Evaluation of synthetic data generation for longitudinal 6-year follow-up subclinical cardiovascular disease data using GAN models
यह अध्ययन 6-वर्षीय अनुदैर्ध्य हृदय रोग डेटा उत्पन्न करने में TGAN और CTGAN मॉडलों के प्रदर्शन का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि CTGAN सामान्य रूप से TGAN और एक पर्टरबेशन बेसलाइन की तुलना में बेहतर फिडेलिटी और गोपनीयता प्रदान करता है, फिर भी इसे टेम्पोरल विशेषताओं और कम उम्र के समूहों में प्रदर्शन को बेहतर ढंग से संरक्षित करने के लिए परिशोधन की आवश्यकता 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
हृदय रोग दुनिया भर में मृत्यु का प्रमुख कारण बना हुआ है, लेकिन इसका एक बड़ा हिस्सा जीवनशैली में बदलाव और प्रारंभिक हस्तक्षेप के माध्यम से रोका जा सकता है। इन बीमारियों को शुरू होने से पहले रोकने के बेहतर तरीके डिजाइन करने के लिए, शोधकर्ताओं को व्यक्तिगत स्वास्थ्य जानकारी की विशाल मात्रा की आवश्यकता होती है। वे यह समझने के लिए कि बीमारी का दीर्घकालिक मार्ग क्या है, यह देखते हैं कि रक्तचाप, कोलेस्ट्रॉल और दैनिक आदतें कई वर्षों में कैसे बदलती हैं। हालांकि, इस तरह के विस्तृत, निजी डेटा को साझा करना कठिन है। सख्त कानून रोगी की पहचान की रक्षा करते हैं, और लोग गोपनीयता लीक होने के डर के कारण डॉक्टरों को भी अपना पूरा मेडिकल इतिहास दिखाने में अक्सर हिचकिचाते हैं। यह एक बाधा पैदा करता है: वैज्ञानिक उन उन्नत उपकरणों को नहीं बना सकते जो हृदय रोग को रोकने के लिए आवश्यक हैं, यदि वे उन्हें प्रशिक्षित करने के लिए आवश्यक डेटा तक पहुँच नहीं सकते।
इसे हल करने के लिए, शोधकर्ताओं ने सिंथेटिक डेटा जनरेशन (कृत्रिम डेटा निर्माण) नामक एक तकनीक की ओर रुख किया है। कल्पना कीजिए कि आप रोगी के रिकॉर्ड का एक पूरी तरह से नया सेट बना रहे हैं जो वास्तविक रिकॉर्ड की तरह ही दिखता है और व्यवहार करता है, लेकिन जहाँ हर एक व्यक्ति पूरी तरह से काल्पनिक है। ये नकली रिकॉर्ड विभिन्न स्वास्थ्य कारकों के बीच के जटिल संबंधों को सुरक्षित रखते हैं—जैसे कि आयु, आहार और आनुवंशिकी कैसे परस्पर क्रिया करते हैं—बिना किसी वास्तविक व्यक्ति की वास्तविक निजी जानकारी के। हालांकि इस विचार का परीक्षण डेटा के उन स्नैपशॉट पर किया गया है जो एक ही समय के एक क्षण में लिए गए थे, लेकिन इसे लंबे समय के रिकॉर्ड पर व्यापक रूप से नहीं आजमाया गया है जो लोगों को वर्षों तक ट्रैक करते हैं। यह अंतर महत्वपूर्ण है क्योंकि हृदय रोग को रोकना एक दीर्घकालिक लक्ष्य है, और अल्पकालिक डेटा पर बने उपकरण उन धीमी, सूक्ष्म परिवर्तनों को मिस कर सकते हैं जो बीमारी की ओर ले जाते हैं।
स्वीडन और इटली के शोधकर्ताओं की एक टीम ने हाल ही में यह परीक्षण करने के लिए हाथ लगाया कि क्या वर्तमान आर्टिफिशियल इंटेलिजेंस उपकरण इस दीर्घकालिक चुनौती को संभाल सकते हैं। उन्होंने जेनरेटिव एडवरसैरियल नेटवर्क (generative adversarial network) नामक एक विशिष्ट प्रकार के AI मॉडल पर ध्यान केंद्रित किया, जो प्रतिस्पर्धी कंप्यूटरों की एक जोड़ी की तरह काम करता है। एक कंप्यूटर नकली स्वास्थ्य रिकॉर्ड बनाने की कोशिश करता है, जबकि दूसरा नकली और असली रिकॉर्ड के बीच अंतर पहचानने की कोशिश करता है। इस प्रतिस्पर्धा के माध्यम से, निर्माता अधिक यथार्थवादी डेटा बनाने के लिए सीखता है। टीम ने इस तकनीक के दो संस्करणों का परीक्षण किया, एक CTGAN और एक पुराना संस्करण जिसे TGAN कहा जाता है, हृदय रोग रोकथाम के एक छह साल के अध्ययन से प्राप्त वास्तविक डेटासेट का उपयोग करके। इस अध्ययन ने स्वीडन में हजारों लोगों का पीछा किया, उनकी सेहत की जांच शुरुआत में, तीन साल बाद और फिर छह साल बाद की। शोधकर्ता यह देखना चाहते थे कि क्या AI बदलते हुए स्वास्थ्य रिकॉर्ड के पैटर्न को इतनी अच्छी तरह से सीख सकता है कि वह एक नया, नकली डेटासेट बना सके जिसका उपयोग वैज्ञानिक अनुसंधान के लिए कर सकें, बिना कभी किसी वास्तविक रोगी का नाम देखे।
परिणामों ने दिखाया कि नया मॉडल, CTGAN, अपने पुराने समकक्ष की तुलना में सामान्य रूप से अधिक यथार्थवादी डेटा बनाने में बेहतर था। जब शोधकर्ताओं ने नकली रिकॉर्ड की वास्तविक रिकॉर्ड से तुलना की, तो CTGAN मॉडल ने पूरे समूह के सांख्यिकीय पैटर्न को सफलतापूर्वक संरक्षित किया। यह डेटा की श्रेणियों, जैसे कि वैवाहिक स्थिति या दवाओं के प्रकारों को संभालने में विशेष रूप से अच्छा था। गोपनीयता के मामले में, दोनों AI मॉडल बहुत अच्छा प्रदर्शन करते हैं, उन्होंने ऐसा डेटा बनाया जिसके द्वारा किसी वास्तविक व्यक्ति की पहचान अनजाने में उजागर होने की संभावना सरल, पुराने तरीके (जिसमें केवल संख्याओं में रैंडम शोर जोड़ा जाता था) की तुलना में बहुत कम थी। यह सुझाव देता है कि इन उन्नत AI मॉडलों का उपयोग करने से शोधकर्ता अपने संवेदनशील स्वास्थ्य डेटा को अधिक स्वतंत्र रूप से साझा कर सकते हैं, जिससे नए रोकथाम उपकरणों के विकास में तेजी आ सकती है।
हालांकि, अध्ययन ने महत्वपूर्ण सीमाओं को भी उजागर किया जिन्हें इन उपकरणों को व्यापक उपयोग के लिए तैयार होने से पहले शोधकर्ताओं को संबोधित करना होगा। जबकि AI ने समग्र रूप से समूह के साथ अच्छा किया, लेकिन यह विशिष्ट उपसमूहों, विशेष रूप से युवा प्रतिभागियों के साथ अधिक संघर्ष करता है। चालीस वर्ष के लोगों के डेटा को साठ वर्ष के लोगों के डेटा की तुलना में कम सटीक रूप से पुन: निर्मित किया गया था। यह एक महत्वपूर्ण निष्कर्ष है क्योंकि युवा वयस्कों के लिए प्रारंभिक रोकथाम सबसे महत्वपूर्ण है। AI को रक्त शर्करा या कोलेस्ट्रॉल के स्तर जैसे नंबरों में समय के साथ होने वाले सुचारू, निरंतर परिवर्तनों को सटीक रूप से पुन: बनाने में भी अधिक कठिनाई हुई, जो कि साधारण शोर-जोड़ (noise-addition) पद्धति की तुलना में अधिक थी। शोधकर्ताओं ने उल्लेख किया कि ऐसा इसलिए हो सकता है क्योंकि AI मॉडल मूल रूप से एक समय के बिंदु पर लिए गए डेटा के लिए डिज़ाइन किए गए थे, न कि छह साल की यात्रा के जटिल, बदलते पैटर्न के लिए।
अंततः, अध्ययन सुझाव देता है कि हालांकि ये AI उपकरण चिकित्सा अनुसंधान के लिए एक शक्तिशाली कदम हैं, लेकिन वे अभी भी पूर्ण नहीं हैं। वे हृदय रोग की रोकथाम के अध्ययन के लिए उपयोगी, गोपनीयता-सुरक्षित डेटा उत्पन्न कर सकते हैं, लेकिन उन्हें दीर्घकालिक ट्रैकिंग और विविध आयु समूहों को संभालने के लिए सुधार की आवश्यकता है। लेखक निष्कर्ष निकालते हैं कि यह पहली बार है जब ऐसे दीर्घकालिक डेटासेट पर इस तरह का परीक्षण किया गया है, और उनके निष्कर्ष एक आवश्यक बेंचमार्क प्रदान करते हैं। वे संकेत देते हैं कि भविष्य के कार्य को यह सुधारने पर ध्यान केंद्रित करना चाहिए कि ये मॉडल समय बीतने को कैसे संभालते हैं और यह सुनिश्चित करना चाहिए कि वे सभी आयु समूहों के साथ निष्पक्षता से व्यवहार करें, ताकि सिंथेटिक डेटा वास्तव में हृदय रोग के खिलाफ लड़ाई में वास्तविक रोगियों के विश्वसनीय विकल्प के रूप में कार्य कर सके।
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।