💻 computer science

AD-DAE: Alzheimer's Disease Progression Modeling with Unpaired Longitudinal MRI using Diffusion Auto-Encoders

यह शोध पत्र AD-DAE को प्रस्तुत करता है, जो एक कंडिशनेबल डिफ्यूजन ऑटो-एनकोडर फ्रेमवर्क है जो अल्जाइमर रोग की प्रगति को मॉडल करता है और एक कॉम्पैक्ट लेटेंट स्पेस सीखकर एकल समय बिंदुओं से फॉलो-अप एमआरआई इमेज जेनरेट करता है जहाँ प्रोग्रेशन और सब्जेक्ट आइडेंटिटी को अलग किया गया है, जिससे पेयर्ड सब्जेक्ट-स्पेसिफिक डेटा की आवश्यकता के बिना नियंत्रित लोंगीटुडिनल सिंथेसिस संभव हो पाता है।

मूल लेखक: Ayantika Das, Arunima Sarkar, Keerthi Ram, Mohanasankar Sivaprakasam

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ayantika Das, Arunima Sarkar, Keerthi Ram, Mohanasankar Sivaprakasam

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

एक बड़ी तस्वीर: मस्तिष्क के भविष्य की भविष्यवाणी करना

कल्पना कीजिए कि आपके पास आज किसी व्यक्ति के मस्तिष्क की एक फोटो है। आप जानना चाहते हैं कि उम्र बढ़ने या अल्जाइमर रोग के कारण पांच साल बाद उसी मस्तिष्क का स्वरूप कैसा होगा।

आमतौर पर, इसे देखने के लिए आपको पांच साल इंतजार करना होगा और एक नया स्कैन लेना होगा। लेकिन शोधकर्ता कंप्यूटरों का उपयोग करके समय को "फास्ट-फॉरवर्ड" करना चाहते हैं। समस्या यह है कि अधिकांश कंप्यूटर बिना भ्रमित हुए ऐसा करने में संघर्ष करते हैं। वे बीमारी के साथ व्यक्ति के चेहरे (पहचान) को भी बदल सकते हैं, या उन्हें यह सीखने के लिए एक ही व्यक्ति की "पहले और बाद की" फोटो की आवश्यकता हो सकती है।

यह शोध पत्र एक नया टूल पेश करता है जिसे AD-DAE कहा जाता है। यह एक समय-यात्रा करने वाले कलाकार की तरह है जो आज के मस्तिष्क स्कैन को देख सकता है और एक वास्तविक तस्वीर बना सकता है कि भविष्य में वह कैसा दिखेगा, और इसके लिए उसे सीखने हेतु किसी "भविष्य की फोटो" की आवश्यकता नहीं है।

पुराने तरीकों के साथ समस्या

पिछले कंप्यूटर मॉडलों को एक अनाड़ी मूर्तिकार की तरह सोचें:

VAE (वेरिएशनल ऑटो-एनकोडर): यह मूर्तिकार मिट्टी को याद रखने की कोशिश करता है लेकिन अक्सर विवरणों को धुंधला कर देता है। परिणाम एक धुंधला मस्तिष्क होता है जो मूल व्यक्ति जैसा नहीं दिखता।
GAN (जेनरेटिव एडवरसैरियल नेटवर्क): यह मूर्तिकार विवरणों में अच्छा है लेकिन अक्सर "कहानी" गलत कर देता है। यदि आप एक वृद्ध मस्तिष्क मांगते हैं, तो यह गलती से व्यक्ति का लिंग या चेहरे की विशेषताओं को बदल सकता है, जिससे उनकी पहचान खो जाती है।
पेयर्ड अप्रोच (युग्मित दृष्टिकोण): कई पुराने तरीके उन छात्रों की तरह हैं जो केवल तभी सीख सकते हैं जब उन्हें उत्तर कुंजी (एक ही व्यक्ति की "पहले" और "बाद की" फोटो) के साथ एक पाठ्यपुस्तक दिखाई जाए। लेकिन वास्तविक जीवन में, हमारे पास अक्सर वे सटीक जोड़े नहीं होते हैं।

समाधान: AD-DAE (स्मार्ट मूर्तिकार)

लेखकों ने AD-DAE नामक एक नई प्रणाली बनाई है। वे इसे "डिफ्यूजन ऑटो-एनकोडर" के रूप में वर्णित करते हैं। यह कैसे काम करता है, इसके लिए लेगो (Lego) एनालॉजी का उपयोग किया गया है:

1. दो-भाग वाली प्रणाली (एनकोडर और डिफ्यूज़र)

कल्पना कीजिए कि मस्तिष्क का स्कैन एक जटिल लेगो महल है।

द एनकोडर (द आर्किटेक्ट - वास्तुकार): यह हिस्सा महल को देखता है और उसे एक छोटे, संक्षिप्त निर्देश मैनुअल (एक "लेटेंट स्पेस") में तोड़ देता है। महत्वपूर्ण रूप से, यह मैनुअल निर्देशों को दो ढेरों में अलग करता है:
- ढेर A (पहचान): इस विशिष्ट व्यक्ति के महल के अनूठे आकार (उनकी ऊंचाई, उनकी ईंटों का रंग) के लिए निर्देश।
- ढेर B (प्रगति): यह निर्देश कि महल समय के साथ कैसे बदलता है (दीवारें पतली होना, कमरे बड़े होना)।
द डिफ्यूज़र (द बिल्डर - निर्माता): यह हिस्सा निर्देश मैनुअल लेता है और शून्य से महल का पुनर्निर्माण करता है, जो यादृच्छिक शोर (जैसे बिखरे हुए, मिले-जुले लेगो बॉक्स) के ढेर से शुरू होता है और महल प्रकट होने तक उन्हें आपस में जोड़ता जाता है।

2. जादुई ट्रिक: "लेटेंट शिफ्ट"

यह इस शोध पत्र का मुख्य नवाचार है।

पुराने मॉडलों में, यदि आप एक वृद्ध मस्तिष्क देखना चाहते थे, तो आपको कंप्यूटर को फोटो का एक नया सेट देना पड़ता था।
AD-DAE में, आप बस निर्देश मैनुअल (ढेर A + ढेर B) लेते हैं और "प्रगति" वाले ढेर में एक छोटा सा धक्का (नज) देते हैं।
कल्पना कीजिए कि आपके पास एक रिमोट कंट्रोल पर स्लाइडर है। आप इसे "उम्र 70" से "उम्र 80" की ओर स्लाइड करते हैं। कंप्यूटर को नई फोटो देखने की आवश्यकता नहीं है; यह बस मैनुअल में निर्देशों को समायोजित करता है और बिल्डर को उन नए निर्देशों के साथ महल का पुनर्निर्माण करने के लिए कहता है।
क्योंकि "पहचान" वाले ढेर को अछूता छोड़ दिया गया था, नया महल अभी भी बिल्कुल मूल व्यक्ति जैसा दिखता है। क्योंकि "प्रगति" वाले ढेर को थोड़ा बदला गया था, नया महल अल्जाइमर के विशिष्ट परिवर्तन (जैसे सिकुड़ते स्मृति केंद्र या फैलते तरल स्थान) दिखाता है।

3. "कंसिस्टेंसी चेक" (सुरक्षा जाल)

कंप्यूटर को कैसे पता चलता है कि वह सही चीजों को बदल रहा है?

सिस्टम में एक अंतर्निहित "सेफ्टी इंस्पेक्टर" (कंसिस्टेंसी मॉड्यूल) है।
बिल्डर द्वारा नई छवि बनाने के बाद, इंस्पेक्टर जांचता है: "क्या हमने केवल मस्तिष्क के उन हिस्सों को बदला है जो अल्जाइमर से प्रभावित होने के लिए जाने जाते हैं (जैसे हिप्पोकैम्पस और वेंट्रिकल्स)?"
यदि कंप्यूटर ने व्यक्ति की नाक या आँखें बदलने की कोशिश की, तो इंस्पेक्टर कहता है, "नहीं, यह गलत है!" और कंप्यूटर को फिर से प्रयास करने के लिए मजबूर करता है। यह सुनिश्चित करता है कि परिवर्तन चिकित्सकीय रूप से सटीक हों और "डिजीज ज़ोन" के भीतर रहें।

उन्होंने क्या सिद्ध किया?

शोधकर्ताओं ने दो प्रमुख डेटाबेस (ADNI और OASIS) से हजारों वास्तविक मस्तिष्क स्कैन पर इसका परीक्षण किया। उन्होंने AD-DAE की तुलना "अनाड़ी मूर्तिकारों" (पुराने तरीकों) से की।

तेज छवियां: AD-DAE ने दूसरों की तुलना में स्पष्ट, कम धुंधली छवियां बनाईं।
बेहतर पहचान: उत्पन्न मस्तिष्क अन्य तरीकों की तुलना में मूल रोगियों के अधिक समान थे।
सटीक आयतन (Volume): जब उन्होंने सिकुड़ने वाले मस्तिष्क के हिस्सों के आकार को मापा, तो AD-DAE के अनुमान वास्तविकता के बहुत करीब थे।
"उत्तर कुंजी" की आवश्यकता नहीं: इस प्रणाली ने बिना किसी पेयर्ड "पहले और बाद की" फोटो के यह करना सीखा, जो एक बड़ा लाभ है क्योंकि वे मिलना कठिन है।

"स्वैप" प्रयोग

यह साबित करने के लिए कि उनका "दो-ढेर" वाला सिद्धांत वास्तव में काम कर रहा था, उन्होंने एक मजेदार प्रयोग किया:

उन्होंने एक स्वस्थ व्यक्ति (CN) का निर्देश मैनुअल लिया।
उन्होंने अल्जाइमर (AD) वाले व्यक्ति से "प्रगति" के निर्देश लिए।
उन्होंने उन्हें आपस में बदल (स्वैप) दिया।
परिणाम: कंप्यूटर ने एक ऐसा मस्तिष्क बनाया जो स्वस्थ व्यक्ति जैसा दिखता था, लेकिन उसमें अल्जाइमर के रोगी के रोग संबंधी परिवर्तन थे। इसने सिद्ध किया कि सिस्टम सफलतापूर्वक "व्यक्ति कौन है" को "रोग कैसे बढ़ रहा है" से अलग करने में सक्षम था।

सारांश

AD-DAE अल्जाइमर रोग समय के साथ मस्तिष्क को कैसे बदलता है, इसकी भविष्यवाणी करने के लिए AI का उपयोग करने का एक नया तरीका है। यह एक व्यक्ति की अनूठी पहचान को बीमारी के प्रभावों से अलग करके काम करता है, जिससे कंप्यूटर व्यक्ति की समानता खोए बिना या पूर्ण प्रशिक्षण डेटा की आवश्यकता के बिना विशिष्ट मस्तिष्क पर बीमारी की प्रक्रिया को "फास्ट-फॉरवर्ड" कर सकता है। यह पिछले तरीकों की तुलना में अधिक स्पष्ट, सटीक और चिकित्सकीय रूप से प्रासंगिक भविष्यवाणियां बनाता है।

तकनीकी सारांश: AD-DAE – डिफ्यूजन ऑटो-एनकोडर का उपयोग करके अनपेयर्ड (Unpaired) अनुदैर्ध्य (Longitudinal) MRI के साथ अल्जाइमर रोग प्रगति मॉडलिंग

समस्या विवरण (Problem Statement)
अल्जाइमर जैसे न्यूरोडीजेनेरेटिव रोगों की प्रगति को मॉडल करने के लिए अनुदैर्ध्य समय अंतराल (longitudinal time spans) में उच्च-आयामी इमेज डिस्ट्रीब्यूशन को कैप्चर करना आवश्यक है। जबकि जनरेटिव मॉडल (जैसे VAEs, GANs) पिछले समय बिंदुओं से फॉलो-अप MRI छवियों की भविष्यवाणी करने के लिए लागू किए गए हैं, मौजूदा पद्धतियां महत्वपूर्ण सीमाओं का सामना करती हैं। कई दृष्टिकोण विषय-विशिष्ट (subject-specific) अनुदैर्ध्य डेटा पर निर्भर करते हैं, जो अक्सर दुर्लभ होता है। अन्य, विशेष रूप से जो वेरिएशनल ऑटो-एनकोडर्स (VAEs) या मानक जनरेटिव एडवरसैरियल नेटवर्क (GANs) का उपयोग करते हैं, विषय-विशिष्ट पहचान (identity) और रोग-संबंधी प्रगति के बीच अंतर करने (disentangle) में संघर्ष करते हैं। VAEs अक्सर धुंधली पुनर्निर्माण (reconstructions) प्रदान करते हैं जो पहचान को बनाए रखने में विफल रहते हैं, जबकि GANs स्पष्ट पेयर्ड मार्गदर्शन के बिना प्रगति के दिशा और परिमाण पर सटीक नियंत्रण की कमी रख सकते हैं। इसके अलावा, लेटेंट डिफ्यूजन मॉडल अक्सर अलग-अलग एनकोडर-डिकोडर पाइपलाइन पर निर्भर करते हैं जो इमेज जनरेशन के दौरान नियंत्रणीयता (controllability) को सीमित करते हैं। मुख्य चुनौती एक एकल समय-बिंदु छवि से, बिना पेयर्ड अनुदैर्ध्य पर्यवेक्षण (paired longitudinal supervision) की आवश्यकता के, नियंत्रित और विषय-पहचान-संरक्षण करने वाली फॉलो-अप छवियां उत्पन्न करना है, जबकि यह सुनिश्चित करना है कि परिवर्तन शारीरिक रूप से तर्कसंगत और रोग-प्रासंगिक क्षेत्रों तक ही सीमित हों।

कार्यप्रणाली: AD-DAE फ्रेमवर्क (Methodology: AD-DAE Framework)
लेखक AD-DAE (अल्जाइमर डिजीज डिफ्यूजन ऑटो-एनकोडर) प्रस्तावित करते हैं, जो एक कॉम्पैक्ट, नियंत्रणीय लेटेंट स्पेस में रोग की प्रगति को मॉडल करने के लिए डिफ्यूजन ऑटो-एनकोडर (DAE) का लाभ उठाता है। इस आर्किटेक्चर में तीन प्राथमिक घटक शामिल हैं:

डिफ्यूजन ऑटो-एनकोडर (DAE):
- एनकोडर (E): इनपुट 3D MRI छवियों को एक लेटेंट प्रतिनिधित्व ( $z$ ) में मैप करता है। पारंपरिक ऑटो-एनकोडर्स के विपरीत, DAE एनकोडर उच्च-स्तरीय सिमेंटिक संरचनाओं को कैप्चर करने पर ध्यान केंद्रित करता है, जबकि डीनॉइज़िंग डिकोडर उच्च-आवृत्ति वाले विवरणों (high-frequency details) को संभालता है।
- डिकोडर (D): एक डीनॉइज़िंग डिफ्यूजन मॉडल (DDIM पर आधारित) जो एनकोडर से प्राप्त लेटेंट प्रतिनिधित्व $z$ की स्थिति में गाऊसी शोर (Gaussian noise) को पुनरावृत्ति से लक्षित छवि में बदल देता है। यह डिज़ाइन सूचना के पृथक्करण को सुगम बनाने के लिए स्पष्ट और कॉम्पैक्ट लेटेंट प्रतिनिधित्व की अनुमति देता है।
लेटेंट शिफ्ट एस्टीमेशन मॉड्यूल (A):
- यह मॉड्यूल प्रगति का अनुकरण करने के लिए लेटेंट स्पेस में नियंत्रित गतिविधियों को प्रेरित करता है। यह प्रगति गुणों—विशेष रूप से आयु अंतराल ( $v_a$ ) और संज्ञानात्मक स्थिति ( $v_d$ , जैसे CN, MCI, AD)—को इनपुट के रूप में लेता है।
- यह एक शिफ्ट वेक्टर ( $z'$ ) उत्पन्न करता है जिसे बेसलाइन छवि से प्राप्त विशिष्ट लेटेंट वेक्टर के उपसमुच्चय ( $z_b$ ) में जोड़ा जाता है।
- महत्वपूर्ण रूप से, शिफ्ट केवल $d$ -आयामी लेटेंट स्पेस के पहले $m$ आयामों पर लागू होती है ( $z'_f = z_b + [z'; 0]$ )। यह तंत्र प्रगति-संबंधी कारकों (पहले $m$ आयामों में एनकोडेड) को विषय-पहचान विशेषताओं (शेष $d-m$ आयामों में एनकोडेड) से अलग करने के लिए डिज़ाइन किया गया है।
कंसिस्टेंसी मॉड्यूल (R):
- यह सुनिश्चित करने के लिए कि उत्पन्न प्रगति अर्थपूर्ण और शारीरिक रूप से बाधित (anatomically constrained) हो, एक कंसिस्टेंसी मॉड्यूल एक रिग्रेसर के रूप में कार्य करता है।
- यह बेसलाइन छवि ( $x_b$ ), उत्पन्न फॉलो-अप ( $\hat{x}_f$ ), और उनके अवशेष (residual) ( $x_b - \hat{x}_f$ ) को इनपुट के रूप में लेता है ताकि प्रगति गुणों ( $v'_d, v'_a$ ) की भविष्यवाणी की जा सके।
- मॉड्यूल मास्क का उपयोग करके रोग-विशिष्ट क्षेत्रों (हिप्पोकैम्पस, अमिगडाला, लेटरल वेंट्रिकल्स) पर ध्यान केंद्रित करता है। यह अप्रत्यक्ष रूप से लेटेंट शिफ्ट मॉड्यूल को ऐसे परिवर्तन उत्पन्न करने के लिए निर्देशित करता है जो प्रगति गुणों के साथ सह-संबंधित हों और प्रासंगिक शारीरिक क्षेत्रों में स्थानिक रूप से सीमित हों।

प्रशिक्षण और अनुमान (Training and Inference)

प्रशिक्षण (Training): मॉडल दो मोड में प्रशिक्षित किया जाता है। प्रारंभ में, यह इमेज फीचर्स सीखने के लिए ऑटो-एनकोडिंग मोड ( $\lambda_1=0$ ) में कार्य करता है। इसके बाद, यह प्रोग्रेशन जनरेशन मोड ( $\lambda_1=1$ ) में स्विच करता है, जो इमेज रिकंस्ट्रक्शन के लिए मीन स्क्वेर्ड एरर (MSE) और कंसिस्टेंसी मॉड्यूल के एट्रीब्यूट रिग्रेशन के लिए क्रॉस-एन्ट्रॉपी (CE) लॉस के संयुक्त लॉस फंक्शन को ऑप्टिमाइज़ करता है।
अनुमान (Inference): एक बेसलाइन छवि और लक्षित गुणों (आयु अंतराल, संज्ञानात्मक स्थिति) को दिए जाने पर, एनकोडर $z_b$ उत्पन्न करता है। लेटेंट शिफ्ट मॉड्यूल $z'$ की गणना करता है, जिसे $z_b$ में जोड़ा जाता है। संशोधित लेटेंट वेक्टर डिफ्यूजन डिकोडर को फॉलो-अप छवि $\hat{x}_f$ को पुनरावृत्ति से उत्पन्न करने के लिए निर्देशित करता है।

प्रमुख योगदान (Key Contributions)

AD-DAE फ्रेमवर्क: एक डिफ्यूजन ऑटो-एनकोडर फ्रेमवर्क का परिचय जो पेयर्ड अनुदैर्ध्य डेटा के बिना, विषय-पहचान से प्रगति कारकों को प्रभावी ढंग से अलग करते हुए, नियंत्रित लेटेंट मूवमेंट को सक्षम करके अल्जाइमर की प्रगति को मॉडल करता है।
अनपेयर्ड प्रोग्रेशन मॉडलिंग: विषय-विशिष्ट अनुदैर्ध्य जोड़ों की आवश्यकता के बिना रोग की प्रगति को मॉडल करने के लिए एक तंत्र, जो प्रगति गुणों के साथ सह-संबंधित और अल्जाइमर-प्रासंगिक शारीरिक क्षेत्रों में स्थानिक रूप से सीमित परिवर्तनों को लागू करता है।
व्यापक सत्यापन: ADNI और OASIS डेटासेट से 1,016 विषयों पर सत्यापन, जो इमेज क्वालिटी मेट्रिक्स, वॉल्यूमेट्रिक प्रोग्रेशन विश्लेषण और डाउनस्ट्रीम डिजीज क्लासिफिकेशन कार्यों के माध्यम से प्रभावशीलता प्रदर्शित करता है।

परिणाम (Results)

इमेज क्वालिटी: टेस्ट सेट पर, AD-DAE ने बेसलाइन्स (CAAE, IPGAN, UVCGAN, BrLP, DE-CVAE, SITGAN) की तुलना में बेहतर मात्रात्मक प्रदर्शन किया। इसने उच्चतम PSNR (CN के लिए 30.10 dB, MCI/AD के लिए 29.43 dB) और SSIM (0.94) प्राप्त किया, जबकि सबसे कम MSE बनाए रखा।
वॉल्यूमेट्रिक विश्लेषण: हिप्पोकैम्पस, अमिगडाला और लेटरल वेंट्रिकल्स में वॉल्यूमेट्रिक परिवर्तनों के लिए रीजन-वाइज मीन एब्सोल्यूट एरर (MAE) में AD-DAE ने सभी बेसलाइन्स (जैसे, SITGAN के 0.1161 के मुकाबले हिप्पोकैम्पस के लिए 0.0282 MAE) को काफी पीछे छोड़ दिया।
डेफॉर्मेशन विश्लेषण: जैकोबियन डिटरमिनेंट विश्लेषण ने पुष्टि की कि AD-DAE अन्य विधियों की तुलना में गैर-रेखीय शारीरिक विकृतियों (एट्रोफी और वेंट्रिकुलर विस्तार) को अधिक सटीक रूप से कैप्चर करता है, जिसमें त्रुटियां ग्राउंड ट्रुथ के सबसे करीब थीं।
डाउनस्ट्रीम उपयोगिता: डिजीज क्लासिफिकेशन कार्यों में, AD-DAE द्वारा जनरेटेड डेटा ने रियल ट्रेनिंग डेटा को प्रभावी ढंग से ऑगमेंट किया, जिससे वर्गीकरण सटीकता 100% रियल डेटा के स्तर तक पहुँच गई।
लेटेंट स्पेस ऑर्गनाइजेशन: UMAP प्रोजेक्शन और लेटेंट स्वैप प्रयोगों ने प्रदर्शित किया कि पहले $m$ लेटेंट आयाम आयु और संज्ञानात्मक स्थिति को सफलतापूर्वक एनकोड करते हैं, जिससे विषय की पहचान बनाए रखते हुए प्रगति परिवर्तन (जैसे, वेंट्रिकुलर संकुचन/विस्तार) उत्पन्न करना संभव होता है।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि AD-DAE, इमेज-स्पेस डिफ्यूजन की डिस्ट्रीब्यूशन मॉडलिंग क्षमताओं को ऑटो-एनकोडिंग फॉर्मूलेशन की नियंत्रणीयता के साथ जोड़कर अल्जाइमर की अनुदैर्ध्य प्रगति को मॉडल करने में एक महत्वपूर्ण प्रगति प्रदान करता है। लेखक दावा करते हैं कि उनका दृष्टिकोण विषय-पहचान से प्रगति-संबंधी कारकों को अलग करने के लिए लेटेंट स्पेस को सफलतापूर्वक व्यवस्थित करता है, जिससे बिना किसी स्पष्ट पेयर्ड अनुदैर्ध्य मार्गदर्शन के प्रशंसनीय फॉलो-अप छवियां उत्पन्न करना संभव होता है। परिणाम बताते हैं कि इमेज स्पेस में गैर-रेखीय शारीरिक विकृतियों को DAE के लेटेंट स्पेस के भीतर रैखिक रूपांतरणों (linear transformations) द्वारा प्रभावी ढंग से अनुमानित किया जा सकता है। इस फ्रेमवर्क को अल्जाइमर प्रोग्रेशन मॉडलिंग के लिए एक मजबूत उपकरण के रूप में प्रस्तुत किया गया है, जो विषय की पहचान को सुरक्षित रखते हुए रोग-विशिष्ट संरचनात्मक परिवर्तनों को सटीक रूप से दर्शाने वाली डेटा जनरेट करने में सक्षम है, जिससे उन डाउनस्ट्रीम क्लिनिकल कार्यों और अनुसंधान का समर्थन मिलता है जहाँ पेयर्ड अनुदैर्ध्य डेटा उपलब्ध नहीं है।