Machine-Learning Models Using Multidimensional Habitats MRI Features for Assessing Recurrence and Metastasis Risk in Locally Advanced Nasopharyngeal Carcinoma

नेसोफैरिंगियल कार्सिनोमा (Nasopharyngeal carcinoma) एक प्रकार का कैंसर है जो गले के ऊपरी हिस्से में शुरू होता है, जो नाक के पीछे छिपा होता है। हालांकि कीमोथेरेपी और रेडिएशन जैसे आधुनिक उपचार कई रोगियों की मदद कर सकते हैं, लेकिन यह बीमारी जिद्दी बनी हुई है। उन लोगों के लिए जिनके मामले स्थानीय रूप से उन्नत (locally advanced) हैं, जहाँ ट्यूमर बढ़ गया है लेकिन अभी तक व्यापक रूप से नहीं फैला है, वहाँ एक बड़ी चुनौती है: लगभग एक-तिहाई से दो-पांचवां रोगी अंततः देखेंगे कि कैंसर वापस आ गया है या शरीर के अन्य हिस्सों में फैल गया है। यह पुनरावृत्ति (recurrence) अक्सर उपचार की विफलता का कारण बनती है, और एक बार जब ऐसा होता है, तो स्थिति बहुत गंभीर हो जाती है। डॉक्टर इन रोगियों की निगरानी के लिए लंबे समय से मानक स्कैन पर भरोसा करते आए हैं, लेकिन एक ट्यूमर ऊतक का एक समान पिंड नहीं होता है। इसके भीतर, यह विभिन्न क्षेत्रों वाला एक जटिल परिदृश्य है, जिनमें से कुछ अधिक आक्रामक होते हैं। पारंपरिक इमेजिंग अक्सर पूरे ट्यूमर को एक ही, सजातीय (homogeneous) वस्तु के रूप में मानती है, जिससे वे सूक्ष्म बदलावों को अनदेखा कर देती है जो खतरे का संकेत दे सकते हैं। इस अंतर को पाटने के लिए, शोधकर्ता रेडियोमिक्स (radiomics) नामक क्षेत्र की ओर मुड़ रहे हैं, जो मेडिकल इमेज को केवल चित्रों के रूप में नहीं, बल्कि छिपे हुए डेटा के विशाल भंडार के रूप में देखता है। कंप्यूटर का उपयोग करके ट्यूमर के भीतर पिक्सेल की बनावट, घनत्व और आकार का विश्लेषण करके, वैज्ञानिक उन पैटर्न को उजागर कर सकते हैं जो मानवीय आंखों के लिए अदृश्य हैं, इस उम्मीद में कि लक्षणों के प्रकट होने से पहले ही उच्च जोखिम वाले रोगियों की पहचान की जा सके।

गुआंग्शी, चीन के चिकित्सा केंद्रों के शोधकर्ताओं की एक टीम ने स्थानीय रूप से उन्नत नेसोफैरिंगियल कार्सिनोमा में पुनरावृत्ति और मेटास्टेसिस (metastasis) की भविष्यवाणी करने के लिए इन ट्यूमर को देखने के एक नए तरीके का परीक्षण करने का निर्णय लिया। उन्होंने तीन अलग-अलग अस्पतालों में इलाज किए गए 1,285 रोगियों का डेटा एकत्र किया। लक्ष्य केवल साधारण माप से आगे बढ़ना और इसके बजाय ट्यूमर के आंतरिक "आवासों" (habitats) का मानचित्रण करना था। एक ट्यूमर की कल्पना एक ठोस ब्लॉक के रूप में नहीं, बल्कि विशिष्ट पड़ोसों वाले एक क्षेत्र के रूप में करें। कुछ क्षेत्र घने और कसकर भरे हो सकते हैं, जबकि अन्य ढीले या मृत कोशिकाओं से भरे हो सकते हैं। शोधकर्ताओं ने एमआरआई (MRI) स्कैन पर ऊतक कैसा दिखता है, इसके आधार पर ट्यूमर को इन विशिष्ट क्षेत्रों में विभाजित करने की एक विधि विकसित की। उन्होंने इन पड़ोसों को परिभाषित करने के लिए तीन विशिष्ट विशेषताओं पर ध्यान केंद्रित किया: क्षेत्र का आकार, ऊतक का घनत्व, और पिक्सेल की बनावट या पैटर्न। इन विशेषताओं को एक साथ समूहबद्ध करके, उन्होंने ट्यूमर के आंतरिक वातावरण का एक बहुआयामी मानचित्र बनाया।

अपना प्रेडिक्शन टूल (prediction tool) बनाने के लिए, टीम ने इन नए इमेजिंग मानचित्रों को मानक नैदानिक जानकारी के साथ जोड़ा। उन्होंने उन कारकों को देखा जिन्हें डॉक्टर पहले से ही महत्वपूर्ण मानते हैं, जैसे कि कैंसर का चरण, रोगी को दिया गया विशिष्ट उपचार, रोगी की प्लेटलेट काउंट, और क्या उनका धूम्रपान का इतिहास रहा है। फिर उन्होंने इस सभी डेटा को दस अलग-अलग कंप्यूटर लर्निंग एल्गोरिदम के समूह में डाला। ये एल्गोरिदम अलग-अलग प्रकार के जासूसों की तरह हैं, जिनमें से प्रत्येक का पैटर्न पहचानने का अपना तरीका है। कुछ सीधे-रेखा संबंधों की तलाश करते हैं, जबकि अन्य जटिल, घुमावदार कनेक्शन खोजने में बेहतर होते हैं। शोधकर्ताओं ने प्रत्येक एल्गोरिदम का व्यक्तिगत रूप से परीक्षण किया और फिर 'स्टैकिंग' (stacking) नामक एक अधिक उन्नत दृष्टिकोण का प्रयास किया। यह विधि सबसे अच्छे व्यक्तिगत एल्गोरिदम की भविष्यवाणियों को लेती है और उन्हें जोड़ती है, जिससे एक अंतिम "मेटा" मॉडल उनके विचारों को तौलने और एक एकल, अधिक विश्वसनीय निर्णय लेने में सक्षम होता है।

परिणामों ने दिखाया कि संयुक्त दृष्टिकोण केवल नैदानिक डेटा या मानक इमेजिंग का उपयोग करने की तुलना में कहीं अधिक बेहतर था। जब शोधकर्ताओं ने अपने सबसे अच्छे मॉडल का परीक्षण उन रोगियों के समूह पर किया जिन्हें उसने पहले कभी नहीं देखा था, तो इसने उच्च सटीकता के साथ पुनरावृत्ति और मेटास्टेसिस के जोखिम की सफलतापूर्वक पहचान की। सबसे प्रभावी मॉडल तीन विशिष्ट एल्गोरिदम का एक संयोजन था जो एक साथ काम कर रहे थे। महत्वपूर्ण रूप से, अध्ययन ने पाया कि एमआरआई स्कैन से प्राप्त नए "आवास" (habitat) फीचर्स ने महत्वपूर्ण मूल्य जोड़ा। मॉडल ने सीखा कि ट्यूमर आंतरिक रूप से कैसे व्यवस्थित था, यह भविष्य के खतरे का एक शक्तिशाली भविष्यवक्ता था। विशेष रूप से, कंट्रास्ट-एन्हांस्ड स्कैन (contrast-enhanced scans) से प्राप्त फीचर्स, जो रक्त प्रवाह को उजागर करते हैं, सबसे महत्वपूर्ण संकेतक थे। मॉडल ने ज्ञात जोखिम कारकों, जैसे कि लिम्फ नोड की संलिप्तता का विस्तार और धूम्रपान के इतिहास के महत्व की भी पुष्टि की, लेकिन ट्यूमर की आंतरिक बनावट ने ऐसी अनूठी जानकारी प्रदान की जो इन अन्य कारकों द्वारा नहीं दी जा सकती थी।

यह सुनिश्चित करने के लिए कि मॉडल केवल एक सांख्यिकीय चाल नहीं है, शोधकर्ताओं ने यह समझाने के लिए एक तकनीक का उपयोग किया कि यह अपने निर्णय कैसे लेता है। वे स्पष्ट रूप से देख सकते थे कि कौन से फीचर्स किसी दिए गए रोगी के लिए उच्च-जोखिम वाले परिणाम की ओर इशारा कर रहे थे। यह पारदर्शिता डॉक्टरों के लिए अत्यंत महत्वपूर्ण है, जिन्हें यह समझने की आवश्यकता होती है कि कंप्यूटर किसी निश्चित जोखिम स्तर का सुझाव क्यों दे रहा है। अध्ययन ने निष्कर्ष निकाला कि यह नई विधि, जो ट्यूमर के विस्तृत आंतरिक परिदृश्य को मानक रोगी डेटा के साथ एकीकृत करती है, जोखिम का अधिक सटीक रूप से आकलन करने का एक आशाजनक तरीका प्रदान करती है। यह सुझाव देता है कि ट्यूमर को एक एकल द्रव्यमान के बजाय विविध आवासों के संग्रह के रूप में देखकर, चिकित्सक उन रोगियों की बेहतर पहचान कर सकते हैं जिन्हें बारीकी से निगरानी या अधिक आक्रामक उपचार की आवश्यकता है। हालांकि यह अध्ययन पूर्वव्यापी (retrospectively) रूप से किया गया था और इसके लिए और अधिक सत्यापन की आवश्यकता है, यह इन कैंसरों को समझने के लिए एक नया ढांचा स्थापित करता है, जो एक ऐसे भविष्य की ओर बढ़ता है जहाँ उपचार न केवल कैंसर के प्रकार के आधार पर, बल्कि ट्यूमर के अद्वितीय, छिपे हुए भूगोल के आधार पर तैयार किया जाता है।