שילוב שיתופי עם שערות נגדיות של SqueezeNet ו‑ShuffleNetV2 לזיהוי סרטן השד בתמונות היסטופתולוגיות

סיוע חכם יותר לאבחון סרטן השד

כשמוצאים גוש בשד, רופאים לעתים קרובות מסתמכים על פרוסות רקמה דקות, צבועות ונצפות במיקרוסקופ, כדי להחליט האם התאים בלתי מזיקים או סרטניים. בדיקה מדוקדקת זו היא התקן הזהב לאבחון, אך היא איטית, תובענית מבחינת עבודה ועלולה להשתנות בין מומחים שונים. המחקר המתואר כאן מציג כלי מחשבי שמנתח תמונות מיקרוסקופיות אלו באמצעות בינה מלאכותית, במטרה לתמוך בפתולוגים עם חוות דעת שנייה מהירה, עקבית ובעלת דיוק גבוה, תוך שמירה על עלות חישוב נמוכה מספיק לשימוש יומיומי בבתי חולים.

האתגר בקריאת תמונות רקמה

סרטן השד הוא אחד הסרטן השכיחים ביותר בעולם, ואחראי למאות אלפי מקרי מוות בשנה. המפתח לתוצאות טובות יותר הוא גילוי ותיאור הגידולים בשלב מוקדם, שעדיין מסתמך בעיקר על היסטופתולוגיה: בדיקה של פרוסות רקמה צבועות תחת מיקרוסקופ. אך דפוסי רקמה רבים נראים דומים ומטילים בלבול. דגימות תקינות או שפירות יכולות לחלוק מבנים דומים, בעוד שלבים מוקדמים וסרטן פולשני עלולים להיתערבב זה בזה. נוסף על כך, הבדלים בצביעות, בתאורה ובניגודיות התמונות ממעבדה למעבדה יכולים לגרום לאותו מחלה להיראות שונה. תוכנות מסורתיות מתקשות בניואנסים אלו, ורבות ממערכות הלמידה העמוקה המודרניות שעושות זאת טוב יותר הן גדולות וצרכניות אנרגיה, ולכן קשה לפרוס אותן מחוץ למרכזי מחקר מובילים.

שתי רשתות קומפקטיות שעובדות כצוות

כדי להתמודד עם הבעיה, המחברים משלבים שתי רשתות עצביות קומפקטיות קיימות, הידועות כ‑SqueezeNet ו‑ShuffleNetV2. מודלים אלה תוכננו במקור לזהות חפצים יומיומיים בתמונות תוך שימוש בחישובים רבים פחות לעומת מערכות כבדות כמו Transformers או רשתות עמוקות מאוד. בעבודה זו מאמנים אותם מחדש לזהות דפוסים בתמונות רקמת השד. כל רשת בוחנת את אותה תמונה מיקרוסקופית ולומדת להבחין ברמזים חזותיים שונים — שינויים עדינים בצורת התאים, מרקמי רקמה והסדרי צבע. לבדן, כל מודל מציג ביצועים טובים, אבל החדשנות האמיתית היא באופן שבו הכוחות שלהם ממוזגים.

מנגנון שער שמסנן רעש

הרעיון המרכזי במחקר הוא מודול חדש של "שער שיתופי נגדי" שמאפשר לשתי הרשתות לתקשר זו עם זו ולהחליט אילו חלקים מהאותות הפנימיים שלהם שימושיים באמת. במקום פשוט לערום או לחשב ממוצע של הפלטים, מערכת השערים מודדת כמה מידע כל ערוץ נושא ועד כמה הוא מיותר ביחס למה שהרשת השותפה כבר ראתה. ערוצים שמוסיפים פרטים חדשים ומועילים מוגברים, בעוד אלה שחוזרים על עצמם או מוסיפים רעש מוחלשים. ההתאמה ההדדית הזו מתרחשת בשני הכיוונים — SqueezeNet משכללת את התכונות של ShuffleNetV2 ולהיפך. התוצאה היא ייצוג מאוחד לכל תמונה שהוא עשיר יותר, נקי וממוקד יותר על ההבדלים הזעירים שמפרידים בין אבחנות שונות.

דיוק גבוה עם חישוב קל

כאשר נבחנה על שתי מאגרי תמונות סרטן השד המשמשים רבות, ICIAR‑2018 ו‑BreakHis, המערכת הממוזגת מציגה ביצועים מרשימים. במשימת ארבע הכיתות — הבחנה בין רקמה תקינה, שינויים שפירים, סרטן מקומי בשלב מוקדם וסרטן פולשני — היא מסווגת נכון 97 אחוזים מהתמונות. כאשר המשימה מפושטת להפרדה בין רקמה סרטנית ללא סרטנית, הדיוק עולה ל‑99 אחוז על ICIAR‑2018 וכ‑99.7 אחוז על BreakHis. ציונים אלו גבוהים מאלו של שיטות רבות ומורכבות יותר המדווחות בספרות, על אף שהמודל החדש משתמש בפרמטרים מועטים יחסית וכוח חישוב צנוע, מה שמתורגם לניבויים מהירים יותר ולדרישות חומרה נמוכות יותר.

מה זה אומר למטופלות ולמרפאות

במלים פשוטות, המחברים בנו עוזר רזה אך עוצמתי שיכול לסנן תמונות מיקרוסקופיות של רקמת השד ולתייג אותן באמינות קרובה לרמת מומחה. מאחר שהעיצוב יעיל, הוא מתאים יותר לסביבות אמתיות כגון בתי חולים אזוריים או מרכזי סקר שאולי לא מצוידים בשרתים מהשורה הראשונה. בעוד שהמערכת אינה מחליפה פתולוגים, היא יכולה להדגיש אזורים חשודים, לספק חוות דעת שנייה עקבית ולהאיץ פוטנציאלית את האבחון. העבודה גם מצביעה על מגמה רחבה יותר: על‑ידי שילוב חכם של מודלים קטנים יותר ולימודם לשתף פעולה במקום להתחרות, ניתן להשיג דיוק ברמה גבוהה בלי העלות והמורכבות הכבדים שלרוב מעכבים יישום מעשי של בינה רפואית.

ציטוט: Khati, B., Mukherjee, S., Sinitca, A. et al. Reciprocal cooperative gating fusion of SqueezeNet and ShuffleNetV2 for breast cancer detection in histopathology images. Sci Rep 16, 5904 (2026). https://doi.org/10.1038/s41598-026-36375-8

מילות מפתח: סרטן השד, היסטופתולוגיה, בינה מלאכותית בהדמיה רפואית, רשת עצבית קלת משקל, אבחון בעזרת מחשב