Deep learning integrated clinical-radiomics model for prognostic prediction in locally advanced cervical cancer through 18 F-FDG PET/CT and MRI combination

गर्भाशय ग्रीवा का कैंसर (सर्वाइकल कैंसर) एक बड़ी चुनौती बना हुआ है, विशेष रूप से तब जब इसका निदान उन्नत स्थानीय अवस्था (locally advanced stage) में होता है, जिसका अर्थ है कि ट्यूमर गर्भाशय ग्रीवा से आगे बढ़ गया है लेकिन अभी तक दूर के अंगों तक नहीं फैला है। इन रोगियों के लिए, मानक उपचार पद्धति कीमोथेरेपी और रेडिएशन थेरेपी का एक कठोर संयोजन है जिसे एक साथ दिया जाता है। हालांकि यह दृष्टिकोण कई जीवन बचाता है, लेकिन यह कोई गारंटी नहीं है; लगभग एक-तिहाई रोगियों में दो वर्षों के भीतर बीमारी की वापसी देखी जाती है, और जो लोग दोबारा प्रभावित होते हैं, उनके लिए भविष्य की स्थिति अक्सर निराशाजनक होती है। वर्तमान में, डॉक्टर यह अनुमान लगाने के लिए व्यापक नैदानिक श्रेणियों और बुनियादी रक्त परीक्षणों पर निर्भर करते हैं कि किन रोगियों में पुनरावृत्ति का जोखिम सबसे अधिक है, लेकिन इन उपकरणों में उपचार को प्रभावी ढंग से अनुकूलित करने के लिए आवश्यक सटीकता की कमी होती है। इस अंतर को पाटने के लिए, शोधकर्ता स्वयं छवियों (इमेजेस) की ओर रुख कर रहे हैं। आधुनिक मेडिकल स्कैनर, जैसे कि वे जो सक्रिय कोशिकाओं को चमकाने के लिए रेडियोधर्मी चीनी का उपयोग करते हैं या कोमल ऊतकों (soft tissues) का मानचित्रण करने के लिए चुंबकीय क्षेत्रों का उपयोग करते हैं, मानव आंखों द्वारा देखे जा सकने वाले डेटा से कहीं अधिक डेटा कैप्चर करते हैं। इन छिपे हुए पैटर्न का विश्लेषण करने के लिए उन्नत कंप्यूटर एल्गोरिदम का उपयोग करके, वैज्ञानिक उपचार शुरू होने से पहले ही रोग की प्रगति के एक रोगी के विशिष्ट जोखिम को उजागर करने की आशा करते हैं।

इस लक्ष्य की ओर एक महत्वपूर्ण कदम उठाते हुए, झेजियांग कैंसर अस्पताल के शोधकर्ताओं की एक टीम ने एक नया भविष्य कहने वाला उपकरण विकसित किया है जो पारंपरिक चिकित्सा इमेजिंग को आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के साथ जोड़ता है। यह अध्ययन उन 346 महिलाओं पर केंद्रित था जिन्हें उन्नत स्थानीय सर्वाइकल कैंसर था और जिन्होंने समवर्ती कीमोरेडियोथेरेपी (concurrent chemoradiotherapy) ली थी। उपचार शुरू होने से पहले, प्रत्येक रोगी को दो प्रकार के स्कैन किए गए: एक पॉज़िट्रॉन एमिशन टोमोग्राफी (PET) के साथ कंप्यूटेड टोमोग्राफी (CT) स्कैन, जो यह ट्रैक करता है कि ट्यूमर कितनी चीनी का उपभोग करता है, और एक मैग्नेटिक रेजोनेंस इमेजिंग (MRI) स्कैन, जो ट्यूमर की संरचना और पानी की गति का विस्तृत चित्र प्रदान करता है। शोधकर्ताओं ने केवल इन छवियों को देखा नहीं; उन्होंने उन्हें एक परिष्कृत कंप्यूटर प्रणाली में डाला जो उन सूक्ष्म सुरागों को खोजने के लिए डिज़ाइन की गई थी जो यह भविष्यवाणी कर सकें कि क्या कैंसर वापस आएगा।

टीम ने एक ऐसा मॉडल बनाया जो एक डिजिटल सलाहकार के रूप में कार्य करता है, जो सूचना के तीन अलग-अलग स्रोतों को एकीकृत करता है। सबसे पहले, इसने मानक नैदानिक कारकों को देखा, जैसे कि रोगी की आयु और कैंसर का विशिष्ट चरण। दूसरा, इसने एक "रेडियोमिक्स" (radiomics) विश्लेषण किया, जो एक ऐसी प्रक्रिया है जहाँ कंप्यूटर ट्यूमर की छवियों को हजारों छोटे, मापने योग्य विशेषताओं, जैसे कि बनावट और आकार में तोड़ देता है, ताकि ट्यूमर का एक अनूठा डिजिटल फिंगरप्रिंट बनाया जा सके। तीसरा, और शायद सबसे महत्वपूर्ण, इस प्रणाली ने 'डीप लर्निंग' (deep learning) का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक रूप है जो डेटा से सीखने की मानव मस्तिष्क की क्षमता की नकल करता है। रेडियोमिक्स दृष्टिकोण के विपरीत, जो पूर्व-निर्धारित मापों पर निर्भर करता है, डीप लर्निंग एल्गोरिदम कच्चे (raw) चित्रों को स्कैन करता है ताकि स्वचालित रूप से जटिल, उच्च-स्तरीय पैटर्न खोजे जा सकें जिन्हें मनुष्य छोड़ सकते हैं। नैदानिक इतिहास, मापे गए इमेज फीचर्स और AI द्वारा खोजे गए पैटर्न को एक साथ बुनकर, शोधकर्ताओं ने बीमारी के भविष्य के मार्ग की भविष्यवाणी करने में सक्षम एक व्यापक मॉडल तैयार किया।

जब टीम ने इस नए मॉडल का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। संयुक्त प्रणाली, जिसे उन्होंने क्लिनिकल-रेडियोमिक्स-डीप लर्निंग मॉडल नाम दिया, ने सटीकता का एक ऐसा स्तर प्रदर्शित किया जो पारंपरिक तरीकों से कहीं अधिक था। उन रोगियों के समूह में जिनका उपयोग सिस्टम को प्रशिक्षित करने के लिए किया गया था, मॉडल ने लगभग हर मामले में सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि जब इसे रोगियों के एक अलग समूह पर परीक्षण किया गया जिसे इसने पहले कभी नहीं देखा था, तो मॉडल ने उच्च स्तर की विश्वसनीयता बनाए रखी, और 90 प्रतिशत से अधिक मामलों में बीमारी की प्रगति की सही भविष्यवाणी की। यह प्रदर्शन केवल मानक नैदानिक कारकों पर निर्भर रहने की तुलना में काफी बेहतर था, जो उच्च-जोखिम और निम्न-जोखिम वाले रोगियों के बीच अंतर करने में संघर्ष कर रहे थे। अध्ययन में यह भी पाया गया कि पारंपरिक रेडियोमिक्स विश्लेषण में डीप लर्निंग घटक को जोड़ने से सटीकता में स्पष्ट वृद्धि हुई, जिससे पता चलता कि कंप्यूटर की छिपे हुए पैटर्न खोजने की क्षमता ने मानव-डिज़ाइन किए गए मापों से परे वास्तविक मूल्य जोड़ा है।

शोधकर्ताओं ने सावधानीपूर्वक उल्लेख किया कि हालांकि यह मॉडल अत्यधिक आशाजनक है, लेकिन यह अभी भी प्रत्येक क्लिनिक के लिए अंतिम समाधान नहीं है। यह अध्ययन एक एकल अस्पताल में आयोजित किया गया था, और परीक्षण समूह में पुनरावृत्ति का अनुभव करने वाले रोगियों की संख्या अपेक्षाकृत कम थी, जिसका अर्थ है कि इसे व्यापक रूप से अपनाया जाने से पहले लोगों के बड़े, विविध समूहों में इस मॉडल को मान्य करने की आवश्यकता है। इसके अलावा, जबकि मॉडल परिणाम बताने में उत्कृष्ट है, कुछ विशिष्ट जैविक कारण कि कंप्यूटर ने कुछ पैटर्न क्यों पहचाने, वे अभी भी एक रहस्य बने हुए हैं, बिल्कुल एक 'ब्लैक बॉक्स' की तरह जो तर्क को पूरी तरह से समझाए बिना सही उत्तर देता है। लेखकों का सुझाव है कि भविष्य के कार्य को इन डिजिटल सुरागों के पीछे के जैविक अर्थ को समझने और उन भविष्योन्मुखी अध्ययनों (prospective studies) में मॉडल का परीक्षण करने पर ध्यान केंद्रित करना चाहिए जहाँ रोगियों का समय के साथ अनुसरण किया जाता है।

अंततः, यह कार्य इस बात में बदलाव का प्रतिनिधित्व करता है कि डॉक्टर सर्वाइकल कैंसर के प्रति कैसे दृष्टिकोण अपना सकते हैं। सभी उन्नत स्थानीय बीमारी वाले रोगियों के साथ एक ही तरह से व्यवहार करने के बजाय, यह उपकरण उन लोगों की पहचान करने की क्षमता प्रदान करता है जिनके पुनरावृत्ति से पीड़ित होने की सबसे अधिक संभावना है। यदि किसी रोगी को ऐसे सिस्टम द्वारा उच्च-जोखिम के रूप में चिह्नित किया जाता है, तो डॉक्टर उनके उपचार को तीव्र करने या बीमारी की वापसी को जल्दी पकड़ने के लिए अधिक बार फॉलो-अप शेड्यूल करने पर विचार कर सकते हैं। इसके विपरीत, जिनका परिणाम अच्छा होने की भविष्यवाणी की गई है, वे अनावश्यक आक्रामक उपचारों से बच सकते हैं। चिकित्सा छवियों के अदृश्य विवरणों को कार्रवाई योग्य ज्ञान में बदलकर, यह शोध क्षेत्र को वास्तव में व्यक्तिगत देखभाल (personalized care) के करीब ले जाता है, जहाँ उपचार रणनीतियों को प्रत्येक व्यक्ति के ट्यूमर की अद्वितीय जीव विज्ञान के अनुरूप तैयार किया जाता है।