Multiparametric MRI Radiomics and Machine Learning Framework for Predicting Treatment Response in Glioblastoma

कल्पना कीजिए कि आप एक जासूस हैं जो एक मरीज के मस्तिष्क के भीतर एक रहस्य को सुलझाने की कोशिश कर रहे हैं। संदिग्ध एक उग्र और आक्रामक ब्रेन ट्यूमर है जिसे 'ग्लायोब्लास्टोमा' (Glioblastoma) कहा जाता है। जब डॉक्टर सर्जरी करते हैं और उस क्षेत्र पर रेडिएशन और कीमोथेरेपी की बौछार करते हैं, तो वे यह देखने के लिए एक नया एमआरआई (MRI) स्कैन लेते हैं कि क्या काम पूरा हो गया है। लेकिन पेचीदा हिस्सा यह है कि कभी-कभी, स्कैन में एक चमकीला, डरावना धब्बा दिखाई देता है जो बिल्कुल वैसा ही लगता है जैसे ट्यूमर वापस बढ़ रहा हो। दूसरी ओर, वही चमकीला धब्बा वास्तव में उपचार के कारण लगी एक "चोट" या सूजन भी हो सकती है जो समय के साथ अपने आप ठीक हो जाएगी। चिकित्सा जगत में, पहले परिदृश्य को "ट्रू प्रोग्रेशन" (True Progression - बुरा समाचार) कहा जाता है, और दूसरे को "स्यूडो-प्रोग्रेशन" (Pseudo-Progression - अच्छा समाचार) कहा जाता है।

समस्या यह है कि मानक एमआरआई चित्र दोनों के लिए लगभग एक जैसे दिखते हैं। यह एक धुंधली तस्वीर को देखकर एक असली ड्रैगन और एक बहुत ही विश्वसनीय ड्रैगन कॉस्ट्यूम के बीच अंतर करने जैसा है। यदि डॉक्टर गलत अनुमान लगाते हैं, तो वे मरीज को ऐसी कठोर दवा दे सकते हैं जिसकी उन्हें आवश्यकता नहीं है, या यदि वे बहुत देर तक इंतजार करते हैं तो वास्तव में ट्यूमर हमला कर रहा हो सकता है। इस समस्या को हल करने के लिए, वैज्ञानिक "डायनेमिक कंट्रास्ट-एनहैंस्ड" (DCE) इमेजिंग नामक एमआरआई का एक विशेष प्रकार उपयोग करते हैं। इसे ऐसे समझें जैसे आप रक्तप्रवाह में एक चमकता हुआ रंग (dye) इंजेक्ट करते हैं और देखते हैं कि वह मस्तिष्क के ऊतकों में कैसे बहता है। इस बात का विश्लेषण करके कि रंग रक्त वाहिकाओं से कितनी तेजी से लीक होकर ऊतकों में जाता है, वे यह जानने के संकेत प्राप्त कर सकते हैं कि ऊतक एक अराजक, बढ़ते हुए ट्यूमर हैं या केवल एक ठीक हो रही चोट। यह शोध पत्र इस बात पर चर्चा करता है कि इन रंग-प्रवाह के संकेतों को पहले की तुलना में बहुत बेहतर तरीके से पढ़ने के लिए कंप्यूटर गणित और आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे किया जाए।

स्मार्ट मॉडल की कहानी

इस अध्ययन में, भारतीय सांख्यिकीय संस्थान के एक शोधकर्ता सुचिब्रत पात्रा ने एक विशिष्ट प्रकार के ब्रेन ट्यूमर (IDH-wildtype Glioblastoma) वाले 82 वयस्क रोगियों में ट्रू प्रोग्रेशन और स्यूडो-प्रोग्रेशन के बीच अंतर करने की पहेली को सुलझाया। टीम यह देखना चाहती थी कि क्या वे एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम बना सकते हैं जो एमआरआई डाई-फ्लो मैप्स को देख सके और सही उत्तर का अनुमान लगा सके, जो वर्तमान तरीकों से भी बेहतर हो।

पुराना तरीका बनाम नया तरीका
पहले, वैज्ञानिक इन एमआरआई मैप्स का विश्लेषण करने के लिए एक एकल, कठोर गणितीय नियम पुस्तिका (जिसे "एक्सटेंडेड टॉफ्ट्स मॉडल" कहा जाता है) का उपयोग करने की कोशिश करते थे। कल्पना कीजिए कि आप पूरे देश के मौसम का वर्णन केवल एक ही थर्मामीटर रीडिंग का उपयोग करके करने की कोशिश कर रहे हैं। यह अच्छी तरह से काम नहीं करता क्योंकि पहाड़ों का मौसम समुद्र तट के मौसम से अलग होता है। ब्रेन ट्यूमर भी ऐसे ही होते हैं; वे अव्यवस्थित होते हैं और उनमें कई अलग-अलग सूक्ष्म वातावरण होते हैं। पुराना तरीका पूरे ट्यूमर पर एक ही नियम पुस्तिका लागू करने के लिए मजबूर करता था, जिससे अक्सर भ्रमित करने वाले या गलत परिणाम मिलते थे।

इस शोध पत्र में, लेखक ने एक बहुत अधिक लचीला दृष्टिकोण अपनाया। पूरे ट्यूमर के लिए एक ही नियम पुस्तिका का उपयोग करने के बजाय, कंप्यूटर एमआरआई स्कैन के प्रत्येक छोटे पिक्सेल (वोक्सेल) को व्यक्तिगत रूप से देखता है। प्रत्येक पिक्सेल के लिए, यह पांच अलग-अलग गणितीय नियम पुस्तिकाओं का परीक्षण करता है ताकि यह देखा जा सके कि कौन सी डाई-फ्लो डेटा के साथ सबसे अच्छा फिट बैठती है। फिर यह उस विशिष्ट पिक्सेल के लिए विजेता चुनता है, जिससे एक "पार्सीमोनियस" (या सरल और कुशल) मैप बनता है जो स्थानीय स्थितियों के अनुकूल होता है। यह मौसम विज्ञानियों की एक टीम होने जैसा है, जहाँ प्रत्येक व्यक्ति केवल अपने अपने क्षेत्र के मौसम को देखता है और वहां की रिपोर्ट देता है, न कि एक व्यक्ति पूरे महाद्वीप के लिए अनुमान लगाता है।

सामग्री (Ingredients)
अपने कंप्यूटर को प्रशिक्षित करने के लिए, शोधकर्ताओं ने तीन मुख्य प्रकार के सुराग एकत्र किए:

1. डाई-फ्लो मैप्स: उन्होंने नए, लचीले मैप्स से सैकड़ों सूक्ष्म विवरण (जिन्हें "रेडियोमिक फीचर्स" कहा जाता है) निकाले। ये विवरण केवल इस बारे में नहीं थे कि छवि कितनी चमकीली है; वे रंग के प्रवाह के आकार, बनावट और पैटर्न को देखते थे, जैसे कि चित्र में कितने उभार या चिकने पैच हैं।
2. आणविक सुराग: उन्होंने रोगी की "MGMT स्थिति" को शामिल किया। यह एक आनुवंशिक परीक्षण है जो पहले से ही इन रोगियों के लिए नियमित रूप से किया जाता है। यह डॉक्टरों को बताता है कि क्या ट्यूमर में एक विशिष्ट रासायनिक टैग है जो उसे उपचार के प्रति अलग तरह से प्रतिक्रिया करने के लिए प्रेरित करता है। इसे संदिग्ध के आईडी कार्ड की जांच करने जैसा समझें ताकि यह देखा जा सके कि उसका कुछ रसायनों के प्रति व्यवहार कैसा है।
3. प्रशिक्षण: उन्होंने "रैंडम फॉरेस्ट" नामक मशीन लर्निंग पद्धति का उपयोग किया, जो 100 अलग-अलग विशेषज्ञों की भीड़ से वोट मांगने जैसा है। कंप्यूटर ने 52 रोगियों से सीखा जिनके पास पुष्ट ऊतक नमूने (स्वर्ण मानक प्रमाण) थे और 30 रोगियों से जहाँ निदान फॉलो-अप स्कैन पर आधारित था।

बड़ी खोजें
परिणाम काफी स्पष्ट थे। पुराने तरीके ने, जो एक एकल कठोर नियम पुस्तिका का उपयोग करता था, केवल 0.68 के सटीकता स्कोर (जिसे AUC कहा जाता है) के साथ दोनों स्थितियों के बीच अंतर करने में सक्षम था। यह सिक्का उछालने से थोड़ा ही बेहतर है। हालांकि, जब उन्होंने नए, लचीले "पिक्सेल-दर-पिक्सेल" दृष्टिकोण पर स्विच किया, तो सटीकता बढ़कर 0.84 हो गई। केवल गणित करने का तरीका बदलकर यह एक बहुत बड़ा सुधार है।

जब उन्होंने MGMT आनुवंशिक सुराग को लचीले गणित के साथ जोड़ा, तो कंप्यूटर और भी तेज हो गया। सर्वश्रेष्ठ मॉडल ने 0.89 का सटीकता स्कोर प्राप्त किया। इसने वास्तव में बढ़ते हुए ट्यूमर वाले 93% रोगियों की सही पहचान की (संवेदनशीलता/sensitivity) और केवल उपचार संबंधी सूजन वाले 76% रोगियों की सही पहचान की (विशिष्टता/specificity)।

कंप्यूटर ने क्या सीखा
शोधकर्ताओं ने अपने विजेता कंप्यूटर मॉडल के अंदर झाँका ताकि यह देखा जा सके कि कौन से सुराग सबसे महत्वपूर्ण थे। उन्होंने पाया कि सबसे महत्वपूर्ण सुराग केवल यह नहीं थे कि कितना रंग लीक हुआ, बल्कि यह था कि रंग कैसे लीक हुआ। विशेष रूप से, "लीकेज" मैप (जिसे Ktrans मैप कहा जाता है) के आकार और बनावट सबसे बड़े विजेता थे।

• ट्रू प्रोग्रेशन एक अराजक, अव्यवस्थित शहर की तरह दिखता था जिसमें टेढ़े-मेढ़े, अनियमित रास्ते और ऊबड़-खाबड़ बनावट थी।
• स्यूडो-प्रोग्रेशन एक चिकने, समान क्षेत्र की तरह दिखता था।
  आनुवंशिक MGMT स्थिति ने थोड़ा मदद की, जो एक सहायक साथी की तरह काम करती थी, लेकिन डाई-फ्लो मैप का आकार मुख्य नायक था।

इसका क्या अर्थ है
यह शोध पत्र सुझाव देता है कि कंप्यूटर को ट्यूमर के हर छोटे स्थान के लिए सबसे अच्छा गणित चुनने देने से, पूरे ट्यूमर पर एक ही गणितीय नियम थोपने के बजाय, डॉक्टर यह स्पष्ट तस्वीर प्राप्त कर सकते हैं कि क्या हो रहा है। यह दृष्टिकोण, एक मानक आनुवंशिक परीक्षण के साथ मिलकर, डॉक्टरों को यह तय करने में मदद कर सकता है कि क्या उन्हें अधिक आक्रामक उपचार देना चाहिए या बस प्रतीक्षा और निगरानी करनी चाहिए, और इसके लिए उन्हें ऊतक का नमूना लेने के लिए जोखिम भरी सर्जरी करने की आवश्यकता नहीं होगी।

लेखक नोट करते हैं कि हालांकि ये परिणाम बहुत आशाजनक हैं, लेकिन ये रोगियों के एक एकल समूह पर आधारित हैं और इन्हें विभिन्न एमआरआई मशीनों का उपयोग करके अधिक लोगों पर परीक्षण करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह तरीका हर जगह काम करता है। लेकिन फिलहाल, यह ब्रेन ट्यूमर देखभाल में "ड्रैगन बनाम कॉस्ट्यूम" के रहस्य को सुलझाने का एक आशाजनक नया तरीका प्रदान करता है।