

इस कार्य का शायद सबसे मूल्यवान हिस्सा केवल वर्गीकरण नहीं था, बल्कि यह समझा पाना था कि कंप्यूटर ने अपने निर्णय क्यों लिए। 'लाइम' (LIME) नामक एक टूल का उपयोग करके, शोधकर्ता आर्टिफिशियल इंटेलिजेंस की "सोचने की प्रक्रिया" के भीतर देख सके कि स्ट्रोक की पहचान करने के लिए मस्तिष्क के कौन से विशिष्ट कनेक्शन सबसे महत्वपूर्ण थे। उन्होंने पाया कि रोगियों के लिए, व्यवधान के सबसे स्पष्ट संकेत ध्यान (attention) के लिए जिम्मेदार नेटवर्क में पाए गए, जो मस्तिष्क के तंत्र के ऊपरी और निचले दोनों हिस्सों में स्थित हैं। इसके विपरीत, स्वस्थ नियंत्रण समूह की पहचान उनके विजन (दृष्टि) और भाषा नेटवर्क की अखंडता द्वारा की गई थी। यह निष्कर्ष विजन और भाषा प्रसंस्करण से संबंधित लक्षणों, जैसे कि अफ़ेसिया (apasia), के बारे में ज्ञात जानकारी के अनुरूप है। अध्ययन बताता है कि स्ट्रोक का स्थान अत्यंत महत्वपूर्ण है; जिन रोगियों में मस्तिष्क के दाहिने हिस्से में क्षति हुई, उनमें दोनों गोलार्द्धों के बीच सममित संचार (symmetric communication) का अधिक गंभीर व्यवधान देखा गया, संभवतः इसलिए क्योंकि दायां गोलार्द्ध भाषण में कम शामिल है और चोट के प्रभाव से अधिक प्रभावित होता है।

शोधकर्ता इस बात पर जोर देते हैं कि यह एक एंड-टू-एंड फ्रेमवर्क है, जिसका अर्थ है कि यह कच्चे मस्तिष्क स्कैन लेता है और उन्हें बिना किसी मानव विशेषज्ञ द्वारा प्रत्येक कनेक्शन को मैन्युअल रूप से ट्रेस किए, एक स्पष्ट, व्याख्या योग्य निदान में बदल देता है। हालाँकि डेटा विषम (heterogeneous) था, जिसमें स्ट्रोक मस्तिष्क के कई अलग-अलग स्थानों पर हुआ था, फिर भी सिस्टम व्यवधान के एक सामान्य सूत्र को खोजने में सफल रहा। अध्ययन यह दावा नहीं करता है कि इसने स्ट्रोक निदान को हल कर लिया है, न ही यह सुझाव देता है कि यह उपकरण अस्पताल में तत्काल उपयोग के लिए तैयार है। इसके बजाय, यह एक व्यवहार्य मार्ग प्रदर्शित करता है, जो दिखाता है कि उन्नत कारणत्मक मॉडलिंग (causal modeling) को व्याख्या योग्य आर्टिफिशियल इंटेलिजेंस के साथ जोड़ना मस्तिष्क की चोट के छिपे हुए तंत्र को प्रकट कर सकता है। जटिल न्यूरोइमेजिंग डेटा को बाधित कनेक्शनों के दृश्य मानचित्र में बदलकर, यह कार्य मस्तिष्क के विफल होने के तरीके को समझने का एक नया तरीका प्रदान करता है, जो भविष्य में रोगियों के वर्गीकरण और उपचार को अनुकूलित करने के बेहतर तरीके विकसित करने की क्षमता रखता है।