מודל יסוד כללי לניתוח MRI של המוח האנושי

להדריך מחשבים לקרוא סריקות מוח

דימות תהודה מגנטית (MRI) מאפשר לרופאים להציץ אל תוך המוח החי ללא ניתוח, אך הפענוח של תמונות אלו עדיין מסתמך ברובו על מומחים אנושיים ועל ערכות נתונים מסומנות גדולות. המחקר מציג את BrainIAC, מעין "מנוע מוח כללי" שלומד מעשרות אלפי סריקות מוח ללא תיוגים ואז ניתן להתאמה מהירה למגוון שאלות רפואיות — מהערכת גיל מוח ועד תיחום גידולים — לעתים עם רק מספר דוגמאות מועטות. עבור מטופלים, טכנולוגיה כזו עשויה בסופו של דבר להביא לאבחונים מהירים יותר, לתכנון טיפול משופר ולהנגשה של כלים מתקדמים לדימות גם בבתי חולים עם מומחיות מצומצמת.

מדוע סריקות מוח קשות למחשבים

MRI של המוח עשיר אך מבולגן. אדם בודד יכול להיסרק עם מספר הגדרות שונות, שכל אחת מדגישה רקמות או תכונות מחלה שונות. בתי חולים משתמשים בסורקי ודפוסי פרוטוקול מגוונים, ולכן התמונות עלולות להיראות שונה ממקום למקום. מעבר לכך, תיוגים מומחים מפורטים — למשל תיחום גבולות מדויקים של גידול או מעקב הישרדות לטווח ארוך — יקרים ונדירים. מערכות בינה מלאכותית מסורתיות בדרך כלל מאומנות למשימה צרה אחת על ערכת נתונים מסוננת. הן נוטות להתקשות כאשר מתבקשות לפעול בבתי חולים חדשים, במחלות נדירות או בשאלות שלא תוכננו במיוחד עבורן.

מודל ליבה יחיד למשימות מוח רבות

BrainIAC בוחרת בגישה שונה: במקום ללמוד משימה אחת בכל פעם, הוא קודם לומד את "השפה" הכללית של מבנה המוח ומחלה מתוך 32,015 סריקות MRI שנלקחו מ-34 מערכי נתונים ובעשר מצבים נוירולוגיים, הכולל כמעט 49,000 סריקות בבריכה המלאה. המודל מאומן באופן ללא השגחה, כלומר אינו זקוק לתוויות אנושיות. הוא בוחן המון חתיכות תלת־ממדיות קטנות שנחתכות מסריקות מוח שלמות ולומד להבחין מתי שתי גרסאות מועצמות שונות באות מאותה מיקום לעומת ממוח אחר. באמצעות משיכה של חתיכות תואמות קרובות יותר ודחיקה של בלתי־קשורות זו מזו במרחב הפנימי שלו, BrainIAC בונה ייצוג גמיש של איך מוחות בריאים וחולים נראים בדרך כלל על פני גילאים, סורקים ובתי חולים שונים.

להפעיל את מנוע המוח במטלה

לאחר שמיצג הליבה נלמד, החוקרים בודקים את BrainIAC בשבע משימות קונקרטיות שמשקפות בעיות קליניות אמיתיות. אלו כוללות מיון סריקות לפי סוג רצף MRI, הערכת גיל מוחי שנראה, חיזוי האם גידול מוח נושא מוטציה גנטית מרכזית, חיזוי הישרדות לחולים עם גידולים אגרסיביים, הבחנה בין בעיות זיכרון מוקדמות להזדקנות תקינה, הערכת כמה זמן עבר מאז שבץ ותיחום גידולים בתמונות. עבור כל משימה הם משווים שלוש אסטרטגיות: לאמן מודל מאפס על המשימה בלבד, להתחיל ממודלים קודמים לדימות רפואי שנבנו למטרות אחרות, או לכוונן עדין את התכונות של BrainIAC שנלמדו כבר. בכל המקרים, BrainIAC משווה לטוב או עולה על האלטרנטיבות, במיוחד כאשר זמינות רק מעט תוויות.

עובד טוב כשהנתונים נדירים

מבחן מרכזי הוא כיצד המערכת מתנהגת כאשר נתוני תיוג נדירים מאוד, כפי שקורה לעתים במחלות נדירות או במחקרים יקרים לדימות. הצוות בוחן תרחישים שבהם משתמשים רק ב-10% מסריקות האימון הרגילות ואפילו תנאי "מעט־דוגמאות" קשים שבהם יש רק דוגמה אחת או חמש תויגות לכל מחלקה. בתנאים הדוקים אלו, BrainIAC מספק תחזיות מדויקות יותר באופן עקבי מאשר מודלים שנלמדו מאפס או ממודלי יסוד זמינים אחרים. לדוגמה, הוא מבחין טוב יותר בסוגי רצפי MRI עדינים, חוזה במדויק יותר את הגנטיקה וההישרדות של גידולים, ומשרטט גבולות גידול נקיים יותר תוך שימוש בהרבה פחות תמונות מתוייגות. כמו כן המודל מתגלה כיציב יותר כאשר מוסיפים באופן מלאכותי הפרעות נפוצות ב-MRI, כגון שינויים בקונטרסט או עיוותים הקשורים לסורק, מה שמרמז שלמד תכונות חסונות יותר מאשר קיצורי דרך שבירים.

מה זה יכול לומר למטופלים ולמרפאים

כדי להבין האם BrainIAC מתמקד באזורים בעלי משמעות קלינית, המחברים מייצרים "מפות תשומת לב" חזותיות המראות היכן המודל מביט בעת קבלת ההחלטות. מפות אלו מדגישות מבנים כמו ההיפוקמפוס עבור בעיות זיכרון מוקדמות, אזורי חומר לבן להערכת גיל, וליבת הגידול לחיזוי גנטיקה והישרדות — אזורים שמתיישרים עם אינטואיציית המומחה האנושי. מאחר שניתן לחבר את BrainIAC לצינורות ניתוח שונים והוא ניתן להתאמה עם אימון נוסף מינימלי, הוא מציע גב למערכת גמישה לכלים עתידיים לניתוח דימות, כולל שילובים אפשריים עם רשומות קליניות או נתוני גנום.

צעד לעבר דימות מוח חכם ונגיש יותר

בסך הכול, המחקר מראה שמודל יסוד יחיד, מאומן בקפידה, יכול לשמש נקודת פתיחה חזקה למגוון משימות MRI של המוח, לעתים קרובות על פני מערכות מיוחדות שצריך לבנות מחדש בכל פעם. למי שאינו מומחה, המסקנה המרכזית היא ש-BrainIAC פועל כ"קורא מוח" בעל השכלה רחבה היכול ללמוד במהירות מיומנויות חדשות עם רק כמה דוגמאות. למרות שהוא אינו מחליף מודלים מותאמים או שיקול דעת רפואי, הוא מניח יסוד חשוב להפיכת תחזיות מבוססות תמונה למדויקות יותר, חסונות יותר ונגישות יותר, גם במצבים שבהם איסוף ערכות נתונים מסומנות גדולות יהיה אחרת בלתי אפשרי.

ציטוט: Tak, D., Garomsa, B.A., Zapaishchykova, A. et al. A generalizable foundation model for analysis of human brain MRI. Nat Neurosci 29, 945–956 (2026). https://doi.org/10.1038/s41593-026-02202-6

מילות מפתח: MRI של המוח, בינה מלאכותית רפואית, מודלי יסוד, למידה ללא השגחה, נוירו-דימות