Preoperative Prediction of Lymphovascular Invasion in Breast Cancer Using Multicenter DCE-MRI Radiomics: Comparative Analysis and External Validation of Ten Machine Learning Algorithms

स्तन कैंसर दुनिया भर में महिलाओं के लिए एक प्रमुख स्वास्थ्य चुनौती बना हुआ है, और हालांकि शुरुआती पहचान ने अनगिनत जानें बचाई हैं, फिर भी यह बीमारी शरीर के अन्य हिस्सों में वापस आ सकती है या फैल सकती है। इस प्रसार का एक महत्वपूर्ण कारक 'लिम्फोवैस्कुलर इनवेजन' (lymphovascular invasion) नामक प्रक्रिया है, जहाँ कैंसर कोशिकाएं मुख्य ट्यूमर से अलग होकर उन सूक्ष्म नलिकाओं में प्रवेश कर जाती हैं जो लिम्फ द्रव या रक्त को ले जाती हैं। जब ये कोशिकाएं इन वाहिकाओं के माध्यम से यात्रा करती हैं, तो उन्हें अन्य अंगों तक पहुँचने के लिए एक राजमार्ग मिल जाता है, जिससे पुनरावृत्ति का जोखिम काफी बढ़ जाता है। वर्तमान में, डॉक्टर केवल सर्जरी के बाद ट्यूमर की सूक्ष्मदर्शी (microscope) के नीचे जांच करके ही यह पुष्टि कर सकते हैं कि यह आक्रमण हुआ है या नहीं। यह देखभाल में एक कठिन अंतराल पैदा करता है: सर्जनों को यह निर्णय लेने के लिए कि कितना ऊतक निकालना है और क्या कीमोथेरेपी शुरू करनी है, इस बात की प्रतीक्षा करनी पड़ती है कि क्या कैंसर पहले ही फैलना शुरू हो चुका है। यदि डॉक्टर सर्जरी से पहले इस आक्रमण का पूर्वानुमान लगा सकें, तो वे उपचार को अधिक सटीक रूप से अनुकूलित कर सकते हैं, जिससे संभावित रूप से मरीजों को अनावश्यक प्रक्रियाओं से बचाया जा सकता है या उच्च जोखिम वाले मामलों को तुरंत आक्रामक देखभाल सुनिश्चित की जा सकती है।

इस अंतर को पाटने के लिए, शोधकर्ताओं ने 'डायनेमिक कंट्रास्ट-एन्हांस्ड मैग्नेटिक रेजोनेंस इमेजिंग' (DCE-MRI) नामक एक शक्तिशाली इमेजिंग उपकरण की ओर रुख किया। मानक एक्स-रे के विपरीत, जो हड्डियों या बुनियादी आकृतियों को दिखाते हैं, इस प्रकार का MRI एक विशेष डाई का उपयोग करता है ताकि वास्तविक समय में ट्यूमर के माध्यम से रक्त के प्रवाह को देखा जा सके, जिससे इसकी आंतरिक संरचना और इसके व्यवहार के बारे में विस्तृत जानकारी मिलती है। चुनौती यह रही है कि मानव आँख इन छवियों के भीतर छिपे सूक्ष्म, जटिल पैटर्न को नहीं देख सकती है जो लिम्फोवैस्कुलर इनवेजन के संकेत हो सकते हैं। यहीं पर 'रेडियोमिक्स' (radiomics) नामक एक क्षेत्र काम आता है। रेडियोमिक्स चिकित्सा छवियों को केवल चित्रों के रूप में नहीं, बल्कि डेटा के विशाल भंडार के रूप में देखता है। छवियों से हजारों सूक्ष्म संख्यात्मक विवरणों—जैसे कि ट्यूमर की बनावट, चमक और आकार—को निकालने के लिए कंप्यूटर का उपयोग करके, वैज्ञानिक ऐसे पैटर्न खोज सकते हैं जो मानवीय अवलोकन से अदृश्य होते हैं। लक्ष्य एक डिजिटल मानचित्र बनाना है जो ट्यूमर की अदृश्य जीव विज्ञान का पूर्वानुमान लगा सके।

चीन के तीन चिकित्सा केंद्रों के शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ बढ़ाया कि क्या यह दृष्टिकोण सर्जरी से पहले लिम्फोवैस्कुलर इनवेजन की भविष्यवाणी विश्वसनीय रूप से कर सकता है। उन्होंने 'इनवेसिव डक्टल कार्सिनोमा' (invasive ductal carcinoma) नामक स्तन कैंसर के एक विशिष्ट प्रकार वाली 935 महिलाओं का डेटा एकत्र किया, जिनका उनके संबंधित अस्पतालों में DCE-MRI स्कैन किया गया था। अध्ययन को कठोर बनाया गया था, जिसमें रोगियों के एक बड़े समूह का उपयोग किया गया और अपने निष्कर्षों का परीक्षण विभिन्न संस्थानों में किया गया ताकि यह सुनिश्चित हो सके कि परिणाम किसी एक विशिष्ट अस्पताल के उपकरणों या रोगी समूह का संयोग मात्र न हों। शोधकर्ताओं ने MRI स्कैन पर ट्यूमर को मैन्युअल रूप से रेखांकित किया, जो एक सावधानीपूर्वक प्रक्रिया है जहाँ डॉक्टर कैंसर की परत को परत दर परत परिभाषित करने के लिए किनारों को ट्रेस करते हैं। एक बार जब इन क्षेत्रों को चिह्नित कर दिया गया, तो एक कंप्यूटर प्रोग्राम ने प्रत्येक ट्यूमर से लगभग 1,200 अलग-अलग विशेषताएं निकालीं, जिससे प्रत्येक रोगी के लिए डिजिटल फिंगरप्रिंट का एक विशाल डेटासेट तैयार हुआ।

अध्ययन के मुख्य भाग में दस अलग-अलग कंप्यूटर लर्निंग विधियों, या एल्गोरिदम का आमने-सामने तुलना की गई, ताकि यह देखा जा सके कि कौन सा एल्गोरिदम इन डिजिटल फिंगरप्रिंट का उपयोग करके लिम्फोवैस्कुलर इनवेजन की उपस्थिति की भविष्यवाणी करने में सबसे बेहतर है। ये एल्गोरिदम सरल, पारंपरिक सांख्यिकीय विधियों से लेकर जटिल, आधुनिक प्रणालियों तक थे जो मस्तिष्क के सीखने के तरीके की नकल करते हैं। शोधकर्ताओं ने इन प्रणालियों को रोगियों के एक समूह के डेटा पर प्रशिक्षित किया और फिर उन्हें अन्य अस्पतालों के पूरी तरह से अलग समूहों पर परीक्षण किया ताकि वे अपने ज्ञान का सामान्यीकरण कर सकें। परिणामों ने एक आश्चर्यजनक सत्य प्रकट किया कि ये कंप्यूटर सिस्टम कैसे काम करते हैं। सबसे जटिल एल्गोरिदम, जो पहली बार प्रशिक्षित होने पर लगभग पूर्ण प्रदर्शन करते प्रतीत होते थे, अन्य अस्पतालों के नए डेटा का सामना करने पर बुरी तरह विफल रहे। उन्होंने मूल नियमों को सीखने के बजाय प्रशिक्षण छवियों को याद कर लिया था, जिसे 'ओवरफिटिंग' (overfitting) नामक समस्या कहा जाता है। इसके विपरीत, 'लॉजिस्टिक्स रिग्रेशन' (logistic regression) नामक एक सरल, अधिक सीधा सांख्यिकीय तरीका सबसे स्थिर और विश्वसनीय साबित हुआ, जिसने विभिन्न केंद्रों के रोगियों पर परीक्षण किए जाने पर भी अपनी सटीकता बनाए रखी।

शोधकर्ताओं ने सर्वोत्तम इमेजिंग डेटा को उस महत्वपूर्ण नैदानिक जानकारी के साथ जोड़ा जिसे डॉक्टर पहले से ही महत्वपूर्ण मानते हैं, जैसे कि रोगी की आयु, ट्यूमर का ग्रेड, और क्या स्तन के पास के लिम्फ नोड्स में कैंसर के लक्षण दिख रहे हैं। इस संयोजन ने एक व्यापक भविष्यवाणी मॉडल बनाया। प्रारंभिक परीक्षण में, इस संयुक्त मॉडल ने असाधारण प्रदर्शन किया, और ट्यूमर में लिम्फोवैस्कुलर इनवेजन की उपस्थिति और अनुपस्थिति के बीच सटीक अंतर किया। जब इसे आंतरिक सत्यापन समूह (internal validation group) पर परीक्षण किया गया, तो इसने मजबूत प्रदर्शन जारी रखा। हालाँकि, कहानी तब अधिक सूक्ष्म हो गई जब मॉडल का परीक्षण अन्य अस्पतालों के दो स्वतंत्र बाहरी समूहों पर किया गया। एक बाहरी समूह में, केवल सरल नैदानिक जानकारी इतनी शक्तिशाली थी कि इसने संयुक्त मॉडल के समान ही प्रदर्शन किया। दूसरे बाहरी समूह में, संयुक्त मॉडल को बढ़त मिली, लेकिन अकेले इमेजिंग डेटा बहुत उपयोगी नहीं था। यह भिन्नता इस बात को उजागर करती है कि हालांकि तकनीक आशाजनक है, इसकी सफलता काफी हद तक उस विशिष्ट जनसंख्या और परिवेश पर निर्भर करती है जिसमें इसका उपयोग किया जाता है।

अध्ययन यह निष्कर्ष निकालता है कि जबकि उन्नत कंप्यूटर लर्निंग बहुत बड़ी क्षमता प्रदान करती है, लिम्फोवैस्कुलर इनवेजन की भविष्यवाणी करने के लिए सबसे मजबूत उपकरण सरल, विश्वसनीय सांख्यिकी और आवश्यक नैदानिक तथ्यों का मिश्रण है। जटिल, उच्च-तकनीकी एल्गोरिदम, जो अक्सर सुर्खियों में रहते हैं, वास्तविक दुनिया में उपयोग के लिए बहुत नाजुक पाए गए, क्योंकि डेटा में थोड़ा सा भी बदलाव होने पर वे अक्सर विफल हो जाते हैं। संयुक्त मॉडल, जो MRI के डिजिटल विश्लेषण को मानक रोगी विवरणों के साथ एकीकृत करता है, जोखिम का आकलन करने का एक मूल्यवान, गैर-आक्रामक तरीका प्रदान करता है। यह एक मापने योग्य उपकरण प्रदान करता है जो डॉक्टरों को व्यक्तिगत रोगियों के लिए सर्वोत्तम कार्रवाई का निर्णय लेने में मदद कर सकता है, जिससे संभावित रूप से सर्जरी की सीमा या कीमोथेरेपी की आवश्यकता पर निर्णय लेने में मार्गदर्शन मिल सकता है। निष्कर्ष भविष्य की चिकित्सा तकनीक के लिए एक महत्वपूर्ण सबक को रेखांकित करते हैं: सबसे प्रभावी समाधान हमेशा सबसे जटिल नहीं होता है, और यह सुनिश्चित करने के लिए कि एक उपकरण सभी के लिए काम करे, न कि केवल एक प्रयोगशाला सेटिंग में, विभिन्न केंद्रों में कठोर परीक्षण आवश्यक है।