A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

फेफड़ों का कैंसर कोई एक अकेली बीमारी नहीं है, बल्कि विभिन्न स्थितियों का एक संग्रह है जो एक ही स्थान साझा करते हैं। इनमें से, 'पल्मोनरी सारकोमैटॉइड कार्सिनोमा' नामक एक दुर्लभ और आक्रामक रूप को पहचानना विशेष रूप से कठिन है, जब तक कि सर्जन सूक्ष्मदर्शी परीक्षण के लिए ऊतक का एक टुकड़ा न निकाल ले। अधिक सामान्य प्रकार के फेफड़ों के कैंसर के विपरीत, यह विशिष्ट प्रकार अलग तरह से व्यवहार करता है और अक्सर उपचार के लिए एक अलग दृष्टिकोण की आवश्यकता होती है। डॉक्टरों के लिए चुनौती यह है कि मानक स्कैन, जो शरीर के विस्तृत क्रॉस-सेक्शन बनाने के लिए एक्स-रे का उपयोग करते हैं, अक्सर इस दुर्लभ कैंसर को बिल्कुल सामान्य प्रकार जैसा ही दिखाते हैं। स्पष्ट दृश्य अंतर के बिना, रोगी सही निदान के लिए लंबा इंतजार कर सकते हैं या उन्हें एक ऐसी उपचार योजना मिल सकती है जो उनकी विशिष्ट स्थिति के लिए पूरी तरह से उपयुक्त नहीं है।

इस अनिश्चितता को दूर करने के लिए, शोधकर्ताओं की एक टीम ने यह देखने के लिए प्रयास किया कि क्या एक कंप्यूटर उन सूक्ष्म अंतरों को पहचान सकता है जिन्हें मानवीय आँखें नहीं देख पातीं। उन्होंने तीन अलग-अलग चिकित्सा केंद्रों के लगभग चार सौ रोगियों के स्कैन एकत्र किए, जिनमें तीन सौ चौदह सामान्य प्रकार के साथ निवासी और पचासी व्यक्ति दुर्लभ सारकोमैटॉइड प्रकार के साथ शामिल थे। शोधकर्ताओं ने इस डेटा को एक मशीन-लर्निंग सिस्टम में डाला, जो सूचनाओं के बड़े सेट में पैटर्न खोजने के लिए डिज़ाइन किया गया एक प्रकार का सॉफ्टवेयर है। उन्होंने कंप्यूटर को सिखाने के कई अलग-अलग तरीकों का परीक्षण किया: एक विधि केवल रोगी के चिकित्सा इतिहास और स्कैन से प्राप्त बुनियादी अवलोकनों पर निर्भर थी, दूसरी केवल ट्यूमर की गणितीय बनावट (टेक्सचर) को देखती थी, और तीसरी ने एक जटिल, पूर्व-प्रशिक्षित कृत्रिम बुद्धिमत्ता प्रणाली का उपयोग करने का प्रयास किया जिसने लाखों अन्य छवियों से सीखा था। उन्होंने एक ऐसा मॉडल भी बनाया जिसने इस जानकारी के सभी स्रोतों को मिला दिया, इस उम्मीद में कि एक पूर्ण चित्र सबसे अच्छा परिणाम देगा।

अध्ययन में पाया गया कि सबसे सफल दृष्टिकोण वह था जिसने रोगी के नैदानिक विवरणों को ट्यूमर की विस्तृत बनावट के विश्लेषण के साथ मिश्रित किया। यह संयुक्त मॉडल उच्च स्तर की सटीकता के साथ दुर्लभ और सामान्य कैंसर के बीच अंतर कर सका, जिसने लगभग ८६ प्रतिशत मामलों में दुर्लभ प्रकार की सही पहचान की और शेष मामलों में लगभग ७६ प्रतिशत बार इसे गलत साबित किया। एक प्रमुख भौतिक विशेषता जिसने कंप्यूटर को यह निर्णय लेने में मदद की, वह थी ट्यूमर के भीतर 'लो-एटेनुएशन' क्षेत्रों की उपस्थिति, जो अनिवार्य रूप से ट्यूमर के भीतर ऐसे हिस्से हैं जो स्कैन पर गहरे दिखाई देते हैं, जिससे पता चलता है कि वे आसपास के द्रव्यमान की तुलना में कम घने हैं। इन गहरे क्षेत्रों का आकार और उपस्थिति दुर्लभ बीमारी के प्रकार से मजबूती से जुड़ी हुई थी।

हालाँकि, शोधकर्ताओं ने यह भी खोजा कि क्या काम नहीं आया। जटिल, पूर्व-प्रशिक्षित कृत्रिम बुद्धिमत्ता प्रणाली, जिसे कई लोग सबसे शक्तिशाली उपकरण मान सकते हैं, अकेले कोई उपयोगी जानकारी जोड़ने में विफल रही। दोनों प्रकार के कैंसर के बीच अंतर करने की कोशिश में इसका प्रदर्शन रैंडम अनुमान लगाने से बेहतर नहीं था। इसके अलावा, टीम ने महसूस किया कि स्कैन लेने का तरीका—जैसे कि सीटी मशीन की विशिष्ट सेटिंग्स या वह अस्पताल जहाँ स्कैन किया गया था—का परिणामों पर आश्चर्यजनक रूप से बड़ा प्रभाव पड़ा। वास्तव में, छवियों को कैप्चर करने के तरीकों में अंतर इतना मजबूत था कि वे अपने आप समूहों को अलग कर सकते थे। यह सुझाव देता है कि जबकि कंप्यूटर ने ऊतक में वास्तविक पैटर्न खोजे, इसकी सफलता का कुछ हिस्सा विभिन्न अस्पतालों के बीच तकनीकी विविधताओं से प्रभावित हो सकता था।

इन तकनीकी प्रभावों के कारण, लेखक चेतावनी देते हैं कि यह उपकरण अंतिम निर्णय लेने के लिए अस्पताल में उपयोग के लिए अभी तैयार नहीं है। मॉडल का परीक्षण केवल उसी डेटा पर किया गया था जिस पर इसे प्रशिक्षित किया गया था, और यह अभी तक यह सिद्ध नहीं हुआ है कि यह अलग-अलग मशीनों या अलग-अलग रोगी आबादी के स्कैन पर काम करेगा। शोधकर्ता अपने कार्य को एक महत्वपूर्ण कदम के रूप में वर्णित करते हैं जो विशेष रूप से ट्यूमर की बनावट और उन गहरे, कम घने क्षेत्रों की उपस्थिति को करीब से देखने के महत्व को उजागर करता है। वे इस बात पर जोर देते हैं कि ऐसे मॉडल से प्राप्त नकारात्मक परिणाम दुर्लभ कैंसर को खारिज नहीं कर सकते, और इससे पहले कि यह तकनीक डॉक्टरों की मदद कर सके, इसे एक व्यापक सेटिंग में मान्य किया जाना चाहिए जहाँ स्कैन को एक मानक तरीके से लिया जाता है। तब तक, निश्चित निदान का मार्ग अभी भी सूक्ष्मदर्शी के नीचे ऊतक के परीक्षण की पारंपरिक पद्धति पर निर्भर है।