AI অধ্যয়ন বলছে, নিয়মিত CT স্ক্যানে প্যানক্রিয়াটিক ক্যান্সার বছরখানেক আগেই ধরা যেতে পারে

এমন একটি রোগের জন্য আগাম সতর্ক সংকেত, যা সাধারণত খুব দেরিতে ধরা পড়ে

ক্যান্সার চিকিৎসার সবচেয়ে কঠিন সমস্যাগুলোর একটিতে গবেষকেরা একটি সম্ভাব্য গুরুত্বপূর্ণ অগ্রগতির কথা জানিয়েছেন: প্যানক্রিয়াটিক ক্যান্সারকে মেডিক্যাল ইমেজিং-এ স্পষ্ট হওয়ার আগেই এবং উপসর্গের কারণে রোগ নির্ণয় হওয়ার আগেই খুঁজে বের করা। Gut জার্নালে বর্ণিত এক গবেষণায়, একটি কৃত্রিম বুদ্ধিমত্তা মডেল প্রায় 2,000টি CT স্ক্যান পর্যালোচনা করতে ব্যবহৃত হয়েছিল, যেগুলো প্রথমে স্বাভাবিক বলে পড়া হয়েছিল। সিস্টেমটি প্যানক্রিয়াসের ক্ষুদ্র অনিয়মিততা চিহ্নিত করে, যা পরে টিউমার গঠনের সঙ্গে মিলেছে। ফলে ইঙ্গিত মিলছে যে এই রোগ প্রচলিত নির্ণয়ের বহু আগেই detectable traces রেখে যেতে পারে।

এটি গুরুত্বপূর্ণ, কারণ প্যানক্রিয়াটিক ক্যান্সার সবচেয়ে প্রাণঘাতী বড় ক্যান্সারগুলোর একটি। রোগটি প্রায়ই নীরবে এগোয় এবং শুরুতে খুব কম, বা একেবারেই নয়, এমন উপসর্গ সৃষ্টি করে। যখন টিউমার ইমেজিং-এ দেখা যায় বা tissue sampling-এ নিশ্চিত হয়, তখন রোগীর চিকিৎসার বিকল্প অনেক কমে যেতে পারে। এই গবেষণার প্রতিশ্রুতি কোনো চকচকে ডাক্তার-প্রতিস্থাপক নয়; বরং একটি সীমিত কিন্তু সম্ভাব্য গুরুত্বপূর্ণ দাবি: মেশিন-লার্নিং সিস্টেম সাধারণত নিরীহ দেখানো স্ক্যানে এমন কাঠামোগত সতর্কতা-সংকেত চিনতে পারে, যা মানব-পাঠকের নজরে পড়ে না।

আগে ধরা পড়লে ফলাফল কীভাবে বদলাতে পারে

এই কাজের ক্লিনিক্যাল যুক্তি সরল। প্যানক্রিয়াটিক ক্যান্সারে বেঁচে থাকা নির্ভর করে রোগটি কখন ধরা পড়ছে তার ওপর। প্রতিবেদনে উদ্ধৃত গবেষকদের মতে, যুক্তরাষ্ট্রে five-year survival rate মাত্র প্রায় 12% থেকে 13%; মূলত কারণ চিকিৎসকেরা সাধারণত ক্যান্সারটি তখনই শনাক্ত করেন যখন এটি অনেকটাই অগ্রসর হয়ে গেছে। সেই প্রেক্ষাপটে সময়ে সামান্য পরিবর্তনও বড় প্রভাব ফেলতে পারে।

নতুন মডেলটি CT স্ক্যানে ডাক্তাররা সাধারণত টিউমার শনাক্ত করার প্রায় তিন বছর আগেই ঝুঁকির সংকেত ধরতে পেরেছে বলে জানানো হয়েছে। এর মানে এই নয় যে AI বছরখানেক আগে থেকেই স্পষ্ট ক্যান্সারের গাঁট দেখছে। বরং এটি সম্ভবত প্যানক্রিয়াসের গঠনে সূক্ষ্ম পরিবর্তন ধরছে, যা স্পষ্ট টিউমার দেখা দেওয়ার আগে থাকতে পারে। এই ফলাফলগুলো বড় পরিসরে পরীক্ষায় টিকে গেলে চিকিৎসকেরা surveillance, follow-up imaging এবং প্রয়োজনে intervention-এর জন্য নতুন সময়সীমা পেতে পারেন, যখন রোগটি এখনও বেশি চিকিৎসাযোগ্য।

প্যানক্রিয়াটিক ক্যান্সারের ক্ষেত্রে এটি অত্যন্ত গুরুত্বপূর্ণ পার্থক্য। গত কয়েক দশকে অনেক ক্যান্সার screening উন্নতি এবং earlier detection strategy থেকে উপকৃত হয়েছে। প্যানক্রিয়াটিক ক্যান্সার তেমন কোনো breakthrough পায়নি। রোগটি oncology-র অন্য ক্ষেত্রগুলোতে ফল বদলে দেওয়া screening playbook-এর বিরুদ্ধে ব্যতিক্রমীভাবে প্রতিরোধী থেকেছে।

গবেষণাটি আসলে কী করেছে

source material অনুযায়ী, এই গবেষণা একটি বড় retrospective imaging set-এর ওপর নির্ভর করেছে। গবেষকেরা প্রায় 2,000টি CT scan AI system-এ দিয়েছিলেন। ওই scanগুলো আগে স্বাভাবিক বলে ধরা হয়েছিল, এবং পড়ার সময় রোগের স্পষ্ট লক্ষণ ছিল না। এরপর model patterns এবং প্যানক্রিয়াসের ক্ষুদ্র অনিয়মিততা খুঁজে দেখেছে, যা পরে টিউমারে পরিণত হওয়া tissue-এর সঙ্গে মিলে গেছে।

এই framing গুরুত্বপূর্ণ। রিপোর্ট করা ফলাফল এই নয় যে model সব ক্ষেত্রেই সক্রিয় cancer diagnosis করেছে, বা এই tool radiologist-দের বিকল্প হতে প্রস্তুত। এটি প্রমাণ করে যে CT imaging-এ একটি measurable, machine-detectable prediagnostic signature থাকতে পারে, যা standard clinical workflow ধারাবাহিকভাবে ধরতে পারে না।

বাস্তবে, এমন একটি system second-pass review layer হিসেবে ব্যবহার করা যেতে পারে। হাসপাতালগুলো ইতিমধ্যেই বিপুল imaging data তৈরি করে, আর অনেক রোগী pancreatic disease-এর সঙ্গে সম্পর্কহীন কারণে abdominal CT scan করান। যদি AI system নির্ভরযোগ্যভাবে সেই scanগুলো চিহ্নিত করতে পারে যেগুলো আরও মনোযোগ পাওয়ার যোগ্য, তবে নতুন screening infrastructure শূন্য থেকে তৈরি না করেই routine imaging-কে early-risk detection-এর সুযোগে পরিণত করা যেতে পারে।

এটি clinical practice-এ কোথায় মানাবে

ভবিষ্যতে এটির বাস্তবায়ন সম্ভবত সতর্ক হবে। এমন একটি tool stand-alone diagnosis দেওয়ার বদলে অতিরিক্ত পর্যালোচনার জন্য রোগী চিহ্নিত করতে ব্যবহৃত হতে পারে। flagged scan সত্যিকারের ঝুঁকি, স্বাভাবিক ভিন্নতা, নাকি false positive তা radiologist এবং oncologist-দের নির্ধারণ করতে হবে। follow-up-এ repeat imaging, specialist referral, বা অতিরিক্ত diagnostic work থাকতে পারে।

এই সতর্ক পদ্ধতি বিশেষ করে pancreatic disease-এ গুরুত্বপূর্ণ, কারণ stakes দুই দিকেই খুব বেশি। Missed cancer ভয়াবহ, কিন্তু false alarm রোগী এবং health system-এর ওপরও বড় চাপ সৃষ্টি করতে পারে। clinically useful হতে হলে, এমন কোনো system-কে প্রতিষ্ঠান, scanner, রোগী গোষ্ঠী এবং imaging protocol জুড়ে শক্ত validation দরকার হবে। আগে সংগৃহীত scan-এ retrospective success একটি গুরুত্বপূর্ণ ধাপ, কিন্তু তা real-world prospective performance-এর সমান নয়।

workflow-সংক্রান্ত প্রশ্নও আছে। AI tool শুধু raw accuracy দিয়ে নয়, বরং medical routine-এ কীভাবে মানিয়ে যায় তার ওপরেও সফল বা ব্যর্থ হয়। কার্যকর হতে হলে system-কে এমনভাবে ফলাফল দেখাতে হবে যা সময়চাপের মধ্যে কাজ করা চিকিৎসকদের জন্য ব্যবহারযোগ্য, বোধগম্য, এবং কার্যকরী। যদি এটি শুধু আরও অস্পষ্ট alert যোগ করে, adoption থমকে যেতে পারে। যদি এটি সত্যিই উচ্চ-ঝুঁকির scan-এর একটি ছোট অংশে নজর দেয়, তবে এটি অনেক বেশি আকর্ষণীয় হয়ে উঠতে পারে।

এই ফলাফল কেন আলাদা

গবেষণাটির বৃহত্তর তাৎপর্য হলো, এটি medical AI-এর এমন একটি শ্রেণির দিকে ইঙ্গিত করে যা automation-এর চেয়ে উচ্চাকাঙ্ক্ষী, কিন্তু ডাক্তারদের প্রতিস্থাপনের headline-grabbing দাবির চেয়ে বাস্তবভিত্তিক। মডেলকে সাধারণ clinical data-র মধ্যে লুকিয়ে থাকা দুর্বল সংকেত খুঁজে বের করতে বলা হচ্ছে, কোনো নাটকীয় diagnostic feat একা করার জন্য নয়। AI কীভাবে চিকিৎসা বদলাতে পারে, সেটির সবচেয়ে বিশ্বাসযোগ্য পথগুলোর একটি এটিই: health system ইতিমধ্যেই যা সংগ্রহ করে, সেখান থেকে অদেখা pattern বের করা।

প্যানক্রিয়াটিক ক্যান্সার এমন একটি লক্ষ্য, যেখানে সামান্য উন্নতিও গুরুত্বপূর্ণ। baseline prognosis এতটাই খারাপ যে diagnosis কয়েক মাস বা কয়েক বছর আগিয়ে আনা tool care pathway-এর সবচেয়ে গুরুত্বপূর্ণ মুহূর্তে সিদ্ধান্ত বদলে দিতে পারে। যদি কিছু রোগীর ক্ষেত্রেও earlier treatment সম্ভব হয়, তবে প্রভাব হবে অর্থবহ।

একই সঙ্গে, এই গবেষণাকে চূড়ান্ত উত্তর নয়, বরং প্রাথমিক ইঙ্গিত হিসেবে পড়তে হবে। প্রতিবেদনে model survival উন্নত করে এমন প্রমাণ নেই, এবং প্রতিটি flagged abnormality-এর জন্য aggressive treatment প্রয়োজন বলেও প্রমাণিত হয় না। তবে এটি এই যুক্তিকে জোরদার করে যে প্যানক্রিয়াটিক ক্যান্সার standard imaging review-এ চিকিৎসকেরা ব্যবহার করার আগেই কিছু ইঙ্গিত রেখে যায়।

পরবর্তী পরীক্ষা validation, hype নয়

এখন সবচেয়ে তাত্ক্ষণিক প্রশ্ন হলো, এই ফলাফল পুনরাবৃত্তি করা এবং কাজে লাগানো সম্ভব কি না। medical AI প্রায়ই study stage-এ উত্তেজনা তৈরি করে, কিন্তু পরে broader clinical environment-এ গিয়ে বাধার মুখে পড়ে। data quality, patient demographics এবং clinical process-এর পার্থক্য দ্রুত দুর্বলতা প্রকাশ করতে পারে। এই pancreatic model-কে অর্থবহ হতে হলে, সেটিকে initial dataset-এর বাইরে স্থিতিশীল performance দেখাতে হবে এবং প্রমাণ করতে হবে যে এর output শুধু noise বাড়ায় না, বরং উন্নত সিদ্ধান্তে সহায়তা করে।

এই caveat সত্ত্বেও, গবেষণাটি এমন একটি সমস্যা মোকাবিলা করছে যা চিকিৎসাবিজ্ঞান দীর্ঘদিন ধরে সমাধান করতে পারেনি। প্যানক্রিয়াটিক ক্যান্সার প্রাণঘাতী, আংশিকভাবে কারণ এটি সাধারণত তখনই ধরা পড়ে, যখন রোগ ইতিমধ্যেই সম্ভাব্য বিকল্পগুলো সীমিত করে ফেলেছে। যদি কোনো system routine CT scan-এ subtle precursor change নির্ভরযোগ্যভাবে শনাক্ত করতে পারে, তবে এটি সেই চ্যালেঞ্জ পুরোপুরি মুছে ফেলবে না, কিন্তু রোগীর পক্ষে সময়রেখা বদলে দিতে পারে। এমন ক্যান্সারে, যেখানে সময়ই প্রায়শই মূল ঘাটতি, সেটি হবে বড় অগ্রগতি।

এই লেখাটি Live Science-এর প্রতিবেদনের ভিত্তিতে। মূল নিবন্ধ পড়ুন.