Computer Vision Methods for Behavioral Phenotyping in Autism Spectrum Disorder: A Systematic Review

ऑटिज्म स्पेक्ट्रम डिसऑर्डर एक ऐसी स्थिति है जो लोगों के दूसरों के साथ जुड़ने, संवाद करने और अपने शरीर को चलाने के तरीके को प्रभावित करती है। चूंकि ऑटिज्म वाला प्रत्येक व्यक्ति इन चुनौतियों को अलग तरह से अनुभव करता है, इसलिए डॉक्टर पूर्ण चित्र को समझने के लिए केवल एक चेकलिस्ट पर भरोसा नहीं कर सकते। इसके बजाय, वे व्यवहार में विशिष्ट पैटर्न, जिन्हें फेनोटाइप (phenotypes) कहा जाता है, की तलाश करते हैं ताकि व्यक्ति के लक्षणों की गंभीरता का निर्धारण किया जा सके और ऑटिज्म को अन्य विकासात्मक स्थितियों से अलग पहचाना जा सके जो इसके समान दिख सकती हैं। पारंपरिक रूप रूप से, इन पैटर्न को खोजने के लिए अत्यधिक प्रशिक्षित विशेषज्ञों द्वारा घंटों के अवलोकन की आवश्यकता होती थी, जो एक बच्चे की अंतःक्रिया को देखते हैं और फिर मैन्युअल रूप से उनके व्यवहार को स्कोर करते हैं। यह प्रक्रिया धीमी, महंगी है और अक्सर विशेषज्ञों की कमी के कारण इसमें देरी होती है, जिससे कई परिवार उस मदद के लिए इंतजार करते रहते हैं जिसकी उन्हें आवश्यकता होती है।

चिकित्सा और प्रौद्योगिकी के मिलन बिंदु से एक नया दृष्टिकोण उभर रहा है, जो व्यवहार को स्वचालित रूप से देखने और मापने के लिए कंप्यूटर विजन (computer vision) का उपयोग करता है। यह क्षेत्र वीडियो फुटेज को केवल एक रिकॉर्डिंग के रूप में नहीं, बल्कि डेटा के एक स्रोत के रूप में देखता है जो सूक्ष्म गतिविधियों को प्रकट कर सकता है जिन्हें मानवीय आँखें मिस कर सकती हैं। यह विश्लेषण करके कि एक बच्चा कैसे चलता है, वह कहाँ देखता है, और दूसरों की नकल कैसे करता है, कंप्यूटर उन लक्षणों को मात्रात्मक रूप दे सकते हैं जिनका उपयोग डॉक्टर निदान करने के लिए करते हैं। कतर विश्वविद्यालय के शोधकर्ताओं द्वारा की गई एक हालिया व्यवस्थित समीक्षा (systematic review) इस बात की जांच करती है कि यह तकनीक कितनी आगे बढ़ चुकी है, जिसमें दर्जनों अध्ययनों का परीक्षण किया गया है जो ऑटिज्म की बारीकियों को समझने के लिए वीडियो विश्लेषण का उपयोग करने का प्रयास करते हैं, चाहे वह लक्षणों की गंभीरता को मापना हो या इसे अन्य विकारों से अलग करना हो।

इस समीक्षा के पीछे के शोधकर्ताओं ने मोशन-आधारित विश्लेषण के वर्तमान परिदृश्य को मैप करने का लक्ष्य रखा। उन्होंने 2010 के बाद से प्रकाशित हजारों वैज्ञानिक शोध पत्रों की खोज की, विशेष रूप से उन अध्ययनों की तलाश की जिन्होंने गति (movement) का विश्लेषण करने के लिए वीडियो डेटा का उपयोग किया था। एक कठोर स्क्रीनिंग प्रक्रिया के बाद, उन्होंने अपना ध्यान उन बत्तीस अध्ययनों तक सीमित कर दिया जो सख्त मानदंडों को पूरा करते थे। ये अध्ययन तीन मुख्य श्रेणियों में विभाजित थे: वे जो ऑटिज्म की गंभीरता को ग्रेड करने की कोशिश कर रहे थे, वे जो ऑटिज्म को ध्यान की कमी और अतिसक्रियता विकार (ADHD) जैसी अन्य स्थितियों से अलग करने की कोशिश कर रहे थे, और वे जो सबसे पहले व्यवहार को कैप्चर करने के लिए नए उपकरण बना रहे थे। समीक्षा यह प्रकट करती है कि यह क्षेत्र संभावनाओं से भरा है लेकिन अभी भी मानकीकृत डेटा की कमी से जूझ रहा है।

जब गंभीरता को मापने की बात आती है, तो लक्ष्य केवल "हाँ या ना" वाले निदान से आगे बढ़कर यह निर्धारित करना है कि किसी व्यक्ति के लक्षण कितने तीव्र हैं। यह महत्वपूर्ण है क्योंकि गंभीरता का स्तर ही यह तय करता है कि बच्चे को किस प्रकार की थेरेपी दी जाएगी। समीक्षा में पाया गया कि चयनित अध्ययनों में से पंद्रह अध्ययन इस कार्य पर केंद्रित थे। इन शोधकर्ताओं ने बच्चों के विशिष्ट गतिविधियाँ करने के वीडियो देखने के लिए कंप्यूटर एल्गोरिदम का उपयोग किया, जैसे कि एक रोबोट की नकल करना, गेंद के साथ खेलना, या एक सामाजिक खेल में शामिल होना। कंप्यूटरों ने बच्चों की शारीरिक गतिविधियों, आंखों की दृष्टि (eye gaze) और चेहरे के भावों को ट्रैक किया, और उनकी तुलना उन नैदानिक स्कोर से की जो विशेषज्ञों द्वारा पहले ही निर्धारित किए जा चुके थे। इनमें से कुछ अध्ययनों ने उच्च सटीकता प्राप्त की, जिसमें एक मॉडल ने आंख की गति और चेहरे की जकड़न का विश्लेषण करके लगभग 99 प्रतिशत मामलों में गंभीरता के स्तर को सही ढंग से पहचाना। हालांकि, समीक्षा ने एक महत्वपूर्ण बाधा को भी रेखांकित किया: इनमें से अधिकांश सफल मॉडल निजी डेटा पर प्रशिक्षित थे जो विशिष्ट प्रयोगशालाओं में एकत्र किया गया था, जिससे अन्य वैज्ञानिकों के लिए परिणामों को सत्यापित करना या इन उपकरणों को कहीं और लागू करना कठिन हो जाता है।

समीक्षा द्वारा संबोधित दूसरा प्रमुख विषय ऑटिज्म को अन्य न्यूरोडेवलपमेंटल विकारों से अलग करने की कठिनाई है। ऑटिज्म वाले बच्चों में अक्सर उन बच्चों के साथ व्यवहार संबंधी लक्षण साझा होते हैं जिनमें अलग स्थितियां होती हैं, जैसे कि विकासात्मक समन्वय विकार (developmental coordination disorder) या ध्यान की कमी और अतिसक्रियता विकार (ADHD)। गलत निदान से गलत प्रकार की थेरेपी मिल सकती है, जो बच्चे की मदद नहीं कर पाएगी। समीक्षा में केवल छह अध्ययन मिले जिन्होंने मोशन डेटा का उपयोग करके इस विशिष्ट समस्या को हल करने का प्रयास किया। इन अध्ययनों ने इस बात की जांच की कि बच्चे कैसे चलते हैं या अंतःक्रिया करते हैं, जिसमें सूक्ष्म अंतर होते हैं। उदाहरण के लिए, एक अध्ययन ने पाया कि जबकि ऑटिज्म वाले बच्चे और ADHD वाले बच्चे कई मायनों में समान दिख सकते हैं, लेकिन चेहरों को देखते समय उनकी आंखों की गति अलग-अलग पैटर्न दिखाती है। एक अन्य अध्ययन ने ऑटिज्म वाले बच्चों बनाम पार्किंसंस रोग वाले बच्चों में हाथ की गति की गति और सटीकता की तुलना की, जिससे यह पता चला कि वे अपनी क्रियाओं को कैसे नियंत्रित करते हैं। इन उत्साहजनक निष्कर्षों के बावजूद, समीक्षा ने नोट किया कि बहुत कम अध्ययनों ने इस समस्या पर काम किया है, और लगभग सभी ने छोटे, निजी डेटासेट पर भरोसा किया, जिससे क्षेत्र बिना किसी साझा मानक के रह गया।

वर्गीकरण के अलावा, अध्ययनों का तीसरा समूह उस बुनियादी ढांचे के निर्माण पर केंद्रित था जिसकी इस तकनीक को काम करने के लिए आवश्यकता है। शोधकर्ताओं ने पाया कि कई मौजूदा डेटासेट बहुत छोटे हैं या उनमें शक्तिशाली कंप्यूटर मॉडल को प्रशिक्षित करने के लिए आवश्यक विस्तृत नैदानिक लेबल (clinical labels) की कमी है। इसे संबोधित करने के लिए, कई टीमों ने अधिक प्राकृतिक परिवेश में व्यवहार को एकत्र करने के लिए नए उपकरण विकसित किए हैं। कुछ ने मोबाइल ऐप्स बनाए हैं जो माता-पिता को अपने बच्चों को घर पर रिकॉर्ड करने की अनुमति देते हैं, जिससे स्वाभाविक व्यवहार कैप्चर किए जा सकें जो क्लिनिकल ऑफिस में दिखाई नहीं दे सकते। अन्य ने ऐसे सिस्टम बनाए हैं जो थेरेपी सत्रों के दौरान बच्चे की दृष्टि या मुद्रा (posture) को स्वचालित रूप से ट्रैक कर सकते हैं, जिससे घंटों के वीडियो को गति के सटीक माप में बदला जा सके। ये उपकरण आवश्यक हैं क्योंकि वे वह कच्चा माल—डेटा—प्रदान करते हैं, जिसकी भविष्य के अधिक उन्नत मॉडलों को सीखने के लिए आवश्यकता होगी।

समीक्षा निष्कर्ष निकालती है कि हालांकि कंप्यूटर विजन ऑटिज्म मूल्यांकन को तेज़ और अधिक वस्तुनिष्ठ बनाने का एक शक्तिशाली तरीका प्रदान करता है, लेकिन यह क्षेत्र अभी तक व्यापक नैदानिक उपयोग के लिए तैयार नहीं है। सबसे बड़ी बाधा बड़े, सार्वजनिक डेटासेट की कमी है जिनमें वीडियो फुटेज और सत्यापित नैदानिक स्कोर दोनों शामिल हों। इन साझा संसाधनों के बिना, यह जानना कठिन है कि क्या कोई नया उपकरण वास्तव में प्रभावी है या यह केवल उसी विशिष्ट लैब में काम करता है जहाँ इसे बनाया गया था। इसके अलावा, अधिकांश अध्ययनों ने केवल सामान्य विकास से ऑटिज्म को अलग करने पर ध्यान केंद्रित किया है, जिससे गंभीरता को ग्रेड करने और विकारों के बीच अंतर करने जैसे अधिक जटिल कार्य अनछुए रह गए हैं। लेखक सुझाव देते हैं कि भविष्य की प्रगति मानकीकृत बेंचमार्क बनाने और अधिक विविध डेटा एकत्र करने पर निर्भर करती है जो ऑटिज्म समुदाय के भीतर अनुभवों की विस्तृत श्रृंखला को दर्शाता हो। जब तक ये कदम नहीं उठाए जाते, यह तकनीक एक आशाजनक लेकिन अपूर्ण उपकरण बनी हुई है, जो उस डेटा की प्रतीक्षा कर रही है जिसकी उसे चिकित्सकों और परिवारों की वास्तव में मदद करने के लिए आवश्यकता है।