Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

हृदय रोग दुनिया भर में मृत्यु का प्रमुख कारण बना हुआ है, जो हर साल लगभग 1.8 करोड़ लोगों की जान लेता है। यह स्थिति उम्र, रक्तचाप, कोलेस्ट्रॉल के स्तर और धूम्रपान जैसी जीवनशैली की आदतों सहित कई जटिल कारकों से उत्पन्न होती है। जबकि डॉक्टर इन समस्याओं के निदान के लिए शारीरिक परीक्षणों और विशेष परीक्षणों पर भरोसा करते हैं, ऐसी विधियाँ महंगी हो सकती हैं और उनके लिए विशेषज्ञों की कमी भी एक समस्या है। इसने ऐसे कंप्यूटर सिस्टम की खोज को प्रेरित किया है जो जोखिम का पूर्वानुमान लगाने में सहायता कर सकें, जो पारंपरिक देखभाल के एक स्केलेबल पूरक के रूप में कार्य कर सकें। हालाँकि, इन प्रणालियों को बनाने में एक निरंतर बाधा आती है: वह डेटा जिससे वे सीखते हैं, अक्सर अव्यवस्थित, अधूरा या मरीजों के उन छोटे समूहों से लिया गया होता है जो व्यापक आबादी का प्रतिनिधित्व नहीं करते हैं। जब एक कंप्यूटर मॉडल को जानकारी के संकीर्ण सेट पर प्रशिक्षित किया जाता है, तो यह अक्सर उस नए मरीज के सामने विफल हो जाता है जो कागजों पर अलग दिखता है, जिससे भविष्यवाणियां अविश्वसनीय हो जाती हैं।

इस चुनौती को हल करने के लिए, शोधकर्ताओं के. पद्मिनी, निलेश वी. इंगले और वी. अरुणा ने "कार्डियो फ्यूजन" नामक एक नया दृष्टिकोण विकसित किया है। एक एकल कंप्यूटर एल्गोरिदम पर निदान के लिए निर्भर रहने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जो एक साथ काम करने वाले विशेषज्ञों की एक टीम की नकल करता है। इसकी संरचना दो बहुत ही अलग प्रकार की चिकित्सा जानकारी को एक साथ संभालने के लिए डिज़ाइन की गई है। एक स्ट्रीम मानक रोगी रिकॉर्ड को प्रोसेस करती है, जैसे आयु, रक्तचाप और कोलेस्ट्रॉल, जो तालिकाओं (टेबल्स) के रूप में संग्रहीत होते हैं। दूसरी स्ट्रीम चिकित्सा छवियों या हृदय की लय के संकेतों (इलेक्ट्रोकार्डियोग्राम) का विश्लेषण करने के लिए बनाई गई है। इन दोनों सूचना स्रोतों को निष्कर्ष निकालने से पहले अलग-अलग उपचारित करके, यह प्रणाली हृदय रोग विभिन्न लोगों में किस तरह से प्रस्तुत होता है, उसके प्रति अधिक मजबूत और अनुकूल होने का लक्ष्य रखती है।

इस नई पद्धति का मूल भाग किसी भी भविष्यवाणी से पहले एक सावधानीपूर्वक चयन प्रक्रिया है। मेडिकल रिकॉर्ड में दर्जनों माप हो सकते हैं, जिनमें से कई बीमारी के कमजोर संकेतक होते हैं या केवल शोर (नॉइज़) मात्र होते हैं। शोधकर्ताओं ने इस डेटा को छानने और प्रत्येक विशिष्ट रोगी समूह के लिए सबसे शक्तिशाली भविष्यवक्ताओं की पहचान करने के लिए एक गणितीय तकनीक का उपयोग किया। उदाहरण के लिए, एक बड़े डेटासेट में, सिस्टम ने निर्धारित किया कि सिस्टोलिक रक्तचाप, आयु और ग्लूकोज स्तर सबसे महत्वपूर्ण कारक थे, जबकि दूसरे डेटासेट में, अलग-अलग माप प्राथमिकता रखते थे। यह सुनिश्चित करता है कि कंप्यूटर अप्रासंगिक विवरणों से विचलित न हो। एक बार सबसे महत्वपूर्ण विशेषताओं (फीचर्स) का चयन हो जाने के बाद, सिस्टम उन्हें एक "टेबुलर ब्रांच" में भेजता है, जो चार अलग-अलग एल्गोरिदम की एक हाइब्रिड टीम है जो एक साथ काम करती है। इस टीम में एक डीप न्यूरल नेटवर्क—एक जटिल पैटर्न-पहचान उपकरण—के साथ तीन अधिक पारंपरिक क्लासिफायर शामिल हैं। ये चार मॉडल परिणाम पर मतदान करते हैं, जिसमें अंतिम निर्णय इस आधार पर तय होता है कि प्रत्येक मॉडल अपने स्वयं के उत्तर पर कितना आश्वस्त है।

इसके समानांतर, सिस्टम में एक "इमेजिंग ब्रांच" शामिल है जो उन्नत डीप लर्निंग मॉडल का उपयोग करके हृदय स्कैन या विद्युत संकेतों का विश्लेषण करने में सक्षम है। ये मॉडल उन सूक्ष्म दृश्य पैटर्न को पहचानने के लिए डिज़ाइन किए गए हैं जिन्हें मानवीय आँखें शायद मिस कर दें। महत्वपूर्ण बात यह है कि दोनों शाखाएं स्वतंत्र रूप से कार्य करती हैं। यदि किसी अस्पताल के पास केवल रोगी रिकॉर्ड हैं और कोई चित्र (इमेज) नहीं है, तो सिस्टम केवल टेबुलर ब्रांच का उपयोग करके भी कार्य कर सकता है। यदि चित्र उपलब्ध हैं, तो सिस्टम उन्हें अलग से प्रोसेस करता है और फिर दोनों निष्कर्षों को जोड़ देता है। यह डिज़ाइन इस ढांचे को विभिन्न प्रकार के डेटासेट्स पर परीक्षण करने की अनुमति देता है, चाहे वे दशकों पुराने छोटे संग्रह हों या हजारों मरीजों वाले विशाल, आधुनिक रिकॉर्ड।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण छह अलग-अलग डेटासेट्स पर किया ताकि यह देखा जा सके कि यह दबाव में कैसा प्रदर्शन करता है। क्लीवलैंड बेंचमार्क के रूप में ज्ञात एक क्लासिक, छोटे डेटासेट पर, सिस्टम ने 96.5% की सटीकता प्राप्त की। यह परिणाम मौजूदा सर्वोत्तम विधियों के प्रतिस्पर्धी है। हालाँकि, एक चिकित्सा उपकरण का असली परीक्षण यह है कि क्या यह अधिक विविध आबादी पर काम करता है। टीम ने अपने पूरे सिस्टम को Kaggle के दूसरे, बहुत बड़े डेटासेट पर पुन: लागू किया, जिसमें 68,000 से अधिक रोगी रिकॉर्ड शामिल थे। इस बड़े परीक्षण में, सिस्टम ने 73.95% की सटीकता और बीमार और स्वस्थ रोगियों के बीच अंतर करने की एक मजबूत क्षमता, जिसे 80.57% के स्कोर से मापा गया, हासिल की।

छोटे डेटासेट से बड़े डेटासेट तक सटीकता में आई गिरावट सिस्टम की विफलता नहीं थी, बल्कि यह स्वयं डेटा का प्रतिबिंब था। बड़े डेटासेट में केवल जीवनशैली और महत्वपूर्ण संकेतों (वाइटल साइन्स) की जानकारी थी, जिसमें छोटे, अधिक विशिष्ट डेटासेट्स में उपलब्ध विस्तृत हृदय लय और सीने के दर्द के डेटा की कमी थी। शोधकर्ताओं ने पाया कि चाहे एल्गोरिदम कितना भी परिष्कृत क्यों न हो, वह उस चीज़ की भविष्यवाणी नहीं कर सकता जो उसे दी ही नहीं गई है। यह निष्कर्ष अध्ययन के एक प्रमुख बिंदु को रेखांकित करता है: केवल कंप्यूटर को अधिक डेटा खिलाने से बेहतर परिणाम सुनिश्चित नहीं होते हैं। इसके बजाय, चुनी गई विशेषताओं की गुणवत्ता और विभिन्न मॉडलों को संयोजित करने का तरीका कहीं अधिक महत्वपूर्ण है। अध्ययन का तर्क है कि एक अच्छी तरह से नियमित (रेगुलराइज्ड) हाइब्रिड सिस्टम—एक ऐसा सिस्टम जो कंप्यूटर को शोर को याद करने से रोकता है और उसे सामान्य पैटर्न सीखने के लिए मजबूर करता है—एक एकल, जटिल एल्गोरिदम की तुलना में अधिक विश्वसनीय है।

अनुकूलित फीचर चयन और दोहरी-धारा (ड्यूल-स्ट्रीम) वास्तुकला को जोड़कर, कार्डियो फ्यूजन ढांचा यह प्रदर्शित करता है कि एक ऐसा भविष्यवाणी उपकरण बनाना संभव है जो सटीक और लचीला दोनों हो। यह छोटे, विशिष्ट डेटासेट्स पर अच्छा प्रदर्शन करता है और बड़े, विषम (हेटरोजेनियस) डेटासेट्स को संभालने के लिए अपनी संरचना बनाए रखता है। शोधकर्ता नोट करते हैं कि हालांकि उनका सिस्टम एक महत्वपूर्ण कदम है, लेकिन यह अंतिम समाधान नहीं है। भविष्य के कार्यों में सिस्टम का और भी विविध समूहों पर परीक्षण करना और ऐसे उपकरणों को एकीकृत करना शामिल होगा जो यह समझा सकें कि कंप्यूटर ने एक विशिष्ट भविष्यवाणी क्यों की, जिससे डॉक्टरों को मशीन की सलाह पर भरोसा करने में मदद मिल सके। फिलहाल, यह अध्ययन एक स्पष्ट मार्ग प्रदान करता है कि कैसे अधिक विश्वसनीय, सामान्यीकरण योग्य उपकरण बनाए जा सकते हैं जो भविष्य में डॉक्टरों के साथ मिलकर काम कर सकें, जिससे उन रोगियों में हृदय रोग के जोखिमों की पहचान करने में मदद मिल सके जो अन्यथा छूट सकते हैं।