সম্প্রতি প্রকাশিত এক গবেষণায় ড প্রকৃতি যোগাযোগ, গবেষকদের একটি দল কৃত্রিম বুদ্ধিমত্তা (AI) ব্যবহার করে হিস্টোপ্যাথলজি চিত্রগুলিকে শ্রেণীবদ্ধ করতে এবং এন্ডোমেট্রিয়াল ক্যান্সারের উপপ্রকারগুলিকে আলাদা করতে। টুলটি NSMP নামক এন্ডোমেট্রিয়াল ক্যান্সারের একটি উপ-প্রকার সনাক্ত করে, বা কোন নির্দিষ্ট আণবিক স্বাক্ষর নেই, যা গুরুতর রোগ এবং দুর্বল বেঁচে থাকার হার দ্বারা চিহ্নিত করা হয়।
পটভূমি
এন্ডোমেট্রিয়াল ক্যান্সারের চারটি উপ-প্রকার রয়েছে, যার প্রতিটির জন্য আলাদা চিকিত্সার প্রয়োজন এবং বিভিন্ন ফলাফল রয়েছে।
বর্তমানে, এই সাব-টাইপগুলির শ্রেণীবিভাগ অবিশ্বস্ত ক্লিনিকাল এবং প্যাথলজিকাল পদ্ধতির উপর ভিত্তি করে, যা অসঙ্গতিপূর্ণ এবং ভুল মূল্যায়নের দিকে পরিচালিত করে। এটি অত্যধিক বা খুব কম চিকিত্সার দিকে পরিচালিত করতে পারে, যা পুনরায় সংক্রমণ এবং কখনও কখনও মৃত্যুর কারণ হতে পারে।
ক্যান্সার জিনোম অ্যাটলাস প্রজেক্ট দেখায় যে উন্নত জেনেটিক প্রযুক্তি নির্দিষ্ট জেনেটিক মিউটেশনের উপর ভিত্তি করে এন্ডোমেট্রিয়াল ক্যান্সারকে চারটি উপপ্রকারে শ্রেণীবদ্ধ করতে ব্যবহার করা যেতে পারে।
এছাড়াও, গভীর শিক্ষার মডেল সহ কৃত্রিম বুদ্ধিমত্তার সরঞ্জামগুলি প্রচুর পরিমাণে ডেটা বিশ্লেষণ করতে চিকিত্সা ক্ষেত্রে ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে। এই সরঞ্জামগুলি সম্ভাব্য বায়োমার্কার সনাক্ত করতে এবং ক্যান্সার নির্ণয়ের উন্নতি করতে সহায়তা করে।
গবেষণা সম্পর্কে
এই গবেষণায়, গবেষকরা হিস্টোপ্যাথলজি চিত্র বিশ্লেষণ করতে এবং এন্ডোমেট্রিয়াল ক্যান্সারের দুটি উপপ্রকারের মধ্যে পার্থক্য করার জন্য একটি কৃত্রিম বুদ্ধিমত্তার সরঞ্জাম তৈরি করতে গভীর শিক্ষা ব্যবহার করেছেন: NSMP এবং p53 aberrations (p53abn)।
পূর্বে, তারা একটি আণবিক শ্রেণিবিন্যাস ব্যবস্থা তৈরি করেছে যা ক্লিনিকাল ব্যবহারের জন্য এন্ডোমেট্রিয়াল ক্যান্সারকে চারটি উপপ্রকারে বিভক্ত করে:
- পোল মিউটেশন সাব টাইপ: পোল জিনের রোগ-সৃষ্টিকারী মিউটেশন দ্বারা চিহ্নিত করা হয়, যা ডিএনএ প্রুফরিডিং এবং মেরামতের সাথে জড়িত।
- অমিল মেরামতের ঘাটতি (এমএমআরডি) উপপ্রকার: মূল অমিল মেরামত প্রোটিন মুছে ফেলা ইমিউনোহিস্টোকেমিস্ট্রি পরীক্ষার দ্বারা নির্ধারিত হয়।
- অস্বাভাবিক p53 আইসোফর্ম: p53 টিউমার দমনকারী প্রোটিনের অস্বাভাবিকতাগুলি ইমিউনোহিস্টোকেমিস্ট্রি দ্বারা সনাক্ত করা হয়েছিল।
- NSMP উপপ্রকার: অন্য তিনটি উপপ্রকার বৈশিষ্ট্য বাদ দিয়ে রোগ নির্ণয় করা হয়।
এই গবেষণায়, NSMP এবং p53abn আইসোফর্মগুলিকে আলাদা করতে হিস্টোপ্যাথলজি চিত্রগুলি বিশ্লেষণ করতে AI সরঞ্জামগুলি ব্যবহার করা হয়েছিল। গবেষকরা অনুমান করেন যে কিছু NSMP টিউমার হিস্টোলজিক্যালভাবে p53abn টিউমারের মতো। দাগযুক্ত টিস্যু বিভাগে গভীর শিক্ষার মডেল প্রয়োগ করে, তারা এই উপ-জনসংখ্যাকে চিহ্নিত করার লক্ষ্য করেছিল।
গবেষণায় 368 এন্ডোমেট্রিয়াল ক্যান্সারের রোগীদের থেকে টিস্যু নমুনাগুলি আবিষ্কারের দলে অন্তর্ভুক্ত করা হয়েছিল এবং যথাক্রমে 614 এবং 290 রোগীর দুটি স্বাধীন দলে যাচাই করা হয়েছিল। গবেষকরা বৈধকরণ দলে উভয় আইসোফর্ম এবং p53abn-এর মতো NSMP নমুনার অনুলিপি নম্বর এবং জিন এক্সপ্রেশন প্রোফাইল বিশ্লেষণ করতে অগভীর পুরো-জিনোম সিকোয়েন্সিংও করেছেন।
ফলাফল
গবেষণায় দেখা গেছে যে হিস্টোপ্যাথলজি চিত্রগুলির AI বিশ্লেষণ সফলভাবে NSMP এন্ডোমেট্রিয়াল ক্যান্সারে আক্রান্ত রোগীদের একটি গ্রুপকে চিহ্নিত করেছে যাদের বেঁচে থাকার হার উল্লেখযোগ্যভাবে কম ছিল এবং আরও আক্রমণাত্মক টিউমার রয়েছে।
ম্যালিগন্যান্সির এই উপসেটটি NSMP টিউমারের প্রায় 20% এবং সমস্ত এন্ডোমেট্রিয়াল ক্যান্সারের 10% জন্য দায়ী।
ফলাফলগুলি ইঙ্গিত করে যে ঐতিহ্যগত পদ্ধতি যেমন ক্লিনিকোপ্যাথলজিকাল বৈশিষ্ট্য, ইমিউনোহিস্টোকেমিস্ট্রি টেস্টিং, পরবর্তী প্রজন্মের সিকোয়েন্সিং এবং জিন এক্সপ্রেশন প্রোফাইলিং p53abn আইসোফর্ম এবং এই p53abn-এর মতো NSMP কেসের মধ্যে পার্থক্য করতে অক্ষম।
ডিপ লার্নিং মডেলটি TP53-মিউটেটেড টিউমারও শনাক্ত করেছে যা p53 ইমিউনোস্টেইনিং-এ স্বাভাবিক দেখায় এবং প্রচলিত ইমিউনোহিস্টোকেমিস্ট্রি পদ্ধতি ব্যবহার করে মিথ্যা নেতিবাচক হত।
এমনকি যদি রোগগত এবং আণবিক বৈশিষ্ট্যগুলি দুর্বল বেঁচে থাকার ফলাফলের পূর্বাভাস দিতে ব্যর্থ হয়, তবে AI সরঞ্জামগুলি NSMP সাব-টাইপগুলিতে আক্রমনাত্মক p53abn-এর মতো ক্যান্সার সনাক্ত করতে পারে।
অগভীর পুরো-জিনোম সিকোয়েন্সিং থেকে জানা যায় যে এই NSMP আইসোফর্মের আরও পরিবর্তিত এবং অস্থির জিনোম রয়েছে, p53abn আইসোফর্মের মতো, কিন্তু কম অস্থির।
যদিও প্রচলিত প্যাথলজিকাল বা ইমিউনোহিস্টোকেমিক্যাল পদ্ধতির দ্বারা পার্থক্য করা সম্ভব নয়, ফলাফলগুলি এই উপগোষ্ঠীতে হিস্টোপ্যাথলজিকাল পার্থক্যের প্রমাণ দেয়।
উপসংহারে
সামগ্রিকভাবে, ফলাফলগুলি দেখায় যে একটি এআই-ভিত্তিক চিত্র শ্রেণিবদ্ধকারী এন্ডোমেট্রিয়াল ক্যান্সার রোগীদের উপসেটগুলির মধ্যে পার্থক্য করতে সক্ষম এবং উল্লেখযোগ্যভাবে খারাপ বেঁচে থাকার ফলাফল সহ একটি উপসেট সনাক্ত করতে সক্ষম।
গবেষকরা বিশ্বাস করেন যে এই কৃত্রিম বুদ্ধিমত্তা-ভিত্তিক সরঞ্জামটি নিয়মিতভাবে হিস্টোপ্যাথোলজি চিত্রগুলি স্ক্যান করার জন্য ক্লিনিকাল ডায়াগনস্টিক প্রক্রিয়াতে সহজেই একত্রিত হতে পারে।
তদ্ব্যতীত, আরও উন্নতির সাথে, এই এআই-ভিত্তিক সরঞ্জামটি আরও সময়সাপেক্ষ এবং ব্যয়বহুল আণবিক মার্কার-ভিত্তিক ডায়গনিস্টিক পদ্ধতিগুলি প্রতিস্থাপন করতে পারে।
