CRISP फाउंडेशन मॉडल ऑपरेशन के दौरान फ्रोज़न-सेक्शन पैथोलॉजी में AI लाता है

ऑपरेशन थिएटर के दबावों के लिए डिज़ाइन किया गया मॉडल

इंट्राऑपरेटिव पैथोलॉजी सटीक सर्जरी के केंद्र में है, जो सर्जनों को मरीज़ के अभी भी ऑपरेशन टेबल पर होने के दौरान ऊतक-स्तर की जानकारी देती है। फिर भी, उस जानकारी का स्रोत — फ्रोज़न सेक्शन — लंबे समय से एक अड़चन रहा है। यह कार्य नैदानिक रूप से जटिल है, समय के दबाव में नमूनों की व्याख्या करना कठिन होता है, और आधुनिक कम्प्यूटेशनल उपकरणों को प्रशिक्षित करने के लिए पर्याप्त बड़े उच्च-गुणवत्ता वाले फ्रोज़न-सेक्शन डेटासेट दुर्लभ रहे हैं। इन बाधाओं ने सीमित कर दिया है कि इंट्राऑपरेटिव पैथोलॉजी वास्तव में कितना नैदानिक प्रभाव डाल सकती है।

कम्प्यूटेशनल पैथोलॉजी ने हाल के वर्षों में काफी प्रगति की है, लेकिन इस क्षेत्र को एक लगातार विश्वसनीयता की कमी का सामना करना पड़ा है: बड़े पैमाने पर, प्रॉस्पेक्टिव सत्यापन की कमी ने अधिकांश एल्गोरिदम को नियमित सर्जिकल वर्कफ़्लो से बाहर रखा है। Nature Medicine में नव प्रकाशित एक अध्ययन इस अंतर को सीधे पाटने के प्रयास का वर्णन करता है। शोधकर्ताओं ने CRISP पेश किया, जो विशेष रूप से फ्रोज़न-सेक्शन स्लाइड्स से बना एक दृष्टि-आधारित पैथोलॉजी फाउंडेशन मॉडल है, जिसका स्पष्ट लक्ष्य पैथोलॉजी के लिए क्लिनिकली-ओरिएंटेड रोबस्ट इंट्राऑपरेटिव सपोर्ट (Clinically-oriented Robust Intraoperative Support for Pathology) प्रदान करना है।

यह कार्य एक ओपन-एक्सेस, स्वीकृत पांडुलिपि के रूप में जल्दी जारी किया गया है ताकि सहकर्मी-समीक्षित निष्कर्ष तेज़ी से प्रसारित हो सकें। इस संस्करण में एक स्थायी DOI है और यह उद्धरण योग्य है, हालांकि लेखकों का कहना है कि अंतिम Version of Record द्वारा प्रतिस्थापित होने से पहले यह और संपादनों के अधीन रहेगा।

पैमाने पर प्रशिक्षण: दस केंद्रों से 100,000 फ्रोज़न सेक्शन

फाउंडेशन मॉडल को दस मेडिकल केंद्रों से एकत्र किए गए 100,000 से अधिक फ्रोज़न सेक्शन का उपयोग करके विकसित किया गया था। यह डेटासेट न केवल अपने आकार के लिए बल्कि अपनी संरचना के लिए भी उल्लेखनीय है। फ्रोज़न सेक्शन उन फॉर्मेलिन-फिक्स्ड, पैराफिन-एम्बेडेड स्लाइड्स से भिन्न होते हैं जो अधिकांश कम्प्यूटेशनल पैथोलॉजी अनुसंधान पर हावी हैं — इन्हें सर्जरी के दौरान तेज़ी से तैयार किया जाता है, और उनकी दृश्य विशेषताएं उस तात्कालिकता को दर्शाती हैं। विशेष रूप से फ्रोज़न-सेक्शन सामग्री पर प्रशिक्षण देकर, डेवलपर्स का लक्ष्य एक ऐसी प्रणाली बनाना था जो इंट्राऑपरेटिव निर्णय-निर्माण की वास्तविक परिस्थितियों से मेल खाती हो, बजाय किसी भिन्न इमेजिंग संदर्भ के लिए बनाए गए मॉडल को अनुकूलित करने के।

CRISP को क्लिनिकली ओरिएंटेड बताया गया है, एक ऐसी रूपरेखा जो इसके प्रशिक्षण डिज़ाइन और मूल्यांकन रणनीति दोनों में चलती है। केवल बेंचमार्क प्रदर्शन के लिए अनुकूलन करने के बजाय, अध्ययन वास्तविक सर्जिकल उपयोगिता को सफलता का मापदंड मानता है।

लगभग 100 नैदानिक कार्यों में रेट्रोस्पेक्टिव परीक्षण

मूल्यांकन चरण 15,000 से अधिक इंट्राऑपरेटिव स्लाइड्स और लगभग 100 रेट्रोस्पेक्टिव नैदानिक कार्यों तक फैला था। उन कार्यों ने जानबूझकर नैदानिक प्रश्नों की एक विस्तृत श्रृंखला को कवर किया, जिनमें शामिल हैं:

• सौम्य बनाम घातक भेदभाव
• प्रमुख इंट्राऑपरेटिव निर्णय-निर्माण परिदृश्य
• पैन-कैंसर डिटेक्शन

कार्यों की इस श्रृंखला में, CRISP ने छह संस्थानों, 14 ट्यूमर प्रकारों और 24 शारीरिक स्थलों पर मजबूत सामान्यीकरण प्रदर्शित किया। महत्वपूर्ण बात यह है कि इस श्रृंखला में वे शारीरिक स्थल भी शामिल थे जो मॉडल ने प्रशिक्षण के दौरान नहीं देखे थे, साथ ही दुर्लभ कैंसर भी — ऐसे एज केस जहां संकीर्ण रूप से प्रशिक्षित प्रणालियां विफल हो जाती हैं। अनदेखे स्थलों और असामान्य ट्यूमर प्रकारों तक सामान्यीकरण एक ऐसे उपकरण के लिए एक सार्थक संकेत है जिसका उद्देश्य विविध विशेषज्ञताओं और अस्पताल सेटिंग्स में सर्जनों का समर्थन करना है।

3,000 से अधिक रोगियों में प्रॉस्पेक्टिव सत्यापन

अध्ययन का सबसे महत्वपूर्ण तत्व इसका प्रॉस्पेक्टिव घटक है। CRISP का मूल्यांकन 3,000 से अधिक रोगियों के एक प्रॉस्पेक्टिव कोहोर्ट में किया गया, एक ऐसी सेटिंग जो मूल्यांकन को क्यूरेटेड रेट्रोस्पेक्टिव स्लाइड्स से वास्तविक दुनिया की देखभाल की अव्यवस्थित परिस्थितियों में ले जाती है। उन परिस्थितियों में, मॉडल ने उच्च नैदानिक सटीकता बनाए रखी।

मुख्य नैदानिक निष्कर्ष: CRISP ने 92.6% मामलों में सर्जिकल निर्णयों को सीधे सूचित किया। यह आंकड़ा केवल भविष्यवाणी के बजाय एकीकरण की बात करता है — मॉडल के आउटपुट की तुलना केवल एक संदर्भ लेबल से नहीं की गई, बल्कि इसका उपयोग उस क्षण किया गया जब ऑपरेटिव विकल्प बनाए जा रहे थे।

मानव-AI सहयोग और कार्यभार में राहत

अध्ययन ने यह भी जांचा कि जब पैथोलॉजिस्ट और मॉडल अलग-अलग के बजाय मिलकर काम करते हैं तो क्या होता है। रिपोर्ट किए गए परिणामों के अनुसार, मानव-AI सहयोग ने कई ठोस लाभ उत्पन्न किए:

• नैदानिक कार्यभार 35% कम हुआ
• 105 सहायक परीक्षणों से बचा गया
• माइक्रोमेटास्टेसिस का पता लगाना 87.5% सटीकता तक पहुंचा

इनमें से प्रत्येक परिणाम सर्जिकल पैथोलॉजी में एक अलग दबाव बिंदु को संबोधित करता है। कम कार्यभार उन विभागों में मायने रखता है जहां टर्नअराउंड समय तंग है और स्टाफिंग सीमित है। बचाए गए सहायक परीक्षणों का लागत, संसाधन उपयोग और ऑपरेशन के दौरान अतिरिक्त परीक्षण से होने वाली देरी पर प्रभाव पड़ता है। बेहतर माइक्रोमेटास्टेसिस डिटेक्शन इस क्षेत्र की सबसे कठिन समस्याओं में से एक को लक्षित करता है, जहां ट्यूमर कोशिकाओं के छोटे जमाव को चूकना आसान हो सकता है और नज़रअंदाज़ करना गंभीर परिणामकारी हो सकता है।

फ्रोज़न सेक्शन ने स्वचालन का विरोध क्यों किया है

CRISP के महत्व को समझने के लिए यह समझना आवश्यक है कि इंट्राऑपरेटिव पैथोलॉजी कम्प्यूटेशनल मेडिसिन के अन्य क्षेत्रों से पीछे क्यों रही है। नैदानिक जटिलता पर्याप्त है: फ्रोज़न-सेक्शन की आकृति विज्ञान फ्रीजिंग प्रक्रिया से विकृत हो सकती है, और पैथोलॉजिस्टों को सीमित ऊतक के साथ तेज़ी से निर्णय लेने पड़ते हैं। इस बीच, अधिकांश संस्थानों में फ्रोज़न सेक्शन का अभिलेखीय रिकॉर्ड अनुसंधान के लिए उपलब्ध स्थायी स्लाइड्स की विशाल लाइब्रेरी की तुलना में खंडित है।

यह संयोजन — कठिन छवियां, तेज़ निर्णय, पतला डेटा — ठीक वही वातावरण है जिसमें फाउंडेशन मॉडल, जो बड़े और प्रतिनिधि प्रशिक्षण कॉर्पोरा पर निर्भर करते हैं, खुद को स्थापित करने के लिए संघर्ष करते रहे हैं। दस केंद्रों में 100,000 से अधिक फ्रोज़न सेक्शन एकत्र करना उस संरचनात्मक बाधा को दूर करने के लिए एक समन्वित, बहु-संस्थागत प्रयास का प्रतिनिधित्व करता है।

परिणाम सर्जिकल अभ्यास के लिए क्या सुझाते हैं

कुल मिलाकर, निष्कर्ष CRISP को AI-संचालित इंट्राऑपरेटिव पैथोलॉजी के लिए एक क्लिनिकली ओरिएंटेड दृष्टिकोण के रूप में स्थापित करते हैं, जिसमें सर्जिकल निर्णय-निर्माण का समर्थन करने और कम्प्यूटेशनल विधियों को रोज़मर्रा के अभ्यास में अनुवादित करने में मदद करने की क्षमता है। अध्ययन का डिज़ाइन — बहु-केंद्र प्रशिक्षण, अनदेखे स्थलों और दुर्लभ कैंसर सहित व्यापक रेट्रोस्पेक्टिव परीक्षण, इसके बाद हजारों रोगियों में प्रॉस्पेक्टिव सत्यापन — उस साक्ष्य पथ पर मैप करता है जिसकी नियामकों और अस्पताल प्रणालियों द्वारा आमतौर पर अपेक्षा की जाती है इससे पहले कि किसी उपकरण पर ऑपरेशन थिएटर के भीतर भरोसा किया जाए।

प्रश्न अनिवार्य रूप से बने रहते हैं। संस्थानों की व्यापक श्रृंखला में निरंतर प्रदर्शन, ड्रिफ्ट के लिए दीर्घकालिक निगरानी, और समय-संवेदनशील सर्जिकल सेटिंग्स में फाउंडेशन मॉडल तैनात करने की व्यावहारिक लॉजिस्टिक्स — ये सभी ऐसे क्षेत्र हैं जिन्हें आगे के अध्ययन को संबोधित करने की आवश्यकता होगी। पांडुलिपि स्वयं अंतिम Version of Record के बजाय एक प्रारंभिक, उद्धरण योग्य रिलीज़ है, और लेखक स्वीकार करते हैं कि सामग्री अपडेट की जा सकती है।

फिर भी, रिपोर्ट किए गए आंकड़े ऑपरेशन रूम में मानव-AI सहयोग कैसा दिख सकता है, इसका ठोस अंदाज़ा देते हैं: एक नैदानिक साथी जिसने बड़े बहुमत मामलों में सर्जिकल निर्णयों को सूचित किया, रिपोर्टिंग के बोझ का लगभग एक तिहाई अवशोषित किया, सौ से अधिक सहायक परीक्षणों को बचाया, और माइक्रोमेटास्टेसिस का पता लगाने में सुधार किया। एक ऐसी विशेषज्ञता के लिए जहां मिनट मायने रखते हैं और सटीकता अपरिहार्य है, यह कम्प्यूटेशनल पैथोलॉजी को एक आशाजनक अनुसंधान संभावना के बजाय सर्जिकल वर्कफ़्लो का नियमित हिस्सा बनाने की दिशा में एक सार्थक कदम है।

यह लेख Nature Medicine की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।