A foundation for systematic analysis of transformers and RNNs for tractography

मानव मस्तिष्क को समझने के लिए, वैज्ञानिकों को अक्सर इसकी आंतरिक वायरिंग का मानचित्र बनाने की आवश्यकता होती है। इस वायरिंग में तंत्रिका तंतुओं (नर्व फाइबर्स) के लंबे, पतले बंडल होते हैं जो विभिन्न क्षेत्रों को जोड़ते हैं, जिससे विचार, संवेदनाएं और गतिविधियां खोपड़ी के पार यात्रा कर पाती हैं। बिना सर्जरी के इन कनेक्शनों को देखने के लिए, शोधकर्ता एक विशेष प्रकार के मैग्नेटिक रेजोनेंस इमेजिंग का उपयोग करते हैं जो मस्तिष्क के ऊतकों के भीतर पानी के अणुओं की दिशा का पता लगाता है। चूंकि पानी तंत्रिका तंतु की लंबाई के साथ अधिक आसानी से बहता है, इसलिए यह तंतुओं के मार्ग को प्रकट करता है। हालांकि, इन धुंधले संकेतों को एक स्पष्ट मानचित्र में बदलना अविश्वसनीय रूप से कठिन है। छवियां अक्सर दानेदार होती हैं, और किसी भी एक बिंदु पर, संकेत कई अलग-अलग दिशाओं में मुड़ने वाले या क्रॉस करने वाले तंतुओं का मिश्रण होता है। पारंपरिक तरीके इन रास्तों को स्थानीय संकेत का अनुसरण करते हुए चरण-दर-चरण ट्रेस करने की कोशिश करते हैं, लेकिन वे अक्सर भटक जाते हैं, जिससे नकली कनेक्शन बन जाते हैं या वास्तविक कनेक्शन छूट जाते हैं क्योंकि वे यह नहीं देख पाते कि मस्तिष्क कैसे व्यवस्थित है।

शेरब्रुक विश्वविद्यालय और मॉन्ट्रियल के मिला (Mila) के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण अपनाया है, जिसमें कंप्यूटर को इन तंत्रिका मार्गों को ट्रेस करना सिखाया गया है, ठीक वैसे ही जैसे एक छात्र कई उदाहरणों का अध्ययन करके मानचित्र पढ़ना सीखता है। कठोर गणितीय नियमों पर निर्भर रहने के बजाय, उन्होंने दो प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित किया—एक जो मानव वाक्य पढ़ने की तरह चरणों के क्रम को याद रखता है, और दूसरा जो पूरे पथ को एक साथ देखता है—ताकि यह भविष्यवाणी की जा सके कि तंत्रिका तंतु को अगली दिशा कहाँ लेनी चाहिए। शोधकर्ताओं ने इन मॉडलों का परीक्षण एक सिम्युलेटेड ब्रेन डेटासेट पर किया जहाँ सही उत्तर पहले से ज्ञात थे, और फिर वास्तविक मानव मस्तिष्क स्कैन पर। उन्होंने पाया कि हालांकि ये कंप्यूटर मॉडल ऐसे मानचित्र बना सकते हैं जो पिछले तरीकों की तुलना में अधिक सटीक हैं, लेकिन वे पूर्ण खोजकर्ता नहीं हैं। ये मॉडल उन पैटर्न को कॉपी करने में उत्कृष्ट हैं जिन्हें उन्होंने प्रशिक्षण के दौरान देखा है, लेकिन वे नए, सही पथों को बनाने में संघर्ष करते हैं यदि उन्होंने पहले कभी उस विशिष्ट प्रकार के कनेक्शन को नहीं देखा हो।

शोधकर्ताओं ने जिस मुख्य चुनौती का समाधान किया वह स्थानीय विवरणों और वैश्विक सत्य के बीच का संघर्ष है। वास्तविक दुनिया में, एक तंत्रिका तंतु को अपने वर्तमान स्थान के तात्कालिक संकेत का पालन करना चाहिए, लेकिन उसे अंततः मस्तिष्क के सही गंतव्य से भी जुड़ना चाहिए। पारंपरिक कंप्यूटर प्रोग्राम अक्सर एक ऐसे स्थानीय संकेत का पीछा करने में फंस जाते हैं जो सही दिखता है लेकिन एक मृत अंत या नकली कनेक्शन की ओर ले जाता है। शोधकर्ता यह देखना चाहते थे कि क्या मशीन लर्निंग इन बंडलों के सामान्य आकार और प्रवाह को सीखकर इस समस्या को हल कर सकती है। उन्होंने अपने मॉडलों को ज्ञात तंत्रिका मार्गों के एक विशाल डेटासेट का उपयोग करके प्रशिक्षित किया, कंप्यूटर को स्थानीय संकेत और पथ के पिछले चरणों को दिया, और उससे अगले कदम का अनुमान लगाने को कहा। यह सुनिश्चित करने के लिए कि मॉडल वास्तव में वैध मानचित्र बना रहे हैं न कि केवल प्रशिक्षण डेटा को याद कर रहे हैं, टीम ने एक विशेष परीक्षण चरण विकसित किया। इस चरण के दौरान, कंप्यूटर कुछ सही बिंदुओं का उपयोग करके एक पथ शुरू करेगा और फिर उसे शेष यात्रा को अपने आप पूरा करना होगा। शोधकर्ताओं ने जांचा कि क्या समाप्त हुआ पथ मस्तिष्क के सही क्षेत्रों को जोड़ता है, बजाय इसके कि केवल यह देखा जाए कि अगला कदम प्रशिक्षण उदाहरणों के गणितीय रूप से समान है या नहीं।

परिणामों ने दिखाया कि ये अनुक्रम-आधारित मॉडल, विशेष रूप से एक रिकरेंट न्यूरल नेटवर्क आर्किटेक्चर पर आधारित मॉडल, मानक टेस्ट डेटासेट पर अब तक का उच्चतम प्रदर्शन हासिल करते हैं। उन्होंने उच्च सटीकता के साथ ज्ञात तंत्रिका बंडलों के विशाल बहुमत को सफलतापूर्वक ट्रेस किया, और पुराने कंप्यूटर एल्गोरिदम और अन्य हालिया मशीन लर्निंग प्रयासों दोनों को पीछे छोड़ दिया। मॉडल चिकने, निरंतर पथ उत्पन्न करने में सक्षम थे जो मस्तिष्क की ज्ञात शारीरिक संरचना से मेल खाते थे। हालांकि, अध्ययन ने महत्वपूर्ण सीमाओं को भी उजागर किया। जब शोधकर्ताओं ने प्रशिक्षण डेटा से एक विशिष्ट तंत्रिका बंडल को हटा दिया, तो मॉडल परीक्षण चरण में उस बंडल को खोजने में विफल रहा, भले ही उन्हें उसके पास एक शुरुआती बिंदु दिया गया था। यह सुझाव देता है कि मॉडल वास्तव में मस्तिष्क की शारीरिक रचना को सामान्य अर्थ में "समझ" नहीं रहे हैं; इसके बजाय, वे उन विशिष्ट पैटर्न को पुनरुत्पादित करने में अत्यधिक कुशल हैं जिन्हें उन्हें दिखाया गया था। वे स्वतंत्र खोजकर्ताओं के बजाय विशेषज्ञ नकलची (copyists) के रूप में कार्य करते हैं।

टीम ने यह भी परीक्षण किया कि मॉडल अपूर्ण डेटा को कैसे संभालते हैं, जो वास्तविक दुनिया के चिकित्सा स्कैन में आम है। उन्होंने पाया कि यदि प्रशिक्षण डेटा में त्रुटियां या नकली कनेक्शन थे, तो मॉडल उन गलतियों को सीख लेंगे और उन्हें दोहराएंगे। यह उच्च गुणवत्ता वाले, सावधानीपूर्वक क्यूरेट किए गए प्रशिक्षण डेटा की महत्वपूर्ण आवश्यकता को रेखांकित करता है। यदि कंप्यूटर को दिए गए उदाहरण दोषपूर्ण हैं, तो परिणामी मानचित्र भी दोषपूर्ण होंगे। इसके अलावा, जब शोधकर्ताओं ने अपने सर्वश्रेष्ठ मॉडलों को वास्तविक मानव मस्तिष्क स्कैन पर लागू किया, तो परिणाम दृश्य रूप से प्रभावशाली थे, जो तंत्रिका तंतुओं के पूर्ण बंडलों को दर्शा रहे थे। फिर भी, बिना किसी पूर्ण "उत्तर कुंजी" के, यह मापना कठिन है कि इनमें से कितने नए पथ सही हैं और कितने त्रुटिपूर्ण हैं। दृश्य निरीक्षण से पता चला कि मॉडल अच्छा काम करते हैं, लेकिन कुछ शोर वाले या गलत पथों की उपस्थिति यह संकेत देती है कि यह तकनीक अभी पूरी तरह से मानव विशेषज्ञों को बदलने के लिए तैयार नहीं है।

इस कार्य के सबसे महत्वपूर्ण योगदानों में से एक यह प्रदर्शन है कि एक मॉडल को छोटे, स्थानीय त्रुटियों को कम करने के लिए प्रशिक्षित करना एक अच्छा समग्र मानचित्र सुनिश्चित नहीं करता है। शोधकर्ताओं ने पाया कि एक मॉडल का प्रत्येक व्यक्तिगत चरण के लिए बहुत कम त्रुटि दर हो सकती है, फिर भी वह पूरी तरह से गलत पथ उत्पन्न कर सकता है। यह विच्छेद (disconnect) का अर्थ है कि केवल भविष्यवाणी के गणित को अधिक सटीक बनाना पर्याप्त नहीं है। इन उपकरणों को बेहतर बनाने के लिए, क्षेत्र को अंतिम परिणाम के बेहतर तरीके खोजने की आवश्यकता है, न कि केवल मध्यवर्ती चरणों की। अध्ययन सुझाव देता है कि भविष्य की प्रगति अधिक जटिल एल्गोरिदम बनाने के बजाय बेहतर, स्वच्छ डेटासेट बनाने पर निर्भर करती है जो मानव मस्तिष्क का सटीक प्रतिनिधित्व करते हैं, साथ ही यह सत्यापित करने के लिए नए तरीके भी जो कंप्यूटर के आउटपुट का शारीरिक रूप से सही होना सुनिश्चित करें।

अंत में, यह शोध मस्तिष्क की वायरिंग को मैप करने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करने के तरीके के लिए एक स्पष्ट आधार प्रदान करता है। यह दिखाता है कि जबकि ये मॉडल नियंत्रित सेटिंग्स में वर्तमान तरीकों से बेहतर प्रदर्शन करने वाले शक्तिशाली उपकरण हैं, वे उस डेटा की गुणवत्ता और जो कुछ भी उन्होंने याद किया है उससे परे सामान्यीकरण करने की अपनी अक्षमता से सीमित हैं। आगे का रास्ता प्रशिक्षण प्रक्रिया को परिष्कृत करने में निहित है ताकि यह सुनिश्चित हो सके कि मॉडल मस्तिष्क की वास्तविक संरचना को सीखें, न कि केवल उदाहरणों में मौजूद शोर या त्रुटियों को। विभिन्न रणनीतियों का व्यवस्थित रूप से परीक्षण करके और वर्तमान दृष्टिकोणों की सीमाओं को उजागर करके, शोधकर्ताओं ने अगली पीढ़ी के मस्तिष्क मैपिंग टूल बनाने के लिए एक रोडमैप प्रदान किया है, जो इस क्षेत्र को एक ऐसे भविष्य की ओर ले जाता है जहां हम मस्तिष्क के कनेक्शनों को अभूतपूर्व स्पष्टता और विश्वसनीयता के साथ देख सकें।