אבחון סרטן השד לפי BI-RADS שונה באמצעות MobileNetV1 ו-vision transformer על בסיס בינה מלאכותית מובהרת (XAI)

לראות את סיכון הסרטן מוקדם יותר

סרטן השד ניתן לטיפול בצורה הטובה ביותר כשמזהים אותו בשלב המוקדם, אך קריאת ממוגרמות היא משימה קשה ותחת לחץ זמן. מחקר זה מתאר מערכת בינה מלאכותית חדשה שמטרתה לא רק לזהות סימנים לסרטן בממוגרמות בדיוק גבוה מאוד, אלא גם להראות לרופאים בדיוק אילו אזורים בתמונה השפיעו על החלטותיה. על־ידי שילוב חכם של שתי טכניקות מודרניות לניתוח תמונה, המערכת שואפת לתמוך ברדיולוגים באמצעות חוות דעת שניה מהירה, אמינה ושקופה.

מדוע קריאת ממוגרמות כל כך קשה

ממוגרמות הן תמונות רנטגן של השד המשמשות לבדיקה לאיתור סימני סרטן מוקדמים. רדיולוגים מקצים לכל בדיקה ציון BI‑RADS, סולם סטנדרטי שנע מתוצאות תקינות ועד ממצאים שהם בבירור ממאירים. בשדיים צפופים, בהם קיימonly רקמה בלוטית רבה, נקודות חשודות יכולות להיות מוסתרות או להיראות דומות למבנים חסרי פגיעה. כלים ממוחשבים רבים בעבר התמקדו רק בהחלטות פשוטות של כן/לא לגבי סרטן, התקשו לטפל בטווח המלא של קטגוריות BI‑RADS, או פעלו כקופסה שחורה, מה שהותיר רופאים ללא וודאות לגבי סיבת החלטה מסוימת.

מיזוג שתי דרכים של "מבט" על התמונה

החוקרים בנו מסגרת היברידית של בינה מלאכותית שמדמה כיצד קורא אנושי זהיר עשוי לסרוק ממוגרמה: תחילה בחינת פרטים קטנים, ולאחר מכן התחשבות בתמונה הכוללת. חלק אחד של המערכת, המבוסס על רשת קומפקטית בשם MobileNetV1, מתמקד בפרטים מקומיים כגון שקעים זעירים וקצוות נגע חדים. חלק שני, vision transformer, מחלק את התמונה לריבועים (patches) ומנתח כיצד דפוסים מתקשרים על פני כל השד, ותופס את מבנה הרקמה הכולל ועיוותים עדינים. התכונות משתי "זרימות" אלה מאוחדות לאחר מכן לתיאור אחד, עשיר, של כל תמונה.

ניקוי, איזון ופישוט הנתונים

לפני שהשירות מקבל את התמונות, הן עוברות מספר שלבי הכנה. הצוות משפר קונטרסט באמצעות שיטה שמבהירה מבנים עדינים ללא הגזמת רעש, מה שמקל על גילוי נקודות חלשות. התמונות משנה גודל ומנורמלות כדי שהמערכת תראה אותן באופן עקבי. כדי להתמודד עם העובדה שחלק מקטגוריות ה‑BI‑RADS, כגון מקרים ממאירים בבירור, הן יחסית נדירות, המחברים משתמשים בתחבולות הגדלת נתונים כמו סיבובים קלים והיפוכים ומיישמים אימון המודע למחלקות כך שקטגוריות פחות שכיחות ימשיכו להשפיע במהלך הלמידה. לאחר ששתי הזרימות מייצרות תכונות, כלי מתמטי שנקרא ניתוח רכיבי יסוד (PCA) מדחס מידע זה, ושומר רק את מה שחשוב תוך קיצוץ המורכבות.

מתכונות לציוני סיכון, עם הסברים

לשלב הסופי, במקום להסתמך על ממיין רשת עצבית כבד ובלתי שקוף, המחברים משתמשים בהרבה מודלים פשוטים של רגרסיית לוגיסטית המשולבים באנשבון "bagging". כל מודל מציע דרך ברורה לקשר בין תכונות התמונה לרמות סיכון על פי BI‑RADS, והצבעת הרוב שלהם מספקת יציבות והתנגדות לאוברפיטינג על מאגר נתונים שנמוך יחסית בגודלו. נבדקה על יותר מ‑6,000 ממוגרמות ממאגר הנתונים של אוניברסיטת המלך עבדולעזיז לסרטן השד, המערכת ההיברידית השיגה דיוק, רגישות וספציפיות של למעלה מ‑99% על פני ארבע הקטגוריות המרכזיות של BI‑RADS שאליהן היא כוונה: תקין, כנראה שפיר, חשוד וממאיר.

לאפשר לרופאים לראות מה ה‑AI רואה

כדי להפוך את החלטותיה לניתנות להבנה, המערכת משתמשת בטכניקות של אינטליגנציה מוסברת הידועות כ‑Grad‑CAM ו‑Grad‑CAM++. אלה מייצרות מפות חום צבעוניות המושמות מעל הממוגרמה, ומדגישות את האזורים שהשפיעו ביותר על ציון ה‑BI‑RADS שחוזה המודל. במקרים ממאירים, האזורים המסומנים בדרך כלל תואמים לגידולים או לצבירות הסתיידויות שצוינו על ידי רדיולוגים מומחים; בתמונות תקינות, יש מעט או אין הפעלה ממוקדת. משוב חזותי זה מסייע לקלינאים לשפוט האם המודל מתמקד בתכונות בעלות משמעות רפואית ויכול לחשוף מדוע מקרים בשוליים—כגון רקמה צפופה המדמה נגע—קשים אפילו למומחים.

מה זה עלול להשפיע על מטופלות

המחקר מראה שבמאגר קליני יחיד, מערכת בינה מלאכותית דו‑זרימית ומוסברת זו מסוגלת לסווג ממוגרמות למספר רמות סיכון בדיוק המשווה ואף בעיניים מסוימות עולה על שיטות רבות קודמות. למרות שעדיין צריך לבחון אותה על אוכלוסיות מגוונות יותר ובבתי חולים שונים, הגישה מצביעה על כלים מבוססי AI שאינם רק מדויקים מאוד, אלא גם מהירים דיים לקליניקות עמוסות ושקופים דיים כדי לזכות באמון הרדיולוגים והמטופלות. בפועל, מערכות כאלה יכולות לשמש כזוג עיניים מומחה נוסף—לסמן ממצאים עדינים, להפחית מקרי סרטן שהוחמצו, ולתמוך בשיחות ברורות ובעלות ביטחון רב יותר לגבי סיכון לסרטן השד.

ציטוט: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

מילות מפתח: סרטן השד, ממוגרפיה, בינה מלאכותית, vision transformer, אינטליגנציה מוסברת