An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals
यह अध्ययन एक व्याख्यात्मक पदानुक्रमित मशीन लर्निंग ढांचे को प्रस्तुत करता है जो फ्रंटल परम्यूटेशन एंट्रॉपी और टेम्पोरल स्पेक्ट्रल फीचर्स जैसे सुदृढ़ ईईजी (EEG) बायोमार्कर की पहचान करने के लिए सीक्वेंसियल फॉरवर्ड सिलेक्शन को SHAP विश्लेषण के साथ एकीकृत करता है, जो सिज़ोफ्रेनिया रोगियों को स्वस्थ नियंत्रणों से अलग करने में 81.44% तक सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव मस्तिष्क विद्युत संकेतों का एक विशाल, गूँजता हुआ नेटवर्क है, जो लगातार उन पैटर्नों में सक्रिय रहता है जो हमारे विचारों, भावनाओं और स्वास्थ्य की स्थितियों के साथ बदलते रहते हैं। दशकों से, डॉक्टर सिज़ोफ्रेनिया जैसे जटिल मानसिक स्वास्थ्य विकारों के निदान के लिए साक्षात्कारों और अवलोकन पर निर्भर रहे हैं, जो एक ऐसी बीमारी है जो एक व्यक्ति के सोचने, महसूस करने और दुनिया के साथ बातचीत करने के तरीके को बदल देती है। जबकि ये नैदानिक विधियाँ आवश्यक हैं, वे व्यक्तिपरक भी हैं, जिससे अक्सर देरी या गलत वर्गीकरण होता है। हाल के वर्षों में, वैज्ञानिकों ने इलेक्ट्रोएन्सेफलोग्राफी (EEG) की ओर रुख किया है, जो एक गैर-आक्रामक तकनीक है जिसमें मस्तिष्क की विद्युत गतिविधि को रिकॉर्ड करने के लिए स्कैल्प पर सेंसर लगाए जाते हैं। महंगे ब्रेन स्कैन के विपरीत, EEG किफायती और पोर्टेबल है, जो मस्तिष्क की वास्तविक समय की गतिशीलता की एक सीधी खिड़की प्रदान करता है। चुनौती हमेशा यह रही है कि ये विद्युत संकेत अविश्वसनीय रूप से जटिल और सूक्ष्म होते हैं, जिससे एक स्वस्थ मस्तिष्क और बीमारी से प्रभावित मस्तिष्क के बीच विशिष्ट पैटर्न को पहचानना कठिन हो जाता है।
ईरान के कई विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस समस्या से निपटने का एक नया तरीका विकसित किया है, एक ऐसी प्रणाली बनाई है जो न केवल इन पैटर्नों की पहचान करती है बल्कि यह भी बताती है कि उसने उन्हें वास्तव में कैसे पाया। 101 लोगों—51 जिन्हें सिज़ोफ्रेनिया का निदान किया गया था और 50 स्वस्थ स्वयंसेवक—के रिकॉर्डिंग का विश्लेषण करके, शोधकर्ताओं ने एक मशीन लर्निंग फ्रेमवर्क बनाया जो उल्लेखनीय सटीकता के साथ दोनों समूहों के बीच अंतर करने में सक्षम है। अध्ययन ने दो विशिष्ट अवस्थाओं पर ध्यान केंद्रित किया: जब प्रतिभागियों ने अपनी आँखें बंद रखी थीं और जब उन्होंने अपनी आँखें खुली रखी थीं। इस प्रणाली ने केवल अनुमान नहीं लगाया; इसने मस्तिष्क की तरंगों के हजारों गणितीय विवरणों को छाँटा, सबसे महत्वपूर्ण विवरणों को चुना, और निर्णय लेने के लिए एक शक्तिशाली कंप्यूटर एल्गोरिदम का उपयोग किया। महत्वपूर्ण रूप से, शोधकर्ताओं ने केवल "हाँ या ना" के उत्तर पर ही नहीं रुक गए। उन्होंने कंप्यूटर के निर्णय लेने की प्रक्रिया की परतों को खोलने के लिए एक विधि का उपयोग किया, जिससे यह पता चला कि मस्तिष्क के कौन से विशिष्ट हिस्से और किस प्रकार की विद्युत गतिविधि निदान के लिए सबसे महत्वपूर्ण थे।
इस कार्य का मुख्य आधार यह है कि शोधकर्ताओं ने EEG सेंसरों से एकत्र किए गए डेटा की विशाल मात्रा को कैसे संभाला। प्रत्येक रिकॉर्डिंग से भारी मात्रा में जानकारी उत्पन्न होती थी, जो एक कंप्यूटर के लिए बिना भ्रमित हुए कुशलतापूर्वक संसाधित करना बहुत कठिन था। इस समस्या को हल करने के लिए, टीम ने उपलब्ध हजारों मापों में से बीस सबसे उपयोगी मापों को खोजने के लिए एक चरण-दर-चरण चयन प्रक्रिया का उपयोग किया। ये माप केवल साधारण औसत नहीं थे; इनमें इस बात के जटिल विवरण शामिल थे कि मस्तिष्क की तरंगें कितनी अराजक या व्यवस्थित थीं, और विभिन्न गति श्रेणियों में कितनी ऊर्जा मौजूद थी। एक बार जब डेटा का यह छोटा, उच्च-गुणवत्ता वाला सेट तैयार हो गया, तो शोधकर्ताओं ने दस अलग-अलग प्रकार के कंप्यूटर लर्निंग मॉडल्स का परीक्षण किया ताकि यह देखा जा सके कि कौन सा मॉडल रोगियों को स्वस्थ नियंत्रण समूह से अलग करने में सबसे अच्छा प्रदर्शन कर सकता है। उन्होंने एक कठोर परीक्षण पद्धति का उपयोग किया जहाँ कंप्यूटर को लगभग सभी लोगों के डेटा पर प्रशिक्षित किया गया और फिर एक ऐसे व्यक्ति पर परीक्षण किया गया जिसे उसने पहले कभी नहीं देखा था, और यह प्रक्रिया हर प्रतिभागी के लिए दोहराई गई ताकि यह सुनिश्चित हो सके कि परिणाम वास्तविक हैं और केवल एक भाग्यशाली अनुमान नहीं हैं।
परिणामों ने दिखाया कि कंप्यूटर मॉडल तब सबसे अच्छा प्रदर्शन करते थे जब प्रतिभागियों ने अपनी आँखें बंद रखी थीं। इस शांत, विश्राम की अवस्था में, सबसे सफल मॉडलों ने लगभग 81 प्रतिशत बार स्थिति की सही पहचान की। जो मॉडल सबसे अच्छे काम करने वाले थे, वे उन मॉडलों की नकल करते थे जो एक निर्णय पर मतदान करने के लिए विशेषज्ञों के एक समूह की तरह काम करते हैं, यानी एक अंतिम निष्कर्ष तक पहुँचने के लिए कई छोटे निर्णयों को जोड़ते हैं। जब प्रतिभागियों ने अपनी आँखें खोलीं, तो मॉडल अभी भी समूहों के बीच अंतर करने में सक्षम थे, लेकिन सटीकता थोड़ी कम हो गई, जिससे यह संकेत मिलता है कि बाहरी दुनिया को प्रोसेस करते समय मस्तिष्क की गतिविधि की तुलना में इसकी आंतरिक, विश्राम की गतिविधि विकार के स्पष्ट संकेत रखती है। कंप्यूटर ने निर्णय लेने के लिए किसी एक प्रकार के सिग्नल पर भरोसा नहीं किया; इसके बजाय, उसने पाया कि विभिन्न मापों का मिश्रण सबसे अच्छा काम करता है। सबसे महत्वपूर्ण संकेत मस्तिष्क के अगले और पार्श्व हिस्सों से आए, विशेष रूप से तरंगों की गति और उनके पैटर्न की जटिलता से संबंधित थे।
शायद इस अध्ययन का सबसे महत्वपूर्ण योगदान वह पारदर्शिता है जो यह प्रक्रिया में लाता है। कई पिछले प्रयासों में जहाँ कंप्यूटर का उपयोग चिकित्सा निदान के लिए किया गया था, वहाँ प्रणाली एक "ब्लैक बॉक्स" की तरह कार्य करती है, जो बिना यह बताए कि क्यों, एक उत्तर दे देती है। यहाँ, शोधकर्ताओं ने एक उपकरण का उपयोग किया जो यह मानचित्रित कर सके कि किन विशेषताओं ने कंप्यूटर के निर्णयों को संचालित किया। उन्होंने पाया कि सबसे प्रभावशाली सिग्नल मस्तिष्क के सामने के मध्य भाग से प्राप्त जटिलता का एक माप था। जब यह सिग्नल अत्यधिक जटिल था, तो कंप्यूटर सिज़ोफ्रेनिया के निदान की ओर झुका; जब यह सरल था, तो यह स्वस्थ निदान की ओर झुका। अन्य प्रमुख संकेतों में सिर के किनारों पर स्थित टेम्पोरल क्षेत्रों में विशिष्ट मस्तिष्क तरंग लय की शक्ति शामिल थी। यह खोज बताती है कि विकार मस्तिष्क के किसी एक टूटे हुए हिस्से से परिभाषित नहीं होता है, बल्कि इस बात के संयोजन से होता है कि विभिन्न क्षेत्र सूचना को कैसे संसाधित करते हैं और उनकी विद्युत गतिविधि कितनी अराजक हो जाती है।
शोधकर्ता इस बात पर ध्यान देने में सावधानी बरतते हैं कि हालांकि उनकी प्रणाली ने अच्छा प्रदर्शन किया, लेकिन इसका परीक्षण एक विशिष्ट समूह के लोगों पर किया गया था जो एक ही मेडिकल सेंटर से थे। इसका अर्थ यह है कि निष्कर्ष उत्साहजनक हैं लेकिन अभी तक दुनिया के हर अस्पताल के लिए अंतिम समाधान नहीं हैं। अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि सरल, छोटे पैमाने के परीक्षण पर्याप्त हैं, यह दिखाते हुए कि बहुत कम प्रतिभागियों वाले पिछले अध्ययनों ने अत्यधिक आशावादी परिणाम दिए जो अधिक सख्ती से परीक्षण किए जाने पर टिक नहीं सके। लोगों के एक बड़े समूह और एक सख्त परीक्षण पद्धति का उपयोग करके, यह अध्ययन क्या संभव है उसकी अधिक यथार्थवादी तस्वीर प्रदान करता है। यह कार्य प्रदर्शित करता है कि मस्तिष्क तरंग मापों के सावधानीपूर्वक चयन को उन्नत कंप्यूटर लर्निंग के साथ जोड़कर एक विश्वसनीय नैदानिक उपकरण बनाया जा सकता है। यह यह भी सिद्ध करता है कि इन उपकरणों को समझने योग्य बनाया जा सकता है, जो डॉक्टरों और रोगियों को ठीक से दिखा सकते हैं कि निष्कर्ष तक पहुँचने के लिए किन जैविक संकेतों का उपयोग किया जा रहा है। यह दृष्टिकोण अधिक वस्तुनिष्ठ, मस्तिष्क-आधारित उपकरणों की ओर एक मार्ग प्रदान करता है जो एक दिन डॉक्टरों को सिज़ोफ्रेनिया का जल्दी और अधिक सटीक रूप से निदान करने में मदद कर सकते हैं, जो व्यक्तिपरक साक्षात्कारों से आगे बढ़कर मस्तिष्क की विद्युत वास्तविकता की एक स्पष्ट समझ की ओर ले जाता है।
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।