🤖 AI

REVEAL++: Differentiable Phenotypic Grouping for Vision-Language Retinal Modeling of Alzheimer's Disease Risk

यह शोध पत्र REVEAL++ का प्रस्ताव करता है, जो एक विभेदक (differentiable) ढांचा है जो रेटिनल छवियों और नैदानिक वृत्तांतों से अल्जाइमर रोग के जोखिम की भविष्यवाणी करने के लिए विजन-लैंग्वेज संरेखण को बढ़ाने हेतु कठोर फेनोटाइपिक समूहीकरण के स्थान पर एक निरंतर, सीखने योग्य समानता भारण फलन (similarity weighting function) को प्रतिस्थापित करता है।

मूल लेखक: Ethan Elio Meidinger, Seowung Leem, Zeyun Zhao, Ruogu Fang

प्रकाशित 2026-06-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ethan Elio Meidinger, Seowung Leem, Zeyun Zhao, Ruogu Fang

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 की एक खिड़की

कल्पना कीजिए कि आपकी आँखें आपके मस्तिष्क की एक खिड़की हैं। वैज्ञानिकों को लंबे समय से पता है कि रेटिना (आँख का पिछला हिस्सा) मस्तिष्क के साथ बहुत अधिक DNA और रक्त वाहिकाएं साझा करता है। इस कारण, आपकी रेटिना की तस्वीर देखने से हमें अल्जाइमर रोग (Alzheimer's disease) के जोखिम के बारे में उन वर्षों पहले सुराग मिल सकते हैं, जब आप चीजें भूलना शुरू भी नहीं करते।

इस शोध पत्र का लक्ष्य एक बेहतर "जासूस" बनाना है जो एक साथ दो चीजों को देख सके:

रेटिनल फोटोज़ (Retinal Photos): आँखों की तस्वीरें।
स्वास्थ्य की कहानियाँ (Health Stories): आपकी जीवनशैली, नींद, हृदय स्वास्थ्य और पारिवारिक इतिहास का एक लिखित सारांश।

समस्या: "हार्ड" ग्रुपिंग की गलती

पिछले तरीकों (जैसे मूल REVEAL सिस्टम) ने कंप्यूटर को लोगों को समूहों में बांटकर सिखाने की कोशिश की। उन्होंने कहा, "यदि व्यक्ति A और व्यक्ति B के स्वास्थ्य जोखिम समान हैं, तो उन्हें एक ही बॉक्स में रखें।"

इसे मिश्रित रंग के मोतियों के ढेर को छांटने जैसा समझें। पुराने तरीके ने एक कठोर नियम का उपयोग किया: "यदि एक मोती 51% लाल है, तो वह 'लाल' बॉक्स में जाएगा। यदि वह 49% लाल है, तो वह 'नारंगी' बॉक्स में जाएगा।"

दोष: वास्तविक जीवन में, अल्जाइमर का जोखिम ब्लैक एंड व्हाइट (काला या सफेद) नहीं होता है। यह एक सहज ढाल (gradient) की तरह है, जैसे एक सूर्यास्त जो धीरे-धीरे नारंगी से लाल में बदलता है। लोगों को कठोर बक्सों में जबरदस्ती डालना उन कृत्रिम सीमाओं को पैदा करता है जो जीव विज्ञान में मौजूद ही नहीं हैं। इसका मतलब यह भी था कि कंप्यूटर बेहतर तरीके से समूह बनाना सीख नहीं सकता था; उसे बस सख्त नियमों का पालन करना था।

समाधान: "सॉफ्ट" स्पॉटलाइट (REVEAL++)

नया तरीका, REVEAL++, कठोर बक्सों को हटा देता है। इसके बजाय, यह एक सॉफ्ट, समायोज्य (adjustable) स्पॉटलाइट का उपयोग करता है।

कल्पना कीजिए कि आप बहुत से लोगों के साथ एक अंधेरे कमरे में हैं। लोगों पर चिल्लाने के बजाय, "तुम ग्रुप A में हो!" या "तुम ग्रुप B में हो!", कंप्यूटर उन लोगों पर हल्की रोशनी डालता है जो कुछ हद तक समान हैं।

यदि दो लोग बहुत समान हैं, तो रोशनी तेज होती है।
यदि वे कुछ हद तक समान हैं, तो रोशनी धुंधली होती है।
यदि वे बिल्कुल अलग हैं, तो रोशनी बंद होती है।

इसे "डिफरेंशिएबल फेनोटाइपिक वेटिंग" (Differentiable Phenotypic Weighting) कहा जाता है। सरल भाषा में: कंप्यूटर लोगों के हर जोड़े के लिए उनकी आँखों की तस्वीरों और उनके स्वास्थ्य की कहानियों के आधार पर एक "समानता स्कोर" की गणना करता है। यह उन्हें किसी समूह में जबरदस्ती नहीं डालता; यह बस कहता है, "ये दोनों 80% समान हैं, इसलिए इन्हें एक मजबूत मेल मानें। ये दोनों केवल 20% समान हैं, इसलिए इन्हें एक कमजोर मेल मानें।"

यह कैसे काम करता है (नुस्खा)

सामग्री (Ingredients): टीम ने UK Biobank (स्वास्थ्य जानकारी का एक विशाल डेटाबेस) से डेटा लिया। उन्होंने रेटिनल फोटोज़ लीं और लोगों के जटिल चिकित्सा डेटा (नींद, आहार, आनुवंशिकी) को एक AI लेखक का उपयोग करके सरल, पठनीय टेक्स्ट कहानियों में बदल दिया।
प्रशिक्षण (Training): उन्होंने AI को एक फोटो और एक कहानी को देखना और कहना सिखाया कि "क्या ये एक साथ संबंधित हैं?"
- पुराना तरीका: "हाँ, वे एक ही समूह में हैं। नहीं, वे नहीं हैं।" (बाइनरी: हाँ/नहीं)।
- नया तरीका (REVEAL++): "हाँ, वे एक बहुत मजबूत मेल हैं। नहीं, वे एक कमजोर मेल हैं।" (निरंतर: समानता का एक स्पेक्ट्रम)।
परिणाम: लोगों के बीच के "ग्रे एरिया" (धुंधले क्षेत्रों) को देखने की अनुमति देकर, इसने AI को एक बहुत स्पष्ट तस्वीर देखने में मदद की कि अल्जाइमर का जोखिम वास्तव में कैसा दिखता है।

परिणाम: कौन जीता?

टीम ने अपने नए सिस्टम का परीक्षण कई अन्य स्मार्ट AI मॉडलों (मानक विजन-लैंग्वेज मॉडल और उनके अपने पुराने संस्करणों सहित) के खिलाफ किया।

विजेता: REVEAL++ भविष्य में अल्जाइमर होने की भविष्यवाणी करने में सबसे अच्छा था।
क्यों? क्योंकि इसने लोगों को नकली श्रेणियों में जबरदस्ती डालने से रोक दिया। इसने इस तथ्य का सम्मान किया कि बीमारी का जोखिम एक सहज, निरंतर यात्रा है, न कि "स्वस्थ" से "बीमार" के बीच अचानक आने वाला उछाल।

मुख्य निष्कर्ष

यह शोध पत्र कंप्यूटर को बीमारी के बारे में सिखाने का एक स्मार्ट तरीका पेश करता है। लोगों को समूहों में बांटने के लिए कठोर नियमों का उपयोग करने के बजाय, REVEAL++ एक लचीले, "सॉफ्ट" दृष्टिकोण का उपयोग करता है जो यह समझता है कि मानव स्वास्थ्य एक स्पेक्ट्रम (क्रम) है। ऐसा करके, यह जोखिम का एक बेहतर नक्शा बनाता है, जिससे हमें अल्जाइमर को पहले और अधिक सटीक रूप से पहचानने में मदद मिलती है।

संक्षेप में: उन्होंने "कठोर बक्सों" को "सॉफ्ट स्पॉटलाइट" से बदल दिया, और कंप्यूटर भविष्य की बीमारी के सूक्ष्म संकेतों को देखने में बहुत बेहतर हो गया।

तकनीकी सारांश: REVEAL++

समस्या विवरण
अल्जाइमर रोग (AD) में एक लंबा प्रीक्लिनिकल चरण शामिल होता है जहाँ नैदानिक लक्षण प्रकट होने से पहले रोगजनक परिवर्तन संचित होते हैं। जबकि रेटिना न्यूरोडीजेनेरेटिव जोखिम के लिए एक गैर-आक्रामक खिड़की प्रदान करता है, मौजूदा विजन-लैंग्वेज (V-L) मॉडलिंग दृष्टिकोण, जैसे कि REVEAL फ्रेमवर्क, भविष्यवाणी में सुधार के लिए ग्रुप-अवेयर कॉन्ट्रास्टिव लर्निंग (GACL) पर निर्भर करते हैं। वर्तमान GACL विधियों की एक महत्वपूर्ण सीमा उनकी डिस्क्रीट फेनोटाइपिक ग्रुपिंग (discrete phenotypic grouping) पर निर्भरता है। ये दृष्टिकोण व्यक्तियों को कठोर समानता थ्रेशोल्ड के आधार पर निश्चित क्लस्टरों में असाइन करते हैं, और समूह के भीतर के विषयों को मल्टी-पॉजिटिव पेयर्स (multi-positive pairs) के रूप में मानते हैं। यह डिज़ाइन कठोर पर्यवेक्षण (rigid supervision) लागू करता है और समूह निर्माण को रिप्रजेंटेशन लर्निंग से अलग कर देता है। हालांकि, जैविक रूप से, न्यूरोडीजेनेरेटिव जोखिम विषम कारकों द्वारा आकार दिए गए निरंतर, ओवरलैपिंग प्रक्षेपवक्रों (trajectories) के साथ विकसित होता है। हार्ड ग्रुप असाइनमेंट कृत्रिम सीमाएँ बनाते हैं जो बीमारी की क्रमिक, स्पेक्ट्रम जैसी प्रकृति को दर्शाने में विफल रहते हैं और ग्रुपिंग तंत्र को प्रशिक्षण के दौरान अनुकूलित होने से रोकते हैं।

कार्यप्रणाली: REVEAL++
लेखक REVEAL++ का प्रस्ताव करते हैं, जो एक मल्टी-मोडल कॉन्ट्रास्टिव लर्निंग सेटअप के भीतर डिस्क्रीट ग्रुपिंग के स्थान पर डिफरेंशिएबल फेनोटाइपिक वेटिंग (differentiable phenotypic weighting) तंत्र का उपयोग करता है। इस आर्किटेक्चर में निम्नलिखित घटक शामिल हैं:

मल्टी-मोडल एनकोडर:
- इमेज एनकोडर: रेटिनल फंडस छवियों को प्रोसेस करने के लिए RETFound का उपयोग करता है।
- टेक्स्ट एनकोडर: संरचित नैदानिक जोखिम आख्यानों (clinical risk narratives) को प्रोसेस करने के लिए GatorTron का उपयोग करता है।
- क्लिनिकल रिपोर्ट जनरेशन: UK Biobank से प्राप्त स्ट्रक्चर्ड प्रश्नावली डेटा (डेमोग्राफिक्स, जीवनशैली, संज्ञानात्मक चर) को LLaMA-3.1 का उपयोग करके सिंथेटिक नैदानिक आख्यानों में परिवर्तित किया जाता है। यह सुनिश्चित करता है कि प्री-ट्रेन्ड टेक्स्ट एनकोडर्स के साथ अनुकूलता बनी रहे और बिना किसी इम्प्यूटेशन के सीधे टेम्पलेट फ़ील्ड्स में टैबुलर एंट्रीज़ को मैप करके संख्यात्मक निष्ठा (numerical fidelity) बनाए रखी जा सके।
- प्रोजेक्शन: दोनों मोडैलिटीज को एक साझा लेटेंट स्पेस ( $d=1024$ ) में प्रोजेक्ट किया जाता है और $\ell_2$ -नॉर्मलाइज किया जाता है।
डिफरेंशिएबल फेनोटाइपिक वेटिंग:
हार्ड क्लस्टरिंग के बजाय, मॉडल नॉर्मलाइज्ड एम्बेडिंग्स के बीच कोसाइन सिमिलरिटी का उपयोग करके इंट्रा-मोडैलिटी सिमिलरिटी मैट्रिसेस ( $S_{ii}$ इमेज के लिए, $S_{tt}$ टेक्स्ट के लिए) की गणना करता है।
- इन सिमिलरिटीज को लर्न करने योग्य थ्रेशोल्ड्स ( $\tau$ ) और शार्पनेस पैरामीटर्स ( $g$ ) वाले सिग्मॉइड गेटिंग फंक्शन का उपयोग करके सॉफ्ट मेंबरशिप सिग्नल्स में बदल दिया जाता है।
- इमेज और टेक्स्ट सिग्नल्स को एक डिफरेंशिएबल प्रोबेबिलिस्टिक यूनियन ऑपरेटर के माध्यम से संयोजित किया जाता है ताकि प्रत्येक विषयों के जोड़े $(p, q)$ के लिए एक निरंतर फेनोटाइपिक वेटिंग स्कोर $W_{pq} \in [0, 1]$ उत्पन्न किया जा सके।
- $W_{pq}$ , फेनोटाइपिक संरेखण (alignment) की डिग्री को दर्शाता है, जो एक बाइनरी लेबल के बजाय एक सॉफ्ट टारगेट के रूप में कार्य करता है।
सॉफ्ट-टारगेट कॉन्ट्रास्टिव ऑब्जेक्टिव:
फ्रेमवर्क एक सॉफ्ट-टारगेट मल्टी-पॉजिटिव कॉन्ट्रास्टिव लॉस को ऑप्टिमाइज़ करता है। लॉस फंक्शन $W_{pq}$ को शामिल करने के लिए सुपरविजन स्ट्रेंथ को मॉड्युलेट करता है:
- जब $W_{pq} \to 1$ , तो जोड़े को एक मजबूत पॉजिटिव मैच माना जाता है।
- जब $W_{pq} \to 0$ , तो जोड़े को एक नेगेटिव माना जाता है।
- मध्यवर्ती मान (intermediate values) क्रमिक पर्यवेक्षण (graded supervision) की अनुमति देते हैं, जिससे मॉडल को एंड-टू-एंड तरीके से क्रॉस-मोडल एलाइनमेंट और फेनोटाइपिक स्ट्रक्चर को संयुक्त रूप से सीखने में सक्षम बनाया जा सके।

प्रमुख योगदान

डिफरेंशिएबल फेनोटाइपिक वेटिंग: पेपर एक निरंतर फेनोटाइपिक संरचना का परिचय देता है, जो हार्ड थ्रेशोल्ड-आधारित ग्रुपिंग को रेटिनल और क्लिनिकल एम्बेडिंग्स से प्राप्त सिमिलरिटी वेट्स द्वारा प्रतिस्थापित करता है। यह सहज, डेटा-संचालित कोहोर्ट मॉडलिंग को सक्षम बनाता है।
सॉफ्ट मल्टी-पॉजिटिव कॉन्ट्रास्टिव लर्निंग: एक नया ऑब्जेक्टिव फंक्शन प्रस्तावित किया गया है जो क्रॉस-मोडल एलाइनमेंट में फेनोटाइपिक सिमिलरिटी को शामिल करता है, जिससे बाइनरी पेयर असाइनमेंट के बजाय ग्रेडेड मल्टी-पॉजिटिव पर्यवेक्षण की सुविधा मिलती है।
स्टेट-ऑफ-द-आर्ट परफॉरमेंस: फ्रेमवर्क UK बायोबैंक रेटिनल इमेजिंग डेटा का उपयोग करके इंसिडेंट अल्जाइमर रोग की भविष्यवाणी के लिए नए स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है, जो मौजूदा V-L बेसलाइन्स और डिस्क्रीट ग्रुप-आधारित कॉन्ट्रास्टिव विधियों से बेहतर प्रदर्शन करता है।

प्रायोगिक परिणाम
फ्रेमवर्क का मूल्यांकन इंसिडेंट AD की भविष्यवाणी के लिए UK बायोबैंक डेटासेट (लगभग 39k विषय) पर किया गया।

बेसलाइन्स: अध्ययन में REVEAL++ की तुलना मानक SVMs, इमेज-ओनली फाउंडेशन मॉडल्स (RETFound), जनरल बायोमेडिकल V-L मॉडल्स (BiomedCLIP, PMC-CLIP), और रेटिनल-विशिष्ट V-L मॉडल्स (RETCLIP, MM-Retinal) से की गई। इसमें बिना ग्रुप-अवेयर कॉन्ट्रास्टिव लर्निंग (GACL) वाला REVEAL और मूल REVEAL (डिस्क्रीट GACL के साथ) भी शामिल था।
परफॉरमेंस: REVEAL++ ने सभी मेट्रिक्स में उच्चतम प्रदर्शन हासिल किया:
- AUROC: 0.678 (REVEAL के डिस्क्रीट GACL के लिए 0.658 और RETFound+GatorTron के लिए 0.642 के मुकाबले)।
- बैलेंस्ड एक्यूरेसी: 0.613।
- F1-स्कोर: 0.236।
- MCC: 0.168।
विश्लेषण: परिणाम संकेत देते हैं कि सॉफ्ट, डिफरेंशिएबल फेनोटाइपिक एलाइनमेंट अधिक सुसंगत मल्टी-मोडल रिप्रजेंटेशन की ओर ले जाता है। मॉडल को फायदा होता है क्योंकि यह विषयों को उनके रिस्क प्रोफाइल के अनुसार आनुपातिक रूप से योगदान करने की अनुमति देता है, बजाय इसके कि वे कठोर ग्रुप असाइनमेंट पर निर्भर रहें।

महत्व और दावे
पेपर का दावा है कि फेनोटाइपिक सिमिलरिटी को एक फिक्स्ड ग्रुपिंग नियम के बजाय एक लर्न करने योग्य, निरंतर सिग्नल के रूप में मानना जनसंख्या-स्तर के न्यूरोडीजेनेरेटिव रिस्क मॉडलिंग के लिए एक सिद्धांत आधारित आधार प्रदान करता है। रिलेशनशिप को एक डिफरेंशिएबल, अटेंशन-लाइक प्रक्रिया के रूप में मॉडल करके, REVEAL++ डिस्क्रीट विधियों की तुलना में AD जोखिम के पीछे के निरंतर और विषम जैविक परिवर्तनशीलता को अधिक सटीकता से कैप्चर करता है। लेखक तर्क देते हैं कि यह दृष्टिकोण प्रीक्लिनिकल AD के पैथोफिजियोलॉजी को बेहतर ढंग से दर्शाता है, जहाँ जोखिम धीरे-धीरे संचित होता है और विषम रूप से प्रकट होता है, जिससे मॉडल मध्यवर्ती फेनोटाइपिक अवस्थाओं (intermediate phenotypic states) का प्रतिनिधित्व कर पाता है जो प्रारंभिक रोगजनक परिवर्तनों के अनुरूप होती हैं। यह मल्टी-मोडल बायोमेडिकल डेटा में स्ट्रक्चर्ड वेरिएबिलिटी को मॉडल करने के लिए एक मजबूत रणनीति प्रदान करता है, जिसके क्रोनिक रोग जोखिम भविष्यवाणी और प्रिसिजन मेडिसिन में संभावित अनुप्रयोग हैं।