Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

ग्लियोमा के रूप में जाने जाने वाले मस्तिष्क ट्यूमर सबसे चुनौतीपूर्ण बीमारियों में से एक हैं। ये केंद्रीय तंत्रिका तंत्र की सहायक कोशिकाओं से उत्पन्न होते हैं और अपनी बदलने और अनुकूलन करने की क्षमता के लिए कुख्यात हैं, जिससे उन्हें नियंत्रित या अनुमान लगाना कठिन हो जाता है। इस बात का एक महत्वपूर्ण कारक कि ये ट्यूमर कैसे व्यवहार करते हैं, 'हाइपोक्सिया' नामक स्थिति है, जिसका सीधा अर्थ है ऑक्सीजन की कमी। जब एक ट्यूमर रक्त आपूर्ति के साथ तालमेल बिठाने के लिए बहुत तेज़ी से बढ़ता है, तो उसकी आंतरिक कोशिकाएं दम तोड़ने लगती हैं। यह ऑक्सीजन की कमी केवल एक निष्क्रिय अवस्था नहीं है; यह एक शक्तिशाली चालक के रूप में कार्य करती है जो कैंसर को अधिक आक्रामक बनाती है, इसे उपचार के प्रति प्रतिरोधी बनाने में मदद करती है, और अक्सर रोगी के लिए खराब परिणाम का कारण बनती है। दशकों से, डॉक्टर बिना आक्रामक सर्जरी के इस ऑक्सीजन की कमी को मापने के लिए संघर्ष कर रहे हैं, जिससे वे रोगी के सिर के भीतर बीमारी की वास्तविक प्रकृति का अनुमान लगाने के लिए केवल अटकलें ही लगाते रहे हैं।

शोधकर्ताओं ने लंबे समय से यह आशा की है कि मेडिकल इमेजिंग इस छिपी हुई जीव विज्ञान की खिड़की प्रदान कर सके। रेडियोमिक्स (radiomics) का क्षेत्र ठीक यही करने का प्रयास करता है, जिसमें कंप्यूटर का उपयोग करके मानक एमआरआई (MRI) स्कैन में उन सूक्ष्म पैटर्न को खोजने की कोशिश की जाती है जो मानवीय आंखों के लिए अदृश्य होते हैं। हालांकि, रोगी के जीवित रहने की संभावना से इन इमेज पैटर्न को जोड़ने के कई पिछले प्रयास सफल या असफल रहे हैं, क्योंकि अक्सर कंप्यूटर को बिना किसी जैविक मार्गदर्शन के अपने आप पैटर्न खोजने के लिए छोड़ दिया जाता था। सूज़ो (Soochow) विश्वविद्यालय और उससे जुड़े अस्पतालों की चीन की एक टीम के एक नए अध्ययन ने इस दृष्टिकोण को बदलने का प्रयास किया है। कंप्यूटर को अनुमान लगाने देने के बजाय, उन्होंने एक ऐसा मॉडल बनाया है जो वैज्ञानिकों द्वारा पहले से ज्ञात जानकारी का उपयोग करता है कि ट्यूमर कम ऑक्सीजन के प्रति कैसे प्रतिक्रिया करते हैं। इस जैविक ज्ञान को उन्नत इमेज विश्लेषण के साथ जोड़कर, उन्होंने एक ऐसा उपकरण बनाया है जो यह भविष्यवाणी कर सकता है कि ग्लियोमा वाले रोगी के जीवित रहने की कितनी संभावना है, जो व्यक्तिगत देखभाल की दिशा में एक स्पष्ट मार्ग प्रदान करता है।

टीम ने 471 रोगियों के डेटा को दो अलग-अलग अस्पतालों और एक सार्वजनिक डेटाबेस से एकत्र करके शुरुआत की। उन्होंने उन रोगियों पर ध्यान केंद्रित किया जिन्होंने सर्जरी करवाई थी और जिनके प्री-ऑपरेटिव एमआरआई स्कैन उच्च-शक्ति वाली मशीनों से लिए गए थे। इन स्कैनों में तीन प्रकार के चित्र शामिल थे: मानक ब्लैक-एंड-व्हाइट दृश्य, तरल पदार्थ को उजागर करने वाले चित्र, और कंट्रास्ट डाई डालने के बाद लिए गए चित्र जो दिखाते हैं कि रक्त वाहिकाएं कहाँ सक्रिय हैं। इससे पहले कि कंप्यूटर छवियों का विश्लेषण कर सके, वर्षों के अनुभव वाले दो विशेषज्ञ रेडियोलॉजिस्ट ने प्रत्येक स्कैन के हर स्लाइस पर ट्यूमर और उसके आसपास की सूजन के चारों ओर सावधानीपूर्वक रूपरेखा (outlines) खींची। इसने यह सुनिश्चित किया कि कंप्यूटर हर रोगी में बिल्कुल उन्हीं क्षेत्रों को देख रहा है।

कंप्यूटर को यह सिखाने के लिए कि ट्यूमर में "कम ऑक्सीजन" कैसा दिखता है, शोधकर्ताओं ने पहले आनुवंशिक जानकारी के डेटाबेस का सहारा लिया। उन्होंने 125 रोगियों के ट्यूमर नमूनों के जीन का विश्लेषण किया ताकि एक स्कोर की गणना की जा सके जो यह दर्शाता है कि ट्यूमर ऑक्सीजन की कमी से कितना जूझ रहा है। यह जेनेटिक स्कोर 'ग्राउंड ट्रुथ' (ground truth) के रूप में कार्य करता था—वह जैविक वास्तविकता जिसके विरुद्ध छवियों का परीक्षण किया जाना था। फिर उन्होंने एमआरआई स्कैन से हजारों सूक्ष्म विवरण निकालने के लिए एक कंप्यूटर एल्गोरिदम का उपयोग किया, जैसे कि ट्यूमर की बनावट, उसका आकार और पिक्सेल की तीव्रता। लक्ष्य यह पता लगाना था कि कौन से हजारों इमेज विवरण कम ऑक्सीजन के जेनेटिक संकेतों से मेल खाते हैं।

इसके बाद शोधकर्ताओं ने अपने प्रेडिक्शन मॉडल को बनाने के लिए एक अनूठी रणनीति अपनाई। उन्होंने इमेज विवरणों को दो समूहों में विभाजित किया: वे जो कम ऑक्सीजन से संबंधित होने की संभावना रखते थे और वे जो नहीं थे। जब उन्होंने रोगी के जीवित रहने की भविष्यवाणी करने के लिए कंप्यूटर को प्रशिक्षित किया, तो उन्होंने "कम ऑक्सीजन" समूह को एक विशेष लाभ दिया, मॉडल को यह बताया कि उसे इन विशिष्ट विशेषताओं पर अतिरिक्त ध्यान देना चाहिए। इस ज्ञान-निर्देशित दृष्टिकोण का अर्थ था कि मॉडल केवल उन पैटर्न की तलाश नहीं कर रहा था जो जीवित रहने के साथ सह-संबंध रखते हों, बल्कि वह विशेष रूप से उन पैटर्न की तलाश कर रहा था जो जैविक रूप से तर्कसंगत हों। उन्होंने पांच अलग-अलग प्रकार के कंप्यूटर लर्निंग तरीकों का परीक्षण किया ताकि यह देखा जा सके कि टर्बर की ऑक्सीजन स्थिति की पहचान करने में कौन सा सबसे अच्छा काम करता है, और एक मानक सांख्यिकीय विधि जिसे लॉजिस्टिक रिग्रेशन कहा जाता है, सबसे सटीक बनकर उभरी।

परिणामों ने दिखाया कि यह नया मॉडल उल्लेखनीय रूप से अच्छा काम करता है। जब शोधकर्ताओं ने मॉडल का उपयोग करके रोगियों को उच्च-जोखिम और निम्न-जोखिम समूहों में विभाजित किया, तो उनके जीवित रहने के परिणामों में अंतर बहुत स्पष्ट था। उच्च-जोखिम वाले समूह के रोगी, जिनके ट्यूमर में कम ऑक्सीजन से जुड़े विशिष्ट इमेज पैटर्न थे, निम्न-जोखिम वाले समूह की तुलना में काफी कम समय तक जीवित रहे। मॉडल ने उच्च सटीकता के साथ उत्तरजीविता (survival) की भविष्यवाणी की, और अधिकांश मामलों में तीन साल आगे के परिणामों की सही पहचान की। एक अस्पताल केंद्र में, मॉडल ने तीन साल की उत्तरजीविता के लिए 0.926 का AUC प्राप्त किया, और दूसरे केंद्र में, इसने 0.833 का AUC प्राप्त किया। ये संख्याएँ तब भी बनी रहीं जब मॉडल का परीक्षण रोगियों के पूरी तरह से अलग समूहों पर किया गया, जिससे पता चलता है कि यह केवल डेटा के एक सेट पर किया गया कोई भाग्यशाली अनुमान नहीं था।

उत्तरजीविता की भविष्यवाणी करने के अलावा, अध्ययन ने इस बात पर भी गहरी नज़र डाली कि ये ट्यूमर इतने खतरनाक क्यों हैं। शोधकर्ताओं ने पाया कि उच्च-जोखिम वाले ट्यूमर, जिनकी पहचान इमेज पैटर्न द्वारा की गई थी, जैविक रूप से भिन्न थे। वे एक विशिष्ट प्रकार की कोशिका, जिसे स्ट्रोमल फाइब्रोब्लास्ट (stromal fibroblast) कहा जाता है, से भरे हुए थे, जो ट्यूमर के संरचनात्मक ढांचे को बनाने में मदद करता है। यह सघन वातावरण संभवतः प्रतिरक्षा प्रणाली के लिए कैंसर से लड़ना कठिन बनाता है और दवाओं के लिए ट्यूमर कोशिकाओं तक पहुँचना मुश्किल बनाता है। इमेज पैटर्न प्रतिरक्षा प्रणाली के मार्करों के साथ भी मजबूती से सह-संबंधित थे, जो यह सुझाव देते हैं कि एमआरआई पर ट्यूमर कैसा दिखता है, वह वास्तव में कैंसर और शरीर की रक्षा प्रणाली के बीच चल रहे जटिल युद्ध का एक प्रतिबिंब है।

अध्ययन ने उनके काम की सीमाओं को भी रेखांकित किया। शोधकर्ताओं ने उल्लेख किया कि डॉक्टरों के लिए ट्यूमर की रूपरेखा को मैन्युअल रूप से खींचने की प्रक्रिया बहुत समय लेने वाली थी, और यह अध्ययन उन्नत, विशेष इमेजिंग तकनीकों के बजाय मानक एमआरआई स्कैन पर आधारित था। उन्होंने यह भी बताया कि हालांकि मॉडल ने अच्छा प्रदर्शन किया, लेकिन इसे पिछले डेटा पर बनाया गया था, और भविष्य के अध्ययनों को वास्तविक नैदानिक सेटिंग्स में परीक्षण करने की आवश्यकता होगी ताकि यह देखा जा सके कि क्या यह वास्तव में उपचार के निर्णयों को निर्देशित कर सकता है। इन चेतावनियों के बावजूद, निष्कर्षों से पता चलता है कि कंप्यूटर को सही जैविक सुरागों को खोजने के लिए सिखाकर, डॉक्टर जल्द ही मस्तिष्क ट्यूमर की छिपी हुई आक्रामकता को समझने का एक गैर-आक्रामक तरीका पा सकते हैं। यह उन्हें उपचारों को अधिक सटीक रूप से तैयार करने की अनुमति दे सकता है, जिससे उन रोगियों पर ध्यान केंद्रित किया जा सके जिन्हें सबसे आक्रामक देखभाल की आवश्यकता है और दूसरों को अनावश्यक विषाक्तता से बचाया जा सके। यह कार्य एक ऐसे भविष्य की ओर एक कदम है जहाँ ट्यूमर की छवि न केवल उसके आकार की, बल्कि उसके जीव विज्ञान और उसके संभावित भाग्य की पूरी कहानी बताएगी।