NACS-Net: Normality–Anatomy–Concept Segmentation for Clinically Significant Prostate Cancer on T2-Weighted MRI

मेडिकल इमेजिंग की दुनिया में, लक्ष्य अक्सर घास के ढेर में सुई ढूंढना होता है। प्रोस्टेट कैंसर के लिए, वह सुई एक बहुत बड़े अंग के भीतर छिपी एक छोटी, देखने में कठिन ट्यूमर है। डॉक्टर बिना सर्जरी के शरीर के अंदर देखने के लिए मैग्नेटिक रेजोनेंस इमेजिंग, या एमआरआई (MRI) पर भरोसा करते हैं। एमआरआई का एक विशिष्ट प्रकार, जिसे टी2-वेटेड इमेजिंग (T2-weighted imaging) कहा जाता है, सॉफ्ट टिश्यू की स्पष्ट तस्वीरें बनाता है और अस्पतालों में व्यापक रूप से उपलब्ध है। हालांकि, इन छवियों पर कैंसर को पहचानना बेहद कठिन है। ट्यूमर अक्सर छोटे होते हैं, जो आसपास के स्वस्थ ऊतकों (tissue) के साथ घुलमिल जाते हैं, और वे स्कैन के केवल कुछ स्लाइस में दिखाई देते हैं जबकि बाकी की छवि खाली स्थान होती है। यह कंप्यूटर प्रोग्रामों के लिए यह सीखना कठिन बना देता है कि उन्हें क्या देखना है, क्योंकि वे दुर्लभ ट्यूमर को अनदेखा करने और सामान्य, स्वस्थ बैकग्राउंड पर ध्यान केंद्रित करने की प्रवृत्ति रखते हैं। इसके अलावा, एक अस्पताल की छवियों पर प्रशिक्षित कंप्यूटर प्रोग्राम तब विफल हो जाता है जब उसे दूसरे अस्पताल की छवियां दिखाई जाती हैं, क्योंकि मशीनें और स्कैनिंग सेटिंग्स थोड़ी भिन्न होती हैं।

शोधकर्ता ऐसे कृत्रिम बुद्धिमत्ता (AI) सिस्टम बनाने की कोशिश कर रहे हैं जो इन कैंसर वाले स्थानों के चारों ओर एक सटीक रूपरेखा (outline) स्वचालित रूप से खींच सके। जबकि कुछ सिस्टम ट्यूमर के सामान्य क्षेत्र को खोजने में अच्छे होते हैं, वे अक्सर किनारों को सही करने में संघर्ष करते हैं या स्वस्थ ऊतकों को गलती से कैंसर के रूप में चिह्नित कर देते हैं। एक नया अध्ययन NACS-Net नामक एक सिस्टम पेश करता है, जिसे विशेष रूप से एमआरआई के एक ही प्रकार का उपयोग करके इन कठिनाइयों से निपटने के लिए डिज़ाइन किया गया है। सीधे ट्यूमर को खोजने के बजाय, यह सिस्टम पहले यह सीखता है कि सामान्य, स्वस्थ प्रोस्टेट ऊतक कैसे दिखते हैं। "सामान्य" को समझकर, यह उन सूक्ष्म विचलनों (deviations) को बेहतर ढंग से पहचान सकता है जो समस्या का संकेत देते हैं। यह सिस्टम अपने काम की लगातार जांच प्रोस्टेट ग्रंथि के मानचित्र के विरुद्ध करता है ताकि यह सुनिश्चित हो सके कि यह कभी भी अंग के बाहर के ऊतकों को कैंसर के रूप में चिह्नित न करे। अंत में, यह अपनी आंतरिक सोच को कुछ प्रमुख अवधारणाओं में सरल बनाता है, जो इसे विभिन्न मशीनों से आने वाली छवियों के लिए भी सुसंगत रहने में मदद करता है। परिणाम दर्शाते हैं कि यह दृष्टिकोण ट्यूचरों की अधिक स्पष्ट और सटीक रूपरेखा बनाता है और पिछले तरीकों की तुलना में गलत अलार्म को काफी कम करता है, हालांकि शोधकर्ताओं का कहना है कि यह सिस्टम अभी भी पूर्ण नहीं है और इसकी विश्वसनीयता की पुष्टि के लिए आगे के परीक्षण की आवश्यकता है।

प्रोस्टेट कैंसर को एमआरआई पर खोजने की चुनौती तीनतरफा है। पहला, कैंसरयुक्त घाव (lesions) अक्सर इतने छोटे होते हैं कि वे कुल छवि का एक बहुत छोटा हिस्सा घेरते हैं, जबकि स्कैन का अधिकांश भाग स्वस्थ ऊतक दिखाता है। यह असंतुलन मानक कंप्यूटर मॉडलों को भ्रमित करता है, जो केवल स्वस्थ ऊतकों को देखने के अभ्यस्त हो जाते हैं और बीमारी के दुर्लभ स्थानों को मिस कर देते हैं। दूसरा, टी2-वेटेड छवियों पर, कैंसर अक्सर आसपास के ऊतकों के समान दिखता है, जिससे उन्हें अलग करने के लिए बहुत कम कंट्रास्ट मिलता है। तीसरा, एक विशिष्ट अस्पताल के डेटा पर प्रशिक्षित मॉडल अक्सर दूसरे अस्पताल के डेटा पर परीक्षण करते समय विफल हो जाते हैं, क्योंकि एमआरआई स्कैनर में भिन्नता के कारण छवियां थोड़ी अलग दिखती हैं। इन समस्याओं को हल करने के लिए, शोधकर्ताओं ने एक ढांचा विकसित किया जो एक शक्तिशाली, प्री-ट्रेंड कंप्यूटर विजन मॉडल—अनिवार्य रूप से एक ऐसा सिस्टम जिसने लाखों छवियों में पैटर्न पहचानना सीख लिया है—को प्रोस्टेट कैंसर के विशिष्ट कार्य के लिए अनुकूलित करता है। उन्होंने पूरे विशाल मॉडल को फिर से प्रशिक्षित नहीं किया, जिसके लिए अत्यधिक कंप्यूटिंग शक्ति और डेटा की आवश्यकता होती। इसके बजाय, उन्होंने छोटे, हल्के मॉड्यूल जोड़े जो सिस्टम को यह सिखाते हैं कि अपने सामान्य ज्ञान को इस विशिष्ट चिकित्सा समस्या पर कैसे लागू किया जाए।

उनके समाधान का पहला भाग स्वस्थ ऊतकों की प्रचुरता पर केंद्रित है। स्कैन के स्वस्थ भागों को बेकार बैकग्राउंड मानने के बजाय, सिस्टम यह सीखने के लिए उनका उपयोग करता है कि "सामान्य" क्या दिखता है। यह स्वस्थ प्रोस्टेट ऊतक का एक मानसिक मानचित्र बनाता है और फिर स्कैन के हर हिस्से की इस मानचित्र के विरुद्ध तुलना करता है। यदि छवि का कोई खंड स्वस्थ मानचित्र से अलग दिखता है, तो सिस्टम उसे संभावित घाव के रूप में चिह्नित करता है। यह "विचलन" (deviation) मानचित्र एक मार्गदर्शक के रूप में कार्य करता है, जो उन क्षेत्रों को उजागर करता है जहाँ ऊतक अपेक्षित व्यवहार नहीं कर रहा है। यह दृष्टिकोण सिस्टम को उन सूक्ष्म, लो-कंट्रास्ट ट्यूमर को खोजने में मदद करता है जिन्हें अन्य विधियाँ मिस कर सकती हैं, प्रभावी रूप से बहुत अधिक स्वस्थ ऊतक होने की समस्या को एक सहायक सुराग में बदल देता है।

सिस्टम का दूसरा भाग यह सुनिश्चित करता है कि कंप्यूटर सही जगह पर केंद्रित रहे। चूंकि प्रोस्टेट कैंसर केवल प्रोस्टेट ग्रंथि के भीतर ही बढ़ सकता है, इसलिए शोधकर्ताओं ने सिस्टम में एक नियम बनाया है जो ग्रंथि के आकार के मानचित्र के विरुद्ध इसके अनुमानों की लगातार जांच करता है। यह मानचित्र मुख्य विश्लेषण शुरू होने से पहले एक अलग टूल द्वारा स्वचालित रूप से उत्पन्न किया जाता है। जैसे-जैसे सिस्टम ट्यूमर कहाँ है इसका अनुमान परिष्कृत करता है, यह बार-बार यह जांचता है कि अनुमान ग्रंथि की सीमाओं के भीतर ही रहे। यदि सिस्टम यह अनुमान लगाने लगता है कि ट्यूमर ग्रंथि के आसपास है, तो यह जांच इसे सुधारती है। यह प्रक्रिया कई चरणों में होती है, जिसमें सिस्टम प्रत्येक पास के साथ अधिक सटीक होता जाता है, लेकिन हमेशा प्रोस्टेट के भीतर ही रहता है। यह नाटकीय रूप से उन मामलों की संख्या को कम करता है जहाँ सिस्टम ग्रंथि के बाहर के स्वस्थ ऊतकों को गलती से कैंसर के रूप में पहचान लेता है, जो अन्य मॉडलों में एक सामान्य त्रुटि है।

तीसरा घटक सिस्टम को विभिन्न अस्पतालों में अधिक विश्वसनीय बनाने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने एक चरण जोड़ा है जहाँ सिस्टम को अंतिम निर्णय लेने से पहले अपने निष्कर्षों को सरल, अमूर्त विचारों (abstract ideas) के एक छोटे सेट में सारांशित करना होता है। यह सिस्टम को मजबूर करता है कि वह किसी विशिष्ट स्कैनर या अस्पताल के लिए अद्वितीय होने वाले मामूली, अप्रासंगिक विवरणों को अनदेखा करे और केवल कैंसर की मुख्य विशेषताओं पर ध्यान केंद्रित करे। हालांकि शोधकर्ताओं ने अभी तक इन अमूर्त विचारों को विशिष्ट चिकित्सा नाम नहीं दिए हैं, वे एक फिल्टर के रूप में कार्य करते हैं जो सिस्टम को नए डेटा के लिए बेहतर सामान्यीकरण (generalize) करने में मदद करता है। यह "कॉन्सेप्ट बॉटलनेक" (concept bottleneck) एक रेगुलराइज़र के रूप में कार्य करता है, यह सुनिश्चित करता है कि इनपुट छवियां बदलने पर भी सिस्टम का तर्क सुसंगत बना रहे।

कई अस्पतालों के एमआरआई स्कैन के एक बड़े संग्रह पर परीक्षण करने पर, नए सिस्टम ने मौजूदा अत्याधुनिक तरीकों की तुलना में आंतरिक फॉल्स-पॉजिटिव नियंत्रण और बाहरी ओवरलैप एवं बाउंड्री सटीकता के लिए अनुकूल पॉइंट अनुमान दिखाए। आंतरिक परीक्षणों में, इसने ट्यूमर की रूपरेखा बनाने में 0.444 का AUC प्राप्त किया, जो अन्य मॉडलों से अधिक था। इसने कम गलत अलार्म भी दिए, जिसमें प्रति रोगी औसतन लगभग 4.5 गलत डिटेक्शन हुए, जबकि अन्य सिस्टमों के लिए यह संख्या अधिक थी। सिस्टम का परीक्षण रोगियों के एक पूरी तरह से अलग समूह पर भी किया गया था जो एक अलग डेटासेट से था जिसे उसने पहले कभी नहीं देखा था। इस बाहरी परीक्षण में, इसने एक उचित स्तर की सटीकता बनाए रखी, 23.5 प्रतिशत का स्कोर प्राप्त किया और गलत अलार्म को कम रखा, विशेष रूप से ग्रंथि के बाहर के। हालांकि, चूंकि इस बाहरी समूह में केवल पुष्टि किए गए कैंसर वाले रोगी शामिल थे, इसलिए डिटेक्शन के लिए मानक रैंकिंग मेट्रिक्स की गणना नहीं की जा सकती थी। यह सुझाव देता है कि सिस्टम वास्तविक दुनिया की मेडिकल इमेजिंग में पाई जाने वाली विविधताओं को संभालने के लिए पर्याप्त मजबूत है, हालांकि यह सबसे मजबूत मौजूदा मॉडलों पर समग्र डिटेक्शन सटीकता में श्रेष्ठता का दावा नहीं करता है।

हालांकि, शोधकर्ता इस बात का दावा करने में सावधान हैं कि इस सिस्टम ने समस्या को पूरी तरह से हल कर दिया है। जब उन्होंने नए सिस्टम की सीधे सबसे मजबूत मौजूदा मॉडल के साथ तुलना की, तो उन्होंने पाया कि हालांकि नया सिस्टम गलत अलार्म को कम करने और ट्यूमर के किनारों को तेज करने में बेहतर था, लेकिन यह समग्र डिटेक्शन सटीकता के मामले में दूसरे मॉडल से महत्वपूर्ण रूप से बेहतर नहीं था। अध्ययन यह भी रेखांकित करता है कि वर्तमान में सिस्टम केवल एक प्रकार के एमआरआई स्कैन पर निर्भर है, जबकि डॉक्टर पूरी तस्वीर पाने के लिए कई प्रकार के स्कैन का उपयोग करते हैं। शोधकर्ता स्वीकार करते हैं कि सिस्टम का प्रदर्शन प्रोस्टेट ग्रंथि के प्रारंभिक मानचित्र की गुणवत्ता से सीमित है; यदि वह मानचित्र सटीक नहीं है, तो फोकस बनाए रखने की सिस्टम की क्षमता प्रभावित होती है। इसके अतिरिक्त, सिस्टम द्वारा निर्णय लेने के लिए उपयोग किए जाने वाले अमूर्त विचारों को अभी तक चिकित्सा विशेषज्ञों द्वारा यह सत्यापित करने के लिए प्रमाणित नहीं किया गया है कि वे वास्तविक जैविक विशेषताओं के अनुरूप हैं या नहीं।

अध्ययन निष्कर्ष निकालता है कि यह नया दृष्टिकोण प्रोस्टेट कैंसर के विभाजन (segmentation) को बेहतर बनाने का एक आशाजनक तरीका प्रदान करता है, विशेष रूप से स्वस्थ ऊतक को एक मार्गदर्शक के रूप में उपयोग करके और पूरी प्रक्रिया के दौरान शारीरिक नियमों को लागू करके। यह प्रदर्शित करता है कि एक प्री-ट्रेंड विजन मॉडल को विशिष्ट, कार्य-उन्मुख मॉड्यूल के साथ जोड़ने से मेडिकल इमेजिंग की अनूठी चुनौतियों, जैसे कि छोटे लीजन साइज और अस्पतालों के बीच डेटा भिन्नता को संबोधित किया जा सकता है। जबकि सिस्टम त्रुटियों को कम करने और बाउंड्री की सटीकता में सुधार करने की मजबूत क्षमता दिखाता है, शोधकर्ता इस बात पर जोर देते हैं कि इसके आंतरिक विचारों के चिकित्सा अर्थ को मान्य करने और कई प्रकार के एमआरआई स्कैन के साथ इसके प्रदर्शन का परीक्षण करने के लिए आगे के काम की आवश्यकता है। अंतिम लक्ष्य रेडियोलॉजिस्ट की अधिक सटीक निदान करने में सहायता करने के लिए एक उपकरण बनाना है, लेकिन फिलहाल, यह सिस्टम एक तैयार क्लिनिकल उत्पाद के बजाय एक परिष्कृत अनुसंधान प्रोटोटाइप है।