അവലോകനം: കണ്ണിന്റെ റെറ്റിനയുടെ ചിത്രങ്ങൾ ജൈവപരമായ വയസ്സ് കണക്കാക്കാൻ സഹായിക്കാം - സർമദ്

സീയൂൾ ദേശീയ സർവകലാശാലയിലെ ഗവേഷകർ നടത്തിയ ഒരു പുതിയ പഠനം പ്രകാരം, കൃത്രിമ ബുദ്ധി (AI) സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് റെറ്റിനൽ (കണ്ണിന്റെ ശിരസ്ഥലം) ചിത്രങ്ങൾ വിശകലനം ചെയ്യുന്നത് വ്യക്തികളിലെ ജൈവപരമായ വയസ്സുവരൽ (biological aging) വേഗതയിലെ വ്യത്യാസങ്ങൾ കണക്കാക്കുന്നതിന് വേഗതയുള്ളതും ശസ്ത്രക്രിയ ഇല്ലാത്തതുമായ ഒരു മാർഗ്ഗം നൽകാം.

'സയൻസ് ഡേലി' (Science Daily) എന്ന ശാസ്ത്രീയ വെബ്‌സൈറ്റ് റിപ്പോർട്ട് ചെയ്തത് പ്രകാരം, 'GeroScience' എന്ന ജേണലിൽ പ്രസിദ്ധീകരിച്ച ഈ പഠനം ഗവേഷകർ 'റെറ്റിനൽ ഏജ് ഗാപ്പ്' (Retinal Age Gap) എന്ന് വിളിക്കുന്ന സാങ്കേതികവിദ്യയെ അടിസ്ഥാനമാക്കിയതാണ്. ഈ സാങ്കേതികവിദ്യ റെറ്റിനൽ ചിത്രങ്ങൾ ഉപയോഗിച്ച് വ്യക്തിയുടെ കലണ്ടർ വയസ്സ് (chronological age) കണക്കാക്കുകയും, തുടർന്ന് അത് യഥാർത്ഥ വയസ്സുമായി താരതമ്യം ചെയ്ത് ജൈവപരമായ വയസ്സുവരൽ വേഗതയുമായി ബന്ധപ്പെട്ടിരിക്കുന്ന സൂചനകൾ തിരിച്ചറിയാനും സഹായിക്കുന്നു.

പഠനത്തിൽ 7,535 വ്യക്തികളിൽ നിന്ന് ശേഖരിച്ച 29,530 റെറ്റിനൽ പരിശോധനാ ചിത്രങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. അതേസമയം, 7,416 വ്യക്തികളിൽ നിന്നുള്ള 14,832 ചിത്രങ്ങൾ ഉപയോഗിച്ച് ഗവേഷകർ മോഡലിനെ പരിശോധിച്ചു.

ഫലങ്ങൾ പ്രകാരം, മോഡൽ 2.5 മുതൽ 2.7 വർഷം വരെ ശരാശരി പിശക് (error) ഉൾപ്പെടെ കലണ്ടർ വയസ്സ് കൃത്യമായി കണക്കാക്കാൻ സാധിച്ചു. ഇത് റെറ്റിനൽ ചിത്രങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള മുൻപിലെ മോഡലുകളുടെ ഫലങ്ങളെ തുല്യമാക്കുകയോ അതിനെ മറികടക്കുകയോ ചെയ്യുന്ന കൃത്യതയാണ്.

മോഡൽ തിരിച്ചറിഞ്ഞ ഉയർന്ന വയസ്സുവരൽ സൂചനകളും ചില ആരോഗ്യപരമായ ഘടകങ്ങളും ജീവിതശൈലിയുമായും ബന്ധം ഗവേഷകർ കണ്ടെത്തി. പ്രത്യേകിച്ച്, മധുമേഹം സൂചനയിൽ ഏകദേശം 2.52 വർഷം വർദ്ധനവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. അതേസമയം, നിലവിലെ പുകവലി 0.5 വർഷം, മുൻപിലെ പുകവലി 0.46 വർഷം, മക്യുലാ ഡീജനറേഷൻ (macular degeneration) 0.6 വർഷം, ക്യാറ്ററാക്ട് (cataract) 1.86 വർഷം വർദ്ധനവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.

ക്യാറ്ററാക്ടും ഉയർന്ന സൂചനയും തമ്മിലുള്ള ബന്ധം, രോഗം മൂലമുള്ള ചിത്രങ്ങളുടെ മൂടൽ (blur) മൂലമുള്ള സ്വാധീനം കാരണമാകാം, റെറ്റിനയുടെ സ്വന്തം വയസ്സുവരൽ വേഗത കാരണമാകണമെന്നില്ലെന്ന് ഗവേഷകർ ചൂണ്ടിക്കാട്ടി.

മോഡലിന്റെ പരിശീലന ഡാറ്റയിൽ (training data) ആരോഗ്യമുള്ള കണ്ണുകളുടെയും റെറ്റിനയോ ദൃഷ്ടി നാഡിയോ (optic nerve) ബാധിച്ച രോഗങ്ങളുള്ള കണ്ണുകളുടെയും ചിത്രങ്ങൾ ചേർക്കുന്നതിലൂടെ, മുൻപിലെ പഠനങ്ങളിൽ കൂടുതൽ ആശ്രയിച്ചിരുന്ന ആരോഗ്യമുള്ള കണ്ണുകളുടെ ചിത്രങ്ങളെ അപേക്ഷിച്ച് സാങ്കേതികവിദ്യയുടെ കൃത്യത മെച്ചപ്പെടുത്താൻ പഠനം ശ്രമിച്ചു.

വൈവിധ്യമാർന്ന ജനിതക, പരിസ്ഥിതി, ജീവിതശൈലി ഘടകങ്ങൾ കാരണം, ഒരേ കലണ്ടർ വയസ്സുള്ള വ്യക്തികളിലെ ജൈവപരമായ വയസ്സുവരൽ വേഗത വ്യത്യാസപ്പെടുന്നു. ഇത് ഈ വ്യത്യാസങ്ങൾ നിരീക്ഷിക്കാൻ എളുപ്പത്തിൽ ലഭ്യമായ ബയോമാർക്കറുകൾക്ക് (biomarkers) ആവശ്യകത വർദ്ധിപ്പിക്കുന്നു എന്ന് ഗവേഷകർ വ്യക്തമാക്കി.

ഈ സാങ്കേതികവിദ്യ ഇനിയും കൂടുതൽ പരിശോധനകൾക്ക് വിധേയമാകേണ്ടതുണ്ട്. അതിനായി, ഒരേ വ്യക്തികളെ വർഷങ്ങളോളം നിരീക്ഷിക്കുന്ന ദീർഘകാല പഠനങ്ങൾ നടത്തി, ജൈവപരമായ വയസ്സുവരൽ അളക്കുന്നതിനായി അംഗീകൃതമായ രീതികളും സൂചനകളുമായി ഫലങ്ങളെ താരതമ്യം ചെയ്യണം എന്ന് ഗവേഷകർ ശ്രദ്ധിപ്പിച്ചു.

ചില ആരോഗ്യപരമായ ഘടകങ്ങളുടെ സ്വാധീനം, പ്രവചനത്തിലെ പിശക് പരിധിയുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഇനിയും പരിമിതമാണ്. അതിനാൽ, 'റെറ്റിനൽ ഏജ് ഗാപ്പ്' സാങ്കേതികവിദ്യ നിലവിലെ രൂപത്തിൽ വ്യക്തികളിലെ വയസ്സുവരൽ അപകടസാധ്യതകൾ തിരിച്ചറിയാൻ പകരം, ജനസംഖ്യയുടെ തലത്തിലുള്ള വയസ്സുവരൽ പാറ്റേണുകൾ പഠിക്കാൻ കൂടുതൽ അനുയോജ്യമാകാം എന്ന് പഠനം ഉറപ്പിച്ചു.

വയസ്സുവരലുമായി ബന്ധപ്പെട്ട ആരോഗ്യപരമായ മാറ്റങ്ങൾ നിരീക്ഷിക്കാൻ കൃത്രിമ ബുദ്ധി സാങ്കേതികവിദ്യകളെ ഉപയോഗിക്കുന്നതിന് ഈ ഫലങ്ങൾ പുതിയ സാധ്യതകൾ തുറന്നു നൽകുന്നു.