מסווגי רקמת שד נורמלית (NBT): קידום סיווג מחיצות בהיסטולוגיה של שד נורמלי

מחפשים רמזים מוקדמים ברקמת שד “נורמלית”

סקרי סרטן השד בדרך כלל מתמקדים בגידולים או בבצקות חשודות, אך אותות אזהרה חשובים עשויים להסתתר זמן רב לפני שהגידול נוצר. המחקר הזה שואל שאלה פשוטה עם משמעויות רחבות: האם בינה מלאכותית (AI) יכולה ללמוד איך נראית באמת רקמת שד בריאה, כך ששינויים מוקדמים וקטנים יבלטו בבהירות רבה יותר? על ידי לימוד המחשב לזהות את אבני הבניין המרכזיות של רקמת שד נורמלית, החוקרים מקווים ליצור מפת ייחוס חזקה יותר לזיהוי הצעדים הראשונים לעבר סרטן.

מדוע רקמת שד נורמלית חשובה

רוב מחקרי סרטן השד מתמקדים ברקמה חולה, אך הסרטן מתחיל ברקמה שנראית נורמלית במיקרוסקופ. בשד, מבנים המייצרים חלב והרקמה התומכת סביבם נמצאים בתוך תערובת של אזורים סיביים ושומן. שינויים עדינים באזורים אלו, במיוחד סביב הנקבוביות (השלפוחיות הזעירות בהן מיוצר החלב) ובהסטומה הקרובה (הרקמה החיבורית התומכת), עשויים להעיד על סיכון מוגבר לסרטן. זה רלוונטי במיוחד לנשים הנושאות מוטציות תורשתיות ב-BRCA1 או BRCA2 או לנשים שעוברות ניתוח להפחתת סיכון. כדי לקרוא את האותות השקטים הללו, מדענים זקוקים לשיטות מדויקות וכמותיות לתיאור איך “נורמלי” נראה בקרב נשים רבות ומוסדות רפואיים שונים.

בניית ספריה מגוונת של פרוסים בריאים

הצוות אסף 70 תמונות דיגיטליות ברזולוציה גבוהה של רקמת שד נורמלית מחמישה מוסדות בבריטניה, הולנד, שווייץ ומאגר רקמות ציבורי. הדגימות הגיעו מנשים בגילאי 16 עד 74 עם רקעים שונים, כולל מתנדבות בריאות, נשים שעברו ניתוח הקטנת שדיים, נשאיות שינויים גנטיים בעלי סיכון גבוה ותיקות שסבלו מסרטן בשד הנגדי. פתולוגים מומחים סימנו בזהירות שלושה מרכיבים מרכזיים בכל פרוסה: אפיתל (שכבות התאים שמצפות צינורות ונקבוביות), סטומה (רקמה סיבית וחיבורית) ואדיפוציטים (תאי שומן). תהליך האנומוטציה העממי הזה הניב סט ייחוס עשיר ומגוון שמשקף הבדלים אמיתיים בעיבוד רקמה, בצביעה ובסריקה.

לימוד המחשב לראות סוגי רקמה

באמצעות ספריית האנומוטציות הזו, החוקרים אימנו מודלי למידה עמוקה — שנקראו NBT-Classifiers — לזהות את שלושת סוגי הרקמה על ידי בחינת חתיכות תמונה קטנות שנלקחו מהפרוסות הגדולות יותר. הם בדקו גדלים שונים של חתיכות והגדרות טכניות כמו אופן סטנדרטיזציה של צבעי צביעה ואיזו ארכיטקטורת רשת עצבית להשתמש בה, ולבסוף מצאו שילוב שהניב תוצאות הטובות ביותר. כאשר הוערכו על אוספים נפרדים לחלוטין של פרוסות נורמליות ממרכזים אחרים, המודלים הבחינו נכון בין אפיתל, סטומה ושומן ברמת דיוק כמעט מושלמת. 'מפות חום' ויזואליות הראו שה-AI ממקד אזורים בעלי משמעות ביולוגית כמו אזורים עשירי תאים, סיבי קולגן וגבולות תאי שומן, מה שמשקף את הדרך שבה פתולוגים אנושיים מפרשים רקמה.

מה הופך רקמה נורמלית לנורמלית

כדי להבין האם אימון על רק רקמה בריאה מספק יתרון, המחברים השוו את המודל שלהם לכלי קיים שאומן על תערובת של דגימות נורמליות, טרום-סרטניות וסרטניות. שניהם הצליחו לזהות סוגי רקמה רחבים, אך NBT-Classifiers החדשים היו טובים יותר בלכידת הארכיטקטורה העדינה של אפיתל שד הנראה באמת נורמלי. כאשר נבחן בחתיכות שכללו נגעים מוקדמים וגידולים, המודל שאומן רק על נורמלי הפריד בצורה מהימנה יותר בין אזורים שנראים בריאים לבין אזורים חריגים. זה מצביע על כך שהוא למד הגדרה חדה יותר של רקמת שד נורמלית, שעשויה לסייע בהבלטת סטיות עדינות המלווות מחלה מוקדמת.

מפרוסות מלאות לאזורים ממוקדים

מכיוון שהמודלים פועלים ברמת החתיכה, ניתן להשתמש בהם על פני פרוסות דיגיטליות שלמות, וצובעים אוטומטית כל אזור קטן כאפיתל, סטומה או שומן. החוקרים בנו צינור עבודה מקצה לקצה שמזהה תחילה היכן קיימת רקמה על הפרוסה, ואז מריץ את NBT-Classifiers כדי ליצור מפות מפורטות של המחיצות. מהמפות האלה המערכת יכולה לאתר נקבוביות בודדות ואת הסביבה המיידית שלהן, לייצר מסיכות למדידות נוספות ולהזין אזורים נבחרים לכלי ניתוח מתקדמים יותר. זה מקל על חקר מיקרו-סביבות ספציפיות — כמו הסטומה ממש מחוץ לנקבוביות — שבהן עשויים להופיע שינויים מוקדמים הקשורים לסרטן, וכן על שילוב מאפיינים מבניים עם סוגי נתונים אחרים כגון מפות גנטיות או חלבוניות מרחביות בעבודות עתידיות.

מה זה אומר למניעת סרטן השד בעתיד

במונחים פשוטים, המחקר מראה שניתן לאמן AI לזהות את אבני הבניין של רקמת שד בריאה בדיוק מרשים ובאופן שניתן לפרש על ידי פתולוגים. על ידי המרת פרוסות דיגיטליות גדולות ומורכבות למפות מובנות של אזורים אפיתליים, סיביים ושומניים, NBT-Classifiers יוצרים קו בסיס מהימן למה שנראה נורמלי בקרב נשים ובבתי חולים רבים. תמונה ברורה יותר של נורמליות זו עשויה להקל על גילוי העקבות החלשות של התפתחות סרטן מוקדם יותר ממה שאפשר כיום, ולתמוך בכלים עתידיים שיעזרו לזהות נשים בסיכון גבוה ולהנחות אסטרטגיות מניעה לפני שהגידולים נראים לעין.

ציטוט: Chen, S., Parreno-Centeno, M., Booker, G. et al. Normal breast tissue (NBT)-classifiers: advancing compartment classification in normal breast histology. npj Breast Cancer 12, 41 (2026). https://doi.org/10.1038/s41523-026-00896-2

מילות מפתח: רקמת שד נורמלית, פתולוגיה חישובית, למידה עמוקה, גילוי מוקדם של סרטן, היסטולוגיה דיגיטלית