BRISC: מאגר נתונים מסומן לחלוקת וסיווג גידולי מוח

מדוע נתוני סריקות מוח חשובים לכולם

גידולי מוח הם מאחד האבחונים המפחידים ביותר שאדם יכול לקבל, ורופאים מסתמכים יותר ויותר על תוכנות מחשב שעוזרות לזהות ולתאר את הצמיחות המסוכנות הללו בסריקות MRI. אך בדומה לתלמידים שלומדים מתוך ספר עם דפים חסרים, מערכות הבינה המלאכותית (AI) של היום רבות פעמים מוגבלות על ידי נתונים לא שלמים או לא עקביים. מאמר זה מציג את BRISC, אוסף חדש ומסודר בקפידה של תמונות MRI של המוח שנוצר כדי לספק ל‑AI רפואי דוגמאות באיכות גבוהה שיסייעו לזהות ולמפות גידולים במוח בצורה טובה יותר — עבודה שלבסוף עשויה לתמוך באבחונים מהירים ואמינים יותר.

ספרייה חדשה של תמונות מוח

מאגר BRISC אוסף 6,000 תמונות MRI של המוח המתמקדות בסוג סריקה ספציפי — תמונות משוקללות‑T1 לאחר הזרקת חומר ניגוד — המתאימות במיוחד להבלטת קצוות גידול. כל תמונה משתייכת לאחת מארבע קבוצות: שלושה סוגי גידול שכיחים (גליומה, מנינגיומה וגידול היפופיזה) ותת‑קבוצה ללא גידול שכוללת מוח בריא ומצבים לא ממאירים אחרים. התמונות מגיעות ממספר מקורות ציבוריים קודמים, אך BRISC מוסיפה את מה שבמרבית אוספים ישנים חסר: תיחומים מדויקים של אזורי הגידול ותוויות עקביות, שנוצרו ונבדקו על ידי מומחים רפואיים.

איזון זוויות וסוגי גידולים

בעיה מרכזית ברבים מהאוספים הקיימים היא חוסר איזון: סוגי גידול או זוויות סריקה מסוימות דומיננטיות, מה שמטוֹה את ביצועי המודלים להצטיין רק בתבניות הנפוצות שהם רואים. BRISC מתמודדת עם זה על‑ידי תכנון פיזור מאוזן יותר הן של האבחנות והן של כיווני התצפית. התמונות מסופקות בשלוש זוויות MRI סטנדרטיות — אקסיאלית (מעל‑למטה), קורונלית (קדימה‑לאחור) וסגיטלית (מהצד) — עם מספרים דומים בכל זווית. גם ארבע קטגוריות האבחנה נשארו יחסית מאוזנות בחלוקות האימון והבדיקה. עיצוב זה מסייע לאלגוריתמים עתידיים ללמוד לזהות גידולים מזוויות שונות ובטווח רחב יותר של מצבים, באופן המשקף טוב יותר את מה שרופאים רואים בקליניקה.

ניקוי קפדני ותיחום מומחים

הפיכת סריקות גולמיות למשאב מחקר מהימן דרשה ניקוי משמעותי. הצוות התחיל ביותר מ‑7,000 תמונות שנלקחו מאוסף מוח‑גידולים פופולרי ברשת והסיר סריקות באיכות ירודה או פגומות, תמונות כמעט כפולות ורצפים קצרים מדי לפרשנות מהימנה. נשמרו רק סריקות משוקללות‑T1 לאחר חומר ניגוד כדי לשמור על עקביות. רופאים ורדיולוג סקרו אז את התמונות, תיקנו תוויות שגויות והסירו מקרים ספקולאטיביים. באמצעות כלי תיוג מיוחד הם שרטטו מסכות מפורטות סביב אזורי הגידול, ושיפרו את עבודתם שוב ושוב עד להשגת הסכמה חזקה; בתת‑קבוצה מבדיקה, ההתאמה בין התיחומים הראשוניים ליבאורים המומחים היתה גבוהה מאוד.

מה שהנתונים מאפשרים למודלי AI

כדי להדגים כיצד ניתן להשתמש ב‑BRISC, הכותבים אימנו מגוון מודלים פופולריים על שתי משימות. המשימה הראשונה מבקשת מהמודל לסווג כל תמונה לאחת מארבע קטגוריות האבחנה. מערכות זיהוי תמונה מודרניות, ובמיוחד משפחת EfficientNet, השיגו דיוק גבוה מאוד — תוויתו נכון את רוב הסריקות והצטיינו במיוחד בהפרדה של תמונות ללא גידול. המשימה השנייה מבקשת מהמודלים לצבוע את אזור הגידול, פיקסל‑אחר‑פיקסל, בפרוסת ה‑MRI. כאן רשתות סגמנטציה מתקדמות יותר, כולל ארכיטקטורות מבוססות טרנספורמר שהצטיינו במידול הקשר, סיפקו את התוצאות הטובות ביותר ותיחמו במדויק גידולים בשלושת סוגי הגידול העיקריים.

כיצד עבודה זו מקדמת את התחום

במילים פשוטות, BRISC הוא "מגרש אימונים" ציבורי ומסודר היטב למחשבים שלומדים לקרוא MRI של המוח. הוא מציע אלפי סריקות שטופלו בקפידה, שונות ריאליסטית בין סוגי גידול וזוויות תצפית, ותיחומים שירטטו מומחים שמלמדים את האלגוריתמים בדיוק היכן הנגע קיים. אמנם המאגר מיועד למחקר — לא ככלי אבחוני עצמאי עבור מטופלים — הוא מספק בסיס יציב לבניית והשוואת מערכות AI חדשות. ככל שמחקרנים ישפרו מודלים באמצעות BRISC ומשאבים דומים, ייתכן שבעתיד יהיו לרופאים עוזרים דיגיטליים מהימנים יותר לצד מיטתם, שיסייעו לזהות גידולי מוח מוקדם יותר ולתכנן טיפולים בביטחון גדול יותר.

ציטוט: Fateh, A., Rezvani, Y., Moayedi, S. et al. BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification. Sci Data 13, 361 (2026). https://doi.org/10.1038/s41597-026-06753-y

מילות מפתח: MRI גידול מוח, בינה מלאכותית בהדמיה רפואית, חתוך גידול, עיבוד מאגר נתונים, למידה עמוקה ברדיולוגיה