SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

मानव तंत्रिका तंत्र एक विशाल, जटिल नेटवर्क है, और जब यह खराब होता है, तो इसके परिणाम बहुत गंभीर हो सकते हैं। दो ऐसी स्थितियाँ, मल्टीपल स्क्लेरोसिस (multiple sclerosis) और मायलाइटिस (myelitis), तंत्रिका तंतुओं के सुरक्षात्मक आवरण में सूजन और क्षति से जुड़ी हैं, जो शरीर के भीतर संचार को बाधित करने वाले घाव (lesions) पैदा करती हैं। मल्टीपल स्क्लेरोसिस अक्सर क्षति के छोटे, बिखरे हुए धब्बों के रूप में सामने आता है, जबकि मायलाइटिस सूजन के लंबे, निरंतर विस्तार का कारण बन सकता है। चिकित्सा छवियों को देखते समय इन दोनों के बीच अंतर करना महत्वपूर्ण है, फिर भी यह डॉक्टरों के लिए एक कठिन कार्य है। ये छवियां, जिन्हें मैग्नेटिक रेजोनेंस इमेजिंग या एमआरआई (MRI) स्कैन कहा जाता है, शरीर को विभिन्न कोणों से पतले स्लाइस (slices) में कैप्चर करती हैं। कभी-कभी दोनों बीमारियों के बीच का अंतर सूक्ष्म होता है, जो एक छोटे से धब्बे की बनावट या एक स्लाइस में घाव के खिंचाव में छिपा होता है। इसके अलावा, स्कैन का ओरिएंटेशन (orientation)—चाहे वह शरीर को बगल से देख रहा हो या ऊपर से—यह बदल देता है कि शरीर की संरचना कैसी दिखाई देती है, जिससे निदान में जटिलता की एक और परत जुड़ जाती है।

डॉक्टरों को इस जटिलता को समझने में मदद करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस, विशेष रूप से 'डीप लर्निंग' नामक एक क्षेत्र की ओर रुख किया है। ये कंप्यूटर सिस्टम बड़ी मात्रा में डेटा से पैटर्न सीखने के लिए डिज़ाइन किए गए हैं, ठीक वैसे ही जैसे एक छात्र पाठ्यपुस्तक से सीखता है, लेकिन वे दृश्य विशेषताओं को पहचानने के लिए लाखों आंतरिक सेटिंग्स को समायोजित करके ऐसा करते हैं। चुनौती एक ऐसा सिस्टम बनाने की थी जो घाव के सूक्ष्म विवरणों और आसपास की शारीरिक संरचना के व्यापक संदर्भ, दोनों को देख सके, साथ ही इस बात को भी समझ सके कि छवि किस कोण से ली गई थी। यदि कोई कंप्यूटर इन विभिन्न दृष्टिकोणों को संयोजित करना सीख सकता है, तो वह कठिन मामलों के लिए एक अधिक विश्वसनीय दूसरी राय (second opinion) प्रदान कर सकता है।

तुर्की के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण विकसित किया है, जिससे उन्होंने 'स्पाइनफ्यूजन' (SpineFusion) नामक एक प्रणाली बनाई है। उनका कार्य कंप्यूटर को रीढ़ की हड्डी और मस्तिष्क के एमआरआई स्कैन को देखना, और यह पहचानना सिखाने पर केंद्रित है कि रोगी स्वस्थ है या मल्टीपल स्क्लेरोसिस या मायलाइटिस से पीड़ित है। शोधकर्ताओं ने केवल एक मानक कंप्यूटर प्रोग्राम को प्रशिक्षित नहीं किया; इसके बजाय, उन्होंने एक 'डुअल-इंजन' सिस्टम बनाया जो एक मानव विशेषज्ञ के छवि देखने के तरीके की नकल करता है। सिस्टम का एक हिस्सा स्थानीय विवरणों, जैसे कि एक छोटे घाव की विशिष्ट बनावट, को पहचानने के लिए डिज़ाइन किया गया है, जबकि दूसरा हिस्सा बड़े परिदृश्य को देखता है, जो रीढ़ की हड्डी या मस्तिष्क के समग्र आकार और संदर्भ को समझता है। महत्वपूर्ण बात यह है कि ये दोनों हिस्से अलग-थलग काम नहीं करते हैं। वे लगातार जानकारी का आदान-प्रदान करते हैं, जिसमें विवरण-केंद्रित भाग संदर्भ-केंद्रित भाग से मदद मांगता है, और इसके विपरीत भी। इसके अतिरिक्त, सिस्टम को स्पष्ट रूप से बताया जाता है कि वह शरीर का पार्श्व दृश्य (side view) देख रहा है या ऊपर से नीचे का दृश्य (top-down view), जो एक ऐसी जानकारी है जो इसे दृश्य डेटा की सही व्याख्या करने में मदद करती है।

शोधकर्ताओं ने इस नए सिस्टम का परीक्षण सार्वजनिक मेडिकल छवियों के तीन अलग-अलग संग्रहों पर किया। पहले संग्रह में रीढ़ की हड्डी की लगभग 2,800 छवियां थीं, जिन्हें स्वस्थ, मल्टीपल स्क्लेरोसिस या मायलाइटिस के रूप में लेबल किया गया था। दूसरे सेट में 3,400 से अधिक मस्तिष्क की छवियां शामिल थीं, जो स्वस्थ व्यक्तियों और मल्टीपल स्क्लेरोसिस वाले लोगों के बीच अंतर करती थीं। तीसरा और सबसे बड़ा सेट लगभग 12,000 छवियों का था जिसमें अल्जाइमर रोग से लेकर ब्रेन ट्यूमर तक आठ अलग-अलग न्यूरोलॉजिकल स्थितियों को कवर किया गया था। प्रत्येक मामले में, सिस्टम को अलग-अलग प्रशिक्षित और परीक्षण किया गया था, यह सुनिश्चित करते हुए कि एक सेट की छवियों से प्राप्त ज्ञान दूसरे के परीक्षण में लीक न हो।

परिणामों ने दिखाया कि सिस्टम अपने कार्य में अत्यधिक प्रभावी था। स्पाइनल छवियों पर, इसने लगभग 95% मामलों में स्थिति की सही पहचान की। मस्तिष्क की छवियों पर, इसने लगभग 0.98 का AUC प्राप्त किया, और आठ अलग-अलग बीमारियों के बड़े, जटिल सेट पर, इसने 0.99 से अधिक का AUC प्राप्त किया। हालांकि, शोधकर्ता इस बात का दावा करने में सावधान रहे कि यह एक पूर्ण समाधान नहीं है। जब उन्होंने अपने नए सिस्टम की तुलना पुराने तरीकों से की जिन्होंने पहले उच्च स्कोर दर्ज किए थे, तो उन्होंने पाया कि उनका दृष्टिकोण मौजूदा सर्वोत्तम आंकड़ों को अनिवार्य रूप से नहीं हराता है। वास्तव में, उनके सिस्टम का वह हिस्सा जो स्थानीय विवरणों को पहचानने के लिए समर्पित था, वह अकेले ही इतना मजबूत था कि वैश्विक संदर्भ और कोण की जानकारी जोड़ने से परिणामों में केवल मामूली सुधार हुआ। यह सुझाव देता है कि इस विशिष्ट प्रकार की स्पाइनल इमेज के लिए, सूक्ष्म बनावट को देखने की क्षमता सबसे महत्वपूर्ण कारक है, और विभिन्न दृश्यों को संयोजित करने की अतिरिक्त जटिलता केवल एक मामूली लाभ प्रदान करती है।

अध्ययन ने यह भी रेखांकित किया कि सिस्टम कहाँ संघर्ष करता है। सबसे आम गलतियाँ तब हुईं जब कंप्यूटर ने मल्टीपल स्क्लेरोसिस को मायलाइटिस के साथ भ्रमित कर दिया, जो दो ऐसी स्थितियाँ हैं जो नैदानिक रूप से समान हैं और अक्सर मानव विशेषज्ञों के लिए भी पहचानना कठिन होता है। शोधकर्ताओं ने अपने डेटा में एक महत्वपूर्ण सीमा भी नोट की: छवियां सार्वजनिक अभिलेखागार से आई थीं जिनमें हमेशा एक ही रोगी से जुड़े कई स्लाइस के स्पष्ट लेबल शामिल नहीं थे। इसका मतलब है कि एक ही व्यक्ति के स्लाइस प्रशिक्षण और परीक्षण दोनों समूहों में जा सकते थे, जिससे सिस्टम वास्तविक होने की तुलना में अधिक सटीक दिख सकता है। इस कारण से, शोधकर्ताओं ने इस बात पर जोर दिया कि उनके निष्कर्ष एक 'प्रूफ ऑफ कॉन्सेप्ट' (proof of concept) हैं न कि एक तैयार चिकित्सा उपकरण।

अंततः, यह कार्य प्रदर्शित करता है कि एक ऐसा मशीन लर्निंग मॉडल बनाना संभव है जो मेडिकल छवियों के स्थानीय विवरणों और वैश्विक संदर्भ दोनों को समझ सके, और जो स्कैन के ओरिएंटेशन का उपयोग अपने निर्णय को बेहतर बनाने के लिए कर सकता है। सिस्टम ने इन विभिन्न प्रकार की सूचनाओं को संलयित (fuse) करना सफलतापूर्वक सीखा, जिससे एमआरआई स्कैन के विश्लेषण के लिए एक मजबूत ढांचा तैयार हुआ। हालांकि वर्तमान परिणाम उत्साहजनक हैं, शोधकर्ता निष्कर्ष निकालते हैं कि इससे पहले कि ऐसे उपकरण का उपयोग रोगियों की मदद के लिए किया जाए, इसे ऐसे डेटा पर परीक्षण किया जाना चाहिए जहां प्रत्येक स्लाइस को सावधानीपूर्वक रोगी के आधार पर समूहीकृत किया गया हो, ताकि यह सुनिश्चित हो सके कि सिस्टम वास्तव में बीमारी के बारे में सीख रहा है न कि केवल देखी गई विशिष्ट छवियों को याद कर रहा है। आगे का रास्ता इन मॉडलों को परिष्कृत करने और उन्हें वास्तविक नैदानिक सेटिंग्स में मान्य करने में निहित है, जहाँ दांव ऊंचे हैं और सटीकता की आवश्यकता पूर्ण है।