AI as a Biological Primitive: Optimal Intervention Inversion in Paediatric Glioma Using a Simulated Tumour Primitive

द दशकों से, बच्चों में आक्रामक मस्तिष्क ट्यूमर के उपचार का मानक दृष्टिकोण भविष्यवाणी का एक खेल रहा है। डॉक्टर और कंप्यूटर मॉडल ट्यूमर के आकार, स्थान और आनुवंशिक संरचना को देखते हैं ताकि उसके भविष्य का पूर्वानुमान लगाया जा सके: क्या यह बढ़ेगा, वापस आएगा, या मृत्यु का कारण बनेगा? यह भविष्योन्मुखी दृष्टिकोण उपयोगी है, लेकिन इसमें एक भारी, अक्सर अनकहा अनुमान शामिल है: कि एक बुरे परिणाम का मार्ग निश्चित है। यदि कोई मॉडल घातक प्रक्षेपवक्र (trajectory) की भविष्यवाणी करता है, तो इसका निहितार्थ अक्सर यह होता है कि इसे बदला नहीं जा सकता। यह परिवारों और चिकित्सकों को एक निराशाजनक अनिवार्यता का अहसास कराता है, विशेष रूप से मस्तिष्क के गहरे, महत्वपूर्ण केंद्रों में स्थित ट्यूमर के लिए जहाँ सर्जरी असंभव है। वह प्रश्न जो लंबे समय से अनुत्तरित रहा है, वह यह है कि क्या वह घातक पथ वास्तव में अपरिवर्तनीय है, या क्या कुछ विशिष्ट, रोगी-विशिष्ट स्थितियाँ हैं जो ट्यूमर को एक अलग, कम खतरनाक परिणाम की ओर मोड़ सकती हैं।

इलिनोइस विश्वविद्यालय शिकागो के मॉरिस एंटनी यूइंग द्वारा किया गया एक नया अध्ययन इस प्रश्न को पूरी तरह से बदलकर उत्तर देने का प्रयास करता है। यह पूछने के बजाय कि ट्यूमर के साथ क्या होगा, यह शोध पूछता है कि परिणाम को बदलने के लिए क्या अलग होना चाहिए था। यह अध्ययन पीडियाट्रिक ग्लियोमा (pediatric gliomas) पर केंद्रित है, जो बच्चों में रोग संबंधी मृत्यु का प्रमुख कारण है। जबकि इनमें से कुछ ट्यूमर धीरे-धीरे बढ़ते हैं, अन्य, विशेष रूप से मस्तिष्क के मिडलाइन (मध्य रेखा) जैसे कि पोंस (pons) और थैलेमस (thalamus) में स्थित ट्यूमर, इलाज के लिए अत्यंत कठिन और अक्सर घातक होते हैं। शोधकर्ता ने कोई नई दवा या नई सर्जिकल तकनीक विकसित करने की कोशिश नहीं की। इसके बजाय, उन्होंने मौजूदा डेटा का उपयोग करके इन ट्यूमर के व्यवहार का एक कंप्यूटर सिमुलेशन बनाने के लिए किया, और फिर उन्होंने उस सिमुलेशन से एक उल्टा प्रश्न पूछा: यदि हम ट्यूमर के आसपास की स्थितियों को बदल सकें, तो क्या वे इसे एक घातक पथ से दूर ले जा सकते हैं?

ऐसा करने के लिए, शोधकर्ता ने सार्वजनिक डेटाबेस से चिकित्सा रिकॉर्ड का एक विशाल संग्रह एकत्र किया, जिसमें हजारों पीडियाट्रिक ब्रेन ट्यूमर के मामलों पर ध्यान केंद्रित किया गया। उन्होंने इस डेटा को बच्चों के ग्लियोमा के एक विशिष्ट समूह तक सीमित किया, जिससे इन ट्यूमर के उनके प्रारंभिक अवस्था से बाद की अवस्थाओं, जैसे कि प्रोग्रेशन (बढ़ना), रिकरेंस (वापसी), या मृत्यु तक पहुँचने का एक विस्तृत मानचित्र तैयार हुआ। उन्होंने एक कंप्यूटर मॉडल को इस डेटा में पैटर्न सीखने के लिए प्रशिक्षित किया, प्रभावी रूप से इसे यह सिखाया कि ये ट्यूमर विभिन्न स्थितियों में कैसे प्रतिक्रिया देते हैं। यह मॉडल किसी विशिष्ट रोगी का "डिजिटल ट्विन" नहीं था, बल्कि यह एक "सिम्युलेटेड ट्यूमर प्रिमिटिव" (simulated tumor primitive) था। इसे एक अत्यधिक प्रशिक्षित पर्यवेक्षक के रूप में समझें जिसने यह सीख लिया है कि ट्यूमर अपने वातावरण के प्रति कैसे प्रतिक्रिया करते हैं, विशेष रूप से इस बात पर कि वे सर्जिकल निष्कासन या नियंत्रण के स्तर के प्रति कैसे प्रतिक्रिया करते हैं। शोधकर्ता ने यह सत्यापित करने के लिए कि यह मॉडल सटीक था, यह जांचा कि क्या यह प्रारंभिक स्थितियों के आधार पर ट्यूमर की भविष्य की स्थिति की सही भविष्यवाणी कर सकता है, और यह उच्च विश्वसनीयता के साथ सफल रहा।

एक बार मॉडल प्रशिक्षित हो जाने के बाद, शोधकर्ता ने इसे उलट दिया। उन्होंने उन मामलों को लिया जहाँ परिणाम ज्ञात रूप से घातक था—वे बच्चे जिनके ट्यूमर प्रोग्रेस होकर मृत्यु तक पहुँच गए थे या जिनका पोस्टमार्टम हुआ था—और मॉडल को उल्टा चलाने के लिए कहा। उन्होंने पूछा: यदि ट्यूमर नियंत्रण का स्तर अलग होता, तो क्या घातक परिणाम की संभावना बदल जाती? उन्होंने वास्तविक उपचार स्तर की तुलना उन अन्य स्तरों से करके इसका परीक्षण किया जो डेटा के भीतर संभव थे। उदाहरण के लिए, इनमें से कई घातक मामलों में ट्यूमर केवल बायोप्सी (निदान के लिए एक छोटा नमूना लेना) के स्तर पर था क्योंकि उन्हें निकालना बहुत खतरनाक था। मॉडल से यह कल्पना करने के लिए कहा गया कि यदि ट्यूमर को आंशिक रूप से निकाला गया होता, या कीमोथेरेपी का समय अलग होता, तो बेहतर परिणाम की कितनी संभावना होती।

परिणामों ने दो प्रकार के रोगियों के बीच एक चौंकाने वाला और अप्रत्याशित अंतर प्रकट किया। जब शोधकर्ता ने उन बच्चों के मामलों को देखा जिनके ट्यूमर का प्रोग्रेशन या रिकरेंस हुआ था लेकिन जो अभी भी जीवित थे, तो मॉडल ने दिखाया कि उपचार के स्तर को बदलने से अनुमानित परिणाम पर लगभग कोई फर्क नहीं पड़ा। इन मामलों के लिए डेटा की "सतह" (surface) सपाट थी, जो यह सुझाव देती है कि इन रोगियों के लिए, प्रक्षेपवक्र पहले ही निर्धारित हो चुका था और मॉडल द्वारा परीक्षण किए गए चरों द्वारा इसे आसानी से निर्देशित नहीं किया जा सकता था। हालांकि, उन बच्चों के लिए तस्वीर पूरी तरह से अलग थी जिनके ट्यूमर ने घातक रास्ता अपनाया था। इन रोगियों के लिए, मॉडल ने एक अलग परिणाम के लिए एक स्पष्ट मार्ग पाया। जब शोधकर्ता ने "बायोप्सी-ओनली" दृष्टिकोण से "आंशिक निष्कासन" (partial removal) दृष्टिकोण में बदलाव का सिमुलेशन किया, तो कम-घातक प्रक्षेपवक्य की अनुमानित संभावना काफी बढ़ गई। उपलब्ध डेटा वाले 27 घातक मामलों के समूह में, ट्यूमर नियंत्रण के संदर्भ को बदलने मात्र से बेहतर परिणाम की संभावना लगभग 14 प्रतिशत से बढ़कर 26 प्रतिशत हो गई। यह कोई मामूली उतार-चढ़ाव नहीं था; यह एक महत्वपूर्ण बदलाव था जो डेटा में लगातार दिखाई दिया।

शोधकर्ता को मिला सबसे शक्तिशाली साधन "साइटोरेडक्शन" (cytoreduction) की अवधारणा थी, जिसका सीधा अर्थ है शरीर में ट्यूमर की मात्रा को कम करना। डेटा ने सुझाव दिया कि मस्तिष्क के सबसे गहरे, सबसे खतरनाक हिस्सों में स्थित ट्यूमर के लिए भी, जहाँ पूर्ण निष्कासन असंभव है, एक ऐसी स्थिति है जहाँ आंशिक नियंत्रण संभव है जो केवल बायोप्सी-ओनली स्थिति से भिन्न व्यवहार करती है। मॉडल ने संकेत दिया कि 27 घातक मामलों में से 24 मामलों का अनुमानित परिणाम बेहतर होता, यदि ट्यूमर के भार को केवल सैंपल लेने के बजाय आंशिक स्तर तक कम किया जाता। यह निष्कर्ष मिडलाइन ट्यूमर, विशेष रूप से पोंस और थैलेमस में केंद्रित था। शोधकर्ता ने यह भी पाया कि कीमोथेरेपी कब शुरू की गई, इसकी जानकारी जोड़ने से यह परिणाम और भी स्पष्ट हो गया, जिससे बेहतर परिणाम की क्षमता और भी स्पष्ट हो गई। हालाँकि, चूंकि सार्वजनिक उपचार डेटा कम था, इसलिए इस निष्कर्ष को समय और कार्रवाई की क्षमता के संबंध में एक "नॉन-फ्लैट ज्योमेट्री" के प्रमाण के रूप में देखा जाना चाहिए, न कि किसी विशिष्ट कीमोथेरेपी रेजिमेन के प्रमाण के रूप में। इन सिमुलेशन में, घातक प्रक्षेपवक्र निश्चित नहीं थे; वे ट्यूमर पर लागू किए गए नियंत्रण के स्तर के प्रति संवेदनशील थे।

यह समझना महत्वपूर्ण है कि यह अध्ययन क्या करता है और क्या नहीं करता है। लेखक बहुत स्पष्ट है कि यह उन ट्यूमर पर खतरनाक सर्जरी करने की सिफारिश नहीं है जिन्हें सुरक्षित रूप से हटाया नहीं जा सकता है। अध्ययन यह सिद्ध नहीं करता कि मिडलाइन ट्यूमर को हटाना जीवन बचा लेगा। इसके बजाय, यह सुझाव देता है कि इन ट्यूमर का जैविक व्यवहार पहले की तुलना में अधिक लचीला हो सकता है। मॉडल द्वारा पहचाना गया "आंशिक निष्कासन" आवश्यक रूप से एक सर्जिकल प्रक्रिया नहीं है; यह कम ट्यूमर भार या बेहतर फोकल नियंत्रण की स्थिति का प्रतिनिधित्व करता है जिसे अन्य माध्यमों से प्राप्त किया जा सकता है, जैसे कि उपचार का समय, अनुक्रम, या गैर-सर्जिकल तरीके जो ट्यूमर की गतिविधि को कम करते हैं। अध्ययन इस विचार को खारिज करता है कि सभी घातक प्रक्षेपवक्र कठोर और अपरिवर्तनीय हैं, लेकिन यह इस विचार को भी खारिज करता है कि यह लचीलापन सभी प्रकार के ट्यूमर प्रोग्रेशन पर लागू होता है। प्रोग्रेसिव-बट-अलाइव समूह के लिए "फ्लैट" परिणाम यह सुझाव देता है कि कुछ रोगियों के लिए, निदान के समय तक परिणाम वास्तव में निश्चित होता है, जबकि अन्य के लिए, घातक पथ को पुनर्निर्देशित किया जा सकता है।

शोधकर्ता इस कार्य को एक "परिकल्पना-जनित अध्ययन" (hypothesis-generating study) के रूप में वर्णित करते हैं, जिसका अर्थ है कि यह अंतिम उत्तर के बजाय नए प्रश्नों के लिए एक शुरुआती बिंदु है। उपयोग किया गया डेटा पूर्वव्यापी (retrospective) था, जो उन रिकॉर्ड्स पर आधारित था जो मूल रूप से इस प्रकार के विश्लेषण के लिए एकत्र नहीं किए गए थे, और उपचार का विवरण भी कम था। इस कारण से, निष्कर्ष डेटा में पाए गए संबंधों पर आधारित हैं, न कि एक नियंत्रित प्रयोग पर जहाँ उपचार दिए गए हों। अध्ययन स्पष्ट रूप से कहता है कि उत्तरजीविता (survival) की संभावना में "अपलिफ्ट" (उन्नति) सीखा गया सिमुलेशन सतह का गुण है और वास्तविक दुनिया के चिकित्सा निर्णयों के मार्गदर्शन के लिए उपयोग करने से पहले गहन जैविक अध्ययन या भविष्योन्मुखी नैक्लिकल परीक्षणों के माध्यम से और अधिक सत्यापन की आवश्यकता है। लेखक परिणामों को अनरिसेक्टेबल (unresectable) ट्यूमर पर ऑपरेशन करने के आह्वान के रूप में गलत समझने के विरुद्ध चेतावनी देते हैं, बल्कि इसके बजाय लक्ष्य एक "साइटोरेडक्शन-इक्विवेलेंट स्टेट" (cytoreduction-equivalent state) की पहचान करना है—एक कम टर्बर भार की स्थिति जिसे विभिन्न चिकित्सा रणनीतियों के माध्यम से प्राप्त किया जा सकता है।

अंततः, यह शोध बच्चों के मस्तिष्क ट्यूमर के भाग्य को देखने का एक नया तरीका प्रदान करता है। एक कंप्यूटर मॉडल का उपयोग करके "क्या होगा" के बजाय "क्या होगा था" पूछकर, यह अध्ययन एक निश्चित नियति और पुनर्निर्देशन की संभावना के बीच अंतर करता है। यह सुझाव देता है कि विशिष्ट समूह के बच्चों के लिए जिनके मिडलाइन ग्लियोमा घातक हैं, मृत्यु का मार्ग एक सीधी, अपरिवर्तनीय रेखा नहीं है, बल्कि एक ऐसा परिदृश्य है जिसमें एक छिपा हुआ लीवर है जो परिणाम को बदल सकता है। हालांकि अध्ययन अभी उस लीवर को खींचने वाला उपकरण प्रदान नहीं करता है, लेकिन यह मानचित्रित करता है कि वह लीवर कहाँ स्थित हो सकता है, जिससे अनिवार्यता के प्रश्न को संभावना के प्रश्न में बदल दिया गया है। यह कार्य एक प्रमाण है कि डेटा स्वयं, जब उलटे क्रम में जांचा जाता है, यह प्रकट कर सकता है कि कुछ घातक प्रक्षेपवक्य उतने निश्चित नहीं हैं जितने वे दिखाई देते हैं, जो नियंत्रण की उस स्थिति तक पहुँचने के लिए भविष्य के अनुसंधान के द्वार खोलता है।