कैंसर उपचार के लिए नया AI टूल

• Harvard Medical School के वैज्ञानिकों ने एक बहुउद्देश्यीय ChatGPT-जैसा AI मॉडल डिज़ाइन किया है, जो कई प्रकार के कैंसर में विविध निदान कार्य कर सकता है
• यह नया AI सिस्टम कैंसर निदान के लिए मौजूदा कई AI approaches से एक कदम आगे जाता है
• वर्तमान AI सिस्टम आम तौर पर कैंसर की मौजूदगी का पता लगाने या ट्यूमर के genetic profile का अनुमान लगाने जैसे विशिष्ट कार्यों के लिए train किए जाते हैं, और इनका उपयोग अक्सर केवल कुछ ही कैंसर प्रकारों तक सीमित रहता है
• इसके विपरीत, नया मॉडल व्यापक प्रकार के कार्य कर सकता है, इसे 19 कैंसर प्रकारों पर test किया गया है, और इसमें ChatGPT जैसे large language models जैसी लचीलापन है
• हाल के वर्षों में pathology images के आधार पर medical diagnosis के लिए अन्य foundation AI models सामने आए हैं, लेकिन इसे ऐसा पहला मॉडल माना जा रहा है जो patient outcomes का अनुमान लगाता है और कई अंतरराष्ट्रीय patient groups में validate किया गया है
• ट्यूमर tissue slides को पढ़कर काम करने वाला AI मॉडल
  • यह cancer cells का पता लगाता है और images में दिखने वाली cellular features के आधार पर ट्यूमर के molecular profile का अनुमान अधिकांश मौजूदा AI systems की तुलना में बेहतर accuracy से लगाता है
  • यह कई कैंसर प्रकारों में patient survival का अनुमान लगाता है, और surgery, chemotherapy, radiation therapy, immunotherapy जैसी standard treatments के प्रति patient response से जुड़े tumor-adjacent tissue यानी tumor microenvironment की विशेषताओं को सटीक रूप से पहचानता है
  • यह नई insights भी उत्पन्न कर सकता है, जैसे कुछ ऐसे tumor features की पहचान करना जिन्हें पहले patient survival से जुड़ा नहीं माना जाता था
• शोध टीम का कहना है कि सबूत बढ़ रहे हैं कि ये परिणाम clinicians की कैंसर का कुशल और सटीक आकलन करने की क्षमता को बेहतर बना सकते हैं, जिसमें ऐसे patients की पहचान भी शामिल है जो standard cancer treatment पर अच्छा response नहीं दे सकते
• Kun-Hsing Yu ने कहा, "यदि और validation होता है और इसे व्यापक रूप से deploy किया जाता है, तो हमारे approach जैसे approaches ऐसे cancer patients की शुरुआती पहचान कर सकते हैं जिन्हें specific molecular alterations को target करने वाली experimental therapies से लाभ मिल सकता है"

प्रशिक्षण और प्रदर्शन

• टीम का यह नवीनतम शोध colorectal cancer और brain tumors के मूल्यांकन के लिए Yu के पहले के AI systems पर आधारित है। पहले के शोध ने specific cancer types और specific tasks के भीतर इस approach की feasibility दिखा दी थी
• CHIEF (Clinical Histopathology Imaging Evaluation Foundation) नामक नए मॉडल को 1.5 करोड़ unlabeled images को sections of interest में विभाजित करके train किया गया
• इस टूल को आगे 60,000 whole-slide images पर train किया गया, जिनमें lung, breast, prostate, colon, stomach, esophagus, kidney, brain, liver, thyroid, pancreas, cervix, uterus, ovary, testis, skin, soft tissue, adrenal gland और bladder के tissues शामिल थे
• मॉडल को image के specific sections और पूरी image दोनों देखने के लिए train करने से यह किसी एक क्षेत्र में हुए specific changes को overall context से जोड़ सका। शोधकर्ताओं का कहना है कि इस approach ने CHIEF को केवल किसी खास हिस्से पर focus करने के बजाय broader context को ध्यान में रखते हुए images की अधिक समग्र व्याख्या करने में सक्षम बनाया
• प्रशिक्षण के बाद, टीम ने दुनिया भर के 24 hospitals और patient cohorts से एकत्र 32 independent datasets में 19,400 से अधिक whole-slide images पर CHIEF के performance का test किया
• कुल मिलाकर, CHIEF ने cancer cell detection, tumor origin identification, patient outcome prediction, और treatment response से जुड़े genes तथा DNA patterns की पहचान जैसे कार्यों में अन्य state-of-the-art AI methods की तुलना में 36% तक बेहतर प्रदर्शन किया
• CHIEF ने अपने विविध training की वजह से समान रूप से अच्छा प्रदर्शन किया, चाहे tumor cells biopsy से प्राप्त किए गए हों या surgical resection से
• cancer cell samples को digitize करने के लिए उपयोग की गई technology कोई भी हो, इसकी accuracy समान रही
• शोधकर्ताओं का कहना है कि इस adaptability की वजह से CHIEF को अलग-अलग clinical settings में इस्तेमाल किया जा सकता है, और यह मौजूदा models की तुलना में एक महत्वपूर्ण कदम है, जो अक्सर केवल किसी specific technology से प्राप्त tissue को पढ़ते समय ही अच्छा प्रदर्शन करते हैं

कैंसर का पता लगाना

• CHIEF ने cancer detection में लगभग 94% accuracy हासिल की और 11 cancer types को शामिल करने वाले 15 datasets में मौजूदा AI approaches से स्पष्ट रूप से बेहतर प्रदर्शन किया
• independent cohorts से एकत्र 5 biopsy datasets में CHIEF ने esophageal, gastric, colorectal और prostate cancers सहित कई cancer types में 96% accuracy हासिल की
• जब शोधकर्ताओं ने CHIEF को colorectal, lung, breast, endometrial और cervical cancers के surgically removed tumor slides पर test किया, जिन्हें मॉडल ने पहले नहीं देखा था, तब भी इसका performance 90% से अधिक accuracy के साथ रहा

ट्यूमर के molecular profile का अनुमान

• ट्यूमर की genetic composition उसके भविष्य के व्यवहार और सर्वोत्तम उपचार तय करने के लिए महत्वपूर्ण संकेत देती है
• यह जानकारी पाने के लिए oncologists ट्यूमर samples की DNA sequencing कराते हैं, लेकिन दुनिया भर में cancer tissues की ऐसी विस्तृत genomic profiling लागत और समय के कारण नियमित या समान रूप से नहीं हो पाती
• CHIEF ने microscope slides को देखकर ट्यूमर के genomic alterations का अनुमान लगाने में मौजूदा AI methods से बेहतर प्रदर्शन किया
• इस नए AI approach ने कैंसर की वृद्धि और दमन से जुड़े कई महत्वपूर्ण genes से संबंधित features की सफलतापूर्वक पहचान की, और ऐसे प्रमुख genetic alterations का अनुमान लगाया जो इस बात से जुड़े हैं कि tumor विभिन्न standard treatments पर कितना अच्छा response दे सकता है
• CHIEF ने ऐसे specific DNA patterns भी detect किए जो इस बात से जुड़े हैं कि colorectal tumors immune checkpoint blockade नामक immunotherapy के एक रूप पर कितना अच्छा response दे सकते हैं
• पूरे tissue images को देखते समय CHIEF ने आम तौर पर mutate होने वाले 54 cancer genes में 70% से अधिक overall accuracy के साथ mutations की पहचान की, और इस तरह genomic cancer prediction के मौजूदा state-of-the-art AI methods से आगे निकला। specific cancer types में specific genes के लिए इसकी accuracy और भी अधिक थी
• शोध टीम ने 15 anatomical sites में 18 genes के लिए CHIEF की उस क्षमता का भी परीक्षण किया, जिसमें FDA-approved targeted therapies के response से जुड़े mutations का अनुमान लगाया गया। CHIEF ने कई cancer types में उच्च accuracy हासिल की, जैसे diffuse large B-cell lymphoma नामक blood cancer में आम EZH2 gene mutation detection के लिए 96%, thyroid cancer में BRAF gene mutation के लिए 89%, और head and neck cancer में NTRK1 gene mutation के लिए 91% accuracy

मरीज के survival का अनुमान

• CHIEF ने शुरुआती diagnosis के समय प्राप्त tumor histopathology images के आधार पर patient survival का सफलतापूर्वक अनुमान लगाया
• सभी cancer types और अध्ययन में शामिल patient groups में CHIEF ने long-term survivors और short-term survivors के बीच अंतर किया
• CHIEF ने अन्य models की तुलना में 8% बेहतर प्रदर्शन किया, और advanced cancer patients में इसका प्रदर्शन अन्य AI models से 10% बेहतर रहा
• उच्च मृत्यु जोखिम बनाम निम्न मृत्यु जोखिम का CHIEF का अनुमान 17 अलग-अलग संस्थानों के patient samples में test और confirm किया गया

ट्यूमर के व्यवहार पर नई insights निकालना

• मॉडल ने image में ऐसे characteristic patterns की पहचान की जो tumor aggressiveness और patient survival से जुड़े थे
• इन areas of interest को visualize करने के लिए CHIEF ने images पर heat maps बनाए। जब human pathologists ने इन AI-derived hotspots का विश्लेषण किया, तो उन्होंने ऐसे रोचक signals देखे जो cancer cells और आसपास के tissues के बीच interaction को दर्शाते थे
• ऐसा ही एक feature यह था कि short-term survivors की तुलना में long-term survivors के tumor areas में immune cells की संख्या अधिक थी। Yu ने कहा कि यह निष्कर्ष तार्किक है, क्योंकि immune cells की अधिक मौजूदगी यह संकेत दे सकती है कि immune system tumor पर हमला करने के लिए सक्रिय हो गया है
• short-term survivors के tumors को देखते समय CHIEF ने ऐसे areas of interest की पहचान की जिनकी विशेषताएँ थीं: विभिन्न cellular components के बीच असामान्य size ratios, cell nuclei में अधिक atypical features, cells के बीच कमजोर connections, और tumor-adjacent areas में connective tissue की कम मौजूदगी। ऐसे tumors के आसपास अधिक dying cells भी मौजूद थे। उदाहरण के लिए, breast tumors में CHIEF ने tissue necrosis यानी early cell death की मौजूदगी को areas of interest के रूप में चिह्नित किया। इसके विपरीत, उच्च survival rate वाले breast cancers में healthy tissue जैसी cellular structure के संरक्षित रहने की संभावना अधिक थी। शोध टीम ने बताया कि survival से जुड़े visual features और areas of interest कैंसर के प्रकार के अनुसार अलग-अलग थे

अगले कदम

शोधकर्ताओं ने कहा कि वे निम्नलिखित तरीकों से CHIEF के performance को बेहतर बनाने और इसकी capabilities का विस्तार करने की योजना बना रहे हैं:

• rare diseases और non-cancer conditions के tissue images पर अतिरिक्त training करना
• पूरी तरह cancerous बनने से पहले के precancerous tissues के samples शामिल करना
• अलग-अलग aggressiveness levels वाले cancers की पहचान क्षमता बढ़ाने के लिए मॉडल को अधिक molecular data से अवगत कराना
• standard treatments के अलावा नए cancer therapies के benefits और side effects का अनुमान लगाने के लिए मॉडल को train करना

GN⁺ की राय

• यह शोध कैंसर diagnosis और treatment planning के लिए AI technology की प्रगति को दिखाता है। खासकर कई cancer types में लागू हो सकने वाले एक general-purpose model के विकास के कारण यह महत्वपूर्ण है
• हालांकि, इसे वास्तविक clinical practice में लागू करने के लिए अधिक data पर validation और doctors व AI के प्रभावी collaboration के तरीके विकसित करने होंगे। diagnosis accuracy और accountability जैसे मुद्दे अब भी सुलझाए जाने बाकी हैं
• इसी तरह की technologies में pathology image analysis के माध्यम से कैंसर diagnose करने वाली Paige.AI और Proscia जैसी कंपनियाँ शामिल हैं। ये specific cancer types के लिए specialized solutions देती हैं, इसलिए generality के मामले में यह शोध उनसे अलग है
• AI-based cancer diagnosis technology को अपनाते समय medical staff की भूमिका में बदलाव, diagnosis process में सुधार, medical reimbursement adjustments जैसी व्यापक सामाजिक सहमति और नीतिगत तैयारी की आवश्यकता होगी। साथ ही AI bias और privacy protection जैसे तकनीकी व नैतिक risks की भी सावधानी से समीक्षा करनी होगी
• भविष्य में यदि ऐसी AI technology विकसित होती है जो cancer tissue की molecular biological characteristics का समग्र विश्लेषण कर सके और drug responsiveness का भी अनुमान लगा सके, तो यह precision medicine के कार्यान्वयन में बड़ा योगदान दे सकती है