סגמנטציה אוטומטית ובחינה מבוססי למידה עמוקה לגילוי סרטן צוואר הרחם באמצעות U‑Net משופר ושיטות אנצמבל

מדוע בדיקות פאפ עדיין זקוקות לעזרה דיגיטלית

סרטן צוואר הרחם הוא אחד מסוגי הסרטן שניתן למנוע יחסית בקלות כאשר מאתרים אותם מוקדם, אך עדיין נשים רבות מתות כי שינויים מסוכנים בתאים מפספסים או מתגלים מאוחר מדי. בדיקת הפאפ המוכרת כבר מצילה חיים, אך קריאת אלפי תמונות תאים בעין היא משימה איטית ומתישה וגם מומחים יכולים לחלוק על פרשנות. מאמר זה בוחן כיצד בינה מלאכותית מודרנית יכולה לשמש כעוזרת בלתי עייפה — למצוא ולמיין אוטומטית תאי צוואר הרחם בתמונות פאפ כדי לסייע לרופאים לזהות סימני אזהרה מוקדמים במהירות ובאמינות רבה יותר.

לימוד למחשבים לראות תאים בעייתיים

החוקרים קבעו לעצמם להשלים שתי משימות עיקריות: ראשית, להפריד כל תא צוואר רחם מהרקע של תמונת הפאפ; ושנית, להחליט האם התא נראה תקין או מציג סימנים הקשורים לסרטן. לשם כך השתמשו בלמידה עמוקה — סוג של בינה מלאכותית שלומדת דפוסים ישירות ממספר רב של תמונות דוגמה במקום חוקים כתובים ביד. המערכת שלהם מתמקדת בתא השלם — גם בליבה הכהה (גרעין) וגם בחומר המקיף (ציטופלזמה) — כי שינויים בגודל, בצורה ובמרקם בכל התאים יחד יכולים להעיד על מחלה.

דרך חכמה יותר לתחום את התאים

בלב המערכת עומדת גרסה משופרת של מודל מוכר בתחום הדימות הרפואי בשם U‑Net, שידוע ביכולתו לצייר קווי מתאר מדויקים סביב עצמים בתמונות. המחברים שינו את U‑Net כך שיוכל לבחון פרטי תמונה בכמה סקאלות במקביל ולהישאר יציב גם כאשר מאמנים אותו על אצוות קטנות של נתונים — מגבלה נפוצה בעבודה רפואית. הרשת המשודרגת לומדת לצייר מסכה פשוטה על כל תמונה: לבן במקום שבו קיים תא, ושחור לרקע. על ידי בידוד אזורי התא בלבד, השלבים הבאים בשרשרת יכולים להתמקד במה שחשוב באמת במקום להסיח את הדעת מכתמים, שאריות או שטחים ריקים.

ליצור דוגמאות אימון נוספות מתוך טקסטורה

אתגר מרכזי ברפואה הוא שמספר התמונות המסומנות באיכות גבוהה מועט ועלות השגתן גבוהה. כדי להתמודד עם זה השתמשו הצוות במודל גנרטיבי בשם RES_DCGAN, שלומד ליצור תמונות פאפ סינתטיות וריאליסטיות על בסיס תמונות אמיתיות. תמונות ‘‘מומצאות אך משכנעות’’ אלה משולבות בתהליך האימון, הן לפני שלב הסגמנטציה והן לאחריו, בשלב הסיווג. חשיפת המערכת לגוון גדול יותר של תצורות תאים — כולל דפוסים נדירים ועדינים — מחזקת את העמידות שלה ומקטינה את הסיכון להתאמה יתרה לקבוצת מטופלים או לתנאי הדמיה מצומצמים.

ממתארים לאזהרות מוקדמות

לאחר שהתאים נסמגו, קבוצת מודלים שנייה של למידה עמוקה לוקחת את המושכות לסווג כל תא כתקין או כאחד ממספר קטגוריות חריגות. המחברים השתמשו במודל חזק לזיהוי תמונה בשם ResNet50V2 ושילבו אותו עם מספר רשתות מוכרות אחרות ב’’אנצמבל’’, שבו מספר מודלים מצביעים יחד על ההחלטה הסופית. הם בחנו שישה צינורות עיבוד שונים על שלוש קבוצות נתונים מפולין (Pomeranian), דנמרק (Herlev) ויוון (SIPaKMeD), הכוללות משימות פשוטות של תקין‑לעומת‑חריג ומטלות רב‑מחלקתיות מורכבות יותר. בכל המבחנים, סגמנטציה של התאים קודם כל שיפרה בעקביות את דיוק הסיווג, והוספת תמונות סינתטיות שיפרה בדרך כלל עוד יותר את הביצועים, במיוחד במשימה של מיפוי קווי המתאר של התאים.

כמה טוב הופיעה העוזרת הדיגיטלית?

המערכת השיגה ציונים גבוהים מאוד. במיפוי קווי מתאר של תאים, הדיוק הגיע לכ‑99.5% בקבוצת נתונים אחת ולכ‑98%בקבוצה אחרת, תוך עליונות נוחה על U‑Net סטנדרטי. בהחלטת סוג התא, אנצמבל המודלים תייג נכון בערך 95–96% מהתאים במשימות המורכבות יותר ועד כ‑99% במשימות הפשוטות של החלטת סיכון/לא‑סיכון. תוצאות אלה מתיישרות עם מחקרים קודמים ואף עולות על חלקם, ובמקביל מראות ששרשרת אחודה אחת יכולה לפעול על פני מעבדות ומקורות נתונים שונים. השיפורים היו צנועים יותר על קבוצת נתונים אחת שהייתה מגוונת במיוחד, מה שמדגיש שגיוון בעולם האמיתי עדיין מציב אתגרים.

מה זה משמעותי עבור מטופלות ורופאים

במילים פשוטות, העבודה מראה שעוזרת בינה מלאכותית יכולה ללמוד לעקוב בקפדנות אחרי תאי צוואר הרחם ולמיין אותם לפי קבוצות סיכון בעקביות מרשימה. היא לא מחליפה את הפתולוג, אך יכולה לבצע סקר מקדמי של פתקים, להדגיש תאים חשודים ולהקטין את הסיכוי שסימנים מוקדמים יתפספסו בקליניקות עמוסות או באזורים עם מעט מומחים. עם בחינות נוספות על דגימות גדולות ומורכבות יותר ומסכות מאומתות על‑ידי מומחים, מערכות כאלה יכולות לסייע להביא סינון לסרטן צוואר הרחם אמין ליותר נשים ברחבי העולם, ללכוד שינויים מסוכנים מוקדם ולשפר את סיכויי ההצלחה של הטיפול.

ציטוט: Wubineh, B.Z., Rusiecki, A. & Halawa, K. Deep learning-based automatic segmentation and classification for cervical cancer detection using an improved U-Net and ensemble methods. Sci Rep 16, 5184 (2026). https://doi.org/10.1038/s41598-026-35299-7

מילות מפתח: סינון לסרטן צוואר הרחם, תמונות משטח פאפ (Pap), למידה עמוקה, סגמנטציה של תמונות רפואיות, אבחון בעזרתו של מחשב