Synthesizing Post-Acetazolamide Cerebral Blood Flow Maps from Baseline MRI in Moyamoya Using 3D Generative AI

मस्तिष्क एक विशाल सड़कों का नेटवर्क है, जो लगातार ईंधन पहुँचाता रहता है ताकि इसके अरबों सेल काम करते रहें। मोयामोया (Moyamoya) नामक एक स्थिति में, मस्तिष्क की ओर जाने वाले मुख्य राजमार्ग धीरे-धीरे संकरे हो जाते हैं और अंततः बंद हो जाते हैं। जीवित रहने के लिए, मस्तिष्क छोटे, नाजुक वैकल्पिक रास्तों (detours) का निर्माण करने की कोशिश करता है, लेकिन ये अक्सर अचानक होने वाले तनाव को संभालने के लिए पर्याप्त नहीं होते हैं। डॉक्टरों को यह जानने की आवश्यकता होती है कि जब मस्तिष्क को चुनौती दी जाती है, तो वह अपने रक्त प्रवाह को कितनी अच्छी तरह से विस्तारित कर सकता है, जिसे सेरेब्रोवास्कुलर रिजर्व (cerebrovascular reserve) कहा जाता है। यदि यह रिजर्व कमजोर है, तो स्ट्रोक का जोखिम अधिक होता है, और डॉक्टर स्कैल्प से सीधे मस्तिष्क में रक्त को फिर से निर्देशित करने के लिए एक जटिल सर्जरी की सिफारिश कर सकते हैं। इस रिजर्व की जांच करने के लिए, मरीज आमतौर पर एक विशेष मैग्नेटिक रेजोनेंस इमेजिंग स्कैन करवाते हैं, जो एक ऐसी दवा लेने के पहले और बाद में किया जाता है जो रक्त वाहिकाओं को चौड़ा करने के लिए मजबूर करती है। हालांकि, यह दवा हर किसी को नहीं दी जा सकती। किडनी की कुछ समस्याओं, गंभीर एलर्जी या गर्भवती महिलाओं को यह दवा नहीं दी जा सकती। इन मरीजों के लिए, मानक परीक्षण पूरा करना असंभव हो जाता है, जिससे डॉक्टरों के पास जीवन रक्षक सर्जरी की योजना बनाने के लिए आवश्यक महत्वपूर्ण जानकारी की कमी रह जाती है।

स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस अंतर को भरने के तरीके की खोज की है। दवा के माध्यम से मस्तिष्क के रक्त प्रवाह में होने वाले बदलाव को प्रकट करने पर निर्भर रहने के बजाय, उन्होंने एक कंप्यूटर मॉडल को प्रशिक्षित किया कि वह केवल उस स्कैन का उपयोग करके उस बदलाव की भविष्यवाणी करे जो दवा दिए जाने से पहले लिया गया था। शोधकर्ताओं ने आर्टेरियल स्पिन लेबलिंग (arterial spin labeling) नामक एक विशिष्ट प्रकार के मस्तिष्क स्कैन पर ध्यान केंद्रित किया, जो रंगों (dyes) का उपयोग किए बिना रक्त प्रवाह का मानचित्र बनाने के लिए एक ट्रेसर की तरह कार्य करता है। उन्होंने मोयामोया रोग के 251 रोगियों के डेटा को एकत्र किया जिन्होंने सफलतापूर्वक पूर्ण दो-स्कैन प्रोटोकॉल पूरा किया था, जिसका अर्थ है कि कंप्यूटर के पास सीखने के लिए दोनों "पहले" और "बाद" की छवियां थीं। लक्ष्य मशीन को एक "पहले" की छवि देखना और एक वास्तविक "बाद" की छवि उत्पन्न करना सिखाना था, जो प्रभावी रूप से दवा के प्रभाव का अनुकरण (simulate) करती है।

टीम ने एक तीन-आयामी (three-dimensional) कंप्यूटर मॉडल बनाया, जिसे उन्होंने CAE3D नाम दिया, जिसे मस्तिष्क के स्लाइस-दर-स्लाइस देखने के बजाय पूरे मस्तिष्क के आयतन (volume) को एक साथ संसाधित करने के लिए डिज़ाइन किया गया था। उन्होंने इस नए मॉडल का परीक्षण दस अन्य विभिन्न दृष्टिकोणों के विरुद्ध किया, जिनमें कुछ ऐसे भी शामिल थे जो उन्नत इमेज जनरेटरों में पाए जाने वाले यादृच्छिक शोर (noise) पैटर्न की नकल करने की कोशिश करते हैं और अन्य जो मौजूदा चिकित्सा इमेजिंग उपकरणों का उपयोग करते हैं। परिणामों ने दिखाया कि नया तीन-आयामी मॉडल सबसे सटीक था। जब शोधकर्ताओं ने कंप्यूटर की भविष्यवाणियों की तुलना रोगियों से लिए गए वास्तविक "बाद" के स्कैन से की, तो नए मॉडल ने पिक्सेल-दर-पिक्सेल चमक में सबसे कम त्रुटियां कीं, जिसमें शून्य से एक के पैमाने पर औसत अंतर केवल 0.066 था। इसने अन्य सभी परीक्षण विधियों की तुलना में मस्तिष्क की रक्त वाहिकाओं के संरचनात्मक विवरणों को बेहतर ढंग से संरक्षित किया। मॉडल पूरे मस्तिष्क में रक्त प्रवाह के परिवर्तनों के सामान्य पैटर्न की उच्च स्तर की निरंतरता के साथ भविष्यवाणी करने में सक्षम था, जो अत्यधिक कम या अधिक दिखाने की कोई व्यवस्थित प्रवृत्ति नहीं दिखाता था।

हालांकि, शोधकर्ताओं ने इस तकनीक की सीमाओं के बारे में सावधानीपूर्वक उल्लेख किया है। जबकि मॉडल रक्त प्रवाह के समग्र पैटर्न की भविष्यवाणी करने में उत्कृष्ट था, यह उन क्षेत्रों में अत्यधिक परिवर्तनों को सुचारू (smooth out) करने की प्रवृत्ति रखता था जहाँ रक्त वाहिकाएं दवा के प्रति मजबूती से प्रतिक्रिया करती हैं। इसका मतलब है कि हालांकि कंप्यूटर एक बहुत अच्छा सामान्य चित्र दे सकता है कि दवा के बाद मस्तिष्क कैसा दिखेगा, लेकिन यह हर एक स्थान में सबसे नाटकीय प्रतिक्रियाओं की पूरी तीव्रता को नहीं पकड़ सकता है। इसके अलावा, यह एक 'रिट्रोस्पेक्टिव' (retrospective) परीक्षण था, जिसका अर्थ है कि कंप्यूटर को उन रोगियों पर प्रशिक्षित और परीक्षण किया गया था जिन्होंने पहले ही दवा ली थी। मॉडल को अभी तक उन रोगियों पर काम करने के लिए सिद्ध नहीं किया गया है जिन्हें स्वास्थ्य जोखिमों के कारण कभी दवा नहीं दी गई थी। शोधकर्ता इस बात पर जोर देते हैं कि यह एक 'प्रूफ ऑफ कॉन्सेप्ट' (proof of concept) है, जो यह प्रदर्शित करता है कि ऐसी भविष्यवाणी संभव है, लेकिन यह नैदानिक सेटिंग में वास्तविक चिकित्सा स्कैन का विकल्प नहीं है।

अध्ययन ने यह भी खुलासा किया कि सरल, अधिक प्रत्यक्ष कंप्यूटर मॉडल उन जटिल, शोर-आधारित जनरेटरों की तुलना में बेहतर काम करते हैं जो अक्सर अन्य प्रकार के इमेज निर्माण में उपयोग किए जाते हैं। टीम ने पाया कि सीधा तीन-आयामी मॉडल, जिसने "पहले" और "बाद" की स्थितियों के बीच सीधा संबंध सीखा था, उन अधिक जटिल प्रणालियों से बेहतर प्रदर्शन करता है जो क्रमिक परिशोधन (gradual refinement) की प्रक्रिया के माध्यम से छवियां उत्पन्न करने का प्रयास करती हैं। यह सुझाव देता है कि इस विशिष्ट चिकित्सा कार्य के लिए, एक प्रत्यक्ष दृष्टिकोण एक जेनेरेटिव (generative) दृष्टिकोण की तुलना में अधिक विश्वसनीय है। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या अन्य चिकित्सा इमेजिंग परियोजनाओं से पूर्व-प्रशिक्षित (pre-trained) उपकरणों का उपयोग करने से मदद मिलेगी, लेकिन पाया कि इस कार्य के लिए विशेष रूप से शुरू से एक मॉडल को प्रशिक्षित करने से बेहतर परिणाम मिले।

अंततः, यह कार्य उन रोगियों के लिए एक संभावित मार्ग प्रदान करता है जो मानक ड्रग चैलेंज से गुजर नहीं सकते हैं। "पहले" के स्कैन से गायब "बाद" के स्कैन को संश्लेषित करके, यह तकनीक एक दिन डॉक्टरों को वह हेमोडायनामिक (hemodynamic) जानकारी प्रदान कर सकती है जिसकी उन्हें उच्च जोखिम वाले रोगियों के लिए सर्जिकल निर्णय लेने के लिए आवश्यकता होती है। यह अध्ययन स्थापित करता है कि केवल बेसलाइन इमेजिंग का उपयोग करके इन महत्वपूर्ण रक्त प्रवाह मानचित्रों का पुनर्निर्माण करना संभव है, बशर्ते कि मॉडल का कड़ाई से परीक्षण और सत्यापन किया जाए। हालांकि वर्तमान परिणाम उत्साहजनक हैं, लेखक कहते हैं कि इस पद्धति को वास्तव में उन रोगियों तक विस्तारित करना जिन्हें इसकी आवश्यकता है—जो दवा नहीं ले सकते—वास्तविक उपचार के मार्गदर्शन के लिए उपयोग करने से पहले नए अध्ययन और सावधानीपूर्वक सत्यापन की आवश्यकता होगी।