Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
यह अध्ययन AiSAP को पेश करता है, जो एक ड्यूल Mask R-CNN आर्किटेक्चर का उपयोग करके होल-स्लाइड इमेजेस से बोन मैरो सेलुलैरिटी का स्वचालित रूप से अनुमान लगाने में विशेषज्ञ-स्तरीय सटीकता प्राप्त करने वाला एक डीप लर्निंग फ्रेमवर्क है, जिसे एक कम प्रतिनिधित्व वाले भारतीय नैदानिक समूह (कोहॉर्ट) पर मान्य किया गया 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
कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ डॉक्टरों को यह पता लगाने के लिए कि मरीज क्यों बीमार है, सूक्ष्मदर्शी (microscope) के नीचे ऊतकों (tissue) के बहुत छोटे स्लाइस को देखना पड़ता है। यह रेत के एक विशाल, बिखरे हुए डिब्बे के अंदर छिपे कुछ विशिष्ट, छोटे खिलौनों को खोजने जैसा है। जब डॉक्टर मरीज की बोन मैरो (हड्डी के मज्जा) की जांच करते हैं, तो ठीक ऐसा ही होता है, जो हमारी हड्डियों के भीतर का स्पंजी ऊतक है जहाँ रक्त कोशिकाएं जन्म लेती हैं। ल्यूकेमिया या एनीमिया जैसी गंभीर स्थितियों का निदान करने के लिए, उन्हें मैरो की "सेलुलरिटी" (cellularity) जानने की आवश्यकता होती है: यानी कितनी जगह रक्त बनाने वाली कोशिकाओं द्वारा भरी गई है बनाम वसा कोशिकाओं (fat cells) द्वारा। अभी, एक मानव विशेषज्ञ को कांच की स्लाइड को घूरना पड़ता है, कोशिकाओं को गिनना पड़ता है और एक अनुमान लगाना पड़ता है। यह धीमा है, थकाऊ है, और दो अलग-अलग विशेषज्ञ एक ही स्लाइड को देख सकते हैं और थोड़े अलग उत्तर दे सकते हैं। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) काम आता है। AI को एक सुपर-फास्ट, अथक रोबोटिक सहायक के रूप में सोचें जो पूरी स्लाइड की डिजिटल तस्वीर देख सकता है और हमारे लिए गिनती कर सकता है। लेकिन इस रोबोट को काम करने के लिए, इसे यह सिखाने की जरूरत है कि रक्त कोशिका और वसा कोशिका के बीच अंतर कैसे किया जाए, और इसे वास्तविक लोगों पर टेस्ट करने की जरूरत है ताकि यह सुनिश्चित हो सके कि यह भ्रमित न हो जाए।
यह शोध पत्र एक नया रोबोटिक सहायक पेश करता है जिसे AiSAP (आर्टिफिशियल इंटेलिजेंस स्लाइड एनालिसिस प्लेटफॉर्म) कहा जाता है। इसके पीछे की टीम एक ऐसा सिस्टम बनाना चाहती थी जो बोन मैरो बायोप्सी की एक कच्ची, विशाल डिजिटल फोटो को देख सके और स्वचालित रूप से उन्हें बता सके कि वह रक्त कोशिकाओं से कितनी "घनी" (crowded) है। केवल छवि के एक छोटे, पूर्व-चयनित वर्ग को देखने के बजाय, AiSAP पूरी स्लाइड को देखता है, सही हिस्सों को ढूंढता है, और गणित करता है। उन्होंने इस AI को भारत के 170 वास्तविक रोगियों के डेटा का उपयोग करके प्रशिक्षित किया, जो एक ऐसा समूह है जिसका उपयोग पिछले कंप्यूटर प्रोग्रामों में बहुत कम किया गया है। परिणाम उत्साहजनक हैं: AI के अनुमान मानव विशेषज्ञों के लगभग बराबर थे। वास्तव में, जब उन्होंने AI के नंबरों की तुलना दो मानव डॉक्टरों के औसत से की, तो परिणाम 0.95 के सहसंबंध (correlation) के साथ मेल खाए (जो कि एक पूर्ण 1.0 के बहुत करीब है)। AI का झुकाव सेल काउंट को मनुष्यों की तुलना में थोड़ा अधिक बताने की ओर था—लगभग 7% से 8% अधिक—लेकिन पैटर्न इतना सुसंगत था कि लेखकों का सुझाव है कि इसका मतलब वास्तव में यह हो सकता है कि AI उन सूक्ष्म कोशिकाओं को भी देख पा रहा है जिन्हें इंसान एक त्वरित नज़र में मिस कर सकते हैं।
AiSAP का असली मंत्र यह है कि यह दो चरणों में काम करता है, जैसे दो विशेषज्ञ जासूसों की एक टीम। पहले, Model-1 पूरी स्लाइड को स्कैन करता है और "दिलचस्प" हिस्सों के चारों ओर एक बॉक्स बनाता है, वास्तविक बोन मैरो ऊतक को हड्डी, रक्त के थक्कों, या स्लाइड तैयार करने के दौरान आए किसी भी कचरे (artifacts) से अलग करता है। यह एक जासूस के समान है जो कहता है, "ठीक है, पत्थरों और गंदगी को अनदेखा करें; आइए उस पड़ोस पर ध्यान केंद्रित करें जहाँ लोग रहते हैं।" फिर, Model-2 उस पड़ोस पर ज़ूम करता है और विशेष रूप से "वसा" कोशिकाओं (adipocytes) की तलाश करता है, जो स्पष्ट, खाली बुलबुलों की तरह दिखती हैं। एक बार जब AI को पता चल जाता है कि कितनी जगह वसा द्वारा ली गई है और कितनी जगह बाकी ऊतक द्वारा ली गई है, तो वह सेलुलरिटी प्रतिशत की गणना करने के लिए एक सरल सूत्र का उपयोग करता है।
शोधकर्ताओं ने अपने AI के लिए पांच अलग-अलग "मस्तिष्क" (जिन्हें बैकबोन कहा जाता है) का परीक्षण किया ताकि यह देखा जा सके कि कौन सा सबसे अच्छा काम करता है। उन्होंने पाया कि जबकि कुछ मस्तिष्क व्यक्तिगत वस्तुओं को पहचानने में बेहतर थे, अन्य अंतिम प्रतिशत प्राप्त करने में बेहतर थे। सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल ने, जो X101_FPN नामक एक विशिष्ट आर्किटेक्चर का उपयोग करता है, 0.882 का लिन्स कॉन्कोर्डेंस कोरिलेशन कोएफिशिएंट (Lin's Concordance Correlation Coefficient) स्कोर प्राप्त किया, जिसका अर्थ है कि मानव विशेषज्ञों के साथ इसकी समग्र सहमति बहुत मजबूत थी। दूसरा मस्तिष्क, R50_C4, मामलों की सटीक रैंकिंग से मेल खाने में सबसे अच्छा था, जिसका सहसंबंध 0.948 था।
हालाँकि, लेखक सावधान हैं कि वे इसे एक "हल" की गई समस्या नहीं कह सकते। वे बताते हैं कि AI को अभी और परीक्षण की आवश्यकता है। इसे केवल भारत के एक विशिष्ट अस्पताल की स्लाइड्स पर प्रशिक्षित और टेस्ट किया गया था। यदि किसी दूसरे अस्पताल में स्लाइड्स को रंगने (staining) या काटने का तरीका बदल जाता है, तो AI भ्रमित हो सकता है। वे यह भी स्वीकार करते हैं कि AI कभी-कभी कुचली हुई हड्डी या घने निशान वाले ऊतक (scar tissue) को जीवित कोशिकाओं के रूप में गलती से पहचान लेता है, यही कारण है कि यह सेल काउंट को थोड़ा अधिक बताता है। लेकिन इन छोटी खामियों के बावजूद, यह अध्ययन दिखाता है कि यह दो-चरणीय AI दृष्टिकोण एक बड़ी प्रगति है। यह सुझाव देता है कि हम ऐसे उपकरण बना सकते हैं जो पैथोलॉजिस्टों को तेज़ी से और अधिक निरंतरता के साथ काम करने में मदद करें, जिससे इस बात की संभावना कम हो जाती है कि निदान इस बात पर निर्भर करे कि उस दिन स्लाइड को कौन देख रहा है। लेखक निष्कर्ष निकालते हैं कि हालांकि AiSAP अभी डॉक्टरों को बदलने के लिए तैयार नहीं है, लेकिन यह एक शक्तिशाली नया उपकरण है जिसे दुनिया भर के कई और अस्पतालों में टेस्ट करने की आवश्यकता है।
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।