שימוש בהדמיה רפואית ולמידה עמוקה לאבחון סרטן השד באמצעות תמונות היסטופתולוגיות

מדוע גילוי מוקדם חשוב

סרטן השד הוא אחת הסיבות העיקריות למוות ממחלת הסרטן בקרב נשים ברחבי העולם, אך התוצאות משתפרות באופן דרמטי כאשר המחלה מתגלת בשלב מוקדם. רופאים בדרך כלל מאבחנים סרטן השד על ידי בדיקה של פרוסות רקמה זעירות תחת מיקרוסקופ, תהליך הקרוי היסטופתולוגיה. תמונות אלה מכילות שפע פרטים לגבי האם התאים תמימים או מסוכנים, אך קריאתן גוזלת זמן ועלולה להשתנות בין מומחים שונים. המחקר הזה בוחן כיצד בינה מלאכותית מודרנית יכולה לסייע לפתולוגים לזהות סרטן השד במהירות ובעקביות רבה יותר, ולספק חולים תשובות מהירות יותר ואפשרויות טיפול יעילות יותר.

מבט מעמיק על תמונות הרקמה

תחת המיקרוסקופ, רקמת השד אינה ניתנת לחלוקה ברורה ל"בריאה" ו"ממאירה". התאים חופפים, הצבעים משתנים ממעבדה למעבדה, ושינויים עדינים בצורה או במרקם יכולים לשאת משמעות של חיים או מוות. מערכות מסורתיות בסיוע מחשב נאבקו במורכבות זו משום שהמהנדסים נאלצו לעצב ביד את התכונות שעל המחשב לחפש, ושינויים קלים בצביעה או באיכות התמונה עלולים להטעות אותן. למידה עמוקה, ענף של בינה מלאכותית שלומד דפוסים ישירות מהנתונים, שינתה לאחרונה את האופן שבו מחשבים מפרשים תמונות, כולל סריקות רפואיות. המחברים בונים על התקדמות זו כדי לתכנן מערכת המותאמת למציאות המסורבלת של פרוסות רקמת שד.

לנקות את התמונה לפני הקריאה

הצעד הראשון בגישה שלהם פשוט אך עוצמתי: לנקות את התמונה לפני שמבקשים מהמחשב לפרשה. פרוסות היסטופתולוגיה מכילות לעתים "רעש" חזותי הנובע מתהליך הצביעה וההדמיה, שעשוי להסתיר את המבנים הדקים שמעידים על סרטן מוקדם. החוקרים משתמשים בטכניקה הנקראת סינון וינר, שמחליקה נקודות אקראיות תוך שמירה על קצוות חדים ופרטים זעירים כגון גבולות תאים ואשכולות קטנים. על ידי הצגת תמונה ברורה יותר למחשב, שלב זה מסייע להימנע גם מהחמצת מקרי סרטן וגם מהתרעות שווא שעלולות להוביל לבדיקות מיותרות.

להדריך את המחשב למה להתמקד בו

לאחר מכן הצוות מפנה את תשומת הלב למודל למידה עמוקה מתוחכם הידוע בשם SE‑ResNet כדי ללמוד את התמונות הנקיות. בפשטות, המודל סורק את הפרוסה חתיכה אחרי חתיכה, ובונה בהדרגה "אוצר מילים" פנימי של דפוסים חזותיים: איך נראים צינורות תקינים, איך תאי הגידול מקבצים יחד, ואיך המרקמים משתנים כאשר הסרטן נעשה אגרסיבי יותר. מנגנון תשומת לב מובנה עוזר לרשת להדגיש את ערוצי התמונה המידעיים ביותר ולהעלים את הרקע שאינו רלוונטי. זה עושה את המודל רגיש יותר לדפוסים עדינים הקשורים למחלה תוך שמירה על יעילות חישובית שמאפשרת לו לפעול על חומרת בית חולים אמיתית.

לעקוב אחרי דפוסים בחלל כמו סיפור

במקום להתייחס לכל חתיכת רקמה כצילום מבודד, החוקרים מכירים בכך שמעטות הסימנים למחלה נפרשות לעתים כמו סיפור על פני הפרוסה. כדי ללכוד זאת הם מעבירים את התכונות שהופקו על ידי SE‑ResNet לרשת זיכרון לטווח קצר דו‑כיוונית, או BiLSTM. סוג זה של מודל מיועד להבין רצפים: הוא בוחן איך דפוסים משתנים מאזור לאזור, הן קדימה והן אחורה, בדומה לקריאת משפט בשתי הכיוונים כדי לתפוס את המשמעות המלאה. על ידי למידה של יחסי המרחב האלה, ה‑BiLSTM משתפר בהבחנה בין שינויים שפירים לאלה שבאמת ממאירים.

כמה טוב המערכת פועלת במציאות

המחברים בחנו את כל צורת העבודה שלהם—הפחתת רעש, למידת תכונות ומידול רצפים—ואת זה על אוספים ציבוריים גדולים של תמונות רקמת שד, כולל מאגר BreakHis הנפוץ. הם חילקו את הנתונים לקבוצות אימון ובדיקה ביחסים שונים והשוו את שיטתם מול מודלים מבוססי למידה עמוקה רבים. בניסויים אלה, המערכת שלהם סיווגה נכון דגימות שפירות מול ממאירות בכמעט 99% מהמקרים, ועקפה שיטות מתחרות תוך שהיא פועלת גם מהר יותר. המודל נשאר חזק ברחבי הגדלות שונות של הרקמה, מה שמרמז שהוא יכול להתאים לפרוסות שהוכנו בתנאים שונים. עם זאת, המחקר מציין גם מגבלות: מאגרי הנתונים עדיין צנועים בגודלם, המודל מתמקד בהחלטה פשוטה בשתי קטגוריות במקום לתתנות תתי‑סוגים מפורטים של גידול, והוא עדיין לא הוכח בעבודת שגרה קלינית בעולם האמיתי.

מה המשמעות עבור חולים ורופאים

לציבור הרחב, המסר העיקרי הוא שמחשבים משתפרים משמעותית בקריאת תמונות מיקרוסקופיות של רקמת השד ובסימון אזורים חשודים. המערכת המוצעת אינה מחליפה את הפתולוג; היא פועלת כמו עוזר ערני מאוד שמדגיש אזורים שעשויים להיות סרטניים ומספק חוות דעת שנייה ברמת דיוק גבוהה מאוד. אם תאומת בקבוצות חולים גדולות ומגוונות יותר, כלים כאלה עשויים לקצר את זמן האבחון, להפחית את הסבירות שסרטן קטן יחמיץ, ולעזור לבתי חולים עמוסים לנהל עומס הולך וגדל של מקרים. עבודה עתידית תצטרך לבדוק את השיטה על פרוסות מגוונות יותר ולשלבה בשגרות המעבדה היומיומיות, אך המחקר הזה מראה שמערכות למידה עמוקה שעוצבו בקפידה יכולות להיות בעלות חשיבות רבה במאבק בסרטן השד.

ציטוט: Nagalakshmi, V., Ahammad, S.H. Leveraging medical imaging and deep learning for diagnosis of breast cancer using histopathological images. Sci Rep 16, 6236 (2026). https://doi.org/10.1038/s41598-026-37663-z

מילות מפתח: אבחון סרטן השד, תמונות היסטופתולוגיה, למידה עמוקה, הדמיה רפואית, זיהוי בעזרת מחשב