Machine learning–based 18F-FDG PET/MR fusion radiomics for predicting EGFR mutation in lung cancer
इस अध्ययन ने फेफड़ों के कैंसर में EGFR उत्परिवर्तन (mutation) की स्थिति और प्रचुरता की सटीक भविष्यवाणी करने के लिए फ्यूज्ड 18F-FDG PET/MR छवियों का उपयोग करते हुए एक मशीन लर्निंग-आधारित रेडियोमिक्स मॉडल विकसित और मान्य किया है, जिससे नैदानिक निर्णय लेने के लिए प्रमुख भविष्यवक्ताओं के रूप में विशिष्ट चयापचय (metabolic) और बनावट संबंधी (textural) विशेषताओं की पहचान की गई 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
कल्पना कीजिए कि आप एक जासूस हैं जो एक मरीज के शरीर के भीतर एक रहस्य सुलझाने की कोशिश कर रहे हैं। आमतौर पर, यह पता लगाने के लिए कि फेफड़ों के कैंसर का कारण कौन सा "विलेन" (एक विशिष्ट आनुवंशिक उत्परिवर्तन या जेनेटिक म्यूटेशन) है, डॉक्टरों को बायोप्सी करनी पड़ती है—एक ऐसी प्रक्रिया जिसमें वे ऊतक (टिश्यू) का एक छोटा सा टुकड़ा लेने के लिए ट्यूमर में सुई चुभाते हैं। यह किसी अपराधी को अंधेरी गली में पकड़कर उसका फिंगरप्रिंट लेने जैसा है; यह काम तो करता है, लेकिन यह बहुत कष्टदायक है, मरीज के लिए डरावना है, और कभी-कभी अपराधी इतनी अच्छी तरह छिप जाता है कि जासूस खाली हाथ रह जाता है।
मेडिकल इमेजिंग की दुनिया में प्रवेश करें, विशेष रूप से एक उच्च-तकनीकी संयोजन जिसे PET/MR कहा जाता है। इसे एक सुपर-पावर्ड टॉर्च के रूप में सोचें जो एक साथ दो चीजें देख सकती है: ट्यूमर का आकार (जैसे एक मूर्तिकार मूर्ति को देखता है) और यह कितनी ऊर्जा जला रहा है (जैसे एक थर्मल कैमरा गर्मी को देखता है)। वैज्ञानिकों ने लंबे समय से संदेह किया है कि एक ट्यूमर कैसा दिखता है और वह कितनी ऊर्जा जलाता है, इसमें उसके आनुवंशिक मेकअप के बारे में गुप्त सुराग छिपे हो सकते हैं, जिससे संभावित रूप से डॉक्टर सुई के बिना केवल चित्रों को देखकर ही सब कुछ जान सकते हैं। बड़ा सवाल यह है: क्या एक कंप्यूटर, जो इन छवियों में उन सूक्ष्म पैटर्न को पहचानने के लिए प्रशिक्षित है जिन्हें मानवीय आँखें नहीं देख पातीं, हमें ठीक-ठीक बता सकता है कि कौन सा जेनेटिक म्यूटेशन कैंसर को चला रहा है और उस म्यूटेशन की ताकत कितनी है? यही वह पहेली थी जिसे शोधकर्ताओं ने सुलझाने का प्रयास किया।
डिजिटल डिटेक्टिव स्टोरी
इस अध्ययन में, सन यत-सेन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने फेफड़ों के कैंसर वाले 66 मरीजों का डेटा एकत्र किया जिन्होंने पहले से ही ये शानदार PET/MR स्कैन कराए थे। उनका लक्ष्य एक "डिजिटल डिटेक्टिव"—एक मशीन लर्निंग मॉडल—बनाना था, जो स्कैन को देख सके और दो चीजों की भविष्यवाणी कर सके: पहला, क्या मरीज में EGFR म्यूटेशन नामक एक विशिष्ट आनुवंशिक परिवर्तन है (हाँ या नहीं), और दूसरा, उस ट्यूमर के भीतर वह म्यूटेशन कितना "प्रचुर" (प्रतिशत में) है।
"हाँ या ना" का रहस्य: फैंसी फीचर्स के लिए एक डेड एंड
जब टीम ने सरल "हाँ या ना" वाले सवाल (क्या मरीज को म्यूटेशन है?) की भविष्यवाणी करने की कोशिश की, तो हाई-टेक दृष्टिकोण के परिणाम थोड़े निराशाजनक रहे। उन्होंने पाया कि इस जटिल समस्या को हल करने के लिए कंप्यूटर को PET/MR छवियों के जटिल, सुपर-डिटेल्ड टेक्सचर विश्लेषण की आवश्यकता नहीं थी। इसके बजाय, उत्तर स्पष्ट संकेतों के साथ सामने था: मरीज का लिंग, ट्यूमर का आकार, और MRI पर ट्यूमर कितना "ऊबड़-खाबड़" या अनियमित दिखता है।
वास्तव में, जब उन्होंने मॉडल में फैंसी रेडियोमिक्स फीचर्स (गहन टेक्सचर डेटा) जोड़ने की कोशिश की, तो इससे भविष्यवाणी में कोई सुधार नहीं हुआ। यह एक घर खोजने के लिए सैटेलाइट मैप का उपयोग करने जैसा था, जबकि एक साधारण सड़क का साइन बोर्ड ही काफी होता। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि ये जटिल PET/MR फीचर्स केवल यह बताने के लिए कि म्यूटेशन मौजूद है या नहीं, कोई अतिरिक्त मूल्य प्रदान करते हैं। इस कार्य के लिए सबसे अच्छा मॉडल क्लिनिकल तथ्यों और बुनियादी MRI संकेतों पर आधारित एक सीधा मॉडल था, जिसने बहुत उच्च सटीकता स्कोर (0.906 का AUC) प्राप्त किया, लेकिन फैंसी इमेज विश्लेषण ने कुछ भी नया नहीं जोड़ा।
"कितना ज्यादा" का रहस्य: एक सुनहरा हिट
हालाँकि, कहानी पूरी तरह बदल जाती है जब जासूसों ने दूसरे प्रश्न का उत्तर देने की कोशिश की: म्यूटेशन कितना है? इसे "वेरिएंट एलील फ्रीक्वेंसी" (VAF) के रूप में मापा जाता है, जो मूल रूप से ट्यूमर कोशिकाओं का वह प्रतिशत है जिनमें म्यूटेशन मौजूद है।
यहाँ, मशीन लर्निंग मॉडल चमक उठा। PET छवियों (स्कैन के "ऊर्जा" वाले हिस्से) का विश्लेषण करके, कंप्यूटर ने एक बहुत ही विशिष्ट पैटर्न खोजा जो एक क्रिस्टल बॉल की तरह काम करता है।
- पूरे मरीजों के समूह में, मॉडल म्यूटेशन की प्रचुरता के अंतर को लगभग 68.7% तक समझा सका।
- मुख्य सुराग "मानकीकृत चयापचय गतिविधि" (ट्यूमर चीनी के लिए कितना भूखा है) और "PET वेवलेट LLH कर्टोसिस" नामक एक विशिष्ट टेक्सचर फीचर (ऊर्जा के हॉटस्पॉट्स कितने नुकीले या केंद्रित हैं, इसका वर्णन करने का एक फैंसी तरीका) थे।
"एक्सॉन 21" जैकपॉट
सबसे रोमांचक खोज तब हुई जब उन्होंने मरीजों के एक विशिष्ट उपसमूह (सबग्रुप) को देखा: वे मरीज जिनमें "Exon 21" (जीन का एक विशिष्ट स्थान) में म्यूटेशन था। इस समूह के लिए, मॉडल ने न केवल अच्छा काम किया; यह लगभग जादुई था।
- PET स्कैन के एक एकल फीचर, जिसे "PET_wavelet-HHL_ngtdm_Busyness" कहा जाता है, ने म्यूटेशन की प्रचुरता के अंतर को भारी 85.8% तक समझाया।
- "Busyness" (व्यस्तता) क्या है? कल्पना कीजिए कि आप हेलीकॉप्टर से एक व्यस्त शहर की सड़क को देख रहे हैं। यदि ट्रैफ़िक सुचारू और एक समान है, तो वह "शांत" है। यदि ट्रैफ़िक अराजक है, जिसमें कारें बेतरतीब ढंग से मुड़ रही हैं और रुक रही हैं, तो वह "व्यस्त" है। ट्यूमर में, उच्च "Busyness" स्कोर का अर्थ है कि कैंसर कोशिकाएं ऊर्जा को बहुत अराजक और अनियमित तरीके से जला रही हैं। अध्ययन में पाया गया कि ऊर्जा जलाने का तरीका जितना अधिक अराजक होगा, म्यूटेशन ले जाने वाली कोशिकाओं का प्रतिशत उतना ही अधिक होगा।
इसका क्या अर्थ है (और क्या नहीं है)
शोधकर्ता सावधानी बरतते हुए यह स्पष्ट करते हैं कि हालांकि ये परिणाम आशाजनक हैं, लेकिन वे अभी भी "एक्सप्लोरेटरी" (अन्वेषणात्मक) चरण में हैं। अध्ययन छोटा था (केवल 66 मरीज, और विशिष्ट उपसमूहों के लिए और भी कम), और यह केवल एक अस्पताल में किया गया था। उन्होंने अभी तक यह साबित नहीं किया है कि यह सभी के लिए काम करता है; उन्होंने केवल यह दिखाया है कि यह एक मजबूत संभावना का सुझाव देता है।
पेपर निष्कर्ष निकालता है कि जबकि फैंसी इमेज विश्लेषण हमें यह तय करने में मदद नहीं कर सकता कि म्यूटेशन मौजूद है या नहीं (क्योंकि बुनियादी क्लिनिकल संकेत पहले से ही अच्छे हैं), यह यह समझने में अविश्वसनीय रूप से उपयोगी हो सकता है कि म्यूटेशन कितना है, विशेष रूप से Exon 21 प्रकार के लिए। यह भविष्य में डॉक्टरों को यह तय करने में मदद कर सकता है कि एक मरीज को वास्तव में कितनी दवा की आवश्यकता है, जिससे "एक ही आकार सबके लिए" (one-size-fits-all) वाले दृष्टिकोण से हटकर एक अत्यधिक व्यक्तिगत योजना की ओर बढ़ा जा सके। लेकिन फिलहाल, टीम का कहना है कि वास्तविक दुनिया में इस पर भरोसा करने से पहले हमें कई और मरीजों और विभिन्न अस्पतालों पर इसका परीक्षण करने की आवश्यकता 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।