חקר הדמיון האנטומי בלמידה אפס-דוגמא לזיהוי חריגות בעצם

מדוע רנטגנים חכמים חשובים

שברים הם בין הפציעות השכיחות ביותר, ועדיין אימות שבר בצילום רנטגן נשען במידה רבה על עינו המיומנת של רדיולוג. המומחיות הזו בעלת ערך, אך היא גם צורכת זמן וחסרה במקומות רבים בבית חולים ובמרפאות ברחבי העולם. המחקר הזה שואל שאלה פשוטה אך משמעותית: האם מערכת בינה מלאכותית יכולה ללמוד לזהות בעיות בעצם בחלק גוף אחד — למשל המרפק — ואז בהצלחה למצוא בעיות דומות בחלקים אחרים, כמו שורש כף היד או האצבעות, מבלי שאי פעם יעברו לה הכשרות מחדש על האזורים החדשים?

להשכיל מחשב לקרוא עצמות

כדי לחקור רעיון זה פנו החוקרים לאוסף ציבורי גדול של צילומי רנטגן של הגפה העליונה הנקרא MURA. במקום להתמקד רק בשברים, MURA מתייגת כל בדיקת מטופל באופן פשוט כ"נורמלי" או "חריג". הצוות אימן מודל למידה עמוקה קומפקטי על רנטגנים מאזור ספציפי של הזרוע, כגון המרפק או שורש כף היד, ואז ביקש ממנו לקבוע האם בדיקות מאזורים אחרים נראות בריאות או לא. חשוב לציין שהמודל לא ראה תמונות דוגמה מהאזורים החדשים במהלך האימון — גישה הידועה כ"למידה אפס-דוגמא" או למידה מחוץ לתחום.

מבחן לכל שילוב של חלקי גוף

במקום להסתפק במספר ניסויים נוחים, המחברים בחנו שיטתית כל צמד אימון–מבחן אפשרי בין שבעה אזורים בגפה העליונה: כתף, הומרוס, מרפק, אמה, שורש כף היד, כף יד ואצבע. הם גם התייחסו לכל ביקור מטופל, שיכול לכלול מספר מבטים ברנטגן, כיחידת החלטה אחת על ידי חישוב ממוצע ביטחון המודל על פני התמונות — קרוב יותר לאופן שבו רופאים בוחנים מקרה. עבור כל צימוד הם חישבו דיוק ורווחי סמך מחמירים, ואף חזרו על ניסויים מרכזיים עם רשת עצבית שנייה, מרובת ביטוי, כדי לבדוק האם המגמות נשמרות בלי תלות בארכיטקטורת המודל.

כאשר עצמות דומות מסייעות זו לזו

צץ תבנית מובהקת: המודל הופיע בצורה הטובה ביותר כאשר נבחן על אותו חלק גוף שבו הוכשר, ושנית טובה יותר כאשר חלקי האימון והמבחן היו דומים אנטומית. למשל, מודל שהוכשר על תמונות אמה עבר היטב למבחן על תמונות מרפק, ומודל שהוכשר על שורש כף היד עשה יחסית טוב על בדיקות כף יד ואצבעות. לעומת זאת, הביצועים ירדו כשהמודל נדרש לקפוץ בין אזורים שונים מאוד, כמו מכף יד להומרוס. על ידי חלוקת העצמות לאזורים פרוקסימליים (כתף, הומרוס), אמצעיים (מרפק, אמה) ודיסטליים (שורש כף היד, כף יד, אצבע), הראו החוקרים שהעברות "בתוך-קבוצה" חזקות בעקביות יותר מהעברות "בין-קבוצות".

מעבר למאגר נתונים או רשת בודדת

כדי לוודא שהתצפיות הללו אינן תכונה של מאגר נתונים או של מודל יחיד, בחנו החוקרים את המערכות המאומנות שלהם על אוסף רנטגנים שני בשם FracAtlas, הכולל תמונות של כף יד, כתף, מפרק ירך ורגל מבתי חולים שונים. ללא כל כוונון נוסף, מודל שאומן על תמונות כף יד ב-MURA עשה עבודה טובה בזיהוי שברי רגל אך הציג ביצועים חלשים יותר על ירך וכתף. הם גם חזרו על חלק מהניסויים עם ארכיטקטורת רשת עצבית שונה וראו דפוסי חצייה אזוריים דומים. ניתוחים נוספים שינו את רזולוציית התמונה ובחנו היכן המודל "הסתכל" ברנטגן באמצעות מפות חום, והראו שלפעמים תחזיות מוצלחות התמקדו באזורים עצמיים בעלי משמעות קלינית, בעוד שטעויות נבעו לפעמים מהסחות דעת כמו תויות או מסגרות בתמונה.

מה המשמעות של זה לטיפול במציאות

עבור לא-מומחים ומערכות בריאות עם משאבים מוגבלים, המסר הוא גם מעודד וגם זהיר. המחקר מראה שכלי בינה מלאכותית שמאומן על סט רנטגנים אחד מתויג היטב יכול לסייע באופן משמעותי בהערכת חלקי גוף אחרים הדומים לו מבלי לדרוש בכל פעם מאגרי נתונים גדולים חדשים. עם זאת, האמינות שלו יורדת כאשר האזורים החדשים שונים מדי ממה שראה קודם. במילים יומיומיות: מערכת שלמדה שברים בשורש כף היד יכולה להיות לעוזר שימושי עבור כף היד והאצבעות, אך אסור לסמוך עליה בעיניים עצומות לאבחון כתף או ירך. הבנת המגבלות הללו יכולה להנחות איסוף נתונים יעיל יותר — עדיפות לקבוצות אנטומיות מרכזיות — ולתמוך בפריסה בטוחה יותר של בינה מלאכותית במרפאות עם מעט רדיולוגים, כדי שעוד מטופלים יקבלו הערכות מהירות ומדויקות של פגיעות בעצם.

ציטוט: Kutbi, M., Shaban, K. & Khogeer, A. Exploring anatomical similarity in zero-shot learning for bone abnormality detection. Sci Rep 16, 6390 (2026). https://doi.org/10.1038/s41598-026-37516-9

מילות מפתח: זיהוי שבר בעצם, בינה מלאכותית בהדמיה רפואית, למידה אפס-דוגמא, ניתוח צילומי רנטגן, למידת העברה