CONCORDAT: Trustworthy multimodal federated learning for autism research under incomplete, heterogeneous and privacy-constrained health data
CONCORDAT एक क्रॉस-सिलो फेडेरेटेड लर्निंग फ्रेमवर्क है जो कई साइटों के बीच विषम और अपूर्ण स्वास्थ्य डेटा को एकीकृत करते हुए मिसिंगनेस (missingness), डिफरेंशियल प्राइवेसी और सबग्रुप इक्विटी की चुनौतियों को एक साथ संबोधित करके विश्वसनीय, गोपनीयता-संरक्षित मल्टीमॉडल ऑटिज्म अनुसंधान को सक्षम बनाता 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
ऑटिज्म मानव मस्तिष्क की एक जटिल स्थिति है, जिसे समझने के लिए शोधकर्ताओं ने लंबे समय से यह देखने का प्रयास किया है कि मस्तिष्क कैसे बना है और यह कैसे व्यवहार करता है। एक स्पष्ट तस्वीर प्राप्त करने के लिए, वैज्ञानिक आमतौर पर विभिन्न प्रकार की जानकारी को जोड़ते हैं: मस्तिष्क की संरचना के विस्तृत चित्र, एक व्यक्ति की आयु और लिंग का डेटा, बुद्धि मापने वाले परीक्षणों के स्कोर, और इस बात की रिपोर्ट कि एक व्यक्ति दूसरों के साथ कैसे संवाद करता है। हालाँकि, यह जानकारी जुटाना हमेशा से एक कठिन पहेली रहा है। वास्तविक दुनिया में, यह डेटा कई अलग-अलग अस्पतालों और अनुसंधान केंद्रों में बिखरा हुआ है। प्रत्येक केंद्र अपना स्वयं का रिकॉर्ड संग्रह करता है, लेकिन सख्त गोपनीयता कानून उन्हें अपने सभी रोगी फ़ाइलों को सीधे एक केंद्रीय कंप्यूटर पर भेजने से रोकते हैं। यह एक बाधा उत्पन्न करता है: शोधकर्ता डेटा का विश्लेषण तब कर सकते हैं जब वह एक ही स्थान पर रहे, लेकिन वे पूरी तस्वीर देखने के लिए उस डेटा को एक साथ नहीं ला सकते।
फेडरेटेड लर्निंग (federated learning) नामक एक नया दृष्टिकोण इस बाधा को दूर करने का एक तरीका प्रदान करता है। रोगी के डेटा को किसी केंद्रीय स्थान पर ले जाने के बजाय, यह विधि कंप्यूटर प्रोग्राम को डेटा तक भेजती है। प्रोग्राम प्रत्येक अस्पताल का दौरा करता है, स्थानीय रिकॉर्ड से सीखता है, और फिर केवल जो उसने सीखा उसका सारांश वापस भेजता है, बिना कभी व्यक्तिगत रोगी विवरणों को प्रकट किए। यह विभिन्न संस्थानों को एक बड़ी टीम के रूप में मिलकर काम करने की अनुमति देता है, जबकि हर व्यक्ति की निजी जानकारी उनके अपने अस्पताल में सुरक्षित रहती है। चुनौती यह है कि यह सुनिश्चित करना कि यह वितरित पद्धति पुराने तरीके (डेटा को एक साथ मिलाने) की तरह ही प्रभावी हो, और जब कुछ जानकारी गायब हो या गोपनीयता के नियम बहुत सख्त हों, तब भी यह निष्पक्ष और सटीक बनी रहे।
एक हालिया अध्ययन में, जरीन आलम प्रीटी नामक एक शोधकर्ता ने CONCORDAT नामक एक प्रणाली विकसित की ताकि यह परीक्षण किया जा सके कि ऑटिज्म अनुसंधान के लिए यह दृष्टिकोण कितनी अच्छी तरह काम करता है। टीम ने बीस अलग-अलग साइटों के डेटा का उपयोग किया जिसमें एक हजार से अधिक लोग शामिल थे, ताकि यह देखा जा सके कि क्या वे कच्चे रिकॉर्ड को बिना स्थानांतरित किए एक विश्वसनीय मॉडल बना सकते हैं। उन्होंने पाया कि जब उन्होंने मस्तिष्क के चित्रों को जनसांख्यिकीय विवरणों, बुद्धि स्कोर और व्यवहार संबंधी रिपोर्टों के साथ जोड़ा, तो सिस्टम ऑटिज्म वाले लोगों और बिना ऑटिज्म वाले लोगों के बीच अंतर करने में काफी बेहतर हो गया। विशेष रूप से, जानकारी की इन अतिरिक्त परतों को जोड़ने से अंतर बताने की सिस्टम की क्षमता में एक छोटा लेकिन सार्थक सुधार हुआ। सबसे महत्वपूर्ण बात यह है कि सिस्टम ने यह साबित कर दिया कि वह इन बिखरे हुए स्रोतों से सीख सकता है और ऐसे परिणाम दे सकता है जो गणितीय रूप से बिल्कुल वैसे ही थे जैसे कि सभी डेटा को एक स्थान पर संयोजित करने से मिलते। इसका अर्थ है कि अस्पतालों को रोगी की गोपनीयता की रक्षा करने और सटीक वैज्ञानिक परिणाम प्राप्त करने के बीच किसी एक को नहीं चुनना होगा; वे दोनों पा सकते हैं।
अध्ययन ने यह भी देखा कि अधूरा डेटा होने पर क्या होता है, जो चिकित्सा अनुसंधान में एक बहुत ही सामान्य वास्तविकता है। कभी-कभी किसी अस्पताल के पास मस्तिष्क के स्कैन होते हैं लेकिन व्यवहार संबंधी रिपोर्ट नहीं होती, या उसके पास बुद्धि स्कोर होता है लेकिन विशिष्ट सामाजिक मूल्यांकन नहीं होता। शोधकर्ताओं ने आठ अलग-अलग परिदृश्यों का परीक्षण किया जहाँ जानकारी के कुछ हिस्से गायब थे, यह देखने के लिए कि सिस्टम कैसे सामंजक क्षमता रखता है। उन्होंने पाया कि हालांकि सिस्टम अपने काम में सामान्य रूप से अच्छा था, लेकिन कुछ प्रकार की जानकारी, जैसे व्यवहार संबंधी स्कोर का गायब होना, एक विशिष्ट कमजोरी को छिपा सकता है: सिस्टम कागजों पर तो अच्छा दिख सकता है लेकिन वास्तविक दुनिया की स्थितियों में पर्याप्त मामलों को पकड़ने में विफल हो सकता है। यह निष्कर्ष बताता है कि ऐसे सिस्टम का उपयोग करते समय, डॉक्टरों को केवल सफलता दर से आगे बढ़कर यह देखना चाहिए कि उनका सिस्टम उनके अपने अस्पताल की विशिष्ट स्थितियों में कैसा प्रदर्शन करता है।
गोपनीयता भी इस कार्य का एक प्रमुख केंद्र थी। शोधकर्ताओं ने यह परीक्षण किया कि यदि वे यह सुनिश्चित करने के लिए कि कोई भी कभी अनुमान न लगा सके कि एक रोगी किस अस्पताल से आया है, गणितीय सुरक्षा की अतिरिक्त परतें जोड़ते हैं, तो सिस्टम की सटीकता में कितनी गिरावट आती है। उन्होंने पाया कि इस अतिरिक्त सुरक्षा की एक भारी कीमत चुकानी पड़ती है। यदि गोपनीयता के नियम अत्यंत सख्त किए जाते हैं, तो सिस्टम की सही भविष्यवाणियां करने की क्षमता काफी कम हो जाती है। हालाँकि, उन्होंने इन नियमों को ट्यून करने का एक तरीका भी खोजा जिससे अस्पताल सुरक्षा का एक ऐसा स्तर चुन सकें जो सिस्टम को उपयोगी बनाए रखते हुए कानूनी आवश्यकताओं को पूरा करता है। इसके अलावा, अध्ययन ने निष्पक्षता के एक महत्वपूर्ण मुद्दे को संबोधित किया। ऑटिज्म का निदान महिलाओं में पुरुषों की तुलना में अक्सर कम बार किया जाता है, और मिश्रित समूहों पर प्रशिक्षित कंप्यूटर मॉडल कभी-कभी महिलाओं में इसके संकेतों को पहचानने में चूक सकते हैं। शोधकर्ताओं ने सीखने की प्रक्रिया के दौरान महिला रोगियों को अतिरिक्त महत्व देने की एक विधि का परीक्षण किया। उन्होंने पाया कि इस समायोजन ने सफलतापूर्वक सिस्टम को महिलाओं में ऑटिज्म को बहुत अधिक बार पहचानने में मदद की, हालांकि इसके साथ कुल सटीकता में एक मामूली समझौता भी हुआ। यह सिद्ध करता है कि इन प्रणालियों को बिना खराब किए अधिक न्यायसंगला बनाया जा सकता है।
अंत में, टीम ने एक पूरी तरह से अलग, छोटे समूह के लोगों पर एक अलग प्रकार के मस्तिष्क स्कैन डेटा के साथ अपने सिस्टम का परीक्षण किया ताकि यह देखा जा सके कि क्या यह विधि एक नए वातावरण में टिक पाएगी। परिणाम ईमानदार और स्पष्ट थे: इस छोटे समूह पर, सिस्टम ऑटिज्म की भविष्यवाणी करने के लिए एक विश्वसनीय पैटर्न नहीं खोज सका। इस परिणाम को छिपाने के बजाय, शोधकर्ताओं ने इसे खुले तौर पर रिपोर्ट किया, जिससे यह प्रदर्शित हुआ कि उनकी विधि में यह बताने के लिए एक सुरक्षा जांच शामिल है कि क्या यह एक वास्तविक खोज है या केवल एक संयोग। चिकित्सा विज्ञान के लिए यह पारदर्शिता महत्वपूर्ण है, क्योंकि यह सुनिश्चित करती है कि उपकरणों को झूठी उम्मीदों के आधार पर तैनात न किया जाए। अध्ययन यह निष्कर्ष निकालता है कि हालांकि ये सिस्टम अभी स्वयं ऑटिज्म का निदान करने के लिए तैयार नहीं हैं, फिर भी वे एक भरोसेमंद, ऑडिट योग्य ढांचा प्रदान करते हैं जिसके माध्यम से अस्पताल सुरक्षित रूप से सहयोग कर सकते हैं। गोपनीयता, लापता डेटा और निष्पक्षता को एक ही समस्या के जुड़े हुए हिस्सों के रूप में मानकर, CONCORDAT मस्तिष्क स्वास्थ्य अनुसंधान के लिए एक व्यावहारिक मार्ग प्रदान करता है, जिससे संस्थान एक-दूसरे से सीख सकते हैं और साथ ही उन लोगों के विश्वास से समझौता भी नहीं करते जिनकी वे सेवा करते 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।