GlaucoFusionNet: A Causal Inference Aware Multimodal Explainable AI Framework with Counterfactual Reasoning for Glaucoma Risk Prediction

मानव आँख एक जटिल अंग है, और इसके सबसे खतरनाक मौन खतरों में से एक ग्लूकोमा (काला मोतिया) है। यह स्थिति ऑप्टिक नर्व (दृष्टि तंत्रिका) को धीरे-धीरे नुकसान पहुँचाती है, जो वह केबल है जो आँख से दृश्य जानकारी को मस्तिष्क तक ले जाती है, और अक्सर व्यक्ति के दृष्टि कम होने को महसूस करने से पहले ही उसे स्थायी अंधापन की ओर ले जाती है। दशकों से, डॉक्टर इस बीमारी को जल्दी पकड़ने के लिए आँख के पिछले हिस्से की तस्वीर लेने और रोगी के मेडिकल इतिहास की समीक्षा करने के संयोजन पर निर्भर रहे हैं। हालाँकि, पारंपरिक तरीके अक्सर उन पैटर्नों को पहचानने पर निर्भर करते हैं जो संयोगवश एक साथ दिखाई देते हैं, बजाय इसके कि वे उस वास्तविक कारण-प्रभाव संबंधों को समझें जो इस बीमारी को संचालित करते हैं। हालाँकि आधुनिक कंप्यूटर अब अविश्वसनीय गति के साथ आँख की छवियों को स्कैन कर सकते हैं, वे अक्सर एक 'ब्लैक बॉक्स' की तरह कार्य करते हैं, जो बिना यह बताए कि उन्होंने उस निष्कर्ष तक कैसे पहुँचा, एक निदान प्रदान करते हैं। पारदर्शिता की यह कमी डॉक्टरों के लिए मशीन पर भरोसा करना कठिन बना देती है, विशेष रूप से तब जब किसी रोगी का जीवन या दृष्टि दांव पर हो। इस अंतर को पाटने के लिए, शोधकर्ता अब ऐसे सिस्टम बना रहे हैं जो न केवल जोखिम की भविष्यवाणी करते हैं, बल्कि भविष्यवाणी के पीछे के तर्क को भी समझाते हैं और यह भी सिम्युलेट (अनुकरण) करते हैं कि रोगी की स्वास्थ्य स्थितियों में बदलाव कैसे उनके भविष्य को बदल सकता है।

शोधकर्ताओं ने इन चुनौतियों का समाधान करने के लिए 'ग्लूकोफ्यूजननेट' (GlaucoFusionNet) नामक एक नया कंप्यूटर फ्रेमवर्क विकसित किया है। यह सिस्टम एक साथ दो प्रकार की जानकारी देखने के लिए डिज़ाइन किया गया है: रेटिना की तस्वीरें, जो आँख के पिछले हिस्से की प्रकाश-संवेदनशील परत है, और संरचित चिकित्सा डेटा, जैसे कि रोगी की आयु, रक्तचाप और अन्य बीमारियों जैसे मधुमेह का इतिहास। इन दोनों सूचना स्रोतों को अलग-अलग मानने के बजाय, यह फ्रेमवर्क उन्हें आपस में जोड़ देता है, जिससे कंप्यूटर यह सीख पाता है कि आँख की भौतिक उपस्थिति और रोगी का समग्र स्वास्थ्य मिलकर जोखिम कैसे पैदा करते हैं। इसका लक्ष्य सरल सहसंबंध (correlation) से आगे बढ़ना है, जहाँ दो चीजें बस एक साथ दिखाई देती हैं, और 'कारण-संबंधी तर्क' (causal reasoning) की ओर बढ़ना है, जो पहचानता है कि कौन से कारक वास्तव में बीमारी को आगे बढ़ाते हैं। ऐसा करके, इस प्रणाली का लक्ष्य डॉक्टरों को प्रत्येक जोखिम स्कोर के लिए एक स्पष्ट और विश्वसनीय स्पष्टीकरण प्रदान करना है, जिससे उन्हें अपने रोगियों के लिए बेहतर निर्णय लेने में मदद मिल सके।

शोधकर्ताओं ने इस फ्रेमवर्क का परीक्षण एक सार्वजनिक डेटाबेस से प्राप्त आँखों की छवियों और रोगी रिकॉर्डों के एक बड़े संग्रह का उपयोग करके किया, जिसमें हजारों व्यक्तियों का डेटा शामिल था। उन्होंने कंप्यूटर को फंडस फोटोग्राफ्स में ग्लूकोमा के सूक्ष्म संकेतों को पहचानने और साथ ही क्लिनिकल वेरिएबल्स (नैदानिक चरों) का विश्लेषण करने के लिए प्रशिक्षित किया। सिस्टम ने आँख के विशिष्ट क्षेत्रों, विशेष रूप से 'ऑप्टिक डिस्क' पर ध्यान केंद्रित करना सीखा, जो वह बिंदु है जहाँ तंत्रिका आँख में प्रवेश करती है। जब कंप्यूटर ने कोई भविष्यवाणी की, तो उसने केवल 'हाँ' या 'नहीं' में उत्तर नहीं दिया; बल्कि इसने एक विजुअल हीट मैप (दृश्य ताप मानचित्र) तैयार किया जिसने ठीक उन्हीं हिस्सों को हाइलाइट किया जिन्होंने इसके निर्णय को प्रभावित किया। परीक्षणों में, सिस्टम ने हजारों स्वस्थ आँखों और सैकड़ों ग्लूकोमा के मामलों की बहुत कम त्रुटियों के साथ सही पहचान की, जिससे यह सिद्ध हुआ कि इमेज डेटा को रोगी के इतिहास के साथ जोड़ना, केवल एक या दूसरे को देखने की तुलना में अधिक सटीक चित्र प्रस्तुत करता है।

सटीकता के अलावा, इस फ्रेमवर्क को पारदर्शी बनाया गया था। शोधकर्ताओं ने ऐसे उपकरणों का उपयोग किया जिनसे वे देख सके कि कंप्यूटर के निर्णय के लिए कौन से चिकित्सा कारक सबसे महत्वपूर्ण थे। उदाहरण के लिए, सिस्टम ने दिखाया कि जबकि रेटिना की भौतिक उपस्थिति निदान का सबसे मजबूत चालक थी, आयु और मधुमेह की उपस्थिति जैसे कारकों ने भी जोखिम बढ़ाने में महत्वपूर्ण भूमिका निभाई। यह दृष्टिकोण डॉक्टरों को यह समझने में मदद करता है कि कंप्यूटर केवल अनुमान नहीं लगा रहा है, बल्कि विशिष्ट, नैदानिक रूप से प्रासंगिक साक्ष्यों को तौल रहा है। सिस्टम एक कदम आगे गया और 'काउंटरफैक्चुअल रीजनिंग' (प्रतितथ्यात्मक तर्क) नामक पद्धति का उपयोग किया। इसने शोधकर्ताओं को व्यक्तिगत रोगियों के बारे में "क्या होगा यदि" वाले प्रश्न पूछने की अनुमति दी। वे एक परिदृश्य का अनुकरण कर सके जहाँ एक रोगी की मधुमेह की गंभीरता को कम किया गया और देख सके कि कंप्यूटर की ग्लूकोमा जोखिम भविष्यवाणी कैसे बदली। यह क्षमता इस टूल को एक स्थिर कैलकुलेटर से बदलकर एक गतिशील सहायक में बदल देती है जो डॉक्टरों को विभिन्न उपचार पथों का पता लगाने में मदद कर सकती है।

अध्ययन के परिणामों ने दिखाया कि यह फ्रेमवर्क रोगियों को विभिन्न जोखिम समूहों में प्रभावी ढंग से वर्गीकृत कर सकता है। परीक्षण समूह के अधिकांश रोगियों को कम जोखिम वाला बताया गया, जबकि कुछ संख्या में मध्यम या उच्च जोखिम वाले रोगियों को चिह्नित किया गया, जिन्हें अधिक ध्यान देने की आवश्यकता थी। सिस्टम ने आँखों की छवियों और मेडिकल रिकॉर्ड से प्राप्त संयुक्त साक्ष्यों के आधार पर इन समूहों को सफलतापूर्वक अलग किया। इन जोखिम स्तरों को विज़ुअलाइज़ करके, यह फ्रेमवर्क डॉक्टरों को यह प्राथमिकता तय करने में मदद करता है कि किन रोगियों को तत्काल देखभाल की आवश्यकता है और किन्हें कम बार निगरानी की आवश्यकता है। अध्ययन ने यह भी पुष्टि की कि कंप्यूटर द्वारा खोजे गए स्वास्थ्य कारकों और नेत्र रोग के बीच के संबंध चिकित्सा विशेषज्ञों के मौजूदा ज्ञान से मेल खाते हैं, जैसे कि उच्च रक्त शर्करा और आँख के नुकसान के बीच का संबंध। यह संरेखण बताता है कि सिस्टम केवल डेटा में पैटर्न को याद नहीं कर रहा है, बल्कि वास्तविक चिकित्सा सत्यों को सीख रहा है।

अंततः, यह कार्य नेत्र देखभाल में आर्टिफिशियल इंटेलिजेंस के अनुप्रयोग के तरीके में एक बदलाव का प्रतिनिधित्व करता है। एक रहस्यमय भविष्यवक्ता के रूप में अंतिम निर्णय देने के बजाय, ग्लूकोफ्यूजननेट एक सहयोगी भागीदार के रूप में कार्य करता है जो अपना काम दिखाता है। यह बताता है कि वह किसी विशिष्ट रोगी को लेकर क्यों चिंतित है, आँख के उन हिस्सों को हाइलाइट करता है जिन्हें ध्यान देने की आवश्यकता है, और डॉक्टरों को यह परीक्षण करने की अनुमति देता है कि रोगी के स्वास्थ्य में परिवर्तन उनके भविष्य के दृष्टिकोण को कैसे बदल सकते हैं। हालाँकि इस सिस्टम का परीक्षण मौजूदा डेटा पर किया गया था और अभी तक लाइव अस्पताल सेटिंग में नहीं किया गया है, फिर भी निष्कर्ष बताते हैं कि ऐसा टूल ग्लूकोमा स्क्रीनिंग की विश्वसनीयता में काफी सुधार कर सकता है। निर्णय लेने की प्रक्रिया को स्पष्ट और कारण-प्रभाव तर्क पर आधारित बनाकर, यह फ्रेमवर्क शीघ्र, अधिक सूचित और व्यक्तिगत चिकित्सा देखभाल के माध्यम से अंधापन रोकने की दिशा में एक आशाजनक मार्ग प्रदान करता है।