Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מיון תאי דם לבנים באמצעות רשת עצבית עמוקה מותאמת והמחשת תכונות התמונות בעזרת מפות חום

· חזרה לאינדקס

מדוע בדיקות דם חכמות חשובות

בדיקת דם שגרתית יכולה לחשוף סימנים מוקדמים לזיהום, אלרגיה או אפילו לסרטן — אבל כיום חלק ניכר מהתובנה הזו עדיין תלוי במומחים הבודקים בקפידה תאים במיקרוסקופ. התהליך איטי, יקר, ולא תמיד זמין במרפאות קטנות או בבתי חולים כפריים. המאמר המתואר כאן מציג מערכת בינה מלאכותית קומפקטית היכולה לזהות במדויק סוגים שונים של תאי דם לבנים מתמונות מיקרוסקופ, וכך להביא ניתוח דם מהיר ואמין יותר להרבה יותר מטופלים.

Figure 1
Figure 1.

מגיני הגוף הקטנים

תאי דם לבנים הם שומרי הקו הראשון של הגוף נגד פתוגנים ואיומים אחרים. הם מופיעים בכמה סוגים עיקריים, שלכל אחד תפקיד שונה: חלקם תוקפים חיידקים, אחרים נלחמים בפרזיטים, עובדים בתגובות אלרגיות או מסייעים בתיאום חיסון לטווח הארוך. רופאים בוחנים לעתים קרובות גם את מספרם וגם את סוגם של תאים אלה כדי לאבחן מחלות ולעקוב אחרי טיפולים. כיום, פעולה זו נעשית בדרך כלל או באמצעות ספירה ידנית תחת מיקרוסקופ — עבודה מיומנת אך גוזלת זמן — או בעזרת מכונות אוטומטיות גדולות שרבים מהמעבדות הקטנות לא יכולות להרשות לעצמן.

מספירה ידנית לעיניים דיגיטליות

בעשור האחרון פנו חוקרים לראייה ממוחשבת וללמידת מכונה כדי לסייע באוטומציה של זיהוי תאי הדם הלבנים. תוכנות בסיסיות יכולות למדוד צורות וצבעים, בעוד שמערכות מתקדמות יותר משתמשות בלמידה עמוקה, היכולה ללמוד דפוסים מורכבים ישירות מהתמונות. עם זאת, מודלים רבי-עוצמה רבים הם עצומים ודורשים כוח חישוב וזיכרון משמעותיים, והם עלולים לסבול מבעיות אימון כמו דעיכת אותות בתוך הרשת. זה מגביל את השימוש בהם במרפאות קטנות, במכשירי בריאות ניידים או בבתי חולים עם משאבים ממוחשבים מוגבלים.

מיקרוסקופ דיגיטלי רזה אך חזק

המחברים מציגים מודל למידה עמוקה מרוכך שהם מכנים רשת עצבית עמוקה מותאמת (CDNN). הוא תוכנן במיוחד לזהות תאי דם לבנים בתמונות מיקרוסקופ. המודל אומן ונבדק על שני מאגרי נתונים פופולריים של תמונות תאים: אוסף גדול יחסית ועם חוסר איזון (Raabin WBC) הכולל חמשת סוגי התאים, ואוסף אחר קטן יותר אך מאוזן (BCCD) עם ארבעה סוגים. לפני האימון שונו כל התמונות לגודל אחיד, נורמלו רמות הבהירות שלהן, ואז עברו שינויים קלים — סיבוב, שיקוף ועיוות — כדי לחקות שונות טבעית ולהפחית התאמת יתר, תופעה שבה מודל שומר לדקלם דוגמאות אימון במקום ללמוד דפוסים כלליים.

בתוך "תהליך המחשבה" של המודל

CDNN בנויה מסדרת בלוקים עיצוביים שמאפשרים לה ללמוד ביעילות תוך שמירה על קומפקטיות. הבלוקים כוללים חיבורים "רזידואליים" המאפשרים למידע לעקוף שכבות מסוימות, וכך מונעים את דעיכת אותות האימון כשאלה עוברים דרך הרשת. המודל מגדיל בהדרגה את מספר המסננים הפנימיים ככל שהתמונות עוברות דרכו, ותופס הן פרטים דקים והן צורות רחבות יותר של גרעיני התאים והחומר הסובב אותם. למרות שיש לו הרבה פחות פרמטרים מתכווננים מאשר דגמי תמונה ידועים כגון VGG16 או ResNet-50, CDNN משיגה דיוק גבוה מאוד: כ-98% במערך Raabin וכמעט 99.6% במערך BCCD, ועל כן עוקפת שיטות רבות מתקדמות וגדולות יותר.

Figure 2
Figure 2.

להפוך החלטות בלתי-נראות לנראות

כדי לוודא שהמערכת מתמקדת בחלקים בעלי משמעות רפואית בתמונות, החוקרים השתמשו בשתי כלים להמחשה, הידועים כ-Grad-CAM ו-LIME. שיטות אלה מייצרות מפות חום צבעוניות המדגישות אילו אזורים בתמונת התא השפיעו ביותר על החלטות המודל. האזורים המוארים במפות אלה נטו להתיישב עם מבנים מרכזיים כגון גרעין התא והציטופלסמה הסובבת, ולא עם הרקע הלא רלוונטי. הצוות גם חקר כיצד הרשת מפרידה פנימית בין סוגי תאים שונים על ידי הצגת האותות הפנימיים שלה במפת דו-ממדית, שבה תאים שסווגו נכון יוצרים צבירים ברורים ומקרים שסווגו בטעות ניתנים לבדיקה כדי להבין היכן המודל מתקשה.

מה זה יכול להעניק למטופלים

במלים פשוטות, עבודה זו מראה שמודל בינה מלאכותית מעוצב בקפידה ויחסית קטן יכול למיין תאי דם לבנים מתמונות מיקרוסקופ בדיוק התואם או עולה על מערכות גדולות ומורכבות רבות. מאחר שהמודל קומפקטי ויעיל, הוא מתאים יותר לשימוש במעבדות קטנות, במכשירים בנקודות טיפול, או אפילו בציוד נייד — וכך עשוי להביא ניתוח דם איכותי יותר לקרבה למטופלים. למרות שעדיין נדרשים בדיקות נוספות בסביבות קליניות אמיתיות, הגישה הזו מצביעה על כלים מהירים, נגישים ושקופים יותר שיכולים לסייע לפתולוגים באבחון מחלות ולזיהוי בעיות בשלבים מוקדמים יותר.

ציטוט: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

מילות מפתח: תאי דם לבנים, הדמיה רפואית, למידה עמוקה, אבחון דם, רשתות עצביות