: learning to disentangle technical distortions from true biological change
यह शोध पत्र को प्रस्तुत करता है, जो एक सिंथेटिक-डेटा-प्रशिक्षित पंजीकरण ढांचा (registration framework) है जो न्यूरोडीजेनेरेटिव रोग अध्ययनों में अधिक सटीक अनुदैर्ध्य मॉर्फोमेट्री (longitudinal morphometry) को सक्षम करने के लिए तकनीकी एमआरआई (MRI) विकृतियों को वास्तविक जैविक मस्तिष्क परिवर्तनों से अलग 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
कल्पना कीजिए कि आप यह मापने की कोशिश कर रहे हैं कि एक वर्ष में एक पेड़ कितना बढ़ा है। आप आज एक फोटो लेते हैं और अगले वर्ष एक और फोटो लेते हैं। यदि आप जादुई रूप से कैमरे और रोशनी को स्थिर कर सकें, तो दोनों तस्वीरों की तुलना करना आसान होगा; आपको बस नई शाखाएं दिखाई देंगी। लेकिन क्या होगा यदि दो तस्वीरों के बीच, कैमरे का लेंस थोड़ा मुड़ जाए, जिससे दूसरी तस्वीर में पेड़ बाईं ओर से दबा हुआ दिखाई दे? या क्या होगा यदि रोशनी बदल जाए, जिससे एक छाया बन जाए जो तने को पतला दिखा दे? आप गलती से सोच सकते हैं कि पेड़ सिकुड़ गया है, जबकि वास्तव में वह केवल कैमरे के कारण अलग दिख रहा था।
यह ठीक वही समस्या है जिसका सामना वैज्ञानिक एमआरआई (MRI) स्कैन का उपयोग करके मानव मस्तिष्क का अध्ययन करते समय करते हैं। एमआरआई मशीनें अत्यंत शक्तिशाली कैमरों की तरह होती हैं जो हमारे मस्तिष्क की 3D तस्वीरें लेती हैं। डॉक्टर और शोधकर्ता इन तस्वीरों का उपयोग यह ट्रैक करने के लिए करते हैं कि उम्र बढ़ने के साथ या अल्जाइमर जैसी बीमारियों के कारण मस्तिष्क में कैसे बदलाव आता है। वे "एट्रोफी" (atrophy) को देखते हैं, जो मस्तिष्क के ऊतकों का प्राकृतिक सिकुड़ना है, बिल्कुल वैसे ही जैसे एक पेड़ के पत्ते झड़ते हैं। हालाँकि, एमआरआई मशीनें खुद दोषरहित नहीं होती हैं। वे "डिस्टॉर्शन" (distortions)—यानी मशीन के चुम्बकों और इलेक्ट्रॉनिक्स के कारण होने वाले सूक्ष्म, अदृश्य विरूपण—तस्वीर में पैदा करती हैं। ये विकृतियाँ एक स्वस्थ मस्तिष्क को सिकुड़ता हुआ दिखा सकती हैं, या इस तथ्य को छिपा सकती हैं कि एक बीमार मस्तिष्क उम्मीद से अधिक तेजी से सिकुड़ रहा है। वर्षों से, वैज्ञानिकों ने इन मशीन की त्रुटियों को ठीक करने की कोशिश की है, लेकिन अक्सर "सुधार" पूरी तरह सटीक नहीं होता, जिससे वास्तविक मस्तिष्क परिवर्तनों और नकली मशीन त्रुटियों का एक मिला-जुला मिश्रण पीछे रह जाता है।
यहीं पर डिस्मॉर्फ (DisMorph) नामक एक नया टूल काम आता है। इसे एक सुपर-स्मार्ट जासूस के रूप में समझें जो दो साल के अंतराल पर लिए गए मस्तिष्क के स्कैन को देख सकता है और कह सकता है, "ठीक है, इस हिस्से का बदलाव इसलिए है क्योंकि मस्तिष्क वास्तव में छोटा हुआ है, लेकिन यह दूसरा हिस्सा केवल कैमरे के लेंस के मुड़ने के कारण है।"
डिस्मॉर्फ के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व जिंगरू फू (Jingru Fu) और उनके सहयोगियों ने किया, यह महसूस किया कि मौजूदा तरीके एक बड़े अनुमान के साथ पूरे पहेली को हल करने की कोशिश कर रहे थे। वे एक एकल "डिफॉर्मेशन" (deformation) मैप की गणना करते थे जो दो स्कैन के बीच के हर अंतर को समझाने की कोशिश करता था। समस्या यह है कि एक एकल मैप वास्तविक जैविक परिवर्तनों (पेड़ का बढ़ना या सिकुड़ना) को तकनीकी गड़बड़ियों (कैमरे का मुड़ना) के साथ मिला देता है। यदि आप उन्हें अलग नहीं करते हैं, तो मस्तिष्क के स्वास्थ्य के आपके माप गलत हो सकते हैं।
इसे ठीक करने के लिए, टीम ने एक ऐसा सिस्टम बनाया जो इन दो प्रभावों को सुलझाना सीखता है। उन्होंने कंप्यूटर को केवल वास्तविक मस्तिष्क स्कैन ही नहीं दिए; बल्कि, उन्होंने इसे एक "सिंथेटिक" (synthetic) प्रशिक्षण मैदान का उपयोग करके सिखाया। कल्पना कीजिए कि एक वीडियो गेम है जहाँ कंप्यूटर लाखों नकली मस्तिष्क स्कैन उत्पन्न करता है। इस खेल में, कंप्यूटर जानबूझकर दो चीजें जोड़ता है: एक विशिष्ट मात्रा में "एट्रोफी" (सिकुड़ते मस्तिष्क का अनुकरण करने के लिए) और एक विशिष्ट मात्रा में "डिस्टॉर्शन" (एमआरआई मशीन के मुड़ने का अनुकरण करने के लिए)। क्योंकि कंप्यूटर जानता है कि उसने वास्तव में कितना जोड़ा है, वह अंतर को पहचानना सीख सकता है। यह एक कुत्ते को हजारों उदाहरण दिखाकर यह सिखाने जैसा है जहाँ वह जानता है कि असली खरगोश और खिलौने वाला खरगोश के बीच क्या अंतर है।
एक बार जब इस सिंथेटिक परिदृश्यों पर डिस्मॉर्फ को प्रशिक्षित कर दिया गया, तो शोधकर्ताओं ने इसका परीक्षण वास्तविक डेटा पर किया। सबसे पहले, उन्होंने उन स्कैनों को देखा जहाँ एकमात्र अंतर मशीन का विरूपण (distortion) था (कोई वास्तविक मस्तिष्क परिवर्तन नहीं)। डिस्मॉर्फ सफलतापूर्वक पहचान सका कि लगभग सारा परिवर्तन केवल मशीन का विरूपण था, जिससे "मस्तिष्क परिवर्तन" वाला हिस्सा शून्य रह गया। इससे सिद्ध हुआ कि यह ग्लिच और वास्तविक घटना के बीच अंतर कर सकता है।
इसके बाद, उन्होंने अल्जाइमर रोग वाले वास्तविक रोगियों पर परीक्षण किया, उनके स्कैन को देखा जो दो साल के अंतराल पर लिए गए थे। इन मामलों में, मस्तिष्क का सिकुड़ना स्वाभाविक है। डिस्मॉर्फ ने फिर से दोनों प्रभावों को सफलतापूर्वक अलग किया। इसने स्कैनर द्वारा किए गए सुचारू, व्यापक विरूपण को "तकनीकी विरूपण" के रूप में पहचाना और मस्तिष्क की संरचनाओं (जैसे हिप्पोकैम्पस, जो स्मृति के लिए महत्वपूर्ण है) के विशिष्ट, स्थानीयकृत सिकुड़न को "वास्तविक जैविक परिवर्तन" के रूप में पहचाना।
परिणामों ने दिखाया कि डिस्मॉर्फ पुराने तरीकों की तुलना में वास्तविक मस्तिष्क परिवर्तनों को खोजने में बेहतर है। उन सिमुलेशन में जहाँ उन्हें सटीक उत्तर पता था, डिस्मॉर्फ अधिक सटीक था। वास्तविक दुनिया के परीक्षणों में, उन्होंने पाया कि मानक सुधारों के बाद भी, कुछ मशीन विरूपण अक्सर बना रहता है, जो पिछले अध्ययनों में मस्तिष्क परिवर्तनों को छिपा या गलत दिखा सकता था।
यह शोध पत्र सुझाव देता है कि इस नई पद्धति का उपयोग करके, वैज्ञानिक समय के साथ मस्तिष्क में होने वाले परिवर्तनों की अधिक स्पष्ट और ईमानदार तस्वीर प्राप्त कर सकते हैं। यह दावा नहीं करता कि इसने एमआरआई इमेजिंग की हर समस्या को हल कर दिया है, लेकिन यह सिग्नल (वास्तविक मस्तिष्क) को शोर (मशीन की खामियों) से अलग करने का एक शक्तिशाली तरीका प्रदान करता है। यह विशेष रूप से उन अध्ययनों के लिए महत्वपूर्ण है जो पुराने डेटा को देखते हैं या विभिन्न अस्पतालों के स्कैन की तुलना करते हैं, जहाँ "कैमरे के लेंस" थोड़े अलग हो सकते हैं। तकनीकी उलझन को जैविक सत्य से अलग करना सीखकर, डिस्मॉर्फ उम्र बढ़ने और बीमारी के सटीक मापन का मार्ग प्रशस्त करता है, जिससे हमें मस्तिष्क की यात्रा को थोड़ा बेहतर समझने में मदद मिलती 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।