Voxel-wise Radiomics Habitat Modeling of Multiparametric Magnetic Resonance Imaging for Isocitrate Dehydrogenase Status Prediction and Survival Stratification in Diffuse Glioma
इस अध्ययन ने एक वोक्सेल-वाइज़ संभाव्य मल्टीपैरामेट्रिक एमआरआई हैबिटेट फ्रेमवर्क विकसित और बाह्य रूप से मान्य किया है जो स्थानिक ट्यूमर विषमता को कैप्चर करके डिफ्यूज़ ग्लियोमा रोगियों में आइसोसिट्रेट डिहाइड्रोजनेज स्थिति की सटीक भविष्यवाणी करता है और समग्र उत्तरजीविता को वर्गीकृत करता 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
डिफ्यूज़ ग्लियोमा (diffuse gliomas) के रूप में ज्ञात मस्तिष्क ट्यूमर कोशिकाओं के एक समान द्रव्यमान नहीं होते हैं; वे जटिल पारिस्थितिकी तंत्र हैं जहाँ विभिन्न क्षेत्र अलग-अलग तरह से व्यवहार करते हैं। इन ट्यूमर को समझने के लिए, डॉक्टर एक विशिष्ट जेनेटिक मार्कर देखते हैं जिसे IDH स्टेटस कहा जाता है। यह मार्कर एक जैविक स्विच की तरह कार्य करता है: यदि ट्यूमर में IDH जीन में उत्परिवर्तन (mutation) होता है, तो यह आमतौर पर बिना उत्परिवर्तन वाले ट्यूमर की तुलना में धीरे बढ़ता है और उपचार के प्रति बेहतर प्रतिक्रिया देता है। वर्तमान में, इस स्थिति को जानने के लिए एक सर्जन को ट्यूमर का एक हिस्सा निकालना पड़ता है और उसे जेनेटिक टेस्टिंग के लिए लैब में भेजना पड़ता है, एक ऐसी प्रक्रिया जो इस तथ्य से जटिल हो सकती है कि ट्यूमर की जेनेटिक संरचना एक स्थान से दूसरे स्थान तक भिन्न होती है। इसी कारण से, शोधकर्ताओं ने लंबे समय से चिकित्सा छवियों के माध्यम से सीधे इस जेनेटिक जानकारी को देखने का तरीका खोजा है, इस उम्मीद में कि इससे मरीज के ऑपरेशन थिएटर में प्रवेश करने से पहले ही सर्जरी और उपचार का मार्गदर्शन किया जा सके।
चीन के अस्पतालों और शेन्ज़ेन के एक अनुसंधान संस्थान के शोधकर्ताओं की एक टीम ने मस्तिष्क स्कैन को एक एकल चित्र के रूप में नहीं, बल्कि लाखों छोटे, व्यक्तिगत डेटा बिंदुओं के संग्रह के रूप में मानकर इस चुनौती के प्रति एक नया दृष्टिकोण अपनाया है। ट्यूमर को एक बड़े ढेर के रूप में देखने के बजाय, उन्होंने ट्यूमर और उसके आसपास की सूजन के भीतर प्रत्येक पिक्सेल, या वोक्सेल (voxel) का परीक्षण किया। उन्होंने कंप्यूटर से पांच अलग-अलग प्रकार के मैग्नेटिक रेजोनेंस इमेजिंग (MRI) स्कैन में इन छोटे बिंदुओं की बनावट (texture) और पैटर्न का विश्लेषण करने के लिए कहा। इन स्कैनों में मानक संरचनात्मक चित्र शामिल थे, साथ ही वे मानचित्र भी थे जो दिखाते थे कि ऊतकों (tissue) के माध्यम से पानी कैसे चलता है और विभिन्न क्षेत्रों में रक्त का प्रवाह कितना होता है। इन दृश्यों को जोड़कर, शोधकर्ताओं ने ट्यूमर के आंतरिक वातावरण का एक विस्तृत मानचित्र बनाया, जिससे विशिष्ट "आवासों" (habitats) की पहचान हुई जहाँ ऊतक अलग तरह से व्यवहार करते थे, ठीक वैसे ही जैसे एक जंगल में घने कैनोपी, खुले मैदान और गीले निचले क्षेत्रों के अलग-अलग क्षेत्र हो सकते हैं।
शोधकर्ताओं ने इन जटिल मानचित्रों को एक भविष्यवाणी उपकरण (prediction tool) में बदलने के लिए एक विधि विकसित की। उन्होंने IDH उत्परिवर्तन से जुड़े विशिष्ट पैटर्न को पहचानने के लिए 174 रोगियों के डेटा पर एक कंप्यूटर मॉडल को प्रशिक्षित किया। मॉडल ने ऊतकों की बनावट में सूक्ष्म अंतरों को देखना सीखा, जिसमें उन्होंने इस बात पर विशेष ध्यान दिया कि ट्यूमर के विभिन्न हिस्सों में रक्त प्रवाह और पानी की गति कितनी अराजक या व्यवस्थित दिखाई देती है। इसके बाद, उन्होंने इस उपकरण का परीक्षण एक अलग अस्पताल के 95 रोगियों के समूह पर यह देखने के लिए किया कि क्या यह एक नए परिवेश में काम करेगा। परिणाम आश्चर्यजनक थे: कंप्यूटर मॉडल ने, केवल इमेज डेटा का उपयोग करके, हर 100 रोगियों में से 92 रोगियों में IDH स्टेटस की सही पहचान की। जब शोधकर्ताओं ने इसमें आयु और ट्यूमर के स्थान जैसे सरल रोगी विवरणों को जोड़ा, तो इसकी सटीकता बढ़कर 100 में से 96 हो गई। यह प्रदर्शन केवल नैदानिक जानकारी (clinical information) पर निर्भर रहने की तुलना में कहीं अधिक बेहतर था, जो केवल लगभग दो-तिहाई मामलों में ही सही थी।
यह खोज विशेष रूप से इसलिए महत्वपूर्ण नहीं है कि यह कितनी सटीक है, बल्कि इसलिए है कि कंप्यूटर वास्तव में क्या देख पाया। विश्लेषण से पता चला कि सबसे महत्वपूर्ण सुराग केवल चमक या आकार के सरल माप नहीं थे, बल्कि ट्यूमर के रक्त प्रवाह और पानी की गति के भीतर की जटिलता और अव्यवस्था थी। बिना IDH उत्परिवर्तन वाले ट्यूमर के पैटर्न में उच्च स्तर की अराजकता और विखंडन दिखाई देता था, जबकि उत्परिवर्तन वाले ट्यूमर अधिक एकसमान दिखाई देते थे। अध्ययन में यह भी पाया गया कि ट्यूमर के आसपास की सूजन को देखने से अतिरिक्त सुराग मिले जिससे भविष्यवाणी में सुधार हुआ। यह सुझाव देता है कि ट्यूमर की जेनेटिक पहचान अपने पूरे आसपास के वातावरण पर एक दृश्य छाप छोड़ती है, जो ट्यूमर की मुख्य सीमाओं से परे तक फैली होती है।
जेनेटिक प्रकार की भविष्यवाणी करने के अलावा, शोधकर्ताओं ने यह भी पता लगाया कि क्या ये विस्तृत मानचित्र उन्हें समय के साथ रोगी की स्थिति बता सकते हैं। उन्होंने उन्हीं इमेज-आधारित पैटर्न को फॉलो-अप रिकॉर्ड वाले रोगियों के एक समूह पर लागू किया। उन्होंने पाया कि जिन रोगियों के ट्यूमर में इस विशिष्ट प्रकार की अराजक आवास संरचना (chaotic habitat structure) का उच्च स्तर था, उनमें अन्य ज्ञात कारकों जैसे रोगी की आयु, सर्जरी की सीमा और अन्य आणविक मार्करों के बावजूद, कम उम्र में मृत्यु का जोखिम काफी अधिक था। यह सुझाव देता है कि एक ट्यूमर सूक्ष्म स्तर पर कैसे व्यवस्थित है, जैसा कि एक मानक MRI में देखा जाता है, भविष्य के बारे में अपनी स्वतंत्र चेतावनी लेकर चलता है।
अध्ययन इस बात को स्वीकार करता है कि ये निष्कर्ष पिछले डेटा के रेट्रोस्पेक्टिव (retrospective) अवलोकन से आए हैं, जिसका अर्थ है कि चिकित्सा देखभाल का मानक हिस्सा बनने से पहले भविष्य के अग्रगामी (forward-looking) अध्ययनों में इनकी पुष्टि की जानी आवश्यक है। शोधकर्ताओं ने यह भी नोट किया कि उत्तरजीविता विश्लेषण (survival analysis) रोगियों के एक छोटे उपसमूह तक सीमित था जिनके पास पूर्ण रिकॉर्ड थे। हालाँकि, यह कार्य इस बात का एक ठोस प्रमाण (proof of concept) प्रदान करता है कि एक कंप्यूटर मस्तिष्क ट्यूमर की छवियों की छिपी हुई भाषा को पढ़ सकता है। ट्यूमर को उसके सबसे छोटे हिस्सों में तोड़कर और उनके बीच के संबंधों को समझकर, यह नई विधि बीमारी की जीव विज्ञान में एक गैर-आक्रामक (non-invasive) खिड़की खोलती है, जिससे डॉक्टरों को जेनेटिक टेस्ट के परिणाम का इंतजार किए बिना उपचार और रोग के निदान के बारे में अधिक सूचित निर्णय लेने में मदद मिल सकती 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।