Predicting EGFR-TKI resistance in EGFR-mutant lung adenocarcinoma from H&E histopathology with weakly supervised multiple-instance learning
यह अध्ययन प्रदर्शित करता है कि नियमित H&E होल-स्लाइड छवियों पर गेटेड-अटेंशन मल्टीपल-इंस्टेंस लर्निंग का उपयोग करने वाला एक लाइटवेट, वीकली सुपरवाइज्ड डीप-लर्निंग फ्रेमवर्क, विशिष्ट परमाणु विशेषताओं द्वारा अभिलक्षित और TP53 सह-उत्परिवर्तन (co-mutations) से जुड़े एक लेटेंट मॉर्फोलॉजिक रिस्क फेनोटाइप की पहचान करके, EGFR-म्यूटेंट लंग एडेनोकार्सिनोमा में EGFR-TKI प्रतिरोध की सटीक भविष्यवाणी कर सकता 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
फेफड़ों के कैंसर के खिलाफ लड़ाई में, डॉक्टर अक्सर ट्यूमर कोशिकाओं के भीतर विशिष्ट आनुवंशिक त्रुटियों को लक्षित करने के लिए 'टाइरोसिन काइनेज इनहिबिटर' नामक दवाओं की श्रेणी की ओर मुड़ते हैं। ये दवाएं उन रोगियों के एक बड़े समूह के लिए उल्लेखनीय रूप से प्रभावी होती हैं जिनके कैंसर में EGFR नामक जीन में उत्परिवर्तन (म्यूटेशन) होता है, लेकिन ये हर समस्या का समाधान नहीं हैं। समय के साथ, लगभग हर रोगी का कैंसर उपचार के प्रति प्रतिरोध विकसित कर लेता है, जिससे बीमारी वापस आ जाती है। वर्तमान में, यह पता लगाना कि क्या कोई रोगी इन दवाओं पर प्रतिक्रिया देगा या प्रतिरोध विकसित करेगा, दर्दनाक प्रक्रियाओं की आवश्यकता होती है, जैसे कि नए ऊतक (टिश्यू) के नमूने लेना या रक्त निकालना और महंगे आनुवंशिक परीक्षण करना। इसके बावजूद, ये विधियाँ ट्यूमर की जटिल और बदलती प्रकृति को समझने में विफल हो सकती हैं। यह एक महत्वपूर्ण अंतर छोड़ देता है: उपचार की सफलता का जल्दी पूर्वानुमान लगाने के लिए एक ऐसे तरीके की आवश्यकता है, जो अस्पतालों में पहले से मौजूद मानक उपकरणों का उपयोग करे और जिसमें नई बायोप्सी की आवश्यकता न हो।
शोधकर्ताओं ने साधारण सूक्ष्मदर्शी स्लाइड (माइक्रोस्कोप स्लाइड) की ओर रुख किया है, जो वह रंजित ऊतक नमूना है जिसे रोगविज्ञानी (पैथोलॉजिस्ट) एक सदी से अधिक समय से जांचते रहे हैं। गुलाबी और बैंगनी रंगों से रंजित ये स्लाइड्स ट्यूमर की संरचना को प्रकट करती हैं। हालांकि एक मानवीय आंख बीमारी के स्पष्ट संकेतों को पहचान सकती है, लेकिन वे सूक्ष्म पैटर्न जो यह संकेत देते हैं कि क्या ट्यूमर दवा का विरोध करेगा, अक्सर देखने में बहुत धुंधले होते हैं। हेबेई मेडिकल यूनिवर्सिटी और उससे जुड़े अस्पतालों के चीन के वैज्ञानिकों की एक टीम ने इन छिपे हुए संकेतों को पढ़ने का एक नया तरीका विकसित किया है। उन्होंने एक कंप्यूटर सिस्टम बनाया जो ऊतक स्लाइड की पूरी डिजिटल छवि को देखता है, और यह सीखने में सक्षम है कि उन सूक्ष्म सुरागों को कैसे पहचाना जाए जो एक उपचार के प्रति प्रतिक्रिया देने वाले ट्यूमर और एक गैर-प्रतिक्रियाशील ट्यूमर के बीच अंतर करते हैं।
टीम ने फेफड़ों के कैंसर के एक विशिष्ट प्रकार, 'लंग एडेनोकार्सिनोमा' वाले 100 रोगियों पर ध्यान केंद्रित किया, जिनमें से सभी में EGFR उत्परिवर्तन था और जो उपचार शुरू करने वाले थे। उन्होंने मानक ऊतक स्लाइड्स एकत्र कीं जो रोगियों द्वारा चिकित्सा शुरू करने से पहले ली गई थीं। कंप्यूटर को यह सिखाने के लिए कि प्रत्येक कोशिका के चारों ओर रेखाएं कैसे खींची जाएं, जो कि अत्यंत धीमा और कठिन कार्य होता, उन्होंने 'वीकली सुपरवाइज्ड लर्निंग' (कमजोर पर्यवेक्षित शिक्षण) नामक तकनीक का उपयोग किया। इस दृष्टिकोण में, कंप्यूटर को पूरी स्लाइड दिखाई जाती है और केवल अंतिम परिणाम बताया जाता है: क्या रोगी ने दवा के प्रति प्रतिक्रिया दी, या बीमारी आगे बढ़ी? इसके बाद कंप्यूटर स्वयं यह पता लगाता है कि छवि के कौन से छोटे हिस्से उस परिणाम के लिए जिम्मेदार हैं। यह विशाल स्लाइड को हजारों छोटे, प्रबंधनीय टुकड़ों में तोड़ता है, प्रत्येक टुकड़े की विशेषताओं का विश्लेषण करता है, और अंतिम भविष्यवाणी करने के लिए सबसे महत्वपूर्ण तत्वों को तौलना सीखता है।
उनके द्वारा बनाया गया कंप्यूटर मॉडल अत्यधिक प्रभावी सिद्ध हुआ। परीक्षण के दौरान, इसने लगभग 89 प्रतिशत मामलों में उपचार के परिणाम का सही अनुमान लगाया, जो कि शोधकर्ताओं द्वारा आजमाए गए अन्य सामान्य तरीकों की तुलना में अधिक सटीक था। सिस्टम ने केवल अनुमान नहीं लगाया; इसने उन ऊतकों के विशिष्ट क्षेत्रों पर ध्यान केंद्रित करना सीखा जो सबसे अधिक महत्वपूर्ण थे। यह देखकर कि कंप्यूटर कहाँ ध्यान केंद्रित कर रहा था, शोधकर्ताओं ने पाया कि मॉडल एक विशिष्ट जैविक हस्ताक्षर (बायोलॉजिकल सिग्नेचर) की पहचान कर रहा था जो प्रतिरोधी ट्यूमर में मौजूद था। इन टमरों में कोशिकीय स्तर पर अराजकता के संकेत मिले: कोशिकाएं एक साथ अधिक सघन रूप से पैक थीं, उनका आकार अधिक अनियमित था, और उनके केंद्रक (न्यूक्लिआई)—जो कोशिकाओं के नियंत्रण केंद्र हैं—प्रतिफल देने वाले टदमरों की तुलना में बड़े और अधिक अव्यवस्थित थे।
विशेष रूप से, प्रतिरोधी समूह के केंद्रक का औसत क्षेत्रफल 78.3 वर्ग माइक्रोमीटर था, जबकि संवेदनशील समूह में यह 62.7 वर्ग माइक्रोमीटर था। प्रतिरोधी मामलों में केंद्रक के आकार और शेष कोशिका के अनुपात का भी उच्च स्तर था, और केंद्रक के भीतर आनुवंशिक सामग्री की बनावट अधिक अराजक थी। यह अव्यवस्था यादृच्छिक नहीं है; यह गहरी आनुवंशिक अस्थिरता से जुड़ी है। अध्ययन में पाया गया कि जिन रोगियों के ट्यूमर में ये अराजक पैटर्न थे, उनमें TP53 नामक जीन में दूसरे उत्परिवर्तन होने की संभावना बहुत अधिक थी, जो कोशिकाओं को क्षति की मरम्मत करने में मदद करने के लिए जाना जाता है। कंप्यूटर द्वारा प्रतिरोधी घोषित किए गए समूह में 62.5 प्रतिशत रोगियों में यह TP53 उत्परिवर्तन था, जबकि अच्छी प्रतिक्रिया देने वाले समूह में यह केवल 38.3 प्रतिशत था। यह सुझाव देता है कि कंप्यूटर केवल यादृच्छिक शोर नहीं देख रहा है, बल्कि वास्तव में एक ऐसे ट्यूमर के भौतिक पदचिह्न को पहचान रहा है जो आनुवंशिक रूप से अस्थिर है और इसलिए नियंत्रित करना कठिन है।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या यह विधि रोगी के विशिष्ट EGFR उत्परिवर्तन के प्रकार के आधार पर अलग तरह से काम करती है। कंप्यूटर ने एक सामान्य उत्परिवर्तन प्रकार वाले रोगियों के लिए बेहतर प्रदर्शन किया, जिन्होंने 90 प्रतिशत मामलों में सही भविष्यवाणी की, जबकि दूसरे प्रकार के लिए यह 87 प्रतिशत थी। यह अंतर संकेत देता है कि ट्यूमर की भौतिक संरचना उस आनुवंशिक त्रुटि के आधार पर थोड़ी भिन्न हो सकती है जो इसे संचालित करती है, लेकिन समग्र दृष्टिकोण सभी के लिए सुदृढ़ बना रहा। इस प्रणाली ने यह परिणाम बिना किसी विशेष उपकरण के प्राप्त किया, केवल एक मानक डिजिटल माइक्रोस्कोप स्कैनर और एक कंप्यूटर की सहायता से, जिससे यह उन अस्पतालों के लिए एक संभावित सुलभ उपकरण बन जाता है जिनके पास उन्नत आनुवंशिक परीक्षण क्षमताएं नहीं हैं।
यद्यपि परिणाम उत्साहजनक हैं, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह एक प्रारंभिक चरण है। यह अध्ययन दो अस्पतालों के अपेक्षाकृत छोटे रोगी समूह पर किया गया था, और मॉडल का परीक्षण अभी तक अन्य संस्थानों के रोगियों के पूरी तरह से अलग समूह पर नहीं किया गया है। कंप्यूटर भविष्य देखने वाला कोई 'क्रिस्टल बॉल' नहीं है, बल्कि एक परिष्कृत पैटर्न पहचानकर्ता है जिसने ऊतक स्लाइड की दृश्य अराजकता को दवा प्रतिरोध की नैदानिक वास्तविकता से जोड़ना सीख लिया है। यह पुराने डेटा को देखने का एक नया तरीका प्रदान करता है, जो यह सुझाव देता है कि कैंसर उपचार के कुछ सबसे कठिन प्रश्नों के उत्तर पहले से ही पैथोलॉजी लैब के अभिलेखागारों में मौजूद हैं, जो एक ऐसी मशीन द्वारा पढ़े जाने की प्रतीक्षा कर रहे हैं जो जानती है कि क्या देखना है। यदि भविष्य के अध्ययन इन निष्कर्षों की पुष्टि करते हैं, तो यह दृष्टिकोण डॉक्टरों को यह निर्णय लेने में मदद कर सकता है कि किन रोगियों को अधिक गहन निगरानी या वैकल्पिक उपचारों की आवश्यकता है, जिससे दूसरों को अप्रभावी उपचारों से बचाकर उन्हें अपनी बीमारी के प्रबंधन का बेहतर अवसर मिल सके।
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।