Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

स्तन कैंसर के उपचार की यात्रा में, सबसे महत्वपूर्ण निर्णयों में से एक पहला चीरा लगाने से पहले लिया जाता है: यह निर्धारित करना कि क्या कैंसर पास की लिम्फ नोड्स (lymph nodes) तक फैल गया है। ये छोटे, बीन के आकार के अंग शरीर की रक्षा की पहली पंक्ति के रूप में कार्य करते हैं, जो स्तन से तरल पदार्थ को छानते हैं। यदि कैंसर कोशिकाएं वहां पहुंच गई हैं, तो सर्जिकल योजना काफी बदल जाती है। पारंपरिक रूप से, डॉक्टरों को 'सेंटिनल लिम्फ नोड बायोप्सी' करनी पड़ती है, जो एक ऐसी प्रक्रिया है जिसमें सर्जन सूक्ष्मदर्शी (microscope) के नीचे कैंसर की जांच करने के लिए एक विशिष्ट नोड को निकालता है। हालांकि यह प्रभावी है, लेकिन यह एक आक्रामक कदम है जिसमें सूजन और असुविधा का जोखिम होता है, और यह हमेशा पूर्ण नहीं होता; कभी-कभी, यह परीक्षण कैंसर को पकड़ने में विफल रहता है, और अन्य समय में, यह उन रोगियों के लिए अनावश्यक सर्जरी का कारण बनता है जिनमें कैंसर नहीं फैला होता है। दशकों से, शोधकर्ता इस प्रसार की भविष्यवाणी करने के लिए गैर-आक्रामक (non-invasive) उपकरणों का उपयोग करने का तरीका खोज रहे हैं, इस उम्मीद में कि मरीजों को उन प्रक्रियाओं से बचाया जा सके जिनकी उन्हें आवश्यकता नहीं है। अल्ट्रासाउंड, जो एक सामान्य इमेजिंग तकनीक है और शरीर की तस्वीरें बनाने के लिए ध्वनि तरंगों का उपयोग करती है, लंबे समय से स्तन की गांठों को देखने के लिए एक मानक उपकरण रहा है, लेकिन कैंसर कोशिकाओं के अदृश्य प्रसार को देखने की इसकी क्षमता मानव आंख द्वारा छवियों की व्याख्या करने की क्षमता द्वारा सीमित रही है।

चीन के दो अस्पतालों के शोधकर्ताओं की एक टीम ने इस पुराने प्रश्न के प्रति एक नया दृष्टिकोण अपनाया है, जिसमें कंप्यूटर को अल्ट्रासाउंड छवियों में उन पैटर्न को देखना सिखाया गया है जिन्हें मानव आंख मिस कर सकती है। उन्होंने एक विशिष्ट प्रकार के स्तन कैंसर पर ध्यान केंद्रित किया जिसे 'इनवेसिव ब्रेस्ट कैंसर' (invasive breast cancer) कहा जाता है, जहाँ ट्यूमर में स्तन के ऊतकों को तोड़कर लिम्फ नोड्स तक जाने की क्षमता होती है। टीम ने 246 रोगियों के ट्यूमर की अल्ट्रासाउंड छवियां एकत्र कीं, जिनमें से सभी की सर्जरी की गई थी ताकि पुष्टि की जा सके कि उनके लिम्फ नोड्स में कैंसर है या नहीं। उन्होंने इन रोगियों को दो समूहों में विभाजित किया: एक समूह गुआंगज़ौ के एक अस्पताल से कंप्यूटर को सिखाने के लिए, और एक अलग समूह दूसरे अस्पताल से यह परीक्षण करने के लिए कि क्या कंप्यूटर नए, अनदेखे रोगियों पर जो उसने सीखा है उसे लागू कर सकता है। कंप्यूटर ने छवियों को उस तरह से नहीं देखा जैसे एक रेडियोलॉजिस्ट देखता है, यानी ट्यूमर के आकार या चमक को नोट करके। इसके बजाय, इसने एक 'डीप लर्निंग सिस्टम' का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है, ताकि छवियों को हजारों सूक्ष्म गणितीय विवरणों में विभाजित किया जा सके। फिर सिस्टम ने एक निर्णय लेने वाले एल्गोरिदम का उपयोग किया ताकि उन विवरणों के विशिष्ट संयोजन को खोजा जा सके जो सबसे अच्छी तरह से भविष्यवाणी कर सके कि क्या कैंसर लिम्फ नोड्स तक पहुँच गया है।

इस अध्ययन के परिणाम बताते हैं कि कंप्यूटर मॉडल ने इन भविष्यवाणियों को करने में मध्यम स्तर की सफलता प्राप्त की। जब परीक्षण किए गए समूह (जिसका उपयोग सिस्टम को प्रशिक्षित करने के लिए किया गया था) पर, मॉडल ने 0.73 का AUC प्राप्त किया। जब शोधकर्ताओं ने दूसरे अस्पताल के स्वतंत्र रोगी समूह पर उसी मॉडल का परीक्षण किया, तो प्रदर्शन सुसंगत रहा, जहाँ मॉडल ने 0.74 का AUC प्राप्त किया। दो अलग-अलग अस्पतालों के बीच यह निरंतरता, जिन्होंने अलग-अलग अल्ट्रासाउंड मशीनों का उपयोग किया था, यह सुझाव देती है कि कंप्यूटर ने वास्तव में एक वास्तविक पैटर्न सीखा है, न कि केवल उन विशिष्ट छवियों को याद किया है जो उसे दिखाई गई थीं। हालांकि, यह मॉडल कोई पूर्ण भविष्यवक्ता (crystal ball) नहीं है। दूसरे अस्पताल के परीक्षण समूह में, मॉडल उन रोगियों की सही पहचान करने में बहुत अच्छा था जिनमें कैंसर का प्रसार नहीं हुआ था, जिसकी सफलता दर लगभग 84 प्रतिशत थी। यह एक मूल्यवान निष्कर्ष है क्योंकि इसका अर्थ है कि यह उपकरण डॉक्टरों को कुछ कम जोखिम वाले रोगियों के लिए आक्रामक बायोप्सी को छोड़ने में अधिक विश्वास महसूस कराने में संभावित रूप से मदद कर सकता है।

फिर भी, अध्ययन यह भी उजागर करता है कि यह उपकरण कहाँ विफल होता है। मॉडल उन मामलों को पकड़ने में कम सफल रहा जहाँ कैंसर वास्तव में फैल गया था, उन मामलों की पहचान केवल लगभग 65 प्रतिशत बार ही कर पाया। चूंकि इसने प्रसार के कुछ मामलों को मिस कर दिया, इसलिए शोधकर्ता इस बात पर जोर देते हैं कि यह उपकरण अपने आप में मानक बायोप्सी प्रक्रिया का स्थान नहीं ले सकता। यदि कोई डॉक्टर केवल इस कंप्यूटर भविष्यवाणी पर निर्भर होकर कैंसर के प्रसार को खारिज करने का निर्णय लेता है, तो वह गलती से कुछ रोगियों को आवश्यक उपचार के बिना घर भेज सकता है। लेखक इस मॉडल को एक प्रतिस्थापन (replacement) के बजाय एक सहायक (assistant) के रूप में वर्णित करते हैं, एक ऐसा उपकरण जो निर्णय लेने की प्रक्रिया में जानकारी की एक परत जोड़ सकता है। वे उल्लेख करते हैं कि यह अध्ययन 'रिट्रोस्पेक्टिव' (retrospective) था, जिसका अर्थ है कि इसने पहले से एकत्र किए गए डेटा को देखा, और रोगियों की संख्या अपेक्षाकृत कम थी। शोधकर्ता यह भी बताते हैं कि कंप्यूटर को यह नहीं सिखाया गया था कि उसने एक निश्चित निर्णय क्यों लिया, जो इस प्रकार के उन्नत आर्टिफिशियल इंटेलिजेंस के साथ एक सामान्य चुनौती है।

लेखकों के अनुसार, आगे का रास्ता भविष्य में रोगियों के बहुत बड़े समूहों पर इस उपकरण का परीक्षण करने से जुड़ा है। वे सुझाव देते हैं कि इससे पहले कि इस तकनीक को रोजमर्रा के क्लीनिकों में उपयोग किया जा सके, इसे 'प्रोस्पेक्टिव' (prospective) अध्ययनों में सिद्ध करने की आवश्यकता है, जहाँ रोगियों का समय के साथ आगे की ओर अनुसरण किया जाता है ताकि यह देखा जा सके कि भविष्यवाणियाँ वास्तविक दुनिया के अभ्यास में कितनी सटीक रहती हैं। लक्ष्य यह देखना है कि क्या इस कंप्यूटर विश्लेषण को अन्य मानक जानकारी, जैसे कि ट्यूमर का आकार या रोगी की आयु के साथ जोड़ने से सटीकता को और भी बेहतर बनाया जा सकता है। फिलहाल, यह अध्ययन एक आशाजनक झलक प्रदान करता है कि कैसे आर्टिफिशियल इंटेलिजेंस भविष्य में डॉक्टरों को अधिक व्यक्तिगत निर्णय लेने में मदद कर सकता है, जिससे संभावित रूप से कुछ महिलाओं को अनावश्यक सर्जरी से बचाया जा सके और यह सुनिश्चित किया जा सके कि जिन्हें इसकी आवश्यकता है उन्हें यह मिले। यह कार्य प्रदर्शित करता है कि हालांकि यह तकनीक अभी पूरी तरह तैयार नहीं है, फिर भी यह सैद्धांतिक चरण से आगे निकल चुकी है और एक क्लिनिकल सेटिंग में वास्तविक, मापने योग्य क्षमता दिखाई है।