இயந்திர கற்றல் க்ளியோமா பிறழ்வுகளை முன்கூட்டியே கண்டறிவதை மேம்படுத்துகிறது

இயந்திர கற்றல் (ML) முறைகள் முதன்மை மூளைக் கட்டிகளான க்ளியோமாஸில் உள்ள பிறழ்வுகளை விரைவாகவும் துல்லியமாகவும் கண்டறிய முடியும்.

கார்ல் லேண்ட்ஸ்டெய்னர் மருத்துவ அறிவியல் பல்கலைக்கழகம் (KL கிரெம்ஸ்) நடத்திய சமீபத்திய ஆய்வின் மூலம் இது ஆதரிக்கப்படுகிறது. இந்த ஆய்வில், வளர்சிதை மாற்ற மரபணுவில் உள்ள பிறழ்வுகளை அடையாளம் காண ML முறைகளைப் பயன்படுத்தி பிசியோமெட்டபாலிக் காந்த அதிர்வு இமேஜிங் (MRI) தரவு பகுப்பாய்வு செய்யப்பட்டது. இந்த மரபணுவில் உள்ள பிறழ்வுகள் நோயின் போக்கில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன, மேலும் ஆரம்பகால நோயறிதல் சிகிச்சைக்கு முக்கியமானது. பிசியோமெட்டபாலிக் MRI படங்களைப் பெறுவதற்கு தற்போது சீரற்ற தரநிலைகள் உள்ளன என்பதையும் ஆய்வு காட்டுகிறது, இது முறையின் வழக்கமான மருத்துவ பயன்பாட்டைத் தடுக்கிறது.

கிளியோமாக்கள் மிகவும் பொதுவான முதன்மை மூளைக் கட்டிகள். அவற்றின் முன்கணிப்பு இன்னும் மோசமாக இருந்தாலும், தனிப்பயனாக்கப்பட்ட சிகிச்சைகள் சிகிச்சையின் வெற்றியை கணிசமாக மேம்படுத்தலாம். இருப்பினும், இத்தகைய மேம்பட்ட சிகிச்சைகளின் பயன்பாடு தனிப்பட்ட கட்டி தரவைச் சார்ந்துள்ளது, இது மூளையில் அவற்றின் இருப்பிடம் காரணமாக கிளியோமாக்களைப் பெறுவது கடினம். காந்த அதிர்வு இமேஜிங் (MRI) போன்ற இமேஜிங் முறைகள் அத்தகைய தரவை வழங்க முடியும், ஆனால் அவற்றின் பகுப்பாய்வு சிக்கலானது, உழைப்பு மிகுந்தது மற்றும் நேரத்தை எடுத்துக்கொள்ளும். KL Krems இன் கற்பித்தல் மற்றும் ஆராய்ச்சி தளமான செயிண்ட் போல்டன் பல்கலைக்கழக மருத்துவமனையில் உள்ள நோயறிதல் மருத்துவ கதிரியக்கத்திற்கான மத்திய நிறுவனம், பல ஆண்டுகளாக இதுபோன்ற பகுப்பாய்வுகளை தானியக்கமாக்குவதற்கும் அவற்றை வழக்கமான மருத்துவ நடைமுறைகளில் ஒருங்கிணைப்பதற்கும் இயந்திரம் மற்றும் ஆழமான கற்றல் முறைகளை உருவாக்கி வருகிறது. இப்போது மற்றொரு முன்னேற்றம் அடையப்பட்டுள்ளது.

"ஐசோசிட்ரேட் டீஹைட்ரோஜினேஸ் (IDH) மரபணுவின் பிறழ்ந்த வடிவத்தைக் கொண்ட க்ளியோமா செல்கள் உள்ள நோயாளிகள், காட்டு வகை மரபணுவைக் கொண்டவர்களை விட சிறந்த மருத்துவக் கண்ணோட்டத்தைக் கொண்டுள்ளனர்" என்று சென்ட்ராலின்ஸ்டிட்யூட்டில் உள்ள மருத்துவ இயற்பியலாளர் ஆண்ட்ரியாஸ் ஸ்டாட்ல்பாயர் விளக்குகிறார். "இதன் பொருள், பிறழ்வு நிலையை நாம் எவ்வளவு சீக்கிரம் அறிந்தோமோ, அவ்வளவு சிறப்பாக சிகிச்சையைத் தனிப்பயனாக்க முடியும்." பிறழ்ந்த மற்றும் காட்டு வகை கட்டிகளின் ஆற்றல் வளர்சிதை மாற்றத்தில் உள்ள வேறுபாடுகள் இதற்கு உதவுகின்றன. பேராசிரியர் ஸ்டாட்ல்பாயரின் குழுவின் முந்தைய பணிக்கு நன்றி, திசு மாதிரிகள் இல்லாமல் கூட, பிசியோமெட்டபாலிக் MRI ஐப் பயன்படுத்தி இவற்றை எளிதாக அளவிட முடியும். இருப்பினும், தரவை பகுப்பாய்வு செய்து மதிப்பீடு செய்வது மிகவும் சிக்கலான மற்றும் நேரத்தை எடுத்துக்கொள்ளும் செயல்முறையாகும், இது மருத்துவ நடைமுறையில் ஒருங்கிணைப்பது கடினம், குறிப்பாக நோயாளிகளின் மோசமான முன்கணிப்பு காரணமாக முடிவுகள் விரைவாக தேவைப்படுவதால்.

தற்போதைய ஆய்வில், முடிவுகளை விரைவாகப் பெறுவதற்கும் பொருத்தமான சிகிச்சை நடவடிக்கைகளைத் தொடங்குவதற்கும் இந்தத் தரவை பகுப்பாய்வு செய்து விளக்குவதற்கு குழு ML முறைகளைப் பயன்படுத்தியது. ஆனால் முடிவுகள் எவ்வளவு துல்லியமானவை? இதை மதிப்பிடுவதற்கு, இந்த ஆய்வு முதலில் பல்கலைக்கழக மருத்துவமனை செயிண்ட் போல்டனைச் சேர்ந்த 182 நோயாளிகளிடமிருந்து தரவைப் பயன்படுத்தியது, அவர்களின் MRI தரவு தரப்படுத்தப்பட்ட நெறிமுறைகளின்படி சேகரிக்கப்பட்டது.

"எங்கள் ML வழிமுறைகளின் முடிவுகளைப் பார்த்தபோது நாங்கள் மிகவும் மகிழ்ச்சியடைந்தோம்," என்று பேராசிரியர் ஸ்டாட்ல்பாயர் விளக்குகிறார், "நாங்கள் மிகவும் மகிழ்ச்சியடைந்தோம். காட்டு வகை மரபணுவுடன் கூடிய கட்டிகளுக்கும், பிறழ்ந்த வடிவத்தைக் கொண்ட கட்டிகளுக்கும் இடையில் வேறுபடுத்துவதில் 91.7% துல்லியத்தையும் 87.5% துல்லியத்தையும் அடைந்தோம். பின்னர் இந்த மதிப்புகளை கிளாசிக்கல் மருத்துவ MRI தரவுகளின் ML பகுப்பாய்வுகளுடன் ஒப்பிட்டுப் பார்த்தோம், மேலும் பிசியோமெட்டபாலிக் MRI தரவை அடிப்படையாகப் பயன்படுத்துவது கணிசமாக சிறந்த முடிவுகளைத் தந்தது என்பதைக் காட்ட முடிந்தது."

இருப்பினும், இந்த மேன்மை செயிண்ட் போல்டனில் சேகரிக்கப்பட்ட தரவை ஒரு தரப்படுத்தப்பட்ட நெறிமுறையைப் பயன்படுத்தி பகுப்பாய்வு செய்யும் போது மட்டுமே நிலைநிறுத்தப்பட்டது. வெளிப்புற தரவுகளுக்கு, அதாவது பிற மருத்துவமனை தரவுத்தளங்களிலிருந்து MRI தரவுகளுக்கு ML முறை பயன்படுத்தப்பட்டபோது இது அவ்வாறு இல்லை. இந்த சூழ்நிலையில், கிளாசிக்கல் மருத்துவ MRI தரவுகளில் பயிற்சி பெற்ற ML முறை மிகவும் வெற்றிகரமாக இருந்தது.

பிசியோமெட்டபாலிக் எம்ஆர்ஐ தரவுகளின் எம்எல் பகுப்பாய்வு மோசமான முடிவுகளைக் காட்டியதற்கான காரணம், தொழில்நுட்பம் இன்னும் இளமையாக இருப்பதும், வளர்ச்சியின் சோதனை நிலையில் இருப்பதும் ஆகும். தரவு சேகரிப்பு முறைகள் இன்னும் மருத்துவமனைக்கு மருத்துவமனை மாறுபடும், இது எம்எல் பகுப்பாய்வில் சார்புகளுக்கு வழிவகுக்கிறது.

விஞ்ஞானிக்கு, பிரச்சனை தரப்படுத்தலில் ஒன்றுதான், இது பல்வேறு மருத்துவமனைகளில் பிசியோமெட்டபாலிக் எம்ஆர்ஐ பயன்பாடு அதிகரித்து வருவதால் தவிர்க்க முடியாமல் எழும். இந்த முறையே - எம்எல் முறைகளைப் பயன்படுத்தி பிசியோமெட்டபாலிக் எம்ஆர்ஐ தரவின் விரைவான மதிப்பீடு - சிறந்த முடிவுகளைக் காட்டியுள்ளது. எனவே, அறுவை சிகிச்சைக்கு முன் க்ளியோமா நோயாளிகளின் ஐடிஹெச் பிறழ்வு நிலையைத் தீர்மானிப்பதற்கும் சிகிச்சை விருப்பங்களைத் தனிப்பயனாக்குவதற்கும் இது ஒரு சிறந்த அணுகுமுறையாகும்.

இந்த ஆய்வின் முடிவுகள் கார்ல் லேண்ட்ஸ்டெய்னர் சுகாதார அறிவியல் பல்கலைக்கழகம் (KL கிரெம்ஸ்) இதழில் வெளியிடப்பட்டன.