🧬 biology

Flow-based conditional cardiac anatomy generation for virtual cohorts

यह शोध पत्र CAN-FLOW को प्रस्तुत करता है, जो एक दो-चरणीय कंडीशनल नॉर्मलाइजिंग फ्लो फ्रेमवर्क है जो मौजूदा कंडीशनल वेरिएशनल ऑटोएनकोडर से बेहतर प्रदर्शन करता है, जो क्लिनिकल रिसर्च के लिए विविध वर्चुअल कोहॉर्ट्स के निर्माण को सुगम बनाने हेतु UK Biobank डेटा से यथार्थवादी, मेटाडेटा-कंडीशन्ड बाइवेंट्रिकुलर कार्डिएक एनाटॉमी उत्पन्न करता है।

मूल लेखक: Konstantinos Kevopoulos, Beatrice Moscoloni, Benjamin Alheit, Cameron Beeche, Julio A. Chirinos, Alexander Heinlein, Mathias Peirlinck

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Konstantinos Kevopoulos, Beatrice Moscoloni, Benjamin Alheit, Cameron Beeche, Julio A. Chirinos, Alexander Heinlein, Mathias Peirlinck

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डॉक्टर हैं जो एक नया हृदय वाल्व (heart valve) डिजाइन करने की कोशिश कर रहे हैं। आप इसे केवल एक व्यक्ति पर टेस्ट नहीं कर सकते; आपको यह जानना होगा कि यह हजारों अलग-अलग लोगों पर कैसे काम करता है, चाहे वे लंबे एथलीट हों या छोटे बुजुर्ग, युवा वयस्क हों या वृद्ध। अतीत में, वैज्ञानिक एक मरीज के हृदय का "डिजिटल ट्विन" बनाने के लिए उनके वास्तविक एमआरआई (MRI) स्कैन को 3D कंप्यूटर मॉडल में बदलने की कोशिश करते थे। लेकिन यह एक शहर के हर व्यक्ति से एक किताब उधार लेकर लाइब्रेरी बनाने जैसा है: यह धीमा, महंगा और अक्सर गोपनीयता नियमों के कारण असंभव होता है क्योंकि वे आपके व्यक्तिगत स्कैन को साझा करने से रोकते हैं।

इस समस्या को हल करने के लिए, शोधकर्ता "वर्चुअल कोहॉर्ट्स" (virtual cohorts)—कंप्यूटर द्वारा उत्पन्न नकली लेकिन वास्तविक दिखने वाले हृदयों के समूहों को बनाने की कोशिश कर रहे हैं। इसे एक वीडियो गेम कैरेक्टर क्रिएटर की तरह समझें। आप चाहते हैं कि कंप्यूटर एक ऐसा हृदय बनाए जो एक विशिष्ट शरीर के प्रकार वाले 60 वर्षीय पुरुष का लगे, या एक अलग बनावट वाली 25 वर्षीय महिला का। चुनौती यह सुनिश्चित करने में है कि आपके द्वारा बनाए गए नकली हृदय केवल "औसत" आकार के गोले न हों। वास्तविक लोग बहुत भिन्न होते हैं; कुछ हृदय गोल होते हैं, कुछ लंबे, कुछ विशाल और कुछ बहुत छोटे। यदि आपका कंप्यूटर केवल "औसत" हृदय बनाता है, तो आपका नया वाल्व औसत व्यक्ति पर तो काम कर सकता है लेकिन उन लोगों पर विफल हो सकता है जो औसत से काफी अलग हैं। लक्ष्य एक ऐसा जनरेटर बनाना है जो इन अंतरों को समझ सके और विशिष्ट वास्तविक-दुनिया समूहों से मेल खाने वाले अद्वितीय हृदयों की एक पूरी भीड़ पैदा कर सके।

यहीं पर नया शोध पत्र, जिसका शीर्षक "Flow-based conditional cardiac anatomy generation for virtual cohorts" है, काम आता है। शोधकर्ताओं ने, कॉन्स्टेंटिनोस केवोपुलोस और मैथियास पीरलिंकक के नेतृत्व में, CAN-FLOW नामक एक नया टूल पेश किया। वे यह देखना चाहते थे कि क्या वे एक ऐसा कंप्यूटर सिस्टम बना सकते हैं जो न केवल एक सामान्य हृदय बनाता है, बल्कि हृदयों की एक ऐसी भीड़ बना सकता है जो इस बात पर बदल जाए कि आपने उनसे क्या पूछा है: "मुझे 25 BMI वाले 50 वर्षीय पुरुष का हृदय दें," या "मुझे 80 वर्षीय महिला का हृदय दें।"

ऐसा करने के लिए, उन्हें पुराने तरीके को हराना था। इससे पहले, अधिकांश वैज्ञानिक कंडीशनल वेरिएशनल ऑटोएनकोडर (cVAE) नामक विधि का उपयोग करते थे। आप cVAE को एक ऐसे छात्र की तरह समझ सकते हैं जो एक पाठ्यपुस्तक को याद करने की कोशिश कर रहा है। छात्र को सभी हृदयों की जानकारी को एक विशेष "नोटबुक" (एक साझा गणितीय नियम) में संकुचित करने के लिए मजबूर किया जाता है, जो सभी के लिए एक समान होनी चाहिए। समस्या यह है कि यह नोटबुक बहुत अधिक भर जाती है। सब कुछ समाहित करने के लिए, छात्र को अनोखे विवरणों को सुचारू (smooth) करना पड़ता है। परिणाम यह होता है कि उत्पन्न किए गए हृदय ठीक-ठाက် तो दिखते हैं, लेकिन वे सभी संदिग्ध रूप से एक जैसे लगते हैं, जैसे कि एक कक्षा के छात्र जिन्होंने एक ही उत्तर कुंजी की नकल की हो। वे जनसंख्या के किनारों पर पाए जाने वाले दुर्लभ लेकिन महत्वपूर्ण विविधताओं को छोड़ देते हैं।

लेखकों का तर्क है कि यह पुराना तरीका बहुत कठोर है। वे एक नई दो-चरणीय रणनीति, CAN-FLOW का प्रस्ताव देते हैं, जो एक मुख्य शेफ और एक सहायक शेफ (sous-chef) के मिलकर काम करने जैसा है।

पहला चरण (शेफ): सबसे पहले, वे कंप्यूटर को वास्तविक हृदय स्कैन को देखने और उन्हें "मोमेंटा" (momenta) नामक एक विशेष भाषा का उपयोग करके वर्णित करने के लिए प्रशिक्षित करते हैं। यह एक जटिल 3D हृदय के आकार को एक मानक टेम्पलेट हृदय को खींचने और सिकोड़ने के निर्देशों के सेट में अनुवाद करने जैसा है। महत्वपूर्ण रूप से, इस चरण में, कंप्यूटर इस बात की परवाह नहीं करता कि वह व्यक्ति कौन है (उनकी आयु, लिंग या वजन), और केवल आकार पर ध्यान केंद्रित करता है। यह हृदय की ज्यामिति (geometry) का एक साफ, सरल मानचित्र बनाता है।
दूसरा चरण (सहायक शेफ): इसके बाद, वे कंडीशनल नॉर्मलाइजिंग फ्लो (conditional normalizing flow) नामक एक अलग उपकरण का उपयोग करते हैं। यह उपकरण पहले चरण के मानचित्रों को देखता है और उन नियमों को सीखता है कि वे आकार व्यक्ति के विवरणों के आधार पर कैसे बदलते हैं। यह सीखता है, उदाहरण के लिए, कि जैसे-जैसे उम्र बढ़ती है, हृदय का आकार एक विशिष्ट तरीके से बदलता है, या पुरुषों के हृदय महिलाओं की तुलना में बड़े होते हैं।

टीम ने 2,208 स्वस्थ हृदयों पर इस प्रणाली को प्रशिक्षित किया जो UK बायोबैंक से लिए गए थे। फिर उन्होंने अपने नए CAN-FLOW सिस्टम की तुलना पुराने cVAE तरीकों से की। परिणाम बताते हैं कि CAN-FLOW मानव विविधता की पूरी सीमा को पकड़ने में बहुत बेहतर है।

जब उन्होंने पुराने cVAE तरीकों द्वारा उत्पन्न हृदयों को देखा, तो उन्होंने पाया कि हृदय बहुत अधिक एक समान थे। यह ऐसा था जैसे कंप्यूटर केवल "सबसे आम" हृदय बना रहा हो और आउटलेयर्स (outliers) को अनदेखा कर रहा हो। इसके विपरीत, CAN-FLOW ने बहुत व्यापक रेंज के आकार और स्वरूप वाले हृदय उत्पन्न किए। पेपर दिखाता है कि CAN-FLOW सफलतापूर्वक वितरण के "पूंछ" (tails) को पुन: प्राप्त करने में सफल रहा—वे दुर्लभ लेकिन वास्तविक हृदय आकार जिन्हें पुराना तरीका मिस कर गया था। उदाहरण के लिए, जब उन्होंने विशिष्ट आयु और शरीर के आकार के आधार पर हृदय मांगे, तो CAN-FLOW ने ऐसे समूह बनाए जहाँ हृदय स्वाभाविक रूप से भिन्न थे, ठीक वैसे ही जैसे वास्तविक दुनिया में होता है, जबकि पुराना तरीका ऐसे समूह बनाता था जहाँ हर कोई लगभग एक जैसा दिखता था।

शोधकर्ताओं ने इसे कई परीक्षणों का उपयोग करके मापा। उन्होंने जांचा कि क्या नकली हृदयों का आयतन (volume) और द्रव्यमान (mass) सही था, और उन्होंने पाया कि CAN-FLOW वास्तविक डेटा से बहुत अधिक निकटता से मेल खाता है। उन्होंने हृदय की सतह के सूक्ष्म विवरणों को भी बिंदु दर बिंदु देखा। पुराना तरीका ऐसे हृदय बनाने की प्रवृत्ति रखता था जो बहुत अधिक चिकने और एक-दूसरे के समान थे, जबकि CAN-FLOW ने उन अनूठे उभारों और वक्रों को संरक्षित किया जो प्रत्येक हृदय को विशिष्ट बनाते हैं।

महत्वपूर्ण रूप से, पेपर सुझाव देता है कि यह दृष्टिकोण "इन सिलिको" (in silico - कंप्यूटर-आधारित) नैदानिक परीक्षणों के लिए गेम-चेंजर हो सकता है। केवल एक या दो डिजिटल हृदयों पर नया ड्रग या डिवाइस टेस्ट करने के बजाय, डॉक्टर एक विशिष्ट जनसांख्यिकीय (demographic) से मेल खाने वाले 600 अलग-अलग हृदयों की वर्चुअल भीड़ पर इसका परीक्षण कर सकते हैं। इससे उन्हें यह देखने में मदद मिलेगी कि क्या कोई उपचार औसत व्यक्ति के लिए और उन लोगों के लिए भी काम करता है जिनके हृदय का आकार असामान्य है, जिससे चिकित्सा परीक्षण अधिक सुरक्षित और समावेशी हो जाएगा।

हालाँकि, लेखक अपने काम की सीमाओं के बारे में सावधान रहने की सलाह देते हैं। उन्होंने केवल ब्रिटेन के लोगों के एक विशिष्ट समूह से स्वस्थ हृदयों पर इसका परीक्षण किया है। उन्होंने अभी तक यह साबित नहीं किया है कि यह बीमारियों वाले हृदयों या विभिन्न पृष्ठभूमियों के लोगों पर काम करता है। उन्होंने केवल हृदय के स्थिर स्नैपशॉट (कि वह रक्त से भरा होने पर कैसा दिखता है) उत्पन्न किए हैं, न कि धड़कते हुए हृदय का चलता-फिरता वीडियो। लेकिन एक प्रमाण के रूप में, पेपर सुझाव देता है कि "आकार सीखने" (shape learning) को "व्यक्तित्व सीखने" (personality learning) से अलग करके, हम बहुत अधिक वास्तविक और उपयोगी वर्चुअल क्राउड बना सकते हैं जो पहले की तुलना में कहीं बेहतर है। यह डिजिटल मनुष्यों की एक विविध आबादी पर चिकित्सा उपचारों को सिम्युलेट करने के बिना भविष्य की ओर एक कदम है।

तकनीकी सारांश: वर्चुअल कोहॉर्ट्स के लिए फ्लो-आधारित कंडीशनल कार्डिएक एनाटॉमी जनरेशन

समस्या विवरण
कार्डिएक डिजिटल ट्विन अनुसंधान विषय-विशिष्ट शारीरिक प्रतिकृतियों (subject-specific anatomical replicas) से बदलकर नैदानिक रूप से प्रासंगिक जनसंख्या उपसमूहों का प्रतिनिधित्व करने वाले वर्चुअल कोहॉर्ट्स की ओर बढ़ रहा है। हालाँकि, ऐसे कोहॉर्ट्स का निर्माण मेटाडेटा-व्युत्पन्न एनाटॉमी डेटासेट तक सीमित पहुंच के कारण बाधित है, जो कोहॉर्ट आकार की सीमाओं, उपसमूह विरलता (subgroup sparsity) और डेटा-साझाकरण प्रतिबंधों (गोपनीयता, सहमति, स्वामित्व) से प्रभावित है। जबकि सिंथेटिक डेटा जनरेशन एक समाधान प्रदान करता है, मौजूदा कंडीशनल जेनेरेटिव मॉडल, मुख्य रूप से कंडीशनल वेरिएशनल ऑटोएनकोडर्स (cVAEs), एक महत्वपूर्ण सीमा का सामना करते हैं: वे एक साझा, नियमित (regularized) लेटेंट प्रायर (आमतौर पर एक मानक गॉसियन) के माध्यम से मेटाडेटा कंडीशनिंग के साथ रिप्रेजेंटेशन लर्निंग को जोड़ देते हैं। यह साझा रेगुलाइजेशन विभिन्न मेटाडेटा समूहों (जैसे लिंग, आयु, बॉडी मास इंडेक्स) के बीच लेटेंट डिस्ट्रीब्यूशन की परिवर्तनशीलता को सीमित करता है, जिससे अक्सर उपसमूह-विशिष्ट एनाटॉमिकल परिवर्तनशीलता का कम प्रतिनिधित्व होता है, विशेष रूप से वितरण के पूंछ (tails) वाले हिस्सों में। वर्चुअल कोहॉर्ट निर्माण और इन सिलिको क्लिनिकल ट्रायल्स के लिए, इन दुर्लभ लेकिन शारीरिक रूप से प्रशंसनीय एनाटॉमी को संरक्षित करना आवश्यक है।

कार्यप्रणाली: CAN-FLOW
लेखक CAN-FLOW (कंडीशनल एनाटॉमी जनरेशन विद नॉर्मलाइजिंग फ्लोज़) पेश करते हैं, जो ज्योमेट्री-ओनली रिप्रेजेंटेशन लर्निंग को मेटाडेटा-डिपेंडेंट डिस्ट्रीबशन मॉडलिंग से अलग करने के लिए डिज़ाइन किया गया एक दो-चरणीय फ्रेमवर्क है। यह फ्रेमवर्क कार्डियक मैग्नेटिक रेजोनेंस (CMR) छवियों से प्राप्त एंड-डायस्टोलिक बाइवेंट्रिकुलर सरफेस मेशेस पर कार्य करता है, जिन्हें लार्ज-डेफॉर्मेशन डिफियोमॉर्फिक मेट्रिक मैपिंग (LDDMM) के माध्यम से डिफियोमॉर्फिक मोमेंटा के रूप में दर्शाया जाता है।

चरण 1: ज्योमेट्री-ओनली रिप्रेजेंटेशन लर्निंग:
- एक ऑटोएनकोडर को उच्च-आयामी डिफियोमॉर्फिक मोमेंटा ( $\mu_0$ ) को निम्न-आयामी लेटेंट स्पेस ( $z$ ) में संकुचित करने के लिए प्रशिक्षित किया जाता है।
- महत्वपूर्ण रूप से, यह ऑटोएनकोडर मेटाडेटा-अज्ञेय (metadata-agnostic) है। यह एक विशिष्ट प्रायर डिस्ट्रीब्यूशन या विषय विशेषताओं (लिंग, आयु, BMI) पर कंडीशनिंग लागू किए बिना एक कॉम्पैक्ट, ज्योमेट्री-ओनली रिप्रेजेंटेशन सीखता है। यह पूर्ण एनाटॉमिकल जानकारी को एक साझा गॉसियन प्रायर में मजबूर किए बिना पूरी जानकारी को सुरक्षित रखता है।
चरण 2: कंडीशनल डिस्ट्रीबशन मॉडलिंग:
- एक कंडीशनल नॉर्मलाइजिंग फ्लो ( $f_\phi$ ) को मेटाडेटा ( $c$ = [sex, age, BMI]) के आधार पर लेटेंट रिप्रेजेंटेशन ( $z$ ) के डिस्ट्रीब्यूशन को मॉडल करने के लिए प्रशिक्षित किया जाता है।
- फ्लो, लेटेंट स्पेस और एक बेस वेरिएबल $x$ के बीच एक बायजेक्टिव मैपिंग सीखता है, जहाँ बेस डिस्ट्रीब्यूशन एक मेटाडेटा-डिपेंडेंट गॉसियन $N(\mu_\phi(c), \Sigma_\phi(c))$ है।
- जनरेशन के दौरान, फ्लो विशिष्ट मेटाडेटा के आधार पर सीखे गए कंडीशनल प्रायर से सैंपल लेता है और उन सैंपल्स को वापस सिंथेटिक लेटेंट रिप्रेजेंटेशन में मैप करता है, जिन्हें फिर सिंथेटिक मोमेंटा में डिकोड किया जाता है और अंततः जियोडेसिक शूटिंग (इनवर्स LDDMM) के माध्यम से 3D बाइवेंट्रिकुलर सरफेस मेशेस में परिवर्तित किया जाता है।

तुलनात्मक बेसलाइन्स
यह अध्ययन UK बायोबैंक डेटासेट पर प्रशिक्षित cVAE बेसलाइन्स के विरुद्ध CAN-FLOW की तुलना करता है। cVAEs मानक फॉर्मूलेशन का पालन करते हैं जहाँ मेटाडेटा को एनकोडर और डिकोडर दोनों को प्रदान किया जाता है, और लेटेंट स्पेस को एक साझा गॉसियन प्रायर की ओर नियमित किया जाता है। निष्पक्ष तुलना सुनिश्चित करने के लिए, लेखकों ने विभिन्न रेंज के रेगुलाइजेशन स्ट्रेंथ ( $\beta$ मान $10^{-6}$ से $10^{-1}$ तक) के तहत cVAEs को प्रशिक्षित किया, और दो सबसे मजबूत प्रदर्शन करने वाले वेरिएंट ( $\beta = 10^{-2}$ और $\beta = 10^{-3}$ ) की रिपोर्ट की।

मुख्य परिणाम
मॉडल्स का मूल्यांकन 2,208 UK बायोबैंक विषयों के एक स्वस्थ उपसमूह पर किया गया। CAN-FLOW ने वर्चुअल कोहॉर्ट जनरेशन के पांच महत्वपूर्ण मानदंडों में श्रेष्ठ प्रदर्शन किया:

एनाटॉमिकल प्लाउसिबिलिटी (Anatomical Plausibility): CAN-FLOW ने दृश्य रूप से प्रशंसनीय बाइवेंट्रिकुलर एनाटॉमी उत्पन्न की, जिसने प्रमुख संरचनात्मक विशेषताओं (जैसे बेसल LV आकार, चैंबर आयाम) को पुनरुत्पादित किया और यथार्थवादी विषय-से-विषय भिन्नता प्रदर्शित की।
सबग्रुप वेरिएबिलिटी (Subgroup Variability): एक लक्षित उपसमूह (पुरुष >58 वर्ष) में, CAN-FLOW ने स्थानिक भिन्नता के पैटर्न (जैसे आउटफ्लो क्षेत्र और वेंट्रिकुलर एपेक्स में) को सफलतापूर्वक पुनरुत्पादित किया, जो वास्तविक कोहॉर्ट से बारीकी से मेल खाते हैं। इसके विपरीत, cVAE बेसलाइन्स ने अत्यधिक होमोजेनियस कोहॉर्ट्स का उत्पादन किया जिनमें समान रूप से कम स्थानिक परिवर्तनशीलता देखी गई।
फेनोटाइप डिस्ट्रीब्यूशन फिडेलिटी (Phenotype Distribution Fidelity): CAN-FLOW ने वास्तविक डिस्ट्रीबशंस की तुलना में क्लिनिकल फेनोटाइप्स (LVEDV, RVEDV, मायोकार्डियल मास, आदि) के लिए सबसे कम कुलबैक-लीब्लर (KL) डायवर्जेंस और प्रतिस्पर्धी वासरस्टीन (Wasserstein) दूरियां हासिल कीं। इसने वास्तविक डिस्ट्रीब्यूशन के टेल्स और कम बार होने वाले लेकिन शारीरिक रूप से प्रशंसनीय संयोजनों सहित जॉइंट फेनोटाइप डिस्ट्रीबशंस को बेहतर ढंग से पुनरुत्पादित किया, जबकि cVAEs एनाटॉमिकल मीन के आसपास ही केंद्रित रहे।
मेटाडेटा-डिपेंडेंट ट्रेंड्स (Metadata-Dependent Trends): लिंग, आयु और BMI द्वारा स्तरीकृत (stratified) करने पर, CAN-FLOW ने क्लिनिकल फेनोटाइप्स के ट्रेंड्स और डिस्ट्रीबशंस को बेहतर ढंग से संरक्षित किया, विशेष रूप से cVAEs की तुलना में लिंग-कंडीशनड डिस्ट्रीबशंस के मोड और टेल्स को अधिक सटीक रूप से कैप्चर किया।
हाई-डायमेंशनल शेप वेरिएबिलिटी (High-Dimensional Shape Variability): शेप मोमेंटा पर प्रिंसिपल कंपोनेंट एनालिसिस (PCA) का उपयोग करते हुए, CAN-هَا (CAN-FLOW) ने अग्रणी PCA गुणांकों केAcross 1 के करीब अंतर-कोहॉर्ट वासरस्टीन दूरी अनुपात दिखाया (जो बेहतर वास्तविक अंतर-कोहॉर्ट परिवर्तनशीलता को दर्शाता है)। इसने पॉइंट-क्लाउड ज्योमेट्री मेट्रिक्स में लगभग 10% अधिक कवरेज भी प्राप्त किया, जो वास्तविक एनाटॉमिकल डिस्ट्रीब्यूशन के व्यापक विस्तार को दर्शाता है, जबकि cVAEs ने डिस्ट्रीबशनल ब्रैडथ की कीमत पर निकटतम-पड़ोसी समानता (कम मिनिमम मैचिंग डिस्टेंस) को प्राथमिकता दी।

महत्व और दावे
यह पेपर दावा करता है कि CAN-FLOW यथार्थवादी, स्टोकेस्टिक रूप से परिवर्तनशील, मेटाडेटा-कंडीशनड बाइवेंट्रिकुलर एनाटॉमी उत्पन्न करने के लिए एक साझा करने योग्य फ्रेमवर्क स्थापित करता है। इसका प्राथमिक योगदान रिप्रेजेंटेशन लर्निंग को कंडीशनल डिस्ट्रीब्यूशन मॉडलिंग से अलग करना है, जो इसे cVAEs में एक साझा, कंडीशनिंग-स्वतंत्र प्रायर द्वारा लगाए गए प्रतिबंधों के बिना पूर्ण एनाटॉमिकल परिवर्तनशीलता (जिसमें उपसमूह-विशिष्ट विषमता और डिस्ट्रीबशनल टेल्स शामिल हैं) को संरक्षित करने की अनुमति देता है।

लेखक इस फ्रेमवर्क को कार्डिएक डिजिटल ट्विन अनुसंधान में डेटा-उपलब्धता बाधा के समाधान के रूप में देखते हैं, जो व्यक्तिगत इमेज-डेरिव्ड मेश को साझा करने की आवश्यकता के बिना इन सिलिको क्लिनिकल ट्रायल्स और जनसंख्या-विशिष्ट मॉडल विकास के लिए वर्चुअल कोहॉर्ट्स के निर्माण को सक्षम बनाता है। वे उल्लेख करते हैं कि हालांकि वर्तमान कार्यान्वयन स्वस्थ आबादी में स्थिर एंड-डायस्टोलिक एनाटॉमी पर केंद्रित है, यह दृष्टिकोण अधिक सुलभ और गोपनीयता-अनुकूल वर्चुअल एनाटॉमी कोहॉर्ट्स की ओर एक मार्ग प्रदान करता है। अध्ययन विनम्रतापूर्वक नोट करता है कि नैदानिक अनुप्रयोगों (जैसे असामान्य रीमॉडलिंग का पता लगाना) के लिए स्वतंत्र रोगग्रस्त कोहॉर्ट्स में और अधिक सत्यापन की आवश्यकता होगी।

इसी तरह के और पेपर