Current gaps in downstream applications of fMRI foundation models: lessons learned from BrainLM & BrainHarmonix on Prevent-AD

मानव मस्तिष्क अरबों कोशिकाओं का एक विशाल, गूँजता हुआ नेटवर्क है जो विद्युत संकेतों के माध्यम से संचार करते हैं। यह नेटवर्क कैसे काम करता है, इसे समझने के लिए वैज्ञानिक अक्सर फंक्शनल मैग्नेटिक रेजोनेंस इमेजिंग (fMRI) नामक एक शक्तिशाली कैमरे का उपयोग करते हैं। यह मशीन स्थिर फोटोग्राफ नहीं लेती; इसके बजाय, यह मस्तिष्क का एक 'मूवी' रिकॉर्ड करती है जब वह विश्राम की स्थिति में होता है, जो विभिन्न क्षेत्रों में उठने वाली गतिविधि की सूक्ष्म लहरों को पकड़ती है। यह देखते हुए कि ये क्षेत्र आपस में तालमेल बिठाकर कैसे ऊपर-नीचे होते हैं, शोधकर्ता मस्तिष्क के कार्यात्मक कनेक्शनों का मानचित्र बना सकते हैं, ठीक वैसे ही जैसे किसी शहर के मानचित्र पर यातायात के प्रवाह को ट्रैक करके यह देखा जाता है कि कौन से पड़ोस एक-दूसरे से सबसे निकटता से जुड़े हुए हैं। वर्षों से, इन मानचित्रों का विश्लेषण करने का मानक तरीका हर जोड़ी वाले क्षेत्रों के बीच संबंधों की ताकत को मापना रहा है। 'फंक्शनल कनेक्टिविटी' के रूप में ज्ञात यह विधि, किसी व्यक्ति की आयु या लिंग जैसी चीजों की भविष्यवाणी करने और अल्जाइमर जैसी बीमारियों के शुरुआती संकेतों को पहचानने के लिए एक मुख्य आधार रही है।

हाल ही में, विज्ञान के क्षेत्र में आर्टिफिशियल इंटेलिजेंस (AI) की एक नई लहर आई है, जो जटिल डेटा को समझने के हमारे तरीके में क्रांति लाने का वादा करती है। भाषा और दृष्टि जैसे क्षेत्रों में, "फाउंडेशन मॉडल्स" प्रसिद्ध हो गए हैं। ये विशाल कंप्यूटर प्रोग्राम हैं जिन्हें दुनिया के अंतर्नि층 पैटर्न को सीखने के लिए भारी मात्रा में डेटा पर प्रशिक्षित किया गया है, बिना किसी विशिष्ट उत्तर के। वे यह अनुमान लगाना सीखते हैं कि वाक्य में आगे क्या आएगा या कोई छवि कैसी दिखेगी, जिससे एक गहरी और लचीली समझ विकसित होती है जिसे नए, छोटे कार्यों पर लागू किया जा सकता है। मस्तिष्क विज्ञान के शोधकर्ता इस दृष्टिकोण को आज़माने के लिए उत्सुक रहे हैं, इस उम्मीद में कि वे हजारों ब्रेन स्कैन्स पर इसी तरह के विशाल मॉडल प्रशिक्षित कर सकेंगे ताकि वे मस्तिष्क की गतिविधि के सामान्य "व्याकरण" को सीख सकें। उम्मीद यह थी कि ये मॉडल शक्तिशाली उपकरण बन जाएंगे जिनका उपयोग कोई भी डॉक्टर या वैज्ञानिक बीमारियों का निदान करने या यह भविष्यवाणी करने के लिए कर सकेगा कि किसे भविष्य में याददाश्त संबंधी समस्याएं हो सकती हैं, भले ही उनके पास अपना बहुत कम डेटा हो।

शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए कि क्या यह वादा वास्तव में सच है, दो सबसे नए और उन्नत fMRI फाउंडेशन मॉडल्स, 'ब्रेनLM' (BrainLM) और 'ब्रेनहार्मोनिक्स' (BrainHarmonix) को चुना और उन्हें एक चुनौतीपूर्ण वास्तविक डेटासेट पर परखा। यह डेटासेट PREVENT-AD अध्ययन से आया था, जो उन सैकड़ों स्वस्थ वृद्ध वयस्कों का अनुसरण करता है जिनमें अल्जाइमर रोग का पारिवारिक इतिहास है। लक्ष्य यह देखना था कि क्या ये नए आर्टिफिशियल इंटेलिजेंस मॉडल चार विशिष्ट चीजों की भविष्यवाणी करने में पुराने, भरोसेमंद 'फंक्शनल कनेक्टिविटी' तरीकों से बेहतर प्रदर्शन कर सकते हैं: एक व्यक्ति का लिंग, उनकी आयु समूह, क्या वे भविष्य में हल्के संज्ञानात्मक दोष (mild cognitive impairment) का शिकार होंगे, और क्या उनके मस्तिष्क में प्रोटीन का एक विशिष्ट जमाव है जो अल्जाइमर का संकेत देता है। शोधकर्ता जानना चाहते थे कि क्या ये मॉडल स्वतंत्र वैज्ञानिकों द्वारा उपयोग के लिए तैयार हैं, या वे अभी भी उन प्रयोगशालाओं के बाहर लागू करने के लिए बहुत कठिन हैं जहाँ उन्हें बनाया गया था।

यह यात्रा एक बड़ी बाधा के साथ शुरू हुई: नए डेटा पर मॉडल्स को चलाना ही सरल नहीं था। जब टीम ने BrainLM के रचनाकारों द्वारा प्रदान किए गए सॉफ्टवेयर कोड का उपयोग करने की कोशिश की, तो पाया कि वह उनके डेटा के साथ काम नहीं कर रहा था। कोड ब्रेन स्कैन्स को साफ करने के एक कस्टम, घर पर बनाए गए तरीके पर निर्भर था जो न्यूरोसाइंटिस्ट्स द्वारा उपयोग किए जाने वाले मानक उपकरणों के साथ असंगत था। शोधकर्ताओं को डेटा प्रोसेसिंग के चरणों को फिर से लिखना पड़ा, और एक व्यापक रूप से स्वीकृत, मानक पद्धति पर स्विच करना पड़ा जिसका उपयोग बड़े समुदाय द्वारा किया जाता है। केवल इन महत्वपूर्ण बदलावों के बाद ही मॉडल ने ठीक से सीखना शुरू किया। दूसरे मॉडल, BrainHarmonix ने एक अलग प्रकार की समस्या पेश की। इसके दस्तावेजीकरण (documentation) में यह स्पष्ट नहीं किया गया था कि मॉडल के लिए नए डेटा को कैसे तैयार किया जाए, जिससे टीम को संकेतों को सामान्य (normalize) करने का सही तरीका अनुमान लगाने के लिए छोड़ दिया गया। उन्हें केवल एक ऐसा तरीका खोजने के लिए कई अलग-अलग दृष्टिकोणों का परीक्षण करना पड़ा जो स्थिर परिणाम दे सके। इन शुरुआती संघर्षों ने एक बड़े अंतर को उजागर किया: हालांकि मॉडल शक्तिशाली थे, लेकिन वे अभी तक इस तरह से पैक नहीं किए गए थे कि स्वतंत्र शोधकर्ता बिना किसी महत्वपूर्ण तकनीकी समस्या निवारण के उन्हें आसानी से उपयोग कर सकें।

एक बार जब मॉडल चलने लगे, तो टीम ने अपनी भविष्यवाणियों की तुलना मानक 'फंक्शनल कनेक्टिविटी' पद्धति और एक साधारण "डमी क्लासिफायर" से की, जो हर बार केवल सबसे आम उत्तर का अनुमान लगाता है। लिंग की भविष्यवाणी करने के लिए, पुरानी 'फंक्शनल कनेक्टिविटी' पद्धति वास्तव में विजेता थी। इसने नए फाउंडेशन मॉडल्स से निकाले गए किसी भी फीचर की तुलना में प्रतिभागियों के लिंग की अधिक सटीकता से पहचान की। आयु समूहों की भविष्यवाणी करने के लिए, BrainHarmonix मॉडल का एक फीचर, जो कार्यात्मक गतिविधि के बजाय संरचनात्मक मस्तिष्क छवियों से प्राप्त किया गया था, मानक पद्धति से थोड़ा बेहतर प्रदर्शन कर गया, लेकिन अंतर इतना कम था कि यह संयोगवश भी हो सकता था। नैदानिक लक्ष्यों (clinical targets) के लिए परिणाम और भी निराशाजनक थे। यह भविष्यवाणी करने के लिए कि किसे हल्के संज्ञानात्मक दोष विकसित होंगे या किसके मस्तिष्क में अल्जाइमर से संबंधित प्रोटीन का जमाव है, कोई भी फाउंडेशन मॉडल समग्र सटीकता के मामले में साधारण डमी क्लासिफायर को नहीं हरा सका। इसका मुख्य कारण यह था कि इन स्थितियों वाले लोगों के समूह स्वस्थ समूह की तुलना में बहुत छोटे थे, जिससे किसी भी मॉडल के लिए केवल बहुमत का अनुमान लगाए बिना कोई संकेत ढूंढना कठिन हो गया।

हालांकि, कहानी पूरी तरह से विफलता की नहीं थी। जब शोधकर्ताओं ने भविष्यवाणियों के विशिष्ट विवरणों को अधिक बारीकी से देखा, तो उन्हें आशा की एक सूक्ष्म किरण मिली। हालांकि मॉडल निदान के उपकरण के रूप में सटीक नहीं थे, लेकिन फाउंडेशन मॉडल्स के कुछ फीचर्स वास्तव में बीमारी वाले कुछ लोगों की पहचान करने में मानक पद्धति की तुलना में बेहतर थे। दूसरे शब्दों में, जब मॉडल ने सकारात्मक भविष्यवाणी की, तो उसके सही होने की संभावना थोड़ी अधिक थी, भले ही वह कई मामलों को मिस कर गया हो। यह सुझाव देता है कि मॉडल मस्तिष्क के डेटा में एक अलग, शायद अधिक सूक्ष्म संकेत को पकड़ रहे हैं जिसे मानक पद्धति मिस कर देती है। फिर भी, क्योंकि ये सुधार सांख्यिकीय रूप से महत्वपूर्ण नहीं थे, शोधकर्ता यह दावा नहीं कर सके कि मॉडल्स ने समस्या को निश्चित रूप से हल कर दिया है। निष्कर्ष बताते हैं कि भाषा मॉडल्स में देखी गई ज्ञान की शक्तिशाली 'ट्रांसफर क्षमता' अभी तक मस्तिष्क इमेजिंग में दोहराई नहीं जा सकी है।

अध्ययन यह निष्कर्ष निकालता है कि ये फाउंडेशन मॉडल्स अभी स्वतंत्र शोधकर्ताओं द्वारा नैदानिक उपयोग के लिए अपनाने हेतु तैयार नहीं हैं। उन्हें बहुत अधिक तकनीकी अनुकूलन की आवश्यकता है, और उन्होंने अभी तक यह साबित नहीं किया है कि वे दशकों से उपयोग की जा रही स्थापित, सरल पद्धतियों से बेहतर प्रदर्शन कर सकते हैं। लेखकों का तर्क है कि इन मॉडल्स को वास्तव में उपयोगी बनाने के लिए, क्षेत्र को मानकीकृत सॉफ्टवेयर टूल की आवश्यकता है जो उन्हें इंस्टॉल और चलाना आसान बनाएं, और भविष्य के अध्ययनों को हमेशा मानक 'फंक्शनल कनेक्टिविटी' बेसलाइन के विरुद्ध नए मॉडल्स की तुलना करनी चाहिए। तब तक, एक सार्वभौमिक मस्तिष्क मॉडल का सपना जो तुरंत अल्जाइमर का निदान कर सके या याददाश्त में गिरावट की भविष्यवाणी कर सके, केवल एक सपना ही रहेगा—जो अधिक कठोर परीक्षण और बेहतर इंजीनियरिंग के माध्यम से वास्तविकता बनने की प्रतीक्षा कर रहा है।