Multimodal Deep Learning Framework for Autism Spectrum Disorder Detection Using CC200 Functional Connectivity and Clinical Phenotypes

कल्पना कीजिए कि आप एक विशाल, उलझे हुए पहेली को सुलझाने की कोशिश कर रहे हैं जहाँ टुकड़े लगातार अपना आकार बदल रहे हैं। यह ऑटिज्म स्पेक्ट्रम डिसऑर्डर (ASD) की दुनिया है, एक ऐसी स्थिति जहाँ मस्तिष्क अनूठे और विविध तरीकों से काम करता है। दशकों से, डॉक्टर मुख्य पहेली सुलझाने वाले रहे हैं, जो यह पता लगाने के लिए लंबे, सावधानीपूर्वक संवादों और व्यवहार के अवलोकन पर भरोसा करते हैं कि क्या कोई व्यक्ति स्पेक्ट्रम पर है। यह कुछ ऐसा है जैसे केवल कुछ सुरों को सुनकर एक विशिष्ट गीत को पहचानने की कोशिश करना; इसके लिए एक प्रशिक्षित कान की आवश्यकता होती है, इसमें समय लगता है, और कभी-कभी यह कठिन हो सकता है क्योंकि हर व्यक्ति का "गीत" अलग तरह से सुनाई देता है।

हाल के वर्षों में, वैज्ञानिकों ने एक नया उपकरण पेश करने की कोशिश की है: ब्रेन इमेजिंग। विशेष रूप से, वे एक विशेष कैमरे का उपयोग करते हैं जिसे fMRI कहा जाता है, जो तब मस्तिष्क की तस्वीरें लेता है जब एक व्यक्ति बस आराम कर रहा होता है और बिना किसी विशेष विचार के बैठा होता है। ये तस्वीरें दिखाती हैं कि मस्तिष्क के विभिन्न हिस्से एक-दूसरे से कैसे बात करते हैं, जैसे कि विद्युत राजमार्गों का एक नक्शा। हालाँकि, ये मानचित्र अविश्वसनीय रूप से जटिल हैं, जिनमें हजारों सूक्ष्म संबंध शामिल हैं, और अकेले उन्हें देखना एक ऐसी भाषा में लिखे उपन्यास को पढ़ने जैसा है जिसे आप नहीं जानते। दूसरी ओर, डॉक्टर क्लिनिकल डेटा का भी उपयोग करते हैं—जैसे कि व्यक्ति की आयु, लिंग और बुद्धि स्कोर जैसे सरल तथ्य। बड़ा सवाल विज्ञान जगत में यह रहा है: क्या हम "मस्तिष्क के नक्शे" को "सरल तथ्यों" के साथ जोड़कर एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम बना सकते हैं जो ASD का निदान तेजी से और अधिक सटीकता से करने में मदद करे? शोधकर्ताओं ने इसी कार्य को करने के लिए इस पेपर में प्रयास किया है।

---

दो सिरों वाला जासूस

भारत के कई विश्वविद्यालयों के शोधकर्ताओं ने एक नए प्रकार का कंप्यूटर मस्तिष्क, या डीप लर्निंग फ्रेमवर्क बनाया है, जिसे एक दो सिरों वाले जासूस की तरह काम करने के लिए डिज़ाइन किया गया है। कंप्यूटर को मस्तिष्क स्कैन और व्यक्तिगत तथ्यों को एक साथ देखने के लिए मजबूर करने के (जिससे भ्रम हो सकता है) के बजाय, उन्होंने इसे जानकारी को स्वतंत्र रूप से संसाधित करने के लिए दो अलग-अलग "शाखाओं" में विभाजित किया।

पहला सिर: मस्तिष्क मानचित्र पाठक
यह शाखा मस्तिष्क की फंक्शनल कनेक्टिविटी को देखती है। मस्तिष्क की कल्पना एक शहर के रूप में करें जिसमें 200 अलग-अलग मोहल्ले हैं। शोधकर्ताओं ने CC200 एटलस नामक एक विशेष मानचित्र का उपयोग किया ताकि यह देखा जा सके कि प्रत्येक जोड़ी के बीच कितना ट्रैफिक प्रवाहित होता है। यह हर व्यक्ति के लिए लगभग 20,000 संख्याओं की एक विशाल सूची बनाता है! इसे प्रबंधनीय बनाने के लिए, उन्होंने प्रिंसिपल कंपोनेंट एनालिसिस (PCA) नामक एक गणितीय तकनीक का उपयोग किया ताकि उस विशाल सूची को केवल 42 प्रमुख संख्याओं में छोटा किया जा सके जो अभी भी सबसे महत्वपूर्ण जानकारी रखती हैं। इसे एक 500 पन्नों के उपन्यास को 42 वाक्यों के सारांश में बदलने जैसा समझें जो अभी भी पूरी कहानी बताता है।

दूसरा सिर: तथ्य जाँचकर्ता
दूसरी शाखा क्लिनिकल फेनोटाइप्स को देखती है। ये वे 12 मानक तथ्य हैं जिन्हें डॉक्टर पहले से जानते हैं, जैसे कि व्यक्ति की आयु, जैविक लिंग, पूर्ण-पैमाने का IQ, और उनका व्यवहार। यह शाखा बहुत सरल है, जैसे एक संक्षिप्त जीवनी पढ़ना।

"लेट फ्यूजन" रणनीति
यहाँ चतुराई भरा हिस्सा है: दोनों सिर पहले अकेले काम करते हैं। वे प्रत्येक अपनी विशिष्ट प्रकार के डेटा में पैटर्न पहचानने के लिए सीखते हैं। केवल अपने स्वयं के विचार बनाने के बाद ही वे विचारों को मिलाने के लिए मिलते हैं। शोधकर्ता इसे लेट फ्यूजन कहते हैं। यह एक मस्तिष्क विशेषज्ञ और एक व्यवहार विशेषज्ञ द्वारा अलग-अलग मामले पर काम करने और फिर अंत में नोट्स की तुलना करने के लिए साथ बैठने जैसा है। यह "अर्ली फ्यूजन" से अलग है, जहाँ आप किसी के शुरू करने से पहले ही मस्तिष्क मानचित्र और जीवनी को आपस में मिला देते हैं, जिसे शोधकर्ताओं ने कम प्रभावी पाया।

उन्होंने क्या पाया: सटीकता का एक उच्च-दांव वाला खेल

टीम ने ABIDE-II नामक एक बड़े सार्वजनिक डेटाबेस से 1,114 लोगों पर अपने नए सिस्टम का परीक्षण किया। उन्होंने "फाइव-फोल्ड क्रॉस-वैलिडेशन" का खेल खेला, जो पाँच टीमों में समूह को विभाजित करने, चार टीमों पर कंप्यूटर को प्रशिक्षित करने और पाँचवीं टीम पर परीक्षण करने, और फिर हर किसी का परीक्षण होने तक इसे घुमाने जैसा है।

परिणाम प्रभावशाली थे। पूर्ण दो-सिर वाले सिस्टम ने 94.17% की औसत सटीकता प्राप्त की। इसे समझने के लिए, यदि आप समूह में से किसी भी यादृच्छिक व्यक्ति को चुनते हैं, तो सिस्टम 100 में से लगभग 94 बार सही होता है। इसकी विशिष्टता (specificity) 97.48% थी, जो एक शानदार तरीका है यह कहने का कि यह एक स्वस्थ व्यक्ति को स्वस्थ बताने में गलतियाँ करने में अत्यंत कुशल था। यह महत्वपूर्ण है क्योंकि किसी को गलत तरीके से यह बताना कि उन्हें ऑटिज्म है, वास्तविक दुनिया में गंभीर परिणाम दे सकता है।

मोड़: "सरल तथ्य" बहुत अच्छे थे

यहाँ कहानी दिलचस्प और ईमानदार हो जाती है। जब शोधकर्ताओं ने केवल "तथ्य जाँचकर्ता" शाखा का अकेले (आयु, IQ और लिंग का उपयोग करके) परीक्षण किया, तो आश्चर्यजनक रूप से इसे 94.62% की सटीकता मिली, जो वास्तव में पूर्ण सिस्टम के औसत से थोड़ी अधिक थी!

इसने एक बड़ा रेड फ्लैग (चेतावनी) खड़ा कर दिया। शोधकर्ताओं ने यह पता लगाने के लिए गहराई से खोज की कि ऐसा क्यों हुआ। उन्होंने पाया कि जिस डेटाबेस का उन्होंने उपयोग किया था, उसमें एक छिपा हुआ पूर्वाग्रह था: डेटा एकत्र करने वाले कुछ अस्पताल या "साइट्स" में ज्यादातर ऑटिस्टिक लोग थे, जबकि अन्य में ज्यादातर स्वस्थ लोग थे। क्योंकि "सरल तथ्य" (जैसे आयु और IQ) इन साइटों के बीच थोड़े भिन्न थे, कंप्यूटर ने व्यक्ति के वास्तविक मस्तिष्क जीव विज्ञान के बजाय इस आधार पर निदान का अनुमान लगाना सीख लिया कि वह कहाँ से आया था। यह एक जासूस द्वारा अपराधी को उसके ज़िप कोड के आधार पर सुलझाने जैसा था।

शोधकर्ताओं ने तर्क दिया कि हालांकि "सरल तथ्य" वाली शाखा अनुमान लगाने में अच्छी थी, लेकिन वह आवश्यक रूप से ऑटिज्म का सही निदान नहीं कर रही थी। यह संभवतः डेटा में इन छिपे हुए पैटर्न को पकड़ रही थी।

असली नायक: मस्तिष्क मानचित्र ने स्थिति संभाली

तो, यदि सरल तथ्य इतने अच्छे थे, तो उन्हें मस्तिष्क मानचित्र की आवश्यकता क्यों थी? उत्तर निरंतरता और सुरक्षा में निहित है।

जबकि "सरल तथ्य" वाली शाखा औसत रूप से अधिक सटीक थी, इसने गलत दिशा में अधिक गलतियाँ कीं। पूर्ण सिस्टम, जिसमें मस्तिष्क मानचित्र शामिल था, की विशिष्टता 97.48% थी, जबकि केवल तथ्यों वाली शाखा की 93.21% थी। सरल शब्दों में, पूर्ण सिस्टम गलतियाँ करने में बहुत बेहतर था। यह एक स्वस्थ व्यक्ति को ऑटिज्म होने का गलत संकेत देने में कम सक्षम था।

शोधकर्ताओं ने यह भी पाया कि केवल मस्तिष्क मानचित्र वाली शाखा ने बहुत खराब प्रदर्शन किया, जिसे केवल 53.36% की सटीकता मिली (जो कि सिक्का उछालने से थोड़ा ही बेहतर है)। यह सुझाव देता है कि अकेले मस्तिष्क स्कैन को देखना वर्तमान में कंप्यूटर के लिए बहुत शोर भरा और कठिन है। हालाँकि, जब मस्तिष्क मानचित्र को मिश्रण में जोड़ा गया, तो इसने एक स्थिरीकरणकर्ता (stabilizer) के रूप में कार्य किया। इसने अनिवार्य रूप से समग्र स्कोर को नए रिकॉर्ड तक नहीं पहुँचाया, लेकिन इसने सिस्टम को अधिक विश्वसनीय बनाया और गलतियाँ करने की संभावना को कम किया।

निर्णय: एक कदम आगे, अंतिम रेखा नहीं

पेपर इस निष्कर्ष पर पहुँचता है कि मस्तिष्क स्कैन को क्लिनिकल तथ्यों के साथ जोड़ना एक जीतने वाली रणनीति है, लेकिन एक बड़े 'तारांकन' (asterisk) के साथ। लेट फ्यूजन दृष्टिकोण (दो सिरों वाला जासूस) डेटा को जल्दी मिलाने की तुलना में बेहतर है। यह एक अधिक सुसंगत प्रणाली बनाता है और सबसे महत्वपूर्ण बात यह है कि यह रोगियों के लिए सुरक्षित है क्योंकि यह 'फॉल्स पॉजिटिव' (गलत सकारात्मक परिणामों) को कम करता है।

हालाँकि, लेखक बहुत सावधान हैं कि वे इसे "इलाज" या "परफेक्ट टूल" न कहें। वे स्वीकार करते हैं कि उनके सिस्टम का अभी तक किसी पूरी तरह से अलग समूह के लोगों पर परीक्षण नहीं किया गया है (बाहरी सत्यापन), और सरल तथ्यों की उच्च सटीकता बताती है कि डेटा में कुछ खामियां हैं। वे सुझाव देते हैं कि भविष्य के कार्यों को इन डेटा पूर्वाग्रहों को साफ करने और वास्तविक दुनिया के क्लीनिकों में सिस्टम का परीक्षण करने की आवश्यकता है।

संक्षेप में, यह पेपर हमें दिखाता है कि जबकि एक कंप्यूटर मस्तिष्क मानचित्र और व्यक्तिगत तथ्यों दोनों को देखकर ऑटिज्म पैटर्न को पहचानना सीख सकता है, इसे वास्तव में भरोसेमंद होने के लिए दोनों सिरों के मिलकर काम करने की आवश्यकता है। मस्तिष्क मानचित्र केवल स्कोर में अंक नहीं जोड़ता; यह सिस्टम को ईमानदार रखता है, यह सुनिश्चित करता है कि जब यह "हाँ" कहता है, तो इसका वास्तव में वही अर्थ होता है।