MRI Radiomics Meets Artificial Intelligence: Development and Validation of a Random Forest Model for Brain Tumor Classification in Sudanese Patients

मस्तिष्क के स्कैन में छिपे अदृश्य सुराग

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन आपके पास एकमात्र सबूत एक ब्लैक-एंड-व्हाइट तस्वीर है। कभी-कभी, वह फोटो एक स्पष्ट, हानिरहित गांठ दिखाती है; दूसरी ओर, वह एक खतरनाक, बढ़ते हुए राक्षस को दिखा सकती है। समस्या यह है कि नग्न आंखों से देखने पर, ये दोनों चीजें आश्चर्यजनक रूप रूप से समान दिख सकती हैं। यह उन डॉक्टरों के लिए दैनिक चुनौती है जो यह पता लगाने की कोशिश करते हैं कि मस्तिष्क का ट्यूमर "बिनाइन" (हानिरहित) है या "मैलिग्नेंट" (खतरनाक)। वे एमआरआई (MRI) स्कैन पर निर्भर करते हैं, जो सुपर-पावर्ड कैमरों की तरह होते हैं जो प्रकाश के बजाय चुंबकों का उपयोग करके आपके सिर के अंदर की तस्वीरें लेते हैं। लेकिन मानवीय आंखें थक सकती हैं, और कभी-कभी दो डॉक्टर एक ही तस्वीर को देखकर अलग-अलग राय रख सकते हैं।

इसे ठीक करने के लिए, वैज्ञानिकों ने एक नए प्रकार के जासूसी कार्य का आविष्कार किया है जिसे रेडियोमिक्स (Radiomics) कहा जाता है। एक मानक एमआरआई स्कैन को एक पेंटिंग की तरह समझें। एक रेडियोलॉजिस्ट उस पेंटिंग को देखता है और कहता है, "वह एक ट्यूमर जैसा दिखता है।" रेडियोमिक्स, हालांकि, उस पेंटिंग को लाखों छोटे पिक्सेल में तोड़ने, फिर हर एक के ग्रे रंग के सटीक शेड, बनावट और आकार को मापने जैसा है। यह छवि को संख्याओं के एक विशाल स्प्रेडशीट में बदल देता है जिसे मानवीय आंख नहीं देख सकती, लेकिन कंप्यूटर पढ़ सकता है। इन संख्याओं को आर्टिफिशियल इंटेलिजेंस (AI)—विशेष रूप से, एक प्रकार के कंप्यूटर मस्तिष्क जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है—में फीड करके, वैज्ञानिक उम्मीद करते हैं कि वे उन छिपे हुए पैटर्न को पहचानना सीख पाएंगे जो एक हानिरहित गांठ और एक खतरनाक एक के बीच अंतर बताते हैं, बिना मरीज के शरीर में चीरा लगाए। यह शोधपत्र एक सरल लेकिन महत्वपूर्ण प्रश्न पूछता है: क्या यह डिजिटल जासूसी कार्य सूडान के डॉक्टरों को मस्तिष्क के ट्यूमर के बारे में बेहतर निर्णय लेने में मदद कर सकता है?

सूडान में डिजिटल जासूस

इस अध्ययन में, अल्ज़ेम अलझरी विश्वविद्यालय, सूडान के शोधकर्ताओं की एक टीम ने अपना खुद का डिजिटल जासूस बनाने का निर्णय लिया। वे यह देखना चाहते थे कि क्या वे एक ऐसा कंप्यूटर मॉडल बना सकते हैं जो सूडानी डॉक्टरों को केवल एमआरआई स्कैन देखकर बिनाइन और मैलिग्नेंट मस्तिष्क ट्यूमर के बीच अंतर करने में मदद कर सके। उन्होंने 120 रोगियों का एक समूह इकट्ठा किया जिन्हें पहले से ही मस्तिष्क ट्यूमर का निदान किया जा चुका था। उनमें से आधे (60 रोगी) बिनाइन ट्यूमर वाले थे, और दूसरे आधे (60 रोगी) मैलिग्नेंट वाले थे। ये वास्तविक मामले थे, जिनकी पुष्टि सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे ऊतकों (टिशू) को देखकर की गई थी, इसलिए शोधकर्ता निश्चित रूप से जानते थे कि कौन सा समूह किसका है।

सबसे पहले, टीम को डेटा तैयार करना था। उन्होंने एमआरआई छवियों को लिया और उन्हें साफ किया, यह सुनिश्चित करते हुए कि रंग और आकार सुसंगत हों, ठीक वैसे ही जैसे फोटो की ब्राइटनेस और कंट्रास्ट को एडजस्ट किया जाता है ताकि सब कुछ एक जैसा दिखे। फिर, एक कुशल रेडियोलॉजिस्ट ने प्रत्येक छवि पर ट्यूमर के चारों ओर मैन्युअल रूप से एक रेखा खींची ताकि कंप्यूटर को ठीक से बताया जा सके कि समस्या कहाँ है। एक बार ट्यूमर को अलग करने के बाद, उन्होंने प्रत्येक ट्यूमर से 100 से अधिक अलग-अलग "सुराग" निकालने के लिए एक विशेष कंप्यूटर प्रोग्राम का उपयोग किया। इन सुरागों में ट्यूमर की सतह कितनी ऊबड़-खाबड़ थी, ग्रे पिक्सेल कैसे व्यवस्थित थे, और रंगों की तीव्रता कितनी थी जैसी चीजें शामिल थीं।

इन सुरागों की उस विशाल सूची में से, टीम ने अपने मॉडल का उपयोग करने के लिए छह सबसे अच्छे सुरागों को—सबसे विश्वसनीय संदिग्धों को—हाथ से चुना। फिर उन्होंने एक रैंडम फॉरेस्ट एल्गोरिदम (मशीन लर्निंग का एक प्रकार जो निर्णय लेने के लिए विशेषज्ञों के एक समूह के वोट की तरह काम करता है) को यह सिखाया कि इन छह सुरागों का उपयोग करके यह अनुमान कैसे लगाया जाए कि ट्यूमर बिनाइन था या मैलिग्नेंट। उन्होंने अपने डेटा को दो समूहों में विभाजित किया: कंप्यूटर को सिखाने के लिए एक "प्रशिक्षण" (training) समूह, और यह देखने के लिए एक "परीक्षण" (testing) समूह कि क्या कंप्यूटर ने वास्तव में कुछ सीखा है।

कंप्यूटर ने क्या पाया

जब कंप्यूटर ने परीक्षण समूह पर अपनी अंतिम परीक्षा दी, तो उसने 71% बार सही उत्तर दिया। इसका मतलब है कि यदि आप मॉडल को 100 नए ब्रेन स्कैन दिखाते हैं, तो वह लगभग 71 के लिए ट्यूमर के प्रकार का सही अनुमान लगाएगा। यह खतरनाक ट्यूमर को पकड़ने में विशेष रूप से अच्छा था, जिसने 75% मैलिग्नेंट ट्यूमर को पकड़ा (इसे संवेदनशीलता या sensitivity कहा जाता है)। हालांकि, यह पूर्ण नहीं था; इसने कुछ मैलिग्नेंट मामलों को मिस कर दिया और कभी-कभी बिनाइन ट्यूमर के बारे में भ्रमित हो गया, जिसके परिणामस्वरूप 66.7% की विशिष्टता (specificity) रही। समग्र स्कोर, जिसे F1-स्कोर कहा जाता है, 0.72 था, और एरिया अंडर द कर्व (AUC), जो यह मापता है कि मॉडल दो समूहों को कितनी अच्छी तरह अलग करता है, वह 0.764 था।

शोधकर्ताओं ने मरीजों की पृष्ठभूमि को भी देखा कि क्या उम्र या लिंग ट्यूमर के प्रकार की भविष्यवाणी करने में मदद करते हैं। उन्होंने पाया कि उम्र और लिंग वास्तव में मायने नहीं रखते थे; कंप्यूटर को एक अच्छा अनुमान लगाने के लिए यह जानने की आवश्यकता नहीं थी कि रोगी 20 वर्षीय पुरुष है या 60 वर्षीय महिला। हालांकि, उन्हें ट्यूमर के आकार के बारे में कुछ दिलचस्प पता चला। जिन रोगियों में बड़े ट्यूमर थे, उनमें छोटे ट्यूमर वालों की तुलना में न्यूरोलॉजिकल लक्षण (जैसे सिरदर्द या कमजोरी) होने की संभावना बहुत अधिक थी। गणित ने इस संबंध को बहुत मजबूत दिखाया, जिसका p-वैल्यू 0.01 से कम था।

निर्णय और सावधानियां

अध्ययन यह निष्कर्ष निकालता है कि सूडान में मस्तिष्क के ट्यूमर को वर्गीकृत करने में मदद करने के लिए एमआरआई रेडियोमिक्स के साथ रैंडम फॉरेस्ट मॉडल का उपयोग करना एक व्यवहार्य तरीका है। यह सुझाव देता है कि यह दृष्टिकोण उन डॉक्टरों के लिए एक उपयोगी, गैर-आक्रामक उपकरण हो सकता है जिनके पास सबसे उन्नत उपकरण तक पहुंच नहीं है, जो केवल एक नज़र के बजाय संख्याओं पर आधारित दूसरी राय प्रदान करता है। मॉडल बताता है कि यह नैदानिक निर्णय लेने में सहायता कर सकता है और नैदानिक सटीकता में सुधार कर सकता है।

हालांकि, लेखक इसे एक पूर्ण समाधान कहने में सावधान हैं। वे बताते हैं कि उनके 120 रोगियों का समूह अपेक्षाकृत छोटा है, और चूंकि उन्होंने केवल एक अस्पताल के पुराने डेटा को देखा है, इसलिए मॉडल हर किसी के लिए बिल्कुल उसी तरह काम नहीं करेगा। उन्होंने यह भी नोट किया कि कंप्यूटर अभी भी गलतियाँ करता है, कुछ मैलिग्नेंट ट्यूमर को मिस कर देता है, जो चिकित्सा में एक गंभीर मुद्दा है। शोधकर्ताओं का सुझाव है कि इससे पहले कि इस टूल का अस्पतालों में व्यापक रूप से उपयोग किया जा सके, इसे विभिन्न स्थानों के बड़े समूहों पर परीक्षण करने की आवश्यकता है। वे भविष्य में और भी अधिक प्रकार के एमआरआई स्कैन जोड़ने और और भी उन्नत कंप्यूटर विधियों का उपयोग करने की सिफारिश भी करते हैं। फिलहाल, यह अध्ययन एक आशाजनक पहला कदम है, जो दिखाता है कि "डिजिटल जासूस" में क्षमता है, लेकिन इसे अपने आप केस सुलझाने के लिए अभी और प्रशिक्षण की आवश्यकता है।