DermNet: ארכיטקטורת משולבת CNN-ViT להפחתת הטיה באבחון דרמטולוגי באמצעות סגמנטציה בלתי מפוקחת מתקדמת של נגעים

מדוע אבחון הולם לעור בצבע כהה חשוב

מחלות עור נוגעות כמעט בכל אדם בשלב כלשהו של החיים, מאקנה ואקזמה ועד מצבים חמורים יותר. עם זאת, עבור רבים עם עור חום וכהה, בעיות אלו קשות יותר לזיהוי וקל יותר לטעות באבחון, הן במרפאה והן בכלי בינה מלאכותית. מאמר זה מציג את DermNet, מערכת בינה מלאכותית חדשה שנועדה לזהות מחלות עור באופן הוגן יותר בין גוני עור שונים על-ידי לימוד המחשב להתמקד במקום החולה עצמו ולא בצבע העור שמסביב.

הבעיה של פתרון אחד שמתאים לכולם בבינה מלאכותית לעור

רוב מערכות ה-AI הקיימות לאבחון עור מאומנות על תמונות שמזוהות באופן מובהק עם עור בהיר. כאשר מערכות אלה משמשות אנשים עם גוון עור כהה יותר, הדיוק שלהן יורד בכ-8–12%. בחיי היום-יום הפער הזה עלול לגרום לחסרים באיתותים מוקדמים ולעיכוב בטיפול. איסוף מאגרי תמונות רפואיות מאוזנים גם הוא בעייתי: תמונות מפוזרות בבתי חולים, בחלק מהמדינות יש תיעוד דיגיטלי מוגבל, ותיוג על-ידי דרמטולוגים לוקח זמן ויקר. כתוצאה מכך, ה-AI לעתים לומד קיצורי דרך, כמו לקשר מחלות מסוימות בעיקר לעור בהיר, במקום להבין באמת איך נראה הנגע.

ללמד את המחשב לראות רק את המקום הפגוע

המחברים מתמודדים עם ההטיה במקור שלה: התמונה עצמה. במקום להזין לתוך ה-AI תמונות מלאות של זרועות, פנים או רגליים, הם חותכים אוטומטית תחילה רק את האזור הפגוע — הנגע — ללא תלות בצבע העור שמסביב. לשם כך הם משלבים כלי קוד-פתוח רב עוצמה בשם Segment Anything (שיכול לעקוב אחרי אובייקטים ללא אימון ייעודי) עם טריקים קלאסיים של עיבוד תמונה המדגישים הבדלים בצבע ובהירות. על-ידי החלפה חכמה של מרחבי צבע ויישום סף אוטומטי, הם מייצרים "מסכות" שחור-לבן שמפרידות בין הנגע לעור התקין. באופן מרשים, צנרת בלתי מפוקחת זו משיגה כ-90% חפיפה עם קווי המתאר באיכות מומחים עבור גווני עור בהירים וכהים, ללא הסתמכות על מסכות אימון שצוירו ביד.

רשת דקה וחכמה יותר למחלת עור

לאחר שהנגע מבודד, DermNet נכנס לפעולה. המערכת משלבת שתי גישות פופולריות בבינה מלאכותית: רשתות עצביות קונבולוציוניות (CNN), שטובות בזיהוי קצוות ומרקמים, וטרנספורמרים חזותיים, שמצטיינים בזיהוי דפוסים בטווח ארוך בתמונה. DermNet משתמשת תחילה בשתי שכבות CNN קלות כדי לחלץ פרטים עדינים מהנגע החתוך, ואז מעבירה דפוסים אלה לטרנספורמר שלומד כיצד חלקים שונים של הנגע קשורים זה לזה. משום שהמערכת כבר לא צריכה לפרש תמונות של כל הגוף, היא יכולה להישאר קומפקטית — כ-2.5 מיליון פרמטרים, פחות מ-10 מגה-בייט — ועדיין להביס מודלים גדולים ונפוצים אחרים.

בניית מאגר נתונים הוגן מאחורי הקלעים

כדי לאמן ולבחון את DermNet, הצוות מיזג שתי אוספי תמונות מנומקים על-ידי דרמטולוגים לכדי מה שהם קוראים לו מאגר הנתונים SkinCon. לאחר שהגדירו דרישה של לפחות 20 תמונות לכל מחלה, הם השיגו 3,643 תמונות המכסות 122 מצבים, עם כשליש בערך מכל אחד משלושת סוגי גוון העור: בהיר, חום וכהה. הם הרחיבו עוד את הקבוצה באמצעות טרנספורמציות פשוטות, כגון סיבוב ושינוי בהירות, כדי לצמצם התאמה-יתר ולשפר חסינות. באמצעות מאגר מגוון ומסור זה, הם מצאו שאימון על תמונות מלאות לא מופרדות הוביל ללמידה בלתי יציבה ולדיוק ולידציה בסביבות 50–56%. כאשר עברו לקלטי נגע בלבד, הביצועים קפצו: DermNet הגיע לכ-81% דיוק ולידציה והציג עקביות גבוהה יותר בשלושת קבוצות גוני העור.

מצנרת מעבדה לעוזר בכיס

כדי להדגים כיצד זה עשוי לעבוד בפועל, החוקרים בנו אפליקציית מובייל אב-טיפוס. משתמש מצלמת או מעלה תמונה של אזור חשוד; המערכת מסגמנת אוטומטית את הנגע, מריצה אותו דרך DermNet ומחזירה את שלוש האבחנות הסבירות ביותר עם ההסתברויות שלהן — בפחות מ-20 שניות — כאשר ההכרעה הסופית נותרת לדרמטולוג. למרות שאינה תחליף לרופא, כלים כאלה יכולים לסמן מחלות בשלב מוקדם, במיוחד באזורים בהם דרמטולוגים נדירים, ולעזור לכוון זמן מומחה מוגבל למקרים הדחופים ביותר.

מה זה אומר עבור חולים יומיומיים

המסקנה העיקרית עבור קהל הרחב היא ש-AI אינו חייב להיות "עוור לצבע" באופן נאיבי; במקום זאת, ניתן להנחות אותו להסתכל על הדבר הנכון: הנגע עצמו. על-ידי ההשמטה של השפעת גוון העור ברקע והתמקדות באזור החולה, המחקר מראה שאפשר לבנות מודל דק ויעיל שמתייחס לתמונות של עור בהיר, חום וכהה באופן שוויוני יותר. DermNet הוא צעד ראשוני לקראת אפליקציות ומערכות אבחון של מחלות עור שעובדות באמינות עבור כולם, ולא רק עבור אלה שעורם תואם את מרבית התמונות הרפואיות הקיימות.

ציטוט: Imran, M.H., Shahid, M., Aazam, M. et al. DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation. Sci Rep 16, 5291 (2026). https://doi.org/10.1038/s41598-026-35697-x

מילות מפתח: אבחון מחלות עור, הטיה בבינה מלאכותית רפואית, סגמנטציה של נגעים, דימות דרמטולוגי, טרנספורמר חזותי