Self-Supervised AI Reveals a Hidden Landscape of Prognostic Spatial Patterns in Multiplex Immunofluorescence Images
यह शोध पत्र एक स्व-पर्यवेक्षित शिक्षण ढांचे (self-supervised learning framework) को प्रस्तुत करता है जो पूर्व-निर्धारित परिकल्पनाओं पर निर्भर हुए बिना कैंसर में नवीन, रोगनिरोधी स्थानिक पैटर्न और जैविक तंत्रों की स्वायत्त रूप से खोज करने के लिए मल्टीप्लेक्स इम्यूनोफ्लोरेसेंस छवियों का विश्लेषण करता है, जिससे यह पारंपरिक विभाजन विधियों (segmentation methods) से बेहतर प्रदर्शन करता है और हाई-प्लेक्स इमेजिंग को एक शक्तिशाली परिकल्पना-उत्पादक इंजन में बदल देता है।
मूल पेपर CC BY 4.0 (https://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
यह समझने की खोज में कि कुछ कैंसर अधिक आक्रामक क्यों होते हैं, रोगविज्ञानी (pathologists) लंबे समय से सूक्ष्मदर्शी (microscope) पर निर्भर रहे हैं। वे ऊतकों के पतले स्लाइस देखते हैं, जिन्हें उन रंगों (dyes) से रंगा जाता है जो विशिष्ट प्रोटीनों को उभारते हैं, ताकि कोशिकाओं की गिनती की जा सके और उनके स्थानों का मानचित्रण किया जा सके। यह कार्य रोगी के उपचार का निर्णय लेने के लिए अत्यंत महत्वपूर्ण है, लेकिन यह एक सीमा पर आकर रुक गया है। आधुनिक तकनीक अब एक ही ऊतक के टुकड़े को एक साथ दर्जनों अलग-अलग रंगों से रंग सकती है, जो जैविक विवरणों की एक विस्मयकारी श्रृंखला को प्रकट करती है। फिर भी, मानव आँखें और पारंपरिक कंप्यूटर प्रोग्राम इस जटिलता को समझने में संघर्ष करते हैं। वे अक्सर ट्यूमर के समृद्ध, त्रि-आयामी परिदृश्य को केवल कोशिका गणनाओं की सरल सूचियों में बदल देते हैं, जिससे उन सूक्ष्म आकृतियों और व्यवस्थाओं को त्याग दिया जाता है जो रोगी के जीवित रहने की कुंजी हो सकती हैं। चुनौती अब केवल डेटा को देखना नहीं है, बल्कि उस कहानी को पढ़ने का तरीका खोजना है जो यह बताता है, बिना मूल कथानक को खोए।
ग्लासगो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसमें सूक्ष्मदर्शी को एक ऐसे उपकरण में बदल दिया गया है जो केवल पूर्व-निर्धारित प्रश्नों के उत्तर देने के बजाय अपने स्वयं के प्रश्न उत्पन्न कर सकता है। उन्होंने HyPERSTAC नामक एक प्रणाली बनाई है, जो 'सेल्फ-सुपरवाइज्ड लर्निंग' (self-supervised learning) नामक एक प्रकार के कृत्रिम बुद्धिमत्ता (AI) का उपयोग करती है। मनुष्यों द्वारा यह सिखाने के बजाय कि क्या देखना है, यह प्रणाली खुद से लाखों छवियों का अध्ययन करके सीखती है, और उन पैटर्न की पहचान करती है जो विभिन्न रोगियों में बार-बार दोहराए जाते हैं। यह केवल कोशिकाओं को नहीं गिनती; यह ऊतक की पूरी बनावट (texture) को देखती है, यह देखती है कि कोशिकाएं कैसे समूह बनाती हैं, उनका आकार कैसे बदलता है, और वे अपने पड़ोसियों के साथ कैसे परस्पर क्रिया करती हैं। इस व्यापक, पैटर्न-आधारित दृष्टिकोण को पारंपरिक कोशिका गणना के साथ जोड़कर, शोधकर्ता उन छिपे हुए जैविक हस्ताक्षरों (signatures) को उजागर करने में सक्षम हुए, जो यह भविष्यवाणी करते हैं कि रोगी का भविष्य कैसा होगा—ऐसे हस्ताक्षर जो मानक विश्लेषण के लिए अदृश्य थे।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण 1,800 से अधिक रोगियों के ऊतक नमूनों से ली गई लगभग 4,00,000 छवियों पर किया, जिनमें दो सामान्य कैंसर शामिल थे: लंग एडेनोकार्सिनोमा (lung adenocarcinoma) और कोलोरेक्टल कार्सिनोमा (colorectal carcinoma)। ये छवियां दो बड़े समूहों से आई थीं, एक लेस्टर से और एक ग्लासगो से, जो जैविक डेटा का एक विशाल संग्रह प्रस्तुत करती हैं। टीम ने इन छवियों को अपने AI में डाला, जिसने उन्हें छोटे टाइल्स में विभाजित किया और समान दिखने वाले क्षेत्रों को एक साथ समूहित करना सीखा। ये समूह, जिन्हें शोधकर्ता 'स्पेशियल प्रोटिओमिक क्लस्टर्स' (spatial proteomic clusters) कहते हैं, ट्यूमर पारिस्थितिकी तंत्र के भीतर आवर्ती पड़ोस का प्रतिनिधित्व करते हैं। कुछ क्लस्टर्स में प्रतिरक्षा कोशिकाएं (immune cells) कैंसर कोशिकाओं के चारों ओर घनी रूप से पैक थीं, जबकि अन्य में विभिन्न प्रकार की कोशिकाओं का एक अराजक मिश्रण था। महत्वपूर्ण रूप से, सिस्टम ने पाया कि रोगी के ऊतक में इन विशिष्ट पड़ोसों की आवृत्ति जीवित रहने की भविष्यवाणी करने वाला एक शक्तिशाली कारक है, जो अक्सर उन स्थापित तरीकों से बेहतर प्रदर्शन करता है जो केवल कोशिकाओं को गिनने या उनके बीच की दूरी को मापने पर निर्भर करते हैं।
सबसे आश्चर्यजनक खोजों में से एक लंग कैंसर के नमूनों से आई। AI ने एक विशिष्ट पैटर्न की पहचान की जहाँ तेजी से विभाजित होने वाली कैंसर कोशिकाएं प्रतिरक्षा कोशिकाओं से घिरी हुई थीं, फिर भी इस पैटर्न वाले रोगियों का भविष्य खराब था। इससे यह संकेत मिला कि जब कैंसर कोशिकाएं तेजी से बढ़ रही होती हैं, तो वे प्रतिरक्षा प्रणाली के हमले से बचने में सक्षम हो सकती हैं, जिससे प्रतिरक्षा कोशिकाओं की उपस्थिति पहले की तुलना में कम प्रभावी हो जाती है। सिस्टम ने एक विशिष्ट प्रकार के लंग कैंसर से जुड़ा एक अलग पैटर्न भी पाया, जो एक आनुवंशिक उत्परिवर्तन (genetic mutation) द्वारा संचालित होता है और अक्सर उन लोगों में होता है जिन्होंने कभी धूम्रपान नहीं किया है। इन ट्यूमर में, एक प्रोटीन जिसे GLB1 कहा जाता है, न केवल मौजूद था; बल्कि यह कोशिका के एक बहुत ही विशिष्ट भाग में स्थित था, जो आसपास के ऊतक से दूर की ओर इशारा कर रहा था। यह सूक्ष्म, दिशात्मक व्यवस्था एक कम आक्रामक बीमारी का एक मजबूत संकेत थी, एक ऐसा विवरण जिसे मानक विश्लेषण मिस कर देता क्योंकि वह आमतौर पर केवल यह मापता है कि एक प्रोटीन की कितनी मात्रा मौजूद है, न कि वह कोशिका के भीतर कहाँ स्थित है।
कोलोरेक्टल कैंसर में, सिस्टम ने एक अलग तरह के खतरे को उजागर किया। इसने एक विशेष प्रकार की प्रतिरक्षा कोशिका का एक समृद्ध पड़ोस पाया जिसे 'रेगुलेटरी टी-सेल' (regulatory T-cell) कहा जाता है, जो प्रतिरक्षा प्रणाली को शांत करने का कार्य करती है। जब ये कोशिकाएं अन्य प्रतिरक्षा कोशिकाओं के साथ प्रचुर मात्रा में पाई गईं, तो ट्यूमर अधिक आक्रामक हो गया और रोगी का निदान (prognosis) बदतर हो गया। यह पैटर्न विशेष रूप से स्टेज III के रोगियों में बहुत मजबूत था, जो एक ऐसा समूह है जहाँ डॉक्टर अक्सर यह अनुमान लगाने में संघर्ष करते हैं कि कौन ठीक होगा और कौन नहीं। AI की इस विशिष्ट सेलुलर व्यवस्था को पहचानने की क्षमता ने जोखिम को वर्गीकृत करने का एक नया तरीका प्रदान किया, जो केवल कैंसर के चरण को देखने की तुलना में अधिक सूक्ष्म दृष्टिकोण प्रदान करता है।
इस कार्य की शक्ति बिना किसी मानवीय पूर्वाग्रह के इन पैटर्न को खोजने की इसकी क्षमता में निहित है। शोधकर्ताओं ने कंप्यूटर को यह नहीं बताया कि क्या देखना है; उन्होंने बस इसे डेटा का अन्वेषण करने दिया। इसका अर्थ यह है कि सिस्टम ऐसे जैविक नियम खोज सकता है जिनके बारे में किसी ने कभी पूछने के बारे में सोचा भी न हो। उदाहरण के लिए, AI ने पाया कि प्रतिरक्षा कोशिकाओं का कैंसर कोशिकाओं के साथ जुड़ना केवल उनकी उपस्थिति से अधिक महत्वपूर्ण है। उन रोगियों में जिनके ट्यूमर में PD-L1 नामक एक विशिष्ट मार्कर मौजूद था, सिस्टम ने उन लोगों के बीच अंतर किया जिनकी प्रतिरक्षा कोशिकाएं कैंसर कोशिकाओं को भौतिक रूप से छू रही थीं और उनकी, जिन्हें प्रतिरक्षा कोशिकाओं को दूरी पर रखा गया था। "छूने" वाले पैटर्न वाले रोगियों में जीवित रहने की दर बेहतर थी, जो यह सुझाव देता है कि प्रतिरक्षा प्रणाली और ट्यूमर के बीच का भौतिक संबंध बीमारी से लड़ने में एक महत्वपूर्ण कारक है।
इन निष्कर्षों और इस डेटासेट को, जिसका उपयोग इन्हें उत्पन्न करने के लिए किया गया था, जारी करके शोधकर्ताओं ने वैज्ञानिक समुदाय को एक नया बेंचमार्क प्रदान किया है। उन्होंने दिखाया है कि कृत्रिम बुद्धिमत्ता खोज में एक भागीदार के रूप में कार्य कर सकती है, जो जंगल और पेड़ों को एक साथ देख पाने में सक्षम है। यह दृष्टिकोण उच्च-रिज़ॉल्यूशन इमेजिंग को मौजूदा विचारों के परीक्षण करने वाले उपकरण से बदलकर नए विचार उत्पन्न करने वाले इंजन में परिवर्तित कर देता है। यह सुझाव देता है कि भविष्य में ऊतक नमूनों का विश्लेषण केवल उन चीजों तक सीमित नहीं होगा जिन्हें डॉक्टर पहले से जानते हैं, बल्कि यह डेटा द्वारा संचालित होगा, जो रोग के छिपे हुए भूगोल को प्रकट करेगा और अधिक सटीक, व्यक्तिगत उपचारों के द्वार खोलेगा। यह कार्य प्रदर्शित करता है कि ट्यूमर में सबसे महत्वपूर्ण सुराग स्वयं कोशिकाएं नहीं हो सकती हैं, बल्कि इस बात की जटिल, मौन भाषा है कि वे कैसे व्यवस्थित 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।