Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
यह दो-केंद्रों वाला अध्ययन प्रदर्शित करता है कि विज़फॉर्मर (Visformer) आर्किटेक्चर का उपयोग करने वाला एक मैमोग्राफी-आधारित डीप लर्निंग रेडियोमिक्स मॉडल स्तन कैंसर के रोगियों में HER2-पॉजिटिव बनाम HER2-नेगेटिव स्थिति और HER2-लो बनाम HER2-जीरो स्थिति दोनों की गैर-आक्रामक और विश्वसनीय रूप से भविष्यवाणी कर सकता 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
स्तन कैंसर वैश्विक स्तर पर महिलाओं को प्रभावित करने वाला सबसे आम घातक रोग बना हुआ है, एक ऐसा रोग जहाँ ट्यूमर की विशिष्ट जैविक संरचना उपचार के मार्ग को निर्धारित करती है। उन कई मार्करों में से जिन्हें डॉक्टर ट्यूमर को समझने के लिए जांचते हैं, HER2 नामक एक प्रोटीन विशेष रूप से महत्वपूर्ण है। लगभग हर पांच नए निदान किए गए मामलों में से एक में, कैंसर कोशिकाएं इस प्रोटीन की प्रचुरता रखती हैं, जिसे HER2-पॉजिटिव (HER2-positive) नामक स्थिति कहा जाता है। ये ट्यूमर अधिक आक्रामक रूप से बढ़ने की प्रवृत्ति रखते हैं, लेकिन वे उन विशिष्ट लक्षित उपचारों (targeted therapies) के प्रति भी अच्छी प्रतिक्रिया देते हैं जो उस प्रोटीन पर हमला करने के लिए डिज़ाइन किए गए हैं। दशकों से, इन ट्यूमर की पहचान करने के लिए मानक दृष्टिकोण एक छोटा ऊतक नमूना लेना रहा है, जिसे बायोप्सी कहा जाता है, और इसे सूक्ष्मदर्शी (microscope) के नीचे जांचना रहा है। हालाँकि, हाल ही में चिकित्सा समझ में एक नया वर्ग उभरा है: HER2-लो (HER2-low)। इन ट्यूमर में प्रोटीन की मात्रा इतनी नहीं होती कि उन्हें पॉजिटिव कहा जा सके, फिर भी उनमें पर्याप्त प्रोटीन होता है जिससे वे दवाओं की एक नई पीढ़ी के प्रति प्रतिक्रिया दे सकते हैं। ट्यूमर में बिल्कुल भी HER2 न होने और जिनमें थोड़ा सा HER2 होने के बीच अंतर करना अब एक महत्वपूर्ण नैदानिक प्रश्न है, लेकिन परीक्षण की पारंपरिक विधि ऐसी आक्रामक प्रक्रियाओं पर निर्भर करती है जो ट्यूमर के भीतर कोशिकाओं के असमान वितरण के कारण कभी-कभी चूक सकती है।
शोधकर्ताओं की एक टीम ने यह देखने के लिए हाथ मिलाया कि क्या एक अलग, गैर-आक्रामक दृष्टिकोण इस समस्या को हल कर सकता है। वे मैमोग्राफी की ओर मुड़े, जो स्तन कैंसर की स्क्रीनिंग के लिए उपयोग की जाने वाली मानक एक्स-रे इमेजिंग है, जो व्यापक रूप से उपलब्ध है और अधिकांश महिलाओं के लिए परिचित है। इमेज के रेडियोलॉजिस्ट के दृश्य निरीक्षण पर पूरी तरह से निर्भर रहने के बजाय, टीम ने 'डीप लर्निंग रेडियोमिक्स' नामक तकनीक को लागू किया। इस प्रक्रिया में डिजिटल मैमोग्राम छवियों को एक ऐसे कंप्यूटर सिस्टम में फीड करना शामिल है जो उन सूक्ष्म पैटर्न और बनावटों का पता लगाने में सक्षम है जो मानवीय आंखों के लिए बहुत बारीक होते हैं। शोधकर्ता जानना चाहते थे कि क्या ये छिपे हुए डिजिटल संकेत किसी सर्जरी या बायोप्सी से पहले HER2 की स्थिति की भविष्यवाणी कर सकते हैं। उन्होंने दो विशिष्ट चुनौतियों पर ध्यान केंद्रित किया: पहला, HER2-पॉजिटिव ट्यूमर को उनसे अलग करना जो पॉजिटिव नहीं हैं, और दूसरा, नए महत्वपूर्ण HER2-लो समूह को शून्य HER2 अभिव्यक्ति वाले ट्यूमर से अलग करना।
अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने दो अलग-अलग चिकित्सा केंद्रों से पुष्ट स्तन कैंसर वाली 546 महिलाओं का डेटा एकत्र किया। उन्होंने अपने कंप्यूटर मॉडल को प्रशिक्षित करने और फिर उनका परीक्षण करने के लिए रोगियों को समूहों में विभाजित किया, जिससे यह सुनिश्चित हो सके कि परिणाम केवल डेटा के एक सेट पर आधारित कोई तुक्का नहीं हैं। कंप्यूटर सिस्टम ने मैमोग्राम का विश्लेषण किया, जिसमें ट्यूमर के आकार, बनावट और घनत्व के बारे में हजारों सूक्ष्म संख्यात्मक विवरण निकाले गए। विभिन्न गणितीय मॉडलों की भविष्यवाणियों को जोड़कर, टीम ने एक एकल, सुदृढ़ उपकरण बनाया जिसे अंतिम निर्णय लेने के लिए डिज़ाइन किया गया था। परिणामों ने दिखाया कि यह डिजिटल दृष्टिकोण वास्तव में अंतर को "देख" सकता था। जब HER2-पॉजिटिव ट्यूमर को बाकी अन्य से अलग करने की कोशिश की गई, तो मॉडल ने अपने प्रारंभिक परीक्षणों में उच्च स्तर की सटीकता के साथ प्रदर्शन किया, और हालांकि एक अलग अस्पताल के रोगियों के पूरी तरह से नए समूह पर परीक्षण करते समय इसका प्रदर्शन थोड़ा कम हुआ, फिर भी इसने समूहों के बीच अंतर करने की एक विश्वसनीय क्षमता बनाए रखी।
परिणाम और भी उत्साहजनक थे जब टीम ने HER2-लो ट्यूमर को शून्य HER2 वाले ट्यूमर से अलग करने के कठिन कार्य पर ध्यान केंद्रित किया। अपने प्रारंभिक प्रशिक्षण चरण में, मॉडल अत्यधिक सफल रहा, और जब इसे रोगियों के बाहरी समूह पर लागू किया गया, तो इसने भी काफी हद तक अपनी स्थिति बनाए रखी। अध्ययन ने जोखिम का आकलन करने के लिए डॉक्टर जो पारंपरिक कारकों का उपयोग करते हैं, जैसे कि ट्यूमर का आकार, रोगी की आयु और स्तन ऊतक का घनत्व, का भी अध्ययन किया। उन्होंने पुष्टि की कि कुछ विशेषताएं, जैसे कि ट्यूमर कोशिकाओं की उच्च ग्रेड और कोशिका विभाजन की तीव्र दर, HER2-पॉजिटिव स्थिति से मजबूती से जुड़ी हुई थीं। इसी प्रकार, उन्होंने पाया कि हार्मोन रिसेप्टर स्थिति और स्तन घनत्व ने HER2-लो ट्यूमर की पहचान करने में भूमिका निभाई। हालाँकि, कंप्यूटर मॉडल की इन स्थितियों की भविष्यवाणी करने की क्षमता ने एक्स-रे छवियों से सीधे जो अंतर्दृष्टि प्रदान की, वह इन अन्य चरों पर अकेले निर्भर नहीं थी।
शोधकर्ताओं ने स्वीकार किया कि उनके काम की कुछ सीमाएं हैं। चूंकि अध्ययन ने नए रोगियों का भविष्य में पीछा करने के बजाय पिछले रोगी रिकॉर्डों का विश्लेषण किया है, इसलिए इस बात की संभावना है कि डेटा के चयन ने कुछ पूर्वाग्रह (bias) पेश किया हो। एक्स-रे पर ट्यूमर क्षेत्रों को मानव रेडियोलॉजिस्ट द्वारा मैन्युअल रूप से रेखांकित करना भी यह दर्शाता है कि यह प्रक्रिया अभी तक पूरी तरह से स्वचालित नहीं हुई है। इसके अलावा, रोगियों की संख्या, हालांकि पर्याप्त थी, इतनी बड़ी नहीं थी कि यह गारंटी दी जा सके कि परिणाम हर संभव परिदृश्य में सही होंगे। इन सीमाओं के बावजूद, अध्ययन सुझाव देता है कि मैमोग्राफी, जिसे अक्सर केवल कैंसर खोजने के उपकरण के रूप में देखा जाता है, रोग की आणविक प्रकृति में एक शक्तिशाली खिड़की के रूप में भी काम कर सकती है। HER2 स्थिति का अनुमान लगाने के लिए एक गैर-आक्रामक तरीका प्रदान करके, यह दृष्टिकोण एक दिन डॉक्टरों को उपचार योजनाओं के बारे में अधिक सूचित निर्णय लेने में मदद कर सकता है, जिससे संभावित रूप से बार-बार बायोप्सी की आवश्यकता कम हो सकती है और यह सुनिश्चित हो सकता है कि रोगियों को जल्द से जल्द सही लक्षित उपचार मिले। यह कार्य वर्तमान ऊतक परीक्षण (tissue testing) के स्वर्ण मानक को बदलने का दावा नहीं करता है, बल्कि यह एक ऐसे भविष्य की ओर संकेत करता है जहाँ इमेजिंग और आर्टिफिशियल इंटेलिजेंस मिलकर बीमारी की एक स्पष्ट और अधिक पूर्ण तस्वीर प्रदान करने के लिए काम करेंगे, इससे पहले कि एक सुई का भी उपयोग किया जाए।
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।