CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors
इस अध्ययन ने HAIC-FOLFOX के साथ लेन्वातिनिब (lenvatinib) और PD-1 अवरोधकों (inhibitors) प्राप्त करने वाले अनरिसेक्टेबल हेपेटोसेलुलर कार्सिनोमा के रोगियों में प्रारंभिक उपचार प्रतिक्रिया और प्रोग्रेशन-फ्री सर्वाइवल (progression-free survival) की सटीक भविष्यवाणी करने के लिए CT-आधारित हैबिटेट रेडियोमिक्स, 2.5D डीप लर्निंग फीचर्स और नैदानिक संकेतकों को एकीकृत करने वाले एक गैर-आक्रामक, बहुआयामी फ्यूजन मॉडल को विकसित और मान्य किया है।
मूल पेपर CC BY 4.0 (https://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
लिवर कैंसर, विशेष रूप से हेपेटोसेलुलर कार्सिनोमा के रूप में ज्ञात प्रकार, एक दुर्जेय शत्रु है क्योंकि यह हर रोगी में एक जैसा व्यवहार शायद ही कभी करता है। भले ही दो लोगों के ट्यूमर का आकार समान हो और उन्हें बिल्कुल एक जैसी शक्तिशाली उपचार पद्धति दी जाए, एक व्यक्ति में कैंसर नाटकीय रूप से सिकुड़ सकता है जबकि दूसरे में कोई बदलाव नहीं दिखता। यह अनिश्चितता इस तथ्य से उत्पन्न होती है कि एक एकल ट्यूमर ऊतक का एक समान पिंड नहीं है; यह विभिन्न प्रकार की कोशिकाओं और वातावरणों का एक जटिल परिदृश्य है जो एक साथ पैक किए गए हैं। डॉक्टरों के लिए चुनौती उपचार शुरू करने से पहले इस परिदृश्य के भीतर देखने का एक तरीका खोजने की रही है, ताकि यह अनुमान लगाया जा सके कि कौन से रोगी दवाओं के एक विशिष्ट संयोजन पर प्रतिक्रिया देंगे और कौन से नहीं। लक्ष्य अनुमान लगाने से हटकर एक सटीक, व्यक्तिगत योजना की ओर बढ़ना है, जिससे कुछ रोगियों को अप्रभावी उपचारों से बचाया जा सके और यह सुनिश्चित किया जा सके कि अन्य लोगों को तुरंत आवश्यक मदद मिले।
इसे हल करने के लिए, चीन के शोधकर्ताओं ने एक नए प्रकार का डिजिटल मानचित्र बनाने का लक्ष्य रखा। उन्होंने उन्नत लिवर कैंसर वाले रोगियों के एक विशिष्ट समूह पर ध्यान केंद्रित किया जो सर्जरी नहीं करा सकते थे। इन रोगियों का इलाज एक ट्रिपल कॉम्बिनेशन थेरेपी के साथ किया गया था: लिवर की धमनियों में सीधे पहुँचाई जाने वाली एक कीमोथेरेपी इन्फ्यूजन, लेनवैटिनिब (lenvatinib) नामक एक लक्षित गोली, और एक इम्यूनोथेरेपी दवा जो शरीर की प्रतिरक्षा प्रणाली को कैंसर से लड़ने में मदद करती है। हालांकि इस संयोजन ने आशाजनक परिणाम दिखाए हैं, लेकिन शोधकर्ता जानते थे कि हर कोई इससे लाभान्वित नहीं होगा। वे एक ऐसा उपकरण बनाना चाहते थे जो पहली खुराक दिए जाने से पहले ही भविष्यवाणी कर सके कि क्या रोगी का ट्यूमर महत्वपूर्ण रूप से सिकुड़ेगा और वह बीमारी के बढ़ने के बिना कितने समय तक रोग-मुक्त रहेगा।
टीम ने दो अलग-अलग अस्पतालों के 240 रोगियों से मेडिकल इमेज एकत्र किए। ये मानक सीटी (CT) स्कैन थे जिन्हें रक्त वाहिकाओं और ट्यूमर को स्पष्ट रूप से उभारने के लिए एक कंट्रास्ट डाई के साथ लिया गया था। ट्यूमर को एक एकल, ठोस वस्तु के रूप में देखने के बजाय, शोधकर्ताओं ने 'हैबिटेट इमेजिंग' नामक तकनीक का उपयोग किया। ट्यूमर की कल्पना एक बड़े, विविध शहर के रूप में करें न कि केवल एक अकेली इमारत के रूप में। जिस तरह एक शहर के अलग-अलग मोहल्ले होते हैं—कुछ हलचल वाले, कुछ शांत या जर्जर—वैसे ही एक ट्यूमर के भी अद्वितीय विशेषताओं वाले अलग-अलग क्षेत्र होते हैं। शोधकर्ताओं ने एक कंप्यूटर एल्गोरिदम का उपयोग करके सीटी स्कैन के सूक्ष्म पिक्सेल को उनके दिखने के आधार पर इन विशिष्ट मोहल्लों में वर्गीकृत किया। उन्होंने पाया कि ट्यूमर को तीन विशिष्ट क्षेत्रों में विभाजित करने से इसकी आंतरिक विविधता की सबसे स्पष्ट तस्वीर मिलती है।
एक बार इन क्षेत्रों की पहचान हो जाने के बाद, टीम ने छवियों से हजारों सूक्ष्म विवरण निकाले, जैसे कि बनावट, आकार और चमक के पैटर्न। इसे रेडियोमिक्स (radiomics) कहा जाता है। उन्होंने यह पूरे ट्यूमर और प्रत्येक के तीन मोहल्लों के लिए अलग-अलग किया। साथ ही, उन्होंने छवियों को स्कैन करने के लिए आर्टिफिशियल इंटेलिजेंस के एक प्रकार, जिसे डीप लर्निंग कहा जाता है, का उपयोग किया। यह तकनीक अलग तरह से काम करती है; पूर्व-निर्धारित पैटर्न खोजने के बजाय, यह कई उदाहरणों को देखकर चेहरे को पहचानने की तरह, छवियों का अध्ययन करके जटिल आकृतियों और संरचनाओं को पहचानना सीखती है। शोधकर्ताओं ने यह देखने के लिए कई अलग-अलग डीप लर्निंग आर्किटेक्चर का परीक्षण किया कि उपचार के प्रति प्रतिक्रिया देने वाले ट्यूमर के सूक्ष्म संकेतों को पकड़ने में कौन सा सबसे अच्छा है।
शोधकर्ताओं ने फिर इस सारी जानकारी को—विभिन्न ट्यूमर मोहल्लों के विवरण, आर्टिफिशियल इंटेलिजेंस द्वारा सीखे गए पैटर्न और लिवर फंक्शन टेस्ट जैसे बुनियादी क्लिनिकल डेटा को—एक एकल, शक्तिशाली प्रेडिक्शन मॉडल में संयोजित किया। उन्होंने इस मॉडल का परीक्षण रोगियों के तीन अलग-अलग समूहों पर किया: एक समूह जिसका उपयोग मॉडल बनाने के लिए किया गया, दूसरा समूह जिसका उपयोग आंतरिक रूप से इसकी जांच करने के लिए किया गया, और तीसरा समूह जो दूसरे अस्पताल से था ताकि यह देखा जा सके कि यह वास्तविक दुनिया में कैसे काम करता है। परिणाम आश्चर्यजनक थे। संयुक्त मॉडल अत्यधिक सटीकता के साथ यह भविष्यवाणी करने में सक्षम था कि उपचार के कुछ ही हफ्तों के बाद किन रोगियों के ट्यूमर महत्वपूर्ण रूप से सिकुड़ जाएंगे। दूसरे अस्पताल के रोगियों के स्वतंत्र समूह में, मॉडल ने लगभग 87 प्रतिशत बार उत्तरदाताओं (responders) की सही पहचान की, जो किसी भी एकल विधि के अकेले उपयोग की तुलना में काफी बेहतर प्रदर्शन था।
केवल यह भविष्यवाणी करने के अलावा कि कौन प्रतिक्रिया देगा, मॉडल ने भविष्य की एक झलक भी प्रदान की। शोधकर्ताओं ने पाया कि जिन रोगियों की पहचान मॉडल ने प्रतिक्रिया देने वाले के रूप में की थी, वे बीमारी के बढ़ने के बिना लंबे समय तक जीवित रहे। वास्तव में, मॉडल रोगियों को उच्च-जोखिम और निम्न-जोखिम समूहों में स्पष्ट अंतर के साथ विभाजित कर सकता था। कम जोखिम वाले रोगियों ने मध्यम रूप से 14 महीने तक बिना कैंसर बढ़े जीवित रहने का समय देखा, जबकि उच्च-जोखिम वाले समूह में यह केवल 6.3 महीने था। यह सुझाव देता है कि मॉडल ट्यूमर की जीव विज्ञान के बारे में कुछ मौलिक कैप्चर करता है जिसे साधारण माप नहीं देख पाते।
अध्ययन ने यह भी खुलासा किया कि यह दृष्टिकोण इतना प्रभावी क्यों है। ट्यूमर को उसके विभिन्न आवासों (habitats) में तोड़कर, मॉडल उन विशिष्ट क्षेत्रों को देख सका जो दवाओं के प्रति प्रतिरोध या संवेदनशीलता को संचालित करते हैं। आर्टिफिशियल इंटेलिजेंस ने एक और स्तर जोड़ा, जिसने जटिल दृश्य पैटर्न को पहचाना जिन्हें मानवीय आँखें या मानक माप नहीं देख पाते। जब इन दो शक्तिशाली विधियों को सरल क्लिनिकल डेटा के साथ मिलाया गया, तो उन्होंने मिलकर किसी भी एक भाग की तुलना में कहीं अधिक विश्वसनीय उपकरण बनाया। शोधकर्ताओं ने उल्लेख किया कि हालांकि मॉडल अत्यधिक आशाजनक है, लेकिन इसे पिछले डेटा पर बनाया गया है और प्रत्येक रोगी के लिए इसके मूल्य की पुष्टि करने के लिए भविष्य के बड़े अध्ययनों में परीक्षण की आवश्यकता है। फिर भी, निष्कर्ष एक मूर्त प्रगति प्रदान करते हैं: लिवर ट्यूमर की जटिल दुनिया के भीतर देखने का एक गैर-आक्रामक तरीका और बेहतर, अधिक सूचित निर्णय लेने का एक साधन।
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।