Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
यह अध्ययन प्रदर्शित करता है कि पंजीकृत युग्मित H&E और IHC स्लाइड्स पर प्रशिक्षित एक मल्टीमॉडल डीप लर्निंग मॉडल HER2 FISH परिणामों की सटीक भविष्यवाणी कर सकता है, जो संभावित रूप से लगभग एक-तिहाई संदिग्ध स्तन कैंसर के मामलों में महंगी FISH टेस्टिंग की आवश्यकता को समाप्त 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
स्तन कैंसर कोई एक अकेली बीमारी नहीं है, बल्कि विभिन्न स्थितियों का एक संग्रह है, जिनमें से प्रत्येक विशिष्ट आणविक संकेतों द्वारा संचालित होती है जो यह तय करते हैं कि ट्यूमर कैसे बढ़ेगा और उसका उपचार कैसे किया जाना चाहिए। सबसे महत्वपूर्ण संकेतों में से एक को पहचानना है, जो एक प्रोटीन है जिसे HER2 कहा जाता है। जब यह प्रोटीन अधिक मात्रा में मौजूद होता है, तो यह कैंसर के लिए एक 'एक्सीलेटर' (गैस पेडल) की तरह काम करता है, जिससे यह तेजी से बढ़ता है। सौभाग्य से, डॉक्टरों ने लक्षित उपचार (टारगेटेड थेरेपी) विकसित किए हैं जो इस एक्सीलेटर को बंद कर सकते हैं, लेकिन ये उपचार तभी काम करते हैं जब मरीज के कैंसर में वास्तव में HER2 का संकेत मौजूद हो। यह जानने के लिए, रोगविज्ञानी (पैथोलॉजिस्ट) सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे ऊतकों के नमूनों की जांच करते हैं। वे पहले एक मानक रंजित स्लाइड (स्टेंड स्लाइड) देखते हैं, जो कोशिकाओं के सामान्य आकार को दर्शाती है, और फिर वे अक्सर HER2 प्रोटीन को ही उभारने के लिए एक विशेष रासायनिक रंग (स्टेन) का उपयोग करते हैं। यदि प्रोटीन का स्तर स्पष्ट रूप से उच्च या स्पष्ट रूप से कम है, तो निदान सीधा होता है। हालांकि, लगभग सात में से एक मरीज उस 'ग्रे एरिया' (अनिश्चित क्षेत्र) में आता है जहाँ प्रोटीन का स्तर अस्पष्ट होता है। इन मरीजों के लिए, मानक प्रक्रिया में एक तीसरा, अधिक जटिल परीक्षण आवश्यक होता है जो कोशिकाओं के भीतर वास्तविक जीन की गिनती करने के लिए प्रकाश का उपयोग करता है। यह अतिरिक्त परीक्षण महंगा, समय लेने वाला है, और हर किसी के लिए उपलब्ध नहीं है, विशेष रूप से उन क्षेत्रों में जहाँ चिकित्सा संसाधन कम हैं।
इजराइल, पुर्तगाल और संयुक्त राज्य अमेरिका के शोधकर्ताओं की एक टीम ने कई मरीजों के लिए इस कठिन तीसरे चरण को दरकिनार करने के तरीके की खोज की है। उन्होंने पूछा कि क्या एक कंप्यूटर, जिसे हजारों सूक्ष्मदर्शी छवियों पर प्रशिक्षित किया गया है, मानक ऊतक स्लाइड और विशेष प्रोटीन स्टेन दोनों को एक साथ देखकर जटिल जीन परीक्षण के परिणाम की भविष्यवाणी कर सकता है। ऐसा करने के लिए, उन्हें पहले एक भौतिक पहेली को हल करना था: दोनों स्लाइड एक ही ऊतक के टुकड़े से आती हैं लेकिन उन्हें अलग-अलग समय पर काटा गया है और अलग-अलग तरह से रंजित (स्टेन) किया गया है, जिसका अर्थ है कि वे पूरी तरह से एक सीध में नहीं हैं। शोधकर्ताओं ने इन दो छवियों को डिजिटल रूप से संरेखित (अलाइन) करने का एक तरीका विकसित किया, जिसमें एक स्लाइड पर कोशिकाओं के विशिष्ट पैटर्न को दूसरी स्लाइड के अनुरूप पैटर्न से मिलाया गया। इसके बाद उन्होंने इन संरेखित जोड़ों को एक 'डीप लर्निंग सिस्टम' में डाला, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) है जो विशाल मात्रा में दृश्य डेटा का विश्लेषण करके सीखता है। इस प्रणाली को ऊतक में उन सूक्ष्म दृश्य संकेतों को पहचानने के लिए प्रशिक्षित किया गया जो यह दर्शाते हैं कि क्या कैंसर कोशिकाओं में वह जीन प्रवर्धन (जीन एम्प्लीफिकेशन) होने की संभावना है जिसे जटिल परीक्षण आमतौर पर पहचानता है।
लगभग 1,500 मरीजों के डेटा का विश्लेषण करने वाले इस अध्ययन में पाया गया कि यह संयुक्त दृष्टिकोण उल्लेखनीय सटीकता के साथ काम करता है। जब शोधकर्ताओं ने इस प्रणाली का परीक्षण उन मामलों में किया जहाँ प्रारंभिक प्रोटीन स्टेन अस्पष्ट था, तो कंप्यूटर मॉडल उच्च स्तर की निश्चितता के साथ जीन परीक्षण के परिणाम की भविष्यवाणी करने में सक्षम था। लगभग एक-तिहाई कठिन मामलों में, मॉडल अपनी भविष्यवाणी में इतना आश्वस्त था कि वह प्रभावी रूप से महंगे जीन परीक्षण की आवश्यकता को खारिज कर सकता था। लगभग आठ प्रतिशत अस्पष्ट मामलों में, मॉडल निश्चित था कि कैंसर जीन के लिए सकारात्मक था, और लगभग इक्कीस प्रतिशत मामलों में, यह निश्चित था कि कैंसर नकारात्मक था। इन विशिष्ट समूहों में, मॉडल की भविष्यवाणियां इतनी विश्वसनीय थीं कि वे अध्ययन के सत्यापन (वैलिडेशन) में 'गोल्ड स्टैंडर्ड' टेस्ट से पूरी तरह मेल खाती थीं। यह सुझाव देता है कि मरीजों के एक बड़े हिस्से के लिए, सटीक निदान से समझौता किए बिना जटिल जीन परीक्षण को छोड़ा जा सकता है।
शोधकर्ताओं ने अपने नए तरीके की तुलना केवल प्रोटीन स्टेन या केवल मानक ऊतक स्लाइड के उपयोग से भी की। उन्होंने पाया कि जबकि प्रोटीन स्टेन अकेले अच्छा था, लेकिन मानक ऊतक स्लाइड जोड़ने से परिणामों में काफी सुधार हुआ। मानक स्लाइड ने संदर्भ (कॉन्टेक्स्ट) प्रदान किया, जिससे कंप्यूटर को विशेष रूप से कैंसर वाले क्षेत्रों पर ध्यान केंद्रित करने और आसपास के स्वस्थ ऊतकों को अनदेखा करने में मदद मिली, जिससे बेहतर भविष्यवाणियां हुईं। अध्ययन सुझाव देता है कि यह तकनीक 'ट्राइएज' (छंटनी) के लिए एक शक्तिशाली उपकरण हो सकती है, जिससे डॉक्टरों को यह तय करने में मदद मिल सकती है कि किन मरीजों को वास्तव में महंगे जीन परीक्षण की आवश्यकता है और किन्हें सरल छवियों के आधार पर उपचारित किया जा सकता है। यह उन देशों में विशेष रूप से मूल्यवान हो सकता है जहाँ जटिल परीक्षण प्राप्त करना कठिन है, जिससे संभावित रूप से अधिक मरीजों को जल्दी सही जीवन रक्षक उपचार मिल सके।
हालांकि, लेखक सावधानीपूर्वक यह नोट करते हैं कि यह हर स्थिति में जीन परीक्षण का विकल्प नहीं है। मॉडल अभी भी कुछ मामलों में गलतियाँ करता है, और इसे प्रोटीन के बहुत कम स्तरों का पता लगाने के लिए नहीं बनाया गया था जो नए उपचारों के लिए प्रासंगिक होते जा रहे हैं। अध्ययन एक विशिष्ट डेटा सेट पर किया गया था, और शोधकर्ता स्वीकार करते हैं कि व्यापक रूप से अपनाए जाने से पहले इस प्रणाली को अन्य अस्पतालों और विभिन्न रोगी समूहों के साथ परीक्षण करने की आवश्यकता है। वे यह भी बताते हैं कि वर्तमान में उनके तरीके के लिए एक इंसान द्वारा स्लाइडों पर कुछ बिंदुओं को चिह्नित करने की आवश्यकता होती है ताकि कंप्यूटर उन्हें संरेखित करने में मदद कर सके, यह एक ऐसा चरण है जिसे पूरी तरह से स्वचालित बनाने के लिए परिष्कृत किया जा रहा है। इन सीमाओं के बावजूद, यह कार्य प्रदर्शित करता है कि दो सामान्य प्रकार की सूक्ष्मदर्शी छवियों को आर्टिफिशियल इंटेलिजेंस के साथ जोड़कर ऐसी जानकारी निकाली जा सकती है जिसके लिए पहले बहुत अधिक जटिल और महंगी प्रक्रिया की आवश्यकता मानी जाती थी।
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।