Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

तकनीकी सारांश: रेक्टल कैंसर में नियोएडजुवेंट कीमोरेडियोथेरेपी परिणामों के पूर्वानुमान के लिए संयुक्त नोमोग्राम

समस्या विवरण
लोकल एडवांस रेक्टल कैंसर (RC) में नियोएडजुवेंट कीमोरेडियोथेरेपी (nCRT) के परिणामों का सटीक पूर्वानुमान लगाना, आगामी उपचार रणनीतियों को निर्धारित करने के लिए महत्वपूर्ण है, जैसे कि पूर्ण प्रतिक्रिया देने वालों (complete responders) के लिए "वॉच एंड वेट" (watch and wait) या गैर-प्रतिक्रिया देने वालों के लिए समय पर सर्जरी। वर्तमान मूल्यांकन विधियों में, जिसमें पैथोलॉजिकल परीक्षण (आक्रामक और सैंपलिंग द्वारा सीमित), डिजिटल रेक्टल परीक्षण (व्यक्तिपरक और गहराई मापने में अक्षम), और सीरम ट्यूमर मार्कर जैसे CEA (नॉन-सेक्रेटर्स के लिए अप्रभावी) शामिल हैं, उन गैर-आक्रामक, सटीक और व्यक्तिगत क्षमताओं का अभाव है जो नैदानिक निर्णय लेने के लिए आवश्यक हैं। इसके अलावा, nCRT के बाद के घाव अक्सर एडिमा (edema), फाइब्रोसिस और सूजन प्रदर्शित करते हैं, जिससे मानक MRI के माध्यम से मूल्यांकन जटिल हो जाता है। यह अध्ययन एक मजबूत, गैर-आक्रामक पूर्वानुमान उपकरण की आवश्यकता को संबोधित करता है जो nCRT प्रभावकारिता का पूर्वानुमान लगाने के लिए इमेजिंग और नैदानिक डेटा को एकीकृत करता है।

कार्यप्रणाली (Methodology)
इस अध्ययन में 292 रेक्टल कैंसर रोगियों (230 प्रशिक्षण सेट में और 62 सत्यापन सेट में) के एक रेट्रोस्पेक्टिव कोहोर्ट का उपयोग किया गया, जिन्होंने pre-nCRT T2-वेटेड MRI और उसके बाद टोटल मेसोरेक्टल एक्सािशन (TME) कराया था। परिणाम को पैथोलॉजिकल ट्यूमर रिग्रेशन ग्रेडिंग (TRG) द्वारा परिभाषित किया गया था, जिसमें रोगियों को रिस्पोंडर्स (TRG1/2) और नॉन-रिस्पोंडर्स (TRG3) में वर्गीकृत किया गया।

कार्यप्रणाली में एक बहु-चरणीय मॉडलिंग दृष्टिकोण शामिल था:

1. इमेज प्रीप्रोसेसिंग और एनोटेशन: MR छवियों को N4 बायस फील्ड सुधार (bias field correction) के माध्यम से संसाधित किया गया, 1mm³ वोक्सेल (voxels) पर रीसैंपलिंग की गई, और अनुभवी रेडियोलॉजिस्ट द्वारा ITK-SNAP का उपयोग करके इंट्रा-ट्यूमरल और पेरी-ट्यूमरल क्षेत्रों का मैन्युअल सेगमेंटेशन किया गया।
2. रेडियोमिक्स मॉडल विकास: PyRadiomics का उपयोग करके 1,561 रेडियोमिक्स फीचर्स (शेप, फर्स्ट-ऑर्डर स्टैटिस्टिक्स और टेक्सचर) निकाले गए। फीचर्स को इंटर-ऑब्जर्वर विश्वसनीयता (ICC > 0.80), मल्टीकोलिनैरिटी (|r| ≥ 0.95) के लिए फ़िल्टर किया गया, और LASSO रिग्रेशन के माध्यम से चुना गया। दो मॉडल बनाए गए: एक केवल इंट्रा-ट्यूमरल क्षेत्रों का उपयोग करके (Rad-Tumor) और एक इंट्रा- और पेरी-ट्यूमरल क्षेत्रों को मिलाकर (Rad-Tumor+Peri)।
3. डीप लर्निंग (DL) मॉडल विकास: समान खंडित क्षेत्रों पर एक ResNet50 कन्वेल्शनल न्यूरल नेटवर्क को प्रशिक्षित किया गया। प्रशिक्षण नमूना आकार को आठ गुना बढ़ाने के लिए डेटा ऑग्मेंटेशन (रोटेशन, ट्रांसलेशन, स्केलिंग, फ्लिपिंग) लागू किया गया। रेडियोमिक्स की तरह ही, दो DL मॉडल बनाए गए: DL-Tumor और DL-Tumor+Peri।
4. क्लिनिकल वेरिएबल चयन: नैदानिक कारकों (डेमोग्राफिक्स, MRI स्टेजिंग, सीरम बायोमार्कर) की यूनिवेरिएट और मल्टीवेरिएट रिग्रेशन के माध्यम से स्क्रीनिंग की गई। केवल एक्स्ट्रामुरल वैस्कुलर इनवेजन (EMVI) और ट्यूमर लोकेशन को ही महत्वपूर्ण भविष्यवक्ता के रूप में रखा गया।
5. नोमोग्राम निर्माण: Radscore (Rad-Tumor+Peri से), DLscore (DL-Tumor+Peri से), और चयनित क्लिनिकल वेरिएबल्स (EMVI, ट्यूमर लोकेशन) को एकीकृत करके एक संयुक्त नोमोग्राम विकसित किया गया।

प्रमुख योगदान

• पेरी-ट्यूमरल क्षेत्रों का एकीकरण: यह अध्ययन दर्शाता है कि ट्यूमर-केवल मॉडलों की तुलना में पेरी-ट्यूमरल एडिपोज टिश्यू फीचर्स को शामिल करने से रेडियोमिक्स और डीप लर्निंग दोनों दृष्टिकोणों के लिए पूर्वानुमान प्रदर्शन में महत्वपूर्ण वृद्धि होती है।
• हाइब्रिड मॉडलिंग रणनीति: यह शोधपत्र एक ऐसा नोमोग्राम प्रस्तुत करता है जो एकल मोडैलिटी पर निर्भर रहने के बजाय उच्च-आयामी डीप लर्निंग फीचर्स, सांख्यिकीय रेडियोमिक्स सिग्नेचर और विशिष्ट क्लिनिकल जोखिम कारकों को तालमेल प्रदान करता है।
• तुलनात्मक विश्लेषण: यह पारंपरिक रेडियोमिक्स, डीप लर्निंग और उनके एकल नैदानिक ढांचे के भीतर संयुक्त अनुप्रयोग के बीच सीधा प्रदर्शन तुलना प्रदान करता है।

परिणाम

• मॉडल प्रदर्शन: सत्यापन डेटासेट में, संयुक्त नोमोग्राम ने 0.921 (95% CI, 0.824–0.974) के AUC के साथ उच्चतम पूर्वानुमान सटीकता प्राप्त की। यह स्टैंडअलोन DL-Tumor+Peri मॉडल (AUC 0.845) और Rad-Tumor+Peri मॉडल (AUC 0.739) से काफी बेहतर था (सभी p-मान < 0.05)।
• पेरी-ट्यूमरल फीचर्स का प्रभाव: पेरी-ट्यूमरल क्षेत्रों को शामिल करने से सत्यापन सेट में दोनों रेडियोमिक्स मॉडल (0.666 से 0.739 तक) और डीप लर्निंग मॉडल (0.817 से 0.845 तक) के AUC में सुधार हुआ।
• नैदानिक उपयोगिता: डिसीजन कर्व एनालिसिस (DCA) ने संकेत दिया कि नोमोग्राम ने अन्य मॉडलों की तुलना में अधिकांश थ्रेशोल्ड प्रोबेबिलिटी के लिए उच्च नेट बेनिफिट प्रदान किया। कैलिब्रेशन कर्व्स और हॉस्मर-लेमेशो टेस्ट ने अनुमानित संभावनाओं और वास्तविक परिणामों के बीच अच्छी निरंतरता की पुष्टि की।
• विशिष्ट क्लिनिकल कारक: मल्टीवेरिएट विश्लेषण ने 13 एकत्रित किए गए कारकों में से केवल EMVI और ट्यूमर लोकेशन को ही महत्वपूर्ण क्लिनिकल प्रेडिक्टर के रूप में पहचाना।

महत्व और दावे
लेखकों का दावा है कि विकसित नोमोग्राम रेक्टल कैंसर के रोगियों में पोस्टऑपरेटिव nCRT परिणामों के पूर्वानुमान के लिए एक प्रभावी, गैर-आक्रामक उपकरण के रूप में कार्य करता है। डीप लर्निंग फीचर्स, रेडियोमिक्स सिग्नेचर और क्लिनिकल वेरिएबल्स को एकीकृत करके, मॉडल एकल-मोडैलिटी दृष्टिकोणों की तुलना में बेहतर नैदानिक प्रदर्शन प्रदान करता है। यह अध्ययन तर्क देता है कि यह उपकरण चिकित्सकों को उपचार रणनीतियों को व्यक्तिगत बनाने में सहायता कर सकता है, जिससे संभावित रूप से अप्रभावी चिकित्सा के अनावश्यक दुष्प्रभावों से रोगियों को बचाया जा सकता है या गैर-प्रतिक्रिया देने वालों की पहचान करके ट्यूमर के बढ़ने को रोका जा सकता है। लेखक इस अध्ययन की सीमाओं को स्वीकार करते हैं, जिसमें इसका रेट्रोस्पेक्टिव, सिंगल-सेंटर प्रकृति और कम्प्यूटेशनल विधियों की जटिलता शामिल है, और सुझाव देते हैं कि मजबूती की पुष्टि करने के लिए बाहरी सत्यापन आवश्यक है।