Deep Learning-Enhanced EVA Test for Diagnostic Prediction of ADHD Among School- Aged Children
यह अध्ययन प्रदर्शित करता है कि एक डीप लर्निंग-उन्नत निरंतर प्रदर्शन परीक्षण (EVA), जो दृश्य-श्रव्य प्रतिक्रिया डेटा का विश्लेषण करने के लिए एक LSTM एल्गोरिदम का उपयोग करता है, पारंपरिक तरीकों की तुलना में परीक्षण समय को कम करते हुए और जुड़ाव में सुधार करते हुए, स्कूली बच्चों में ADHD के लिए उच्च नैदानिक सटीकता (AUC 0.990) प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप घास के ढेर में सुई खोजने की कोशिश कर रहे हैं, लेकिन वह घास का ढेर एक बच्चे का मस्तिष्क है, सुई ADHD नामक एक स्थिति है, और आपके पास एकमात्र उपकरण एक बहुत ही लंबे, बहुत उबाऊ और थके हुए डॉक्टर के साथ की जाने वाली बातचीत है। यह अटेंशन-डेफिसिट/हाइपरएक्टिविटी डिसऑर्डर (ADHD) के निदान की वर्तमान वास्तविकता है, जो एक सामान्य स्थिति है जहाँ बच्चे ध्यान केंद्रित करने, स्थिर बैठने या अपने आवेगों को नियंत्रित करने में संघर्ष करते हैं। क्योंकि पर्याप्त प्रशिक्षित विशेषज्ञ नहीं हैं और इस प्रक्रिया में बहुत समय लगता है, कई बच्चे मदद के लिए वर्षों तक इंतजार करते हैं। वैज्ञानिक लंबे समय से बेहतर उपकरण बनाने की कोशिश कर रहे हैं। एक लोकप्रिय उपकरण जिसे "कंटीन्यूअस परफॉर्मेंस टेस्ट" (CPT) कहा जाता है। एक CPT को एक वीडियो गेम की तरह समझें जहाँ आपको एक विशिष्ट आकार देखने या एक विशिष्ट ध्वनि सुनने पर ही बटन दबाना होता है, और बाकी सब कुछ को अनदेखा करना होता है। इसे यह देखने के लिए डिज़ाइन किया गया है कि आपका मस्तिष्क कितनी अच्छी तरह ध्यान दे सकता है और खुद को गलतियाँ करने से रोक सकता है। दशकों से, डॉक्टर निदान करने के लिए इस खेल के स्कोर को देखते आए हैं। लेकिन क्या होगा अगर हम केवल अंतिम स्कोर को देखने के बजाय, एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क का उपयोग करके पूरे खेल को स्लो मोशन में देख सकें और उन पैटर्न को पहचान सकें जिन्हें मानवीय आँखें नहीं देख पातीं? यही वह बड़ा सवाल है जिसे यह अध्ययन हल करने की कोशिश करता है।
इस शोधपत्र के शोधकर्ताओं ने पुराने ढर्रे वाले ध्यान के खेल को अपग्रेड करने का निर्णय लिया। उन्होंने एक नया संस्करण बनाया जिसे "EVA टेस्ट" कहा जाता है, जो वर्षों से उपयोग किए जा रहे पारंपरिक परीक्षणों की तुलना में छोटा और अधिक आकर्षक है। लेकिन असली जादू केवल खेल में नहीं है; बल्कि इसमें है "डीप लर्निंग" एल्गोरिदम जिसे इसके साथ खेलने के लिए बनाया गया है। कल्पना कीजिए कि एक जासूस जो केवल रहस्य के अंतिम परिणाम को नहीं देखता, बल्कि जांच के दौरान संदिग्ध द्वारा उठाए गए हर कदम, हर हिचकिचाहट और हर नज़र का विश्लेषण करता है। उस कंप्यूटर ने ऐसा ही किया। केवल यह गिनने के बजाय कि एक बच्चे ने कितनी बार बटन मिस किया या कितनी जल्दी दबाया, एल्गोरिदम ने पूरे परीक्षण के दौरान हर एक प्रतिक्रिया के कच्चे, सेकंड-दर-सेकंड के समय (timing) को देखा।
टीम ने इस नए सिस्टम का परीक्षण 306 स्कूली बच्चों पर किया, जिनमें से कुछ को डॉक्टरों द्वारा पहले ही ADHD से निदान किया जा चुका था और कुछ को नहीं। उन्होंने कंप्यूटर को EVA टेस्ट से प्राप्त कच्चा डेटा दिया, जिसमें दृश्य (आकृतियों को देखना) और श्रव्य (ध्वनियों को सुनना) दोनों तरह की चुनौतियाँ शामिल थीं। परिणाम चौंकाने वाले थे। कंप्यूटर मॉडल, जिसने दृश्य और ध्वनि दोनों परीक्षणों को मिला दिया था, उस विशिष्ट समूह के बच्चों के लिए एक मास्टर डिटेक्टिव बन गया जिनका इस पर परीक्षण किया गया था। इसने 95.6% बार (एक माप जिसे संवेदनशीलता कहा जाता है) बच्चों को ADHD के रूप में सही ढंग से पहचाना और 96.6% बार (एक माप जिसे विशिष्टता कहा जाता है) बिना ADHD वाले बच्चों को सही ढंग से पहचाना। चिकित्सा परीक्षणों की दुनिया में, ये संख्याएँ असाधारण हैं। मॉडल पारंपरिक तरीके से भी बेहतर प्रदर्शन कर गया, जो इन परीक्षणों के पुराने स्कोरिंग सिस्टम को देखने जैसा है, जैसे कि एक आधुनिक स्मार्टफोन कैमरे की तुलना 1980 के दशक के फिल्म कैमरे से करना।
सबसे दिलचस्प चीजों में से एक जिसे कंप्यूटर ने "सीखा" वह थकान के बारे में था। परीक्षण को इस तरह डिज़ाइन किया गया था कि बच्चे पहले दृश्य वाला हिस्सा खेलें, फिर ध्वनि वाला हिस्सा। एल्गोरिदम ने एक चतुर बात नोट की: यदि कोई बच्चा पहले (दृश्य) भाग के दौरान प्रतिक्रिया देने में धीमा था, तो यह एक मजबूत संकेत था कि उन्हें शायद ADHD हो सकता है। हालाँकि, यदि वे दूसरे (श्रवण) भाग के दौरान धीमे थे, तो यह वास्तव में सुझाव देता था कि वे संभवतः ADHD नहीं थे। क्यों? शोधकर्ता सुझाव देते हैं कि चूंकि बिना किसी ब्रेक के दृश्य परीक्षण पहले आता है, इसलिए जब तक वे ध्वनि परीक्षण शुरू करते हैं, तब तक सभी थोड़ा थक जाते हैं। ADHD वाला एक बच्चा, जिसका मस्तिष्क ध्यान केंद्रित करने के लिए संघर्ष करता है, थकने के साथ और भी धीमा हो जाएगा। लेकिन बिना ADHD वाला एक बच्चा थोड़ा धीमा हो सकता है क्योंकि वे बस एक मानसिक विश्राम ले रहे थे, या शायद वे इतने केंद्रित थे कि वे थकान से विचलित नहीं हुए। कंप्यूटर ने पता लगा लिया कि समय के साथ गति में होने वाला 'बदलाव' एक बहुत बड़ा सुराग था, विशेष रूप से इस परीक्षण अनुक्रम के संदर्भ में।
अध्ययन ने यह भी देखा कि निदान किए जाने की सबसे अधिक संभावना किनकी है। उम्मीद के मुताबिक, डेटा ने दिखाया कि लड़कों को लड़कों की तुलना में अधिक बार ADHD के रूप में पहचाना गया था, और जैसे-जैसे बच्चे बड़े होते गए, जोखिम थोड़ा कम होता गया। लेकिन सबसे बड़ी बात यह थी कि नया "EVA टेस्ट" और उसके साथ जुड़ा यह डीप लर्निंग मस्तिष्क एक शक्तिशाली नया उपकरण है। यह सुझाव देता है कि हम ADHD का निदान तेजी से, अधिक सटीकता से और बच्चे के लिए कम तनाव के साथ कर सकते हैं। हालांकि शोधकर्ता सावधान हैं कि इसे हर डॉक्टर के कार्यालय में एक मानक उपकरण बनने से पहले लोगों के बड़े समूहों पर और अधिक परीक्षण की आवश्यकता है, लेकिन परिणाम बताते हैं कि निदान का भविष्य एक लंबे साक्षात्कार के बजाय एक स्मार्ट, इंटरैक्टिव गेम जैसा हो सकता है जो ठीक जानता है कि उसे क्या खोजना है।
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।