ناول اے آئی ٹول پیتھالوجی امیجز سے کولوریکٹل کینسر کی بقا کی پیش گوئی کرتا ہے – فزکس ورلڈ

کولورٹک کینسر (CRC) ریاستہائے متحدہ میں کینسر کی موت کی دوسری سب سے عام وجہ ہے، جس کی وجہ سے ہر سال تقریباً 53,000 اموات ہوتی ہیں۔ CRC ایک پیچیدہ اور کثیر جہتی بیماری ہے جو تشخیص، تشخیص اور علاج کے انتخاب میں اہم چیلنجز پیش کرتی ہے۔ میں رپورٹ کیا گیا ایک مطالعہ میں فطرت، قدرت مواصلات, کن ہسنگ یو اور ہارورڈ میڈیکل اسکول میں ان کی ٹیم نے ملٹی اومکس ملٹی کوہورٹ اسسمنٹ تیار کیا (موما) نظام، کولوریکٹل کینسر کے مریضوں میں تشخیص کی پیشن گوئی کے لیے مشین لرننگ فریم ورک۔

محققین نے ظاہر کیا کہ ہسٹوپیتھولوجی امیجز کو ملٹی اومک خرابی کے قابل اعتماد پیش گو کے طور پر استعمال کیا جا سکتا ہے: جینومک، ایپی جینومک، ٹرانسکرپٹومک اور پروٹومک اسامانیتاوں۔ یو کا کہنا ہے کہ "یہ نتائج مریضوں کے نتائج کو بہتر بنانے اور بڑی آنت کے کینسر کے علاج سے رجوع کرنے کے طریقے کو تبدیل کرنے کے لیے بہت بڑا وعدہ رکھتے ہیں۔"

CRC تشخیص کے موجودہ طریقوں میں ہسٹوپیتھولوجیکل، جینومک اور کلینیکل ڈیٹا تجزیہ کا ایک مجموعہ شامل ہے، جس میں ہسٹوپیتھولوجک امتحان تشخیص کے لیے سونے کا معیار باقی ہے۔ CRC کے لیے علاج کا انتخاب ہسٹولوجی ذیلی قسموں اور جینیاتی تغیرات پر مبنی ہے۔ تاہم، ہسٹوپیتھولوجیکل تشخیص میں انٹر-ریٹر تغیرات کی اطلاع دی گئی ہے، اور جینومک تجزیہ کے عمل کو مکمل ہونے میں کئی دن یا اس سے بھی ہفتے لگ سکتے ہیں، اس کے علاوہ ترقی پذیر ممالک میں تمام کلینک میں دستیاب نہیں ہیں۔ ایسی حدود CRC کے مریضوں کو بروقت اور مناسب علاج حاصل کرنے سے روک سکتی ہیں۔

یو اور ان کی تحقیقی ٹیم نے بیماری کے بارے میں قیمتی معلومات کو غیر مقفل کرنے کے لیے ہسٹوپیتھولوجی امیجز کے انسانی تجزیہ کی ناکامی کو تسلیم کیا۔ MOMA ٹیومر کے بصری معائنے اور ٹیومر کے خلیوں میں پائے جانے والے مالیکیولر ابریشن کے درمیان فرق کو ختم کرنے کے لیے تصویری تجزیہ کی جدید تکنیک اور مشین لرننگ (ML) الگورتھم کا استعمال کرتی ہے۔ ایم ایل فریم ورک ابتدائی مرحلے کے کولوریکٹل کینسر کے مریضوں کی تشخیص کی کامیابی کے ساتھ پیش گوئی کرتا ہے اور ہسٹوپیتھولوجی امیجز کا استعمال کرتے ہوئے کینسر کے نمونوں کی جینومکس اور پروٹومکس حیثیت کی نشاندہی کرتا ہے۔

محققین نے ایک گہری سیکھنے والا ماڈل تیار کیا جو ڈیجیٹائزڈ ہسٹوپیتھولوجی امیجز سے خصوصیات اور نمونوں کو نکال سکتا ہے، جس سے بعض شرائط سے وابستہ اہم سیل خصوصیات کی شناخت ممکن ہو سکتی ہے۔ انہوں نے مختلف آبادیوں سے 1888 کولوریکٹل کینسر کے مریضوں سے حاصل کردہ معلومات کا استعمال کرتے ہوئے اپنے ماڈل کو تربیت دی۔

غیر دیکھی ہوئی تصاویر کے ٹیسٹوں میں، ہسٹوپیتھولوجی پر مبنی ماڈل نے مختلف قسم کے تغیرات کی پیش گوئی کرنے میں قابل ذکر درستگی ظاہر کی، بشمول جینومک تبدیلی اور ٹرانسکرپٹومک تغیرات۔ اس کے علاوہ، AI ماڈل نے مریضوں کے بقا کے نتائج کی پیشین گوئی کی، جو کہ ہسٹوپیتھولوجی امیج کی خصوصیات کے امکانات کی طرف اشارہ کرتا ہے۔

'کثیر جہتی ریڈیومکس' کینسر میٹاسٹیسیس کے خطرے کی پیش گوئی کرتا ہے۔

The team suggests that the ML model could also facilitate the development of personalized medicine, with the integration of histopathology images and quantitative omics data opening exciting avenues for personalized cancer treatments. This approach holds great promise for optimizing treatment options, minimizing side effects and improving overall patient outcomes.

جدید ترین الگورتھم اور امیج پروسیسنگ تکنیکوں کی ترقی کے ساتھ، ہسٹوپیتھولوجی امیج کے تجزیوں کے لیے AI ٹولز کو روٹین کلینیکل پریکٹس میں ضم کیا جا سکتا ہے۔ مستقبل میں، آنکولوجسٹ، پیتھالوجسٹ اور دیگر صحت کی دیکھ بھال کرنے والے پیشہ ور افراد تشخیصی درستگی کو بہتر بنانے، علاج کے ردعمل کی پیش گوئی کرنے اور کولوریکٹل کینسر کے مریضوں کے لیے درزی علاج کے لیے اس قیمتی ٹول کا استعمال کر سکتے ہیں۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• ای وی ایم فنانس۔ وکندریقرت مالیات کے لیے متحد انٹرفیس۔ یہاں تک رسائی حاصل کریں۔
• کوانٹم میڈیا گروپ۔ آئی آر/پی آر ایمپلیفائیڈ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://physicsworld.com/a/novel-ai-tool-predicts-colorectal-cancer-survival-from-pathology-images/