Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

मिर्गी एक ऐसी स्थिति है जहाँ मस्तिष्क में अचानक, बिना किसी स्पष्ट कारण के विद्युत तूफान (electrical storms) आते हैं, जिससे दौरे पड़ते हैं। कई लोगों के लिए, मानक दवाएं इन घटनाओं को रोकने में सक्षम नहीं होती हैं, जिससे उनके सामने एक कठिन विकल्प खड़ा हो जाता है: या तो दौरों के जोखिम के साथ जीना या उस विशिष्ट ऊतक (tissue) को हटाने के लिए मस्तिष्क की सर्जरी करवाना जो इस समस्या का कारण है। इस सर्जरी की सफलता पूरी तरह से उस विद्युत तूफान के सटीक शुरुआती बिंदु को खोजने पर निर्भर करती है, जिसे 'सीज़र ऑनसेट ज़ोन' (seizure onset zone) कहा जाता है। वर्तमान में, डॉक्टर दौरे को घटित होते हुए पकड़ने के लिए लंबे समय तक अस्पताल में निगरानी (monitoring) पर भरोसा करते हैं, एक ऐसी प्रक्रिया जिसमें दिनों लग सकते हैं, मरीजों को अपनी दवाएं बंद करनी पड़ती हैं, और इसमें महत्वपूर्ण जोखिम भी शामिल हैं। वैकल्पिक रूप से, वे सीधे मस्तिष्क पर रखे गए इनवेसिव इलेक्ट्रोड्स (invasive electrodes) का उपयोग करते हैं, जिसमें सर्जरी और जटिलताएं शामिल हैं। चूंकि दौरा पकड़ना दुर्लभ और कठिन है, इसलिए डॉक्टरों को अक्सर उन अनुमान लगाने पड़ते हैं कि समस्या कहाँ है, जो दौरों के बीच के शांत समय, जिसे 'इंटरइक्टल पीरियड' (interictal periods) कहा जाता है, के आधार पर होता है। इन शांत अवधियों में सूक्ष्म, क्षणिक विद्युत स्पाइक्स (electrical spikes) होते हैं जो दौरे के मूल स्थान के सुराग रखते हैं, लेकिन ये संकेत अक्सर धुंधले होते हैं और सिर की सतह पर लगे सेंसरों तक पहुँचते समय खोपड़ी और स्कैल्प के माध्यम से विकृत हो जाते हैं।

एक शोधकर्ता ने एक नया कंप्यूटर सिस्टम विकसित किया है जिसे इन शांत अवधियों को पढ़ने और बिना किसी इनवेसिव सर्जरी या दौरे का इंतजार किए, दौरे के संभावित स्थान का पता लगाने के लिए डिज़ाइन किया गया है। उन्होंने एक डीप लर्निंग फ्रेमवर्क बनाया है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो उदाहरणों से सीखता है, जिसे दवा-प्रतिरोधी मिर्गी वाले रोगियों के मस्तिष्क तरंगों (brainwaves) की हजारों घंटों की नियमित रिकॉर्डिंग पर प्रशिक्षित किया गया है। सिस्टम को दौरों के बीच होने वाले सूक्ष्म विद्युत स्पाइक्स को पहचानने और उन्हें मस्तिष्क के छह प्रमुख क्षेत्रों में मैप करने के लिए सिखाया गया। इसे संभव बनाने के लिए, शोधकर्ता ने एक ऐसा मॉडल बनाया जो विद्युत संकेत के समय (timing) और स्कैल्प पर उसके स्थान को दो अलग लेकिन जुड़े हुए आयोजनों के रूप में मानता है। यह डिज़ाइन कंप्यूटर को यह समझने में मदद करता है कि एक संकेत माप के स्थान के आधार पर अलग दिख सकता है, जिससे सिर के माध्यम से गुजरने वाली प्राकृतिक धुंधलाहट (blurring) की समस्या दूर हो जाती है। मॉडल का परीक्षण रोगियों के एक बड़े समूह पर किया गया और इसने अत्यधिक सटीकता प्रदर्शित की, जिसने अधिकांश मामलों में शामिल मस्तिष्क क्षेत्र की सही पहचान की। यह विभिन्न अस्पतालों के डेटा और बच्चों की रिकॉर्डिंग पर भी अच्छा प्रदर्शन कर पाया, जो यह दर्शाता है कि यह वास्तविक दुनिया के चिकित्सा अभ्यास में पाए जाने वाले स्वाभाविक बदलावों को संभाल सकता है।

शोधकर्ता ने 100 रोगियों से प्राप्त मस्तिष्क तरंगों की 6,000 घंटों से अधिक की एक विशाल डेटासेट तैयार की। उन्होंने इस डेटा को सावधानीपूर्वक साफ किया, शोर (noise) को हटाया और संकेतों को मापने के तरीके को मानकीकृत किया, इससे पहले कि इसे अपने सिस्टम में डाला जाए। कंप्यूटर को विद्युत स्पाइक्स के विशिष्ट आकारों को खोजने के लिए प्रशिक्षित किया गया जो एक सेकंड के अंश से लेकर कुछ दसवें हिस्से तक चलते हैं। एक एकल आदर्श पैटर्न खोजने के बजाय, सिस्टम विभिन्न गति से इन संकेतों को पकड़ने के लिए विश्लेषण के कई स्तरों का उपयोग करता है, ठीक वैसे ही जैसे एक रोगविज्ञानी (pathologist) सूक्ष्म विवरणों और व्यापक संरचनाओं दोनों को देखने के लिए विभिन्न आवर्धन (magnifications) के तहत एक ऊतक के नमूने की जांच कर सकता है। एक बार जब सिस्टम इन संकेतों की पहचान कर लेता है, तो यह एक विशेष पद्धति का उपयोग करता है यह तय करने के लिए कि वे मस्तिष्क के किस भाग से आए हैं। यह "कब" संकेत हुआ और "कहाँ" इसे रिकॉर्ड किया गया, इन दोनों प्रश्नों को अलग करके करता है, जिससे यह पिछले तरीकों की तुलना में विद्युत गतिविधि के मार्ग को अधिक स्पष्ट रूप से ट्रैक कर पाता है।

इस अध्ययन के परिणाम उत्साहजनक हैं। जब इसे उन रोगियों के समूह पर परखा गया जिन्हें इसने पहले कभी नहीं देखा था, तो इसने लगभग 89 प्रतिशत सत्रों में सीज़र ऑनसेट ज़ोन की सही पहचान की। यह प्रदर्शन मौजूदा कंप्यूटर मॉडलों की तुलना में काफी बेहतर था, जो मानक, गैर-इनवेसिव रिकॉर्डिंग के साथ विभिन्न मस्तिष्क क्षेत्रों के बीच अंतर करने में संघर्ष करते हैं। सिस्टम ने एक अलग अस्पताल के रोगियों के एक अलग समूह पर परीक्षण करते समय भी उल्लेखनीय विश्वसनीयता दिखाई, जिसमें कई बच्चे भी शामिल थे, और 84 प्रतिशत से अधिक की सटीकता प्राप्त की। शायद सबसे महत्वपूर्ण बात यह है कि स्वस्थ लोगों के रिकॉर्डिंग पर परीक्षण करते समय, जिनका मिर्गी का कोई इतिहास नहीं था, सिस्टम ने कोई गलत अलार्म (false alarm) नहीं दिया, और सही ढंग से पहचाना कि रिपोर्ट करने के लिए कोई दौरे की गतिविधि नहीं थी। वास्तविक मस्तिष्क संकेतों को हानिरहित शोर से अलग करने की यह क्षमता नैदानिक उपयोग के लिए महत्वपूर्ण है, क्योंकि इसका अर्थ है कि इस उपकरण पर भरोसा किया जा सकता है कि यह केवल उन्हीं मामलों को चिह्नित करेगा जिन्हें वास्तव में डॉक्टर के ध्यान की आवश्यकता है।

सटीकता के अलावा, यह सिस्टम गति में एक नाटकीय सुधार प्रदान करता है। मस्तिष्क की गतिविधि की एक पूर्ण 24 घंटे की रिकॉर्डिंग, जिसे मैन्युअल रूप से समीक्षा करने में विशेषज्ञों की एक टीम को घंटों या यहाँ तक कि दिनों का समय लगता है, इस सिस्टम द्वारा केवल चार मिनट से कुछ अधिक समय में संसाधित की जा सकती है। कंप्यूटर द्वारा मस्तिष्क तरंगों का वास्तविक विश्लेषण करने में आठ सेकंड से भी कम समय लगता है; शेष समय केवल डेटा फ़ाइलों को पढ़ने और उन्हें विश्लेषण के लिए तैयार करने में खर्च होता है। यह गति यह सुझाव देती है कि इस उपकरण का उपयोग रोगियों की त्वरित स्क्रीनिंग के लिए किया जा सकता है, जिससे विशेषज्ञ की विस्तृत समीक्षा के लिए सबसे संभावित क्षेत्रों को उजागर किया जा सके। शोधकर्ता इस बात पर जोर देते हैं कि इस सिस्टम का उद्देश्य न्यूरोलॉजिस्ट के निर्णय का स्थान लेना नहीं है, बल्कि एक शक्तिशाली सहायक के रूप में कार्य करना है। मस्तिष्क के खोज क्षेत्र को सीमित करके और एक स्पष्ट, डेटा-संचनित सुझाव प्रदान करके कि दौरा कहाँ शुरू हो सकता है, यह डॉक्टरों को अधिक सटीक सर्जरी की योजना बनाने और रोगियों को लंबे, जोखिम भरे निगरानी या इनवेसिव प्रक्रियाओं से बचाने में मदद कर सकता है।

अध्ययन ने यह भी पता लगाया कि सिस्टम कैसे काम करता है जब इसके पास विशिष्ट मार्कर नहीं होते जो यह बताते हों कि स्पाइक कब हुआ था, जो एक वास्तविक दुनिया की स्थिति का अनुकरण करता है जहाँ एक डॉक्टर के पास हर घटना का सटीक लॉग नहीं हो सकता है। इन स्थितियों में भी, सिस्टम ने उच्च स्तर की सटीकता बनाए रखी, और लगभग दो-तिहाई मामलों में मस्तिष्क क्षेत्र की सही पहचान की, जो कि यादृच्छिक संभावना (random chance) से एक महत्वपूर्ण सुधार है। शोधकर्ता ने पाया कि सिस्टम फ्रंटल और टेम्पोरल लोब्स (frontal and temporal lobes) में दौरों की पहचान करने में विशेष रूप से अच्छा था, जो मिर्गी के सबसे सामान्य स्थल हैं। हालांकि यह ओसीसीपिटल लोब (occipital lobe - सिर के पीछे का हिस्सा) के लिए थोड़ा कम सटीक था, जो संभवतः खोपड़ी के माध्यम से संकेतों का पता लगाने की कठिनाई के कारण था, फिर भी सिस्टम ने पिछले तरीकों की तुलना में इन मामलों को अधिक बार पहचानने में सफलता प्राप्त की। शोधकर्ता ने यह भी नोट किया कि सिस्टम ने सामान्य विकर्षणों, जैसे कि मांसपेशियों की हलचल या आंखों के झपकने को अनदेखा करना सीख लिया, जो अक्सर अन्य कंप्यूटर प्रोग्रामों को भ्रमित कर देते हैं, क्योंकि यह केवल उनके आकार के बजाय मस्तिष्क के पार विद्युत संकेतों के यात्रा करने के विशिष्ट तरीके पर केंद्रित रहा।

यह कार्य मिर्गी के उपचार को सुरक्षित और अधिक कुशल बनाने की दिशा में एक महत्वपूर्ण कदम है। यह सिद्ध करके कि नियमित, गैर-आक्रामक मस्तिष्क रिकॉर्डिंग में दौरे के स्रोत को उच्च सटीकता के साथ खोजने के लिए पर्याप्त जानकारी होती है, शोधकर्ता ने निदान के लिए एक नया मार्ग खोल दिया है। विभिन्न रोगी समूहों, जिनमें बच्चे और अलग-अलग अस्पतालों के वयस्क शामिल हैं, के बीच काम करने की सिस्टम की क्षमता यह सुझाव देती है कि यह दुनिया भर के क्लीनिकों के लिए एक विश्वसनीय उपकरण हो सकता है। हालांकि शोधकर्ता स्वीकार करते हैं कि भविष्य के नैदानिक परीक्षणों (prospective clinical trials) में इन निष्कर्षों की पुष्टि करने के लिए आगे के परीक्षणों की आवश्यकता है, वर्तमान परिणाम एक ऐसे भविष्य के लिए एक मजबूत आधार प्रदान करते हैं जहाँ रोगी बिना किसी इनवेसिव प्रक्रिया के तेजी से और अधिक सटीक निदान प्राप्त कर सकते हैं। यह उपकरण मस्तिष्क तरंग डेटा की जटिल, शोर भरी वास्तविकता और डॉक्टरों को अपने रोगियों की मदद करने के लिए आवश्यक स्पष्ट, कार्रवाई योग्य जानकारी के बीच एक सेतु का काम करता है।