מיון תחליפי של קשריות Schild לפי למידת עומק באמצעות הדמייה אולטרסוניות מולטי‑מודלית עם מודעות לאי‑ודאות

מדוע גושים בבלוטת התריס חשובים לכולם

גושים קטנים בבלוטת התריס נפוצים מאוד, במיוחד עם ההזדקנות. רובם חסרי סכנה, אך מיעוט מהם מהווים סרטן ודורשים טיפול בזמן. כיום, רופאים מסתמכים בעיקר על בדיקות אולטרסאונד וביופסיות באמצעות מחט כדי להבחין ביניהם. האולטרסאונד בטוח וזמין, אך פרשנותו עשויה להשתנות בין בודקים שונים, מה שגורם לחלק מהאנשים לעבור בדיקות חודרניות מיותרות בעוד אחרים עשויים ליפול בין הכיסאות. המחקר בוחן כיצד שילוב של כמה סוגי אולטרסאונד יחד עם מערכת בינה מלאכותית יכול לחדד את אבחון סרטן התריס ואפילו לתת לרופאים מדד לאמון של המחשב בתשובתו.

להסתכל על אותו גוש ממספר זוויות

אולטרסאונד אינו רק סוג יחיד של תמונה. אולטרסאונד הבסיסי מסוג "B‑mode" מציג את הצורה והמרקם של הגוש. אלסטוגרפיית גל גזירה מוסיפה מידע לגבי נוקשות הרקמה, שנוטה להיות שונה בגידולים שפירים לעומת ממאירים. דופלר צבעוני מדגיש דפוסי זרימת דם בתוך וסביב הגוש. מחקרים קודמים התמקדו בדרך כלל רק באחת מהתצורות הללו, או בשילובים פשוטים, ולא התייחסו בצורה ברורה לאמינות כל מקור מידע בעת הזנתו למודל מחשב.

בניית בינה חכמה ויעילה לסריקות תריס

החוקרים אספו באופן פרוספקטיבי תמונות מ‑506 קשריות תריס ב‑422 מטופלים שכבר היו מתוכננים לביופסיה במרכז רפואי יחיד. עבור כל גוש נרכשו תמונות B‑mode, אלסטוגרפיית גל גזירה ודופלר צבעוני ממכונות שונות מאותה משפחת אולטרסאונד. לאחר מכן תכננו רשת למידת עומק מותאמת אישית שהשתמשה תחילה בגלגיל זיהוי תמונה מוקדם ומכווץ והוסיפה "ראש" קל־משקל המותאם לאולטרסאונד רפואי. ה"ראש" הזה השתמש בשכבות מיוחדות המערבבות סוגים שונים של חילוץ תכונות ותשומת לב, שעזרו למודל למקד את עצמו באזורים המידעיים ביותר בכל תמונה תוך שמירה על ארכיטקטורה כללית יחסית קטנה ויעילה.

לאפשר למחשב להודות כשהוא אינו בטוח

חידוש מרכזי במחקר הוא אסטרטגיית מיזוג עם מודעות לאי‑ודאות. במקום פשוט לממץ תחזיות משלושת סוגי האולטרסאונד, המערכת מעריכה כמה כל סניף בטוח לגבי מטופל נתון. היא עושה זאת על ידי הרצת המודל מספר פעמים עם שינויים פנימיים קטנים ומדידת יציבות התחזיות. אם מודל אחד, כמו הדופלר הצבעוני, נותן תשובה רעועה או לא עקבית, השפעתו על ההחלטה הסופית מצומצמת או אפילו מבוטלת. לעומת זאת, מודיליות שהיא גם מדויקת וגם בטוחה, כמו שילוב B‑mode ואלסטוגרפיית גל גזירה במקרים רבים, תקבל משקל גדול יותר. זה משקף את אופן הפעולה של רדיולוגים אנושיים שממילא סומכים יותר על תמונות ברורות ואיכותיות מאשר על תמונות רועשות או עמומות.

עד כמה המערכת עשתה עבודה טובה?

באמצעות עיצוב חוצה‑ולידציה קפדני, המערכת המשולבת בת שלוש המודאליות סווגה נכונה את קשריות התריס בדיוק של כ‑95 אחוז ועליית השטח מתחת לעקומת ROC עמדה על 0.97. הרגישות — היכולת לזהות סרטן — הייתה גבוהה במיוחד ועמדה על 98 אחוז, בעוד הספציפיות לשלול סרטן הגיעה ל‑92 אחוז. סוגי דימות בודדים ושילובים דו‑כיווניים הופיעו פחות טובים, מה שמראה שהקלט המולטימודלי אכן הוסיף ערך. שיטת המיזוג with מודעות לאי‑וודאות גם עלתה על דרכים פשוטות יותר לשילוב תחזיות, במיוחד בטיפול בקלטים סותרים או לא אמינים. בהשוואות עם מודלים ידועים רבים של למידת עומק שהותאמו לאותם נתונים, הארכיטקטורה המותאמת השוותה או עלתה על ביצועיהם למרות שהיא השתמשה בפחות שכבות והייתה קומפקטית יותר.

מה זה אומר למטופלים ולרופאים

למטופלים עם קשריות בתריס, עבודה זו מציעה עתיד שבו בדיקת אולטרסאונד שגרתית תוכל לספק לא רק אומדן סיכוי בינארי לסרטן, אלא גם אינדיקציה עד כמה האומדן הזה מהימן. תחזית שפירה בעלת ביטחון גבוה עשויה לעזור להימנע מביופסיות מיותרות, בעוד תוצאה בעלת אי‑ודאות גבוהה עשויה להשפיע על ביצוע דימות נוסף, קבלת חוות דעת שנייה או מעקב צמוד יותר. למרות שהמחקר בוצע במרכז יחיד וצריך עדיין אישור רחב יותר בבתי חולים ומכונות אולטרסאונד שונות, הממצאים מצביעים על כך ששילוב מספר תצפיות אולטרסאונד עם מערכת בינה מלאכותית המודעת לאי‑ודאות יכול להפוך את אבחון סרטן התריס ליותר מדויק ושקוף, ולשפר טיפול תוך צמצום הליכים מיותרים.

ציטוט: Saini, M., Parvar, T.A., Velarde, M. et al. Deep learning-based classification of thyroid nodules using uncertainty-aware multi-modal ultrasound imaging. Sci Rep 16, 4938 (2026). https://doi.org/10.1038/s41598-026-35965-w

מילות מפתח: גידולי בלוטת התריס, הדמיית אולטרסאונד, למידת עומק, אבחון סרטן, בינה רפואית