Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports
यह शोध पत्र पदानुक्रमित टेम्पोरल ट्रांसफॉर्मर (HTT) का परिचय देता है, जो एक दो-स्तरीय आर्किटेक्चर है जो अत्याधुनिक कैंसर ग्रेड भविष्यवाणी प्राप्त करने के लिए अनुदैर्ध्य पैथोलॉजी रिपोर्ट और कैंसर-प्रकार एम्बेडिंग का लाभ उठाता है और बिना किसी प्रदर्शन दंड के अनदेखे कैंसर प्रकारों के लिए प्रभावी ज़ीरो-शॉट ट्रांसफर लर्निंग प्रदर्शित करता 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
अस्पताल लिखित रिकॉर्ड की एक निरंतर धारा उत्पन्न करते हैं। जब कोई रोगी डॉक्टर के पास जाता है, तो चिकित्सक वह लिखता है जो वे देखते हैं, जो वे संदिग्ध मानते हैं, और पिछले दौरे से रोगी की स्थिति में क्या परिवर्तन आया है। दशकों से, कंप्यूटर इन नोट्स को इस तरह से पढ़ने के लिए संघर्ष कर रहे हैं जिससे डॉक्टरों को निर्णय लेने में मदद मिल सके। अधिकांश कंप्यूटर प्रोग्राम जो चिकित्सा पाठ का विश्लेषण करते हैं, वे प्रत्येक नोट को एक एकल, अलग घटना के रूप में मानते हैं। वे एक रिपोर्ट पढ़ते हैं, एक अनुमान लगाते हैं, और फिर अगली ओर बढ़ जाते हैं, और उससे पहले की कहानी को पूरी तरह से भूल जाते हैं। यह दृष्टिकोण मानवीय अनुभव के एक महत्वपूर्ण हिस्से को चूक जाता है: समय। एक रोगी का स्वास्थ्य एक यात्रा है, न कि केवल एक क्षणिक दृश्य। आज एक स्कैन में दिखने वाला छोटा सा बदलाव बहुत अलग अर्थ रख सकता है यदि रोगी का दो साल पहले का स्कैन स्थिर था, बनाम एक ऐसा स्कैन जिसमें पिछले सप्ताह तीव्र वृद्धि देखी गई थी। इसके अलावा, अधिकांश कंप्यूटर मॉडल केवल एक विशिष्ट प्रकार के कैंसर को समझने के लिए प्रशिक्षित होते हैं। एक प्रोग्राम जो फेफड़ों के कैंसर की रिपोर्ट पढ़ने के लिए बनाया गया है, वह अक्सर थायराइड कैंसर की रिपोर्ट मिलने पर विफल हो जाता है, जिससे अस्पतालों को दर्जनों अलग-अलग, महंगे सिस्टम बनाने और बनाए रखने के लिए मजबूर होना पड़ता है।
शोधकर्ताओं की एक टीम ने इन दोनों समस्याओं को एक साथ हल करने का लक्ष्य रखा। उन्होंने एक नया कंप्यूटर सिस्टम विकसित किया जिसे रोगी के दौरों के पूरे इतिहास को पढ़ने के लिए डिज़ाइन किया गया था, जो नियुक्तियों के बीच के वास्तविक दिनों और महीनों पर विशेष ध्यान देता था। वे यह भी देखना चाहते थे कि क्या यह प्रणाली कैंसर की गंभीरता की सामान्य भाषा को इतनी अच्छी तरह सीख सकती है कि वह उन कैंसर के प्रकारों को भी समझ सके जिन्हें उसने पहले कभी नहीं देखा है। इसका परीक्षण करने के लिए, उन्होंने दो-भागों वाला प्रयोग बनाया। पहले, उन्होंने चिकित्सा रिपोर्टों की एक सिम्युलेटेड (कृत्रिम) दुनिया बनाई जहाँ वे कहानी को सटीक रूप से नियंत्रित कर सकते थे, यह सुनिश्चित करते हुए कि कंप्यूटर को सही उत्तर पाने के लिए समयरेखा (टाइमलाइन) का उपयोग करना ही होगा। दूसरे, उन्होंने सिस्टम को एक सार्वजनिक डेटाबेस से हजारों वास्तविक पैथोलॉजी रिपोर्ट दीं, और उससे उन कैंसर प्रकारों की ट्यूमर की गंभीरता का आकलन करने को कहा जो उसके प्रशिक्षण से पूरी तरह से छिपे हुए थे।
उन्होंने जो सिस्टम बनाया है वह दो अलग-अलग चरणों में काम करता है, बिल्कुल वैसे ही जैसे कोई मनुष्य एक फाइल पढ़ता है। पहला चरण प्रत्येक व्यक्तिगत रिपोर्ट को पढ़ता है और शब्दों को उस विशिष्ट दौरे के अर्थ के एक सघन सारांश (डेंस समरी) में बदल देता है। दूसरा चरण एक ही रोगी के इन सारांशों के क्रम को देखता है। यह केवल रिपोर्टों के क्रम को ही नहीं देखता; यह वास्तव में बीत चुके समय को मापता है। यदि किसी रोगी का सर्जरी के तीन सप्ताह बाद एक स्कैन होता है और छह महीने बाद दूसरा, तो सिस्टम समझ जाता है कि दूसरा आयोजन पहले वाले की तुलना में बहुत अधिक दूर का और महत्वपूर्ण है। यह कंप्यूटर को केवल नवीनतम नोट के बजाय रोग के इतिहास को तौलने की अनुमति देता है। विभिन्न प्रकार के कैंसर को संभालने के लिए, सिस्टम प्रत्येक रोग परिवार के लिए एक विशेष मार्कर का उपयोग करता है, जो इसे सिखाता है कि हालांकि शब्द बदल सकते हैं, लेकिन "आक्रामक" या "सौम्य" की अंतर्निściत अवधारणा विभिन्न अंगों में समान रहती है।
जब शोधकर्ताओं ने अपने सिम्युलेटेड डेटा पर इस सिस्टम का परीक्षण किया, तो परिणाम स्पष्ट थे। वह कंप्यूटर जो पूर्ण टाइमलाइन और दौरों के बीच के समय अंतराल को पढ़ सकता था, वह उस कंप्यूटर की तुलना में बीमारी के बढ़ने की भविष्यवाणी करने में काफी बेहतर था जो केवल नवीनतम रिपोर्ट को देखता था। एक विशिष्ट परीक्षण में, जहाँ सिस्टम को उस कैंसर प्रकार के परिणाम की भविष्यवाणी करनी थी जिसे उसने पहले कभी नहीं देखा था, टाइमलाइन-जागरूक सिस्टम कहीं अधिक सटीक था। इसने सफलतापूर्वक उस विकास के पैटर्न का उपयोग किया जो इसने अन्य कैंसर से सीखा था ताकि नए कैंसर को समझा जा सके। इससे पता चला कि समय और इतिहास को ट्रैक करने की क्षमता एक वास्तविक लाभ थी, न कि केवल डेटा की एक विशेषता।
अध्ययन का दूसरा भाग सिमुलेशन से वास्तविकता की ओर बढ़ा, जिसमें चौदह अलग-अलग प्रकार के कैंसर के रोगियों की हजारों वास्तविक पैथोलॉजी रिपोर्टों का उपयोग किया गया। शोधकर्ताओं ने ग्यारह प्रकारों पर सिस्टम को प्रशिक्षित किया और फिर अन्य तीन प्रकारों के लिए रिपोर्टों को पूरी तरह से बंद कर दिया, जिसमें थायराइड कैंसर, सारकोमा और फेफड़ों के कैंसर का एक विशिष्ट प्रकार शामिल था। उन्होंने सिस्टम से इन अनदेखे प्रकारों के लिए ट्यूमर ग्रेड (एक माप कि कैंसर कितना आक्रामक है) की भविष्यवाणी करने को कहा। परिणाम चौंकाने वाले थे। सिस्टम अनदेखे कैंसर पर उतना ही अच्छा प्रदर्शन कर रहा था जितना कि उन कैंसर पर जिन पर इसे प्रशिक्षित किया गया था। इसने थायराइड कैंसर पर एक पूर्ण स्कोर प्राप्त किया और अन्य पर बहुत उच्च स्कोर प्राप्त किया। इसने सिद्ध किया कि सिस्टम ने केवल विशिष्ट कैंसर के लिए विशिष्ट शब्दों को याद नहीं किया था। इसके बजाय, इसने कैंसर की गंभीरता की एक गहरी, सार्वभौमिक भाषा सीखी थी जो विभिन्न रोगों के परिवारों में लागू होती है।
शोधकर्ताओं ने फिर यह जांचा कि ज्ञान का यह हस्तांतरण वास्तव में कैसे हुआ। उन्होंने पाया कि नए कैंसर प्रकारों को समझने की क्षमता मुख्य रूप से चिकित्सा पाठ की विशाल मात्रा पर सिस्टम के प्रारंभिक प्रशिक्षण से आई थी, जिसने उसे "आक्रामक" या "खराब विभेदित" (पुअरली डिफरेंशिएटेड) जैसे शब्दों के सामान्य अर्थ सिखाए थे। समय और इतिहास को ट्रैक करने के लिए डिज़ाइन किया गया सिस्टम का हिस्सा, जो रोगी की यात्रा को समझने के लिए शक्तिशाली है, इस क्रॉस-कैंसर सफलता का मुख्य चालक नहीं था। वास्तविक दुनिया के परीक्षण में, जहाँ प्रत्येक रोगी की केवल एक रिपोर्ट थी, टाइम-ट्रैकिंग घटक के पास विश्लेषण करने के लिए कोई इतिहास नहीं था, फिर भी सिस्टम सफल रहा। यह इंगित करता कि कैंसर की गंभीरता को पहचानने के लिए मूल बुद्धिमत्ता पहले से ही आधारभूत भाषा मॉडल में मौजूद थी, जो नई स्थितियों में लागू होने के लिए तैयार थी।
ये निष्कर्ष चिकित्सा आर्टिफिशियल इंटेलिजेंस (AI) के लिए एक नया मार्ग सुझाते हैं। कैंसर के प्रत्येक प्रकार के लिए एक अलग, विशिष्ट कंप्यूटर बनाने के बजाय, अस्पताल अंततः एक एकीकृत प्रणाली का उपयोग कर सकते हैं। यह एकल प्रणाली सामान्य कैंसर से सीख सकती है और उस ज्ञान को तुरंत दुर्लभ या कठिन कैंसर पर लागू कर सकती है, बशर्ते रोग की गंभीरता अभिव्यक्ति के रूप में पाठ में मौजूद हो। हालाँकि गलत अलार्म से बचने के लिए सिस्टम को सावधानीपूर्वक ट्यूनिंग की आवश्यकता है, यह अध्ययन प्रदर्शित करता है कि कंप्यूटर विभिन्न शरीरों और विभिन्न समय-सीमाओं में एक बीमारी की कहानी को पढ़ सकते हैं, जो एक ऐसे भविष्य की ओर बढ़ता है जहाँ एक एकल उपकरण डॉक्टरों को कैंसर की पूरी जटिलता को समझने में सहायता कर सकता 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।