מאגר פתוח של בדיקות אולטרסונוגרפיה במצב B ללמידת עומק ולסגמנטציה של פלאק אטרוסקלרוטי

מדוע חשוב לזהות צרות בלתי נראות בעורקים

התקפי לב ושבץ לעתים תוקפים ללא אזהרה, אך הסיכון מתפתח בהדרגה, כאשר משקעים שומניים הנקראים פלאקים מצמצמים את העורקים המזינים את המוח והלב. רופאים יכולים לראות פלאקים אלה בסריקות אולטרסאונד בצוואר, אך מעקב מדויק אחר צורתם ידנית בכל תמונה גוזל זמן ונוטה לשגיאות אנושיות. מאמר זה מציג אוסף תמונות פתוח ומסומנות במומחיות שמאפשר למחשבים ללמוד לזהות את הפלאקים אוטומטית, במטרה לטווח הארוך להפוך הערכת סיכון לשבץ ולהתקף לב למהירה יותר, אחידה ונגישה יותר.

מבט קרוב על הצטברות בעורק

אטרוסקלרוזיס היא ההתקשות והעיבוי האיטיים של עורקים בינוניים וגדולים כאשר שומנים ותאי דלקת מצטברים בדופן הכלי. כאשר זה קורה בעורקי הקרוטיד בצוואר, זה עלול לצמצם את זרימת הדם אל המוח ולהגביר את הסיכון לשבץ. דרך חזקה להעריך את סיכון האדם היא למדוד את שטח הפלאקים הכולל לאורך עורק הקרוטיד. הבעיה היא שלהבדיל מרופאים או ממחשבים שמודדים את השטח, יש צורך שמישהו יסמן את הפלאק בכל תמונת אולטרסאונד, משימה שדורשת הכשרה, זמן ועקביות שקשה להשיג במרפאות עמוסות.

מדוע למחשבים צריכים דוגמאות טובות יותר

הבינה המלאכותית המודרנית, ובפרט למידת עומק, יכולה ללמוד לסמן פלאקים אוטומטית אם מציגים לה מספיק דוגמאות שבהן מומחים כבר שרטטו את הגבולות הנכונים. רבים ממחקרי העבר השתמשו בשיטות כאלה בהצלחה, אך לעתים בתנאים אידיאליים: תמונות שגזורו בקפידה סביב פלאק בולט יחיד, ללא דוגמאות של תמונות חסרות פלאק כלל או שמכילות מספר פלאקים בו‑זמנית. מאגרי מידע פרטיים אלה אינם משותפים בדרך כלל, מה שמקשה על מדענים אחרים לשחזר תוצאות או לבחון האם האלגוריתם יעבוד במציאות הקלינית היומיומית והמסובכת.

בניית אוסף תמונות ריאלי

כדי לגשר על הפער הזה, המחברים אספו וניקו מאגר של 541 תמונות אולטרסאונד של עורקי הקרוטיד מקבוצת מטופלים בסיכון גבוה בארגנטינה. עבור כל תמונה סיפקו המומחים תמונת "מסכה" תואמת שבה סימנו אזורי הפלאק, ויצרו זוג: הסריקה השחורה‑לבן המקורית וקו מתאר פשוט בשחור‑לבן של הפלאק. הצוות הסיר בקפידה עכבות חזותיות כמו צלבים, מספרים וסימוני מכשיר, סטנדרטיזציה של כל התמונות לפורמט ריבועי, והבטיח ששתי התמונות בכל זוג מיושרות בצורה מושלמת. האוסף הסופי כולל בכוונה גם סריקות ללא פלאקים, סריקות עם פלאק יחיד או מרובים, ופלאקים הממוקמים רחוק ממרכז התמונה, כדי לשקף בצורה טובה יותר את מה שרופאים רואים בפועל.

לתת לרשתות עצביות לשרטט את הקצוות

כדי לבדוק האם המאגר אכן שימושי לפיתוח אלגוריתמים, החוקרים אימנו שלוש גרסאות של רשת סגמנטציה פופולרית הידועה כ‑U‑Net, כשכל אחת השתמשה ב"עמוד שדרה" שונה לזיהוי דפוסים. הם הגדילו את נתוני האימון על ידי השתקפוּת והזזה קלה של התמונות, ולאחר מכן שילבו את שלוש המודלים ל"אנסמבל" שמצביע פיקסל‑פיקסל על השאלה האם נקודה שייכת לפלאק או לא. בתמונות שהכילו פלאקים הגיע האנסמבל לרמת חפיפה מתונה עם השרטוטים המומחים, ברמה דומה למה שמומחים אנושיים עשויים להשיג ביניהם. בתמונות ללא פלאק, המערכת המשולבת ייצרה יחסית מעט אזעקות שווא, מה שמרמז שהיא למדה לא רק איך פלאק נראה, אלא גם מתי אין פלאק כלל.

מה משמעות הדבר עבור הטיפול בעתיד

עבור לא‑מומחים, המסר המרכזי הוא שמאגר פתוח זה הופך תמונות קליניות מפוזרות וקשות לגישה למשאב משותף שכל אחד יכול להשתמש בו לאימון ובדיקה של אלגוריתמים למציאת פלאק. למרות שהביצועים אינם מושלמים ועדיין מושפעים מקבוצת המטופלים וציוד ההדמיה הספציפי, העבודה מראה שמחשבים יכולים להתקרב לרמת שרטוט של מומחים גם בתנאים מציאותיים ומגוונים יותר. על‑ידי פרסום גם של התמונות וגם של קוד ההערכה בחופשיות, המחקר הניח את היסוד לכלים עמידים יותר שיכולים לעזור לרופאים למדוד במהירות ובאחידות את העומס של הפלאק, ולשפר אסטרטגיות מניעה להתקפי לב ושבץ.

ציטוט: Rulloni, V.S., Perez, H.A., Dori, T. et al. An open B-mode ultrasound database for deep learning-based atherosclerotic plaque segmentation. Sci Data 13, 702 (2026). https://doi.org/10.1038/s41597-026-06952-7

מילות מפתח: אטירוסקולרוזיס, אולטרסאונד של הקרוטיד, בינה מלאכותית בהדמיה רפואית, סגמנטציה של פלאק, סיכון לב וכלי־דם