Label-Free Structure Discovery in Breast Cancer Histopathology: K-Means and Fuzzy C-Means on Handcrafted Descriptors under Subtype-Disjoint Cross-Validation

स्तन कैंसर दुनिया भर में सबसे आम कैंसर बना हुआ है, एक ऐसी बीमारी जो हर साल लाखों लोगों की जान लेती है। दशकों से, इस बीमारी के निदान के लिए स्वर्ण मानक (गोल्ड स्टैंडर्ड) एक रोगविज्ञानी (पैथोलॉजिस्ट) द्वारा सूक्ष्मदर्शी के नीचे ऊतक के नमूनों का सावधानीपूर्वक परीक्षण करना रहा है। इस प्रक्रिया में ऊतकों को विशिष्ट रंगों (डाई) से रंगना शामिल है ताकि कोशिकीय संरचनाओं को स्पष्ट रूप से देखा जा सके, जो एक ऐसा कार्य है जिसके लिए अत्यधिक विशेषज्ञता और समय की आवश्यकता होती है। दुनिया के कई हिस्सों में, विशेष रूप से कम और मध्यम आय वाले देशों में, इन विशिष्ट डॉक्टरों की भारी कमी है, जिससे लाखों मरीज समय पर या सटीक निदान से वंचित रह जाते हैं। यह वास्तविकता वैज्ञानिकों को यह पता लगाने के लिए प्रेरित कर रही है कि क्या कंप्यूटर इस महत्वपूर्ण कार्य में सहायता कर सकते हैं। जबकि आधुनिक आर्टिफिशियल इंटेलिजेंस ने चिकित्सा छवियों को पढ़ने में बड़ी क्षमता दिखाई है, इनमें से अधिकांश उन्नत प्रणालियों को डेटा की विशाल मात्रा की आवश्यकता होती है जिसे मानव विशेषज्ञों द्वारा पहले ही लेबल किया जा चुका हो, जो एक ऐसा संसाधन है जो अक्सर उन क्षेत्रों में उपलब्ध नहीं होता जहाँ इसकी सबसे अधिक आवश्यकता है। यह एक कठिन विरोधाभास पैदा करता है: वे उपकरण जो संसाधन-विहीन सेटिंग्स में जीवन बचा सकते हैं, उन्हें बनाने के लिए स्वयं सबसे अधिक संसाधनों की आवश्यकता होती है।

शोधकर्ताओं की एक टीम ने एक अलग मार्ग तलाशने के उद्देश्य से एक मौलिक प्रश्न पूछा: क्या एक कंप्यूटर बिना यह जाने कि ऊतक वास्तव में क्या है, हानिरहित और खतरनाक स्तन ऊतक के बीच अंतर करना सीख सकता है? बड़े, पूर्व-लेबल वाले डेटासेट पर निर्भर रहने के बजाय, उन्होंने अनसुपरवाइज्ड लर्निंग (unsupervised learning) की ओर रुख किया, एक ऐसी विधि जहाँ कंप्यूटर कच्चे डेटा के भीतर प्राकृतिक पैटर्न और समूहों को स्वयं खोजता है। उन्होंने "हैंडक्राफ्टेड" (handcrafted) फीचर्स पर ध्यान केंद्रित किया, जो ऊतक छवियों में पाए जाने वाले बनावट (टेक्सचर), आकार और रंग के पैटर्न के विशिष्ट गणितीय विवरण हैं, न कि कंप्यूटर को इन पैटर्न को शुरुआत से सीखने देने पर। लक्ष्य एक अंतिम नैदानिक उपकरण बनाना नहीं था, बल्कि एक आधार रेखा—एक प्रदर्शन का "फ्लोर" (floor)—स्थापित करना था, यह देखने के लिए कि क्या ये सरल, लेबल-रहित विधियाँ सौम्य (benign) से घातक (malignant) मामलों को अलग करने में सक्षम भी हो सकती हैं। यदि वे नहीं कर पाते, तो यह सुझाव देता कि अधिक जटिल, डेटा-भूखे सिस्टम वास्तव में आवश्यक हैं।

शोधकर्ताओं ने लगभग 8,000 डिजिटल छवियों के संग्रह के साथ शुरुआत की जो 82 रोगियों के स्तन ऊतक से ली गई थीं। इन छवियों को चार अलग-अलग आवर्धन (magnification) स्तरों पर लिया गया था, और इन्हें एक कठोर पांच-चरणीय सफाई प्रक्रिया के माध्यम से संसाधित किया गया ताकि यह सुनिश्चित किया जा सके कि वे सुसंगत हैं और आर्टिफैक्ट्स से मुक्त हैं। इस प्रक्रिया के एक महत्वपूर्ण चरण में छवियों को एक मानक आकार में बदलना शामिल था, लेकिन मूल छवियों के आयताकार आकार के कारण, यह रीसाइजिंग एकसमान नहीं थी; इसने ऊर्ध्वाधर संरचना के सापेक्ष क्षैतिज संरचना को संकुचित कर दिया। इस गैर-आइसोट्रोपिक विरूपण (non-isotropic distortion) का अर्थ था कि छवियों से निकाले गए आकार और आकार के गणितीय माप वास्तविक ऊतक ज्यामिति के सटीक प्रतिनिधित्व नहीं थे, एक ऐसी सीमा जिसे शोधकर्ताओं ने स्पष्ट रूप से स्वीकार किया। शेष जानकारी को समझने के लिए, उन्होंने प्रत्येक छवि से 148 विशिष्ट विशेषताओं को निकाला। इन विशेषताओं में बनावट के माप शामिल थे, जैसे कि पड़ोसी पिक्सेल एक-दूसरे के कितने समान हैं, विशिष्ट पैटर्न की आवृत्ति, और ऊतक में दिखाई देने वाली संरचनाओं का समग्र आकार और आकार। इस बड़ी मात्रा में जानकारी को समझने के लिए, उन्होंने 148 विशेषताओं को लगभग 21 या 22 प्रमुख घटकों तक कम करने के लिए एक गणितीय तकनीक का उपयोग किया, जो डेटा में अधिकांश भिन्नता को कैप्चर करते थे।

इन सुव्यवस्थित विवरणों के साथ, शोधकर्ताओं ने डेटा पर दो अलग-अलग क्लस्टरिंग एल्गोरिदम लागू किए। पहला, जिसे K-Means के रूप में जाना जाता है, प्रत्येक क्लस्टर के केंद्र को खोजने और छवियों को निकटतम केंद्र को सौंपकर उन्हें अलग-अलग समूहों में वर्गीकृत करने का प्रयास करता है। दूसरा, Fuzzy C-Means, छवियों को विभिन्न स्तरों की निश्चितता के साथ एक साथ कई समूहों से संबंधित होने की अनुमति देता है। महत्वपूर्ण रूप से, शोधकर्ताओं ने अपने परीक्षण को अत्यंत सख्त बनाया। उन्होंने केवल छवियों को यादृच्छिक रूप से विभाजित नहीं किया; इसके बजाय, उन्होंने यह सुनिश्चित किया कि ट्यूमर के पूरे प्रकार अलग रखे जाएं। प्रत्येक परीक्षण दौर में, कंप्यूटर को कुछ प्रकार के सौम्य और घातक ट्यूमर पर प्रशिक्षित किया गया और फिर उसे पूरी तरह से अलग प्रकार के ट्यूमर की पहचान करने के लिए कहा गया जिन्हें उसने पहले कभी नहीं देखा था। इस दृष्टिकोण ने कंप्यूटर को विशिष्ट रोगियों या छवि विवरणों को केवल याद करने से रोका, जिससे वह ऊतक संरचना में वास्तविक, अंतर्निहित अंतर खोजने के लिए मजबूर हुआ।

परिणामों ने एक स्पष्ट, हालांकि मामूली, तस्वीर पेश की। कंप्यूटर एल्गोरिदम डेटा में कुछ ऐसी संरचना खोजने में सक्षम थे जो सौम्य और घातक ऊतक के बीच के अंतर के साथ मेल खाती थी। जब शोधकर्ताओं ने देखा कि समूह कितनी अच्छी तरह बनते हैं, तो K-Means एल्गोरिदम ने Fuzzy C-Means पद्धति की तुलना में थोड़ा बेहतर प्रदर्शन किया, जिससे अधिक सघन और स्पष्ट क्लस्टर बने। हालाँकि, इस अलगाव की शक्ति अपेक्षाकृत कमजोर थी। जब शोधकर्ताओं ने बाद में यह देखने के लिए कि उनके समूह कितने सटीक थे, कंप्यूटर द्वारा बनाए गए समूहों को वास्तविक चिकित्सा निदानों के साथ मैप किया, तो सिस्टम ने लगभग 69 प्रतिशत की सटीकता दर प्राप्त की। यह ध्यान देना महत्वपूर्ण है कि यह एक "ओरेकल" (oracle) ऊपरी सीमा है, जिसे टेस्ट लेबल का उपयोग करके सर्वोत्तम मैपिंग निर्धारित करने के लिए गणना किया गया है; यह एक तैनात (deployable) प्रणाली के भविष्य कहनेवाला प्रदर्शन को नहीं दर्शाता है। हालाँकि यह एक साधारण अनुमान से बेहतर था जो हमेशा सबसे सामान्य परिणाम की भविष्यवाणी करता है (जिसने लगभग 60 प्रतिशत सटीकता दी), लेकिन यह एक विश्वसनीय चिकित्सा निदान के लिए आवश्यक स्तर से बहुत पीछे था।

अध्ययन ने यह भी खुलासा किया कि ये विधियाँ वास्तविक दुनिया के डेटा की असमान प्रकृति को कैसे संभालती हैं। आठ विशिष्ट परीक्षण परिदृश्यों में से तीन में, क्लास इम्बैलेंस (वर्ग असंतुलन) के कारण कंप्यूटर का समूहीकरण इतना विकृत हो गया कि पोस्ट-हॉक मैपिंग विफल हो गई, जिसके परिणामस्वरूप हर छवि को उसके वास्तविक लक्षण के बावजूद घातक के रूप में लेबल किया गया। यह महत्वपूर्ण विफलता मोड दर्शाता है कि सावधानीपूर्वक हैंडलिंग के बिना, ये एल्गोरिदम कुछ भी पहचानने में विफल हो सकते हैं। इसके अलावा, शोधकर्ताओं ने नोट किया कि विश्लेषण की गई छवियों को इस तरह से रीसाइज किया गया था जिससे उनके भौतिक अनुपात विकृत हो गए, जिसका अर्थ था कि आकार के माप वास्तविक ऊतक ज्यामिति के सटीक प्रतिनिधित्व नहीं थे। इन बाधाओं के बावजूद, हैंडक्राफ्टेड फीचर्स ने घातकता से संबंधित एक वास्तविक संकेत (signal) को धारण किया था, जिससे यह सिद्ध हुआ कि स्वस्थ और कैंसरयुक्त ऊतक के बीच का अंतर कोशिकाओं की बनावट और आकार में मौजूद है, भले ही वह सूक्ष्म हो।

अंततः, यह शोध एक समाधान के बजाय एक आवश्यक वास्तविकता की जाँच (reality check) के रूप में कार्य करता है। लेखक निष्कर्ष निकालते हैं कि हालांकि हैंडक्राफ्टेड डिस्क्रिप्टर्स और अनसुपरवाइज्ड क्लस्टरिंग घातक अवस्था के एक धुंधले संकेत का पता लगा सकते हैं, लेकिन यह संकेत अकेले एक नैदानिक प्रणाली का समर्थन करने के लिए बहुत कमजोर है। अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि ये सरल, लेबल-मुक्त विधियाँ पैथोलॉजिस्ट के स्थान पर नैदानिक उपयोग के लिए तैयार हैं। इसके बजाय, यह कार्य एक पारदर्शी, पुनरुत्पादक बेंचमार्क प्रदान करता है—एक "फ्लोर" जिसके विरुद्ध भविष्य की अधिक उन्नत विधियों को मापा जा सकता है। यह प्रदर्शित करता है कि लेबल वाले डेटा की अनुपस्थिति में, कंप्यूटर कुछ पैटर्न तो ढूंढ सकते हैं, लेकिन वे अभी तक स्तन कैंसर के निदान के महत्वपूर्ण कार्य में मानवीय आंख की जगह नहीं ले सकते। शोधकर्ताओं का सुझाव है कि आगे का रास्ता उन विधियों को विकसित करने में निहित है जो बहुत कम लेबल वाले डेटा के साथ प्रभावी ढंग से सीख सकें, जिससे सटीकता की आवश्यकता और विशेषज्ञ एनोटेशन की कमी के बीच के अंतर को पाटा जा सके।