MVMGNN: Multi-View Masked Graph Neural Network for Alzheimer’s Disease Diagnosis using Structural MRI

मानव मस्तिष्क एक विशाल, जटिल नेटवर्क है जहाँ अरबों कोशिकाएं विचार, स्मृति और गति को बनाए रखने के लिए संवाद करती हैं। जब यह नेटवर्क टूटने लगता है, जैसा कि अल्जाइमर रोग में होता है, तो क्षति अक्सर सूक्ष्म रूप से शुरू होती है, जिससे किसी व्यक्ति के अपने प्रियजन को पहचानने की क्षमता खोने से बहुत पहले ही मस्तिष्क के विशिष्ट क्षेत्रों के आकार और संरचना में परिवर्तन आने लगता है। दशकों तक, डॉक्टरों ने मस्तिष्क की शारीरिक रचना के विस्तृत चित्र लेने के लिए स्ट्रक्चरल मैग्नेटिक रेजोनेंस इमेजिंग (sMRI) पर भरोसा किया है, ताकि सिकुड़न के इन शुरुआती संकेतों को खोजा जा सके। हालाँकि, मस्तिष्क की संरचना की एक एकल तस्वीर बीमारी के सबसे शुरुआती और सबसे उपचार योग्य चरणों को पकड़ने के लिए अक्सर पर्याप्त नहीं होती है। चुनौती इन छवियों की व्याख्या करने में निहित है: मस्तिष्क केवल अलग-थलग हिस्सों का संग्रह नहीं है, बल्कि एक जटिल जाल है जहाँ एक क्षेत्र और दूसरे के बीच का संबंध उन क्षेत्रों के स्वयं के गुणों जितना ही महत्वपूर्ण जानकारी रखता है। पारंपरिक तरीके अक्सर मस्तिष्क के डेटा को माप की एक सरल सूची के रूप में देखते हैं या कनेक्शनों को मैप करने के लिए एक ही तरीके पर निर्भर रहते हैं, जो मन की जटिल वास्तुकला में छिपे सूक्ष्म और पूरक संकेतों को चूक सकते हैं।

झेंग्झौ यूनिवर्सिटी ऑफ लाइट इंडस्ट्री और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने इस पहेली को सुलझाने के लिए एक नया दृष्टिकोण विकसित किया है, जो एक ऐसा सिस्टम बनाया है जो मस्तिष्क को एक साथ कई लेंसों के माध्यम से देखना सीखता है। उनकी विधि, जिसे MVMGNN कहा जाता है, मस्तिष्क को एक जीवित ग्राफ के रूप में मानती है जहाँ विभिन्न क्षेत्र नोड्स (nodes) हैं जो किनारों (edges) से जुड़े हुए हैं। कंप्यूटर को इन कनेक्शनों को खींचने के लिए केवल एक तरीका चुनने के लिए मजबूर करने के बजाय, यह सिस्टम एक ही मस्तिष्क के दो अलग-अलग मानचित्र बनाता है। पहला मानचित्र भौतिक निकटता पर आधारित है, जो मस्तिष्क के उन क्षेत्रों को जोड़ता है जो खोपड़ी में एक-दूसरे के बगल में स्थित हैं, ठीक वैसे ही जैसे शहर में पड़ोसी होते हैं। दूसरा मानचित्र समानता पर आधारित है, जो उन क्षेत्रों को जोड़ता है जो समान बनावट (texture) और आकार साझा करते हैं, भले ही वे दूर हों। इन दो दृष्टिकोणों को जोड़कर, यह मॉडल मस्तिष्क के स्वास्थ्य की पिछली विधियों की तुलना में अधिक समृद्ध और पूर्ण तस्वीर प्रस्तुत करता है।

यह नवाचार केवल मस्तिष्क को दो कोणों से देखने से आगे जाता है; यह सिस्टम को शोर (noise) को अनदेखा करना भी सिखाता है। किसी भी जटिल डेटासेट में, अनावश्यक विवरण और कमजोर कनेक्शन होते हैं जो कंप्यूटर को भ्रमित कर सकते हैं, ठीक वैसे ही जैसे रेडियो सिग्नल में स्टेटिक (static) होता है। इसे संभालने के लिए, शोधकर्ताओं ने एक "मास्किंग" तंत्र पेश किया है। कल्पना कीजिए कि एक फिल्टर है जो स्वचालित रूप से एक तस्वीर के अप्रासंगिक हिस्सों को धुंधला कर देता है जबकि सबसे महत्वपूर्ण विवरणों को उभार देता है। यह सिस्टम मस्तिष्क के डेटा के लिए भी यही करता है, प्रत्येक मानचित्र के भीतर बेकार के फीचर्स और कमजोर कनेक्शनों को दबाते हुए उन संकेतों को बढ़ाता है जो निदान के लिए वास्तव में महत्वपूर्ण हैं। यह एक छलनी की तरह कार्य करता है, यह सुनिश्चित करता है कि विश्लेषण के लिए केवल सबसे सूचनात्मक संरचनात्मक पैटर्न ही आगे बढ़ें।

एक बार जब सिस्टम डेटा को फ़िल्टर कर लेता है, तो इसे दो अलग-अलग मानचित्रों से प्राप्त जानकारी को कैसे तौलना है, इसका निर्णय लेना होता है। एक मरीज के मस्तिष्क में भौतिक लेआउट में बीमारी के स्पष्ट संकेत हो सकते हैं लेकिन बनावट के मामले में सामान्य दिख सकता है, या इसके विपरीत। शोधकर्ताओं ने इसे एक "गेटेड फ्यूजन" मॉड्यूल के साथ हल किया, जो एक स्मार्ट निर्णय लेने वाला है जो प्रत्येक व्यक्तिगत रोगी के अनुकूल होता है। सभी के लिए एक कठोर नियम लागू करने के बजाय, यह मॉड्यूल एक अकेले मस्तिष्क के विशिष्ट पैटर्न का मूल्यांकन करता है और गतिशील रूप से इस बात को समायोजित करता है कि प्रत्येक मानचित्र को कितनी महत्ता दी जाए। यदि भौतिक लेआउट किसी विशेष व्यक्ति के लिए सबसे मजबूत सुराग प्रदान करता है, तो सिस्टम उस पर निर्भर रहता है; यदि बनावट की समानता अधिक सार्थक है, तो यह अपना ध्यान बदल लेता है। यह लचीलापन मॉडल को तब भी मजबूत बनाए रखता है जब विभिन्न दृष्टिकोणों से प्राप्त डेटा पूरी तरह से मेल नहीं खाता है।

जब अल्जाइमर डिजीज न्यूरोइमेजिंग इनिशिएटिव से मस्तिष्क स्कैन के एक बड़े संग्रह पर इसका परीक्षण किया गया, जिसमें लगभग एक हजार विषय शामिल थे, तो यह नया सिस्टम अत्यधिक प्रभावी साबित हुआ। इसने स्वस्थ मस्तिष्क, हल्के संज्ञानात्मक दोष (mild cognitive impairment) वाले मस्तिष्क और पूर्ण-विकसित अल्जाइमर रोग के बीच बेहतर सटीकता के साथ अंतर करने में सफलता प्राप्त की। स्वस्थ मस्तिष्क और अल्जाइमर वाले मस्तिष्क के बीच अंतर करने के कार्य में, इस सिस्टम ने लगभग 90 प्रतिशत की सटीकता हासिल की, जो मौजूदा तकनीकों की तुलना में एक बड़ी छलांग है। इसने बीमारी के सूक्ष्म, शुरुआती चरणों की पहचान करने में भी विशेष ताकत दिखाई, जहाँ एक स्वस्थ मस्तिष्क और हल्के दोष वाले मस्तिष्क के बीच के अंतर अक्सर धुंधले और पहचानना कठिन होते हैं।

शायद सटीकता जितनी महत्वपूर्ण सिस्टम के तर्क की स्पष्टता थी। क्योंकि मॉडल विशिष्ट फीचर्स को चुनने के लिए मास्किंग का उपयोग करता है, शोधकर्ता "ब्लैक बॉक्स" के भीतर देख सकते थे कि कंप्यूटर मस्तिष्क के किन हिस्सों पर ध्यान केंद्रित कर रहा था। परिणाम चिकित्सा ज्ञान के अनुरूप थे: सिस्टम ने लगातार हिप्पोकैम्पस (hippocampus) और टेम्पोरल लोब्स (temporal lobes) को उजागर किया, जो वे क्षेत्र हैं जिन्हें अल्जाइमर में सबसे पहले नुकसान झेलने वाले क्षेत्रों के रूप में जाना जाता है। इसने इन क्षेत्रों के बीच विशिष्ट कनेक्शनों की भी पहचान की जो निदान के लिए महत्वपूर्ण थे। यह पारदर्शिता बताती है कि मॉडल केवल यादृच्छिक पैटर्न के आधार पर अनुमान नहीं लगा रहा है, बल्कि जैविक रूप से सार्थक संरचनाओं को सीख रहा है जो वास्तव में बीमारी की प्रगति को दर्शाती हैं।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण अन्य सार्वजनिक डेटाबेस से पूरी तरह से अलग डेटा सेटों पर भी किया ताकि यह देखा जा सके कि क्या यह विभिन्न वातावरणों में टिक पाता है। मॉडल ने अपना प्रदर्शन बनाए रखा, यह प्रदर्शित करते हुए कि कई दृष्टिकोणों से सीखने और शोर को फ़िल्टर करने की इसकी क्षमता केवल रोगियों के एक विशिष्ट समूह के लिए काम करने वाली विधि नहीं है, बल्कि एक विश्वसनीय रणनीति है जो नई आबादी में भी लागू हो सकती है। हालांकि यह अध्ययन पूरी तरह से स्ट्रक्चरल एमआरआई स्कैन पर केंद्रित था और अभी तक इसमें आनुवंशिक जानकारी या पीईटी (PET) स्कैन जैसे अन्य प्रकार के चिकित्सा डेटा को शामिल नहीं किया गया है, फिर भी इसके परिणाम भविष्य के कार्य के लिए एक मजबूत आधार प्रदान करते हैं। यह दिखाते हुए कि कई दृष्टिकोणों (multi-view approach) को बुद्धिमान फ़िल्टरिंग के साथ मिलाने से मस्तिष्क की संरचना में छिपे हुए पैटर्न को उजागर किया जा सकता है, यह शोध अल्जाइमर रोग के शीघ्र और अधिक सटीक पता लगाने के लिए एक आशाजनक नया मार्ग प्रदान करता है, जिससे संभावित रूप से मरीजों और डॉक्टरों को अपरिवर्तनीय क्षति होने से पहले हस्तक्षेप करने के लिए अधिक समय मिल सकता है।