MRI Radiomics for Survival Stratification in Glioblastoma: Benchmarking Against Clinical Variables in a Retrospective Observational Study of the UPENN-GBM Cohort

मानव मस्तिष्क एक जटिल परिदृश्य है, और जब ग्लियोब्लास्टोमा नामक ट्यूमर वहां जड़ें जमा लेता है, तो आगे का रास्ता अक्सर अनिश्चित होता है। यह वयस्कों में प्राथमिक मस्तिष्क ट्यूमर का सबसे आक्रामक प्रकार है, और सर्जरी, रेडिएशन और दवाओं में प्रगति के बावजूद, इसका भविष्य निराशाजनक बना हुआ है, जहाँ उत्तरजीविता (सर्वाइवल) आमतौर पर केवल एक वर्ष से थोड़े अधिक समय तक मापी जाती है। डॉक्टर वर्तमान में यह अनुमान लगाने के लिए संकेतों के एक मानक सेट पर भरोसा करते हैं कि एक रोगी कितने समय तक जीवित रह सकता है। वे रोगी की आयु, उनकी सामान्य शारीरिक शक्ति और उन जेनेटिक टेस्ट के परिणामों को देखते हैं जो ट्यूमर कोशिकाओं के भीतर विशिष्ट रासायनिक मार्करों को प्रकट करते हैं। हालांकि ये कारक एक आधार प्रदान करते हैं, लेकिन वे पूरी कहानी नहीं बताते। ट्यूमर स्वयं विभिन्न प्रकार की कोशिकाओं और व्यवहारों का एक अराजक मिश्रण है, एक जैविक विषमता (हेटरोजीनिटी) जिसे मानक परीक्षण अक्सर मिस कर देते हैं। ट्यूमर के भीतर वास्तव में क्या हो रहा है, इसे देखने के लिए वैज्ञानिक 'रेडियोमिक्स' नामक एक क्षेत्र की ओर मुड़ रहे हैं। यह दृष्टिकोण मेडिकल इमेजेस, जैसे कि मैग्नेटिक रेजोनेंस इमेजिंग (MRI) स्कैन को केवल डॉक्टर के देखने के लिए चित्रों के रूप में नहीं, बल्कि डेटा के विशाल पुस्तकालयों के रूप में मानता है। इमेज के सूक्ष्म विवरणों—जैसे कि बनावट, आकार और चमक के सूक्ष्म उतार-चढ़ाव—को मापने के लिए कंप्यूटर का उपयोग करके, रेडियोमिक्स ट्यूमर की अदृश्य जीव विज्ञान को मापने का प्रयास करता है, इस उम्मीद में कि वे ऐसे पैटर्न खोज सकें जिन्हें मानवीय आँखें नहीं देख सकतीं।

एक हालिया अध्ययन में, शोधकर्ताओं ने यह परीक्षण करने के लिए प्रयास किया कि क्या इन कंप्यूटर-मापे गए इमेज विवरणों द्वारा पारंपरिक क्लिनिकल संकेतों के समान या उनसे बेहतर तरीके से उत्तरजीविता का अनुमान लगाया जा सकता है। उन्होंने 230 रोगियों के डेटा के एक सार्वजनिक संग्रह के साथ काम किया जिन्हें ग्लियोब्लास्टोमा का निदान किया गया था। यह डेटासेट, जिसे UPENN-GBM कोहॉर्ट के रूप में जाना जाता है, में रोगियों के मेडिकल रिकॉर्ड, उनके जेनेटिक टेस्ट के परिणाम और उनके प्रीऑपरेटिव MRI स्कैन शामिल थे। टीम ने पहले मानक क्लिनिकल जानकारी का उपयोग करके एक प्रेडिक्शन मॉडल बनाया: रोगी की आयु, लिंग, शारीरिक प्रदर्शन की स्थिति और दो विशिष्ट जेनेटिक टेस्ट के परिणाम। यह मॉडल एक बेंचमार्क के रूप में कार्य करता था, जो अनुमान लगाने के लिए वर्तमान सर्वोत्तम अभ्यास का प्रतिनिधित्व करता था। इसके बाद शोधकर्ताओं ने अपना ध्यान MRI स्कैन की ओर केंद्रित किया। उन्होंने इमेज से 144 अलग-अलग मात्रात्मक विशेषताओं (क्वांटिटेटिव फीचर्स) को निकालने के लिए सॉफ्टवेयर का उपयोग किया, जिसमें ट्यूमर के समग्र आकार से लेकर उसके आंतरिक भाग की जटिल बनावट तक सब कुछ मापा गया। डेटा को साफ करने और अनावश्यक जानकारी को हटाने के बाद, उन्होंने इस सूची को 61 विशिष्ट विशेषताओं तक सीमित कर दिया जिनमें सबसे उपयोगी संकेत मौजूद थे।

इन 61 इमेज-आधारित मापों का उपयोग करते हुए, टीम ने 'रैंडम सर्वाइवल फॉरेस्ट' नामक एक मशीन लर्निंग एल्गोरिदम को प्रशिक्षित किया। पारंपरिक मॉडल के विपरीत जो वेरिएबल्स को एक-एक करके देखता है, यह एल्गोरिदम कई अलग-अलग कारकों के बीच जटिल, गैर-रेखीय (नॉन-लीनियर) संबंधों को खोजने के लिए डिज़ाइन किया गया है। लक्ष्य यह देखना था कि क्या कंप्यूटर केवल अपने ट्यूमर की दृश्य बनावट के आधार पर उन रोगियों के बीच अंतर करना सीख सकता है जो लंबे समय तक जीवित रहेंगे और जो नहीं रहेंगे। परिणामों ने दिखाया कि पारंपरिक क्लिनिकल मॉडल मध्यम रूप से अच्छा प्रदर्शन करता है, जो लगभग 63.5 प्रतिशत बार रोगी के परिणामों को सही ढंग से रैंक करता है। नया रेडियोमिक्स मॉडल, जो पूरी तरह से MRI डेटा से निर्मित था, थोड़ा बेहतर प्रदर्शन करता है, जो लगभग 65.3 प्रतिशत की रैंकिंग सटीकता प्राप्त करता है। हालांकि संख्याओं में अंतर कम था, लेकिन इसने जो अलगाव पैदा किया वह महत्वपूर्ण था। जब शोधकर्ताओं ने रेडियोमिक्स मॉडल का उपयोग करके रोगियों को दो समूहों में विभाजित किया—एक उच्च-जोखिम समूह और एक निम्न-जोखिम समूह—तो उनके वास्तविक उत्तरजीविता समय में अंतर बहुत स्पष्ट था। निम्न-जोखिम समूह के रोगी उच्च-जोखिम समूह की तुलना में काफी लंबे समय तक जीवित रहे, जो एक ऐसा अंतर था जो सांख्यिकीय रूप से स्पष्ट था और संयोग से होने की संभावना नहीं थी।

अध्ययन बताता है कि एक MRI स्कैन में देखे जाने वाले ट्यूमर की बनावट और संरचना में रोगी के भविष्य के बारे में मूल्यवान जानकारी होती है जो केवल आयु या जेनेटिक टेस्ट द्वारा नहीं पकड़ी जा सकती। शोधकर्ताओं ने पाया कि अधिक आयु वास्तव में कम उत्तरजीविता से जुड़ी थी, और कुछ जेनेटिक मार्कर, जैसे कि एक विशिष्ट म्यूटेशन की उपस्थिति, बेहतर परिणाम की ओर इशारा करती थी, जैसा कि डॉक्टर लंबे समय से जानते हैं। हालांकि, इमेज-आधारित मॉडल ने विवरण की एक ऐसी परत जोड़ी जिसे इन मानक कारकों ने मिस कर दिया था। मशीन लर्निंग मॉडल ट्यूमर के स्वरूप में उन सूक्ष्म पैटर्नों की पहचान करने में सक्षम था जो इस बात से सह-संबंधित थे कि बीमारी कितनी आक्रामक रूप से व्यवहार करेगी। इसका मतलब यह नहीं है कि पुराने तरीके गलत हैं, बल्कि यह है कि नई विधि एक पूरक दृष्टिकोण प्रदान करती है। यह एक दूसरे जोड़ी आँखों के होने जैसा है जो किसी सतह की सूक्ष्म खुरदरापन को देख सकती है, जिससे निदान का समर्थन करने के लिए एक अलग प्रकार का साक्ष्य मिलता है।

इन आशाजनक निष्कर्षों के बावजूद, शोधकर्ता सावधानी बरतते हुए नोट करते हैं कि यह कार्य अभी अस्पताल के बेडसाइड (मरीजों के उपचार) के लिए तैयार नहीं है। यह एक रेट्रोस्पेक्टिव विश्लेषण था, जिसका अर्थ है कि इसने पहले से एकत्र किए गए डेटा को देखा, न कि वास्तविक समय में नए रोगियों पर मॉडल का परीक्षण किया। उपयोग किया गया डेटासेट सार्वजनिक और पूरी तरह से डी-आइडेंटिफाइड (पहचान रहित) था, जो पारदर्शिता के लिए उत्कृष्ट है और अन्य वैज्ञानिकों को काम को सत्यापित करने की अनुमति देता है, लेकिन इसका मतलब यह भी है कि नमूना आकार 230 लोगों तक सीमित था। लेखक बताते हैं कि इस तकनीक को एक मानक उपकरण बनने के लिए, इसे विभिन्न अस्पतालों और विभिन्न MRI मशीनों के साथ रोगियों के बहुत बड़े समूहों पर परीक्षण किया जाना चाहिए ताकि यह सुनिश्चित हो सके कि परिणाम हर जगह सत्य बने रहें। वे यह भी स्वीकार करते हैं कि इमेज लेने के तरीके में भिन्नता हो सकती है, जो मापों को प्रभावित कर सकती है। फिलहाल, यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है। यह प्रदर्शित करता है कि सार्वजनिक डेटा का उपयोग करके केवल स्कैन के विजुअल डेटा के आधार पर रोगियों को विभिन्न जोखिम समूहों में सार्थक रूप से विभाजित करने वाला मॉडल बनाना संभव है। यह कार्य भविष्य के अनुसंधान के लिए एक नींव रखता है, जो सुझाव देता है कि यदि इन इमेज-आधारित उपकरणों को परिष्कृत और मान्य किया जा सकता है, तो वे अंततः डॉक्टरों को अधिक सटीक सलाह देने, सही लोगों को क्लिनिकल ट्रायल में शामिल करने और अधिक विश्वास के साथ फॉलो-अप देखभाल की योजना बनाने में मदद कर सकते हैं।