CHIMERA Challenge: Biochemical Recurrence Prediction in Prostate Cancer Patients using multimodal datasets
CHIMERA चैलेंज प्रोस्टेट कैंसर में बायोकेमिकल पुनरावृत्ति (biochemical recurrence) की भविष्यवाणी करने के लिए पहला सार्वजनिक, मानकीकृत मल्टीमॉडल बेंचमार्क पेश करता है, जो यह प्रदर्शित करता है कि जबकि नैदानिक चर (clinical variables) उच्चतम भविष्य कहनेवाला सटीकता प्रदान करते हैं, इमेजिंग और हिस्टोपैथोलॉजी डेटा को एकीकृत करने वाले मल्टीमॉडल मॉडल तब बेहतर मजबूती प्रदान करते हैं जब विशेषज्ञ-व्युत्पन्न एनोटेशन अपूर्ण या अनुपलब्ध होते हैं।
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
प्रोस्टेट कैंसर की सर्जरी के बाद की शांत अवस्था में, डॉक्टर एक महत्वपूर्ण प्रश्न का सामना करते हैं: क्या बीमारी वापस आएगी? इसका उत्तर अक्सर एक सरल रक्त परीक्षण में निहित होता है जो प्रोस्टेट-विशिष्ट एंटीजन, या PSA नामक प्रोटीन को मापता है। प्रोस्टेट ग्रंथि को निकालने के बाद, इस प्रोटीन को रक्त से गायब हो जाना चाहिए। यदि यह फिर से दिखाई देता है, भले ही बहुत कम मात्रा में, तो यह संकेत देता है कि कैंसर कोशिकाएं ऑपरेशन में जीवित बच गई हैं और फिर से बढ़ रही हैं। यह घटना, जिसे बायोकेमिकल रिकरेंस (biochemical recurrence) कहा जाता है, एक चेतावनी संकेत है कि कैंसर अंततः शरीर के अन्य हिस्सों में फैल सकता है। दशकों से, डॉक्टर रोगी की आयु, उनके प्रारंभिक रक्त परीक्षण परिणामों और एक रोगविज्ञानी (pathologist) द्वारा लिखे गए विस्तृत विवरण को जोड़कर इस जोखिम का अनुमान लगाते हैं, जिन्होंने सूक्ष्मदर्शी के नीचे निकाले गए ऊतकों (tissue) का परीक्षण किया है। ये रिपोर्टें स्वर्ण मानक (gold standard) हैं, लेकिन वे जटिल कोशिकीय पैटर्न को कुछ प्रमुख संख्याओं में अनुवादित करने के लिए मानव विशेषज्ञों पर निर्भर करती हैं। जैसे-जैसे आर्टिफिशियल इंटेलिजेंस सीधे चिकित्सा छवियों को पढ़ना शुरू कर रहा है, एक नया प्रश्न उभरा है: क्या एक कंप्यूटर केवल ऊतकों की कच्ची छवियों और शरीर के स्कैन को देखकर इस पुनरावृत्ति का अनुमान लगाना सीख सकता है, बिना मानव विशेषज्ञ के सारांश नोट्स की आवश्यकता के?
नीदरलैंड के शोधकर्ताओं की एक टीम और अंतरराष्ट्रीय भागीदारों ने 'CHIMERA चैलेंज' नामक एक वैश्विक प्रतियोगिता आयोजित करके इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने दो अस्पतालों में प्रोस्टेट हटाने की सर्जरी कराने वाले 267 रोगियों के डेटा का एक अनूठा संग्रह एकत्र किया। प्रत्येक रोगी के लिए, उन्होंने एक पूर्ण डिजिटल प्रोफाइल तैयार किया: पेल्विस के प्रीऑपरेटिव मैग्नेटिक रेजोनेंस इमेजेस (MRI), गुलाबी और बैंगनी रंगों से रंगे वास्तविक प्रोस्टेट ऊतक के डिजिटलाइज्ड स्लाइड्स, और आयु एवं रक्त परीक्षण स्तर जैसे मानक रोगी विवरणों की एक सूची। महत्वपूर्ण रूप से, उन्होंने उन विशिष्ट, विशेषज्ञ-व्युत्पन्न नोट्स को भी शामिल किया जो रोगविज्ञानी आमतौर पर लिखते हैं, जैसे कि कैंसर कोशिकाओं की ग्रेड और क्या ट्यूमर ने अंग के बाहरी किनारे को पार कर लिया था। लक्ष्य यह देखना था कि क्या आर्टिफिशियल इंटेलिजेंस मॉडल इन सभी विभिन्न प्रकार की सूचनाओं का एक साथ उपयोग करके कैंसर की वापसी के समय की भविष्यवाणी कर सकते हैं, या क्या वे केवल विशेषज्ञ नोट्स का उपयोग करके बेहतर प्रदर्शन करेंगे।
दुनिया भर की छह टीमों ने अपनी एल्गोरिदम इस चुनौती के लिए प्रस्तुत कीं। परिणाम आश्चर्यजनक थे। अंतिम परीक्षण में सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल वे नहीं थे जिन्होंने जटिल चिकित्सा छवियों का विश्लेषण करने का प्रयास किया था। इसके बजाय, शीर्ष तीन प्रदर्शन करने वाले मॉडल विशेष रूप से संरचित डेटा (structured data) पर निर्भर थे: रोगी की आयु, उनके रक्त परीक्षण स्तर और रोगविॉजिस्ट द्वारा लिखे गए विशिष्ट नोट्स। इन मॉडलों ने पुनरावृत्ति के जोखिम के आधार पर रोगियों को रैंक करने में उच्च स्तर की सटीकता प्राप्त की। उन टीमों ने, जिन्होंने रोगी के डेटा के साथ MRI स्कैन और ऊतक छवियों को संयोजित करने वाली जटिल प्रणालियाँ बनाने का प्रयास किया था, सरल, नोट-आधारित मॉडलों से बेहतर प्रदर्शन नहीं किया। वास्तव में, सबसे परिष्कृत इमेज-एनालिसिस मॉडल शीर्ष स्कोर से पीछे रह गए।
हालाँकि, कहानी लीडरबोर्ड के साथ समाप्त नहीं होती है। शोधकर्ता यह समझना चाहते थे कि इमेज-आधारित मॉडल संघर्ष क्यों कर रहे थे और क्या वे वास्तव में चित्रों से सीखने में असमर्थ थे। यह पता लगाने के लिए, उन्होंने प्रयोगों की एक श्रृंखला आयोजित की जहाँ उन्होंने जानबूझकर विशेषज्ञ नोट्स को डेटा से हटा दिया। जब उन्होंने सरल, नोट-आधारित मॉडलों को एक ऐसा डेटासेट दिया जहाँ रोगविज्ञानी के प्रमुख निष्कर्षों को बदल दिया गया था या यादृच्छिक (random) मानों से बदल दिया गया था, तो मॉडल पूरी तरह से विफल हो गए। पुनरावृत्ति की भविष्यवाणी करने की उनकी क्षमता एक यादृच्छिक अनुमान के स्तर तक गिर गई। इसने सिद्ध किया कि शीर्ष मॉडलों की सफलता पूरी तरह से मानव विशेषज्ञ के सारांश पर निर्भर थी, न कि केवल रोगी की आयु या रक्त परीक्षणों पर।
जब शोधकर्ताओं ने मल्टीमॉडल मॉडलों (multimodal models) पर, जो छवियों को देखते थे, वही परीक्षण लागू किया, तो उन्हें एक अलग कहानी मिली। जब इन मॉडलों से विशेषज्ञ नोट्स हटा दिए गए, तो उनका प्रदर्शन केवल थोड़ा ही गिरा। वे पुनरावृत्ति की भविष्यवाणी करने की अपनी क्षमता को काफी हद तक बनाए रखते हुए, एक यादृच्छिक अनुमान से काफी बेहतर बने रहे। यह सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस वास्तव में MRI स्कैन और ऊतक छवियों से कुछ उपयोगी सीख रहा था, लेकिन इसे मानव रोगविज्ञानी द्वारा प्रदान की गई शक्तिशाली, संकुचित जानकारी द्वारा ओझल कर दिया गया था। छवियों में आवश्यक सुराग मौजूद थे, लेकिन मानव नोट्स इतने स्पष्ट और संक्षिप्त थे कि उन्होंने कंप्यूटर के काम को आसान बना दिया, जबकि कंप्यूटर को कच्चे पिक्सेल में वही पैटर्न खोजने के लिए बहुत अधिक मेहनत करनी पड़ी।
शोधकर्ताओं ने यह भी परीक्षण किया कि विभिन्न प्रकार की जानकारी एक साथ कैसे काम करती है। उन्होंने पाया कि MRI स्कैन, अकेले उपयोग किए जाने पर, पुनरावृत्ति की भविष्यवाणी करने में बहुत अच्छे नहीं थे। हालाँकि, जब MRI स्कैन को ऊतक छवियों के साथ जोड़ा गया, तो भविष्यवाणी में सुधार हुआ। फिर भी, जब MRI स्कैन को एक ऐसे मॉडल में जोड़ा गया जिसमें पहले से ही विशेषज्ञ नोट्स का पूरा सेट मौजूद था, तो स्कैनों ने कोई अतिरिक्त मूल्य नहीं जोड़ा। विशेषज्ञ नोट्स इतने सूचनात्मक थे कि स्कैन अनावश्यक हो गए। यह इंगित करता है कि विभिन्न प्रकार के डेटा केवल योगात्मक (additive) नहीं हैं; एक प्रकार की जानकारी का मूल्य इस बात पर निर्भर करता है कि पहले से ही कौन सी अन्य जानकारी उपलब्ध है।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि आर्टिफिशियल इंटेलिजेंस चिकित्सा छवियों से सीधे कैंसर की पुनरावृत्ति की भविष्यवाणी करना सीख सकता है, लेकिन वर्तमान में यह उन मॉडलों का मुकाबला नहीं कर सकता जो मानव विशेषज्ञ सारांशों का उपयोग करते हैं, कम से कम इस विशिष्ट चुनौती में उपलब्ध डेटा की मात्रा के साथ। शोधकर्ताओं का सुझाव है कि यह अंतर इसलिए है क्योंकि मानव रोगविज्ञानी ने ऊतकों से सबसे महत्वपूर्ण संकेतों को निकालने की अपनी क्षमता को परिष्कृत करने में दशकों बिताए हैं, जिससे एक अत्यंत कुशल संकुचित सारांश तैयार हुआ है। इसके विपरीत, आर्टिफिशियल इंटेलिजेंस मॉडल अपेक्षाकृत कम रोगी मामलों का उपयोग करके शून्य से इन संकेतों को सीखने का प्रयास कर रहे हैं। निष्कर्ष बताते हैं कि जैसे-जैसे डेटासेट बड़े और अधिक विविध होंगे, आर्टिफिशियल इंटेलिजेंस अंततः इन संकेतों को छवियों से सीधे सीखना सीख जाएगा, जिससे मैनुअल विशेषज्ञ सारांशों की आवश्यकता कम हो जाएगी। हालाँकि, फिलहाल के लिए, मानव विशेषज्ञ के नोट्स पुनरावृत्ति की भविष्यवाणी करने के लिए सबसे शक्तिशाली उपकरण बने हुए हैं, जो एक ऐसे बेंचमार्क के रूप में कार्य करते हैं जिसे नई तकनीक अभी तक पार नहीं कर पाई है।
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।