Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study
यह पूर्वव्यापी अध्ययन प्रदर्शित करता है कि नॉन-कॉन्ट्रास्ट सीटी से इंट्राट्यूमरल और मल्टीस्केल पेरिट्यूमरल रेडियोमिक्स विशेषताओं को नैदानिक चरों के साथ एकीकृत करने वाला एक मशीन लर्निंग मॉडल, रेक्टल एडेनोकार्सिनोमा को रेक्टल न्यूरोएंडोक्राइन ट्यूमर से अलग करने के लिए उच्चतम बिंदु अनुमान प्राप्त करता है, हालांकि छोटे, एकल-केंद्र वाले समूह और बाहरी सत्यापन की कमी के कारण निष्कर्ष अन्वेषणात्मक बने हुए हैं।
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
मानव शरीर के जटिल परिदृश्य में, मलाशय (rectum) में दो बहुत ही अलग प्रकार के ट्यूमर हो सकते हैं जो स्कैन में समान दिखते हैं लेकिन उनके लिए पूरी तरह से अलग उपचार की आवश्यकता होती है। एक सामान्य प्रकार का कैंसर है जो आक्रामक रूप से बढ़ता है, जबकि दूसरा तंत्रिका जैसी कोशिकाओं से उत्पन्न होने वाला एक धीमा बढ़ने वाला ट्यूमर है। सर्जरी से पहले उनके बीच अंतर करना अत्यंत महत्वपूर्ण है, क्योंकि यह तय करता है कि रोगी को एक कट्टरपंथी ऑपरेशन की आवश्यकता है या एक सरल प्रक्रिया की। आमतौर पर, डॉक्टर कंट्रास्ट-एन्हांस्ड स्कैन पर भरोसा करते हैं, जहाँ एक इंजेक्ट किया गया डाई रक्त वाहिकाओं को उभारता है ताकि ट्यूमर की प्रकृति को स्पष्ट किया जा सके। हालाँकि, एलर्जी या किडनी की समस्याओं के कारण हर रोगी को यह डाई नहीं दी जा सकती है, और कभी-कभी केवल एक सादा (plain) स्कैन ही उपलब्ध होता है। यह एक नैदानिक अंतराल छोड़ देता है जहाँ डॉक्टरों को रंग-संवर्धित संकेतों की मदद के बिना ट्यूमर के आकार और बनावट को देखना पड़ता है।
शोधकर्ताओं की एक टीम ने यह देखने के लिए प्रयास किया कि क्या वे 'रेडियोमिक्स' नामक पद्धति का उपयोग करके इस अंतराल को भरा जा सकता है। चिकित्सा छवियों को केवल एक मानवीय आँख के अनुमान के रूप में देखने के बजाय, उन्होंने इन तस्वीरों को डेटा के एक विशाल स्रोत के रूप में माना। उन्होंने ट्यूमर की तस्वीरों को हजारों सूक्ष्म संख्यात्मक विवरणों में विभाजित किया—जैसे कि ग्रेनेस (धूसरता), खुरदरापन, और पिक्सेल के ऐसे पैटर्न जो एक इंसान के देखने के लिए बहुत सूक्ष्म हैं। उन्होंने न केवल ट्यूमर को देखा, बल्कि उसके आस-पास के ऊतकों (tissue) को भी देखा, यह तर्क देते हुए कि ट्यूमर का प्रभाव उसके पड़ोसियों तक भी फैल सकता है। उदाहरणों से सीखने में सक्षम एक कंप्यूटर प्रोग्राम में इन छिपे हुए पैटर्न को फीड करके, वे एक ऐसा उपकरण बनाना चाहते थे जो केवल सादे, गैर-कंट्रास्ट छवियों का उपयोग करके दोनों प्रकार के ट्यूमर के बीच अंतर कर सके।
यह अध्ययन 2019 से 2025 के बीच मलाशय के ट्यूमर के लिए उपचारित 87 रोगियों पर केंद्रित था। शोधकर्ताओं ने इन मामलों को दो समूहों में विभाजित किया: एक कंप्यूटर को यह सिखाने के लिए कि क्या देखना है, और दूसरा यह परीक्षण करने के लिए कि क्या कंप्यूटर नए, अनदेखे मामलों पर सीखी गई बातों को लागू कर सकता है। उन्होंने सादे सीटी (CT) स्कैन पर ट्यूमर के चारों ओर सावधानीपूर्वक रूपरेखा खींची और फिर उन रेखाओं को 3 मिलीमीटर और 5 मिलीमीटर तक बढ़ाकर आसपास के ऊतकों तक फैला दिया, जिससे विश्लेषण के लिए तीन विशिष्ट क्षेत्र बन गए। इन क्षेत्रों से प्रत्येक रोगी के लिए एक हजार से अधिक विशेषताएं निकाली गईं, जैसे कि ट्यूमर की सतह की बनावट और आस-पास के ऊतकों में ग्रे शेड्स का वितरण। डेटा की विश्वसनीयता सुनिश्चित करने के लिए, उन्होंने जांचा कि क्या विभिन्न पर्यवेक्षक एक ही रेखाएं खींचेंगे और एक ही संख्या प्राप्त करेंगे, और केवल सबसे सुसंगत डेटा को ही रखा।
इसके बाद कंप्यूटर को इन विशिष्ट सूक्ष्म विवरणों के संयोजन को खोजने के लिए प्रशिक्षित किया गया जो आक्रामक एडेनोकार्सिनोमा (adenocarcinomas) को न्यूरोएंडोक्राइन ट्यूमर (neuroendocrine tumors) से सबसे अच्छी तरह अलग कर सके। शोधकर्ताओं ने कई अलग-अलग गणितीय दृष्टिकोणों का परीक्षण किया, लेकिन 'एक्सट्रीम ग्रेडिएंट बूस्टिंग' (extreme gradient boosting) नामक विधि सबसे प्रभावी सिद्ध हुई। उन्होंने पाया कि ट्यूमर की सीमा से ठीक 3 मिलीमीटर बाहर के ऊतकों को देखना सबसे उपयोगी जानकारी प्रदान करता है, जो ट्यूमर स्वयं या 5 मिलीमीटर दूर के ऊतकों को देखने की तुलना में भी अधिक प्रभावी है। यह सुझाव देता है कि ट्यूमर का तत्काल परिवेश एक अनूठा संकेत (signature) रखता है जो इसके प्रकार की पहचान करने में मदद करता है। जब शोधकर्ताओं ने इस इमेजिंग डेटा को मानक नैदानिक जानकारी, जैसे कि रोगी की आयु और ट्यूमर के आकार के साथ जोड़ा, तो दोनों स्थितियों के बीच अंतर करने की कंप्यूटर की क्षमता और बढ़ गई।
परिणामों ने दिखाया कि इस संयुक्त दृष्टिकोण ने 0.879 का उच्च भेदभाव स्कोर (discrimination score) प्राप्त किया, जहाँ 1.0 पूर्ण रैंकिंग क्षमता को दर्शाता है, जो केवल नैदानिक डेटा या केवल ट्यूमर इमेजिंग का उपयोग करने वाले मॉडलों से बेहतर प्रदर्शन करता है। हालाँकि, शोधकर्ता इस बात को लेकर सावधान थे कि हालांकि मॉडल ने समग्र रूप से मामलों को रैंक करने में अच्छा प्रदर्शन किया, लेकिन जब उसे एक विशिष्ट कटऑफ पॉइंट पर अंतिम 'हाँ या ना' का निर्णय लेने के लिए मजबूर किया गया, तो वह संघर्ष करता रहा। टेस्ट ग्रुप में, प्रशिक्षण डेटा से प्राप्त मानक थ्रेशोल्ड का उपयोग करने पर मॉडल 70% न्यूरोएंडोक्राइन ट्यूमर की पहचान करने में विफल रहा। यह उच्च 'फॉल्स-नेगेटिव' दर इंगित करती है कि मॉडल अभी तक एक स्टैंडअलोन डायग्नोस्टिक टूल के रूप में उपयोग किए जाने के लिए पर्याप्त संवेदनशील नहीं था, बावजूद इसके कि इसका समग्र रैंकिंग प्रदर्शन मजबूत था। अध्ययन ने यह भी रेखांकित किया कि कंप्यूटर द्वारा पाई गई सबसे महत्वपूर्ण विशेषताएं वे नहीं थीं जो पारंपरिक अर्थों में सांख्यिकीय रूप से भिन्न साबित हुई थीं, बल्कि वे पैटर्न का एक जटिल मिश्रण थीं जो केवल एक साथ विश्लेषण करने पर उभर कर आए।
अंततः, यह कार्य एक पूर्ण चिकित्सा उत्पाद के बजाय एक 'प्रूफ ऑफ कॉन्सेप्ट' (सिद्धांत की पुष्टि) के रूप में कार्य करता है। यह प्रदर्शित करता है कि सादे सीटी स्कैन के भीतर, ट्यूमर और उसके आस-पास के ऊतकों की बनावट में मूल्यवान नैदानिक संकेत छिपे हुए हैं, जिन्हें उन्नत कंप्यूटिंग के माध्यम से अनलॉक किया जा सकता है। निष्कर्ष बताते हैं कि भविष्य का एक उपकरण डॉक्टरों को बेहतर निर्णय लेने में मदद कर सकता है जब कंट्रास्ट डाई का विकल्प उपलब्ध न हो। फिर भी, चूंकि यह अध्ययन एक ही अस्पताल में रोगियों की अपेक्षाकृत कम संख्या के साथ किया गया था, इसलिए इसके परिणामों को खोजपूर्ण (exploratory) माना जाता है। शोधकर्ता इस बात पर जोर देते हैं कि वास्तविक क्लीनिकों में ऐसे सिस्टम का उपयोग करने से पहले, इसे लोगों के बहुत बड़े और विविध समूह पर परखा जाना चाहिए ताकि यह सुनिश्चित हो सके कि यह सभी के लिए विश्वसनीय रूप से काम करता है। फिलहाल, यह एक आशाजनक झलक देता है कि कैसे डिजिटल विश्लेषण भविष्य में सबसे कठिन नैदानिक परिदृश्यों में मानवीय निर्णय का समर्थन कर सकता है।
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।