Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

चिकित्सा निदान की शांत और उच्च-दांव वाली दुनिया में, एक रोगविज्ञानी (पैथोलॉजिस्ट) की दृष्टि अंतिम निर्णायक होती है। जब किसी रोगी में संदिग्ध वृद्धि होती है, तो ऊतक का एक छोटा सा हिस्सा निकालकर उसे कांच की स्लाइड पर रखा जाता है। सूक्ष्मदर्शी के नीचे, एक विशेषज्ञ कैंसर के विशिष्ट संकेतों की तलाश करता है: वे कोशिकाएं जिन्होंने अपना आकार खो दिया है, वे केंद्रक (न्यूक्लिआई) जो बहुत बड़े हैं, या वे ऊतक जो वहां बढ़ रहे हैं जहां उन्हें नहीं होना चाहिए। यह मैनुअल प्रक्रिया ट्यूमर खोजने के लिए स्वर्ण मानक (गोल्ड स्टैंडर्ड) है, लेकिन यह धीमी, थकाऊ और मानवीय त्रुटियों के प्रति संवेदनशील भी है। यहाँ तक कि सबसे अनुभवी डॉक्टर भी इस बात पर असहमत हो सकते हैं कि वे क्या देख रहे हैं, और स्लाइड्स की भारी मात्रा उनकी थकान और छूटे हुए विवरणों का कारण बन सकती है। आधुनिक चिकित्सा के सामने प्रश्न यह है कि क्या एक मशीन उसी सटीकता के साथ इन पैटर्न को देख सकती है, लेकिन बिना थकान के, एक ऐसी दूसरी जोड़ी आँखों के रूप में जो कभी झपकती नहीं है।

भारत के संस्थानों के शोधकर्ताओं की एक टीम ने उस प्रश्न का उत्तर देने की दिशा में एक महत्वपूर्ण कदम उठाया है, जो विशेष रूप से जीभ और ऊपरी श्वसन मार्ग के ट्यूमर पर केंद्रित है। उन्होंने एक नई कंप्यूटर प्रणाली विकसित की है जिसे इन ऊतक नमूनों की डिजिटल छवियों का विश्लेषण करने के लिए डिज़ाइन किया गया है। लक्ष्य केवल कैंसर का पता लगाना नहीं था, बल्कि इसे विशिष्ट श्रेणियों में वर्गीकृत करना था: सौम्य (बेनाइन) वृद्धि जो हानिरहित हैं, घातक (मैलिग्नेंट) ट्यूमर जो खतरनाक हैं, और डिसप्लेसिया, जो एक चेतावनी चरण है जहाँ कोशिकाएं बदल रही हैं लेकिन पूरी तरह से कैंसरयुक्त नहीं हुई हैं। ऐसा करने के लिए, शोधकर्ताओं ने एक कस्टम आर्टिफिशियल इंटेलिजेंस मॉडल बनाया जो सामान्य चित्रों पर प्रशिक्षित पूर्व-मौजूदा सॉफ़्टवेयर पर निर्भर रहने के बजाय सीधे छवियों से सीखता है।

यह यात्रा कच्चे माल से शुरू होती है: बायोप्सी स्लाइडों से ली गई हजारों डिजिटल छवियां। ये छवियां सभी एक जैसी नहीं होती हैं; इन्हें तीन अलग-अलग आवर्धन (मैग्निफिकेशन) स्तरों पर कैप्चर किया जाता है, ठीक वैसे ही जैसे मानचित्र पर ज़ूम करना। एक विस्तृत दृश्य (वाइड व्यू) पर, कंप्यूटर ऊतक के समग्र लेआउट को देखता है। मध्यम ज़ूम पर, यह देख सकता है कि ऊतक की परतें कैसे बढ़ रही हैं। उच्चतम ज़ूम पर, यह व्यक्तिगत कोशिकाओं और उनके केंद्रकों को देख सकता है। शोधकर्ताओं ने महसूस किया कि कंप्यूटर को प्रभावी ढंग से प्रशिक्षित करने के लिए, उन्हें पहले छवियों को साफ करना होगा। वास्तविक दुनिया की माइक्रोस्कोप स्लाइडों में अक्सर खामियां होती हैं: असमान रंग (स्टेन), बुलबुले, या छाया जो कंप्यूटर को भ्रमित कर सकती हैं। टीम ने इन समस्याओं को ठीक करने के लिए एक विशेष इमेज-प्रोसेसिंग चरण बनाया, जो रंगों और कंट्रास्ट को फैलाता है ताकि ऊतक के महत्वपूर्ण हिस्से पृष्ठभूमि के मुकाबले स्पष्ट रूप से उभर सकें। यह प्रक्रिया सुनिश्चित करती है कि कंप्यूटर स्लाइड की खामियों को नहीं, बल्कि जीव विज्ञान को देख रहा है।

एक बार जब छवियां साफ हो गईं, तो शोधकर्ताओं ने अपना नया मॉडल पेश किया, जिसे वे 'कॉन्ट्रास्ट स्ट्रैच्ड कन्वोल्यूशनल न्यूरल नेटवर्क' कहते हैं। अन्य कई एआई सिस्टम के विपरीत, जो जेनेरिक ब्लॉक्स की कई परतों को जोड़कर बनाए जाते हैं, इस मॉडल को विशेष रूप से मेडिकल स्लाइड्स की जरूरतों को संभालने के लिए ज़ीरो से डिजाइन किया गया था। यह "एक ही आकार सबके लिए उपयुक्त" (वन-साइज़-फिट्स-ऑल) वाला दृष्टिकोण नहीं अपनाता है; इसके बजाय, इसे विभिन्न पैमानों पर एक साथ ऊतक को देखने के लिए संरचित किया गया है, जो एक मानव रोगविज्ञानी द्वारा बड़े चित्र से सूक्ष्म विवरणों पर ध्यान केंद्रित करने के तरीके की नकल करता है। यह प्रणाली स्वस्थ कोशिकाओं बनाम कैंसर में बदलने वाली कोशिकाओं के अद्वितीय आकार और बनावट को पहचानना सीखती है। इसे 5,000 से अधिक छवियों के डेटासेट पर प्रशिक्षित किया गया था, जिन्हें सावधानीपूर्वक विभाजित किया गया था ताकि कंप्यूटर कुछ से सीख सके और दूसरों पर परीक्षण कर सके जिन्हें उसने पहले कभी नहीं देखा था।

इस प्रशिक्षण के परिणाम आश्चर्यजनक थे। नई छवियों पर परीक्षण करने पर, मॉडल ने 98 प्रतिशत मामलों में ट्यूमर के प्रकार की सही पहचान की। यह सूजन, हानिरहित वृद्धि और कैंसर के विभिन्न चरणों के बीच मुकाबला करने में सक्षम था, जिसकी सटीकता अन्य उन्नत कंप्यूटर मॉडलों के प्रदर्शन के बराबर है, और कुछ मामलों में उससे अधिक भी है जो पूर्व-प्रशिक्षित डेटा पर निर्भर करते हैं। सिस्टम ने कुशल प्रशिक्षण गति प्रदर्शित की, जो सीखने के चरण के दौरान केवल 2 सेकंड प्रति एपोक (epoch) में उच्च सटीकता तक पहुँच गया। शोधकर्ताओं ने नोट किया कि मॉडल शुरुआती चरणों के परिवर्तनों और पूर्ण विकसित कैंसर के बीच सूक्ष्म अंतरों को संभालने में विशेष रूप से अच्छा था, जो एक ऐसा कार्य है जो मानव विशेषज्ञों के लिए भी कठिन हो सकता है। इस उच्च स्तर की सटीकता प्राप्त करके, अध्ययन सुझाव देता है कि ऐसे स्वचालित सिस्टम भविष्य में रोगविज्ञानी के विश्वसनीय साथी के रूप में कार्य कर सकते हैं, जिससे निदान में लगने वाले समय को कम करने में मदद मिलेगी और यह सुनिश्चित होगा कि मानवीय थकान के कारण कोई ट्यूमर छूट न जाए।

यह कार्य डॉक्टर को बदलने का दावा नहीं करता है, बल्कि एक शक्तिशाली उपकरण प्रदान करने के लिए है जो प्रारंभिक स्क्रीनिंग का भारी काम संभाल सके। शोधकर्ता इस बात पर जोर देते हैं कि उनका दृष्टिकोण पारदर्शी है; मॉडल बिना किसी छिपे हुए शॉर्टकट के सीधे मेडिकल छवियों से सीखता है, जिससे इसके निर्णय समझना और उन पर भरोसा करना आसान हो जाता है। हालांकि इस अध्ययन ने जीभ और वायुमार्ग के ट्यूमर पर ध्यान केंद्रित किया, लेकिन यह पद्धति इस बात का खाका (ब्लूप्रिंट) प्रदान करती है कि कंप्यूटर को मानव ऊतक की जटिल भाषा पढ़ने के लिए कैसे सिखाया जा सकता है। हालांकि, लेखकों ने उल्लेख किया है कि मॉडल की कम्प्यूटेशनल लागत एक ऐसा कारक है जिस पर आगे अध्ययन किया जाना आवश्यक है, विशेष रूप से विषम बहु-मोडल डेटा नमूनों को संसाधित करते समय। जैसे-जैसे यह तकनीक परिपक्व होगी, इसमें उच्च गुणवत्ता वाले कैंसर निदान को अधिक सुलभ बनाने का वादा है, जिससे एक ऐसी प्रक्रिया जो कभी गहन एकाग्रता के घंटोंों की मांग करती थी, एक तीव्र, स्वचालित जांच में बदल जाएगी जो रोगियों की देखभाल करने वाले मानव विशेषज्ञों को सहायता प्रदान करती है।