Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

हर साल, लाखों बच्चे गले की सूजन के कारण डॉक्टरों के पास जाते हैं। ये गांठें आमतौर पर हानिरहित लिम्फ नोड्स (lymph nodes) होती हैं, जो शरीर के प्रतिरक्षा तंत्र का हिस्सा होती हैं और सामान्य सर्दी या वायरल संक्रमण से लड़ने के लिए सूज जाती हैं। हालांकि, बहुत कम लेकिन महत्वपूर्ण मामलों में, वे ही सूजे हुए नोड्स रक्त कैंसर, जैसे कि ल्यूकेमिया या लिंफोमा का पहला संकेत हो सकते हैं। एक साधारण वायरल प्रतिक्रिया और रक्त कैंसर के संकेत के बीच अंतर करना बाल चिकित्सा विज्ञान की सबसे कठिन चुनौतियों में से एक है। अल्ट्रासाउंड, जो विकिरण (radiation) के बजाय ध्वनि तरंगों का उपयोग करने वाला एक सुरक्षित इमेजिंग उपकरण है, डॉक्टरों द्वारा इन नोड्स के भीतर देखने के लिए उठाया जाने वाला पहला कदम है। यह नोड के आकार और इसमें रक्त के प्रवाह को दिखा सकता है, लेकिन दृश्य संकेत अक्सर आपस में मिलते-जुलते होते हैं। एक संदिग्ध दिखने वाला नोड केवल एक वायरस से लड़ रहा हो सकता है, जबकि एक शांत दिखने वाला नोड भी घातक बीमारी को छिपा सकता है। दशकों तक, डॉक्टर इस निर्णय को लेने के लिए अपने अनुभव और विशेषताओं की एक चेकलिस्ट पर निर्भर रहे हैं, लेकिन सौम्य (benign) और खतरनाक के बीच की रेखा अक्सर धुंधली होती है।

चीन के सूझोऊ यूनिवर्सिटी के चिल्ड्रन्स हॉस्पिटल के शोधकर्ताओं की एक टीम ने यह देखने के लिए हाथ मिलाया कि क्या एक कंप्यूटर उस अंतर को पहचान सकता है जहाँ मानवीय आँखें कभी-कभी हिचकिचाती हैं। उन्होंने कंप्यूटर को रक्त परीक्षण या रोगी के इतिहास को देखने के लिए नहीं कहा; इसके बजाय, उन्होंने इसे केवल अल्ट्रासाउंड चित्र और सूजे हुए नोड्स की रूपरेखा दी। लक्ष्य एक डिजिटल सहायक बनाना था जो एक नियमित स्कैन को देख सके और डॉक्टर को बता सके कि सूजन संभवतः एक हानिरहित प्रतिक्रिया है या कुछ ऐसा जिसके लिए रक्त कैंसर के लिए तत्काल चिंता की आवश्यकता है। यह दृष्टिकोण इस विचार पर आधारित है कि अल्ट्रासाउंड छवि के कच्चे पिक्सेल (raw pixels) में सूक्ष्म पैटर्न—बनावट, छाया और किनारों के विवरण—होते हैं, जिन्हें मानवीय आँखें शायद न देख पाएं लेकिन एक मशीन पहचानना सीख सकती है।

इस कंप्यूटर को सिखाने के लिए, शोधकर्ताओं ने अपने अस्पताल के अभिलेखागार से अल्ट्रासाउंड छवियों का एक बड़ा संग्रह एकत्र किया। उन्होंने बच्चों के सूजे हुए गर्दन के नोड्स की छह सौ से अधिक छवियों के साथ शुरुआत की। प्रत्येक छवि को तीन अनुभवी अल्ट्रासाउंड डॉक्टरों द्वारा सावधानीपूर्वक चिह्नित किया गया था, जिन्होंने एक-दूसरे से स्वतंत्र होकर और अंतिम निदान जाने बिना, लिम्फ नोड के चारों ओर एक सटीक रूपरेखा खींची थी। जब डॉक्टर आकार पर असहमत थे, तो वे एक एकल, सटीक रूपरेखा पर सहमत होने के लिए मिले। इस प्रक्रिया ने यह सुनिश्चित किया कि कंप्यूटर ऊतक (tissue) के सबसे सटीक संभव मानचित्र से सीख रहा है। शोधकर्ताओं ने छवियों को इस तरह से वर्गीकृत किया कि एक ही बच्चे के नोड के कई दृश्यों को एक साथ रखा गया, ताकि कंप्यूटर केवल एक ही तस्वीर को दोबारा याद न कर ले। उन्होंने डेटा को पांच समूहों में विभाजित किया, चार पर कंप्यूटर को प्रशिक्षित किया और पांचवें पर इसका परीक्षण किया, और इस प्रक्रिया को तब तक घुमाया जब तक कि प्रत्येक छवि का परीक्षण नहीं हो गया। इस कठोर पद्धति ने यह सुनिश्चित किया कि परिणाम डेटा के किसी भाग्यशाली विभाजन का संयोग मात्र न हों।

उन्होंने जिस कंप्यूटर मॉडल का निर्माण किया वह 'एफिशिएंटनेट' (EfficientNet) नामक एक परिष्कृत आर्किटेक्चर पर आधारित था, जिसे आकृतियों और पैटर्न को पहचानने के लिए लाखों सामान्य छवियों पर पूर्व-प्रशिक्षित किया गया था। शोधकर्ताओं ने इस मॉडल को अनुकूलित किया ताकि यह अल्ट्रासाउंड छवि और डॉक्टर द्वारा खींची गई रूपरेखा को इनपुट के रूप में स्वीकार कर सके। उन्होंने मॉडल को हजारों उदाहरण दिए, जिससे इसे ल्यूकेमिया या लिंफोमा के कारण होने वाले नोड्स और एपस्टीन-बार वायरस या सामान्य सूजन जैसे वायरल संक्रमणों के कारण होने वाले नोड्स के बीच दृश्य अंतरों को सीखने दिया। कंप्यूटर ने केवल अनुमान नहीं लगाया; इसने दृश्य साक्ष्य को तौलना सीखा, और अपने आंतरिक सेटिंग्स को तब तक समायोजित किया जब तक कि वह लगातार दोनों समूहों को अलग करने में सक्षम नहीं हो गया।

जब शोधकर्ताओं ने अंतिम मॉडल का परीक्षण उस डेटा पर किया जिसे वह पहले से नहीं जानता था, तो इसने उच्च स्तर की सटीकता प्रदर्शित की। सिस्टम ने लगभग 86 प्रतिशत मामलों में सौम्य और घातक नोड्स के बीच सही ढंग से अंतर किया, जिसे प्रदर्शन का एक माप 'एरिया अंडर द कर्व' (area under the curve) कहा जाता है। एक विशिष्ट सेटिंग पर, जिसे सभी कैंसरों को पकड़ने और गलत अलार्म से बचने के बीच संतुलन बनाने के लिए चुना गया था, मॉडल लगभग 78 प्रतिशत बार सही था। इसने वास्तविक कैंसर के लगभग 77 प्रतिशत मामलों की सही पहचान की, जिसका अर्थ है कि इसने खतरनाक नोड्स के केवल एक छोटे से हिस्से को छोड़ा, जबकि इसने हानिरहित मामलों में से लगभग 80 प्रतिशत की सही पहचान की। प्रदर्शन का यह स्तर बताता है कि अल्ट्रासाउंड छवियों में, बिना किसी अन्य चिकित्सा जानकारी के, पर्याप्त दृश्य जानकारी होती है जिससे एक मशीन विश्वसनीय अंतर कर सकती है।

अध्ययन में यह भी देखा गया कि मॉडल ने विभिन्न प्रकार के कैंसर को कैसे संभाला। इसने पाया कि कंप्यूटर लिंफोमा का पता लगाने में ल्यूकेमिया की तुलना में थोड़ा बेहतर था। छवियों को देखते हुए यह समझ में आता है: लिंफोमा नोड्स अक्सर बहुत स्पष्ट, गोल आकार और गहरे केंद्र वाले होते जो स्पष्ट रूप से उभर कर आते हैं, जबकि ल्यूकेमिया से प्रभावित नोड्स वायरल संक्रमणों में देखी जाने वाली अव्यवस्थित, अनियमित सूजन की तरह दिख सकते हैं, जिससे उन्हें अलग करना कठिन हो जाता है। इस कठिनाई के बावजूद, मॉडल ल्यूकेमिया के मामलों को सौम्य मामलों से अलग करने में सफल रहा, और सभी विशिष्ट तुलनाओं के लिए प्रदर्शन स्कोर लगातार 83 प्रतिशत से ऊपर रहा।

शोधकर्ता इस बात पर ध्यान देने में सावधानी बरतते हैं कि यह उपकरण डॉक्टर का विकल्प नहीं है। यह अपने आप कैंसर का निदान नहीं करता है, और न ही यह बायोप्सी या रक्त परीक्षणों की आवश्यकता को समाप्त करता है जब कैंसर का संदेह हो। इसके बजाय, यह एक "दूसरी जोड़ी आँखों" के रूप में कार्य करता है, जो छवि पर एक वस्तुनिष्ठ राय प्रदान करता है। कंप्यूटर के आत्मविश्वास को इस तरह कैलिब्रेट किया गया था कि जब यह उच्च स्कोर देता था, तो इसकी पूरी संभावना थी कि नोड वास्तव में घातक था। यह रेडियोलॉजिस्ट को यह तय करने में मदद कर सकता है कि क्या बच्चे को तत्काल आगे के परीक्षण की आवश्यकता है या क्या सूजन को समय के साथ सुरक्षित रूप से देखा जा सकता है। यह अध्ययन एक ही अस्पताल में आयोजित किया गया था, और रूपरेखा विशेषज्ञों द्वारा हाथ से बनाई गई थी, जिसका अर्थ है कि अगला कदम यह देखना है कि क्या मॉडल अन्य अस्पतालों की छवियों पर भी उतना ही अच्छा काम करता है और क्या यह स्वचालित रूप से उत्पन्न रूपरेखाओं के साथ काम कर सकता है।

अंततः, यह कार्य प्रदर्शित करता है कि अल्ट्रासाउंड की दृश्य भाषा में ऐसे रहस्य छिपे हैं जिन्हें आधुनिक आर्टिफिशियल इंटेलिजेंस द्वारा डिकोड किया जा सकता है। केवल छवि और नोड के आकार पर ध्यान केंद्रित करके, शोधकर्ताओं ने दिखाया कि एक कंप्यूटर यह सीख सकता है कि एक बच्चे के शरीर द्वारा वायरस से लड़ने और एक बच्चे के शरीर द्वारा कैंसर से लड़ने के बीच का अंतर क्या है। हालांकि मॉडल अभी क्लिनिक में उपयोग के लिए तैयार नहीं है, लेकिन परिणाम भविष्य के अध्ययन के लिए एक मजबूत आधार प्रदान करते हैं। वे सुझाव देते हैं कि निकट भविष्य में, एक कंप्यूटर बाल रोग विशेषज्ञ के साथ बैठ सकता है, एक अल्ट्रासाउंड स्कैन की समीक्षा कर सकता है और एक डेटा-संचालित दृष्टिकोण प्रदान कर सकता है जो यह सुनिश्चित करने में मदद करता है कि कोई भी खतरनाक मामला छूटे नहीं और किसी भी बच्चे को अनावश्यक प्रक्रियाओं से न गुजरना पड़े।