A Scoping Review of Foundation Models in Dementia Research

डिमेंशिया परिवारों और स्वास्थ्य प्रणालियों दोनों के लिए एक गंभीर चुनौती है, एक ऐसी स्थिति जो धीरे-धीरे याददाश्त और स्वतंत्रता को छीन लेती है। जैसे-जैसे वैश्विक जनसंख्या बढ़ रही है, इस स्थिति के साथ जीने वाले लोगों की संख्या भी बढ़ रही है, जिससे इसे बेहतर तरीके से जल्दी पहचानने की तत्काल आवश्यकता पैदा हो गई है। शुरुआती पहचान महत्वपूर्ण है क्योंकि नए उपचार उपलब्ध हो रहे हैं जो बीमारी के बिल्कुल शुरुआती चरणों में शुरू होने पर सबसे अच्छा काम करते हैं, इससे पहले कि कोई महत्वपूर्ण क्षति हो जाए। इन शुरुआती संकेतों को खोजने के लिए, वैज्ञानिक आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर रुख कर रहे हैं, विशेष रूप से एक शक्तिशाली नए प्रकार के कंप्यूटर प्रोग्राम की ओर जिसे 'फाउंडेशन मॉडल' कहा जाता है। इन मॉडलों को ज्ञान के विशाल पुस्तकालयों के रूप में समझें जिन्होंने लाखों किताबें पढ़ी हैं, अनगिनत बातचीत सुनी है और विविध छवियों का अध्ययन किया है, जिससे वे मानव भाषा और व्यवहार के उन पैटर्न को समझने में सक्षम होते हैं जिन्हें एक मानक कंप्यूटर प्रोग्राम शायद छोड़ दे। शोधकर्ता उम्मीद करते हैं कि ये उपकरण रोगी की बोली को सुन सकते हैं, उनके मेडिकल नोट्स पढ़ सकते हैं, या मस्तिष्क के स्कैन का विश्लेषण कर सकते हैं ताकि डॉक्टर के ध्यान देने से बहुत पहले डिमेंशिया के सूक्ष्म संकेतों (फिंगरप्रिंट्स) को पहचान सकें।

यूनाइटेड किंगडम के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने हाल ही में इस तकनीक के वर्तमान परिदृश्य का मानचित्रण करने का लक्ष्य रखा। वे यह जानना चाहते थे कि इन उन्नत एआई सिस्टम का उपयोग डिमेंशिया के अध्ययन के लिए वास्तव में कैसे किया जा रहा है, वे वास्तव में कितने प्रभावी हैं, और अस्पताल में भरोसेमंद बनने से पहले उनमें क्या कमियां शेष हैं। इसका उत्तर देने के लिए, उन्होंने जनवरी 2022 से अगस्त 2026 के बीच प्रकाशित वैज्ञानिक शोध पत्रों की एक विस्तृत समीक्षा की। उन्होंने उन अध्ययनों की तलाश की जिन्होंने इन फाउंडेशन मॉडलों को डिमेंशिया का पता लगाने, इसका निदान करने, इसके बढ़ने की भविष्यवाणी करने, या किसी व्यक्ति में इसके विकसित होने के जोखिम का अनुमान लगाने जैसे कार्यों के लिए लागू किया। सैकड़ों रिकॉर्ड्स की छंटनी करने के बाद, वे गहन विश्लेषण के लिए पचास उच्च-गुणवत्ता वाले अध्ययनों पर टिके, जिसमें उपयोग की गई विधियों, कंप्यूटर में डाले गए डेटा और प्राप्त परिणामों की जांच की गई।

शोधकर्ताओं ने पाया कि यह क्षेत्र तेजी से आगे बढ़ रहा है लेकिन अभी भी अपने शुरुआती चरणों में है। अधिकांश अध्ययन दो मुख्य कार्यों पर केंद्रित थे: डिमेंशिया की उपस्थिति का पता लगाना या लक्षण दिखने के बाद इसका निदान करना। इन मॉडलों को बनाने का तरीका काफी भिन्न था। कुछ अध्ययनों ने उन मॉडलों का उपयोग किया जो पहले से ही बड़ी मात्रा में सामान्य डेटा पर प्रशिक्षित थे और फिर उन्हें डिमेंशिया संबंधी कार्यों के लिए सावधानीपूर्वक समायोजित या "फाइन-ट्यून" किया गया था। अन्य ने व्यावसायिक एआई सिस्टम का उपयोग किया, जो जनता के लिए उपलब्ध होते हैं, बस उनसे प्रश्न पूछकर या बिना उनकी आंतरिक सेटिंग्स बदले उन्हें डेटा देकर। एक छोटे समूह ने शून्य से मॉडल बनाए, जो पूरी तरह से नए डेटा पर प्रशिक्षित थे। परिणामों ने मॉडल के आकार और उसकी विश्वसनीयता के बीच एक स्पष्ट समझौता (ट्रेड-ऑफ) दिखाया। विशाल व्यावसायिक प्रणालियों ने कुछ मामलों में उच्चतम स्कोर प्राप्त किए, लेकिन उनका प्रदर्शन अत्यधिक असंगत था; कुछ उदाहरणों में, वे रैंडम अनुमान लगाने से बेहतर भी नहीं थे। इसके विपरीत, डिमेंशिया अनुसंधान के विशिष्ट कार्य के लिए फाइन-ट्यून किए गए मॉडलों ने सबसे सुसंगत और भरोसेमंद परिणाम दिए, जिनमें अधिकांश अध्ययनों ने मजबूत प्रदर्शन दिखाया। शून्य से बनाए गए मॉडल आम तौर पर मध्यम प्रदर्शन करते थे, जो अक्सर सरल, पुराने प्रकार के कंप्यूटर प्रोग्रामों से बेहतर प्रदर्शन करने में विफल रहे।

इन आशाजनक तकनीकी परिणामों के बावजूद, समीक्षा में ऐसी गंभीर सीमाओं का खुलासा हुआ जो इन उपकरणों को आज क्लिनिक में उपयोग करने से रोकती हैं। एक प्रमुख मुद्दा डेटा में विविधता की कमी थी। अधिकांश अध्ययन संयुक्त राज्य अमेरिका के डेटा पर निर्भर थे, और प्रतिभागी मुख्य रूप से श्वेत (व्हाइट) थे। बहुत कम अध्ययनों ने शामिल लोगों की जाति या जातीयता की रिपोर्ट की, और कई ने तो उनकी आयु तक दर्ज नहीं की। जब लिंग की रिपोर्ट की गई, तो परिणाम शायद ही कभी इस बात के लिए विभाजित किए गए कि क्या एआई पुरुषों और महिलाओं के लिए समान रूप से काम करता है। विविधता की इस कमी का अर्थ है कि हमें यह नहीं पता कि ये उपकरण विभिन्न पृष्ठभूमियों, भाषाओं या उम्र के लोगों के लिए कैसे काम करेंगे। इसके अलावा, उपयोग किया गया डेटा अक्सर सीमित था, जो मस्तिष्क के स्कैन, आनुवंशिक जानकारी और जीवनशैली के डेटा जैसे कई स्रोतों को संयोजित करने के बजाय, मुख्य रूप से भाषण रिकॉर्डिंग या एकल प्रकार के मेडिकल रिकॉर्ड पर निर्भर था।

एक अन्य महत्वपूर्ण निष्कर्ष मॉडलों के परीक्षण में कमजोरी थी। चिकित्सा अनुसंधान में, एक नए उपकरण को यह सिद्ध करना होता है कि वह उस डेटा पर भी काम कर सकता है जिसे उसने पहले कभी नहीं देखा है, ताकि यह सुनिश्चित हो सके कि वह केवल उत्तरों को रट नहीं रहा है। समीक्षा किए गए अधिकांश अध्ययनों ने केवल अपने मॉडलों का परीक्षण उसी डेटा पर किया जिसका उपयोग उन्होंने प्रशिक्षण के लिए किया था, जो कि अत्यधिक आशावादी परिणामों की ओर ले जा सकता है। केवल एक बहुत कम संख्या में अध्ययनों ने अपने मॉडलों का परीक्षण पूरी तरह से अलग अस्पतालों या क्षेत्रों के स्वतंत्र समूहों पर किया। इससे भी कम अध्ययनों ने अपने परिणामों की तुलना डिमेंशिया निदान के स्वर्ण मानक (गोल्ड स्टैंडर्ड) से की, जो मृत्यु के बाद मस्तिष्क के ऊतकों की जांच है। इस कठोर परीक्षण के बिना, यह जानना असंभव है कि क्या ये एआई सिस्टम वास्तविक दुनिया के रोगियों की जटिलता और विविधता को संभाल सकते हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि तकनीक में बहुत संभावना है, लेकिन यह वर्तमान में एक 'प्रूफ ऑफ कॉन्सेप्ट' है न कि एक तैयार समाधान। प्रयोगशाला से क्लिनिक तक पहुँचने के लिए, भविष्य के शोध को बड़े, अधिक विविध डेटासेट, स्वतंत्र समूहों पर कठोर परीक्षण और विभिन्न आबादी के बीच इन उपकरणों के प्रदर्शन की स्पष्ट समझ को प्राथमिकता देनी चाहिए। तब तक, ये शक्तिशाली प्रणालियाँ एक कार्य प्रगति पर (वर्क इन प्रोग्रेस) बनी हुई हैं, जो भविष्य की एक झलक तो देती हैं लेकिन अभी तक मानवीय नैदानिक निर्णय का विकल्प नहीं बन पाई हैं।