മസ്തിഷ്ക ചുരുങ്ങൽ എപ്പോൾ ആരംഭിക്കുന്നുവെന്ന് കണക്കാക്കാൻ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു
മൾട്ടിപ്പിൾ സ്ക്ലിറോസിസ് (എംഎസ്) ഉള്ളവരിൽ മസ്തിഷ്ക അട്രോഫി (ചുരുങ്ങൽ) രോഗ ലക്ഷണങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നതിന് ശരാശരി അഞ്ച് വർഷത്തിലധികം മുമ്പ് ആരംഭിക്കുന്നുവെന്ന് മെഷീൻ ലേണിംഗ് മോഡലുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പുതിയ പഠനം പറയുന്നു.
“എംആർഐ അളക്കുന്ന പുരോഗമന മസ്തിഷ്ക ടിഷ്യു നഷ്ടത്തിന്റെ ആരംഭം യഥാർത്ഥ ബയോളജിക്കൽ രോഗത്തിന്റെ ആരംഭത്തിന്റെ പര്യായമല്ലെങ്കിലും, രോഗത്തിന്റെ ആരംഭത്തെ ആദ്യത്തെ ക്ലിനിക്കൽ ലക്ഷണത്തിന്റെ സമയമായി നിർവചിക്കുന്ന സ്റ്റാൻഡേർഡ് സമ്പ്രദായവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ എംഎസ് രോഗ ദൈർഘ്യം കണക്കാക്കുന്നതിൽ ഞങ്ങളുടെ ഫലങ്ങൾ ഒരു വലിയ പുരോഗതി സൂചിപ്പിക്കുന്നു,” ഗവേഷകർ എഴുതി.
ഈ ഫലങ്ങൾ “എംഎസ് ക്ലിനിക്കുകൾ, ഗവേഷകർ, രോഗികൾ എന്നിവർക്ക് കാര്യമായ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കിയേക്കാം, മാത്രമല്ല ഞങ്ങളുടെ രോഗ ധാരണയിലും ഒരു ദിവസം അതിന്റെ കാരണം നിർണ്ണയിക്കുന്നതിലും അടിസ്ഥാനപരമായ മാറ്റത്തിലേക്ക് നയിച്ചേക്കാം,” അവർ കൂട്ടിച്ചേർത്തു.
“ഒരു ‘ഡിജിറ്റൽ ഇരട്ട’ സമീപനം ഉപയോഗിച്ച് കൃത്യതയുള്ള വൈദ്യശാസ്ത്രത്തിലേക്ക്: മൾട്ടിപ്പിൾ സ്ക്ലിറോസിസ് ഉള്ള വ്യക്തികളിൽ രോഗ-നിർദ്ദിഷ്ട മസ്തിഷ്ക അട്രോഫിയുടെ ആരംഭം മാതൃകയാക്കൽ” എന്ന പഠനം സയന്റിഫിക് റിപ്പോർട്ടുകളിൽ പ്രസിദ്ധീകരിച്ചു.
എല്ലാ മുതിർന്നവരിലും വാർദ്ധക്യത്തിന്റെ ഒരു സാധാരണ ഭാഗമായി മസ്തിഷ്ക അട്രോഫി സംഭവിക്കുന്നു, പക്ഷേ എംഎസ് ഉള്ളവരിൽ, രോഗം മൂലമുണ്ടാകുന്ന കോശജ്വലന കേടുപാടുകൾ കാരണം മസ്തിഷ്കം വളരെ വേഗത്തിൽ ചുരുങ്ങുന്നു. തലച്ചോറിന്റെ വിവിധ പ്രദേശങ്ങൾക്കിടയിൽ സിഗ്നലുകൾ റിലേ ചെയ്യാൻ സാധാരണയായി സഹായിക്കുന്ന തലാമസ് എന്നറിയപ്പെടുന്ന തലച്ചോറിന്റെ ഒരു പ്രത്യേക ഭാഗം പ്രത്യേകിച്ചും എംഎസുമായി ബന്ധപ്പെട്ട അട്രോഫിക്ക് സാധ്യതയുണ്ട്.
രോഗലക്ഷണങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നതിന് വർഷങ്ങൾക്ക് മുമ്പ് എംഎസ് ഉള്ള ആളുകളിൽ വർദ്ധിച്ച മസ്തിഷ്ക അട്രോഫി, പ്രത്യേകിച്ച് താലാമിക് അട്രോഫി പ്രകടമാണെന്ന് മുൻ പഠനങ്ങൾ സൂചിപ്പിക്കുന്നു, അതായത് രോഗവുമായി ബന്ധപ്പെട്ട ജൈവ പ്രക്രിയകൾ ക്ലിനിക്കൽ ആരംഭിക്കുന്നതിന് നിരവധി വർഷങ്ങൾക്ക് മുമ്പ് ആരംഭിക്കുന്നു.
എന്നിരുന്നാലും, എംഎസുമായി ബന്ധപ്പെട്ട മസ്തിഷ്ക അട്രോഫി സാധാരണ പ്രായവുമായി ബന്ധപ്പെട്ട മസ്തിഷ്ക അട്രോഫിയിൽ നിന്ന് വ്യതിചലിക്കുന്നതിന്റെ കൃത്യമായ സമയം കണ്ടെത്താൻ പ്രയാസമാണ്. ഈ പഠനത്തിൽ, യുഎസിലെ ഒരു സംഘം ശാസ്ത്രജ്ഞർ “ഡിജിറ്റൽ ട്വിൻ” സമീപനം എന്നറിയപ്പെടുന്ന ഒരു കമ്പ്യൂട്ടേഷണൽ തന്ത്രം ഉപയോഗിച്ച് ഈ സമയം കണക്കാക്കാൻ പുറപ്പെട്ടു.
ഡിജിറ്റൽ ഇരട്ട സമീപനം എങ്ങനെ പ്രവർത്തിക്കുന്നു
ലളിതമായി പറഞ്ഞാൽ, ഒരു രോഗിക്ക് മസ്തിഷ്ക അട്രോഫി നിരക്കിന്റെ കമ്പ്യൂട്ടർ അധിഷ്ഠിത സിമുലേഷൻ സൃഷ്ടിക്കുന്നതിന് നൂതന മെഷീൻ ലേണിംഗുമായി ജോടിയാക്കിയ വിശദമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഉപയോഗിക്കുന്നത് ഡിജിറ്റൽ ഇരട്ട സമീപനത്തിൽ ഉൾപ്പെടുന്നു. ഗവേഷകർ കാലക്രമേണ മസ്തിഷ്ക അട്രോഫിയുടെ രണ്ട് മോഡലുകൾ നിർമ്മിച്ചു: ഒന്ന് എംഎസിന്റെ പശ്ചാത്തലത്തിൽ, മറ്റൊന്ന് ആരോഗ്യകരമായ വാർദ്ധക്യത്തിന്റെ പശ്ചാത്തലത്തിൽ.
എംഎസ് ഉള്ള ആളുകൾക്ക് താലമിക് അട്രോഫി ആരംഭിച്ചപ്പോൾ താരതമ്യം ചെയ്യാൻ അവർ ഈ മോഡലുകൾ ഉപയോഗിച്ചു, അതേ വ്യക്തികൾക്ക് പ്രായവുമായി ബന്ധപ്പെട്ട അട്രോഫി മാത്രമേ അനുഭവപ്പെട്ടിരുന്നുള്ളൂവെങ്കിൽ പ്രതീക്ഷിച്ചതുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ.
“ഈ പഠനത്തിൽ, മൾട്ടിപ്പിൾ സ്ക്ലിറോസിസിലെ ഒരു അടിസ്ഥാന ക്ലിനിക്കൽ പ്രശ്നത്തെ അഭിസംബോധന ചെയ്യുന്നതിൽ ഒരു [ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്] അൽഗോരിതം നിർമ്മിക്കുന്നതിന് ഞങ്ങൾ ആരോഗ്യ ഡിജിറ്റൽ ഇരട്ട ആശയ ചട്ടക്കൂട് പ്രയോഗിക്കുന്നു, ഇത് മസ്തിഷ്ക അട്രോഫിയുടെ രോഗവുമായി ബന്ധപ്പെട്ട ആരംഭം തിരിച്ചറിയുക എന്നതാണ്,” ഗവേഷകർ എഴുതി.
അട്രോഫി ആരംഭിക്കുന്നതുവരെയുള്ള ശരാശരി സമയം
ക്ലിനിക്കൽ ലക്ഷണങ്ങൾ ആരംഭിക്കുന്നതിന് 5.1 വർഷം മുമ്പാണ് എംഎസുമായി ബന്ധപ്പെട്ട അട്രോഫി സാധാരണ പ്രായവുമായി ബന്ധപ്പെട്ട അട്രോഫിയിൽ നിന്ന് വ്യതിചലിച്ചതെന്ന് ഫലങ്ങൾ തെളിയിച്ചു. വിശകലനത്തിൽ ഓരോ വ്യക്തിഗത രോഗിയുടെയും എല്ലാ സമയങ്ങളും നോക്കുമ്പോൾ, ക്ലിനിക്കൽ ആരംഭിക്കുന്നതിന് ആറ് വർഷം മുമ്പായിരുന്നു ശരാശരി സമയം.
ഈ സംഖ്യകൾ കമ്പ്യൂട്ടേഷണൽ മോഡലുകളെ അടിസ്ഥാനമാക്കിയുള്ള എസ്റ്റിമേറ്റുകൾ മാത്രമാണെന്ന് ഗവേഷകർ ഊന്നിപ്പറഞ്ഞു, മോഡലുകൾ നിർമ്മിക്കാൻ ലഭ്യമായ ഡാറ്റയാൽ മോഡലുകൾ തന്നെ പരിമിതപ്പെടുത്തിയിരിക്കുന്നുവെന്ന് ചൂണ്ടിക്കാട്ടി. എന്നിരുന്നാലും, എംഎസിന്റെ യഥാർത്ഥ ജൈവിക ഉത്ഭവം നന്നായി മനസ്സിലാക്കാൻ ഈ കണക്കുകൾ സഹായിക്കുമെന്ന് അവർ പറഞ്ഞു.
“ഞങ്ങളുടെ കണ്ടെത്തലുകളെ സാധൂകരിക്കുന്നതിന് അടിസ്ഥാന സത്യമൊന്നുമില്ലെങ്കിലും, എംഎസിലെ ആദ്യത്തെ ക്ലിനിക്കൽ ലക്ഷണങ്ങൾക്ക് മുമ്പ് തന്നെ വെളുത്ത ദ്രവ്യ വ്രണങ്ങളും താലാമിക് അട്രോഫിയും ഉണ്ടെന്ന ക്ലിനിക്കൽ നിരീക്ഷണങ്ങളുമായി ഇത് പൊരുത്തപ്പെടുന്നു,” അവർ എഴുതി.
മറ്റ് ന്യൂറോളജിക്കൽ ഡിസോർഡറുകളിൽ മസ്തിഷ്ക അട്രോഫിയിലെ മാറ്റങ്ങൾ കണക്കാക്കാൻ സമാനമായ ഡിജിറ്റൽ ഇരട്ട സമീപനം ഉപയോഗിക്കാമെന്നും സംഘം അഭിപ്രായപ്പെട്ടു, അവിടെ ബയോളജിക്കൽ പ്രക്രിയകളും ക്ലിനിക്കൽ ലക്ഷണങ്ങൾക്ക് നിരവധി വർഷങ്ങൾക്ക് മുമ്പാണ്.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
