নতুন topology-ভিত্তিক biomarkers breast cancer prediction উন্নত করতে পারে

টিউমারের গঠনকে গাণিতিকভাবে পড়া breast cancer পূর্বাভাসকে আরও সূক্ষ্ম করতে পারে

Breast cancer pathology দীর্ঘদিন ধরেই প্রশিক্ষিত চোখের ওপর নির্ভর করে এসেছে। Pathologists রঙিন tissue samples পর্যবেক্ষণ করে বিচার করেন, একটি tumor সুস্থ breast tissue-এর সংগঠিত architecture থেকে কতটা সরে গেছে। Diagnosis-এর ক্ষেত্রে এই পদ্ধতি কেন্দ্রীয় হলেও, এতে অনিবার্য subjectivity রয়েছে। Columbia University Irving Medical Center এবং সহযোগীদের বর্ণিত একটি নতুন গবেষণা tissue organization-কে সংখ্যাগত স্কোরে রূপান্তর করে এই structural assessment-কে আরও নির্ভুল করতে চায়।

দলটি Cancer Research-এ জানিয়েছে যে তারা topology, shape এবং spatial relationships নিয়ে কাজ করা mathematics-এর একটি শাখা ব্যবহার করে breast tumors-এর digital images থেকে biomarkers তৈরি করেছে। ব্যবহারিকভাবে, এই method tumor tissue কতটা organized বা disorganized দেখায় তা মাপে এবং তা continuous values-এ রূপান্তর করে, যা রোগীদের মধ্যে তুলনা করা যায়। গবেষকদের মতে, ওই scores patient survival এবং treatment response অনেক প্রচলিত biomarkers-এর চেয়ে নির্ভুলভাবে পূর্বাভাস দিয়েছে।

দৃষ্টিগত ধারণা থেকে quantitative biomarker

Cancer প্রায়ই cells এবং tissues-এর স্বাভাবিক বিন্যাস নষ্ট করে দেয়। সুস্থ breast tissue তুলনামূলকভাবে structured, gland-like patterns তৈরি করে, আর malignant tissue ধীরে ধীরে chaotic হয়ে ওঠে। Conventional tumor grading এই পরিবর্তনের কিছু অংশ ধরতে পারে, কিন্তু তা qualitative judgment-এর মাধ্যমে করে। Columbia-led দলটি এই visual assessment-এর পেছনের biological insight বজায় রেখে output-কে আরও standardized এবং data-driven করতে চেয়েছে।

গবেষকরা persistent homology নামের একটি কৌশল ব্যবহার করেছেন। এটি শুধু কোন cells আছে তা নয়, tumor components একে অপরের সঙ্গে কীভাবে সাজানো আছে সেটিও দেখে। এটি গুরুত্বপূর্ণ, কারণ tumor-এর architecture তার aggressiveness, বিকাশের ধরন, এবং therapy-র প্রতিক্রিয়া সম্পর্কে ইঙ্গিত দিতে পারে।

এর ফলে তৈরি biomarkers tissue organization-এর ওপর ভিত্তি করে। গবেষণায়, higher topology scores আরও organized tissue architecture নির্দেশ করেছে, আর lower scores আরও structural disorganization দেখিয়েছে। মূল ধারণা সহজ: যদি tissue disorder malignancy-এর বৈশিষ্ট্য হয়, তবে সেই disorder-কে rigorously মাপলে clinically useful information পাওয়া যেতে পারে।

এই ফলাফলগুলো কেন গুরুত্বপূর্ণ

গবেষকরা বলছেন, topology-derived scores survival এবং treatment response-এর মতো outcome পূর্বাভাসে অনেক established approach-এর চেয়ে ভালো করেছে। broader validation-এ যদি এই performance টিকে থাকে, তাহলে তা কয়েকটি কারণে গুরুত্বপূর্ণ হবে।

প্রথমত, oncology increasingly risk stratification-এর ওপর নির্ভর করে। কোন রোগীর রোগ aggressive হতে পারে আর কে আরও intensive treatment এড়াতে পারে, তা clinicians-দের আরও ভালোভাবে আলাদা করতে হয়। Standard tissue images থেকে clearer prognostic information দেওয়া biomarker more tailored decision-কে সহায়তা করতে পারে।

দ্বিতীয়ত, গবেষণায় দেখা গেছে এই method racial এবং ethnic groups-এর মধ্যে অনেক traditional biomarkers-এর তুলনায় কম variation দেখিয়েছে। এটি গুরুত্বপূর্ণ, কারণ cancer care এবং outcome-এর বৈষম্য শুধু access এবং treatment difference নয়, diagnostic tools কতটা well generalize করে, সেটির ওপরও নির্ভর করে। গোষ্ঠীগুলোর মধ্যে আরও consistently কাজ করা biomarker care-এর এক ধরনের অসমতা কমাতে সাহায্য করতে পারে।

তৃতীয়ত, এই method pathology images-এর ওপর ভিত্তি করে, যা breast cancer evaluation-এ ইতিমধ্যেই নিয়মিত অংশ। তাই সম্পূর্ণ নতুন test category না লাগিয়ে existing digital pathology workflows-এর সঙ্গে একীভূত করার সম্ভাবনা আছে। প্রতিবেদনটি এটিকে এখনও drop-in clinical replacement হিসেবে দেখায় না, তবে existing practice-এর সঙ্গে compatibility-ই এর আকর্ষণের একটি অংশ।

গবেষণাটি আসলে কী বলছে

উৎস উপাদান কয়েকটি নির্দিষ্ট সিদ্ধান্তকে সমর্থন করে। Biomarkers breast cancer tissue images থেকে topological methods ব্যবহার করে তৈরি করা হয়েছে। Scores simple high-or-low label নয়, বরং continuous ছিল। Study dataset-এ তারা survival এবং treatment response অনেক traditional biomarkers-এর চেয়ে ভালোভাবে পূর্বাভাস দিয়েছে। এবং পদ্ধতিটি racial এবং ethnic groups-এর মধ্যে কম variation দেখিয়েছে।

সমানভাবে গুরুত্বপূর্ণ হলো, প্রতিবেদনটি কী বলে না। এটি বলে না যে method pathologists-কে প্রতিস্থাপন করার জন্য প্রস্তুত। এটি বলে না যে এটি ইতিমধ্যে standard clinical practice। এবং এটি এমনও বলে না যে শুধুমাত্র mathematical analysis প্রতিটি রোগীর জন্য সেরা চিকিৎসা নির্ধারণ করতে পারে। এই কাজটিকে একটি পরিচিত clinical material, tumor slide, থেকে আরও নির্ভরযোগ্য তথ্য বের করার প্রচেষ্টা হিসেবে দেখা ভালো।

সম্ভাব্য clinical impact

ভবিষ্যতের গবেষণা যদি এই ফলাফল নিশ্চিত করে, তাহলে topology-based biomarkers breast cancer care-এর বিভিন্ন অংশে প্রভাব ফেলতে পারে:

• এগুলো tissue organization-এর এমন pattern শনাক্ত করে prognosis উন্নত করতে পারে, যা চোখে ধারাবাহিকভাবে স্কোর করা কঠিন।
• এগুলো tumor architecture-কে সম্ভাব্য therapeutic response-এর সঙ্গে যুক্ত করে treatment selection-এ সহায়তা করতে পারে।
• এগুলো institution এবং reader-দের মধ্যে pathology assessment standardize করতে সাহায্য করতে পারে।
• এগুলো শুধুমাত্র genetic testing-এর ওপর নির্ভর না করে digital pathology systems-কে আরও informative করতে পারে।

সেই শেষ পয়েন্টটি গুরুত্বপূর্ণ, কারণ precision oncology প্রায়শই molecular profiling-এর ওপর নির্ভরশীল। Molecular tests শক্তিশালী, কিন্তু তারাই তথ্যের একমাত্র উৎস নয়। Tumor structure-এও biological information থাকে, এবং এই গবেষণা যুক্তি দেয় যে আধুনিক mathematics প্রচলিত grading-এর চেয়ে তার বেশি অংশ উদ্ধার করতে পারে।

Pathology-তে বৃহত্তর পরিবর্তন

এই কাজ pathology এবং medical imaging-এ একটি বৃহত্তর রূপান্তরকেও প্রতিফলিত করে। দশকের পর দশক specialists-দের কাছ থেকে আশা করা হয়েছে যে তারা training এবং experience-ভিত্তিক মানব দক্ষতা দিয়ে জটিল visual pattern ব্যাখ্যা করবেন। এখন increasingly computational methods সেই expertise বাতিল করার জন্য নয়, বরং formalize এবং extend করার জন্য ব্যবহৃত হচ্ছে। Quantitative image analysis সূক্ষ্ম spatial feature প্রকাশ করতে পারে, repeatable metric দিতে পারে, এবং routine practice-এ ধারাবাহিকভাবে বোঝা কঠিন এমন সম্পর্ক উন্মোচন করতে পারে।

সেই অর্থে, Columbia-led গবেষণা mathematics, digital pathology, এবং clinical oncology-র সংযোগস্থলে দাঁড়িয়ে। এটি tissue architecture-কে vague visual impression নয়, বরং analyzable data হিসেবে দেখে। হাসপাতালগুলো যখন pathology workflows digitize করবে এবং accuracy ও reproducibility দুটোই উন্নত করতে পারে এমন tools খুঁজবে, তখন এই পরিবর্তন আরও গুরুত্বপূর্ণ হয়ে উঠতে পারে।

এখনকার জন্য মূল takeaway measured হলেও meaningful। গবেষকেরা দেখিয়েছেন যে breast cancer tissue-এর spatial organization topological methods-এর মাধ্যমে এমনভাবে পরিমাপ করা যায় যা clinically informative বলে মনে হয়। এমন একটি ক্ষেত্রে যেখানে আরও ভালো prediction treatment intensity, follow-up schedules, এবং patient counseling-কে সরাসরি প্রভাবিত করতে পারে, এমনকি ছোট উন্নতিও গুরুত্বপূর্ণ। এই গবেষণা বলছে, পুরনো একটি object, pathology slide,-কে নতুন এবং আরও mathematical উপায়ে দেখলে সেই লাভ আসতে পারে।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধটি পড়ুন.