Improved stacking ensemble learning for objective tinnitus severity assessment based on functional near-infrared spectroscopy signals

दुनिया भर के लाखों लोगों के लिए, उनके कानों में लगातार एक काल्पनिक ध्वनि गूँजती रहती है। यह स्थिति, जिसे टिनिटस (tinnitus) के रूप में जाना जाता है, किसी बाहरी स्रोत से होने वाली गूँज नहीं है बल्कि मस्तिष्क द्वारा स्वयं निर्मित एक धारणा है। यह एक हल्की गुनगुनाहट से लेकर एक कान फोड़ देने वाली गर्जना तक हो सकती है, जो अक्सर नींद, मनोदशा और दैनिक जीवन का आनंद लेने की क्षमता को बाधित करती है। वर्तमान में, डॉक्टरों के पास इस बात को मापने का कोई विश्वसनीय तरीका नहीं है कि किसी विशिष्ट रोगी के लिए टिनिटस कितना गंभीर है। मानक निदान पूरी तरह से प्रश्नावली के माध्यम से रोगी द्वारा अपने कष्ट का वर्णन करने पर निर्भर करता है। क्योंकि यह व्यक्तिगत भावनाओं और स्मृति पर निर्भर करता है, इसलिए परिणाम दिन-प्रतिदिन या एक व्यक्ति से दूसरे व्यक्ति के बीच बहुत भिन्न हो सकते हैं, जिससे प्रगति को ट्रैक करना या उपचार को अनुकूलित करना कठिन हो जाता है। वैज्ञानिक लंबे समय से एक वस्तुनिष्ठ मार्कर (objective marker) खोजने की आशा कर रहे थे, मस्तिष्क में एक भौतिक संकेत जिसे रक्तचाप की तरह मापा जा सके, ताकि इस स्थिति की वास्तविक गंभीरता का निर्धारण किया जा सके।

शंघाई के शोधकर्ताओं की एक टीम ने एक विशेष मस्तिष्क-इमेजिंग उपकरण को एक परिष्कृत कंप्यूटर लर्निंग पद्धति के साथ जोड़कर उस लक्ष्य की ओर एक महत्वपूर्ण कदम उठाया है। उन्होंने ध्वनि के प्रति मस्तिष्क की प्रतिक्रिया पर ध्यान केंद्रित किया, जिसके लिए 'फंक्शनल नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी' नामक तकनीक का उपयोग किया गया। यह उपकरण खोपड़ी के माध्यम से सुरक्षित, नियर-इन्फ्रारेड प्रकाश भेजता है ताकि रक्त के ऑक्सीजन स्तर में होने वाले परिवर्तनों को मापा जा सके, जो मस्तिष्क की गतिविधि के प्रतिनिधि के रूप में कार्य करते हैं। जब मस्तिष्क अधिक काम करता है, तो वह अधिक ऑक्सीजन की खपत करता है, और रक्त का प्रवाह उसी के अनुसार बदल जाता है। एक विशिष्ट स्वर को सुनने और यह देखने के दौरान कि मस्तिष्क के रक्त ऑक्सीजन स्तर कैसे प्रतिक्रिया करते हैं, शोधकर्ताओं ने टिनिटस के अनुभव के एक अद्वितीय शारीरिक हस्ताक्षर (physiological signature) को कैप्चर किया। इसके बाद उन्होंने इन संकेतों को एक नए प्रकार के कंप्यूटर एल्गोरिदम में डाला, जिसे उन पैटर्न को सीखने के लिए डिज़ाइन किया गया है जिन्हें मानवीय आँखें मिस कर सकती हैं।

शोधकर्ताओं ने साठ वयस्स्कों को भर्ती किया जो 'सब्जेक्टिव टिनिटस' (subjective tinnitus) से पीड़ित थे, जिसका अर्थ था कि गूँज केवल उनके सिर में थी और किसी बाहरी यांत्रिक समस्या के कारण नहीं थी। किसी भी स्कैनिंग से पहले, प्रत्येक प्रतिभागी ने टिनिटस की गंभीरता को रेट करने के लिए एक मानक प्रश्नावली पूरी की, जो इस अध्ययन के लिए 'ग्राउंड ट्रुथ' (ground truth) के रूप में कार्य करती थी। प्रतिभागियों को एक शांत कमरे में बिठाया गया और प्रकाश स्रोतों तथा डिटेक्टरों वाले एक कैप से सुसज्जित किया गया। उन्होंने अठारह सेकंड के लिए उच्च-तीव्रता वाले स्वरों की एक श्रृंखला सुनी, जिसके बाद अठारह सेकंड का मौन रहा, और इस चक्र को छह बार दोहराया गया। इस दौरान, कैप ने रिकॉर्ड किया कि उनके मस्तिष्क के विभिन्न हिस्सों में ऑक्सीजन के स्तर में कैसे बदलाव आया। शोधकर्ताओं ने ध्वनि और भाषा को संभालने वाले विशिष्ट क्षेत्रों, जैसे कि टेम्पोरल और फ्रंटल लोब्स पर ध्यान केंद्रित किया, और डेटा के निरंतर प्रवाह को विश्लेषण के लिए छोटे, प्रबंधनीय टुकड़ों में विभाजित किया।

इस जटिल डेटा को समझने के लिए, टीम ने 'स्टैकिंग' (Stacking) नामक एक मशीन लर्निंग तकनीक के उन्नत संस्करण को विकसित किया। एक पारंपरिक सेटअप में, एक कंप्यूटर कई अलग-अलग मॉडलों का उपयोग उत्तर का अनुमान लगाने के लिए कर सकता है और फिर उनके वोटों का औसत ले सकता है। शोधकर्ताओं ने पाया कि मस्तिष्क के संकेतों की शोर भरी और जटिल प्रकृति के लिए यह दृष्टिकोण बहुत सरल है। इसके बजाय, उन्होंने एक अधिक सहयोगात्मक प्रणाली बनाई। उन्होंने मस्तिष्क के संकेतों का विश्लेषण करने के लिए तीन अलग-अलग प्रकार के कंप्यूटर मॉडल्स का उपयोग किया, जिनमें से प्रत्येक की अपनी ताकत थी। परिणामों को केवल औसत निकालने के बजाय, नए तरीके ने इन मॉडलों को अधिक उन्नत तरीके से एक-दूसरे से संवाद करने की अनुमति दी। इसने उनके भविष्यवाणियों को संयोजित किया, डेटा बिंदुओं के बीच नए, जटिल संबंध बनाए, और उन मॉडलों को अधिक प्रभाव दिया जिन्होंने डेटा के विशिष्ट हिस्सों पर बेहतर प्रदर्शन किया। यह प्रक्रिया डेटा के विभिन्न समूहों के साथ कई बार दोहराई गई ताकि यह सुनिश्चित हो सके कि अंतिम परिणाम केवल एक तुक्का नहीं है।

परिणामों ने इस नए, उन्नत दृष्टिकोण के लिए स्पष्ट लाभ दिखाया। जब टीम ने अपने सिस्टम का परीक्षण रोगियों के एक ऐसे समूह पर किया जिन्हें इसने पहले कभी नहीं देखा था, तो इसने 96.31% मामलों में टिनिटस की गंभीरता की सही पहचान की। यह मानक पद्धति की तुलना में एक महत्वपूर्ण उछाल था, जिसने लगभग 90% की सटीकता प्राप्त की थी। नया सिस्टम गंभीरता के विभिन्न स्तरों, जैसे कि मामूली परेशानी से लेकर गंभीर संकट तक, के बीच अंतर करने में विशेष रूप से अच्छा था। शोधकर्ताओं ने नोट किया कि हालांकि सुधार प्रतिशत अंकों में छोटा लग सकता है, लेकिन चिकित्सा निदान की दुनिया में, 90% से 96% तक पहुँचना डॉक्टरों के लिए एक बहुत अधिक विश्वसनीय उपकरण का प्रतिनिधित्व करता है। सिस्टम ने सफलतापूर्वक कानों में गूँज के अदृश्य, व्यक्तिपरक अनुभव को एक ठोस, मापने योग्य संख्या में अनुवादित किया कि मस्तिष्क ध्वनि के प्रति शारीरिक रूप से कैसे प्रतिक्रिया करता है।

इन सफलताओं के बावजूद, लेखक सावधानीपूर्वक यह उल्लेख करते हैं कि यह अध्ययन अभी नैदानिक अभ्यास (clinical practice) के लिए अंतिम समाधान नहीं है। उनके द्वारा अध्ययन किए गए रोगियों का समूह अपेक्षाकृत छोटा था, और परिणामों को बड़ी संख्या में लोगों के साथ पुष्ट करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह विधि सभी के लिए काम करती है। इस अध्ययन में एक नियंत्रण समूह (control group) को भी शामिल नहीं किया गया था जिसने नकली उपचार प्राप्त किया हो, इसलिए यह संभव है कि कुछ मस्तिष्क परिवर्तन टिनिटस के बजाय रोगियों की अपेक्षाओं से प्रभावित हुए हों। इसके अलावा, इस तकनीक को अभी तक अस्पताल के वर्कफ़्लो में एकीकृत नहीं किया गया है जहाँ एक डॉक्टर परामर्श के दौरान वास्तविक समय में इसका उपयोग कर सके। हालाँकि, यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' (proof of concept) के रूप में एक मजबूत आधार प्रदान करता है। यह प्रदर्शित करता है कि मस्तिष्क के ऑक्सीजन स्तरों को सुनकर और उनकी व्याख्या करने के एक स्मार्ट तरीके का उपयोग करके, यह कल्पना से परे जाने और एक ऐसी स्थिति को वस्तुनिष्ठ रूप से मापने की शुरुआत करने के लिए संभव है जो लंबे समय से केवल इस बात से परिभाषित होती आई है कि वह व्यक्ति को कितना दर्द देती है।