🧬 biology

HERO: Hypothesis-Driven Evidence Retrieval from Omics for Multi-Task Breast Cancer Analysis

HERO एक परिकल्पना-संचालित ढांचे (hypothesis-driven framework) को प्रस्तुत करता है जो होल-स्लाइड इमेजेस में प्रासंगिक क्षेत्रों को खोजने और सत्यापित करने के लिए परीक्षण योग्य आकृति विज्ञान पूर्वधारणाओं (morphology priors) को उत्पन्न करने हेतु मेल खाते मल्टी-ओमिक्स डेटा का लाभ उठाता है, जिससे लेक्सिकल ऑडिटेबिलिटी (lexical auditability) सुनिश्चित करते हुए और शुद्ध सिमेंटिक मिलान पर निर्भरता कम करते हुए मल्टी-टास्क ब्रेस्ट कैंसर विश्लेषण में अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Xiangyu Li, Ran Su

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiangyu Li, Ran Su

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक जटिल चिकित्सा रहस्य को सुलझाने की कोशिश कर रहे हैं: ब्रेस्ट कैंसर (स्तन कैंसर)। आपके पास सबूत के दो मुख्य स्रोत हैं:

क्राइम सीन फोटोज़ (अपराध स्थल की तस्वीरें): ट्यूमर टिश्यू की हाई-रिज़ॉल्यूशन इमेज (जिन्हें होल स्लाइड इमेजेस या WSIs कहा जाता है)। ये विशाल, गीगापिक्सेल आकार की तस्वीरें हैं जिनमें आप व्यक्तिगत कोशिकाओं को देखने के लिए ज़ूम इन कर सकते हैं।
गवाहों के बयान: रोगी के डीएनए और आरएनए (जिसे "ओमिक्स" कहा जाता है) से प्राप्त आणविक डेटा। यह बताता है कि कैंसर कोशिकाएं आनुवंशिक स्तर पर क्या कर रही हैं।

वर्तमान जासूसी विधियों के साथ समस्या यह है कि वे अक्सर तस्वीरों और गवाहों के बयानों को अलग-अलग देखते हैं, या वे बस अंदाज़ा लगाते हैं कि फोटो का कौन सा हिस्सा महत्वपूर्ण है। वे फोटो में किसी चमकीले, रंगीन धब्बे पर ज़ूम कर सकते हैं जो दिलचस्प दिखता है, लेकिन वह विशिष्ट आनुवंशिक सुरागों के लिए प्रासंगिक नहीं हो सकता है।

HERO एक नया जासूसी सिस्टम है जो खेल बदल देता है। अंदाज़ा लगाने के बजाय, HERO "गवाहों के बयानों" (जेनेटिक डेटा) का उपयोग करके एक विशिष्ट परिकल्पना (hypothesis) लिखता है कि "क्राइम सीन" (टिश्यू इमेज) को कैसा दिखना चाहिए। फिर यह ठीक उन्हीं विशेषताओं की तलाश करता है।

HERO कैसे काम करता है, इसे सरल चरणों में यहाँ दिया गया है:

1. द "इंटेंट वेक्टर" (जासूस की विशलिस्ट)

सबसे पहले, HERO रोगी के जेनेटिक डेटा (DNA मिथाइलेशन और miRNA) को पढ़ता है। यह केवल नंबरों को नहीं पढ़ता; यह उन्हें एक 16-बिंदु चेकलिस्ट में अनुवादित करता है कि टिश्यू को कैसा दिखना चाहिए।

उपमा: कल्पना कीजिए कि जेनेटिक डेटा जासूस को बताता है, "संदेशित व्यक्ति आक्रामक होने की संभावना है और उसमें कोशिका विभाजन (cell division) बहुत अधिक होगा।" सिस्टम इस जानकारी को एक विशिष्ट विशलिस्ट में बदल देता है: "उच्च कोशिका घनत्व, तीव्र विभाजन के संकेत और विशिष्ट संरचनात्मक अराजकता की तलाश करें।"
इस विशलिस्ट को इंटेंट वेक्टर (Intent Vector) कहा जाता है। यह रैंडम अंदाज़े के बजाय जीव विज्ञान पर आधारित एक सख्त, पूर्व-निर्धारित योजना है।

2. द "कीवर्ड सर्च" (सही फोटो खोजना)

टिश्यू इमेज इतनी बड़ी होती है कि उसके हर एक पिक्सेल को देखना संभव नहीं है। इसलिए, HERO पहले इमेज से 300 छोटे "सैंपल" पैच चुनता है।

यह एक AI (विजुअल लैंग्वेज मॉडल) से प्रत्येक पैच के लिए एक छोटा कैप्शन लिखने को कहता है, जो यह वर्णन करता है कि वह क्या देख रहा है (जैसे, "बहुत सारी मृत कोशिकाएं," "घने समूह," "सूजन")।
फिर, यह इंटेंट वेक्टर की चेकलिस्ट को इन कैप्शंस के साथ मिलाने के लिए एक क्लासिक सर्च इंजन तकनीक (TF-IDF) का उपयोग करता है।
यह उन शीर्ष 64 पैच को चुनता है जो जेनेटिक सुरागों से सबसे अच्छी तरह मेल खाते हैं।

3. द "कंसिस्टेंसी गेट" (रियलिटी चेक)

यह सबसे चतुर हिस्सा है। शीर्ष 64 पैच चुनने के बाद, HERO जाँच करता है: "जो हम वास्तव में इन तस्वीरों में देख रहे हैं, क्या वह हमारी जेनेटिक परिकल्पना से मेल खाता है?"

यह एक "कंसिस्टेंसी स्कोर" की गणना करता है। यदि स्कोर उच्च है, तो बहुत अच्छा! तस्वीरें जेनेटिक्स की पुष्टि करती हैं।
"डेफिसिट-ड्रिवन रिपेयर" (कमी-आधारित सुधार): यदि स्कोर कम है (यानी, फोटो जेनेटिक सुरागों से मेल नहीं खाते), तो सिस्टम हार नहीं मानता। यह पता लगाता है कि क्या गायब है (जैसे, "हमारे पास सूजन तो बहुत है, लेकिन कोशिका विभाजन के संकेत गायब हैं")।
इसके बाद, यह वापस जाता है, उन 32 नए पैच को ढूंढता है जो विशेष रूप से उन खाली जगहों को भरते हैं, और उन्हें बदल देता है।
उपमा: कल्पना कीजिए कि आप बॉक्स पर दी गई तस्वीर के आधार पर एक पहेली (puzzle) बना रहे हैं। आप टुकड़े रखते हैं, लेकिन आसमान वाला हिस्सा गायब है। बजाय इसके कि आप अधूरी पहेली को देखते रहें, आप वापस बॉक्स के पास जाते हैं, उन विशिष्ट "आसमान" वाले टुकड़ों को ढूंढते हैं जिन्हें आपने छोड़ दिया था, और उन्हें बदल देते हैं। आप इसे केवल एक बार करते हैं ताकि यह कुशल बना रहे।

4. अंतिम निदान (Final Diagnosis)

एक बार जब HERO के पास 64 इमेज पैच का एक आदर्श, सत्यापित सेट होता है जो जेनेटिक सुरागों से मेल खाता है, तो यह इस "एविडेंस मोज़ेक" को एक अंतिम AI डॉक्टर को भेज देता है।

यह AI सत्यापित साक्ष्यों और जेनेटिक कहानी को एक साथ देखता है और अंतिम निदान करता है (जैसे ट्यूमर का प्रकार, जोखिम स्तर या उपचार के प्रति प्रतिक्रिया का अनुमान लगाना)।

यह बेहतर क्यों है?

कोई अंदाज़ा नहीं: पुराने तरीके अक्सर इमेज में सुंदर रंगों से विचलित हो जाते हैं। HERO केवल उन्हीं चीजों को देखता है जो जेनेटिक्स कहती हैं कि महत्वपूर्ण हैं।
ऑडिट करने योग्य (Auditable): क्योंकि सिस्टम एक चेकलिस्ट और विशिष्ट कीवर्ड का उपयोग करता है, आप देख सकते हैं कि इसने कुछ निश्चित पैच क्यों चुने। यह एक "ब्लैक बॉक्स" नहीं है; यह एक पारदर्शी प्रक्रिया है।
स्व-सुधार (Self-Correcting): यदि पहली खोज कुछ मिस कर देती है, तो "रिपेयर" चरण इसे स्वचालित रूप से ठीक कर देता है।

परिणाम

शोधकर्ताओं ने इसका परीक्षण 930 ब्रेस्ट कैंसर मामलों पर किया। HERO ने अन्य सभी तरीकों को पीछे छोड़ दिया, जिसमें वे तरीके भी शामिल हैं जो केवल सभी डेटा को मिला देते हैं या बिना इस विशिष्ट "हाइपोथेसिस-ड्रिवन" सर्च के शक्तिशाली AI का उपयोग करते हैं।

यह विशेष रूप से उन कठिन मामलों के लिए बहुत प्रभावी था जहाँ दृश्य संकेत दुर्लभ या बिखरे हुए होते हैं (जैसे HER2 स्टेटस या जोखिम का अनुमान लगाना)।
इसने साबित कर दिया कि विजुअल साक्ष्य की खोज को निर्देशित करने के लिए जेनेटिक्स का उपयोग करना, केवल तस्वीरों या जेनेटिक्स को अलग-अलग देखने की तुलना में कहीं अधिक स्मार्ट है।

संक्षेप में: HERO एक ऐसा जासूस है जो संदिग्ध के जेनेटिक प्रोफाइल का उपयोग करके एक विशिष्ट "वांटेड" पोस्टर बनाता है, अपराध स्थल की तस्वीरों में ठीक उसी चीज़ की तलाश करता है जो उस पोस्टर पर है, यह दोबारा जाँच करता है कि क्या तस्वीरें विवरण से मेल खाती हैं, और यदि कुछ भी गायब है तो अपनी खोज को ठीक करता है, और यह सब अंतिम गिरफ्तारी (निदान) करने से पहले करता है।

तकनीकी सारांश: HERO – मल्टी-टास्क ब्रेस्ट कैंसर विश्लेषण के लिए ओमिक्स से परिकल्पना-संचालित साक्ष्य पुनर्प्राप्ति (Hypothesis-Driven Evidence Retrieval from Omics)

समस्या विवरण

ब्रेस्ट कैंसर के निदान के लिए H&E होल-स्लाइड इमेजेस (WSIs) और आणविक बायोमार्कर (ER/PR/HER2, सबटाइप, प्रोग्नोसिस) से साक्ष्य को संश्लेषित करने की आवश्यकता होती है। हालांकि मेल किए गए मल्टी-ओमिक्स डेटा से भविष्यवाणी में सुधार हो सकता है, मौजूदा पाइपलाइनें तीन प्राथमिक सीमाओं का सामना करती हैं:

कमजोर रूप से पर्यवेक्षित (Weakly Supervised) MIL: यह स्लाइड-स्तरीय लेबल पर निर्भर करता है जहाँ अटेंशन मैकेनिज्म पोस्ट-हॉक होते हैं और साक्ष्य पर्याप्तता को सत्यापित करने में विफल रहते हैं, जिससे अक्सर गैर-नैदानिक क्षेत्रों को हाइलाइट किया जाता है जो इंट्रा-ट्यूमरल विषमता (heterogeneity) के कारण होता है।
VLM-आधारित रीडर्स: हालांकि वे पठन (reading) को स्पष्ट बनाते हैं, वे अक्सर प्रॉम्प्ट-स्तरीय मार्गदर्शन पर निर्भर करते न कि निश्चित, आणविक रूप से अनुकूलित पुनर्प्राप्ति पूर्ववृत्तों (retrieval priors) पर, जिससे दृश्य रूप से प्रमुख लेकिन एंडपॉइंट-अप्रासंगिक क्षेत्रों की ओर झुकाव होता है।
मल्टीमॉडल फ्यूजन: यह ओमिक्स को समानांतर फीचर स्ट्रीम या संलग्न टेक्स्ट के रूप में मानता है, यह विफल रहता है कि ओमिक्स का उपयोग यह नियंत्रित करने के लिए किया जाए कि किन क्षेत्रों को पुनर्प्राप्त किया जाना चाहिए या उस पुनर्प्राप्ति की पूर्णता को सत्यापित करने के लिए।

मुख्य चुनौती एंडपॉइंट-जागरूक साक्ष्य पुनर्प्राप्ति (endpoint-aware evidence retrieval) है, जो गीगापिक्सेल WSIs पर सुनिश्चित करती है कि देखा गया मॉर्फोलॉजी स्पष्ट रूप से आणविक निष्कर्ष का समर्थन करता है, जिससे एक ऑडिट करने योग्य साक्ष्य मार्ग बनता है।

कार्यप्रणाली: HERO पाइपलाइन

HERO (Hypothesis-Driven Evidence Retrieval from Omics) एक चार-चरणीय, क्लोज्ड-लूप पाइपलाइन है जो देखे गए ओमिक्स को एक परीक्षण योग्य मॉर्फोलॉजी परिकल्पना के रूप में मानती है। यह एक साझा 16-आयामी साक्ष्य स्थान ( $K=16$ ) में संचालित होती है।

चरण 1: ओमिक्स से इरादा (Intent) और कीवर्ड्स

पाथवे स्कोरिंग: DNA मिथाइलेशन ( $x_{dna}$ ) और miRNA ( $x_{mirna}$ ) वेक्टर्स को z-नॉर्मलाइज किया जाता है। पाथवे स्कोर को MSigDB हॉलमार्क जीन सेट और वैलिडेटेड miRNA-टारगेट इंटरैक्शन से प्राप्त पूर्व-निर्धारित बाइनरी मास्क का उपयोग करके कंप्यूट किया जाता है। स्कोरिंग हाइपरमिथाइलेशन और miRNA-मध्यस्थ दमन को पाथवे डाउन-रेगुलेशन में मैप करती है।
मॉर्फोलॉजी प्रायर ( $W$ ): एक निश्चित, हस्ताक्षरित, भारित स्पार्स प्रायर मैट्रिक्स ( $W \in \mathbb{R}^{K \times P}$ ) 50 पाथवे स्कोर को 16 मॉर्फोलॉजी अक्षों (जैसे, माइटोटिक गतिविधि, न्यूक्लियर प्लेओमोर्फिज्म, स्ट्रोमल डेस्मोप्लासिया) में मैप करता है। यह प्रायर WHO शब्दावली और जैविक जुड़ाव (जैसे, E2F/MYC $\to$ प्रोलिफरेशन) द्वारा निर्देशित है और इसे कभी भी एंडपॉइंट लेबल के साथ ऑप्टिमाइज़ नहीं किया जाता है, जिससे इसका मैपिंग ऑडिट करने योग्य और फोल्ड-इनवेरिएंट बना रहता है।
इरादा (Intent) जनरेशन: इरादा वेक्टर $m$ को $m = \ell_2\text{-normalize}(\text{ReLU}(Ws))$ के माध्यम से जनरेट किया जाता है। एक कमेटी ऑफ LLM कॉल्स पाथवे और अक्षों पर आधारित एक आणविक नैरेटिव और एक स्ट्रक्चर्ड कीवर्ड सेट $Q$ (15–40 शब्द) जनरेट करती है।

चरण 2: 10× पुनर्प्राप्ति (300 $\to$ Top-64)

प्रतिनिधि माइनिंग (Representative Mining): WSI को UNI एम्बेडिंग्स के साथ एनकोड किया जाता है। वैश्विक मॉर्फोलॉजिकल विविधता को कवर करने वाले 300 प्रतिनिधि पैच चुनने के लिए MiniBatchKMeans ( $k=300$ ) इन्हें क्लस्टर करता है।
कैप्शनिंग और रैंकिंग: इन 300 पैच को 10× आवर्धन (magnification) पर फिर से देखा जाता है और एक स्ट्रक्चर्ड प्रॉम्प्ट का उपयोग करके एक VLM (Qwen2.5-VL-7B) द्वारा कैप्शन किया जाता है। एक TF-IDF वेक्टराइज़र (प्रति स्लाइड फिट किया गया) इन कैप्शन को कीवर्ड सेट $Q$ के विरुद्ध रैंक करता है। शीर्ष 64 पैच प्रारंभिक साक्ष्य सेट बनाते हैं।

चरण 3: 20× कंसिस्टेंसी गेट और डेफिसिट-ड्रिवन रिपेयर

विजुअल एविडेंस वेक्टर ( $v$ ): शीर्ष 64 पैच को 20× पर क्रॉप किया जाता है, उन्हें 8×8 मोज़ेक में व्यवस्थित किया जाता है, और साइटोलॉजिकल फीचर्स पर ध्यान केंद्रित करते हुए फिर से कैप्शन किया जाता है। एक विजुअल एविडेंस वेक्टर $v \in \mathbb{R}^K$ का निर्माण कैप्शन में प्रत्येक 16 अक्षों के लिए चेकलिस्ट शब्दों की उपस्थिति की जाँच करके किया जाता है।
कंसिस्टेंसी गेट: एक कोसाइन सिमिलरिटी स्कोर $c = \cos(m, v)$ आणविक इरादे और विजुअल साक्ष्य के बीच संरेखण को मापता है।
डेफिसिट-ड्रिवन रिपेयर (Deficit-Driven Repair): यदि $c < \tau_c$ (थ्रेशोल्ड $\tau_c=0.5$ ), तो सिस्टम उन अंडर-सपोर्टेड अक्षों ( $m - v$ ) की पहचान करता है। यह शेष अन-सिलेक्टेड रिप्रेजेंटेटिव्स को उनके द्वारा इन डेफिसिट को कवर करने की क्षमता के आधार पर पुन: रैंक करता है, मूल 64 के साथ शीर्ष 32 रिपेयर कैंडिडेट को मर्ज करता है, और एक अतिरिक्त 20× कैप्शनिंग पास करता है। कोई अन्य रिपेयर राउंड नहीं होता है।

चरण 4: डायग्नोसिस मॉड्यूल

अंतिम मोज़ेक, आणविक नैरेटिव और कंसिस्टेंसी सारांश को एक LoRA-ट्यून किए गए Qwen2.5-VL-7B में फीड किया जाता है। मॉडल ER, PR, HER2, सबटाइप और रिस्क के लिए स्ट्रक्चर्ड JSON भविष्यवाणियाँ आउटपुट करता है। केवल इसी चरण को ट्यून किया गया है; चरण 1–3 फिक्स्ड रिट्रीवल और वेरिफिकेशन मॉड्यूल बने रहते हैं।

मुख्य योगदान

ओमिक्स-निर्देशित पुनर्प्राप्ति: DNA मिथाइलेशन और miRNA को एक स्पार्स पाथवे-टू-मॉर्फोलॉजी इंटेंट वेक्टर में परिवर्तित करना, जो एम्बेडिंग-आधारित सिमेंटिक मैचिंग के बजाय स्ट्रक्चर्ड कैप्शन पर TF-IDF के माध्यम से एंडपॉइंट-जागरूक पैच चयन को सक्षम बनाता है।
कंसिस्टेंसी गेट के साथ नियतात्मक (Deterministic) रिपेयर: आणविक-विजुअल मिसमैच का पता लगाने के लिए एक कोसाइन गेट पेश करता है। जब मिसमैच का पता चलता है, तो एक नियतात्मक, डेफिसिट-ड्रिवन री-रैंकिंग तंत्र उन पैच को पुनर्प्राप्त करता है जो अंडर-सपोर्टेड मॉर्फोलॉजी अक्षों को कवर करते हैं, जिससे कंप्यूट को एक सिंगल रिपेयर राउंड तक सीमित किया जाता है।
मजबूती और ऑडिटेबिलिटी: डिज़ाइन VLM कॉल्स को सीमित करता है, ब्लैक-बॉक्स सिमेंटिक मैचिंग पर निर्भरता कम करता है, और यह सुनिश्चित करता है कि प्रत्येक पुनर्प्राप्ति प्रक्रिया लेक्सिकली ऑडिट करने योग्य है। फिक्स्ड प्रायर $W$ शॉर्टकट लर्निंग को रोकता है और सुनिश्चित करता है कि मैपिंग व्याख्या योग्य है।

प्रयोगात्मक परिणाम

TCGA-BRCA (930 WSIs, 878 पेशेंट्स) पर रोगी-स्तरीय 5-फोल्ड क्रॉस-वैलिडेशन के साथ मूल्यांकन किया गया:

स्टेट-ऑफ-द-आर्ट प्रदर्शन: HERO ने सभी एंडपॉइंट्स: ER, PR, HER2, सबटाइप और रिस्क में सभी बेसलाइन्स (SNN, TransMIL, MCAT, SurvPath और VLM-आधारित एजेंट्स सहित) को पछाड़ दिया।
- उल्लेखनीय लाभ HER2 (+0.050 AUC over SurvPath) और रिस्क (+0.030 C-index) में देखे गए, जहाँ मॉर्फोलॉजी स्पार्स और हेट्रोजेनियस होती है।
एब्लेशन स्टडीज (Ablation Studies):
- रिट्रीवल मैकेनिज्म: HERO के रिट्रीवल को TransMIL अटेंशन या रैंडम सैंपलिंग से बदलने पर प्रदर्शन में काफी गिरावट आई (उदाहरण के लिए, HERO ने HER2 में VLM + TransMIL Top-64 पर +0.090 का सुधार किया), जो पुष्टि करता है कि लाभ आणविक-निर्देशित पुनर्प्राप्ति से आते हैं।
- घटक (Components): कंसिस्टेंसी गेट को हटाने से HER2 AUC में 0.043 की कमी आई। रैंडम पैच रिपेयर ने प्रदर्शन का केवल एक अंश ही रिकवर किया, जिससे सिद्ध हुआ कि डेफिसिट-ड्रिवन री-रैंकिंग महत्वपूर्ण है।
- संवेदनशीलता: सिस्टम प्रायर $W$ में व्यवधानों (शोर/ड्रॉपआउट के कारण $\le 0.009$ गिरावट) के प्रति मजबूत है, जबकि पाथवे-टू-एक्सिस असाइनमेंट को बदलने से महत्वपूर्ण गिरावट आई, जो यह प्रमाणित करता है कि $W$ सूचनात्मक जैविक संरचना को एनकोड करता है।

महत्व और दावे

पेपर दावा करता है कि HERO एक नया प्रतिमान स्थापित करता है जहाँ ओमिक्स डेटा केवल एक समानांतर फीचर स्ट्रीम के रूप में नहीं, बल्कि एक स्पष्ट रिट्रीवल कंस्ट्रेंट और वेरिफिकेशन मैकेनिज्म के रूप में कार्य करता है। आणविक परिकल्पनाओं और विजुअल साक्ष्य के बीच लूप को बंद करके, HERO उच्च-प्रदर्शन वाला मल्टी-टास्क ब्रेस्ट कैंसर विश्लेषण सिस्टम प्राप्त करता है जो व्याख्या योग्य है।

लेखक स्पष्ट रूप से सीमाओं को नोट करते हैं:

मूल्यांकन आंतरिक TCGA-BRCA क्रॉस-वैलिडेशन तक सीमित है; विभिन्न संस्थानों, स्कैनर्स और आबादी में मजबूती स्थापित नहीं की गई है।
16-अक्ष वाली चेकलिस्ट ब्रेस्ट कैंसर के लिए विशिष्ट है और अन्य ट्यूमर प्रकारों के लिए इसके ऑडिट की आवश्यकता है।
VLM कैप्शन त्रुटिपूर्ण हो सकते हैं; हालांकि स्ट्रक्चर्ड प्रॉम्प्ट साक्ष्य को निरीक्षण योग्य बनाते हैं, वे पैथोलॉजिकल शुद्धता की गारंटी नहीं देते हैं।
इन्फरेंस लागत अधिक है (2×A100 पर 57s/WSI), जिसके लिए क्लिनिकल डिप्लॉयमेंट के लिए तेज़ मल्टी-स्टेज VLM इन्फरेंस की आवश्यकता है।

कार्य यह निष्कर्ष निकालता है कि ओमिक्स को इंटेंट में मैप करना, कैप्शन के माध्यम से TF-IDF द्वारा रिट्रीवल करना, और कोसाइन गेट के साथ संरेखण को सत्यापित करना, एक मजबूत, व्याख्या योग्य और उच्च-प्रदर्शन वाला मल्टी-टास्क ब्रेस्ट कैंसर विश्लेषण सिस्टम बनाने की अनुमति देता है।