A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

मानव मस्तिष्क एक जटिल अंग है, और यह समझना कि यह समय के साथ कैसे बदलता है या विभिन्न लोगों के बीच कैसे भिन्न होता है, आधुनिक तंत्रिका विज्ञान (न्यूरोसाइंस) का एक केंद्रीय लक्ष्य है। बिना सर्जरी के जीवित मस्तिष्क के भीतर देखने के लिए, शोधकर्ता मैग्नेटिक रेजोनेंस इमेजिंग (MRI) पर भरोसा करते हैं, जो मस्तिष्क की संरचना के विस्तृत त्रि-आयामी मानचित्र बनाने की एक तकनीक है। दशकों से, वैज्ञानिकों ने इन मानचित्रों का विश्लेषण मस्तिष्क की बाहरी परत की मोटाई या इसकी मुड़ी हुई सतह के आकार जैसे विशिष्ट लक्षणों को मैन्युअल रूप से मापकर किया है। ये माप, जिन्हें मॉर्फोमेट्रिक विशेषताएं कहा जाता है, अल्जाइमर रोग जैसी स्थितियों या उम्र बढ़ने के प्राकृतिक प्रभावों का अध्ययन करने के लिए एक ठोस आधार प्रदान करते रहे हैं। हालाँकि, दुर्लभ स्थितियों या विविध आबादी का अध्ययन करने के लिए पर्याप्त मस्तिष्क स्कैन एकत्र करना कठिन है, और पारंपरिक तरीकों में अक्सर डेटा की व्याख्या करने के लिए बहुत अधिक मानवीय प्रयास की आवश्यकता होती है। हाल के वर्षों में, एक नया दृष्टिकोण उभरा है: कंप्यूटर प्रणालियों को मस्तिष्क के स्कैन के विशाल संग्रहों पर प्रशिक्षित करना ताकि वे स्वयं पैटर्न पहचानना सीख सकें। इन प्रणालियों को 'फाउंडेशन मॉडल्स' कहा जाता है, जिन्हें सीधे कच्चे (रॉ) चित्रों को समझने के लिए डिज़ाइन किया गया है, जो चिकित्सा स्कैन से सार्थक जानकारी निकालने का एक अधिक शक्तिशाली तरीका प्रदान कर सकते हैं।

शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ में लिया कि क्या ये नई कंप्यूटर प्रणालियाँ वास्तव में स्थापित तरीकों पर लाभ प्रदान करती हैं। उन्होंने चार सार्वजनिक रूप से उपलब्ध मॉडलों पर ध्यान केंद्रित किया जिन्हें मस्तिष्क की छवियों के बड़े डेटासेट पर पूर्व-प्रशिक्षित (प्री-ट्रेन) किया गया था। यह देखने के लिए कि ये मॉडल वास्तविक दुनिया के परिदृश्यों में कितने प्रभावी थे, शोधकर्ताओं ने तीन अलग-अलग समूहों के लोगों से मैग्नेटिक रेजोनेंस इमेज एकत्र किए: पार्किंसंस रोग वाले लोग, स्वस्थ बच्चों और वयस्कों का एक नेटवर्क, और स्वस्थ स्वयंसेवकों का एक बड़ा समूह। उन्होंने कंप्यूटर मॉडलों को तीन विशिष्ट कार्य करने के लिए कहा जो मस्तिष्क अनुसंधान में सामान्य हैं: किसी व्यक्ति के लिंग का निर्धारण करना, उनकी आयु का अनुमान लगाना, और उनके बॉडी मास इंडेक्स (BMI) की भविष्यवाणी करना। एक निष्पक्ष तुलना सुनिश्चित करने के लिए, टीम ने इन नए मॉडलों का परीक्षण एक मानक दृष्टिकोण के विरुद्ध किया जो मस्तिष्क के कॉर्टेक्स की मोटाई और सतह क्षेत्र को मापने पर निर्भर करता है, जो लंबे समय से इस क्षेत्र में स्वर्ण मानक (गोल्ड स्टैंडर्ड) रहा है। उन्होंने एक सुसंगत परीक्षण ढांचे का उपयोग किया जहाँ कंप्यूटर मॉडलों को परीक्षण के दौरान कुछ भी नया सीखने की अनुमति नहीं दी गई थी, जिससे यह सुनिश्चित हुआ कि परिणाम केवल वही दर्शाएं जो मॉडलों ने अपने प्रारंभिक प्रशिक्षण से पहले ही सीख लिया था।

परिणामों ने दिखाया कि नए कंप्यूटर मॉडल हर बार स्वचालित रूप से नहीं जीते। जबकि कुछ फाउंडेशन मॉडल्स ने विशिष्ट कार्यों पर या कुछ विशेष समूहों के साथ पारंपरिक मापों से बेहतर प्रदर्शन किया, समग्र तस्वीर मिली-जुली रही। दो मॉडलों, 3D-Neuro-SimCLR और AnatCL ने अधिकांश परीक्षणों में पारंपरिक तरीकों को लगातार पछाड़ दिया। उनमें से, 3D-Neuro-SimCLR ने सबसे विश्वसनीय प्रदर्शन दिखाया, हालांकि इसे HBN डेटासेट में लिंग वर्गीकरण से जुड़े एक विशिष्ट कार्य में कठिनाई हुई। अन्य परीक्षण किए गए मॉडलों ने पारंपरिक मापों को लगातार नहीं हराया, जो यह सुझाव देता है कि एक कंप्यूटर की कच्चे चित्रों से अपने स्वयं के पैटर्न सीखने की क्षमता हर स्थिति में बेहतर परिणाम की गारंटी नहीं देती है। शोधकर्ताओं ने यह भी पाया कि इन नए मॉडलों द्वारा मस्तिष्क को समझने का तरीका पारंपरिक मापों से भिन्न था, जो यह संकेत देता कि कंप्यूटर डेटा में ऐसे संबंधों को देख रहा था जिन्हें मानव-निर्मित माप शायद छोड़ देते।

यह अध्ययन क्षेत्र के लिए एक स्पष्ट बेंचमार्क प्रदान करता है, जो दिखाता है कि हालांकि ये उन्नत कंप्यूटर मॉडल बहुत अधिक संभावना रखते हैं, लेकिन वे स्थापित तकनीकों के सार्वभौमिक विकल्प नहीं हैं। निष्कर्ष बताते हैं कि 3D-Neuro-SimCLR और AnatCL जैसे मॉडल मस्तिष्क इमेजिंग में भविष्यवाणियों को बेहतर बनाने के लिए विशेष रूप से मजबूत उपकरण हैं, लेकिन उनकी सफलता इस बात पर बहुत अधिक निर्भर करती है कि पूछा गया विशिष्ट प्रश्न क्या है और अध्ययन की जाने वाली आबादी कौन सी है। अन्य वैज्ञानिकों को इस कार्य को जारी रखने में मदद करने के लिए, शोधकर्ताओं ने अपने परीक्षण तरीकों को जनता के लिए उपलब्ध कराया है, जिससे एक जीवंत संसाधन बनाया गया है जहाँ नए मॉडलों को जोड़ा जा सकता है और तुलना की जा सकती है। यह पारदर्शिता सुनिश्चित करती है कि क्षेत्र एक स्पष्ट समझ के साथ आगे बढ़े कि कौन से उपकरण सबसे अच्छा काम करते हैं, और इस धारणा से बचते हैं कि बिना प्रमाण के नई तकनीक हमेशा श्रेष्ठ होती है। यह कार्य पुष्टि करता है कि ये फाउंडेशन मॉडल न्यूरोसाइंटिस्ट के टूलकिट में एक मूल्यवान वृद्धि हैं, जो सही मॉडल को सही कार्य के साथ जोड़ने पर अधिक सटीक भविष्यवाणियों का मार्ग प्रशस्त करते हैं।