Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

तपेदिक (टीबी) आज भी दुनिया के सबसे निरंतर और घातक संक्रामक रोगों में से एक बना हुआ है, जो सालाना दस लाख से अधिक लोगों की जान लेता है। हालांकि आधुनिक चिकित्सा ने इस बीमारी के इलाज के तरीके विकसित कर लिए हैं, लेकिन एक बढ़ता हुआ खतरा मंडरा रहा है: दवा-प्रतिरोधी स्ट्रेन (ड्रग-रेसिस्टेंट स्ट्रेन)। ये ऐसे बैक्टीरिया हैं जिन्होंने उन मानक दवाओं से जीवित रहना सीख लिया है जिनका उपयोग उन्हें मारने के लिए किया जाता है। इन प्रतिरोधी स्ट्रेनों की तेजी से पहचान करना समय के विरुद्ध एक दौड़ है। यदि कोई रोगी दवा-प्रतिरोधी संस्करण से संक्रमित है लेकिन उसका इलाज मानक दवाओं से किया जाता है, तो बीमारी फैलती रहती है, और रोगी की स्थिति बिगड़ती जाती है, जो अक्सर मृत्यु का कारण बनती है। निदान के लिए वर्तमान स्वर्ण मानक (गोल्ड स्टैंडर्ड) में एक नमूना लेना और यह देखने के लिए लैब में परीक्षण करना शामिल है कि कौन सी दवाएं काम करती हैं, लेकिन इस प्रक्रिया में हफ्तों लग सकते हैं। संक्रामक रोगों की दुनिया में, हफ्तों का अंतर रोकथाम और एक व्यापक प्रकोप के बीच का अंतर हो सकता है।

शोधकर्ताओं ने लंबे समय से संदेह जताया है कि चेस्ट एक्स-रे पर दिखने वाले पैटर्न इस बात के सुराग दे सकते हैं कि क्या रोगी में दवा-प्रतिरोधी स्ट्रेन है। चेस्ट एक्स-रे एक सरल, व्यापक रूप से उपलब्ध छवि है जो फेफड़ों को दिखाती है। जबकि एक मानव डॉक्टर इन छवियों को यह देखने के लिए देखता है कि फेफड़ों में संक्रमण है या नहीं, वे केवल देखकर एक मानक संक्रमण और दवा के प्रति प्रतिरोधी संक्रमण के बीच अंतर नहीं कर सकते। हालांकि, मानव आंख ही एकमात्र उपकरण नहीं है जो पैटर्न देखने में सक्षम है। एक नए अध्ययन ने इन छवियों को देखने के तरीके में कृत्रिम बुद्धिमत्ता (एआई) की शक्ति का उपयोग किया है जो मानवीय क्षमता से परे जाता है, जिसका लक्ष्य क्लिनिक में रोगी के आगमन के तुरंत बाद दवा प्रतिरोध के सूक्ष्म संकेतों को पहचानना है।

शोधकर्ताओं की एक टीम ने एक कंप्यूटर सिस्टम बनाने का लक्ष्य रखा जो एक प्रारंभिक चेतावनी संकेत के रूप में कार्य कर सके। उन्होंने कोई नई मशीन या नया प्रकार का स्कैनर नहीं बनाया। इसके बजाय, उन्होंने मौजूदा चेस्ट एक्स-रे छवियों के एक विशाल संग्रह और उन रोगियों के पुष्ट मेडिकल रिकॉर्ड का उपयोग किया जिन्होंने उन्हें लिया था। यह डेटा 'टीबी पोर्टल्स' नामक एक वैश्विक परियोजना से आया, जो दुनिया भर के तपेदिक रोगियों से जानकारी एकत्र करती है। शोधकर्ताओं ने पूर्वी यूरोप और मध्य एशिया के रोगियों से 7,000 से अधिक छवियां चुनीं, जिससे यह सुनिश्चित हुआ कि उनके पास स्पष्ट रिकॉर्ड हो कि प्रत्येक रोगी में दवा-संवेदनशील स्ट्रेन था या दवा-प्रतिरोधी स्ट्रेन। उन्होंने इस डेटा को समूहों में विभाजित किया: एक समूह कंप्यूटर को सिखाने के लिए, एक उसकी प्रगति की जांच करने के लिए, और एक अंतिम समूह उसके अंतिम कौशल का परीक्षण करने के लिए, ठीक वैसे ही जैसे एक छात्र वास्तविक परीक्षा से पहले अभ्यास परीक्षा देता है।

अपने सिस्टम को बनाने के लिए, शोधकर्ताओं ने एक एकल कंप्यूटर प्रोग्राम पर भरोसा नहीं किया। इसके बजाय, उन्होंने एक 'एन्सेम्बल' (समूह) बनाया, जो विभिन्न प्रकार के कृत्रिम बुद्धिमत्ता मॉडल की एक टीम है जो मिलकर काम करती है। उन्होंने तीन अलग-अलग डीप लर्निंग मॉडल—जो छवियों में पैटर्न पहचानने के लिए डिज़ाइन किए गए जटिल कंप्यूटर प्रोग्राम हैं—को चेस्ट एक्स-रे पर प्रशिक्षित किया। इन मॉडलों ने फेफड़ों की छवियों में हजारों सूक्ष्म विवरणों को पहचानना सीखा जिन्हें मानव आंख मिस कर सकती है। समानांतर में, टीम ने 'रेडियोमिक्स' नामक एक अलग विधि का उपयोग किया, जो एक छवि को बनावट और आकार जैसे सैकड़ों मापने योग्य गणितीय विशेषताओं में तोड़ देती है। उन्होंने रोगियों की बुनियादी जानकारी भी शामिल की, जैसे आयु, लिंग और क्या उन्हें मधुमेह या एचआईवी जैसी अन्य स्वास्थ्य स्थितियां हैं।

इसके बाद शोधकर्ताओं ने सभी विभिन्न स्रोतों से प्राप्त अंतर्दर्दनों को संयोजित किया। उन्होंने तीन इमेज-रीडिंग मॉडल के अनुमानों, रेडियोमिक्स विश्लेषण और रोगी के बुनियादी स्वास्थ्य डेटा को लिया, और उन्हें एक अंतिम मशीन लर्निंग क्लासिफायर में फीड किया। यह अंतिम चरण एक न्यायाधीश के रूप में कार्य करता था, जो साक्ष्य का वजन करता है और एक एकल संभाव्यता स्कोर (प्रोबेबिलिटी स्कोर) प्रदान करता है। यह स्कोर इस संभावना को दर्शाता था कि रोगी को दवा-प्रतिरोधी तपेदिक है। इस सिस्टम को एक गेटकीपर के रूप में डिजाइन किया गया था, जो एक पहली रक्षा पंक्ति के रूप में कार्य कर सके जो प्रयोगशाला के परिणामों के आने का इंतजार करने के बजाय, उच्च जोखिम वाले रोगियों को तत्काल विशेष परीक्षण और उपचार के लिए चिह्नित कर सके।

जब टीम ने अपने अंतिम मॉडल का परीक्षण उस डेटा पर किया जिसे उसने पहले कभी नहीं देखा था, तो परिणाम उत्साहजनक थे। सिस्टम ने उच्च सटीकता के साथ दवा-प्रतिरोधी और दवा-संवेदनशील मामलों के बीच सही ढंग से अंतर किया। टेस्ट ग्रुप में, मॉडल ने एक ऐसा स्कोर प्राप्त किया जो यह दर्शाता है कि वह दोनों समूहों को विश्वसनीय रूप से अलग कर सकता है, और इसने केवल नैदानिक जानकारी का उपयोग करने की तुलना में काफी बेहतर प्रदर्शन किया। मॉडल ने केवल तुक्का नहीं लगाया; इसने एक स्पष्ट पैटर्न दिखाया। जिन रोगियों में बाद में सबसे गंभीर दवा प्रतिरोध की पुष्टि हुई, जिन्हें 'एक्सटेंसिवली ड्रग-रेसिस्टेंट ट्यूबरकुलोसिस' के रूप में जाना जाता है, उन्हें कम गंभीर प्रतिरोध वाले रोगियों की तुलना में मॉडल से उच्च जोखिम स्कोर प्राप्त हुआ। यह सुझाव देता है कि सिस्टम प्रतिरोध की उपस्थिति के साथ-साथ उसकी तीव्रता का पता लगाने के लिए भी पर्याप्त संवेदनशील था।

शोधकर्ताओं ने यह सुनिश्चित करने के लिए भी देखा कि मॉडल अपने निर्णय कैसे लेता है कि वह सही चीजों को देख रहा है। एक ऐसी तकनीक का उपयोग करते हुए जो यह उजागर करती है कि किस हिस्से ने कंप्यूटर के चुनाव को प्रभावित किया, उन्होंने पाया कि मॉडल ने अपना ध्यान फेफड़ों के क्षेत्रों (लंग फील्ड्स) पर केंद्रित किया, जहाँ एक डॉक्टर देखता है। इसने फेफड़ों के भीतर काले धब्बों और संरचनात्मक परिवर्तनों की पहचान की जो इस बीमारी की विशेषता हैं। हालांकि, अध्ययन ने एक सीमा भी प्रकट की। जब रोगियों में एनीमिया या एचआईवी जैसी अन्य स्वास्थ्य स्थितियां थीं, तो मॉडल का प्रदर्शन गिर गया। यह इंगित करता है कि हालांकि यह सिस्टम शक्तिशाली है, लेकिन फेफड़ों में अन्य बीमारियां उस पैटर्न को भ्रमित कर सकती हैं जिसे यह खोजने की कोशिश कर रहा है, जिससे बहु-स्वास्थ्य समस्याओं वाले रोगियों में निदान अधिक कठिन हो जाता है।

अध्ययन निष्कर्ष निकालता है कि चेस्ट एक्स-रे, इस विशिष्ट प्रकार की कृत्रिम बुद्धिमत्ता के विश्लेषण के साथ, दवा प्रतिरोध जोखिम का एक त्वरित और सार्थक अनुमान प्रदान कर सकते हैं। लेखक सावधानीपूर्वक यह कहते हैं कि यह सिस्टम उन प्रयोगशाला परीक्षणों का विकल्प नहीं है जो यह पुष्टि करते हैं कि कौन सी विशिष्ट दवाएं काम करेंगी। इसके बजाय, यह एक शक्तिशाली स्क्रीनिंग टूल के रूप में कार्य करता है। एक व्यस्त क्लिनिक में, विशेष रूप से उन क्षेत्रों में जहां उन्नत लैब उपकरण दुर्लभ हैं, यह उपकरण डॉक्टरों को यह तय करने में मदद कर सकता है कि किन रोगियों को तुरंत विशेष देखभाल की आवश्यकता है। सबसे खतरनाक मामलों की जल्दी पहचान करके, यह प्रणाली सही उपचार जल्द शुरू करने का एक तरीका प्रदान करती है, जिससे संभावित रूप से जीवन बचाया जा सकता है और इन कठिन उपचार योग्य बैक्टीरिया के प्रसार को और अधिक नुकसान पहुँचाने से पहले रोका जा सकता है। यह कार्य प्रदर्शित करता है कि सही डेटा और विभिन्न प्रकार के कंप्यूटर मॉडलों के बीच सहयोगात्मक दृष्टिकोण के साथ, हम उन छवियों से नए, जीवन रक्षक अंतर्दृन निकाल सकते हैं जो दशकों से ली जा रही हैं।