Within-cohort discrimination and cross-cohort transfer of EEG-based ADHD classifiers: An exploratory two-cohort evaluation
यह अन्वेषणात्मक अध्ययन प्रकट करता है कि जहाँ EEG-आधारित क्लासिफायर ADHD वाले वयस्कों के लिए मजबूत कोहॉर्ट-भीतर (within-cohort) विभेदन प्राप्त करते हैं, वहीं वे बच्चों पर सामान्यीकरण करने में विफल रहते हैं और अक्सर कोहॉर्ट्स के बीच विपरीत रैंकिंग उत्पन्न करते हैं, जो आयु, कार्य और अधिग्रहण के अनपृथक अंतरों के कारण क्रॉस-कोहॉर्ट हस्तांतरणीयता की महत्वपूर्ण सीमाओं को उजागर 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
मानव मस्तिष्क एक जटिल विद्युत अंग है, जो लगातार संकेत भेजता रहता है जिन्हें स्कैल्प (खोपड़ी) से सेंसरों के माध्यम से मापा जा सकता है। ये संकेत, जिन्हें इलेक्ट्रोएन्सेफलोग्राफी या ईईजी (EEG) कहा जाता है, प्रत्येक व्यक्ति के लिए एक अद्वितीय विद्युत फिंगरप्रिंट बनाते हैं। दशकों से, वैज्ञानिक इन फिंगरप्रिंट्स का उपयोग विशिष्ट मस्तिष्क स्थितियों, जैसे कि अटेंशन-डेफिसिट/हाइपरएक्टिविटी डिसऑर्डर, या एडीएचडी (ADHD) की पहचान करने के लिए करने की आशा कर रहे थे। विचार यह है कि यदि कोई कंप्यूटर स्वस्थ मस्तिष्क और एडीएचडी वाले मस्तिष्क के विद्युत पैटर्न को पहचानना सीख जाए, तो यह अंततः डॉक्टरों को तेज़ और अधिक सटीक निदान करने में मदद कर सकता है। हालाँकि, एक बड़ी बाधा मौजूद है: जैसे-जैसे हम बढ़ते हैं, मस्तिष्क बदल जाता है, और जिस तरह से हम इन संकेतों को रिकॉर्ड करते हैं, वह इस बात पर निर्भर करता है कि व्यक्ति उस क्षण क्या कर रहा है। एक बच्चे के स्थिर बैठने के दौरान पाया गया पैटर्न एक वयस्क के पैटर्न से बहुत अलग हो सकता है, या उसी बच्चे द्वारा कोई अलग कार्य करने के दौरान भी अलग हो सकता है। बड़ा सवाल यह है कि क्या एक कंप्यूटर प्रोग्राम, जिसे एक समूह के लोगों में एडीएचडी पहचानने के लिए प्रशिक्षित किया गया है, वास्तव में पूरी तरह से अलग समूह के लोगों पर काम कर सकता है, या यह केवल उसी विशिष्ट समूह के लिए काम करता है जिस पर इसे सिखाया गया था।
एक हालिया अध्ययन ने इस सटीक समस्या का परीक्षण करने के लिए दो बहुत ही अलग समूहों का उपयोग किया। शोधकर्ताओं ने 121 बच्चों से डेटा एकत्र किया जो एक दृश्य कार्य (visual task) कर रहे थे और 79 वयस्कों से जो आँखें खुली रखकर बस आराम कर रहे थे। उन्होंने एक मॉडल बनाने के लिए एक मानक कंप्यूटर लर्निंग पद्धति का उपयोग किया जो एडीएचडी वाले लोगों और बिना एडीएचडी वाले लोगों के बीच अंतर कर सके, लेकिन उन्होंने इसे बहुत सख्त तरीके से किया। उन्होंने मॉडल को एक समूह पर प्रशिक्षित किया और फिर तुरंत बिना किसी बदलाव या समायोजन के उसे दूसरे समूह पर आज़माया। यह एक छात्र को जंगल में एक विशिष्ट प्रकार के पक्षी को पहचानने के लिए सिखाने और फिर उसी पक्षी को एक पूरी तरह से अलग जंगल में पहचानने के लिए कहने जैसा है, जहाँ रोशनी और पेड़ अलग हैं, और बिना किसी नए मार्गदर्शक के।
परिणाम चौंकाने वाले थे और उन्होंने इस बात के बीच एक गहरा विभाजन प्रकट किया कि एक एकल समूह के भीतर क्या होता है और जब आप दूसरे समूह में जाने का प्रयास करते हैं तो क्या होता है। जब शोधकर्ताओं ने उन कंप्यूटर मॉडलों का परीक्षण उन वयस्स्कों पर किया जिनके लिए उन्हें प्रशिक्षित किया गया था, तो सिस्टम असाधारण रूप से अच्छा काम कर रहा था। इसने वयस्कों में एडीएचडी की पहचान लगभग 95% बार सही ढंग से की, सटीकता का एक ऐसा स्तर जो बताता है कि वयस्क समूह में विद्युत पैटर्न बहुत विशिष्ट और कंप्यूटर के लिए सीखने में आसान थे। हालाँकि, जब उसी कंप्यूटर मॉडल को, जिसे वयस्कों पर प्रशिक्षित किया गया था, बच्चों पर लागू किया गया, तो यह पूरी तरह से विफल रहा। वास्तव में, इसने एडीएचडी वाले बच्चों को इस तरह से रैंक किया जैसे वे स्वस्थ हों, और स्वस्थ बच्चों को इस तरह से जैसे उनमें विकार हो। उल्टा भी सच था: बच्चों पर प्रशिक्षित मॉडल वयस्कों पर परीक्षण करते समय खराब प्रदर्शन करता था, और अक्सर समूहों को अपेक्षित क्रम के विपरीत रैंक करता था।
यह खोज केवल तकनीक की साधारण विफलता नहीं है; यह इस बात पर प्रकाश डालती है कि उम्र और कार्यों के बीच मस्तिष्क संकेतों का व्यवहार मौलिक रूप से कैसे बदल जाता है। शोधकर्ताओं ने पाया कि विशिष्ट विद्युत विशेषताएं, जिन्होंने वयस्कों को वर्गीकृत करना आसान बनाया था, बच्चों के लिए सहायक होने वाली विशेषताओं से पूरी तरह से अलग थीं। वयस्क समूह में, कंप्यूटर ने मस्तिष्क तरंगों की आवृत्ति (frequency) पर बहुत अधिक भरोसा किया, जो संकेतों के दोलन (oscillation) की गति का एक माप है। बच्चों में, इन्हीं आवृत्ति मापों ने लगभग कोई उपयोगी जानकारी प्रदान नहीं की। अध्ययन ने दिखाया कि भले ही शोधकर्ताओं ने बिल्कुल उन्हीं सेंसरों का उपयोग किया हो, उन्हीं दो स्थानों पर और समान समय के लिए रिकॉर्डिंग की हो, मूल डेटा इतना अलग था कि एक समूह के लिए प्रशिक्षित मॉडल दूसरे के लिए बेकार हो गया।
शोधकर्ताओं ने यह भी परीक्षण किया कि प्रशिक्षण के लिए उपयोग किए गए डेटा की मात्रा ने परिणामों को कैसे प्रभावित किया। उन्होंने पाया कि कंप्यूटर को बच्चों से अधिक डेटा देने से समस्या ठीक नहीं हुई। यहाँ तक कि जब उन्होंने मॉडल को बच्चों की उपलब्ध सभी रिकॉर्डिंग दी, तो भी मॉडल भ्रमित ही रहा, हालाँकि इसके प्रदर्शन में थोड़ा सुधार हुआ और यह रैंडम गेसिंग (यादृच्छिक अनुमान) के करीब पहुँच गया। वयस्कों के लिए प्रशिक्षित मॉडल वयस्कों के लिए अत्यधिक सटीक रहा लेकिन बच्चों के लिए बेकार बना रहा। यह सुझाव देता है कि मुद्दा केवल डेटा की कमी या अधिक प्रशिक्षण समय की आवश्यकता नहीं है। इसके बजाय, एक बच्चे द्वारा कार्य करने और एक वयस्क के आराम करने के बीच सिग्नल की प्रकृति इतनी नाटकीय रूप से बदल जाती है कि एक ही नियमों का सेट दोनों पर लागू नहीं हो सकता।
अध्ययन यह निष्कर्ष निकालता है कि एक ब्रेन-कंप्यूटर मॉडल की सफलता उस विशिष्ट समूह से गहराई से जुड़ी होती है जिसके लिए इसे बनाया गया है। एक मॉडल जो एक आबादी के लिए पूरी तरह से काम करता है, वह स्वचालित रूप से दूसरी आबादी के लिए काम नहीं करता है, भले ही लक्ष्य एक ही चिकित्सा निदान हो। शोधकर्ता इस बात पर जोर देते हैं कि इसका मतलब यह नहीं है कि तकनीक टूटी हुई है या एडीएचडी को मस्तिष्क तरंगों के माध्यम से पता नहीं लगाया जा सकता है। बल्कि, इसका अर्थ यह है कि वर्तमान विधियाँ अभी तक विभिन्न आयु समूहों और विभिन्न गतिविधियों के बीच के अंतर को पाटने के लिए पर्याप्त मजबूत नहीं हैं। ये निष्कर्ष क्षेत्र के लिए एक आवश्यक वास्तविकता की जाँच के रूप में कार्य करते हैं, जो दिखाते हैं कि एक सेटिंग में उच्च सटीकता दूसरे में सफलता की गारंटी नहीं देती है। जब तक वैज्ञानिक ऐसा मॉडल बनाने का तरीका नहीं खोज लेते जो बच्चों और वयस्कों के बीच, या विभिन्न कार्यों के बीच इन गहरे अंतरों को समझ सके, ये उपकरण उन विशिष्ट समूहों तक ही सीमित रहेंगे जिनके लिए उन्हें डिज़ाइन किया गया है, न कि एक सार्वभौमिक नैदानिक उपकरण के रूप में।
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।