A continually expandable foundation model for brain MRI
यह शोध पत्र Alcmaeon को प्रस्तुत करता है, जो 4,25,000 से अधिक अनलेबल (unlabeled) वॉल्यूम पर प्रशिक्षित एक निरंतर विस्तार योग्य 3D ब्रेन MRI फाउंडेशन मॉडल है, जो विविध नैदानिक डोमेन के अनुकूल होने के लिए ग्राफ-ब्लूप्रिंट प्रूनिंग (Graph-Blueprint Pruning) का उपयोग करता है और साथ ही कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) को प्रभावी ढंग से रोकते हुए पूर्ववर्ती क्षमताओं को सुरक्षित रखता 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 एक रोबोट को मानव मस्तिष्क को समझना सिखाने की कोशिश कर रहे हैं। आप उसे हजारों एमआरआई (MRI) स्कैन दिखाते हैं—वे विस्तृत 3D चित्र जिनका उपयोग डॉक्टर हमारे सिर के अंदर देखने के लिए करते हैं। शुरुआत में, रोबोट स्वस्थ मस्तिष्क को पहचानना सीख जाता है। लेकिन फिर, आप चाहते हैं कि वह ब्रेन ट्यूमर (brain tumors) को पहचान सके, या अल्जाइमर (Alzheimer's) के कारण होने वाले परिवर्तनों को समझ सके, या यह देख सके कि एक बच्चे का मस्तिष्क कैसे विकसित हो रहा है। समस्या यह है कि जब आप रोबोट को कुछ नया सिखाते हैं, तो वह अक्सर वह भूल जाता है जो उसने पहले सीखा था। यह बिल्कुल वैसा ही है जैसे यदि आपने इतिहास की परीक्षा के लिए पढ़ाई की, और फिर तुरंत गणित की परीक्षा के लिए पढ़ना शुरू कर दिया, और अचानक आप फ्रांसीसी क्रांति की तारीखें भूल गए। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "कैटास्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) कहा जाता है। वैज्ञानिक "फाउंडेशन मॉडल्स" (foundation models) बनाने की कोशिश कर रहे हैं—सुपर-स्मार्ट AI मस्तिष्क जो भारी मात्रा में डेटा से सामान्य नियम सीखते हैं ताकि उन्हें हर बार शून्य से बनाए बिना कई अलग-अलग कार्यों के लिए अनुकूलित किया जा सके। लेकिन 3D ब्रेन स्कैन के लिए इन मॉडल्स को काम करना बेहद कठिन है क्योंकि डेटा बहुत बड़ा, अव्यवस्थित है और यह कई अलग-अलग मशीनों और रोगियों से आता है। बड़ा सवाल यह है: क्या हम एक ऐसा ब्रेन-AI बना सकते हैं जो पुरानी यादों को खोए बिना नई चीजें सीखता रहे?
यहाँ प्रवेश होता है Alcmaeon का, जो ब्रेन एमआरआई स्कैन के लिए एक नए प्रकार का AI फाउंडेशन मॉडल है जो एक बहुत ही अनुशासित छात्र की तरह काम करता है जो कभी नहीं भूलता। शोधकर्ताओं की एक टीम द्वारा निर्मित, Alcmaeon को बिना किसी मैन्युअल लेबलिंग के 4,25,000 से अधिक तीन-आयामी (3D) ब्रेन स्कैन पर प्रशिक्षित किया गया था। केवल एक बार सीखने और रुक जाने के बजाय, Alcmaeon को बढ़ने के लिए डिज़ाइन किया गया है। यह क्रमिक रूप से सीखता है, स्वस्थ आबादी से न्यूरोडीजेनेरेटिव रोगों की ओर, फिर विकासात्मक और मनोरोग स्थितियों की ओर, और अंत में ब्रेन ट्यूमर की ओर बढ़ता है। जो चीज़ इसे संभव बनाती है, वह है एक चतुर तकनीक जिसे ग्राफ-ब्लूप्रिंट प्रूनिंग (Graph-Blueprint Pruning - GBP) कहा जाता है।
Alcmaeon के मस्तिष्क को लाखों किताबों (या इस मामले में, "मॉड्यूल्स" नामक छोटे कंप्यूटर सर्किट) से भरी एक विशाल लाइब्रेरी के रूप में सोचें। जब AI एक नया विषय सीखता है, जैसे कि ब्रेन ट्यूमर को पहचानना, तो वह आमतौर पर अपनी पूरी लाइब्रेरी को फिर से लिखने की कोशिश करता है, जिससे अनजाने में स्वस्थ मस्तिष्क के बारे में उसकी पुरानी किताबें मिट जाती हैं। GBP एक ऐसे लाइब्रेरियन की तरह है जो उन विशिष्ट किताबों पर "छूना मना है" (Do Not Touch) का स्टिकर लगा देता है जो पुराने विषयों के लिए आवश्यक हैं। जब AI कुछ नया सीखता है, तो वह केवल खाली जगहों में लिख सकता है या उन किताबों का उपयोग कर सकता है जिन पर स्टिकर नहीं लगे हैं। इस तरह, AI ट्यूमर के बारे में सीखने के साथ-साथ अनजाने में स्वस्थ बुढ़ापे के अपने ज्ञान को डिलीट नहीं कर पाता। "ब्लूप्रिंट" अनिवार्य रूप रूप से एक मानचित्र है जो इस बात का हिसाब रखता है कि कौन सी किताबें सुरक्षित हैं और किनका अपडेट किया जा सकता है।
शोधकर्ताओं ने इसे चार अलग-अलग चरणों के माध्यम से सिखाकर परीक्षण किया: स्वस्थ बुढ़ापा (healthy aging), न्यूरोडिजेनरेशन (neurodegeneration), विकासात्मक/मनोरोग इमेजिंग (developmental/psychiatric imaging), और अंत में, ब्रेन ट्यूमर। उन्होंने इस "ब्लूप्रिंट" विधि का उपयोग करके Alcmaeon की तुलना अन्य सामान्य तरीकों से की, जैसे कि सब कुछ फिर से प्रशिक्षित करना (जिससे भूलने की समस्या होती है) या 'इलास्टिक वेट कंसोलिडेशन' (EWC) नामक विधि का उपयोग करना। परिणामों ने दिखाया कि जब AI को सबसे बड़ी चुनौती का सामना करना पड़ा—ब्रेन ट्यूमर के बारे में सीखना, जो स्वस्थ मस्तिष्क से बहुत अलग दिखते हैं—तो GBP के साथ Alcmaeon ने अपनी याददाश्त को अन्य तरीकों की तुलना में बहुत बेहतर तरीके से बनाए रखा। जबकि अन्य विधियों ने स्वस्थ मस्तिष्क की छवियों को पुनर्गठित करने की अपनी क्षमता खो दी (उनके प्रदर्शन स्कोर में भारी गिरावट आई), GBP के साथ Alcमों (Alcmaeon) ने अपने कौशल को बरकरार रखा, स्वस्थ मस्तिष्क को देखने की अपनी क्षमता को बनाए रखते हुए ट्यूमर को पहचानने की क्षमता भी सीखी।
दिलचस्प बात यह है कि पेपर में पाया गया कि AI मॉडल को बड़ा बनाने (अधिक पैरामीटर जोड़ने) से वह चीजों को याद रखने में स्वचालित रूप से बेहतर नहीं हो जाता। इसके बजाय, मॉडल को कैसे बनाया गया है, यह अधिक मायने रखता है। उदाहरण के लिए, मॉडल द्वारा छवियों को समझने के लिए उपयोग किए जाने वाले गणितीय "भाषा" के प्रकार (डिटरमिनिस्टिक बनाम वेरिएशनल) ने अलग-अलग प्रकार के स्कैन के लिए इसके कार्य करने के तरीके को बदल दिया। मानक स्ट्रक्चरल स्कैन के लिए, एक सीधा दृष्टिकोण सबसे अच्छा था, लेकिन कुछ जटिल माइक्रो-स्ट्रक्चर मैप्स के लिए, अधिक लचीले दृष्टिकोण की आवश्यकता थी।
टीम ने यह भी जांचा कि क्या यह "याद रखने वाला" AI वास्तव में डॉक्टरों की मदद कर सकता है। उन्होंने परीक्षण किया कि क्या Alcamoneon द्वारा एकत्र किए गए ज्ञान का उपयोग वास्तविक दुनिया के कार्यों के लिए किया जा सकता है, जैसे कि ब्रेन ट्यूमर वाले रोगी के जीवित रहने की अवधि की भविष्यवाणी करना, अल्जाइमर रोग का वर्गीकरण करना, या यहाँ तक कि नए एमआरआई चित्र उत्पन्न करना यह देखने के लिए कि बिना ट्यूमर के मस्तिष्क कैसा दिखेगा। उन्होंने पाया कि AI के मस्तिष्क के विभिन्न हिस्से अलग-अलग कामों के लिए अच्छे थे। मॉडल की "मध्यवर्ती परतें" (middle layers) बीमारियों का पता लगाने में माहिर थीं, जबकि पूरा सिस्टम नए चित्र बनाने के लिए अच्छा था। महत्वपूर्ण रूप से, ट्यूमर के बारे में सीखने के बाद भी, AI के वे हिस्से जो अल्जाइमर और अन्य बीमारियों के बारे में जानते थे, अभी भी मौजूद और उपयोगी थे, जिससे यह सिद्ध हुआ कि "छूना मना है" वाले स्टिकर ने काम किया।
संक्षेप में, यह पेपर सुझाव देता है कि हमें हर एक मस्तिष्क रोग के लिए एक नया AI बनाने की आवश्यकता नहीं है। इसके बजाय, हम एक विस्तार योग्य AI बना सकते हैं जो चरण-दर-चरण सीखता है, अपनी पिछली जानकारी की रक्षा करते हुए नई जानकारी को आत्मसात करता है। हालांकि शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह एक आशाजनक कदम है और अभी तक पूर्ण समाधान नहीं है (और इसे अस्पतालों में उपयोग करने से पहले वास्तविक रोगियों पर और अधिक परीक्षण की आवश्यकता है), लेकिन उन्होंने एक स्पष्ट मार्ग दिखाया है कि कैसे AI चिकित्सा विज्ञान के साथ बढ़ सकता है बिना अपना रास्ता भटके।
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।