க்ளியோமா பிறழ்வுகளை முன்கூட்டியே கண்டறிவதை இயந்திர கற்றல் மேம்படுத்துகிறது

மெஷின் லேர்னிங் (ML) முறைகள் gliomas - முதன்மை மூளைக் கட்டிகளில் உள்ள பிறழ்வுகளை விரைவாகவும் துல்லியமாகவும் கண்டறிய முடியும்.

கார்ல் லேண்ட்ஸ்டெய்னர் மருத்துவ அறிவியல் பல்கலைக்கழகம் (KL Krems) நடத்திய சமீபத்திய ஆய்வின் மூலம் இது உறுதிப்படுத்தப்பட்டுள்ளது. இந்த ஆய்வில், பிசியோமெடபாலிக் காந்த அதிர்வு இமேஜிங் (எம்ஆர்ஐ) தரவு, வளர்சிதை மாற்ற மரபணுவில் உள்ள பிறழ்வுகளை அடையாளம் காண எம்எல் முறைகளைப் பயன்படுத்தி பகுப்பாய்வு செய்யப்பட்டது. இந்த மரபணுவில் உள்ள பிறழ்வுகள் நோயின் போக்கில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன, மேலும் ஆரம்பகால நோயறிதல் சிகிச்சைக்கு முக்கியமானது. பிசியோமெடபாலிக் எம்ஆர் படங்களைப் பெறுவதற்கு தற்போது சீரற்ற தரநிலைகள் இருப்பதாகவும் ஆய்வு காட்டுகிறது, இது முறையின் வழக்கமான மருத்துவப் பயன்பாட்டைத் தடுக்கிறது.

கிளியோமாஸ் மிகவும் பொதுவான முதன்மை மூளைக் கட்டிகள். இன்னும் மோசமான முன்கணிப்பு இருந்தபோதிலும், தனிப்பயனாக்கப்பட்ட சிகிச்சைகள் சிகிச்சை வெற்றியை கணிசமாக மேம்படுத்தலாம். இருப்பினும், இத்தகைய மேம்பட்ட சிகிச்சைகளின் பயன்பாடு தனிப்பட்ட கட்டி தரவுகளை நம்பியுள்ளது, இது மூளையில் அவற்றின் இருப்பிடம் காரணமாக க்ளியோமாக்களைப் பெறுவது கடினம். காந்த அதிர்வு இமேஜிங் (MRI) போன்ற இமேஜிங் நுட்பங்கள் அத்தகைய தரவை வழங்க முடியும், ஆனால் அவற்றின் பகுப்பாய்வு சிக்கலானது, உழைப்பு மிகுந்தது மற்றும் நேரத்தை எடுத்துக்கொள்ளும். KL Krems இன் கற்பித்தல் மற்றும் ஆராய்ச்சித் தளமான செயின்ட் பால்டனில் உள்ள நோயறிதல் மருத்துவ கதிரியக்கத்திற்கான மத்திய நிறுவனம், இத்தகைய பகுப்பாய்வுகளை தானியக்கமாக்குவதற்கும், வழக்கமான மருத்துவ நடவடிக்கைகளில் அவற்றை ஒருங்கிணைப்பதற்கும் பல ஆண்டுகளாக இயந்திரம் மற்றும் ஆழமான கற்றல் முறைகளை உருவாக்கி வருகிறது. இப்போது மற்றொரு திருப்புமுனையை அடைந்துள்ளது.

"கிளியோமா செல்கள் ஐசோசிட்ரேட் டீஹைட்ரோஜினேஸ் (IDH) மரபணுவின் பிறழ்ந்த வடிவத்தைக் கொண்ட நோயாளிகள் உண்மையில் காட்டு வகையைக் காட்டிலும் சிறந்த மருத்துவ வாய்ப்புகளைக் கொண்டுள்ளனர்" என்று மத்திய நிறுவனத்தின் மருத்துவ இயற்பியலாளர் பேராசிரியர் ஆண்ட்ரியாஸ் ஸ்டாட்ல்பவுர் விளக்குகிறார். "இதன் பொருள் என்னவென்றால், பிறழ்வு நிலையை நாம் எவ்வளவு விரைவில் அறிவோமோ, அவ்வளவு சிறப்பாக சிகிச்சையைத் தனிப்பயனாக்கலாம்." பிறழ்ந்த மற்றும் காட்டு வகை கட்டிகளின் ஆற்றல் வளர்சிதை மாற்றத்தில் உள்ள வேறுபாடுகள் இதற்கு உதவுகின்றன. பேராசிரியர் Stadlbauer இன் குழுவின் முந்தைய பணிகளுக்கு நன்றி, திசு மாதிரிகள் இல்லாமல் கூட, பிசியோமெடபாலிக் MRI ஐப் பயன்படுத்தி அவற்றை எளிதாக அளவிட முடியும். இருப்பினும், தரவு பகுப்பாய்வு மற்றும் மதிப்பீடு என்பது மிகவும் சிக்கலான மற்றும் நேரத்தைச் செலவழிக்கும் செயல்முறையாகும், இது மருத்துவ நடைமுறையில் ஒருங்கிணைக்க கடினமாக உள்ளது, குறிப்பாக நோயாளிகளின் மோசமான முன்கணிப்பு காரணமாக முடிவுகள் விரைவாக தேவைப்படுகிறது.

தற்போதைய ஆய்வில், முடிவுகளை விரைவாகப் பெறுவதற்கும் தகுந்த சிகிச்சை நடவடிக்கைகளைத் தொடங்குவதற்கும் இந்தத் தரவை பகுப்பாய்வு செய்வதற்கும் விளக்குவதற்கும் குழு ML முறைகளைப் பயன்படுத்தியது. ஆனால் முடிவுகள் எவ்வளவு துல்லியமானவை? இதை மதிப்பிடுவதற்கு, ஆய்வு முதலில் 182 நோயாளிகளின் தரவை பல்கலைக்கழக மருத்துவமனை செயின்ட் போல்டனில் பயன்படுத்தியது, அதன் எம்ஆர்ஐ தரவு தரப்படுத்தப்பட்ட நெறிமுறைகளைப் பயன்படுத்தி சேகரிக்கப்பட்டது.

“எங்கள் எம்எல் அல்காரிதம்களின் மதிப்பீட்டு முடிவுகளைப் பார்த்தபோது, நாங்கள் மிகவும் மகிழ்ச்சியடைந்தோம்,” என்று பேராசிரியர் ஸ்டாட்ல்பவுர் விளக்குகிறார். 91.7% துல்லியம் மற்றும் 87.5% துல்லியம் ஆகியவற்றை மரபணு காட்டு வகையுடன் பிறழ்ந்த வடிவத்தில் இருந்து வேறுபடுத்துவதில் நாங்கள் அடைந்துள்ளோம். இந்த மதிப்புகளை கிளாசிக்கல் மருத்துவ எம்ஆர்ஐ தரவின் எம்எல் பகுப்பாய்வுகளுடன் ஒப்பிட்டு, பிசியோமெடபாலிக் எம்ஆர்ஐ தரவை அடிப்படையாகப் பயன்படுத்துவது குறிப்பிடத்தக்க சிறந்த முடிவுகளைத் தருகிறது என்பதைக் காட்ட முடிந்தது."

இருப்பினும், செயின்ட் போல்டனில் தரப்படுத்தப்பட்ட நெறிமுறையைப் பயன்படுத்தி சேகரிக்கப்பட்ட தரவை பகுப்பாய்வு செய்யும் போது மட்டுமே இந்த மேன்மை பராமரிக்கப்பட்டது. ML முறை வெளிப்புறத் தரவுகளுக்குப் பயன்படுத்தப்பட்டபோது, அதாவது மற்ற மருத்துவமனை தரவுத்தளங்களில் இருந்து MRI தரவு பயன்படுத்தப்பட்டபோது இது அவ்வாறு இல்லை. இந்த சூழ்நிலையில், கிளாசிக்கல் மருத்துவ MRI தரவுகளில் பயிற்சியளிக்கப்பட்ட ML முறை மிகவும் வெற்றிகரமாக இருந்தது.

எம்எல்லைப் பயன்படுத்தி பிசியோமெடபாலிக் எம்ஆர்ஐ தரவின் பகுப்பாய்வு மோசமாகச் செயல்பட்டதற்குக் காரணம், தொழில்நுட்பம் இன்னும் இளமையாக இருப்பதும், வளர்ச்சியின் சோதனைக் கட்டத்தில் இருப்பதும்தான். தரவு சேகரிப்பு முறைகள் இன்னும் மருத்துவமனையிலிருந்து மருத்துவமனைக்கு மாறுபடும், இது ML பகுப்பாய்வில் பக்கச்சார்புக்கு வழிவகுக்கிறது.

விஞ்ஞானியைப் பொறுத்தவரை, வெவ்வேறு மருத்துவமனைகளில் பிசியோமெடபாலிக் எம்ஆர்ஐயின் அதிகரித்து வரும் பயன்பாட்டினால் தவிர்க்க முடியாமல் எழும் தரநிலைப்படுத்தல் பிரச்சனை "மட்டும்" ஆகும். ML முறைகளைப் பயன்படுத்தி பிசியோமெடபாலிக் எம்ஆர்ஐ தரவின் விரைவான மதிப்பீடு - முறையே சிறந்த முடிவுகளைக் காட்டியுள்ளது. எனவே, க்ளியோமா நோயாளிகளின் ஐடிஹெச் பிறழ்வு நிலையை அறுவை சிகிச்சைக்கு முன்னரே தீர்மானிக்கவும், சிகிச்சை விருப்பங்களைத் தனிப்படுத்தவும் இது ஒரு சிறந்த அணுகுமுறையாகும்.

கார்ல் லேண்ட்ஸ்டெய்னர் யுனிவர்சிட்டி ஆஃப் ஹெல்த் சயின்சஸ் (KL Krems) இதழில் ஆய்வு முடிவுகள் வெளியிடப்பட்டுள்ளன.