AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
यह अध्ययन प्रदर्शित करता है कि वयस्क मस्तिष्क के आयामों से मेल खाने के लिए शिशु एमआरआई (MRI) स्कैन को रीस्केलिंग और क्रॉपिंग करने से सिंथसेग (SynthSeg) डीप लर्निंग टूल का प्रदर्शन काफी बेहतर हो जाता है, जिससे विकासात्मक समूहों में सफल सेगमेंटेशन दर 36% से बढ़कर 91% हो जाती 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 एक रोबोट को विभिन्न प्रकार के फलों को पहचानना सिखाने की कोशिश कर रहे हैं। आप उसे हजारों विशाल, पके हुए तरबूजों और सेबों की तस्वीरें दिखाते हैं, उसे यह सिखाते हैं कि एक "फल" वास्तव में कैसा दिखता है। लेकिन फिर, आप रोबोट को एक छोटा सा, कच्चा अंगूर देते हैं और पूछते हैं, "क्या यह एक फल है?" रोबोट भ्रमित हो सकता है। ऐसा इसलिए नहीं है कि अंगूर एक फल नहीं है, बल्कि इसलिए है क्योंकि रोबोट को केवल बड़े, वयस्क आकार के फलों पर प्रशिक्षित किया गया था। वह यह नहीं जानता कि इतनी छोटी चीज़ को कैसे संभालना है या जब फल छोटा होता है तो उसके रंग कैसे अलग दिख सकते हैं। यह बिल्कुल उसी तरह का पहेली है जिसका सामना वैज्ञानिक करते हैं जब वे मानव मस्तिष्क का अध्ययन करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करते हैं।
न्यूरोसाइंस (तंत्रिका विज्ञान) की दुनिया में, शोधकर्ता एमआरआई (MRI) स्कैन का उपयोग करते हैं—जैसे कि आपके सिर के अंदर का एक अत्यंत विस्तृत 3D फोटो लेना—यह देखने के लिए कि मस्तिष्क कैसे बढ़ता और बदलता है। लंबे समय से, AI उपकरण वयस्कों के इन फोटो का विश्लेषण करने के लिए बहुत अच्छे रहे हैं। लेकिन जब वैज्ञानिकों ने उन्हीं उपकरणों का उपयोग बच्चों और शिशुओं पर करने की कोशिश की, तो AI अक्सर गलत हो गया। क्यों? क्योंकि एक शिशु का मस्तिष्क एक वयस्क की तुलना में बहुत छोटा होता है, और स्कैन में इसका स्वरूप पूरी तरह से अलग होता है। यह बिल्कुल वैसा ही है जैसे किसी छोटे बच्चे के हाथ को एक विशाल वयस्क के दस्ताने में फिट करने की कोशिश करना; आकार ही मेल नहीं खाता। यह महत्वपूर्ण है क्योंकि यदि हम एक बच्चे के मस्तिष्क को सटीक रूप से नहीं माप सकते, तो हम विकासात्मक विकारों के शुरुआती संकेतों को नहीं पकड़ पाएंगे या यह नहीं समझ पाएंगे कि मस्तिष्क वास्तव में कैसे विकसित होता है। बड़ा सवाल यह था: क्या हम AI को सबके लिए (जन्म से लेकर वयस्क होने तक) काम करने लायक बना सकते हैं, बिना हर उम्र के लिए एक नया रोबोट बनाए?
यह शोध पत्र इस बारे में है कि शोधकर्ताओं की एक टीम ने मस्तिष्क के स्कैन के लिए उस "दस्ताने" वाली समस्या को ठीक करने का निर्णय लिया। उन्होंने एक लोकप्रिय AI टूल का परीक्षण किया जिसे 'सिंथसेग' (SynthSeg) कहा जाता है, जो एक सुपर-स्मार्ट डिजिटल सर्जन की तरह है जो मस्तिष्क के विभिन्न हिस्सों के चारों ओर स्वचालित रूप से रेखाएं खींच सकता है। उन्होंने पाया कि जब उन्होंने इसे शिशुओं के स्कैन दिखाए, तो यह टूल बुरी तरह विफल रहा। हर 100 शिशु स्कैन में से, केवल लगभग 36 ही गुणवत्ता जांच में पास हो पाए, जिसका अर्थ था कि AI विश्वसनीय रूप से मस्तिष्क का मानचित्रण नहीं कर सका। शोधकर्ताओं ने महसूस किया कि AI इसलिए भ्रमित था क्योंकि इसने अपने प्रशिक्षण के दौरान केवल वयस्क आकार के मस्तिष्क ही "देखे" थे। शिशु मस्तिष्क बहुत छोटे थे और स्कैन में उनके आसपास बहुत अधिक खाली स्थान (जैसे गर्दन और कंधे) था, जिससे AI समझ नहीं पा रहा था।
इसलिए, टीम ने AI को शिशुओं को समझने में मदद करने के लिए एक चतुर दो-चरणीय तकनीक विकसित की। पहले, उन्होंने शिशु मस्तिष्क के स्कैन को डिजिटल रूप से "खींचा" (stretch) ताकि वे एक वयस्क मस्तिष्क के समान आकार के दिखें। यह एक छोटी फोटो को ज़ूम करने जैसा है जब तक कि वह पूरी स्क्रीन को भर न दे। दूसरा, उन्होंने छवि को "क्रॉप" (crop) किया, यानी उन्होंने गर्दन और कंधों जैसे अतिरिक्त बैकग्राउंड को काट दिया, ताकि AI केवल मस्तिष्क को देखे, ठीक वैसे ही जैसे वह वयस्क स्कैन के साथ करता है। उन्होंने इस नई पद्धति को "रीस्केल + क्रॉप" (rescale + crop) नाम दिया।
परिणाम क्रांतिकारी थे। जब उन्होंने इस नई तकनीक को लागू किया, तो शिशु स्कैन के लिए सफलता दर 36% से बढ़कर 91% हो गई। अचानक, AI शिशु के मस्तिष्क को स्पष्ट रूप से देख सका, और गुणवत्ता स्कोर बढ़ गया, जो मानचित्रों की वास्तविक सटीकता से मेल खाता था। शोधकर्ताओं ने इसका परीक्षण शिशुओं से लेकर वयस्कों तक के 26,000 स्कैन के एक विशाल संग्रह पर किया और पाया कि इस सरल समायोजन ने AI को पूरे जीवनकाल में सुचारू रूप से काम करने में सक्षम बनाया। उन्हें AI को शुरू से फिर से प्रशिक्षित करने या एक नया मॉडल बनाने की आवश्यकता नहीं पड़ी; उन्हें बस AI को शिशु स्कैन को उस तरह से देखना सिखाना था जैसा कि वह पहले से जानता था।
यह शोध पत्र कुछ चीजों को भी खारिज करता है। यह दिखाता है कि समस्या केवल शिशु स्कैन के "कंट्रास्ट" या रंगों की नहीं थी (जो मस्तिष्क परिपक्व होने के साथ बदलते हैं), बल्कि विशेष रूप से आकार और दृश्य क्षेत्र (field of view) की थी। उन्होंने पाया कि केवल छवि को खींचना पर्याप्त नहीं था; आपको बैकग्राउंड को भी क्रॉप करना था, अन्यथा AI अतिरिक्त स्थान के कारण भ्रमित होता रहता। हालांकि यह समाधान वर्तमान में बहुत कारगर है, लेखक सावधानी बरतते हुए कहते हैं कि शिशु मस्तिष्क केवल "छोटे वयस्क मस्तिष्क" नहीं हैं—उनकी अपनी अनूठी आकृतियाँ और बनावट होती है जिसे यह विधि पूरी तरह से नहीं पकड़ पाती है। फिर भी, यह सुधार वैज्ञानिकों को जन्म से लेकर वयस्कता तक मस्तिष्क के विकास को ट्रैक करने के लिए एक एकल, विश्वसनीय उपकरण का उपयोग करने की अनुमति देता है, जिससे यह समझने का मार्ग खुलता है कि हमारा मस्तिष्क कैसे बढ़ता है और जब वह विकास पटरी से उतर जाता है तो क्या होता है।
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।