Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.
यह पायलट अध्ययन प्रदर्शित करता है कि नाइजीरियाई एमआरआई डेटा पर प्रशिक्षित एक जनसंख्या-विशिष्ट गॉसियन प्रोसेस रिग्रेशन मॉडल, मस्तिष्क आयु की भविष्यवाणी करने में उच्च सटीकता और कम कम्प्यूटेशनल लागत के साथ ग्लोबल नॉर्थ-प्रशिक्षित मौजूदा मॉडलों से बेहतर प्रदर्शन करता है, जो अफ्रीकी आबादी में त्वरित मस्तिष्क उम्र बढ़ने का पता लगाने के लिए संवेदनशील, संसाधन-कुशल उपकरण विकसित करने हेतु प्रतिनिधि डेटा की महत्वपूर्ण आवश्यकता को रेखांकित करता 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
मानव मस्तिष्क एक स्थिर अंग नहीं है; जैसे-जैसे हम बड़े होते हैं, यह अपना आकार और संरचना बदलता रहता है। जिस तरह हमारी त्वचा पर झुर्रियां विकसित होती हैं या हमारी हड्डियों का घनत्व समय के साथ कम होता जाता है, वैसे ही मस्तिष्क भी एक स्वाभाविक, क्रमिक परिवर्तन से गुजरता है। वैज्ञानिकों ने चुंबकीय अनुनाद इमेजिंग (एमआरआई) का उपयोग करके इन परिवर्तनों को मापना सीखा है ताकि "ब्रेन एज" (मस्तिष्क की आयु) नामक एक अवधारणा बनाई जा सके। यह एक ऐसी संख्या है जो किसी व्यक्ति की वास्तविक आयु के बजाय उसकी शारीरिक संरचना के आधार पर यह अनुमान लगाती है कि उसका मस्तिष्क कितना पुराना दिखता है। यदि मस्तिष्क व्यक्ति की वास्तविक आयु से अधिक पुराना दिखाई देता है, तो यह संकेत दे सकता है कि यह अंग तनाव में है या डिमेंशिया जैसी बीमारियों के जोखिम में है। वर्षों से, शोधकर्ता इस विचार का उपयोग स्वास्थ्य समस्याओं का जल्दी पता लगाने के लिए करते रहे हैं। हालाँकि, इस मस्तिष्क आयु की गणना करने वाले उपकरणों में एक महत्वपूर्ण दोष है: वे लगभग पूरी तरह से उत्तरी अमेरिका, यूरोप और ऑस्ट्रेलिया के लोगों के डेटा का उपयोग करके बनाए गए थे। ये मॉडल यह मानकर चलते हैं कि सभी मानव मस्तिष्क एक ही तरह से उम्र बढ़ाते हैं, चाहे व्यक्ति कहीं भी रहता हो या उसकी पृष्ठभूमि कुछ भी हो। यह धारणा इस तथ्य की अनदेखी करती है कि आनुवंशिकी, पर्यावरण और यहाँ तक कि तस्वीरें लेने के लिए उपयोग की जाने वाली विशिष्ट मशीनें भी इस बात को प्रभावित कर सकती हैं कि एक मस्तिष्क कैसा दिखता है।
शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ बढ़ाया कि क्या पश्चिमी देशों द्वारा बनाए गए ये उपकरण अफ्रीका, विशेष रूप से नाइजीरिया के लोगों के लिए काम करते हैं। उन्होंने अफ्रीका न्यूरोइमेजिंग आर्काइव (AfNiA) से प्रेरणा ली, जो पूरे महाद्वीप से 11,000 से अधिक क्लिनिकल मस्तिष्क स्कैन वाला एक बहु-संस्थागत डेटाबेस है। इस विशाल संग्रह से, उन्होंने नाइजीरियाई वयस्कों के 309 स्कैनों को सावधानीपूर्वक चुना जो न्यूरोलॉजिकल रूप से स्वस्थ थे, जिसका अर्थ है कि उन्हें कोई ज्ञात मस्तिष्क रोग या असामान्यताएं नहीं थीं। ये विशिष्ट स्कैन नाइजीरिया के विभिन्न स्रोतों, जिनमें सार्वजनिक और निजी अस्पताल शामिल थे, से आए थे, और इन्हें पांच अलग-अलग प्रकार की एमआरआई मशीनों का उपयोग करके लिया गया था। इनमें से कई छवियां वे स्पष्ट, उच्च-रिज़ॉल्यूशन वाली 3D तस्वीरें नहीं थीं जिनका आमतौर पर अनुसंधान में उपयोग किया जाता है; इसके बजाय, वे अक्सर तेज़, निम्न-गुणवत्ता वाले 2D स्लाइस थे जिन्हें मरीजों को क्लिनिक से जल्दी गुजारने के लिए लिया गया था। इन छवियों को अपने अध्ययन के लिए उपयोगी बनाने के लिए, टीम ने एक कंप्यूटर प्रोग्राम का उपयोग करके 2D स्लाइस को 3D छवियों में परिवर्तित किया, जिससे मस्तिष्क की एक पूर्ण तस्वीर बनाने के लिए रिक्त स्थानों को प्रभावी रूप से भरा जा सका। इसके बाद उन्होंने इन छवियों को एक कठोर गुणवत्ता जांच से गुजारा, उन सभी स्कैन को हटा दिया जो बहुत धुंधले या विकृत थे, जिससे यह सुनिश्चित हुआ कि उनका अंतिम डेटासेट वास्तविक दुनिया की बाधाओं के बावजूद यथासंभव विश्वसनीय हो।
अपने स्वच्छ डेटासेट के तैयार होने के बाद, टीम ने एक नया कंप्यूटर मॉडल प्रशिक्षित किया ताकि विशेष रूप से इस नाइजीरियाई आबादी के लिए मस्तिष्क की संरचना और आयु के बीच के संबंध को सीखा जा सके। उन्होंने मॉडल को यह सिखाया कि वह मस्तिष्क के विभिन्न क्षेत्रों के आकार और आकृति को देखे और व्यक्ति की आयु का अनुमान लगाए। जब उन्होंने इस नए मॉडल का परीक्षण किया, तो मानक सांख्यिकीय समायोजन लागू करने से पहले इसकी भविष्यवाणियां औसतन लगभग 9.8 वर्ष की त्रुटि दिखा रही थीं। इन मॉडलों में युवाओं की आयु को अधिक आंकने और वृद्धों की आयु को कम आंकने की एक सामान्य प्रवृत्ति को ध्यान में रखते हुए एक सरल सुधार करने के बाद, त्रुटि काफी कम होकर केवल 6.4 वर्ष रह गई। सटीकता का यह स्तर उन सर्वश्रेष्ठ मॉडलों के तुलनीय है जिन्हें ग्लोबल नॉर्थ (विकसित देशों) के बड़े, उच्च-गुणवत्ता वाले डेटासेट पर प्रशिक्षित किया गया है, लेकिन यह एक ऐसे डेटा का उपयोग करके प्राप्त किया गया था जो स्थानीय आबादी के लिए कहीं अधिक प्रतिनिधि था।
यह देखने के लिए कि पुराने, आयातित मॉडल कैसा प्रदर्शन करेंगे, शोधकर्ताओं ने उसी नाइजी적인 डेटा पर चार अलग-अलग स्थापित ब्रेन एज टूल्स का परीक्षण किया। इन उपकरणों को यूके, यूएस और यूरोप के लोगों के हजारों स्कैन पर प्रशिक्षित किया गया था। परिणाम चौंकाने वाले थे। आयातित मॉडलों ने बहुत बड़ी त्रुटियां कीं, जिनमें से कुछ औसतन 16 वर्षों से भी अधिक की त्रुटि दिखा रहे थे। एक अन्य उन्नत डीप लर्निंग मॉडल, जिसे नए समूहों के अनुकूल होने की क्षमता के लिए सराहा गया था, स्कैन के एक छोटे हिस्से पर पूरी तरह विफल रहा, क्योंकि वह छवियों को प्रोसेस ही नहीं कर पाया। एक अन्य मॉडल इतना खराब प्रदर्शन कर गया कि उसने समूह के लिए उम्र बढ़ने की गलत दिशा ही बता दी। शोधकर्ताओं ने पाया कि ये मॉडल अनिवार्य रूप से नाइजीरियाई मस्तिष्क को उस पैटर्न में फिट करने की कोशिश कर रहे थे जिसे उन्होंने कभी देखा ही नहीं था, जिससे भ्रम और गलत परिणाम उत्पन्न हुए। अध्ययन ने दिखाया कि सबसे परिष्कृत उपकरण भी बिना विश्वसनीयता खोए महाद्वीपों के बीच आसानी से स्थानांतरित नहीं किए जा सकते।
अध्ययन ने संसाधन-सीमित परिवेशों में इन तकनीकों को लाने की व्यावहारिक चुनौतियों पर भी प्रकाश डाला। हालांकि नया मॉडल सटीक था, लेकिन छवियों को तैयार करने की प्रक्रिया में बहुत अधिक समय लगा। सभी 309 प्रतिभागियों के स्कैन को बदलने और विश्लेषण करने के लिए निरंतर कंप्यूटर प्रोसेसिंग के लगभग 40 दिन लगे। यह बाधा, जो मस्तिष्क की छवियों को मॉडल द्वारा पढ़े जाने से पहले उनके विशिष्ट हिस्सों में तोड़ने की आवश्यकता के कारण उत्पन्न हुई, व्यस्त अस्पतालों में उपयोग के लिए एक बड़ी चुनौती है जहाँ गति आवश्यक है। शोधकर्ताओं ने नोट किया कि हालांकि नए, तेज़ तरीके मौजूद हैं, लेकिन उन्हें अक्सर महंगे, शक्तिशाली कंप्यूटरों की आवश्यकता होती है जो अफ्रीका के कई हिस्सों में उपलब्ध नहीं हैं। यह एक कठिन द्वंद्व पैदा करता है: सबसे सटीक मॉडल व्यापक रूप से उपयोग करने के लिए बहुत धीमे और महंगे हैं, जबकि तेज़ मॉडल अक्सर कम सटीक होते हैं या स्थानीय डेटा पर विफल हो जाते हैं।
अंततः, यह कार्य दर्शाता है कि अफ्रीका में बेहतर मस्तिष्क स्वास्थ्य का मार्ग एक अलग दृष्टिकोण की मांग करता है। केवल समृद्ध देशों में विकसित उपकरणों को लेकर अफ्रीकी आबादी पर लागू करना पर्याप्त नहीं है। शोधकर्ताओं ने दिखाया कि स्थानीय डेटा का उपयोग करके स्थानीय मॉडल बनाकर, वे ऐसे परिणाम प्राप्त कर सकते थे जो अधिक सटीक और अध्ययन किए जा रहे लोगों के लिए अधिक प्रासंगिक थे। उन्होंने निष्कर्ष निकाला कि वैश्विक मस्तिष्क स्वास्थ्य का भविष्य उपकरणों के एक विविध पारिस्थितिकी तंत्र के निर्माण पर निर्भर करता है, जो उन विशिष्ट आबादी के लिए मान्य हों जिनकी वे मदद करने के लिए डिज़ाइन किए गए हैं। जैसे-जैसे वे महाद्वीप भर से अधिक डेटा एकत्र करना जारी रख रहे हैं, वे इन मॉडलों को और अधिक परिष्कृत करने की आशा करते हैं, जिससे अंततः एक ऐसी प्रणाली बनाई जा सके जो त्वरित मस्तिष्क उम्र बढ़ने के जोखिम वाले व्यक्तियों की विश्वसनीय पहचान कर सके, जिससे उन लाखों लोगों को शीघ्र हस्तक्षेप और बेहतर देखभाल मिल सके जो लंबे समय से इस चर्चा से बाहर रहे 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।