Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer
यह अध्ययन प्रदर्शित करता है कि ट्रांसफर लर्निंग, डी-नोवो मशीन लर्निंग और एन्सेम्बल इंटीग्रेशन, मानक PREDICT v3 टूल की तुलना में प्रारंभिक स्तन कैंसर के लिए पांच-वर्षीय उत्तरजीविता प्रोग्नोस्टिक मॉडल के अंशांकन (कैलिब्रेशन) और मजबूती में महत्वपूर्ण रूप से सुधार करते हैं, विशेष रूप से लुप्त नैदानिक डेटा या डेटासेट शिफ्ट वाले परिदृश्यों में।
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
हर साल, दुनिया भर में लाखों महिलाओं को शुरुआती चरण के स्तन कैंसर (ब्रेस्ट कैंसर) का निदान होता है। इस चरण में, बीमारी स्तन या पास की लिम्फ नोड्स से आगे नहीं बढ़ी होती है, जो उपचार के कई विकल्पों के द्वार खोलता है। डॉक्टरों को यह तय करना होता है कि क्या मरीज को केवल सर्जरी की आवश्यकता है, या उसे रेडिएशन, कीमोथेरेपी या हार्मोन थेरेपी की भी आवश्यकता है। इन कठिन निर्णयों को लेने के लिए, चिकित्सक प्रोग्नोस्टिक टूल्स (पूर्वानुमान उपकरणों) पर भरोसा करते हैं—जो गणितीय मॉडल हैं और मरीज के निदान के पांच साल बाद जीवित रहने की संभावना का अनुमान लगाते हैं। ये अनुमान डॉक्टरों और मरीजों को आक्रामक उपचार के लाभों और दुष्प्रभावों के जोखिमों के बीच संतुलन बनाने में मदद करते हैं। दशकों से, सबसे सुलभ उपकरण मानक नैदानिक जानकारी पर आधारित रहे हैं: ट्यूमर का आकार, मरीज की उम्र और सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे कैंसर कोशिकाएं कैसी दिखती हैं। हालांकि नए, अधिक महंगे जेनेटिक टेस्ट मौजूद हैं, लेकिन सरल, पुराने उपकरण महत्वपूर्ण बने हुए हैं क्योंकि वे व्यापक रूप से उपलब्ध और किफायती हैं। हालांकि, ये पारंपरिक उपकरण विशिष्ट समूहों के लोगों के डेटा पर निर्मित हैं और कभी-कभी अलग आबादी पर लागू होने में या जानकारी गायब होने पर संघर्ष कर सकते हैं।
हाल ही में एक अध्ययन में, शोधकर्ताओं ने यह देखने के लिए प्रयास किया कि क्या आधुनिक कंप्यूटर विज्ञान इन क्लासिक उपकरणों में नया जीवन फूंक सकता है। उन्होंने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: कैसे एक सिद्ध सर्वाइवल मॉडल को बिना पूरे सिस्टम को फिर से बनाए बिना, रोगियों के एक नए समूह के अनुकूल बनाया जाए। उन्होंने यह भी पता लगाया कि क्या नए प्रकार के कंप्यूटर एल्गोरिदम, जिन्हें मशीन लर्निंग कहा जाता है, बेहतर भविष्यवाणी करने के लिए सीधे रोगी रिकॉर्ड से सीख सकते हैं। टीम ने तीन अलग-अलग दृष्टिकोणों की तुलना की: पुराने मॉडल का वैसे ही उपयोग करना जैसा वह था, नए डेटा के अनुरूप पुराने मॉडल में बदलाव करना, और पूरी तरह से नए कंप्यूटर प्रोग्रामों को शुरुआत से प्रशिक्षित करना। उनका लक्ष्य यह देखना था कि कौन सी विधि महिलाओं के लिए सबसे सटीक और विश्वसनीय उत्तरजीविता (सर्वाइवल) अनुमान प्रदान करती है, विशेष रूप से तब जब उनके रिकॉर्ड में कुछ चिकित्सा विवरण गायब हों।
शोधकर्ताओं ने अपना काम एक बड़े क्लिनिकल ट्रायल MA.27 के साथ शुरू किया, जिसने हार्मोन-पॉजिटिव स्तन कैंसर वाली हजारों रजोनिवृत्ति के बाद की महिलाओं (पोस्टमेनोपॉज़ल वीमेन) का अनुसरण किया। वे यह अनुमान लगाना चाहते थे कि कौन जीवित रहेगा जिनके मामले में कैंसर वापस नहीं आएगा। सबसे पहले, उन्होंने PREDICT नामक एक प्रसिद्ध टूल का परीक्षण किया, जिसे यूनाइटेड किंगडम के डेटा पर प्रशिक्षित किया गया था। जब उन्होंने इस टूल को MA.27 ट्रायल की अमेरिकी और कनाडाई महिलाओं पर लागू किया, तो यह काम तो कर गया, लेकिन यह पूर्ण नहीं था। टूल लगभग एक-चौथाई रोगियों के लिए भविष्यवाणी करने में विफल रहा क्योंकि इसके लिए विशिष्ट विवरणों की आवश्यकता थी, जैसे कि सकारात्मक लिम्फ नोड्स की सटीक संख्या या ट्यूमर का सटीक आकार, जो ट्रायल डेटा में मौजूद नहीं थे या अलग तरह से दर्ज किए गए थे। उन रोगियों के लिए भी जिनका वह अनुमान लगा सका, टूल अपने अनुमानों में थोड़ा गलत रहा, अक्सर यह कम आंकता था कि कितनी महिलाएं जीवित रहेंगी।
इसे ठीक करने के लिए, टीम ने 'ट्रांसफर लर्निंग' नामक एक तकनीक का प्रयास किया। कल्पना कीजिए कि एक संगीतकार जिसने वॉयलिन बजाने में महारत हासिल कर ली है और फिर वह विओला बजाना सीखता है; वे शून्य से शुरुआत नहीं करते बल्कि अपने मौजूदा कौशल को नए वाद्य यंत्र के अनुकूल बनाते हैं। इसी तरह, शोधकर्ताओं ने पूर्व-प्रशिक्षित PREDICT मॉडल को लिया और MA.27 डेटा में पाए गए विशिष्ट पैटर्न से मेल खाने के लिए इसकी आंतरिक सेटिंग्स को "फाइन-ट्यून" किया। इस प्रक्रिया ने, जिसने नए समूह में फिट होने के लिए मॉडल के मापदंडों (पैरामीटर्स) को समायोजित किया, भविष्यवाणियों की सटीकता में नाटकीय सुधार किया। हालांकि, मूल टूल की तरह, फाइन-ट्यून किया गया मॉडल अभी भी लगभग 24% रोगियों के लिए उत्तरजीविता अनुमान प्रदान नहीं कर सका क्योंकि यह अभी भी उन विशिष्ट डेटा बिंदुओं पर निर्भर था जो उनके रिकॉर्ड में गायब थे। इसके विपरीत, नए मशीन लर्निंग मॉडल लापता जानकारी के बावजूद सभी व्यक्तियों के लिए उत्तरजीविता की भविष्यवाणी कर सके।
टीम ने MA.27 डेटा का उपयोग करके शुरुआत से बिल्कुल नए कंप्यूटर मॉडल भी प्रशिक्षित किए। ये मॉडल, जो जटिल डेटा में पैटर्न खोजने में माहिर विधियों का उपयोग करते हैं, पुराने यूके-आधारित नियमों पर निर्भर नहीं थे। इसके बजाय, उन्होंने सीधे अमेरिकी और कनाडाई रोगियों से सीखा। इनमें से एक नए मॉडल ने फाइन-ट्यून किए गए संस्करण के समान प्रदर्शन किया, जबकि दूसरे ने थोड़ी अलग खूबियां दिखाईं। महत्वपूर्ण बात यह है कि ये नए मॉडल स्वाभाविक रूप से लापता जानकारी को संभाल सकते थे। मूल टूल के विपरीत, जो एक भी डेटा बिंदु अनुपलब्ध होने पर काम करना बंद कर देता था, नए कंप्यूटर प्रोग्राम उपलब्ध जानकारी का उपयोग करके अभी भी भविष्यवाणी कर सकते थे। वास्तविक दुनिया के चिकित्सा क्षेत्र में, जहाँ रोगी के रिकॉर्ड अक्सर अधूरे होते हैं, यह एक महत्वपूर्ण लाभ है।
अंत में, शोधकर्ताओं ने इन सभी दृष्टिकोणों की शक्तियों को मिलाकर एक एकल "एन्सेम्बल" (ensemble) मॉडल बनाया। इस प्रणाली ने फाइन-ट्यून किए गए टूल और नए कंप्यूटर मॉडलों से प्राप्त भविष्यवाणियों को लिया और एक अंतिम, एकीकृत अनुमान बनाने के लिए उन्हें आपस में मिला दिया। यह संयुक्त दृष्टिकोण मजबूत साबित हुआ, जो फाइन-ट्यून किए गए टूल की विश्वसनीयता और नए एल्गोरिदम के लचीलेपन को एक साथ लाता है। जब टीम ने इन बेहतर मॉडलों का परीक्षण रोगियों के एक अलग समूह पर किया, तो परिणाम मिले-जुले रहे। सुधार बड़े अमेरिकी डेटासेट के लिए सही रहे, जिससे पुष्टि हुई कि मॉडल समान आबादी के लिए सामान्यीकरण (जनरलाइज) कर सकते हैं। हालांकि, यूरोप और एशिया के रोगियों वाले एक बहुराष्ट्रीय ट्रायल पर परीक्षण करने पर, सुधार स्पष्ट नहीं थे, और मूल पूर्व-प्रशिक्षित मॉडल ने उस विशिष्ट समूह में अनुकूलित संस्करणों की तुलना में बेहतर प्रदर्शन किया, जिससे पता चलता है कि मॉडलों को बहुत अलग रोगी समूहों के लिए अभी भी सावधानीपूर्वक अनुकूलित करने की आवश्यकता है।
अध्ययन निष्कर्ष निकालता है कि हालांकि पारंपरिक उपकरण मूल्यवान हैं, लेकिन उन्हें आधुनिक तकनीकों द्वारा काफी बढ़ाया जा सकता है। मौजूदा मॉडलों को फाइन-ट्यून करके या स्थानीय डेटा पर नए मॉडल प्रशिक्षित करके, डॉक्टर अधिक सटीक उत्तरजीविता अनुमान प्राप्त कर सकते हैं, भले ही रोगी के रिकॉर्ड अपूर्ण हों। शोध इस बात पर प्रकाश डालता है कि उत्तरजीविता की भविष्यवाणी करने के लिए रोगी की आयु, प्रभावित लिम्फ नोड्स की संख्या, ट्यूमर की ग्रेड और ट्यूमर का आकार सबसे महत्वपूर्ण कारक हैं, एक ऐसा निष्कर्ष जो सभी अलग-अलग मॉडलों में समान रहा। अंततः, यह कार्य सुझाव देता है कि हमें बेहतर रोगी देखभाल के लिए अपने स्थापित उपकरणों को छोड़ने की आवश्यकता नहीं है। इसके बजाय, इन उपकरणों को नई स्थितियों के अनुकूल बनाने के लिए स्मार्ट कंप्यूटर विधियों का उपयोग करके, हम स्तन कैंसर का सामना कर रही महिलाओं को अधिक व्यक्तिगत और विश्वसनीय मार्गदर्शन प्रदान कर सकते हैं, यह सुनिश्चित करते हुए कि उपचार के निर्णय सर्वोत्तम संभव जानकारी पर आधारित हों।
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।