Trustworthy ML/AI for Aging Clocks: Preventing Systematic Prediction Bias in Biological Age Estimation
यह शोध पत्र मशीन लर्निंग-आधारित एजिंग क्लॉक्स (aging clocks) में व्यवस्थित भविष्यवाणी पूर्वाग्रह (systematic prediction bias) के महत्वपूर्ण मुद्दे की पहचान और समाधान करता है, जो डाउनस्ट्रीम एसोसिएशन विश्लेषणों को विकृत कर सकता है, और वैध जैविक आयु अनुमान और निष्कर्ष सुनिश्चित करने के लिए एक कड़े अनुकूलन ढांचे (constrained optimization framework) का प्रस्ताव करता है।
मूल पेपर CC BY 4.0 (https://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 केवल ओडोमीटर (odometer) देखने के बजाय, कार के इंजन, उसके पेंट और टायरों के घिसाव को देखकर यह मापने की कोशिश कर रहे हैं कि कार कितनी तेजी से बूढ़ी हो रही है। यही जैविक आयु (biological age) अनुसंधान का सार है। हम सभी अपनी कालानुक्रमिक आयु (chronological age)—यानी हमारे जन्म के बाद से बीते वर्षों की संख्या—को जानते हैं, लेकिन हमारे शरीर हमेशा एक ही गति से उम्र नहीं बढ़ाते। कुछ लोग सत्तर के दशक में भी शारीरिक रूप से मजबूत बने रहते हैं, जबकि अन्य बहुत पहले ही गिरावट के लक्षण दिखाने लगते हैं। वैज्ञानिकों ने हमारी जैविक आयु का अनुमान लगाने के लिए "एजिंग क्लॉक्स" (aging clocks) नामक उपकरण विकसित किए हैं। ये उपकरण हमारे डीएनए, रक्त या मस्तिष्क के स्कैन से जटिल डेटा का विश्लेषण करके यह अनुमान लगाते हैं कि हम अंदर से कितने पुराने हैं। इसका लक्ष्य यह पहचानना है कि कौन बहुत तेजी से बूढ़ा हो रहा है और क्यों, ताकि डॉक्टर बीमारी को रोकने के लिए हस्तक्षेप कर सकें। हालांकि, एक नया अध्ययन बताता है कि जिन कंप्यूटरों का उपयोग इन घड़ियों को बनाने के लिए किया जाता है, वे हमें धोखा दे सकते हैं, जिससे ऐसे निष्कर्ष निकलते हैं जो न केवल गलत हैं, बल्कि कभी-कभी सच्चाई के बिल्कुल विपरीत होते हैं।
समस्या इस बात में निहित है कि इन कंप्यूटर प्रोग्रामों, जिन्हें मशीन लर्निंग मॉडल (machine learning models) कहा जाता है, को कैसे प्रशिक्षित किया जाता है। कंप्यूटर को जैविक आयु का अनुमान लगाना सिखाने के लिए, शोधकर्ता इसे हजारों लोगों का डेटा देते हैं, जिसमें उनकी ज्ञात कालानुक्रमिक आयु को 'उत्तर कुंजी' (answer key) के रूप में उपयोग किया जाता है। कंप्यूटर जैविक डेटा में उन पैटर्न को पहचानना सीखता है जो कैलेंडर के वर्षों से मेल खाते हैं। लेकिन इन प्रोग्रामों में एक छिपा हुआ दोष है: वे स्वाभाविक रूप से औसत (average) की ओर झुके हुए होते हैं। जब कोई मॉडल अनिश्चित होता है, तो वह बीच के रास्ते का अनुमान लगाने की कोशिश करता है। एक युवा व्यक्ति के लिए, इसका अर्थ है कि कंप्यूटर अनुमान लगाता है कि वह वास्तव में होने वाली उम्र से अधिक बड़ा है। एक बुजुर्ग व्यक्ति के लिए, वह अनुमान लगाता है कि वह छोटा है। यह कोई यादृच्छिक (random) गलती नहीं है; यह एक व्यवस्थित त्रुटि है जो चरम सीमाओं (extremes) को केंद्र की ओर सिकोड़ देती है। उम्र बढ़ने के अनुसंधान की दुनिया में, यह एक विकृत चित्र बनाता है जहाँ सबसे वृद्ध लोग वास्तव में होने की तुलना में जैविक रूप से छोटे दिखाई देते हैं, और सबसे युवा अधिक उम्र के दिखाई देते हैं।
मैरीलैंड विश्वविद्यालय और अन्य संस्थानों के ह्वियौंग ली (Hwiyoung Lee), शुओ चेन (Shuo Chen) और उनकी टीम के शोधकर्ताओं ने पाया कि यह पूर्वाग्रह केवल एक संख्या की गलत गणना ही नहीं करता है, बल्कि यह उस विज्ञान को भी मौलिक रूप से बाधित करता है जो इसके बाद आता है। जब वैज्ञानिक धूम्रपान या आहार जैसे जीवनशैली कारकों के उम्र बढ़ने को प्रभावित करने के तरीके का अध्ययन करने के लिए इन त्रुटिपूर्ण घड़ियों का उपयोग करते हैं, तो यह पूर्वाग्रह परिणामों को पूरी तरह से उलट सकता है। मस्तिष्क के स्कैन से जुड़े एक वास्तविक परीक्षण में, मानक कंप्यूटर मॉडलों ने सुझाव दिया कि बेहतर संज्ञानात्मक कौशल (cognitive skills) वाले लोगों के मस्तिष्क "अधिक उम्र" के थे, जिसका अर्थ था कि बुद्धिमान होना आपको तेजी से बूढ़ा बनाता है। यह एक बेतुका निष्कर्ष है। जब शोधकर्ताओं ने कंप्यूटर के पूर्वाग्रह को ठीक किया, तो परिणाम अपेक्षित वास्तविकता की ओर बदल गया: बेहतर संज्ञानात्मक कौशल वाले लोगों के मस्तिष्क "युवा" और अधिक लचीले थे। इसी तरह, गुर्दे (kidney) के कार्य के एक अध्ययन में, त्रुटिपूर्ण मॉडलों ने सुझाव दिया कि खराब गुर्दा स्वास्थ्य का संबंध कम जैविक आयु से था, जबकि सुधारे गए मॉडलों ने तार्किक संबंध दिखाया: खराब गुर्दा स्वास्थ्य त्वरित बुढ़ापे से जुड़ा है।
इसे ठीक करने के लिए, टीम ने "अनबायस्ड मशीन लर्निंग रिग्रेशन" (Unbiased Machine Learning Regression) नामक एक नई विधि विकसित की। कंप्यूटर को प्रतिरोध के सबसे आसान मार्ग (path of least resistance) पर चलने देने के बजाय, जो औसत को सिकोड़ने वाली त्रुटि की ओर ले जाता है, उन्होंने प्रशिक्षण प्रक्रिया में सख्त नियम जोड़ दिए। उन्होंने मॉडल को दो विशिष्ट समूहों के लिए पूरी तरह से सटीक होने के लिए मजबूर किया: जो युवा हैं और जो वृद्ध हैं। इन दो बिंदुओं के साथ मॉडल को स्थिर करके, कंप्यूटर डेटा के माध्यम से एक सीधी और सटीक रेखा खींचने के लिए बाध्य होता है, यह सुनिश्चित करता है कि "अधिक उम्र" का अनुमान वास्तव में अधिक उम्र का ही हो, और "कम उम्र" का अनुमान वास्तव में कम उम्र का ही हो। जब उन्होंने इस नई पद्धति को यूके बायोबैंक (UK Biobank) और फ्रैमिंगहैम हार्ट स्टडी (Framingham Heart Study) के डेटा पर लागू किया, तो व्यवस्थित त्रुटियां गायब हो गईं। नए क्लॉक अब स्वास्थ्य और आयु के बीच के अजीब, उलटे संबंधों को नहीं दिखाते थे।
एक प्रीप्रिंट (preprint) में प्रकाशित ये निष्कर्ष, मानव स्वास्थ्य को समझने के लिए कृत्रिम बुद्धिमत्ता (AI) के उपयोग में सावधानी बरतने की गंभीर आवश्यकता पर प्रकाश डालते हैं। यह अध्ययन दर्शाता है कि केवल एक ऐसा कंप्यूटर मॉडल होना पर्याप्त नहीं है जो कागज पर सटीक दिखता हो; यदि मॉडल पक्षपाती है, तो यह बीमारी के कारणों और उसके उपचार के बारे में खतरनाक गलतफहमियों की ओर ले जा सकता है। शोधकर्ताओं ने अपने नए, निष्पक्ष उपकरणों को अन्य वैज्ञानिकों के लिए उपलब्ध करा दिया है, जिससे यह सुनिश्चित करने का मार्ग प्रशस्त हुआ कि उम्र बढ़ने वाली अगली पीढ़ी की घड़ियाँ हमारे शरीर के बारे में केवल एक विकृत कहानी बताने के बजाय सच्चाई बताएं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।