Development and external evaluation of MRI and clinical models for pathological complete response in breast cancer
इस अध्ययन में पाया गया कि क्लिनिकल मॉडलों में फिक्स्ड प्रीट्रीटमेंट एमआरआई सिग्नल सारांशों को जोड़ने से स्तन कैंसर में पैथोलॉजिकल कम्पलीट रिस्पॉन्स के बाहरी पूर्वानुमान में महत्वपूर्ण सुधार नहीं हुआ, जो यह सुझाव देता है कि इस प्रकार के एमआरआई डेटा का उपचार-प्रतिक्रिया संचार के लिए उपयोग किए जाने से पहले अंशांकन (कैलिब्रेशन), अनिश्चितता और नैदानिक उपयोगिता के आगे के मूल्यांकन की आवश्यकता है।
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
ब्रेस्ट कैंसर के लिए सर्जरी कराने से पहले, डॉक्टर अक्सर ट्यूमर को सिकोड़ने के लिए शक्तिशाली दवाओं का उपयोग करते हैं। यह दृष्टिकोण, जिसे नियोएडजुवेंट थेरेपी (neoadjuvant therapy) कहा जाता है, कभी-कभी कैंसर को पूरी तरह से समाप्त कर सकता है, जिसे डॉक्टर "पैथोलॉजिकल कम्पलीट रिस्पांस" (pathological complete response) कहते हैं। जब ऐसा होता है, तो ट्यूमर इतनी पूरी तरह से गायब हो जाता है कि एक पैथोलॉजिस्ट सूक्ष्मदर्शी (microscope) के नीचे कैंसर की कोई भी शेष कोशिका नहीं ढूंढ पाता। इस परिणाम को प्राप्त करना एक बड़ी जीत है, क्योंकि यह बीमारी के आक्रामक प्रकारों के लिए बेहतर दीर्घकालिक उत्तरजीविता (survival) से जुड़ा है। हालांकि, उपचार शुरू होने से पहले ही यह अनुमान लगाना कि कौन इस पूर्ण विलुप्ति को प्राप्त करेगा, कठिन है। वर्तमान में, डॉक्टर अनुमान लगाने के लिए रोगी की आयु और ट्यूमर के विशिष्ट जैविक मार्करों जैसी बुनियादी जानकारी पर भरोसा करते हैं। सवाल लंबे समय से यह रहा है कि क्या चुंबकीय अनुनाद इमेजिंग (MRI) का उपयोग करके ट्यूमर का विस्तृत विवरण जोड़ने से ये भविष्यवाणियां काफी सटीक बनाई जा सकती हैं, जिससे डॉक्टरों और रोगियों के बीच इस बारे में कि क्या उम्मीद की जाए, अधिक व्यक्तिगत बातचीत संभव हो सके।
किंग्स कॉलेज लंदन के एक शोधकर्ता ने इस प्रश्न का उत्तर देने के लिए कंप्यूटर मॉडल बनाने और परीक्षण करने के उद्देश्य से यह कार्य किया। इस अध्ययन में नए रोगियों या नए स्कैन को शामिल नहीं किया गया था; इसके बजाय, इसने दो बड़े, प्रसिद्ध ब्रेस्ट कैंसर परीक्षणों से मौजूदा, गुमनाम डेटा का उपयोग किया। शोधकर्ता ने पहले लगभग एक हजार रोगियों के I-SPY2 परीक्षण के डेटा का उपयोग करके भविष्यवाणी उपकरण बनाए। इन मॉडलों को दो प्रकार की जानकारी दी गई। पहली थी एक मानक नैदानिक प्रोफ़ाइल (clinical profile): रोगी की आयु और कैंसर कोशिकाओं पर तीन प्रमुख रिसेप्टर्स की स्थिति, जो यह निर्धारित करती है कि ट्यूमर कैसे व्यवहार करता है और उपचार के प्रति कैसी प्रतिक्रिया देता है। दूसरी प्रकार की जानकारी उपचार शुरू होने से पहले लिए गए MRI स्कैन से आई थी। विशेष रूप से, मॉडल ने स्कैन में ट्यूमर के चमक और कंट्रास्ट पैटर्न से प्राप्त बारह विशिष्ट मापों को देखा, जो ट्यूमर के सटीक आकार या आकृति को मापे बिना उसके स्वरूप का सारांश प्रस्तुत करते थे।
लक्ष्य यह देखना था कि क्या आयु और रिसेप्टर की बुनियादी जानकारी में ये बारह MRI माप जोड़ने से परिणाम का अनुमान लगाने की मॉडल की क्षमता में सुधार होगा। निष्पक्ष परीक्षण के लिए, शोधकर्ता ने बनाए गए मॉडलों को "फ्रीज" (freeze) कर दिया, जिसका अर्थ है कि उन्हें एक स्थान पर लॉक कर दिया गया और बदला नहीं जा सकता था। इन फ्रीज किए गए मॉडलों को I-SPY1 परीक्षण के एक पूरी तरह से अलग समूह (166 रोगी) पर लागू किया गया, जो कि वे समूह थे जिन्हें मॉडलों ने पहले कभी नहीं देखा था। यह चरण महत्वपूर्ण है क्योंकि यह परीक्षण करता है कि क्या मॉडल एक अलग सेटिंग में काम करता है या उसने केवल पहले समूह के पैटर्न को याद कर लिया है। शोधकर्ता ने तुलना की कि केवल आयु और रिसेप्टर का उपयोग करने वाला मॉडल, उस मॉडल की तुलना में कैसा प्रदर्शन करता है जिसमें MRI डेटा भी शामिल था।
परिणामों ने दिखाया कि MRI डेटा जोड़ने से भविष्यवाणी में सुधार नहीं हुआ। वास्तव में, नए समूह पर परीक्षण किए जाने पर, केवल बुनियादी नैदानिक जानकारी का उपयोग करने वाले मॉडल ने MRI स्कैन वाले मॉडल की तुलना में थोड़ा बेहतर प्रदर्शन किया। MRI डेटा वाले मॉडल ने पूर्ण प्रतिक्रिया (complete response) की संभावना का अधिक सटीक अनुमान प्रदान नहीं किया। इसके अलावा, अध्ययन ने यह भी देखा कि ये भविष्यवाणियां कितनी स्थिर थीं। यदि शोधकर्ता ने एक ही पूल से रोगियों के थोड़े अलग सेट का उपयोग करके मॉडल को फिर से बनाया होता, तो क्या किसी व्यक्ति के लिए भविष्यवाणियां नाटकीय रूप से बदल जातीं? विश्लेषण से पता चला कि MRI डेटा सहित मॉडल से की गई भविष्यवाणियां बहुत कम स्थिर थीं। एक विशिष्ट रोगी के लिए इलाज की संभावना, मॉडल बनाने के लिए उपयोग किए गए लोगों के समूह को बदलने मात्र से लगभग नौ प्रतिशत तक बदल सकती थी, जबकि सरल मॉडल बहुत अधिक सुसंगत था।
अध्ययन ने यह भी जांचा कि मॉडल अपनी भविष्यवाणियों को कितनी अच्छी तरह कैलिब्रेट (calibrate) करते हैं। एक अच्छा मॉडल न केवल रोगियों को सही ढंग से रैंक करना चाहिए, बल्कि ऐसी संभावनाओं की भविष्यवाणी भी करनी चाहिए जो वास्तविकता से मेल खाती हों। उदाहरण के लिए, यदि एक मॉडल भविष्यवाणी करता है कि 30 प्रतिशत रोगियों में पूर्ण प्रतिक्रिया होगी, तो लगभग 30 प्रतिशत रोगी वास्तव में इसे प्राप्त करेंगे। इस अध्ययन में, सभी मॉडलों ने सफलता की संभावना को बढ़ा-चढ़ाकर बताने की प्रवृत्ति दिखाई, यानी उन्होंने वास्तविक रूप से देखे गए रोगियों की तुलना में इलाज की उच्च संभावना की भविष्यवाणी की। MRI डेटा वाला मॉडल विशेष रूप से इस अतिरंजित अनुमान (overestimation) के प्रति प्रवृत्त था। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि MRI स्कैन में बहुत सारी जानकारी होती है, लेकिन इन बारह मापों को जिस तरह से संक्षिप्त किया गया और बुनियादी नैदानिक डेटा में जोड़ा गया, उससे कोई मदद नहीं मिली। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि यह विशिष्ट, संक्षिप्त MRI सारांश इस संदर्भ में उपचार प्रतिक्रिया की भविष्यवाणी करने के लिए एक विश्वसनीय सुधार प्रदान करता है।
अंततः, शोध यह सुझाव देता है कि उपचार शुरू होने से पहले किसी रोगी को पूर्ण इलाज की विशिष्ट संभावना बताने के उद्देश्य से, आयु और रिसेप्टर की स्थिति में इन निश्चित MRI सारांशों को जोड़ने से कोई स्पष्ट लाभ नहीं होता है। अध्ययन में कोई प्रमाण नहीं मिला कि MRI डेटा ने भविष्यवाणियों की सटीकता में सुधार किया या मॉडलों को अधिक विश्वसनीय बनाया। शोधकर्ताओं ने जोर देकर कहा कि इससे पहले कि ऐसे उपकरणों का उपयोग कठिन चिकित्सा निर्णयों या बातचीत के मार्गदर्शन के लिए किया जा सके, उन्हें बाहरी परीक्षणों में बेहतर सटीकता प्रदर्शित करनी होगी और यह दिखाना होगा कि उनकी भविष्यवाणियां स्थिर रहती हैं। तब तक, इस विशिष्ट भविष्यवाणी कार्य के लिए सरल, अधिक सुसंगत नैदानिक जानकारी के बजाय MRI डेटा की अतिरिक्त जटिलता का उपयोग करना उचित नहीं 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।