Speech Foundation Models for Parkinson’s Disease Detection: A Layer-Wise Comparison with Handcrafted Acoustics Across Two Cohorts
यह अध्ययन प्रदर्शित करता है कि स्पीच फाउंडेशन मॉडल्स, विशेष रूप से जब मध्यवर्ती-से-विलंबित एनकोडर लेयर्स और सॉफ्ट-वोटिंग एग्रीगेशन का उपयोग किया जाता है, दो स्वतंत्र कोहॉर्ट्स में वाक्य पढ़ने के माध्यम से पार्किंसंस रोग का पता लगाने में हस्तनिर्मित (handcrafted) ध्वनिक विशेषताओं से बेहतर प्रदर्शन करते हैं, हालांकि वे अभी भी जनसांख्यिकीय प्रदर्शन विषमताओं को प्रदर्शित करते हैं और निरंतर स्वरों (sustained vowels) पर अधिक परिवर्तनशील परिणाम दिखाते हैं।
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
पार्किंसंस रोग एक प्रगतिशील स्थिति है जो मस्तिष्क के चलने-फिरने के नियंत्रण को प्रभावित करती है, जिससे अक्सर कंपन, जकड़न और धीमी गति हो सकती है। हालांकि ये शारीरिक संकेत वे लक्षण हैं जिन्हें डॉक्टर आमतौर पर देखते हैं, लेकिन यह बीमारी मरीज के लड़खड़ाने या कांपने से बहुत पहले ही चुपचाप आवाज को नया रूप देने लगती है। सांस लेने, स्वर तंत्र (वोकल कॉर्ड्स) और जीभ को नियंत्रित करने वाली मांसपेशियां कम समन्वित हो जाती हैं, जिससे आवाज धीमी, सांस भरी या अजीब तरह से सपाट सुनाई देने लगती है। क्योंकि ये परिवर्तन औपचारिक निदान से वर्षों पहले दिखाई दे सकते हैं, इसलिए वैज्ञानिक लंबे समय से आवाज को इस बीमारी की जांच के लिए एक सरल, गैर-आक्रामक तरीके के रूप में उपयोग करने की आशा कर रहे हैं। दशकों तक, शोधकर्ताओं ने ध्वनि के विशिष्ट गुणों को मैन्युअल रूप से मापने के माध्यम से ऐसा करने का प्रयास किया है, जैसे कि पिच कितनी डगमगाती है या वॉल्यूम कितना स्थिर रहता है। ये हस्तनिर्मित माप अच्छे रहे हैं, लेकिन वे सीमित हैं क्योंकि वे भाषण को ध्वनि की एक बहती हुई नदी के बजाय एक स्थिर स्नैपशॉट की तरह देखते हैं।
हाल के वर्षों में, एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस उभरा है जो लाखों घंटों की मानवीय बातचीत को सुनकर भाषण को समझना सीखता है। इन प्रणालियों को 'फाउंडेशन मॉडल्स' कहा जाता है, जिन्हें शब्दों और वाक्यों को पहचानने के लिए प्रशिक्षित किया जाता है, लेकिन वे ध्वनि कैसे काम करती है, इसका एक गहरा आंतरिक मानचित्र भी बनाते हैं। दक्षिण कोरिया के पुक्यॉन्ग नेशनल यूनिवर्सिटी के शोधकर्ताओं के मन में यह विचार आया कि क्या ये शक्तिशाली, पूर्व-प्रशिक्षित प्रणालियाँ पारंपरिक मैन्युअल मापों की तुलना में पार्किंसंस के सूक्ष्म संकेतों को बेहतर ढंग से पकड़ सकती हैं। उन्होंने यह परीक्षण करने के लिए प्रयास किया कि क्या एआई (AI) की भाषण की आंतरिक समझ इस बीमारी का पता लगाने के लिए एक बेहतर उपकरण के रूप में काम कर सकती है, और यदि ऐसा है, तो एआई के मस्तिष्क का कौन सा हिस्सा मुख्य भूमिका निभा रहा है।
शोधकर्ताओं ने अपने विचारों का परीक्षण स्पेनिश बोलने वालों के दो अलग-अलग समूहों के वॉइस रिकॉर्डिंग का उपयोग करके किया: एक समूह कोलंबिया से और दूसरा स्पेन से। इन समूहों में पार्किंसंस से पीड़ित लोग और समान आयु एवं लिंग के स्वस्थ व्यक्ति शामिल थे। यह देखने के लिए कि विभिन्न स्थितियों में एआई कैसा प्रदर्शन करता है, उन्होंने प्रतिभागियों को दो विशिष्ट कार्य करने के लिए कहा। सबसे पहले, उन्होंने उन्हें एक एकल स्वर ध्वनि, जैसे कि "आह" (ah), को यथासंभव लंबे समय तक बनाए रखने के लिए कहा। यह कार्य वॉयस बॉक्स को अलग करता है और स्वर तंत्र की स्थिरता का परीक्षण करता है। दूसरा, उन्होंने प्रतिभागियों को वाक्यों की एक श्रृंखला को जोर से पढ़ने के लिए कहा जो ध्वनियों और लय की एक विस्तृत श्रृंखला को कवर करने के लिए सावधानीपूर्वक चुनी गई थी। इस कार्य के लिए जीभ, होंठ और सांस के जटिल समन्वय की आवश्यकता होती है, जो सामान्य बातचीत के प्रवाह की नकल करता है।
टीम ने इन रिकॉर्डिंग को उन्नत स्पीच एआई मॉडल्स के पांच अलग-अलग परिवारों में फीड किया। इन मॉडल्स में व्हिस्पर (Whisper) और वेव2वेक (Wav2Vec) जैसे प्रसिद्ध सिस्टम के साथ-साथ नेमोट्रॉन (Nemotron) और क्वेन (Qwen) जैसे नए, बड़े मॉडल शामिल थे। केवल एआई द्वारा दिए गए अंतिम उत्तर का उपयोग करने के बजाय, शोधकर्ताओं ने मॉडल्स के भीतर झाँका ताकि यह देख सकें कि एआई अपनी प्रोसेसिंग के हर चरण में क्या "सोच" रहा है। उन्होंने ध्वनि के गणितीय प्रतिनिधित्व को मॉडल की पहली परत से लेकर, जहाँ एआई कच्चे शोर को सुनता है, अंतिम परतों तक निकाला, जहाँ वह जटिल अर्थ को समझता है। फिर उन्होंने तुलना की कि विभिन्न परतें एक पार्किंसंस पीड़ित व्यक्ति और एक स्वस्थ व्यक्ति के बीच अंतर करने में कितनी प्रभावी थीं, जिसमें उन्होंने एआई की अंतर्दृष्टि को पारंपरिक मैन्युअल मापों के विरुद्ध परखा।
परिणामों से पता चला कि एआई मॉडल पारंपरिक मैन्युअल मापों की तुलना में बीमारी का पता लगाने में आम तौर पर बेहतर थे, लेकिन यह लाभ इस बात पर निर्भर करता था कि व्यक्ति क्या कह रहा था। जब प्रतिभागियों ने वाक्य पढ़े, तो एआई मॉडल काफी अधिक सटीक थे, जिसमें कोलंबियाई समूह में लगभग 0.88 का AUC प्राप्त हुआ और स्पेनिश समूह में इससे भी अधिक। एआई यहाँ उत्कृष्ट रहा क्योंकि वाक्यों को पढ़ने में मुंह और सांस की तीव्र, समन्वित गति शामिल होती है, जो ठीक वही है जहाँ पार्किंसंस सबसे अधिक समस्या पैदा करता है। पारंपरिक माप, जो स्थिर ध्वनियों पर ध्यान केंद्रित करते हैं, इन गतिशील त्रुटियों को मिस कर जाते हैं। हालाँकि, जब प्रतिभागियों ने केवल एक स्वर ध्वनि को बनाए रखा, तो अंतर कम हो गया। कुछ मामलों में, पुराने जमाने के मैन्युअल माप एआई के समान ही अच्छे थे, जिससे पता चलता है कि सरल, स्थिर ध्वनियों के लिए पारंपरिक दृष्टिकोण अभी भी प्रभावी है।
शोधकर्ताओं ने यह भी खोजा कि एआई को बीमारी खोजने के लिए अपनी सबसे गहरी, सबसे जटिल परतों की आवश्यकता नहीं थी। वास्तव में, मॉडल्स की मध्यवर्ती परतें अक्सर सबसे प्रभावी थीं। यह निष्कर्ष तर्कसंगत है क्योंकि इन एआई मॉडल्स की गहरी परतें व्याकरण और शब्दावली समझने के लिए प्रशिक्षित होती हैं, जबकि बीमारी भाषण की भौतिक यांत्रिकी को प्रभावित करती है। मध्य परतें ध्वनिक विवरणों और आवाज की लय को पकड़ने के लिए बिना शब्दों के अर्थ से विचलित हुए, एक आदर्श संतुलन बनाती हैं। दिलचस्प बात यह है कि एआई मॉडल्स को बड़ा बनाने से इस विशिष्ट चिकित्सा कार्य में स्वतः ही सुधार नहीं हुआ। अरबों पैरामीटर्स वाला एक विशाल मॉडल एक छोटे मॉडल की तुलना में लगातार श्रेष्ठ नहीं था, जो यह दर्शाता है कि पार्किंसंस का पता लगाने के लिए, सिस्टम के कुल आकार से अधिक विशिष्ट विशेषताओं की गुणवत्ता मायने रखती है।
अध्ययन ने यह भी खुलासा किया कि एआई सभी लोगों में बीमारी का पता लगाने में समान रूप से सक्षम नहीं था। मॉडल महिलाओं की तुलना में पुरुषों के लिए बेहतर प्रदर्शन करते थे, और एक समूह में, वे कम उम्र के लोगों की तुलना में वृद्ध वयस्कों में बीमारी की पहचान करने में बेहतर थे। यह सुझाव देता है कि हालांकि तकनीक शक्तिशाली है, फिर भी यह सभी जनसांख्यिकीय समूहों के साथ समान व्यवहार नहीं करती है। शोधकर्ताओं ने नोट किया कि ये अंतर संभवतः इस बात को दर्शाते हैं कि बीमारी विभिन्न समूहों में कैसे प्रकट होती है या प्रशिक्षण डेटा कैसे तैयार किया गया था, न कि स्वयं एआई में किसी दोष के कारण। उन्होंने यह भी पाया कि एआई पार्किंसंस वाले लोगों के भाषण को डिकोड करने में अधिक गलतियाँ करता था, जो इस विचार के अनुरूप है कि बीमारी भाषण को समझने में कठिन बना देती है, न कि केवल एक मेडिकल क्लासिफायर के लिए।
अंततः, यह अध्ययन पुष्टि करता है कि ये उन्नत स्पीच मॉडल्स पार्किंसंस का पता लगाने के लिए आशाजनक उपकरण हैं, विशेष रूप से जुड़े हुए भाषण (connected speech) जैसे कि वाक्य पढ़ने का विश्लेषण करते समय। वे उस जटिल, बहती हुई प्रकृति को पकड़ने का एक तरीका प्रदान करते हैं जिसे पुराने तरीके मिस कर देते हैं। हालाँकि, शोधकर्ता चेतावनी देते हैं कि ये उपकरण अभी तक नैदानिक निर्णय (clinical judgment) का पूर्ण विकल्प नहीं हैं। यह तकनीक तब सबसे अच्छा काम करती है जब यह किसी व्यक्ति की आवाज की पूरी कहानी को सुनती है, न कि केवल एक ध्वनि को, और इसे सभी के लिए प्रभावी सुनिश्चित करने के लिए बड़े और अधिक विविध समूहों पर परीक्षण करने की आवश्यकता है। आगे का मार्ग इन मॉडल्स को विभिन्न आयु और लिंग के लिए अधिक निष्पक्ष बनाने और वास्तविक दुनिया की स्थितियों में इन्हें मान्य करने का है, जहाँ बैकग्राउंड शोर और रिकॉर्डिंग की बदलती स्थितियाँ इसकी सटीकता को चुनौती दे सकती हैं।
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।