മസ്തിഷ്കം എന്ന കമ്പ്യൂട്ടർ, കമ്പ്യൂട്ടർ എന്ന മസ്തിഷ്കം; ന്യൂറോ സയൻസിലെ വിപ്ലവം

EPISTEME- 19

മില്ല്യൻ മില്ല്യൻ കണക്കിന് ന്യൂറോണുകൾ പല വലക്കണ്ണികൾ തീർക്കുന്ന സങ്കേതമാണ് നമ്മുടെ മസ്തിഷ്കം. അതിൽ ഓരോ ധർമ്മത്തിനും ഓരോ ഇടങ്ങൾ തീർച്ചപ്പെടുത്തിയിട്ടുണ്ട്. എന്നാൽ ഇവയൊന്നും സ്വതന്ത്രമായി പ്രവർത്തിക്കുന്നവയല്ല.

Everything is everywhere- എല്ലാം എല്ലായിടത്തും എന്നതാണ് തലച്ചോറിന്റെ പ്രവർത്തനത്തിന്റെ അടിസ്ഥാനം. ഓരോ ഭാഗങ്ങൾക്ക് ഓരോ ധർമ്മങ്ങൾ നിശ്ചയിച്ചിട്ടുണ്ടെങ്കിലും ഒരു നിശ്ചിത ഇടത്തെ പ്രവർത്തനം ആഗോളമായാണ് നടപ്പിലാകുന്നത്, ബ്രഹത്തായി പരസ്പരം ബന്ധപ്പെടുത്തിയ രീതി. ഒരേസമയം മോഡുലാറും (modular-ഒരിടത്തുമാത്രം പരിമിതപ്പെടുത്തിയത്) എന്നാൽ പരസ്പരബന്ധിതവും ( interconnected) ആണ്. ഉദാഹരണത്തിന് കാൽചലനങ്ങളെ നിയന്ത്രിക്കാൻ പ്രത്യേക ഇടമുണ്ട്. എന്നാൽ നമ്മൾ നടക്കുമ്പോൾ ഈ കേന്ദ്രം മാത്രമല്ല, തലച്ചോറിലെ മറ്റിടങ്ങളും ന്യൂറോണുകളും ഇതിൽ ഭാഗഭാക്കാകുന്നുണ്ട്.

ചുരുക്കം ഇതാണ്: നിരവധി സ്വയം പര്യാപ്ത ഭാഗങ്ങൾ (modules) സ്ഥിരപ്പെടുത്തപ്പെട്ടിട്ടുണ്ട്, ഇവ പലതും പരസ്പരം ബന്ധപ്പെടുത്തിയത്, ഒന്നിച്ച് പ്രവർത്തിക്കുന്നതാണ് തലച്ചോറ് രീതി. ഇതിലെ ഒരെണ്ണം പ്രധാന പ്രവർത്തനം ഏറ്റെടുക്കുകയും മറ്റുള്ളവ ഇതിന്റെ നിയന്ത്രണങ്ങളിലും സൂക്ഷ്മ ചെയ്തികളിലും പങ്കെടുക്കുകയുമാണ്.

ഇത് എങ്ങനെ സാധിച്ചെടുക്കുന്നു എന്നത് നിലവിലുള്ള പരീക്ഷണ സങ്കേതങ്ങളും പഠനങ്ങളും കൊണ്ട്- അവ തന്മാത്രാപരമോ (molecular), വൈദ്യുതിപരമോ, ഫിസിയോളജിപരമോ ആകട്ടെ- അറിയാൻ കഴിയുന്നതല്ല. പ്രധാന മൊഡ്യൂളും അവ പ്രസരിപ്പിച്ചെടുക്കുന്ന ന്യൂറോൺ പ്രവർത്തനങ്ങളും എങ്ങനെ ഏകോപിക്കപ്പെടുന്നു എന്നത് ഇനിയും അറിയേണ്ടതുണ്ട്.

ഇവിടെ രണ്ട് ചോദ്യങ്ങളുയരുന്നു.
ഒന്ന്; ഈ രണ്ട് പ്രവർത്തനകേന്ദ്രങ്ങളെയും വേർതിരിച്ചറിയാൻ തലച്ചോർ എന്ത് കമ്പ്യൂട്ടിങ് വിദ്യയാണ് ഉപയോഗിക്കുന്നത് എന്നതാണ്. മറ്റൊരു ചോദ്യം; എന്തുകൊണ്ട് ഓരോ തലച്ചോർ കേന്ദ്രവും മറ്റ് കേന്ദ്രങ്ങളെ ശ്രവിച്ചുകൊണ്ടിരിക്കുന്നു, നിരീക്ഷിച്ചുകൊണ്ടിരിക്കുന്നു എന്നതാണ്. എന്തിനാണിത് എന്നതും പ്രഹേളിക തന്നെ. ഇതിനൊക്കെ ഉത്തരം കിട്ടാൻ കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ (artificial neural network) മാതൃകയായി സ്വീകരിച്ച് അപഗ്രഥനം ചെയ്യുക തന്നെ മാർഗ്ഗം.

ന്യൂറോൺ വിന്യാസങ്ങളും അവയിൽ ഉണർന്ന് പ്രാവർത്തികമാകുന്ന ന്യൂറോണുകളുടെ ഇടങ്ങളും അറിയാൻ കഴിയുന്ന സ്‌കാനിങ്ങ് ചിത്രങ്ങളിൽ നിന്ന് കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകൾക്ക് ന്യൂറോൺ വലയങ്ങൾ എങ്ങനെ രൂപീകരിക്കപ്പെടുന്നു, ഒരു നിശ്ചിത ധർമ്മം ഉരുത്തിരിയുന്നു എന്നൊക്കെ കണക്കുകൂട്ടിയെടുക്കാൻ സാധിക്കും എന്നതാണ് ശ്രദ്ധേയം.
അതായത്, നിർമിത ബുദ്ധിയുടെ തന്ത്രങ്ങളാൽ സമാന്തരമായ ന്യൂറോൺ വലയങ്ങൾ രൂപീകരിക്കാം, അതുവഴി മസ്തിഷ്ക പ്രവർത്തനത്തിന്റെ ഗൂഢവശങ്ങൾ വെളിവാക്കാം. ഇത്തരം വലയങ്ങൾ പല തലച്ചോർ അസുഖങ്ങളിലും പരസ്പരം കെട്ടുപിണയുകയോ ഒന്നിനുമേൽ ഒന്നായി ചമയുകയോ (overlap) സാധാരണമാണ്. അപ്പോൾ ഒരു നിശ്ചിത ന്യൂറോ വലയത്തെ ഒരു അസുഖത്തിന്റേതുമാത്രമായി സ്ഥിരപ്പെടുത്താൻ പ്രയാസമേറുകയാണ്., നിർമിത ബുദ്ധിയുടെ തന്ത്രങ്ങൾ വേണ്ടിവരുന്നു, ഇവയെ വേർതിർച്ചെടുത്ത് നെല്ലും പതിരും തിരിയ്ക്കാൻ.

ന്യൂറോ കണക്ഷനിസം
(Neuro connectionism)

തലച്ചോറിലെ തനതായ, ജൈവികമായ ന്യൂറോൺ വലയങ്ങളെ ആസ്പദമാക്കി കൃത്രിമമായ ന്യൂറൽ വലയങ്ങൾ (Artificial Neural Networks- ANN) സൃഷ്ടിച്ച് അവയെ ന്യൂറൽ /പെരുമാറ്റപരവിവരങ്ങൾക്ക് മാതൃകയാക്കുന്നത് ആധുനിക രീതിയാണ്. ന്യൂറോ സമ്പർക്കാവസ്ഥ അഥവാ Neuro connectionism എന്നാണ് ഈ സമീപനത്തിന്റെ പേര്. ഈ കൃത്രിമ ന്യൂറോൺ വലയങ്ങളാണ് ഇന്നത്തെ ഏറ്റവും നല്ല മാതൃകകൾ- തലച്ചോറിനു ലഭിയ്ക്കുന്ന നൂറായിരം വിവരങ്ങളും അറിവുകളും അടുക്കിക്കെട്ടി കള്ളി തിരിച്ച് തീർപ്പു കൽപ്പിക്കുന്നതിലും അതിൽ നിന്ന് പൊരുൾ വേർതിരിക്കുന്നതിലും.

തലച്ചോർ എങ്ങനെ തനതായി കമ്പ്യൂട്ടേഷൻ ചെയ്യുന്നു എന്നതിന്റെ പല മാതൃകകൾ ഈ ആശയത്തിൽ നിന്നുളവായേക്കാം. സംവേദനങ്ങളിൽനിന്നുളവാകുന്ന വിവരങ്ങൾ (senosry data) അടിസ്ഥാനമാക്കിയ ന്യൂറോൺ പെരുമാറ്റങ്ങളും വലയനിർമ്മിതികളും അതിസങ്കീർണമായതുകൊണ്ട് computational programs പല ഉത്തരങ്ങളുമായി വന്നേയ്ക്കും. ഒരേയൊരു ന്യൂറോണിന്റെ തലത്തിലും സങ്കീർണ വലയങ്ങളുടെ തലത്തിലും വിശ്ലേഷണം ചെയ്യപ്പെടേണ്ടതുകൊണ്ട് ഇത്തരം കൃത്രിമമായ ന്യൂറൽ വലയങ്ങൾ സംഗതമായി വരികയാണ്.

ന്യൂറൽ പ്രാതിനിദ്ധ്യങ്ങൾ, ഇടം അടിസ്ഥാനമാക്കിയും സമയം അടിസ്ഥാനമാക്കിയും എങ്ങനെ മാറി പെരുമാറുന്നു, പഴയ അനുഭവങ്ങൾ ഇവയെ എങ്ങനെ സ്വാധീനിക്കുന്നു, സംവേദനങ്ങൾ എങ്ങനെ ഒരു നിശ്ചിത ന്യൂറോണിനേയും ഒരു വലിയ പോപുലേഷൻ ന്യൂറോണുകളേയും ബാധിക്കുന്നു, ഇവ എങ്ങനെ പരസ്പരം ഇണക്കപ്പെട്ടതാകുന്നു, ന്യൂറോണൽ വലയ നിർമ്മിതികൾ എങ്ങനെയാണ് പെരുമാറ്റത്തെ നിയന്ത്രിക്കുന്നത്, പഴയ അനുഭവങ്ങൾ എവിടെയാണ് നിക്ഷേപിക്കപ്പെട്ടിരിക്കുന്നത്? ഇങ്ങനെ ബോധജ്ഞാനപരമായ പല ചോദ്യങ്ങൾക്കും ഉത്തരം തരാൻ ന്യൂറോ- കമ്പ്യൂട്ടേഷനൽ മാതൃകകൾ സഹായകരമായേക്കും എന്നാണ് നിഗമനം.

പ്രധാനമായും ശ്രദ്ധിക്കേണ്ടത്, നിലവിലുള്ള പരീക്ഷണങ്ങളുടെ വിശകലനം മനുഷ്യരുടെ പരിമിതികൾ ഉൾപ്പെടുന്നതാണ് എന്നതാണ്. ന്യൂറോൺ വലയങ്ങളുടെ സ്വഭാവവും പ്രവർത്തനങ്ങളും അതിസങ്കീർണമായതുകൊണ്ട് അതിന്റെ ഉൾക്കള്ളികൾ വിശദമായി മനസ്സിലാക്കാൻമനുഷ്യന് സാദ്ധ്യമല്ലാതെ വരുന്നു.

ഉപയോഗിക്കപ്പെടുന്ന അളവുകോലുകൾ (parameters) ഒരു നിശ്ചിത എണ്ണമായി ചുരുക്കിയെങ്കിലേ മനുഷ്യന് അത് വിശകലനം ചെയ്യാനാകൂ. കമ്പ്യൂട്ടർ നെറ്റ് വർക്കുകൾ വിശകലനം ചെയ്യാൻ അവയ്‌ക്കേ ആകൂ. കൃത്രിമമായ ന്യൂറൽ വലയങ്ങളാകട്ടെ, മില്ല്യനോ ബില്ല്യനോ അളവുകോലുകളാണ് പ്രയോഗവിധിയിൽ ഉൾക്കൊള്ളിക്കുന്നത്. തലച്ചോറിലെപ്പോലെ സംവേദനവും അതിനെപ്പറ്റിയുള്ള അറിവ് സമാഹരിക്കലും പ്രായോഗികമായ തുടർ നടപടികളുമൊക്കെ ഒരേസമയം വിവിധ രീതിയിൽ നടപ്പാക്കാനുള്ള കഴിവുമുണ്ട് ഈ ഭീമൻ നെറ്റ് വർക്കിന്.

സ്വാഭാവികമായി സംഭവിക്കുന്നപോലെ ന്യൂറോണുകൾ തമ്മിലുള്ള സംവേദങ്ങളും ബന്ധങ്ങളും മാറ്റിയെടുത്ത് പുതിയ വലയങ്ങൾ സൃഷ്ടിച്ചെടുക്കുന്നതും ഈ കൃത്രിമ വലയങ്ങളുടെ സ്വഭാവമാണ്. സങ്കീർണമായ hypothesis testing, സാധാരണ ജൈവിക പരീക്ഷണങ്ങൾ പോലെ സാദ്ധ്യമാണ് ഈ കൃത്രിമ കമ്പ്യൂട്ടർ വലയങ്ങൾക്ക്. കൃത്രിമമായ ന്യൂറൽ വലയങ്ങൾക്ക് ഇന്ന് ഒരു പുതിയ അവതാരവും എത്തിയിട്ടുണ്ട്: Deep Neural Network. Computational modeling-ലെ വമ്പൻ മസ്തിഷ്ക സമാന്തര ജീവി.

AI വാതിലുകൾ തുറക്കുന്നു

സാധാരണ ആരോഗ്യമുള്ള തലച്ചോറിന്റെ പ്രവർത്തനങ്ങൾ ഇപ്രകാരം കമ്പ്യൂട്ടേഷൻ കൊണ്ട് വിശദീകരിക്കപ്പെടുമ്പോൾ അത് അസുഖങ്ങളും അപഭ്രംശങ്ങളും സംഭവിക്കുന്നതിനെപ്പറ്റിയുള്ള വിവരങ്ങളും നൽകുകയാണ്. അപകൃഷ്ടവും ക്ഷയോന്മുഖവുമായ അസുഖങ്ങളാണ് ആൽഷൈമേഴ്‌സും പാർകിൻസൺസ് വ്യാധിയും.

ചരിത്രപരമായി ഇന്നും ഉചിത ചികിൽസയിൽ നിന്ന് വഴുതിമാറുന്നവയുമാണ് ഇവ രണ്ടും. അപ്രാപ്യമായതും അതിസങ്കീർണമായതുമായ തലച്ചോർ ന്യൂറോ അനാറ്റമി, കോശഘടനകൾ, മോളിക്യുലർ പ്രവർത്തനങ്ങൾ എന്നിവയിൽ ച്യുതികളോ ശിഥിലീകരണങ്ങളോ ഒക്കെ കാരണങ്ങളാവാം.

ആൽഷൈമേഴ്‌സിന് ഇപ്പോഴുള്ള ചികിൽസ ന്യൂറോണുകൾക്കിടയിൽ നിറയുന്ന നാരുകൾ (beta amyloid plaques) ഇല്ലാതാക്കാനുള്ള മരുന്നുകൾ ഉപയോഗിക്കുകയാണ്. സാവധാനമെങ്കിലും ചികിൽസാരീതികൾ ഈ മേഖലയിൽ പുരോഗമനം പ്രാപിക്കുന്നു എന്നതിന്റെ കൃത്യസൂചനയുമാണിത്.

എന്നാൽ, ഇതുവരെ കൃത്യമായി പ്രവർത്തിക്കുന്ന, അസുഖത്തിൽ ഗണ്യമായി കുറവ് സംഭവിപ്പിക്കുന്ന ഒരു മരുന്ന് ഇന്നും ഉണ്ടാക്കിയെടുക്കാനായിട്ടില്ല. ഇത്തരുണത്തിൽ AI ശക്തിയായ സ്വാധീനം ചെലുത്തുമെന്നത് സുനിശ്ചിതമാണ്.

ന്യൂറോൺ വലയങ്ങളുടെ സമ്പർക്കങ്ങളിൽ വരുന്ന മാറ്റങ്ങൾ, അവയുടെ ഇടങ്ങൾ എവിടെയൊക്കെയാണ് തുടങ്ങിയവ പ്രവചിക്കാൻ AI യ്ക്ക് സാദ്ധ്യമാകുമ്പോൾ മരുന്നു കണ്ടുപിടിത്തം എളുപ്പമാകും, വേഗത കൂടും, ചെലവ് കുറയും. ഇതോടൊപ്പം ഗവേഷണങ്ങളും വേഗത്തിലാകുകയും ക്ലിനിക്കൽ പരീക്ഷണങ്ങളുടെ വ്യാപ്തി വർദ്ധിക്കുകയും ചെയ്യും.

ജനിതകപരമായും കോശാകൃതിവ്യവസ്ഥയനുസരിച്ചും (Histology) ജൈവസൂചകപരമായും (biomarkers) മറ്റ് സാങ്കേതികവിദ്യാസമാഹരണത്തിലൂടെയും ക്ലിനിക്കിൽ രോഗിയുടെ പ്രത്യേകതാ പഠനങ്ങളും മരുന്ന് നിശ്ചിതപ്പെടുത്തലും AI സമർത്ഥമായി കൈകാര്യം ചെയ്യുന്ന രീതി വരികയാണ്. മാത്രമല്ല, ആൽഷൈമേഴ്സ് അസുഖ കാരണമായ, നാരുകളായി മാറുന്ന പ്രോട്ടീന്റെ ഘടനയെപ്പറ്റിയുള്ള ഉചിത വിവരങ്ങളും അത് എങ്ങനെയാണ് തലച്ചോർ ദൂഷണങ്ങൾക്ക് വഴിവെയ്ക്കുന്നതെന്നും അറിയാനും പുതിയ ചികിൽസയ്ക്കുള്ള വഴികൾ അന്വേഷിക്കാനും കഴിയും. ഇവയെല്ലാംകൂടി സമൂലമായി ക്ലിനിക്കൽ പരീക്ഷണങ്ങളെ വിജയത്തിലേക്ക് നയിക്കും എന്നത് തീർച്ചയാക്കാം.

കമ്പ്യൂട്ടർ സഹായത്താൽ സൈക്യാട്രി (Computational Psychiatry)

അപഭ്രംശം സംഭവിച്ച അവബോധപ്രാപ്തി, പെരുമാറ്റം, മറ്റ് സൈക്യാട്രിക് ലക്ഷണങ്ങൾ എന്നിവക്ക് കാരണമാകുന്ന പ്രക്രിയാപ്രവർത്തനങ്ങൾ അറിയാൻ AI ഉപോദ്ബലകമാവുകയാണ്, computational psychiatry എന്ന പുതിയ മേഖലയുടെ കടന്നുവരവോടെ. സൈദ്ധാന്തിക സമീപനങ്ങളും കൃത്രിമമായ ന്യൂറൽ വലയങ്ങളുടെ മാതൃകാ നിർമ്മിതികളും ഇതിന് വഴിതെളിയ്ക്കുന്നുണ്ട്.

സമൂലമായി സമാഹരിക്കപ്പെട്ട, ഇന്നുവരെയുള്ള വിവരങ്ങൾ ഇതോട് ചേർക്കപ്പെടുമ്പോൾ ചികിൽസ്യ്ക്കുള്ള സൂചനകൾ, മരുന്നുകളോടുള്ള പ്രതിപ്രവർത്തനങ്ങൾ, രോഗവിമുക്തിയുടെ ഗതികൾ, രോഗിയുടെ നിലപാടുകൾ ഒക്കെ മുൻകൂട്ടി തീരുമാനിക്കാൻ ഇടവരുത്തുന്നുണ്ട്, നിർമ്മിതബുദ്ധിയുടെ നൂതന ഇടപെടലുകൾ.

AI സമർത്ഥമായി കൈകാര്യം ചെയ്യുന്ന സൈക്യാട്രിയിലൂടെ മനോരോഗചികിൽസയിലെ പിഴവുകൾ ഏറെ പരിഹരിക്കപ്പെടാൻ സാദ്ധ്യത തെളിയുകയാണ്. എന്നാൽ, ക്ലിനിക്കിൽ ഇത് വിജയകരമാവുന്നതിൽ പ്രായോഗിക ബുദ്ധിമുട്ടുകൾ ഏറെയുണ്ട്. സൈദ്ധാന്തിക അനുമാനങ്ങളിൽ മനോരോഗ ചികിൽസ നടത്തിയെടുക്കാൻ തീർച്ചയായും കടമ്പകളേറെയുണ്ട്.

കാരണം, മനോരോഗങ്ങളുടെ വൈവിദ്ധ്യവും ഒരേ അസുഖത്തിന്റെ പല തരത്തിലുള്ള പ്രത്യക്ഷഭാവവും മുൻവിധികൾ ഉൾച്ചേർക്കാൻ ഇടം കൊടുത്തേയ്ക്കും. മാനസികാരോഗ്യം സംബന്ധിച്ച machine learning ഗവേഷണം കൂടുതലായും ഇലക്ട്രോണിക് മെഡിക്കൽ റെക്കോർഡ്സ് ആശ്രയിച്ചുള്ളതാകയാൽവ്യാഖ്യാന- വിശദീകരണ സാദ്ധ്യതകളും ആവർത്തിക്കപ്പെട്ട് നിജപ്പെടുത്താനുള്ള പോംവഴികളും മിക്കവാറും ഇല്ല എന്നുതന്നെ പറയേണ്ടിയിരിക്കുന്നു. മൊത്തത്തിൽ ഇന്നത്തെ computational psychiatry ചിലപ്പോൾ ഇടുങ്ങിയതും ചിലപ്പോൾ ബ്രഹത്തുമാണ്, ക്ലിനിക്കൽ തീരുമാനങ്ങളെടുക്കാൻ സാധിക്കാത്ത വിധം.

ഇത്തരം പരിമിതികൾ മറികടക്കാൻ കമ്പ്യൂട്ടേഷൻ മാതൃകകൾ പുതുക്കിയെടുക്കേണ്ടിയിരിക്കുന്നു. കൃത്യമായ ന്യൂറൽ വലയങ്ങൾ, പെരുമാറ്റ സവിശേഷതകൾ, ക്ലിനിക്കിലെ രോഗനിർണ്ണയം എന്നിവ തമ്മിലുള്ള ബന്ധങ്ങൾ പുനർ നിർവചിക്കാൻ ഇത് സഹായിക്കും. ക്ലിനിക്കിലെ ഡോക്ടർമാരും കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞരും ഒത്തു ചേർന്ന് പ്രവർത്തിച്ചെങ്കിലേ AI- സൈക്യാട്രി ബന്ധങ്ങൾ സുഗമമാക്കാൻ സാധിക്കൂ. എങ്കിലും computational psychiatry അപരിമേയമായ സാദ്ധ്യതകളാണ് മാനസികരോഗ നിർണ്ണയത്തിലും ചികിൽസാവിധിതീരുമാനങ്ങളിലും തുറന്നുതരുന്നത്.

AI ന്യൂറോ ക്ലിനിക്കിൽ

ക്ലിനിക്കിൽ അത്യധികം ഉപയോഗിക്കപ്പെടുന്ന രണ്ട് സാങ്കേതികവിദ്യകളാണ് ന്യൂറോ ഇമേജിങ്ങും തലച്ചോർ കമ്പ്യൂട്ടർ സമ്പർക്കമുഖവും (Brain Computer Interface BCI).
തലച്ചോർ ചിത്രണങ്ങൾ വൻ തോതിലാണ് AI- യ്ക്ക് വിവരങ്ങൾ നൽകുന്നത്. കാരണം, തലച്ചോർ ഫിസിയോളജിയുടെ നാനാതരത്തിലുള്ള വീക്ഷണവും ഭാവങ്ങളുമാണ് ഇമേജിങ്ങ് ചിത്രങ്ങൾ പിടിച്ചെടുക്കുന്നത്.

രണ്ടു തരം എം.ആർ.ഐ ചിത്രണങ്ങൾ നിർമിത ബുദ്ധിയ്ക്ക് വിവരങ്ങൾ നൽകുന്നുണ്ട്.
Diffusion MRI തലച്ചോറിന്റെ ഘടനയും ന്യൂറോൺ വിന്യാസങ്ങളും സൂക്ഷ്മതലത്തിൽ വിദിതമാക്കുമ്പോൾ functional MRI ഒരു നിശ്ചിത സമയത്ത് ഏതൊക്കെ ഇടങ്ങൾ ഉണർന്നു പ്രവർത്തിക്കുന്നു എന്ന് കാണിച്ചുതരികയാണ്. ഈ രണ്ട് സമഗ്രവിവരങ്ങളും പുതിയ machine learning പ്രയോഗരീതികൾക്ക് പ്രചോദനം നൽകാൻ പ്രാപ്തമാണ്.

Deep learning പ്രയോഗവിദ്യകൾ ഇന്ന് മനുഷ്യ ഇടപെടലുകൾ കൂടാതെ തന്നെ തലച്ചോറിന്റെ പല അപഭ്രംശങ്ങളും -ന്യൂറോണുകളുടെ മേദക്ഷയം (atrophy), dementia യും മറ്റ് മറവി പ്രശ്‌നങ്ങളും, മാനസികാഘാതം (trauma), അപസ്മാര കെടുതികൾ ഉൾപ്പെടെ- കണ്ടുപിടിയ്ക്കുകയും ചികിൽസാവേളയിൽ നിരീക്ഷിക്കുകയും ചെയ്യാൻ പ്രാപ്തമാണ്. ഇങ്ങനെ AI ക്ലിനിക്കിൽ സ്വയംനിർണയാവകാശം നേടുകയാണ്. തലച്ചോർ അനാറ്റമിയും അതിലെ ക്ഷതികളും (lesions) കൃത്യമായും സൂക്ഷ്മമായും അവലോകനം ചെയ്യാൻ നിർമിത ബുദ്ധിയോളം ചാതുര്യം മനുഷ്യർക്കില്ലതന്നെ എന്ന് സമ്മതിക്കേണ്ടിയിരിക്കുന്നു.

MRI ചിത്രണങ്ങൾ പഠിച്ചെടുത്ത് AI സംഭാവന ചെയ്യുന്ന പരിമാണസംബന്ധമായ (quantitative) ഡാറ്റയാകട്ടെ, ക്ലിനിക്കിൽ ഡോക്റ്റർമാരെ സഹായിക്കുന്നത് ഉദാരമായാണ്. AI- യുടെ ഏറ്റവും ശക്തമായ സ്വാധീനം എന്നു പറയുന്നത്, തലച്ചോർ ഇമേജുകൾ രോഗിയുടെ ജനിതകപരമായതും ക്ലിനിക്കൽ സംബന്ധമായതുമായ വിവരങ്ങളുമായി സസൂക്ഷ്മം പരിശോധിച്ച് അതിസമർത്ഥമായി സംശ്ലേഷിപ്പിക്കുന്നതാണ്. അങ്ങനെ വ്യക്തിപരമായ ഒരു വിവരശേഖരം ഡോക്റ്റർക്ക് ലഭിയ്ക്കുന്നു. Perosnalized medicine- ന്റെ ഉദാത്ത ഉദാഹരണമാണിത്. ആരോഗ്യ / അസുഖ കാര്യങ്ങളിൽ മസ്തിഷ്കത്തിന്റെ പ്രഭാവം കൃത്യമായി സൂചിപ്പിക്കാൻ ഇത്തരം മനുഷ്യസാദ്ധ്യമല്ലാത്ത പഠനങ്ങൾ ഉതകുന്നു.

തലച്ചോർ -കമ്പ്യൂട്ടർ സമ്പർക്കമുഖം
Brain- Computer Interface

തലച്ചോറിലെ തോന്നലുകളെയും ആലോചനകളേയും നിർദ്ദേശങ്ങളാക്കി (commands) മാറ്റാനുള്ള ആധുനികവിദ്യയാണ് brain-computer interface. പക്ഷഘാതം സംഭവിച്ചവരുടെ കൈകാലുകൾ അനക്കാനും സംസാരശേഷി നഷ്ടപ്പെട്ടവരെ സംസാരിക്കാനും ഈ കമ്പ്യൂട്ടർ വിദ്യ സഹായിക്കുന്നു, അല്ലെങ്കിൽ കമ്പ്യൂട്ടർ ആ ജോലി ഏറ്റെടുക്കുന്നു.

'മോട്ടോർ ന്യൂറോൺ' എന്ന വകുപ്പിലുള്ളവയ്ക്കാണ് കൈകാലുകൾ അനക്കാനും സംസാരിക്കാൻ ശബ്ദതന്തുക്കളെ പ്രകമ്പനം കൊള്ളിയ്ക്കാനുമൊക്കെയുള്ള ഉത്തരവാദിത്തം. ഈ ന്യൂറോണുകൾ പക്ഷാഘാതത്താൽ പ്രവർത്തനരഹിതമാവും. വളരെ നേരിയ എലക്ട്രോഡുകൾ ഈ ന്യൂറോണുകളിൽ ഘടിപ്പിച്ച് അവയെ കമ്പ്യൂട്ടറുമായി ബന്ധപ്പെടുത്തുകയും സന്ദേശങ്ങളെ 'ഡി കോഡ്' (decode) ചെയ്ത് ശരീരഭാഗങ്ങളെ പ്രവർത്തനനിരതമാക്കുകയുമാണ് ഈ സാങ്കേതികവിദ്യ സാധിച്ചെടൂക്കുന്നത്. ഇന്ന് തലച്ചോറിന്റെ പ്രവർത്തനങ്ങളെക്കുറിച്ച് സൂക്ഷ്മമായി പഠിയ്ക്കാനും ഈ വിദ്യ ഉപയോഗിക്കപ്പെടുന്നുണ്ട്.

2000-മാണ്ടിൽ പത്തോ മുപ്പതോ എലക്ട്രോഡുകൾ ഉപയോഗിക്കപ്പെട്ടിരുന്നു എങ്കിൽ ഇപ്പോൾ ആയിരക്കണക്കിനെണ്ണമാണ് തലച്ചോറിൽ ഘടിപ്പിക്കപ്പെടുന്നത്. ന്യൂറോ ഫിസിയോളജിയും അപഭ്രംശങ്ങളും എളുപ്പം പഠിച്ചെടുക്കാം എന്നതു മാത്രമല്ല ന്യൂറോ സർജറി, അതിസൂക്ഷ്മമായ രോഗനിർണയം, പക്ഷാഘാതങ്ങൾക്കുള്ള പ്രതിവിധി-സംസാരശേഷി പോലും വീണ്ടെടുക്കുന്ന തരത്തിലുള്ള- എന്ന രീതിയിൽ വ്യാപകമായ പ്രവർത്തനോപയോഗം കൈവരിക്കുന്ന നൂതാനാവിഷ്‌ക്കാരം തന്നെ brain-computer interface. ഇല്ലാതായ തലച്ചോർ പ്രവർത്തനം വീണ്ടെടുക്കാം എന്നത് ഈ തലമുറയ്ക്ക് കിട്ടിയ വരദാനം തന്നെ. ഇപ്രകാരം AI ന്യൂറോ സയൻസിലും ബന്ധപ്പെട്ട ചികിൽസയിലും അടിസ്ഥാനപരമായ മാറ്റം (paradigm shift) സൃഷ്ടിച്ചുകഴിഞ്ഞിരിക്കുന്നു.

തലച്ചോർ ഘടനയിൽ നിന്നുതന്നെയുള്ള പ്രചോദനം കൊണ്ട് ആവിഷ്‌ക്കരിക്കപ്പെടുന്ന deep artificial 'neural' networks തലച്ചോറിന്റെ തന്നെ സങ്കീർണ പ്രവർത്തനരീതികൾ സ്പഷ്ടമാക്കുകയാണ്. പുതിയ വിദ്യകൾ പഠിപ്പിച്ചെടുക്കാനും സാധിക്കും, ഈ നിർമിതബുദ്ധി പ്രവീണനെ. തലച്ചോറിന്റെ രഹസ്യങ്ങളറിയാൻ ഇന്ന് AI-യെ സമീപിക്കുന്നത് വിരോധാഭാസമായിത്തോന്നാമെങ്കിലും സത്യമാണ്.

Reference:

1.Shafer E. S., Xiaosi G., Crary J. F., Balchandani P. and Rapoport B. I. The brain in silico and nature: How AI is transforming neuroscience. Frontiers of Medical Research: Artificial Intelligence, Science Special Edition, 12-14 2023.
2.Doerig, A. , Sommers R., Seeliger, K, Richards, B. Ismael, J., Lindsay, G., Kording, K., Konkle, T., van Gerven, M.A..J., Kriegeskorte, N., and Kietzmann, T.C. The neuroconnectionist research programme Nature Reviews Neuroscience, 24: 431-450 2023.
3. Naddaf, M. Mind-reading devices are revealing the brain's secrets. Nature, 626: 706-708 2024.