न्यूरल प्लास्टिकिटी आउटकॉम्स को भविष्यवाणी करने के लिए हाइब्रिड न्यूरल नेटवर्क मॉडल

तंत्रिका plasticity और भविष्यवाणी मॉडल की आवश्यकता को समझना

तंत्रिका plasticity— मस्तिष्क की क्षमता अनुभव, सीखने, या चोट और mdash के जवाब में अपनी संरचना और कार्य को फिर से व्यवस्थित करने के लिए; यह आधुनिक तंत्रिका विज्ञान का एक कोने का पत्थर है। यह बचपन में एक स्ट्रोक के बाद मोटर रिकवरी के लिए भाषा अधिग्रहण से लेकर सब कुछ खत्म हो जाता है। फिर भी पूर्वानुमान लगा कि कैसे एक व्यक्ति मस्तिष्क खुद को फिर से तार करेगा क्षेत्र में सबसे elusive लक्ष्यों में से एक है। पारंपरिक सांख्यिकीय मॉडल और एकल-architecture तंत्रिका नेटवर्क अक्सर छोटे होते हैं जब बहुमॉडल, उच्च-आयामी डेटा जो प्लास्टिक की विशेषता है। इस अंतर ने कई न्यूरोप्लास्टिक्स में रुचि को प्रेरित किया है।

हाइब्रिड मॉडल उदाहरण के लिए, एक बारवर्ती तंत्रिका नेटवर्क (RN) या ध्यान तंत्र के साथ, एक साथ स्थानिक और अस्थायी सुविधाओं के विश्लेषण को सक्षम करते हुए, संयोजन तंत्रिका नेटवर्क (CNNs) को जोड़ते हैं। ऐसी वास्तुकला विशिष्ट रूप से प्लास्टिकिटी परिणामों और mdash पूर्वानुमान के लिए अनुकूल हैं; साथ ही पुनर्वास चिकित्सा, मस्तिष्क उत्तेजना, या सहज वसूली के बाद।

आर्किटेक्चरल फाउंडेशन ऑफ हाइब्रिड न्यूरल नेटवर्क्स फॉर प्लास्टिकिटी प्रिफेक्शन

CNN-RN हाइब्रिड: Spatiotemporal फीचर एक्सट्रैक्शन

RNNs (often LSTM या GRUs) के साथ सबसे व्यापक रूप से इस्तेमाल किया संकर संरचना जोड़े CNNs। CNNs न्यूरोइमेजिंग डेटा और mdash से स्थानिक पैटर्न निकालने में उत्कृष्टता प्राप्त करते हैं; जैसे कि fMRI सक्रियण मानचित्र, प्रसार सेंसर इमेजिंग (DTI) ट्रैकोग्राफी, या संरचनात्मक MRI स्लाइस। इस बीच, RNs मॉडल अनुक्रमिक निर्भरता, जिससे उन्हें पता चलता है कि ये स्थानिक पैटर्न समय के साथ कैसे विकसित होते हैं। एक plasticity संदर्भ में, CNN घावों की सीमाओं की पहचान करने के लिए बेसलाइन मस्तिष्क स्कैन को प्रोसेस कर सकता है, जबकि RN उन घावों के आसपास कार्यात्मक कनेक्टिविटी कैसे पुनर्गठित हो जाती है।

अध्ययनों ने प्रदर्शित किया है कि CNN-LSTM संकर स्ट्रोक के बाद मोटर रिकवरी स्कोर की भविष्यवाणी करने में स्टैंडअलोन मॉडल को बेहतर बनाते हैं (देखें ] वैज्ञानिक रिपोर्टों में एक 2020 प्रूफ-ऑफ-कंसेप्ट ). संयुक्त रूप से संरचनात्मक क्षति और अस्थायी मुआवजा पैटर्न को एन्कोड करके, ये मॉडल अकेले CNNs या RNs की तुलना में उच्च सटीकता प्राप्त करते हैं।

ध्यान तंत्र और ट्रांसफार्मर आधारित हाइब्रिड

हाल ही में, ध्यान तंत्र और ट्रांसफार्मर आर्किटेक्चर को सीएनएन और आरएनएन बैकबोन्स पर grafted किया गया है। स्व-attention मॉडल को विभिन्न समय बिंदुओं या मस्तिष्क क्षेत्रों की प्रासंगिकता को गतिशील रूप से वजन देने की अनुमति देता है, जो कि जब plasticity गैर-रैखिक प्रक्षेपवक्र प्रदर्शित करता है तो यह महत्वपूर्ण है। एक हाइब्रिड जो एक ट्रांसफार्मर के साथ 3 डी सीएनएन को फ्यूज करता है, उदाहरण के लिए, हाइलाइट करता है कि कौन सा कॉर्टिकल क्षेत्र एफ़ासिया के बाद भाषा वसूली का सबसे पूर्वानुमान है, जो भविष्यवाणी और व्याख्या दोनों की पेशकश करता है।

]Athinoula A. Martinos Center for Biomedical Imaging] ने ऐसे आर्किटेक्चर की खोज की है जो अनुदैर्ध्य FMRI डेटा के लिए है, जिसमें दिखाया गया है कि ट्रांसफार्मर-एनेंहेंस्ड CNN कार्यात्मक कनेक्टिविटी में लंबी दूरी की निर्भरता को कैप्चर करता है जो LSTM याद आती है।

ग्राफ न्यूरल नेटवर्क (GNNs) CNNs के साथ एकीकृत

चूंकि मस्तिष्क स्वाभाविक रूप से एक नेटवर्क है, ग्राफ तंत्रिका नेटवर्क ने हाइब्रिड परिदृश्य में प्रवेश किया है। एक हाइब्रिड मॉडल क्षेत्रीय मस्तिष्क की मात्रा से नोड सुविधाओं को निकालने के लिए एक CNN का उपयोग कर सकता है, फिर उन विशेषताओं को उन विशेषताओं को एक GNN में खिला सकता है जो संरचनात्मक या कार्यात्मक संयोग को मॉडल करता है। यह दृष्टिकोण विशेष रूप से नेटवर्क विघटन, जैसे दर्दनाक मस्तिष्क चोट या एकाधिक स्केलेरोसिस की विशेषता वाले विकारों में प्लास्टिसिटी परिणामों की भविष्यवाणी करने का वादा करता है। प्रारंभिक परिणाम इंगित करते हैं कि CNN-GNN हाइब्रिड्स यह भविष्यवाणी कर सकते हैं कि कौन से रोगी विशिष्ट न्यूरोस्टिम्यूलेशन प्रोटोकॉल ([FLT: 0]] में 2022 अध्ययन की जांच कर सकते हैं।

डेटा मोडलिटी ड्राइविंग हाइब्रिड मॉडल प्रदर्शन

हाइब्रिड मॉडल की शक्ति विषम डेटा धाराओं को फ्यूज करने की उनकी क्षमता से उत्पन्न होती है। शोधकर्ता आमतौर पर निम्नलिखित प्रकार के डेटा को हाइब्रिड आर्किटेक्चर में खिलाते हैं:

• ]Structural MRI (T1, T2, DTI) – morphological और सफेद-माटर अखंडता सुविधाएँ प्रदान करता है।
• Functional MRI (resting-state and Task-based) – गतिशील कार्यात्मक कनेक्टिविटी पर कब्जा।
• Electroencephalography (EEG) और Magnetoencephalography (MEG)]] – plasticity-संबंधित दोलनात्मक गतिविधि की मिलीसेकेंड-रिज़ॉल्यूशन टेम्पल गतिशीलता प्रदान करते हैं।
• ]Genetic and transcriptomic data – polygenic जोखिम स्कोर, plasticity से संबंधित जीन के लिए जीन अभिव्यक्ति स्तर (जैसे, BDNF, COMT).
• ]Behavioral/clinical score – एकाधिक सत्रों में संज्ञानात्मक या मोटर परीक्षण पर प्रदर्शन।

एक अच्छी तरह से डिजाइन हाइब्रिड मॉडल क्रॉस-मॉडल संवाद सीख सकता है जो एक एकल-नेटवर्क दृष्टिकोण के लिए अदृश्य होगा। उदाहरण के लिए, एक दो-स्ट्रीम आर्किटेक्चर एक स्ट्रीम में डीटीआई ट्रैक्स को संसाधित कर सकता है और दूसरे में ईईजी स्पेक्ट्रोग्राम को अंतिम भविष्यवाणी परत से पहले देर से प्रतिनिधित्व को मिला सकता है।

प्रशिक्षण हाइब्रिड मॉडल: चुनौतियां और समाधान

डेटा स्कारेसिटी और असंतुलन

न्यूरोसाइंटिफिक डेटासेट लगभग छोटे और मध्यम हैं; अक्सर सैकड़ों, हजारों नहीं, विषयों के संकर मॉडल, लाखों मापदंडों के साथ, ओवरफिटिंग के लिए खतरा होता है। स्थानांतरण सीखने (CCNN घटक के लिए ImageNet जैसी बड़े सामान्य उद्देश्य वाली छवि डेटासेट पर प्रशिक्षण), डेटा संवर्धन (अनुमुद्रित घाव मास्क, अस्थायी jittering) और नियमित रूप से प्रशिक्षण (ड्रॉपआउट, वजन क्षय) जैसी तकनीकें आवश्यक हैं। जेनेरेटरेटिव एडवर्सरीअल नेटवर्क (GANs) का उपयोग यथार्थवादी fMRI समय श्रृंखला को बढ़ाने के लिए भी किया गया है।

कम्प्यूटेशनल डिमांड

4D fMRI डेटा पर एक CNN-RN-ट्रांसफॉर्मर हाइब्रिड को प्रशिक्षण देने के लिए पर्याप्त GPU मेमोरी और प्रोसेसिंग समय की आवश्यकता होती है। शोधकर्ता अक्सर समानांतरवाद और मिश्रित-सटीक प्रशिक्षण का सहारा लेते हैं। क्लाउड-आधारित समाधान (AWS, Google क्लाउड TPU) और ओपन-सोर्स फ्रेमवर्क (PyTorch, TensorFlow) ने बाधा को कम कर दिया है, लेकिन उच्च लागत कई प्रयोगशालाओं के लिए एक बाधा बनी रहती है।

पारस्परिकता और नैदानिक ट्रस्ट

नैदानिकी व्याख्यात्मक भविष्यवाणियों की मांग करते हैं। हाइब्रिड मॉडल में लवणता के नक्शे (CNN भाग पर ग्रैड-सीएएम के माध्यम से) और ध्यान वजन दृश्यता (ट्रांसफर से) शामिल हो सकते हैं। इसके अतिरिक्त, परत-वार प्रासंगिकता प्रचार (LRP) का पता लगा सकता है कि कौन से इनपुट में आउटपुट में योगदान दिया गया है। Nature Machine Intelligence] में एक 2023 पेपर एक व्याख्यात्मक CNN-LSTM दिखाया गया है जो कि थलामकोरैटिक कनेक्टिविटी को स्पिनल कॉर्ड चोट के बाद प्लास्टिकिटी के प्रमुख भविष्यवक्ता के रूप में बदलता है, एक ऐसा निष्कर्ष जो ज्ञात न्यूरोएनटॉमी के साथ संरेख को संरेखित करता है।

प्रमुख नैदानिक अनुप्रयोग

स्ट्रोक पुनर्वास

स्ट्रोक के बाद मोटर या भाषा वसूली को निर्धारित करना सबसे सक्रिय अनुप्रयोग क्षेत्र है। हाइब्रिड मॉडल जो तीव्र चरण एमआरआई, प्रयास किए गए आंदोलन के दौरान ईईजी को एकीकृत करते हैं, और बेसलाइन नैदानिक स्कोर 3, 6 या 12 महीनों में वसूली की डिग्री का पूर्वानुमान कर सकते हैं। इससे चिकित्सकों को उच्च-रिस्पोंडर और कम-रिस्पोंडर समूहों में रोगियों को मजबूत करने की अनुमति मिलती है, तदनुसार चिकित्सा तीव्रता को अनुरूप बनाती है। कई चल रहे नैदानिक परीक्षणों को संभावित रूप से इन मॉडलों को मान्य किया जाता है।

न्यूरोस्टिम्युलेशन रिस्पांस भविष्यवाणी

ट्रांसक्रांश चुंबकीय उत्तेजना (टीएमएस) और ट्रांसक्रांश प्रत्यक्ष वर्तमान उत्तेजना (टीडीसीएस) प्लास्टिक को प्रेरित करती है, लेकिन व्यक्तिगत प्रतिक्रियाएं व्यापक रूप से बदलती हैं। पूर्व-उत्तेजक कनेक्टिविटी (एफएमआरआई) और कॉर्टिकल आकृति विज्ञान (एमआरआई) पर प्रशिक्षित हाइब्रिड मॉडल भविष्यवाणी कर सकते हैं जो मजबूत दीर्घकालिक पोटेंशियलिटी दिखाने वाले व्यक्ति को बता सकते हैं। यह जल्द ही बंद लूप उत्तेजना प्रणालियों का मार्गदर्शन कर सकता है जो पूर्वानुमानित प्लास्टिकिटी ट्रेजेक्टरी के आधार पर वास्तविक समय में पैरामीटर समायोजित कर सकता है।

बाल चिकित्सा तंत्रिका विकास

बच्चों में, plasticity प्रारंभिक मस्तिष्क अपमान से सीखने और वसूली को कम करती है। अनुदैर्ध्य एमआरआई और संज्ञानात्मक परीक्षण का उपयोग करने वाले हाइब्रिड मॉडल को डिस्लेक्सिया वाले बच्चों में पढ़ने के परिणामों की भविष्यवाणी करने के लिए विकसित किया गया है, साथ ही साथ सेरेब्रल पाल्सी में मोटर परिणाम भी प्राप्त हुए हैं। खराब उत्तरदाताओं की प्रारंभिक पहचान प्रारंभिक हस्तक्षेप को सक्षम करती है।

न्यूरोडीजेनेरेटिव रोग

अल्जाइमर रोग जैसी अपक्षयी स्थितियों में भी, प्रारंभिक चरणों में क्षतिपूर्ति की plasticity होती है। हाइब्रिड मॉडल सूक्ष्म नेटवर्क पुनर्गठन का पता लगा सकते हैं जो नैदानिक गिरावट को पूर्व निर्धारित करते हैं, जिससे संभावित रूप से रोग-संशोधित उपचारों के लिए बायोमार्कर के रूप में काम किया जाता है।

भविष्य निर्देश

अगले दशक में कई प्रगति देखी जाएगी जो हाइब्रिड न्यूरल नेटवर्क मॉडल को अधिक व्यावहारिक और प्रभावशाली बनाती हैं:

• ]]स्वयं पर्यवेक्षित शिक्षा अलाभित मस्तिष्क स्कैन का लाभ उठाने और महंगा एनोटेटेड डेटासेट पर निर्भरता को कम करने के लिए।
• Multimodal नींव मॉडल बड़े पैमाने पर तंत्रिका विज्ञान डेटा (जैसे, UK Biobank, मानव कनेक्टोम परियोजना) पर पूर्व प्रशिक्षित किया गया है जो प्लास्टिकिटी भविष्यवाणी के लिए ठीक-ट्यून किया जा सकता है।
• Bayesian हाइब्रिड मॉडल [ कि उत्पादन अनिश्चितता अनुमान के साथ भविष्यवाणियों, नैदानिक निर्णय लेने के लिए महत्वपूर्ण है।
• ]]]न्यूरोमॉड्यूलेशन उपकरणों के साथ एकीकरण बंद लूप मस्तिष्क कंप्यूटर इंटरफेस बनाने के लिए जो भविष्यवाणी की गई plasticity राज्यों के अनुकूल है।
• Causal inference सहज वसूली या अभ्यास प्रभाव से वास्तविक plasticity को अलग करने के लिए हाइब्रिड आर्किटेक्चर में एम्बेड किया गया।

हाइब्रिड तंत्रिका नेटवर्क मॉडल एक panacea नहीं हैं, लेकिन वे एक आवश्यक विकास का प्रतिनिधित्व करते हैं। CNNs की स्थानिक एक्यूसिटी के संयोजन से, RNNs का अस्थायी मॉडलिंग, GNNs का संबंधात्मक तर्क और ट्रांसफॉर्मर की लंबी दूरी की ध्यान, ये मॉडल तंत्रिका plasticity की बहु-faceted प्रकृति को कैप्चर कर सकते हैं। चूंकि डेटासेट बढ़ने और कम्प्यूटेशनल लागत सिकुड़ते हैं, हाइब्रिड मॉडल बुनियादी तंत्रिका विज्ञान खोज और नैदानिक अनुवाद दोनों के अभिन्न अंग बन जाएंगे। शोधकर्ताओं और चिकित्सकों के लिए समान रूप से, लक्ष्य केवल केवल प्लास्टिसिटी का निरीक्षण करने के लिए नहीं बल्कि पूर्वानुमान, मार्गदर्शन और यहां तक कि इसे बढ़ाने के लिए है।