Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction
यह बहुकेंद्रित अध्ययन प्रदर्शित करता है कि फेडरेटेड लर्निंग, रोगी की गोपनीयता से समझौता किए बिना, 16 स्ट्रोक केंद्रों से एमआरआई डेटा से मस्तिष्क-अनुमानित आयु अंतर (BrainAGE) के सटीक अनुमान को सक्षम बनाता है, जो यह प्रकट करता है कि BrainAGE संवहनी जोखिम कारकों से महत्वपूर्ण रूप से जुड़ा हुआ है और स्ट्रोक के तीन महीने बाद कार्यात्मक परिणामों के एक मूल्यवान भविष्यवक्ता के रूप में कार्य करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव मस्तिष्क उम्र के साथ बदलता है, ठीक वैसे ही जैसे शरीर का बाकी हिस्सा, लेकिन ये परिवर्तन हर किसी में एक ही गति से नहीं होते हैं। कुछ लोग ऐसा मस्तिष्क बनाए रखते हैं जो बहुत कम उम्र के व्यक्ति जैसा दिखता और कार्य करता है, जबकि अन्य अपने जन्म प्रमाण पत्र के सुझाव से कहीं अधिक जल्दी उम्र बढ़ने के संकेत दिखाते हैं। वैज्ञानिकों ने इस अंतर को मापने का एक तरीका विकसित किया है, जिसे "ब्रेन एज" (मस्तिष्क की आयु) के रूप में जाना जाता है। कंप्यूटर प्रोग्रामों को हजारों ब्रेन स्कैन खिलाकर, वे सॉफ्टवेयर को केवल मस्तिष्क की संरचना के आधार पर किसी व्यक्ति की आयु का अनुमान लगाने के लिए प्रशिक्षित करते हैं। यदि कंप्यूटर अनुमान लगाता है कि व्यक्ति वास्तव में अपनी वास्तविक आयु से अधिक उम्र का है, तो यह संकेत देता है कि उसका मस्तिष्क औसत से अधिक तेजी से बूढ़ा हुआ है, जो संभावित रूप से छिपे हुए स्वास्थ्य जोखिमों का संकेत दे सकता है। यह अवधारणा मस्तिष्क के स्वास्थ्य को समझने के लिए एक शक्तिशाली उपकरण बन गई है, लेकिन इसका प्रभावी ढंग से उपयोग हमेशा एक बड़ी बाधा द्वारा बाधित रहा है: गोपनीयता। अस्पताल अपने मरीजों के स्कैन को एक-दूसरे के साथ साझा नहीं कर सकते ताकि एक बेहतर मॉडल बनाया जा सके, क्योंकि सख्त कानून व्यक्तिगत चिकित्सा डेटा की रक्षा करते हैं। यह एक दुविधा पैदा करता है जहाँ सबसे अच्छे मॉडलों के लिए कई स्थानों से भारी मात्रा में डेटा की आवश्यकता होती है, फिर भी वह डेटा स्थानांतरित नहीं किया जा सकता है।
फ्रांस और संयुक्त राज्य अमेरिका के शोधकर्ताओं की एक टीम ने 'फेडरेटेड लर्निंग' नामक एक नए दृष्टिकोण का परीक्षण करके इस समस्या का समाधान निकाला। सारा डेटा एक केंद्रीय स्थान पर एकत्र करने के बजाय, उन्होंने डेटा को उन सोलह अलग-अलग अस्पतालों के भीतर सुरक्षित रखा जहाँ इसे एकत्र किया गया था। उन्होंने प्रत्येक अस्पताल में एक कंप्यूटर प्रोग्राम भेजा, उसे स्थानीय रोगियों से सीखने दिया, और फिर केवल उस प्रोग्राम द्वारा सीखे गए सबक वापस लाए, न कि स्वयं रोगी का डेटा। इसने उन्हें एक एकल, शक्तिशाली मॉडल बनाने की अनुमति दी जो गोपनीयता नियमों का उल्लंघन किए बिना, विविध आबादी के बीच मस्तिष्क की उम्र बढ़ने की बारीकियों को समझ सका। उन्होंने इस पद्धति को रोगियों के एक विशिष्ट समूह पर लागू किया: 1,674 व्यक्ति जिन्होंने एक गंभीर प्रकार का स्ट्रोक झेला था और जिन्हें मस्तिष्क की रक्त वाहिकाओं में रुकावट को दूर करने के लिए एक यांत्रिक प्रक्रिया प्राप्त हुई थी। शोधकर्ता यह देखना चाहते थे कि क्या यह गोपनीयता-सुरक्षित विधि मस्तिष्क की आयु का सटीक अनुमान लगा सकती है और अधिक महत्वपूर्ण बात यह कि क्या वह अनुमान स्ट्रोक के तीन महीने बाद रोगी के दैनिक कार्यों में सुधार (रिकवरी) की कितनी अच्छी तरह भविष्यवाणी कर सकता है।
अध्ययन ने उपचार शुरू होने से पहले ली गई छवियों पर ध्यान केंद्रित किया, विशेष रूप से एक प्रकार का स्कैन जिसे FLAIR कहा जाता है जो मस्तिष्क में तरल पदार्थ और क्षति को उजागर करता है। शोधकर्ताओं ने अपने भविष्यवाणी मॉडल बनाने के तीन अलग-अलग तरीकों की तुलना की। पहला पारंपरिक तरीका था, जहाँ सभी सोलह केंद्रों की छवियों को एक विशाल डेटासेट में मिला दिया गया था। दूसरा, नया फेडरेटेड तरीका था, जहाँ मॉडल स्थानीय स्तर पर सीखा गया और केवल अपने अपडेट साझा किए गए। तीसरा, केवल एक अस्पताल के डेटा का उपयोग करके किया गया एक बेसलाइन परीक्षण था, यह देखने के लिए कि शेष नेटवर्क को अनदेखा करने से कितना नुकसान होता है। परिणामों ने दिखाया कि जबकि पारंपरिक, केंद्रीकृत पद्धति ने सबसे सटीक आयु अनुमान दिए, फेडरेटेड दृष्टिकोण उनके काफी करीब था और एक एकल अस्पताल के डेटा पर निर्भर रहने की तुलना में काफी बेहतर था। इसने सिद्ध कर दिया कि नया तरीका एक एकल इमेज फाइल को उसके होम अस्पताल से बाहर भेजे बिना भी रोगियों के एक बड़े, विविध समूह की जटिलता को पकड़ सकता है।
इस कार्य का वास्तविक मूल्य केवल आयु के अनुमानों की सटीकता में नहीं था, बल्कि उन अनुमानों ने रोगियों के स्वास्थ्य के बारे में क्या खुलासा किया, इसमें था। शोधकर्ताओं ने पाया कि इन मॉडलों द्वारा गणना की गई "ब्रेन एज" वास्तविक परिणामों से मजबूती से जुड़ी हुई थी। जिन रोगियों का मस्तिष्क उनकी वास्तविक आयु से अधिक पुराना दिखाई देता था, उनमें मधुमेह होने की संभावना काफी अधिक थी और स्ट्रोक के तीन महीने बाद खराब रिकवरी की संभावना भी बहुत अधिक थी। इसके विपरीत, जिन रोगियों का मस्तिष्क अपेक्षित आयु से छोटा दिखता था, उनका कार्यात्मक परिणाम बेहतर होता था, जिसका अर्थ है कि उनके स्वतंत्र होने की संभावना अधिक थी। यह संबंध तब भी बना रहा जब मॉडल को केंद्रीकृत डेटा या फेडरेटेड पद्धति का उपयोग करके बनाया गया था। यहाँ तक कि जब शोधकर्ताओं ने स्ट्रोक की गंभीरता, उपचार में लगने वाले समय और अन्य चिकित्सा स्थितियों जैसे ज्ञात कारकों के लिए समायोजन किया, तब भी मस्तिष्क आयु का अनुमान रिकवरी का एक मजबूत भविष्यवक्ता बना रहा।
अध्ययन ने यह भी पता लगाया कि मस्तिष्क की विभिन्न विशेषताओं के प्रकारों ने इन भविष्यवाणियों में कैसे योगदान दिया। कुछ मॉडल्स ने मस्तिष्क के विभिन्न क्षेत्रों के समग्र आयतन (वॉल्यूम) को देखा, जबकि अन्य ने मस्तिष्क के व्हाइट मैटर के भीतर हजारों सूक्ष्म बनावट विवरणों का परीक्षण किया। अधिक जटिल मॉडल्स जिन्होंने इन सूक्ष्म विवरणों का विश्लेषण किया, वे अधिक सटीक थे और रोगी की रिकवरी के साथ गहरा संबंध दिखाते थे। दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि अंतिम नैदानिक अंतर्द
insight के लिए मॉडल को प्रशिक्षित करने का विशिष्ट तरीका, इस तथ्य से कम महत्वपूर्ण था कि इसे एक बड़े, विविध समूह पर प्रशिक्षित किया गया था। चाहे मॉडल केंद्रीय रूप से बनाया गया हो या फेडरेटेड, मूल संदेश वही रहा: एक मस्तिष्क जो उम्मीद से अधिक पुराना दिखता है, वह कठिन रिकवरी के लिए एक चेतावनी संकेत है। यह सुझाव देता है कि फेडरेटेड दृष्टिकोण न केवल गोपनीयता कानूनों के लिए एक तकनीकी समाधान है, बल्कि मजबूत चिकित्सा उपकरणों को बनाने का एक व्यवहार्य मार्ग भी है जिनका उपयोग विभिन्न अस्पतालों में किया जा सकता है।
यह प्रदर्शित करके कि एक मॉडल सोलह अलग-अलग केंद्रों से सीख सकता है बिना एक बार में एक से अधिक का कच्चा डेटा देखे, यह अध्ययन चिकित्सा अनुसंधान में एक प्रमुख बाधा के समाधान के रूप में एक व्यावहारिक समाधान प्रदान करता है। यह दिखाता है कि अस्पताल रोगी की गोपनीयता से समझौता किए बिना रोगी की देखभाल में सुधार करने और परिणामों की भविष्यवाणी करने के लिए सहयोग कर सकते हैं। निष्कर्ष बताते हैं कि भविष्य में, डॉक्टर इन गोपनीयता-सुरक्षित मॉडलों का उपयोग उन स्ट्रोक रोगियों की पहचान करने के लिए कर सकते हैं जो खराब रिकवरी के उच्च जोखिम पर हैं, जिससे अधिक व्यक्तिगत और गहन पुनर्वास योजनाएं बनाई जा सकेंगी। यह कार्य पुष्टि करता है कि डेटा गोपनीयता की बाधा को चिकित्सा विज्ञान की प्रगति को रोकने के लिए खड़ा नहीं होना चाहिए; सही उपकरणों के साथ, अस्पताल ज्ञान साझा कर सकते हैं और साथ ही रोगी के डेटा को सुरक्षित रख सकते हैं, जिससे अंततः मानव शरीर की कुछ सबसे विनाशकारी चोटों से उबरने वालों के लिए बेहतर देखभाल सुनिश्चित होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।