PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning
यह अध्ययन प्रदर्शित करता है कि जबकि PET/CT-आधारित डीप लर्निंग NSCLC म्यूटेशन की भविष्यवाणी कर सकता है, मल्टी-लेबल लर्निंग की प्रभावशीलता विशिष्ट जीन युग्म (जीन पेयर) के आधार पर काफी भिन्न होती है, जिसमें KRAS और TP53 का संयुक्त पूर्वानुमान एकल-जीन वर्गीकरण की तुलना में सुधार दिखाता 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
कल्पना कीजिए कि आप एक जासूस हैं जो एक मरीज के शरीर के भीतर किसी रहस्य को सुलझाने की कोशिश कर रहे हैं। आमतौर पर, यह पता लगाने के लिए कि कैंसर कैसे व्यवहार करेगा, डॉक्टरों को बायोप्सी करनी पड़ती है। यह एक अंधेरी गुफा में एक छोटी सी जांच भेजने और वहां से एक अकेला पत्थर उठाने जैसा है; यह आपको उस विशिष्ट स्थान के बारे में कुछ बताता है, लेकिन यह गुफा के बाकी रहस्यों को मिस कर सकता है, और यह दर्दनाक और जोखिम भरा भी हो सकता है। अब, कल्पना कीजिए कि यदि आप पूरी गुफा की एक सुपर-पावर्ड तस्वीर ले सकें और एक स्मार्ट कंप्यूटर का उपयोग करके यह अनुमान लगा सकें कि अंदर के पत्थर किस चीज से बने हैं, वह भी बिना उन्हें छुए। यह रेडियोजेनोमिक्स (radiogenomics) की दुनिया है। यह एक ऐसा क्षेत्र है जहाँ वैज्ञानिक उन चित्रों (जैसे PET/CT स्कैन, जो ट्यूमर के आकार और ऊर्जा के लिए उसकी भूख, दोनों को दिखाते हैं) को ट्यूमर कोशिकाओं के भीतर छिपे जेनेटिक कोड से जोड़ने की कोशिश करते हैं। बड़ा सवाल यह है: क्या एक कंप्यूटर इन चित्रों को देखकर यह बता सकता है कि कौन से विशिष्ट जेनेटिक "स्विच" चालू या बंद हैं? यदि यह कर सकता है, तो यह डॉक्टरों को बिना किसी आक्रामक सर्जरी के प्रत्येक रोगी के लिए सही दवा चुनने में मदद कर सकता है।
यह शोध पत्र इस बारे में है कि शोधकर्ताओं की एक टीम ने इस कंप्यूटर जासूसी कार्य के लिए एक नई रणनीति का परीक्षण करने का निर्णय लिया। उन्होंने नॉन-स्मॉल सेल लंग कैंसर (NSCLC) पर ध्यान केंद्रित किया, जो फेफड़ों के कैंसर का एक सामान्य प्रकार है, और तीन विशिष्ट जेनेटिक स्विचों पर नज़र डाली: EGFR, KRAS, और TP53। इन स्विचों को एक जटिल मशीन के विभिन्न सेटिंग्स की तरह समझें; यह जानना कि कौन से सक्रिय हैं, डॉक्टरों को सबसे अच्छा उपचार तय करने में मदद करता है। शोधकर्ताओं ने एक चतुर प्रश्न पूछा: क्या कंप्यूटर को एक बार में एक स्विच का अनुमान लगाना सिखाना बेहतर है, या उसे एक ही समय में दो स्विचों का अनुमान लगाने की कोशिश करनी चाहिए? वे इसे "मल्टी-लेबल लर्निंग" कहते हैं। यह एक छात्र को गणित की परीक्षा देने के लिए कहने जैसा है जहाँ उसे एक साथ दो संबंधित समस्याओं को हल करना होता है, इस उम्मीद में कि एक को हल करने से उसे दूसरा समझने में मदद मिलेगी।
टीम ने यूके (UK) के एक विशेष डेटासेट का उपयोग किया जिसमें फेफड़ों के कैंसर के पुष्टि किए गए 263 मरीज थे। उन्होंने एक डीप लर्निंग मॉडल (एक प्रकार का AI जो हजारों उदाहरणों को देखकर सीखता है) को प्रशिक्षित किया ताकि वह PET/CT छवियों को देख सके और इन जीनों की स्थिति का अनुमान लगा सके। उन्होंने दो दृष्टिकोणों की तुलना की: एक जहाँ AI ने प्रत्येक जीन के बारे में अलग से सीखा, और दूसरा जहाँ उसने जीनों के जोड़ों (pairs) के बारे में एक साथ सीखा।
यहाँ उन्हें क्या मिला, और यह परिणामों के एक मिश्रित बैग जैसा है। जब उन्होंने AI से एक साथ KRAS और TP53 स्विचों का अनुमान लगाने के लिए कहा, तो वास्तव में वह दोनों में बेहतर हो गया! KRAS स्विच को पहचानने की कंप्यूटर की क्षमता 0.58 से बढ़कर 0.64 हो गई, और TP53 के लिए, यह 0.69 से बढ़कर 0.71 हो गई। ऐसा लगता है कि इस विशिष्ट जोड़ी के लिए, एक जीन के सुरागों ने कंप्यूटर को दूसरे को समझने में मदद की, जैसे दो दोस्त पहेली सुलझाने में एक-दूसरे की मदद कर रहे हों।
हालाँकि, कहानी तब बदल जाती है जब उन्होंने अन्य जोड़ियों को आज़माया। जब उन्होंने AI को एक साथ EGFR और KRAS का अनुमान लगाने के लिए कहा, तो कंप्यूटर EGFR को पहचानने में तो बेहतर हुआ लेकिन KRAS को पहचानने में वास्तव में खराब हो गया। ऐसा लगता है जैसे कंप्यूटर EGFR के सुरागों पर इतना केंद्रित हो गया कि वह KRAS के बारे में भ्रमित हो गया। और जब उन्होंने EGFR और TP53 की जोड़ी को आज़माया, तो जॉइंट लर्निंग (संयुक्त शिक्षण) ने कोई मदद नहीं की; कंप्यूटर ने उनके बारे में अलग-अलग सीखने पर बेहतर प्रदर्शन किया।
शोधकर्ता सुझाव देते हैं कि इसका मतलब यह है कि AI को इन जेनेटिक स्विचों को पढ़ने के लिए सिखाने का कोई "एक ही नियम सबके लिए" (one-size-fits-all) नहीं है। कभी-कभी, दो चीजों को एक साथ सीखना मदद करता है, और कभी-कभी यह बाधा बनता है। वे निष्कर्ष निकालते हैं कि हमेशा एक साथ कई जीनों का अनुमान लगाने के बजाय, डॉक्टरों और वैज्ञानिकों को उस रणनीति को चुनना चाहिए जो विशिष्ट जीनों को देख रहे हैं, उसके आधार पर हो। कुछ संयोजनों के लिए, टीम वर्क काम करता है; अन्य के लिए, अकेले काम करना बेहतर है। यह अध्ययन यह साबित नहीं करता है कि हम अभी बायोप्सी को बदल सकते हैं, लेकिन यह सुझाव देता है कि यदि हम छवियों से जेनेटिक्स का अनुमान लगाने के लिए AI का उपयोग करना चाहते हैं, तो हमें कंप्यूटर को सिखाने के तरीके के बारे में बहुत सावधान रहने की आवश्यकता है, यानी विधि को उस विशिष्ट जेनेटिक रहस्य के अनुरूप होना चाहिए जिसे हम सुलझाने की कोशिश कर रहे हैं।
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।