An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
यह अध्ययन डीप लर्निंग से व्युत्पन्न एक आउटकम-ब्लाइंड (outcome-blind) H&E आर्किटेक्चर स्कोर प्रस्तुत करता है जो प्रोस्टेट कैंसर-विशिष्ट मृत्यु दर की भविष्यवाणी करता है और उच्च-जोखिम वाले उपसमूहों, जिनमें बायोप्सी ग्लिसन (Gleason) ≤6 वाले रोगी शामिल हैं, की पहचान करता है, जो कि उन प्रतिकूल विशेषताओं जैसे कि क्रिब्रिफॉर्म ग्रोथ (cribriform growth) और जीनोमिक अस्थिरता को कैप्चर करता है जो मानक ग्रेड ग्रुपिंग द्वारा पूरी तरह से एनकोडेड नहीं होती 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
कैंसर देखभाल की दुनिया में, डॉक्टर अक्सर प्रोस्टेट ट्यूमर के खतरे को आंकने के लिए 'ग्लीसन ग्रेड ग्रुप' (Gleason Grade Group) नामक एक प्रणाली पर भरोसा करते हैं। यह प्रणाली सूक्ष्मदर्शी (microscope) के नीचे कैंसर कोशिकाओं की व्यवस्था को देखती है और उन्हें कम-जोखिम से लेकर उच्च-जोखिम की श्रेणियों में वर्गीकृत करती है। यह तय करने के लिए मानक उपकरण है कि किसे तत्काल उपचार की आवश्यकता है और किसे 'देखने और प्रतीक्षा करने' (watch and wait) की स्थिति में सुरक्षित माना जा सकता है। हालांकि, इस प्रणाली में एक अदृश्य दोष (blind spot) है। यह एक ही श्रेणी के भीतर के सभी ट्यूमरों को एक जैसा मान लेती है, भले ही एक ही लेबल वाले दो ट्यूमर बहुत अलग दिख सकते हों। एक में आक्रामक कोशिकाओं का एक छोटा, बिखरा हुआ क्षेत्र हो सकता है, जबकि दूसरे में वे कोशिकाएं भरी हुई हो सकती हैं, या उनमें विशिष्ट, खतरनाक आकार हो सकते हैं जिन्हें मानक लेबल पहचान नहीं पाता। इस कारण, जिन पुरुषों को बताया जाता है कि उनका कैंसर कम-जोखिम वाला है, वास्तव में उनमें एक छिपा हुआ, अधिक आक्रामक रोग हो सकता है जो अंततः घातक हो सकता है।
सेडर्स-सिनाई मेडिकल सेंटर (Cedars-Sinai Medical Center) के शोधकर्ताओं की एक टीम ने ट्यूमर को देखने का एक नया तरीका विकसित किया है जो मानक लेबल से आगे जाता है। उन्होंने एक कंप्यूटर प्रोग्राम बनाया जो रोगी के चिकित्सा परिणाम को देखे बिना, रोगी के जीवित रहने या मृत्यु होने की जानकारी जाने बिना, ऊतक के नमूने (tissue sample) में कैंसर कोशिकाओं की वास्तविक वास्तुकला (architecture) का परीक्षण करता है। कंप्यूटर को कोशिका वृद्धि के विशिष्ट, खतरनाक पैटर्न पहचानने के लिए प्रशिक्षित करके, उन्होंने एक स्कोर तैयार किया जो इन बुरे पैटर्न के भार (burden) को मापता है। जब उन्होंने इस स्कोर का परीक्षण हजारों पुरुषों पर किया जिन्होंने प्रोस्टेट कैंसर के लिए सर्जरी करवाई थी, तो उन्होंने पाया कि यह भविष्य में दशकों बाद मृत्यु की भविष्यवाणी कर सकता है। महत्वपूर्ण रूप से, यह स्कोर केवल प्रोस्टेट कैंसर से होने वाली मौतों से जुड़ा था, न कि मृत्यु के अन्य कारणों से, जो यह सुझाव देता है कि यह ट्यूमर के प्रति विशिष्ट चीज़ को माप रहा है।
शोधकर्ताओं ने अपने कंप्यूटर मॉडल को बायोप्सी छवियों के एक सेट पर प्रशिक्षित करना शुरू किया जहाँ मानव विशेषज्ञों ने पहले से ही विभिन्न प्रकार के कैंसर पैटर्न को चिह्नित किया था। उन्होंने सिस्टम को चार विशिष्ट चीजों को पहचानने के लिए सिखाया: सामान्य ऊतक, एक कम-जोखिम वाला पैटर्न, एक उच्च-जोखिम वाला पैटर्न, और एक विशेष रूप से आक्रामक आकार जिसे 'क्रिब्रीफॉर्म ग्रोथ' (cribriform growth) कहा जाता है, जो एक छलनी या मधुमक्खी के छत्ते जैसा दिखता है। सिस्टम ने छवि के छोटे-छोटे टाइल्स में इन विशेषताओं को पहचानना सीखा। प्रशिक्षित होने के बाद, शोधकर्ताओं ने कंप्यूटर के ज्ञान को लॉक कर दिया और इसे उन दो बड़े समूहों पर लागू किया जिनके प्रोस्टेट पहले ही निकाले जा चुके थे। पहला समूह एक दीर्घकालिक कैंसर स्क्रीनिंग अध्ययन से आया था, और दूसरा राष्ट्रीय कैंसर डेटा संग्रह से। शोधकर्ताओं ने प्रक्रिया के दौरान कंप्यूटर को रोगियों के जीवित रहने के समय के बारे में नहीं बताया; उन्होंने बस ऊतक में खतरनाक वास्तुकला की मात्रा के आधार पर कंप्यूटर को स्कोर करने दिया।
परिणाम चौंकाने वाले थे। लंबे समय तक चलने वाले स्क्रीनिंग अध्ययन में, जिसमें औसतन बाईस वर्षों से अधिक समय तक पुरुषों का पीछा किया गया, इस स्कोर ने स्पष्ट रूप से उन लोगों को अलग किया जो प्रोस्टेट कैंसर से मरेंगे और जो नहीं मरेंगे। स्कोर में प्रत्येक बढ़ते कदम के साथ, प्रोस्टेट कैंसर से मृत्यु का जोखिम काफी बढ़ गया। उच्चतम स्कोर वाले पुरुषों में बीमारी से मरने की संभावना कम स्कोर वालों की तुलना में बहुत अधिक थी। महत्वपूर्ण रूप से, इसने अन्य कारणों जैसे हृदय रोग या अन्य कैंसर से होने वाली मृत्यु की भविष्यवाणी नहीं की। यह विशिष्टता बताती है कि स्कोर वास्तव में रोगी की सामान्य कमजोरी या उम्र को प्रतिबिंबित करने के बजाय, प्रोस्टेट ट्यूमर के स्वयं के खतरे को माप रहा है। यहाँ तक कि जब शोधकर्ताओं ने मानक ग्लीसन ग्रेड और आयु एवं ट्यूमर के आकार जैसे अन्य नैदानिक कारकों के लिए समायोजन किया, तब भी स्कोर ने मूल्यवान जानकारी प्रदान की, जिससे वह जोखिम पहचाना गया जिसे मानक प्रणाली चूक गई थी।
अध्ययन ने यह भी खुलासा किया कि यह नया स्कोर केवल पुराने ग्रेडिंग सिस्टम की पुनरावृत्ति नहीं है। हालांकि यह मानक ग्रेड से संबंधित है, लेकिन यह उन विवरणों को पकड़ता है जिन्हें मानक प्रणाली अनदेखा कर देती है। उदाहरण के लिए, उन पुरुषों के समूह के भीतर जिन्हें उनकी बायोप्सी के आधार पर कम-जोखिम वाला कैंसर बताया गया था, इस स्कोर ने एक ऐसा उप-समूह (subgroup) पहचाना जिसमें मृत्यु का बहुत अधिक दीर्घकालिक जोखिम था। इस कम-जोखिम वाले समूह में, उच्चतम स्कोर वाले पुरुषों में बीस साल का प्रोस्टेट कैंसर मृत्यु का जोखिम चार प्रतिशत से अधिक था, जबकि सबसे कम स्कोर वालों में यह जोखिम एक प्रतिशत से कम था। यह निष्कर्ष बताता है कि कंप्यूटर ऊतक में छिपे हुए, आक्रामक लक्षणों का पता लगा रहा है जिसे एक मानव रोगविज्ञानी (pathologist) मानक ग्रेड देते समय अनदेखा कर सकता है। स्कोर को इसके घटकों में विभाजित करने में भी सक्षम था, जिससे पता चला कि उच्च-ग्रेड ऊतक की मात्रा और छलनी जैसी क्रिब्रीफॉर्म संरचना की उपस्थिति, दोनों स्वतंत्र रूप से खतरे में योगदान करते हैं।
यह समझने के लिए कि जैविक रूप से क्या हो रहा था, शोधकर्ताओं ने ट्यूमर में आनुवंशिक गतिविधि (genetic activity) को देखा। उन्होंने पाया कि उच्च स्कोर वाले ट्यूमर उन जीन द्वारा संचालित थे जो तीव्र कोशिका विभाजन और आनुवंशिक अस्थिरता से जुड़े हैं, जो आक्रामक कैंसर की पहचान हैं। यह स्कोर मजबूत (robust) भी था, जिसका अर्थ है कि यह तब भी अच्छी तरह से काम करता रहा जब शोधकर्ताओं ने विभिन्न प्रकार के कंप्यूटर विजन टूल्स के साथ परीक्षण किया, बशर्ते वे टूल्स पैथोलॉजी छवियों पर प्रशिक्षित हों। हालांकि, जब उन्होंने सामान्य फोटो के लिए डिज़ाइन किए गए कंप्यूटर विजन टूल का उपयोग करने की कोशिश की, तो उत्तरजीविता (survival) के साथ संबंध समाप्त हो गया। यह पुष्टि करता है कि स्कोर ऊतक की विशिष्ट चिकित्सा जानकारी पर निर्भर करता है, न कि केवल सामान्य छवि पहचान पर।
शोधकर्ता स्वीकार करते हैं कि उनका कार्य एक शुरुआत है। अध्ययन उन समूहों में मौतों की संख्या से सीमित था जिनका उन्होंने विश्लेषण किया, जिससे कुछ बारीक विवरणों को पूर्ण निश्चितता के साथ पकड़ना कठिन हो गया। उन्होंने यह भी नोट किया कि स्कोर ऊतक के एक एकल ब्लॉक से प्राप्त किया गया था, और भविष्य के अध्ययनों को यह पुष्टि करने की आवश्यकता होगी कि क्या यह विधि पूरे प्रोस्टेट नमूनों में लगातार काम करती है। इन सीमाओं के बावजूद, यह अध्ययन प्रदर्शित करता है कि एक कंप्यूटर मानव पूर्वाग्रह या रोगी के परिणामों के पूर्व ज्ञान से स्वतंत्र होकर प्रोस्टेट कैंसर की सूक्ष्म, खतरनाक वास्तुकला को देख सकता है। कोशिकाओं के भौतिक आकार और व्यवस्था पर ध्यान केंद्रित करके, यह नया दृष्टिकोण उन पुरुषों की पहचान करने के लिए एक संभावित उपकरण प्रदान करता है जो अपने वर्तमान निदान की तुलना में उच्च जोखिम पर हैं, जो संभावित रूप से डॉक्टरों के इस निर्णय को बदल सकता है कि किसे उपचार की आवश्यकता है और किसे सुरक्षित रूप से निगरानी में रखा जा 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।