Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks
यह शोध पत्र एक पूर्णतः अनसुपरवाइज्ड (unsupervised) डीप लर्निंग पाइपलाइन प्रस्तुत करता है जो मैनुअल एनोटेशन की आवश्यकता के बिना सोबेल एज डिटेक्शन (Sobel edge detection), गॉसियन मिक्स्चर मॉडल क्लस्टरिंग (Gaussian mixture model clustering) और VGG16-आधारित ट्रांसफर लर्निंग को संयोजित करके ब्लड स्मीयर होल स्लाइड इमेजेस से एक्यूट माइलॉयड ल्यूकेमिया और मल्टीपल मायलोमा को वर्गीकृत करने में उच्च नैदानिक सटीकता प्राप्त करता 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
चिकित्सा निदान की शांत और उच्च-दांव वाली दुनिया में, रोगविज्ञानी (pathologists) अक्सर उपलब्ध सबसे मौलिक उपकरण पर निर्भर करते हैं: सूक्ष्मदर्शी (microscope)। जब कोई रोगी रक्त कैंसर के लक्षणों के साथ आता है, तो एक डॉक्टर रक्त की एक छोटी सी बूंद लेता है, उसे कांच की स्लाइड पर फैलाता है, और कोशिकाओं की छिपी हुई संरचना को प्रकट करने के लिए इसे रंगीन रंगों से रंजित करता है। दो विशेष रूप से आक्रामक रक्त कैंसर, एक्यूट माइलॉयड ल्यूकेमिया और मल्टीपल मायलोमा, इन कोशिकीय परिदृश्यों में विशिष्ट निशान छोड़ते हैं। दशकों से, प्रशिक्षित मानवीय आँखें इन स्लाइडों को पढ़ने के लिए स्वर्ण मानक रही हैं, जो कोशिका के आकार और व्यवस्था में सूक्ष्म अंतरों की पहचान करती हैं जो रोग का संकेत देते हैं। हालाँकि, आधुनिक चिकित्सा ने इस प्रक्रिया को डिजिटल बनाना शुरू कर दिया है, जिससे पूरी स्लाइडों की विशाल, उच्च-रिज़ॉल्यूशन वाली डिजिटल छवियां बनाई जा रही हैं। ये डिजिटल फाइलें इतनी बड़ी होती हैं कि उन्हें गीगापिक्सेल में मापा जाता है, जिनमें लाखों सूक्ष्म विवरण होते हैं जो पारंपरिक कंप्यूटर प्रोग्रामों को अभिभूत कर देते हैं। वैज्ञानिकों के लिए चुनौती यह थी कि कंप्यूटर को वह देखने के लिए सिखाया जाए जो एक मानव रोगविज्ञानी इन विशाल फाइलों के भीतर देखता है, बिना डेटा की भारी मात्रा में खो जाए या किसी मनुष्य द्वारा हर एक कोशिका को मैन्युअल रूप से इंगित करने की आवश्यकता के।
लुईस यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने का एक नया तरीका विकसित किया है, एक ऐसी प्रणाली बनाई है जो बिना किसी मानवीय सहायता के इन विशाल डिजिटल रक्त स्लाइडों से एक्यूट माइलॉयड ल्यूकेमिया और मल्टीपल मायलोमा के बीच स्वचालित रूप से अंतर कर सकती है। पूरी विशाल छवि का एक साथ विश्लेषण करने के बजाय, जो कंप्यूटर के लिए संभालना बहुत अधिक है, शोधकर्ताओं ने समस्या को छोटे, प्रबंधनीय टुकड़ों में विभाजित कर दिया। उन्होंने डिजिटल स्लाइड के साथ एक विशाल मोज़ेक (mosaic) की तरह व्यवहार किया और इसे हजारों छोटे वर्गाकार टाइल्स में काट दिया। पहला चरण कंप्यूटर को खाली स्थानों को अनदेखा करना सिखाना था। जिस तरह एक मनुष्य पाठ पर ध्यान केंद्रित करने के लिए पृष्ठ के खाली सफेद मार्जिन को अनदेखा कर देता है, शोधकर्ताओं ने छवि के भीतर वस्तुओं के किनारों को उजागर करने के लिए एक गणितीय फ़िल्टर का उपयोग किया। यह फ़िल्टर, जिसे सोबेल एज डिटेक्टर (Sobel edge detector) कहा जाता है, एक हाइलाइटर पेन की तरह कार्य करता है, जो खाली बैकग्राउंड और स्लाइड के गहरे किनारों को धुंधला करते हुए कोशिकाओं और ऊतकों की रूपरेखा को ट्रेस करता है।
एक बार जब कंप्यूटर ने पहचान लिया कि किन टाइल्स में वास्तविक जैविक सामग्री है, तो इसने उपयोगी टाइल्स को बेकार टाइल्स से अलग करने के लिए एक क्लस्टरिंग विधि का उपयोग किया। यह प्रक्रिया बिना यह बताए कि रंग क्या हैं, रंगों के आधार पर मिश्रित मोतियों के बैग को छांटने के समान है; कंप्यूटर ने प्रत्येक टाइल में किनारों के पैटर्न को देखा और समानता के आधार पर उन्हें एक साथ समूहबद्ध किया। इस अनसुपरवाइज्ड (unsupervised) दृष्टिकोण ने सिस्टम को उन टाइल्स को स्वचालित रूप से हटाने की अनुमति दी जो केवल खाली बैकग्राउंड या इमेज आर्टिफैक्ट्स थे, जिससे कोशिकीय संरचनाओं से भरी टाइल्स का एक स्वच्छ संग्रह प्राप्त हुआ। मूल तैंतीस डिजिटल स्लाइडों के सेट से, इस फ़िल्टरिंग प्रक्रिया ने लगभग 3,85,000 सूचनात्मक टाइल्स प्राप्त किए जिनमें कोशिकाएं थीं, जबकि 1,54,000 से अधिक टाइल्स को हटा दिया गया जिन्होंने कोई नैदानिक मूल्य प्रदान नहीं किया।
इन कोशिकीय टाइल्स के एक क्यूरेटेड संग्रह के साथ, शोधकर्ताओं ने फिर 'ट्रांसफर लर्निंग' नामक एक शक्तिशाली उपकरण का उपयोग किया ताकि कंप्यूटर को दोनों रोगों के बीच अंतर करना सिखाया जा सके। उन्होंने एक पूर्व-मौजूदा डीप लर्निंग मॉडल का उपयोग किया, जिसे मूल रूप से बिल्लियों, कुत्तों और कारों की लाखों रोजमर्रा की तस्वीरों पर प्रशिक्षित किया गया था, और इसे रक्त कोशिकाओं को देखने के लिए पुनरुद्देश्यित किया। क्योंकि कंप्यूटर ने सामान्य छवियों पर अपने प्रशिक्षण से जटिल आकृतियों, बनावट और पैटर्न को पहचानना पहले से ही सीख लिया था, इसलिए वह रक्त कैंसर कोशिकाओं की पहचान करने के विशिष्ट कार्य के लिए तेजी से अनुकूलित हो सका, जिसमें मेडिकल छवियों के विशाल डेटाबेस की आवश्यकता नहीं थी। शोधकर्ताओं ने चुनी गई टाइल्स को इस सिस्टम में डाला, जिसने छवियों से गहरे, छिपे हुए फीचर्स निकाले और उन्हें एक कस्टम-निर्मित न्यूरल नेटवर्क को भेजा जिसे अंतिम निर्णय लेने के लिए डिज़ाइन किया गया था। इस नेटवर्क ने दोनों प्रकार के कैंसर के बीच सूक्ष्म रूपात्मक (morphological) अंतरों को पहचानना सीखा, प्रभावी रूप से एक विशेषज्ञ क्लासिफायर बन गया।
इस स्वचालित पाइपलाइन के परिणाम उल्लेखनीय रूप से सटीक थे। जब इसे उन टाइल्स के सेट पर परखा गया जिन्हें इसने पहले कभी नहीं देखा था, तो सिस्टम ने लगभग निन्यानवे प्रतिशत मामलों में कैंसर के प्रकार की सही पहचान की। यह बीमारी की उपस्थिति का पता लगाने में अत्यधिक प्रभावी था और इसकी अनुपस्थिति की पुष्टि करने में भी उतना ही अच्छा था, जिससे गलत अलार्म का जोखिम कम हो गया। यह सुनिश्चित करने के लिए कि कंप्यूटर केवल अनुमान नहीं लगा रहा है, शोधकर्ताओं ने एक विज़ुअलाइज़ेशन तकनीक का उपयोग किया जिसने उस हिस्से को हाइलाइट किया जिसे मॉडल निर्णय लेते समय देख रहा था। इन विज़ुअल मानचित्रों ने दिखाया कि सिस्टम वास्तव में कोशिकीय संरचनाओं पर ध्यान केंद्रित कर रहा था, जो वे ही विशेषताएं हैं जिनका एक मानव रोगविज्ञानी परीक्षण करेगा, न कि यादृच्छिक शोर या स्लाइड के अप्रासंगिक भागों पर।
यह कार्य प्रदर्शित करता है कि छवियों के मैनुअल लेबलिंग के लिए डॉक्टरों की आवश्यकता के बिना, एक पूरी तरह से स्वचालित प्रक्रिया का उपयोग करके रक्त कैंसर के लिए एक अत्यधिक सटीक नैदानिक उपकरण बनाया जा सकता है। कोशिकाओं को खोजने के लिए एज डिटेक्शन, डेटा को साफ करने के लिए क्लस्टरिंग और फीचर्स निकालने के लिए ट्रांसफर लर्निंग को जोड़कर, शोधकर्ताओं ने एक ऐसा पाइपलाइन बनाया है जो पुराने, कम परिष्कृत तकनीकों पर निर्भर मौजूदा कई तरीकों से बेहतर प्रदर्शन करता है। अध्ययन बताता है कि रोगी के अपेक्षाकृत कम नमूनों के साथ भी, यदि डेटा को सही ढंग से संसाधित किया जाए तो उच्च नैदानिक सटीकता प्राप्त करना संभव है। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह सिस्टम चिकित्सा पेशेवरों की सहायता के लिए बनाया गया है, उन्हें बदलने के लिए नहीं। वर्तमान मॉडल को उन्हीं स्लाइडों से ली गई टाइल्स पर प्रशिक्षित और परखा गया है, जिसका अर्थ है कि इसे अभी तक पूरी तरह से नए रोगियों या विभिन्न अस्पतालों या विभिन्न स्टेनिंग विधियों के साथ काम करने के लिए सिद्ध नहीं किया गया है। हालाँकि यह तकनीक डिजिटल पैथोलॉजी के भविष्य के लिए बहुत आशाजनक दिखती है, शोधकर्ता इस बात पर जोर देते हैं कि उपचार के निर्णयों के मार्गदर्शन के लिए एक वास्तविक क्लिनिकल सेटिंग में ऐसे उपकरण का उपयोग करने से पहले स्वतंत्र समूहों पर और अधिक परीक्षण आवश्यक 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।