Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
यह अध्ययन प्रदर्शित करता है कि अनुकूलित डीप लर्निंग मॉडल, विशेष रूप से GoogLeNet और AlexNet, कोलोरेक्टल कैंसर के रोगियों के लिए सीटी-व्युत्पन्न (CT-derived) बॉडी कंपोजिशन विश्लेषण को सटीक और तेजी से स्वचालित कर सकते हैं, जो नैदानिक वर्कफ़्लो में मैनुअल सेगमेंटेशन के लिए आवश्यक समय और विशेषज्ञता को कम करने हेतु एक व्यवहार्य समाधान प्रदान 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 के खिलाफ लड़ाई में, डॉक्टर मरीज के समग्र स्वास्थ्य का आकलन करने के लिए लंबे समय से एक सरल संख्या पर भरोसा करते आए हैं: बॉडी मास इंडेक्स (BMI)। यह गणना, जो किसी व्यक्ति के वजन को उसकी ऊंचाई से विभाजित करती है, एक त्वरित झलक देती है कि कोई व्यक्ति कम वजन वाला है, सामान्य वजन का है, या अधिक वजन वाला है। हालांकि, कोलोरेक्टल कैंसर के मरीजों के लिए, यह संख्या कहानी का केवल एक हिस्सा बताती है। एक व्यक्ति का BMI उच्च हो सकता है और वह अच्छी सेहत में दिख सकता है, जबकि वह गुप्त रूप से 'सार्कोपेनिक ओबेसिटी' नामक एक खतरनाक स्थिति से जूझ रहा हो सकता है। इस अवस्था में, शरीर महत्वपूर्ण मांसपेशियों के ऊतकों (muscle tissue) को काफी मात्रा में खो देता है, जिसकी जगह वसा (fat) ले लेती है। यह छिपा हुआ मांसपेशियों का नुकसान खराब जीवित रहने की दर और जीवन की निम्न गुणवत्ता का एक मजबूत संकेतक है, फिर भी मानक वजन चार्ट इसे नहीं देख पाते। मरीज की शारीरिक शक्ति को वास्तव में समझने के लिए, डॉक्टरों को शरीर के भीतर देखना होगा ताकि मांसपेशियों और वसा की वास्तविक मात्रा को मापा जा सके।
द दशकों से, इस आंतरिक परिदृश्य को देखने का सबसे सटीक तरीका कंप्यूटेड टोमोग्राफी (CT) स्कैन रहा है। ये मेडिकल इमेज शरीर का एक विस्तृत क्रॉस-सेक्शन प्रदान करती हैं, जिससे विशेषज्ञ कंकाल की मांसपेशियों (skeletal muscle) के क्षेत्र और उस मांसपेशी ऊतक के घनत्व को माप सकते हैं। वे त्वचा के ठीक नीचे जमा वसा और आंतरिक अंगों के चारों ओर मौजूद वसा की मात्रा को भी निर्धारित कर सकते हैं। ये माप महत्वपूर्ण हैं क्योंकि वे शरीर की वास्तविक पोषण स्थिति को प्रकट करते हैं, जिससे डॉक्टरों को यह अनुमान लगाने में मदद मिलती है कि मरीज सर्जरी को कितनी अच्छी तरह झेल पाएगा या कीमोथेरेपी को कैसे सहन करेगा। फिर भी, अपनी जीवन रक्षक क्षमता के बावजूद, इन स्कैन्स का उपयोग नियमित अस्पताल देखभाल में इस उद्देश्य के लिए बहुत कम किया जाता है। इसका कारण तकनीक की कमी नहीं, बल्कि समय की कमी है। कंप्यूटर स्क्रीन पर इन क्षेत्रों को मैन्युअल रूप से मापना एक अविश्वसनीय रूप से धीमा और उबाऊ काम है, जिसके लिए हर मांसपेशी और वसा के जमाव की रूपरेखा खींचने के लिए एक अत्यधिक प्रशिक्षित विशेषज्ञ की आवश्यकता होती है। एक अकेले स्कैन का विश्लेषण करने में एक विशेषज्ञ को घंटों लग सकते हैं, जिससे यह विधि हर आने वाले मरीज के लिए उपयोग करना असंभव हो जाता है।
ग्लासगो विश्वविद्यालय के शोधकर्ताओं ने कंप्यूटर को मापन करने के लिए प्रशिक्षित करके इस बाधा को दूर करने का प्रयास किया। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जो एक CT स्कैन को देख सके और मानव विशेषज्ञ की तरह ही, लेकिन बहुत कम समय में, मांसपेशियों और वसा की सटीक मात्रा की गणना कर सके। उन्होंने कई अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस (AI), जिन्हें 'डीप लर्निंग मॉडल' कहा जाता है, का परीक्षण किया, जो छवियों में पैटर्न पहचानने के लिए डिज़ाइन किए गए हैं। शोधकर्ताओं ने इन कंप्यूटर प्रोग्रामों को कोलोरेक्टल कैंसर के मरीजों के हजारों CT स्कैन, साथ ही उन सही मापों के साथ खिलाया जो मानव विशेषज्ञों द्वारा पहले ही गणना किए जा चुके थे। फिर कंप्यूटर ने मांसपेशियों और वसा के दृश्य संकेतों (visual signatures) को पहचानना सीखा, और अंततः अपने आप इन मूल्यों की भविष्यवाणी करने में सक्षम हो गया।
अध्ययन में पाया गया कि कंप्यूटर वास्तव में इस जटिल कार्य को उल्लेखनीय सटीकता के साथ सीख सकता है। उनके द्वारा परीक्षण किए गए विभिन्न मॉडलों में से, 'गूगलनेट' (GoogLeNet) नामक एक आर्किटेक्चर, कंकाल की मांसपेशियों के क्षेत्र का अनुमान लगाने में सबसे कुशल साबित हुआ। इसने मानव मानक की तुलना में पांच प्रतिशत से भी कम की त्रुटि की। 'एलेक्सनेट' (AlexNet) नामक एक अन्य मॉडल, मांसपेशी ऊतक के घनत्व को मापने में सर्वश्रेष्ठ प्रदर्शन कर पाया, जिसकी त्रुटि दर केवल आठ प्रतिशत से थोड़ी अधिक थी। ये संख्याएं महत्वपूर्ण हैं क्योंकि ये दिखाती हैं कि कंप्यूटर केवल अनुमान नहीं लगा रहा है; यह ऐसे परिणाम दे रहा है जो सांख्यिकीय रूप से मानव विशेषज्ञ द्वारा दिए जाने वाले परिणामों के बहुत करीब हैं। शोधकर्ताओं ने यह भी पाया कि कंप्यूटर वसा क्षेत्रों को मापने में थोड़ा अधिक संघर्ष करता है, विशेष रूप से त्वचा के नीचे की वसा, जिसे स्कैन में बैकग्राउंड से अलग करना कठिन होता है। हालांकि, इन मामूली चुनौतियों के बावजूद, सिस्टम ने लगभग अस्सी प्रतिशत बार मरीजों को जोखिम श्रेणियों में सफलतापूर्वक वर्गीकृत किया, जिससे मांसपेशियों के खतरनाक स्तर वाले मरीजों की सही पहचान हुई।
यह सुनिश्चित करने के लिए कि इस तकनीक का वास्तव में व्यस्त अस्पताल में उपयोग किया जा सके, टीम केवल मॉडल बनाने तक ही सीमित नहीं रही। उन्होंने सबसे अच्छा प्रदर्शन करने वाले कंप्यूटर प्रोग्रामों को एक सरल वेब एप्लिकेशन में समाहित किया। यह टूल डॉक्टर को मरीज के CT स्कैन से एक एकल छवि, साथ ही मरीज की ऊंचाई और वजन जैसे बुनियादी विवरण अपलोड करने की अनुमति देता है। कुछ ही सेकंड के भीतर, सिस्टम मांसपेशियों के क्षेत्र और घनत्व की गणना करता है, इन्हें एक मानकीकृत स्कोर में बदलता है, और डॉक्टर को बताता है कि क्या मरीज उच्च जोखिम पर है। पूरी प्रक्रिया में प्रति स्कैन एक सेकंड से भी कम समय लगता है, जो एक ऐसी गति है जो इसे प्रत्येक मरीज के लिए उपयोग करना संभव बनाती है। शोधकर्ताओं ने जोर देकर कहा कि उन्होंने इन विशिष्ट कंप्यूटर मॉडलों को इसलिए चुना क्योंकि वे इतने हल्के और कुशल हैं कि मानक अस्पताल उपकरणों पर चल सकें, जिससे उन महंगे और विशेष सुपर कंप्यूटरों की आवश्यकता नहीं पड़ती जो अक्सर नए और अधिक जटिल आर्टिफिशियल इंटेलिजेंस सिस्टम के लिए आवश्यक होते हैं।
हालांकि परिणाम उत्साहजनक हैं, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह एक पायलट अध्ययन है, जिसका अर्थ है कि यह एक अंतिम समाधान के बजाय एक पहला कदम है। इस सिस्टम का परीक्षण ग्लासगो के एक ही अस्पताल के अपेक्षाकृत छोटे मरीज समूह पर किया गया था। यह इस बात को सीमित करता है कि यह टूल विभिन्न पृष्ठभूमियों या विभिन्न शारीरिक संरचनाओं वाले लोगों पर कितनी अच्छी तरह काम कर सकता है, क्योंकि कंप्यूटर ने छवियों के एक विशिष्ट सेट से सीखा है। अध्ययन में यह भी पाया गया कि टूल कुछ समूहों, जैसे महिलाओं और कम वजन वाले पुरुषों के लिए थोड़ा कम सटीक था, जो यह सुझाव देता है कि भविष्य के संस्करणों को इन विविधताओं को निष्पक्ष रूप से संभालने के लिए फाइन-ट्यून करने की आवश्यकता होगी। इन सीमाओं के बावजूद, यह कार्य प्रदर्शित करता है कि स्वचालित शरीर संरचना विश्लेषण (automated body composition analysis) का सपना अब पहुंच के भीतर है। श्रम-साध्य, घंटों लंबे कार्य को सेकंडों के मामले में बदलकर, इस तकनीक में एक महत्वपूर्ण नैदानिक उपकरण को रोजमर्रा की क्लिनिकल प्रैक्टिस में लाने की क्षमता है, जिससे यह सुनिश्चित हो सके कि किसी भी मरीज के छिपे हुए मांसपेशियों के नुकसान की अनदेखी न हो।
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।