RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images
यह शोध पत्र RACR-MIL का प्रस्ताव करता है, जो एक कमजोरly-पर्यवेक्षित (weakly-supervised) अटेंशन-आधारित मल्टीपल-इंस्टेंस लर्निंग फ्रेमवर्क है जो कई शारीरिक स्थलों में स्क्वैमस सेल कार्सिनोमा की ग्रेडिंग में अत्याधुनिक सामान्यीकरण और सटीकता प्राप्त करने के लिए एक हाइब्रिड WSI ग्राफ और रैंक-ऑर्डरिंग बाधाओं का उपयोग करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कैंसर का निदान अक्सर एक रोगविज्ञानी (पैथोलॉजिस्ट) द्वारा सूक्ष्मदर्शी (माइक्रोस्कोप) के माध्यम से ऊतक (टिशू) की एक पतली परत को देखते हुए शुरू होता है, जो उन सूक्ष्म संकेतों की तलाश करता है जो यह प्रकट कर सकें कि ट्यूमर कितना आक्रामक हो सकता है। त्वचा और अंगों के एक सामान्य प्रकार के कैंसर, जिसे स्क्वैमस सेल कार्सिनोमा कहा जाता है, के लिए यह कार्य अत्यंत कठिन है। यह बीमारी हर जगह एक जैसी नहीं दिखती; एक ही नमूने में ऐसे क्षेत्र हो सकते हैं जो धीरे-धीरे बढ़ते हैं और अन्य जो तेजी से फैल रहे होते हैं, जो आपस में मिले हुए होते हैं। पारंपरिक रूप से, डॉक्टर पूरे नमूने को सबसे खराब दिखने वाले क्षेत्र के आधार पर एक ग्रेड देते हैं, जो एक प्रक्रिया है जो काफी हद तक मानवीय अनुभव पर निर्भर करती है और एक डॉक्टर से दूसरे डॉक्टर के बीच भिन्न हो सकती है। इसे मानकीकृत करने में मदद करने के लिए, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस (AI) की ओर रुख किया है, और कंप्यूटर को ऊतक की पूरी-स्लाइड छवियों (whole-slide images) को पढ़ना सिखाया है। हालांकि, कंप्यूटर को गंभीरता के विभिन्न स्तरों के बीच अंतर करना सिखाना मुश्किल है क्योंकि कंप्यूटर को आमतौर पर पूरी स्लाइड के लिए केवल अंतिम निदान दिखाया जाता है, बिना यह बताए कि उस स्लाइड के भीतर कौन से छोटे हिस्से सबसे खतरनाक हैं।
शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जो एक प्रणाली बनाता है जो इन ट्यूमर को ग्रेड करने के लिए एक मानव विशेषज्ञ के सोचने के तरीके की नकल करता है। ऊतक की छवि के प्रत्येक छोटे टुकड़े को एक अलग तथ्य के रूप में मानने के बजाय, उनकी विधि, जिसे RACR-MIL कहा जाता है, एक मानचित्र बनाती है कि ऊतक के विभिन्न हिस्से एक-दूसरे से कैसे संबंधित हैं। यह समझता है कि कैंसर कोशिका का व्यवहार उसके पड़ोसियों और उसके व्यापक वातावरण पर निर्भर करता है। इससे भी महत्वपूर्ण बात यह है कि सिस्टम को सबसे खतरनाक क्षेत्रों को प्राथमिकता देने के लिए डिज़ाइन किया गया है। जिस तरह एक मानव रोगविज्ञानी जानता है कि अत्यधिक आक्रामक कोशिकाओं का एक छोटा सा पैच पूरे मामले की गंभीरता को निर्धारित कर सकता है, यह AI भी उन विशिष्ट उच्च-जोखिम वाले क्षेत्रों को खोजने और उन्हें शांत या कम खतरनाक क्षेत्रों की तुलना में अधिक महत्व देने के लिए प्रशिक्षित किया गया है। ऊतक के संदर्भ की गहरी समझ और सबसे खराब हिस्सों पर ध्यान केंद्रित करने के सख्त नियम को जोड़कर, यह प्रणाली पिछले तरीकों की तुलना में सटीकता का एक उच्च स्तर प्राप्त करती है।
शोधकर्ताओं ने त्वचा, फेफड़ों और सिर एवं गर्दन के क्षेत्रों में स्क्वैमस सेल कार्सिनोमा वाले हजारों रोगी नमूनों पर इस नए ढांचे का परीक्षण किया। उन्होंने अपने सिस्टम की तुलना मौजूदा आर्टिफिशियल इंटेलिजेंस उपकरणों की एक विस्तृत श्रृंखला से की, जिसमें वे उपकरण भी शामिल हैं जो केवल ऊतक के व्यक्तिगत पैच को देखते हैं या जो उन्हें अधिक बुनियादी तरीकों से जोड़ने का प्रयास करते हैं। परिणाम स्पष्ट थे: नया सिस्टम लगातार अपने प्रतिस्पर्धियों से बेहतर प्रदर्शन करता है। इसने ग्रेडिंग की सटीकता में उल्लेखनीय सुधार किया, और उन मामलों में कैंसर की गंभीरता की सही पहचान की जहाँ अन्य तरीके संघर्ष कर रहे थे। शायद सबसे महत्वपूर्ण बात यह है कि यह सबसे खतरनाक ट्यूमर कोशिकाओं के सटीक स्थानों को खोजने में बेहतर था। परीक्षणों में, इसने अगले सबसे अच्छे तरीकों की तुलना में दस प्रतिशत अधिक प्रभावी ढंग से इन महत्वपूर्ण क्षेत्रों का पता लगाया, जो एक डॉक्टर के लिए उपचार योजना तय करने के निर्णय में अत्यंत महत्वपूर्ण हो सकता है।
जो चीज़ इस दृष्टिकोण को अद्वितीय बनाती है, वह है इसका ऊतक की जटिलता को संभालने का तरीका। सिस्टम छवि के छोटे-छोटे टुकड़ों (पैच) के बीच दो अलग-अलग प्रकार के संबंध बनाता है। एक प्रकार उन पैच को जोड़ता है जो भौतिक रूप से एक-दूसरे के करीब हैं, जो तत्काल पड़ोस को कैप्चर करता है जहाँ कोशिकाएं परस्पर क्रिया करती हैं, जैसे कि कैसे एक ट्यूमर आसपास के स्वस्थ ऊतक को धकेलता है। दूसरा प्रकार उन पैच को जोड़ता है जो समान दिखते हैं, भले ही वे स्लाइड पर दूर हों, जिससे सिस्टम कैंसर के विकास के उन पैटर्न को पहचान पाता है जो नमूने में बिखरे हुए हो सकते हैं। शोधकर्ताओं ने पाया कि दोनों प्रकार के कनेक्शनों का एक साथ उपयोग करने से अकेले किसी एक के उपयोग की तुलना में कहीं अधिक समृद्ध चित्र प्राप्त हुआ। इसके अलावा, सिस्टम में एक विशिष्ट तंत्र शामिल है जो इसे उन पैच पर अधिक ध्यान केंद्रित करने के लिए मजबूर करता है जो गंभीर बीमारी के संकेत दिखाते हैं। यह सुनिश्चित करता है कि अंतिम निदान सबसे महत्वपूर्ण साक्ष्य द्वारा संचालित हो, न कि पूरी स्लाइड के औसत स्वरूप में खो जाए।
यह देखने के लिए कि क्या यह तकनीक वास्तव में एक वास्तविक क्लिनिक में मदद कर सकती है, शोधकर्ताओं ने दो विशेषज्ञ रोगविज्ञानों को AI की सहायता के साथ और बिना सहायता के मामलों की समीक्षा करने के लिए आमंत्रित किया। अधिकांश मामलों में, डॉक्टरों ने पाया कि सिस्टम ने उन्हें अधिक कुशलता से काम करने में मदद की। इसने सफलतापूर्वक उन सबसे आक्रामक हिस्सों को उजागर किया जिन्हें डॉक्टरों ने शुरू में छोड़ दिया था या कम करके आंका था, जिससे उन्हें अपने निदान को अधिक सटीक, उच्च ग्रेड में संशोधित करने के लिए प्रेरित किया। एक उदाहरण में, सिस्टम ने एक बड़े, कम आक्रामक ट्यूमर के भीतर एक छोटे, अत्यधिक खतरनाक क्षेत्र की पहचान की जिसे डॉक्टर ने अनदेखा कर दिया था। हालांकि कुछ मामले ऐसे भी थे जहां सिस्टम के सबसे खराब क्षेत्रों पर ध्यान केंद्रित करने से आसपास के ऊतक के कुछ सूक्ष्म विवरण छूट गए, लेकिन समग्र प्रतिक्रिया सकारात्मक थी। डॉक्टरों ने महसूस किया कि यह उपकरण एक विश्वसनीय सहायक के रूप में कार्य करता है, जो उन्हें स्लाइड के सबसे महत्वपूर्ण हिस्सों की ओर इशारा करता है और एक आत्मविश्वासपूर्ण निष्कर्ष तक पहुँचने के लिए आवश्यक समय को कम करता है।
अध्ययन ने यह भी देखा कि यह सिस्टम नए डेटा पर कितनी अच्छी तरह काम करेगा जिसे इसने पहले कभी नहीं देखा है, जैसे कि विभिन्न अस्पतालों के ऊतक नमूने या विभिन्न मशीनों द्वारा स्कैन किए गए नमूने। नया ढांचा उल्लेखनीय रूप से मजबूत साबित हुआ, डेटा बदलने पर भी इसने अपना उच्च प्रदर्शन बनाए रखा। यह सुझाव देता है कि सिस्टम ने कैंसर के व्यवहार के मूलभूत नियमों को सीखा है, न कि केवल उन विशिष्ट छवियों को याद किया है जिन पर इसे प्रशिक्षित किया गया था। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह सिस्टम पूर्ण नहीं है और इसे अभी भी मानवीय निगरानी की आवश्यकता है, फिर भी यह कैंसर ग्रेडिंग को अधिक सुसंगत और विश्वसनीय बनाने की दिशा में एक महत्वपूर्ण कदम है। मानव विशेषज्ञों द्वारा सूचना को प्राथमिकता देने के तरीके के साथ कंप्यूटर के तर्क को संरेखित करके, यह कार्य दुनिया भर के रोगियों के लिए बेहतर, तेज़ और अधिक सटीक कैंसर निदान के लिए एक आशाजनक मार्ग प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।