Radiomics and Deep Learning Features Based on 18F-FDG PET/CT for Predicting Occult Lymph Node Metastasis in Non-small Cell Lung Cancer

कल्पना कीजिए कि आप एक जासूस हैं जो एक हलचल भरे शहर के भीतर एक रहस्य सुलझाने की कोशिश कर रहे हैं। वह शहर एक मानव शरीर है, और "अपराधी" कैंसर कोशिकाओं के छोटे, छिपे हुए समूह हैं जो मुख्य ट्यूमर से निकलकर लिम्फ नोड्स में छिप गए हैं—जो बीन के आकार के फिल्टर हैं और शरीर के सुरक्षा चेकपॉइंट के रूप में कार्य करते हैं। फेफड़ों के कैंसर की दुनिया में, सर्जरी से पहले इन छिपे हुए अपराधियों को ढूंढना एक बहुत बड़ी चुनौती है। मानक कैमरे, जैसे कि PET/CT स्कैन जिनका डॉक्टर उपयोग करते हैं, बड़े और स्पष्ट उपद्रवी तत्वों को पकड़ने में माहिर हैं, लेकिन वे चालाक, सूक्ष्म अपराधियों को अक्सर चूक जाते हैं। यह एक घास के ढेर में सुई खोजने की कोशिश करने जैसा है जिसमें आप केवल एक टॉर्च का उपयोग कर रहे हैं; कभी-कभी सुई इतनी छोटी होती है कि उस पर प्रकाश का परावर्तन भी दिखाई नहीं देता।

इसे हल करने के लिए, वैज्ञानिकों ने दो नए 'सुपर-स्लीथ' (कुशल जासूसी) उपकरण विकसित किए हैं। पहला उपकरण रेडियोमिक्स (Radiomics) है, जो एक ट्यूमर की उच्च-रिज़ॉल्यूशन वाली फोटो लेने और फिर एक कंप्यूटर का उपयोग करके हजारों सूक्ष्म विवरणों को मापने जैसा है—जैसे कि उसकी बनावट कितनी ऊबड़-खाबड़ है, रंग कैसे वितरित हैं, और उसका आकार कैसे मुड़ता और घूमता है। यह लकड़ी के दाने का विश्लेषण करने जैसा है ताकि यह अनुमान लगाया जा सके कि वह किस तरह के पेड़ से आया है, भले ही आप पूरे पेड़ को न देख पा रहे हों। दूसरा उपकरण डीप लर्निंग (Deep Learning) है, जो एक प्रकार की आर्टिफिशियल इंटेलिजेंस है जो एक अत्यंत अवलोकनशील प्रशिक्षु (apprentice) की तरह काम करती है जिसने लाखों चित्रों का अध्ययन किया है। केवल आकृतियों को मापने के बजाय, यह AI पूरे चित्र को एक इकाई के रूप में देखता है और जटिल पैटर्न को पहचानने के लिए सीखता है जिन्हें मानवीय आँखें (और यहाँ तक कि मानक कंप्यूटर भी) नहीं देख पाते। बड़ा सवाल यह है कि क्या हम रेडियोमिक्स के विस्तृत मापों, डीप लर्निंग के पैटर्न पहचानने वाले मस्तिष्क और रोगी के अपने मेडिकल इतिहास को मिलाकर एक "सुपर-डिटेक्टिव" बना सकते हैं, जो सर्जरी शुरू होने से पहले ही इन छिपे हुए कैंसर जासूसों को ढूंढ निकाले?

---

शोध पत्र की कहानी: परम कैंसर जासूस का निर्माण

इस अध्ययन में, चीन के निंगबो और सूज़ौ के अस्पतालों के शोधकर्ताओं की एक टीम ने इस "सुपर-डिटेक्टिव" को बनाने का निर्णय लिया ताकि ओकलट लिम्फ नोड मेटास्टेसिस (OLM) का पूर्वानुमान लगाया जा सके। "ओकलट" (Occult) बस एक फैंसी मेडिकल शब्द है जिसका अर्थ है "छिपा हुआ"। ये वे मामले हैं जहाँ स्कैन में रोगी के लिम्फ नोड्स पूरी तरह से सामान्य दिखते हैं, लेकिन जब सर्जन सर्जरी के दौरान उन्हें निकालते हैं, तो उन्हें अंदर कैंसर कोशिकाएं मिलती हैं। यह एक पेचीदा स्थिति है क्योंकि यदि डॉक्टरों को पता नहीं चलता कि कैंसर फैल गया है, तो वे या तो पर्याप्त ऊतक (tissue) नहीं निकाल पाएंगे, या वे बहुत अधिक ऊतक निकाल देंगे, जिससे अनावश्यक नुकसान हो सकता है।

टीम ने 490 रोगियों का डेटा एकत्र किया जिन्हें नॉन-स्मॉल सेल लंग कैंसर (NSCLC) नामक फेफड़ों के कैंसर का एक विशिष्ट प्रकार था। इन रोगियों के ट्यूमर स्कैन में छोटे और स्थानीयकृत दिख रहे थे, लेकिन शोधकर्ता जानना चाहते थे कि क्या उनमें से कोई पहले से ही लिम्फ नोड्स में घुस चुका है। उन्होंने इन रोगियों को समूहों में विभाजित किया: एक बड़ा "प्रशिक्षण" (training) समूह ताकि उनके कंप्यूटर मॉडल को सिखाया जा सके, और छोटे "परीक्षण" (test) समूह यह देखने के लिए कि क्या मॉडल बिना नकल किए अपने आप रहस्य को सुलझा सकते हैं।

उन्होंने AI को कैसे प्रशिक्षित किया:
सबसे पहले, उन्होंने PET/CT स्कैन लिए और ट्यूमर को मैन्युअल रूप से रेखांकित किया। फिर, उन्होंने इस डेटा को दो अलग-अलग प्रणालियों में डाला:

1. रेडियोमिक्स सिस्टम: इसने छवियों से 3,000 से अधिक सूक्ष्म विशेषताएं निकालीं, जो ट्यूमर के आकार से लेकर रेडियोधर्मी शर्करा (जिसका उपयोग स्कैन में किया जाता है) के अवशोषण में सूक्ष्म विविधताओं तक सब कुछ वर्णित करती हैं।
2. डीप लर्निंग सिस्टम: उन्होंने एक पूर्व-प्रशिक्षित आर्टिफिशियल इंटेलिजेंस का उपयोग किया (विशेष रूप से एक नेटवर्क जिसे ResNet50 कहा जाता है) जिसने पहले ही लाखों सामान्य तस्वीरों से वस्तुओं को पहचानना सीख लिया था। उन्होंने इसे ट्यूमर के स्लाइस दिखाए, और AI ने अपने स्वयं के छिपे हुए पैटर्न निकाले।

उन्होंने रोगियों के "महत्वपूर्ण आँकड़ों" (vital stats) को भी देखा, जैसे कि उम्र, क्या वे धूम्रपान करते थे, रक्त परीक्षण के परिणाम (विशेष रूप से एक मार्कर जिसे CEA कहा जाता है), और ट्यूमर का आकार।

बड़ा प्रयोग:
शोधकर्ताओं ने सात अलग-अलग डिटेक्टिव टीमें (मॉडल) बनाईं यह देखने के लिए कि सबसे अच्छा कौन है:

• वे टीमें जिन्होंने केवल रोगी के इतिहास का उपयोग किया।
• वे टीमें जिन्होंने केवल रेडियोमिक्स विवरणों का उपयोग किया।
• वे टीमें जिन्होंने केवल डीप लर्निंग पैटर्न का उपयोग किया।
• और अंत में, "ऑल-स्टार" टीम जिसने डीप लर्निंग + रेडियोमिक्स + क्लिनिकल डेटा को मिलाया।

उन्हें क्या मिला:
परिणाम स्पष्ट थे। "ऑल-स्टार" टीम, जिसे लेखक DLRC मॉडल (Deep Learning-Radiomics-Clinical) कहते हैं, निर्विवाद विजेता थी।

• आंतरिक परीक्षण समूह में, इसने छिपे हुए कैंसर की पहचान 89% बार सही ढंग से की (एक AUC स्कोर 0.890)।
• बाहरी परीक्षण समूह (एक अलग अस्पताल के रोगी) में, यह अविश्वसनीय रूप से सटीक रहा, जिसने इसे 87.2% बार सही पहचाना (AUC 0.872)।
• यह अकेले उपयोग की जाने वाली किसी भी एकल पद्धति से बहुत बेहतर था। यह उंगलियों के निशान पढ़ने और पैरों के निशान देखने और संदिग्ध की आदतों को जानने वाले जासूस के पास होने जैसा है, बजाय इसके कि उसके पास इनमें से केवल एक कौशल हो।

अध्ययन ने Grad-CAM नामक एक विशेष हीट-मैप टूल का भी उपयोग किया यह देखने के लिए कि AI वास्तव में क्या देख रहा था। यह पाया गया कि AI ट्यूमर के केंद्र (core) पर ध्यान केंद्रित कर रहा था, जिससे पुष्टि हुई कि सबसे महत्वपूर्ण सुराग द्रव्यमान के ठीक केंद्र में छिपे हुए थे।

भविष्य के लिए यह क्यों मायने रखता है:
शोधकर्ताओं ने केवल कैंसर खोजने में ही नहीं रोका; उन्होंने यह भी जांचा कि क्या उनका "जोखिम स्कोर" (risk score) रोगियों के जीवन के लिए मायने रखता है। उन्होंने पाया कि जिन रोगियों को मॉडल ने "उच्च-जोखिम" (high-risk) के रूप में लेबल किया (अर्थात इसे छिपे हुए कैंसर का संदेह था), उनमें कम-जोखिम वाले लोगों की तुलना में जीवित रहने की दर वास्तव में खराब थी और उनके कैंसर के वापस आने की संभावना अधिक थी।

यह सुझाव देता है कि भविष्य में, डॉक्टर इस उपकरण का उपयोग स्मार्ट निर्णय लेने के लिए कर सकते हैं। यदि मॉडल कहता है कि एक रोगी "कम-जोखिम" वाला है, तो वे सभी लिम्फ नोड्स को हटाने के लिए एक बड़ी, आक्रामक सर्जरी से बच सकते हैं, जिससे रोगी को अनावश्यक दुष्प्रभावों से बचाया जा सकता है। यदि मॉडल कहता है कि रोगी "उच्च-जोखिम" वाला है, तो डॉक्टर अधिक गहन कार्य कर सकते हैं, अधिक ऊतक निकाल सकते हैं और तुरंत मजबूत फॉलो-अप उपचार की योजना बना सकते हैं।

सावधानी:
हालांकि परिणाम रोमांचक हैं, लेखक सावधानी बरतते हुए हमें याद दिलाते हैं कि यह एक रिट्रोस्पेक्टिव स्टडी (retrospective study) थी, जिसका अर्थ है कि उन्होंने नए रोगियों पर वास्तविक समय में परीक्षण करने के बजाय पुराने डेटा को देखा। उन्होंने यह भी नोट किया कि उनके मॉडल को विशेष प्रकार के फेफड़ों के कैंसर (एडेनोकार्सिनोमा और स्क्वैमस सेल कार्सिनोमा) के लिए प्रशिक्षित किया गया था और यह देखने के लिए और अधिक परीक्षण की आवश्यकता हो सकती है कि क्या यह अन्य प्रकारों के लिए काम करता है। लेकिन, यह अध्ययन दृढ़ता से सुझाव देता है कि मानव चिकित्सा ज्ञान को AI की सुपरपावर और विस्तृत छवि विश्लेषण के साथ जोड़ना, फेफड़ों के कैंसर के अदृश्य खतरों को पकड़ने के लिए एक आशाजनक मार्ग है।