Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI
यह अध्ययन 80,000 मस्तिष्क एमआरआई स्कैनों में शारीरिक (एनाटॉमिकल), सुपरवाइज्ड सीएनएन (CNN), और अनसुपरवाइज्ड वीआईटी (ViT) फीचर एक्सट्रैक्शन प्रतिमानों का मूल्यांकन करता है, जिसमें यह पाया गया है कि सरल शारीरिक मॉडल जटिल एआई प्रदर्शन के बराबर हैं और साथ ही एक नवीन एनाटॉमी सेगमेंटेशन प्रीट्रेनिंग (ASP) पद्धति का प्रस्ताव दिया गया है जो जैविक आयु अनुमान में मौजूदा मॉडलों से बेहतर प्रदर्शन करती है।
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
द दशकों से, डॉक्टर और वैज्ञानिक यह समझने के लिए मस्तिष्क के स्कैन का अध्ययन करते रहे हैं कि मन कैसे काम करता है और बीमारी आने पर क्या गलत होता है। ऐसा करने के लिए, वे अक्सर मस्तिष्क के विशिष्ट हिस्सों को मापने पर भरोसा करते हैं, जैसे कि हिप्पोकैम्पस का आकार, जो मस्तिष्क के भीतर एक संरचना है और स्मृति के लिए अत्यंत महत्वपूर्ण है। ये माप, जिन्हें शारीरिक विशेषताएँ (anatomical features) कहा जाता है, मस्तिष्क की एक तस्वीर को उपयोगी डेटा में बदलने का एक पुराना मानक रहे हैं। हालाँकि, हाल के वर्षों में, एक नया दृष्टिकोण उभरा है: कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस)। ये कंप्यूटर प्रोग्राम एक स्कैन को देख सकते हैं और बिना यह बताए कि वास्तव में क्या मापना है, खुद ही पैटर्न पहचानना सीख सकते हैं। उम्मीद यह रही है कि ये मशीनें उन सूक्ष्म सुरागों को खोज सकेंगी जिन्हें मानवीय आँखें या सरल माप चूक सकते हैं, जिससे अल्जाइमर या पार्किंसंस जैसी स्थितियों के बेहतर निदान में मदद मिल सके। लेकिन जैसे-जैसे ये शक्तिशाली उपकरण अधिक जटिल होते गए, एक मौलिक प्रश्न अनसुलझा रहा: क्या ये स्मार्ट मशीनें वास्तव में कुछ नया सीख रही हैं, या वे केवल पुराने शारीरिक तथ्यों को अधिक जटिल तरीके से फिर से खोज रही हैं?
न्यूयॉर्क यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन तीन मुख्य तरीकों का आमने-सामने परीक्षण करके इसका उत्तर देने का प्रयास किया। उन्होंने मस्तिष्क छवियों का एक विशाल संग्रह एकत्र किया, जिसमें लगभग 80,000 अलग-अलग लोगों के लगभग 100,000 स्कैन शामिल थे, जो दुनिया भर के 18 सार्वजनिक डेटासेट से लिए गए थे। उन्होंने इन छवियों का परीक्षण तीन अलग-अलग प्रकार के सिस्टमों पर किया। पहला पारंपरिक तरीका था, जो 178 विशिष्ट मस्तिष्क क्षेत्रों के आयतन (volume) और सतह क्षेत्र (surface area) को मापने के लिए सॉफ्टवेयर का उपयोग करता है और फिर उन संख्याओं को एक सरल सांख्यिकीय मॉडल में डालता है। दूसरा एक मानक डीप लर्निंग नेटवर्क था, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है जो पैटर्न खोजने के लिए पिक्सेल-दर-पिक्सेल छवियों को प्रोसेस करता है। तीसरा एक नया और अधिक उन्नत मॉडल था जो 'विज़न ट्रांसफार्मर' नामक तकनीक पर आधारित था, जिसे विशिष्ट चिकित्सा कार्यों के परीक्षण से पहले बड़ी मात्रा में अनलेबल मस्तिष्क डेटा पर प्रशिक्षित किया गया था।
इस विशाल तुलना के परिणाम आश्चर्यजनक थे। सात अलग-अलग नैदानिक कार्यों में, अल्जाइमर रोग के निदान से लेकर ट्यूमर की पहचान करने और किसी व्यक्ति की जैविक आयु का अनुमान लगाने तक, सीधे शारीरिक मापों पर आधारित सरल मॉडल ने जटिल कृत्रिम बुद्धिमत्ता प्रणालियों के समान ही प्रदर्शन किया। कई मामलों में, परिष्कृत एआई मॉडल ने मस्तिष्क के आयतन और सतह क्षेत्र के सीधे मापों से बेहतर प्रदर्शन नहीं किया। यह सुझाव देता है कि वर्तमान पीढ़ी के मेडिकल डेटासेट के लिए, डीप लर्निंग की अतिरिक्त जटिलता आवश्यक रूप से बेहतर नैदानिक सटीकता में परिवर्तित नहीं होती है। शोधकर्ताओं ने पाया कि उन्नत एआई मॉडल वास्तव में उपयोगी जानकारी सीख रहे थे, लेकिन वे उन्हीं शारीरिक तथ्यों को सीख रहे थे जिन्हें सरल मॉडल पहले से ही जानते थे, बस एक अधिक अप्रत्यक्ष तरीके से।
हालाँकि, कहानी तब बदल गई जब शोधकर्ताओं ने उस कार्य को देखा जहाँ उनके पास काम करने के लिए बहुत अधिक डेटा उपलब्ध था: एक व्यक्ति की जैविक आयु का अनुमान लगाना। इस विशिष्ट परीक्षण में, जिसमें 60,000 से अधिक विषय शामिल थे, सबसे उन्नत मॉडल आगे निकलने लगे। शोधकर्ताओं ने देखा कि जबकि मानक एआई मॉडल समय के साथ मस्तिष्क की संरचनाओं को पहचानना सीख रहे थे, वे ऐसा धीरे-धीरे कर रहे थे। इसे तेज करने के लिए, टीम ने एक नई प्रशिक्षण पद्धति विकसित की जिसे उन्होंने "एनाटॉमी सेगमेंटेशन प्रीट्रेनिंग" (Anatomy Segmentation Pretraining) नाम दिया। केवल एआई को छवि में क्या है इसका अनुमान लगाने देने के बजाय, उन्होंने इसे अपने प्रशिक्षण चरण के दौरान विशिष्ट मस्तिष्क क्षेत्रों की स्पष्ट रूप से पहचान करने और उन्हें रेखांकित करने के लिए मजबूर किया। इस दृष्टिकोण ने, जिसने बड़े पैमाने के एआई की शक्ति को ज्ञात शारीरिक तथ्यों की स्पष्टता के साथ जोड़ा, सबसे सटीक आयु अनुमान प्रदान किए, जिसने मानक एआई और पारंपरिक माप मॉडलों दोनों को पीछे छोड़ दिया।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि उन्नत कृत्रिम बुद्धिमत्ता एक शक्तिशाली उपकरण है, इसने अभी तक मस्तिष्क की शारीरिक रचना को मापने के पुराने तरीकों को अप्रचलित नहीं किया है। कई सामान्य चिकित्सा कार्यों के लिए, मस्तिष्क की संरचनाओं का सीधा मापन एक अत्यधिक प्रभावी और कुशल आधार बना हुआ है। शोधकर्ताओं का सुझाव है कि मस्तिष्क इमेजिंग एआई का भविष्य इन शारीरिक तथ्यों को बदलने में नहीं, बल्कि मशीनों को उन्हें तेजी से और गहराई से सीखने में सिखाने में निहित है। कृत्रिम बुद्धिमत्ता को स्पष्ट शारीरिक ज्ञान के साथ निर्देशित करके, वैज्ञानिक ऐसे मॉडल बना सकते हैं जो न केवल अधिक सटीक हैं, बल्कि उम्र बढ़ने या बीमारी विकसित होने के साथ होने वाले विशिष्ट जैविक परिवर्तनों को समझने में भी बेहतर हैं। यह कार्य मेडिकल एआई के अगले निर्माण के लिए एक स्पष्ट रोडमैप प्रदान करता है, यह सुनिश्चित करता है कि ये शक्तिशाली उपकरण मानव मस्तिष्क की वास्तविक, भौतिक संरचनाओं पर आधारित हों।
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।