AI স্তন ক্যানসার সারভাইভাল মডেল ব্যক্তিকেন্দ্রিক চিকিৎসা উন্নত করতে পারে

সিনসিনাটি বিশ্ববিদ্যালয় ক্যানসার সেন্টারের একটি গবেষণা দল স্তন ক্যানসারে সারভাইভাল পূর্বাভাস দেওয়ার জন্য কৃত্রিম বুদ্ধিমত্তা-সহায়িত একটি পদ্ধতি বর্ণনা করেছে। এতে প্রতিষ্ঠিত পরিসংখ্যান পদ্ধতির সঙ্গে deep-learning কাঠামো যুক্ত করা হয়েছে। Journal of Statistical Theory and Practice-এ প্রকাশিত কাজটির উদ্দেশ্য হলো চিকিৎসকদের আরও বিস্তারিতভাবে ঝুঁকি অনুমান করতে এবং ব্যক্তিকেন্দ্রিক চিকিৎসা সিদ্ধান্তে সহায়তা করা।

ক্যানসার চিকিৎসায় সারভাইভাল পূর্বাভাস গুরুত্বপূর্ণ, কিন্তু কঠিন। একই রকম রোগ নির্ণয় থাকা রোগীদের ক্লিনিক্যাল বৈশিষ্ট্য, টিউমারের জীববিজ্ঞান ও জেনেটিক বৈশিষ্ট্যে পার্থক্য থাকতে পারে। প্রচলিত সারভাইভাল মডেল প্রত্যাশিত ফলাফল অনুমান করতে সাহায্য করে, কিন্তু ব্যক্তির প্রগনোসিসকে প্রভাবিত করতে পারে এমন বহু ভেরিয়েবলের জটিল সম্পর্ক সবসময় ধরতে পারে না বলে গবেষকেরা মনে করেন।

প্রস্তাবিত ব্যবস্থাটি একটি “fusion” কৌশলের ওপর তৈরি। এতে কোনো একটি পদ্ধতিকে যথেষ্ট না ধরে একাধিক পরিসংখ্যান পদ্ধতিকে deep learning-এর সঙ্গে যুক্ত করা হয়েছে। রোগীর ঝুঁকি আরও নির্ভুলভাবে তুলে ধরা এবং একই বিস্তৃত শ্রেণিতে পড়তে পারে এমন রোগীদের মধ্যে ছোট গোষ্ঠী শনাক্ত করাই দলের লক্ষ্য।

পূর্বাভাস মডেলে আরও বিস্তারিত তথ্য কেন দরকার

স্তন ক্যানসার কোনো একক রোগ নয়, আর চিকিৎসা পরিকল্পনা শুধু একটি রোগ নির্ণয় বা পর্যায়ের ওপর নির্ভর করে না। ক্লিনিক্যাল তথ্য, জৈবিক সূচক ও জেনেটিক কারণ—সবই গুরুত্বপূর্ণ হতে পারে। এই জটিলতা পূর্বাভাসের সরঞ্জামগুলোর জন্য বাস্তব সমস্যা তৈরি করে: কোনো মডেল বড় ধরণের প্যাটার্ন চিনতে পারলেও নির্দিষ্ট রোগীর ফলাফল বদলে দিতে পারে এমন পারস্পরিক সম্পর্ক এড়িয়ে যেতে পারে।

গবেষণাটির সংশ্লিষ্ট লেখক এবং বিশ্ববিদ্যালয়ের Department of Biostatistics, Health Information and Data Science-এর ডক্টরাল শিক্ষার্থী Wedad Alatebi বলেন, পরিসংখ্যান পদ্ধতির সঙ্গে deep learning যুক্ত করলে এসব সম্পর্ক আরও ভালোভাবে ধরা যায় কি না, প্রকল্পটি তা পরীক্ষা করেছে। এখানে রোগীর ডেটায় হাতে নির্ধারণ করা কঠিন জটিল প্যাটার্ন শনাক্ত করতে deep learning ব্যবহার করা হয়।

সহলেখক Anand Seth বলেন, প্রথমে একই রকম দেখানো রোগীদের মধ্যে এই সম্মিলিত পদ্ধতি আরও নির্দিষ্ট ঝুঁকি গোষ্ঠী তৈরি করতে পারে। এর সম্ভাব্য ক্লিনিক্যাল মূল্য শুধু আরও সূক্ষ্ম স্কোরে নয়। ঝুঁকি গোষ্ঠীগুলোর মধ্যে স্পষ্ট পার্থক্য চিকিৎসকদের নির্দিষ্ট রোগী গোষ্ঠীর জন্য চিকিৎসা সিদ্ধান্ত সাজাতে সাহায্য করতে পারে।

পরিসংখ্যান ও AI পদ্ধতির মধ্যে সেতুবন্ধ

প্রচলিত পরিসংখ্যানভিত্তিক সারভাইভাল বিশ্লেষণ এখনও মূল্যবান, কারণ এটি রোগীর বৈশিষ্ট্য ও ফলাফলের সম্পর্ক বোঝার একটি কাঠামোবদ্ধ পদ্ধতি দেয়। নতুন কাজ deep learning-কে সেই ভিত্তির সম্পূর্ণ বিকল্প হিসেবে উপস্থাপন করেনি। বরং উপলব্ধ তথ্য থেকে আরও জটিল প্যাটার্ন শেখার কাঠামোর মধ্যে পরিসংখ্যান পদ্ধতিকে রাখা হয়েছে।

গবেষকদের মতে, মডেল প্রথমে ক্লিনিক্যাল তথ্যকে এমন একটি রূপে বদলে দেয় যা রোগীর ঝুঁকি আরও ভালোভাবে তুলে ধরে। এরপর বৃহত্তর পূর্বাভাস প্রক্রিয়ার অংশ হিসেবে deep-learning কাঠামো ব্যবহার করা হয়। সরল ও বিচ্ছিন্ন সম্পর্কের ওপর নির্ভর না করে বিভিন্ন কারণের সমন্বয়ের প্রতি মডেলকে সংবেদনশীল করাই এর উদ্দেশ্য।

সম্ভাব্য ভবিষ্যৎ ক্লিনিক্যাল ব্যবহারের জন্য এই পার্থক্য গুরুত্বপূর্ণ। সারভাইভাল মডেল নিজে কোনো চিকিৎসা সিদ্ধান্ত নয়; এটি সিদ্ধান্ত-সহায়ক সরঞ্জাম। উপযুক্ত রোগী গোষ্ঠীতে পূর্বাভাস উন্নত হয় কি না এবং চিকিৎসকেরা চিকিৎসা-বিচার, রোগীর পছন্দ ও অন্যান্য প্রমাণের সঙ্গে ফলাফল দায়িত্বশীলভাবে ব্যবহার করতে পারেন কি না, তার ওপর এর মূল্য নির্ভর করবে।

জেনেটিক তথ্য বিবেচনায় নেওয়া

টিউমারের জেনেটিক তথ্য সারভাইভাল মডেল উন্নত করতে পারে, কিন্তু জেনেটিক পরীক্ষার সুযোগ সবার জন্য সমান নয়। বিশ্বের কিছু অংশে হাসপাতাল ও স্বাস্থ্যব্যবস্থার জন্য পরীক্ষা করা কঠিন বা ব্যয়বহুল হতে পারে। এই সীমাবদ্ধতা মোকাবিলায় সিনসিনাটি দল তাদের মডেলে simulated gene-expression data যুক্ত করেছে।

সম্পূর্ণ পরীক্ষা সম্ভব না হলে টিউমারের জেনেটিক্সের সম্ভাব্য অবদান বিবেচনায় নেওয়ার একটি উপায় হিসেবে গবেষকেরা এই simulated তথ্যকে বর্ণনা করেছেন। ডেটাভিত্তিক ক্যানসার সরঞ্জাম ব্যবহারের একটি বাস্তব সীমাবদ্ধতার দিকে এটি নজর দেয়: যে মডেলের জন্য ব্যাপক পরীক্ষা দরকার, সেই পরীক্ষা যেখানে নেই সেখানে তা কম কার্যকর হতে পারে।

তবে simulated data সতর্কতার সঙ্গে যাচাইয়ের প্রয়োজন দূর করে না। গবেষণার বিবরণে পদ্ধতিটিকে আরও শক্তিশালী ও নির্ভুল পূর্বাভাসের সম্ভাব্য পথ হিসেবে দেখানো হয়েছে, প্রতিষ্ঠিত ক্লিনিক্যাল মানদণ্ড হিসেবে নয়। গবেষণা কাঠামো থেকে নিয়মিত চিকিৎসায় যেতে হলে বিভিন্ন রোগী ও চিকিৎসা পরিবেশে এর কার্যকারিতা আরও পরীক্ষা করতে হবে।

এই গবেষণার সম্ভাব্য অর্থ

যদি যাচাই করা যায়, রোগীদের আরও নির্ভুল ঝুঁকি গোষ্ঠীতে ভাগ করা মডেল চিকিৎসা ও ফলো-আপ নিয়ে আরও ব্যক্তিকেন্দ্রিক আলোচনায় সহায়তা করতে পারে। সারভাইভাল ফলাফল অনুমান করার সময় চিকিৎসকেরা রোগীর বহু বৈশিষ্ট্য আরও ভালোভাবে ব্যাখ্যা করতে পারবেন—এটাই এর মূল সম্ভাবনা।

গবেষণাটি চিকিৎসা AI-এর একটি বৃহত্তর দিকও তুলে ধরে: একটি পদ্ধতি বনাম অন্য পদ্ধতি হিসেবে না দেখে মেশিন-লার্নিং ব্যবস্থাকে পরিসংখ্যান কৌশলের সঙ্গে যুক্ত করা। স্তন ক্যানসারে অনেক ভেরিয়েবল প্রগনোসিসকে প্রভাবিত করতে পারে। তাই ক্লিনিক্যাল অর্থবহতা না কমিয়ে অতিরিক্ত পূর্বাভাসের তথ্য দিতে পারলে এই হাইব্রিড পদ্ধতি বিশেষভাবে কার্যকর হতে পারে।

এখন পর্যন্ত এই কাজকে ব্যক্তিকেন্দ্রিক চিকিৎসার স্পষ্ট লক্ষ্যযুক্ত গবেষণা-পর্যায়ের মডেল হিসেবে বোঝাই ভালো। জটিল ক্লিনিক্যাল ও জৈবিক সম্পর্ক, এমনকি যেখানে জেনেটিক তথ্য পাওয়া কঠিন, সেগুলো সামলানোর একটি কাঠামো প্রস্তাব করাই এর অবদান। এটি চিকিৎসা বদলাবে কি না, তা পরবর্তী যাচাই এবং উন্নত পূর্বাভাস রোগীদের জন্য উন্নত সিদ্ধান্তে রূপ নেয় কি না, তার ওপর নির্ভর করবে।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ভিত্তিতে তৈরি। মূল নিবন্ধ পড়ুন।