BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining

मानव मस्तिष्क एक स्थिर वस्तु नहीं है; यह एक जीवित परिदृश्य है जो हमारे बड़े होने के साथ अपना आकार और विस्तार बदलता रहता है। जिस तरह एक बच्चे की ऊंचाई मापने का चार्ट डॉक्टरों को सामान्य विकास और संभावित स्वास्थ्य समस्या के बीच अंतर करने में मदद करता है, वैज्ञानिकों ने लंबे समय से मस्तिष्क के लिए इसी तरह के मानचित्र की खोज की है। यह मानचित्र, जिसे 'नॉर्मेटिव मॉडल' (normative model) कहा जाता है, यह परिभाषित करता है कि जीवन के हर चरण में एक स्वस्थ मस्तिष्क कैसा दिखता है। सामान्य उम्र बढ़ने की सीमाओं को समझकर, शोधकर्ता अल्जाइमर या पार्किंसंस जैसी बीमारियों के सूक्ष्म, शुरुआती संकेतों को लक्षणों के प्रकट होने से पहले ही पहचान सकते हैं। दशकों तक, इस मानचित्र को बनाना कठिन रहा है क्योंकि मस्तिष्क अविश्वसनीय रूप से जटिल है, और पारंपरिक तरीके अक्सर उम्र बढ़ने के प्राकृतिक परिवर्तनों को बीमारी के कारण होने वाले विशिष्ट नुकसान से अलग करने में संघर्ष करते रहे हैं।

भारतीय प्रौद्योगिकी संस्थान हैदराबाद के शोधकर्ताओं की एक टीम ने 'ब्रेननॉर्म' (BrainNorm) नामक एक नया दृष्टिकोण पेश किया है, जो एक शक्तिशाली उपकरण है जिसे सीधे डेटा से स्वस्थ मस्तिष्क के मानचित्र को सीखने के लिए डिज़ाइन किया गया है। किसी व्यक्ति की आयु जैसे एकल संख्या की भविष्यवाणी करने के बजाय, यह प्रणाली हजारों स्वस्थ व्यक्तियों में सैकड़ों अलग-अलग मस्तिष्क क्षेत्रों की विशिष्ट संरचना को पहचानना सीखती है। लगभग 66,000 स्वस्थ लोगों के मस्तिष्क स्कैन पर प्रशिक्षण प्राप्त करके, इस मॉडल ने एक विस्तृत संदर्भ पुस्तकालय (reference library) बनाया है जो जानता है कि किसी भी दिए गए आयु में एक स्वस्थ मस्तिष्क कैसा दिखना चाहिए। जब किसी नए मस्तिष्क स्कैन का विश्लेषण किया जाता है, तो प्रणाली इसकी तुलना इस पुस्तकालय से करती है ताकि यह देखा जा सके कि क्या विशिष्ट क्षेत्र सिकुड़ रहे हैं या स्वस्थ पथ से विचलित होकर बदल रहे हैं।

इस कार्य का मूल आधार एक ऐसी विधि है जो मस्तिष्क को पिक्सेल के एक एकल ब्लॉक के रूप में नहीं, बल्कि विशिष्ट मोहल्लों (neighborhoods) के एक संग्रह के रूप में देखती है, जिनमें से प्रत्येक का अपना उम्र बढ़ने का पैटर्न होता है। शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जिसने मस्तिष्क के चित्रों को विवरणों के एक संरचित सेट के साथ संरेखित किया, जिससे कंप्यूटर यह समझ सका कि 70 वर्षीय व्यक्ति का बायां हिप्पोकैम्पस (hippocampus) एक निश्चित तरीके से दिखना चाहिए, जबकि उसी क्षेत्र को 30 वर्षीय व्यक्ति के लिए अलग दिखना चाहिए। यह एक "सिमेंटिक एटलस" (semantic atlas) बनाता है, एक मानसिक मानचित्र जहाँ मस्तिष्क के हर हिस्से का एक ज्ञात, स्वस्थ प्रक्षेपवक्र (trajectory) होता है। इस प्रणाली का परीक्षण अल्जाइमर रोग, हल्के संज्ञानात्मक हानि (mild cognitive impairment), फ्रंटोटेम्पोरल डिमेंशिया और पार्किंसंस रोग वाले लोगों के विविध डेटासेट पर किया गया। हर परीक्षण में, मॉडल ने बिना किसी विशेष बीमारी के लिए पुन: प्रशिक्षित हुए इन स्थितियों की पहचान करने की क्षमता सिद्ध की, जिसे 'जीरो-शॉट लर्निंग' (zero-shot learning) कहा जाता है।

जो इस खोज को विशेष रूप से महत्वपूर्ण बनाता है वह यह है कि यह मॉडल उस शोर (noise) और भिन्नता को कैसे संभालता है जो आमतौर पर मेडिकल इमेजिंग को भ्रमित कर देती है। पिछले तरीकों ने अक्सर त्रुटियों को खोजने के लिए पूरे मस्तिष्क चित्र के पुनर्निर्माण का प्रयास किया, जो एक गणनात्मक रूप से भारी प्रक्रिया है और स्कैन लेने के तरीकों में अंतर से आसानी से प्रभावित हो जाती है। ब्रेननॉर्म इससे बचता है क्योंकि यह कच्चे इमेज डेटा के बजाय मस्तिष्क के क्षेत्रों के अर्थ (meaning) पर ध्यान केंद्रित करता है। शोधकर्ताओं ने पाया कि केवल यह देखकर कि कोई विशिष्ट मस्तिष्क क्षेत्र उस व्यक्ति की आयु के लिए स्वस्थ अपेक्षा से कितना विचलित हुआ है, वे बीमारी की सटीक पहचान कर सकते थे। यह दृष्टिकोण इतना प्रभावी था कि मॉडल के आउटपुट का एक सरल रैखिक विश्लेषण (linear analysis) उन अधिक जटिल, पूर्णतः प्रशिक्षित सिस्टम से बेहतर रहा जिन्हें इन बीमारियों को पहचानने के लिए शून्य से सिखाया गया था।

अध्ययन ने यह भी प्रदर्शित किया कि मॉडल सटीक रूप से पहचान सकता है कि क्षति कहाँ हो रही है। अल्जाइमर के लिए, इसने हिप्पोकैम्पस और आसपास के स्मृति केंद्रों को सही ढंग से रेखांकित किया; पार्किंसंस के लिए, इसने मोटर नियंत्रण क्षेत्रों की पहचान की; और फ्रंटोटेम्पोरल डिमेंशिया के लिए, इसने फ्रंटल और टेम्पोरल लोब्स पर ध्यान केंद्रित किया। ये पैटर्न स्थापित चिकित्सा ज्ञान से मेल खाते हैं, जो यह सुझाव देते हैं कि मॉडल केवल अनुमान नहीं लगा रहा है, बल्कि इन बीमारियों के वास्तविक जैविक हस्ताक्षरों (biological signatures) को पकड़ रहा है। इसके अलावा, प्रणाली किसी व्यक्ति की "ब्रेन एज" (मस्तिष्क की आयु) का उच्च सटीकता के साथ अनुमान लगा सकती है, जिससे यह पहचान की जा सके कि क्या कोई मस्तिष्क व्यक्ति के वास्तविक वर्षों की तुलना में अधिक पुराना दिखाई देता है, जो न्यूरोडिजेनेरेशन (तंत्रिका क्षय) का एक सामान्य संकेतक है।

इस शोध का एक सबसे मजबूत पहलू इसकी विभिन्न अस्पतालों और स्कैनर प्रकारों के बीच काम करने की क्षमता है। मॉडल को यूके बायोबैंक (UK Biobank) के डेटा पर प्रशिक्षित किया गया था लेकिन यह संयुक्त राज्य अमेरिका, ऑस्ट्रेलिया और अन्य अंतरराष्ट्रीय स्रोतों के डेटासेट पर सफलतापूर्वक लागू हुआ, बावजूद इसके कि चित्रों को लेने के लिए उपयोग की जाने वाली मशीनें अलग थीं। यह सुझाव देता है कि मॉडल ने स्वास्थ्य की एक मौलिक समझ विकसित की है जो उन विशिष्ट उपकरणों से परे है जिनका उपयोग चित्र कैप्चर करने के लिए किया जाता है। शोधकर्ताओं ने यह भी दिखाया कि बहुत सीमित डेटा के साथ भी, जैसे कि किसी बीमारी के केवल कुछ लेबल किए गए उदाहरण, मॉडल अभी भी अच्छा प्रदर्शन कर सकता है, जो इसे उन दुर्लभ स्थितियों के अध्ययन के लिए एक आशाजनक उपकरण बनाता है जहाँ बड़े डेटासेट मौजूद नहीं होते हैं।

यह कार्य यह दावा नहीं करता है कि इसने मस्तिष्क रोगों के निदान की समस्या को हल कर दिया है, बल्कि यह उन्हें मापने का एक नया और अत्यधिक प्रभावी तरीका प्रदान करता है। एक स्वस्थ मस्तिष्क के रूप में डेटा-संचालित परिभाषा स्थापित करके, ब्रेननॉर्म एक आधार रेखा (baseline) प्रदान करता है जिसके विरुद्ध किसी भी व्यक्ति को मापा जा सकता है। यह डॉक्टरों और शोधकर्ताओं को एक अधिक सटीक प्रश्न पूछने की अनुमति देता है: न केवल "क्या इस व्यक्ति को कोई बीमारी है?" बल्कि "इस व्यक्ति का मस्तिष्क उनकी आयु के लिए अपेक्षित रूप से कैसे भिन्न है?" परिणाम बताते हैं कि एक सीखे गए सामान्य मानक के साथ व्यक्ति की तुलना करने की यह विधि गिरावट के शुरुआती संकेतों का पता लगाने का एक शक्तिशाली तरीका है, जो संभावित रूप से शीघ्र हस्तक्षेप और न्यूरोडीजेनेरेटिव स्थितियों के बेहतर प्रबंधन के द्वार खोल सकती है।