התקדמות במיון פסוריאזיס באמצעות אלגוריתמי למידת העברה מותאמים

למה אבחנה חכמה יותר של העור חשובה

פסוריאזיס הוא יותר מתפרחת עיקשת. מצב עור ממושך זה יכול לסדוק, לדמם, לגרד ואפילו לפגוע במפרקים, ולהפריע לשינה, לעבודה ולחיים חברתיים. למרות זאת, רופאים עדיין מאבחנים אותו בעיקר בעין, מה שיכול להיות איטי וסובייקטיבי — במיוחד כשלהתבטאות המחלה יש צורות שונות בחלקים שונים של הגוף. המחקר בוחן כיצד בינה מלאכותית מודרנית יכולה לסייע: על‑ידי אילוף תוכניות מחשב לזהות שבע תתי‑צורות של פסוריאזיס מתמונות עור, בדיוק שמשתווה לזה של מומחים ועלול יום אחד לתמוך בהם.

מחלה אחת, פנים רבות

פסוריאזיס לא נראה אותו דבר אצל כולם. החוקרים מתמקדים בשבע תת‑צורות: פלאק (הכתמים הקלסיים הקשקשיים), גוטאטה (נגעים קטנים בדמות טיפות), פסוריאזיס בציפורן, פסוריאזיס פוסטולרי (גבשושיות דמויות פצעונים מלאות מוגלה), פסוריאזיס אריתרודרמי (אדמומיות בוערת נרחבת), פסוריאזיס הפוך (כתמים אדומים חלקים בקפלי העור) ופסוריוארטריטיס, המשלב שינויים בעור עם מפרקים כואבים ונפוחים. ההבחנה ביניהן חשובה כי כל סוג עלול לדרוש טיפולים שונים ולהצביע על סיכונים שונים. עם זאת, התסמינים יכולים לחפוף זה עם זה ועם מחלות עור אחרות, מה שהופך את האבחנה הוויזואלית למאתגרת, במיוחד מחוץ למרפאות מתמחות.

בניית ספריית תמונות עשירה

כדי ללמד מחשבים להבדיל בין התת‑צורות, הצוות היה צריך קודם לאסוף נתונים מתאימים. מאגרים ציבוריים קיימים של תמונות עור לעיתים רחוקות מסמנים את תת‑הצורה המדויקת של הפסוריאזיס, וחלק מהצורות נדירות הרבה יותר מאחרות. המחברים שילבו 4,005 תמונות ממספר מאגרים רפואיים פתוחים, כולל ISIC, HAM10000 ו‑DermNet. הם סיווגו כל תמונה לאחת משבע קטגוריות הפסוריאזיס. כדי למנוע מהמחשב ללמוד יתר על המידה סוגים נפוצים ולהתעלם ממיעוטים, הם השתמשו ב"הגדלת תמונה": יצירת עותקים מגוונים של תמונות על‑ידי סיבוב, זום והיפוך. שלב האיזון הזה הפך את מערך הנתונים ליותר אחיד בין כל שבע הקטגוריות ועזר למודלים ללמוד דפוסים יציבים במקום לשנן מספר דוגמאות תכופות.

ללמד מכונות לקרוא את העור

במקום להתחיל מאפס, החוקרים הסתמכו על למידת העברה. הם השתמשו בשלושה מערכות זיהוי תמונה חזקות — ResNet50, InceptionResNetV2 (המכונה כאן InceptionV2) ו‑InceptionV3 — שאומנו במקור על מיליוני תמונות יומיומיות, וכיווננו אותן על תמונות פסוריאזיס. לפני שהכניסו את התמונות למערכת, הם סטנדרטיזו כל תמונה לגודל קבוע ונורמליזו את ערכי הפיקסלים. הם ואז הקפיאו רוב השכבות הפנימיות, הוסיפו שכבות "עליונות" חדשות המותאמות לשבע סוגי הפסוריאזיס, ואימנו תוספות אלה על מערך הנתונים המעובד שלהם. שתי שיטות אימון פופולריות, אופטימייזרים בשם Adam ו‑RMSprop, הושוו כדי לבדוק איזו מהן מניבה למידה אמינה יותר.

איזו בינה לומדת פסוריאזיס הכי טוב?

כל שלושת המודלים יכלו לזהות סוגי פסוריאזיס בדיוק מבטיח, אך אחד בלט בצורה ברורה. מודל ResNet50 נתן תוצאות סבירות, וסווג נכון כארבע מתוך חמש תמונות בדיקה. InceptionV2 התעלה הרבה יותר והגיע לכ־97% דיוק על נתוני בדיקה שלא נראו קודם כשהוא אומן עם אופטימייזר RMSprop. התוצאות החזקות ביותר נרשמו עבור InceptionV3, גם הוא בשילוב עם RMSprop: הוא זיהה נכון את תת‑הצורה בכ־99% מתמונות הבדיקה, וכן דיוקו ורגישותו (כלומר עד כמה תחזיותיו החיוביות וזיהוייו היו נכונים) היו גם הן גבוהות. כלי הסבר חזותי, המסמנים את אזורי התמונה שהובילו להחלטת ה‑AI, הראו שהמודל התרכז באזורים קליניים משמעותיים של הנגעים ולא ברקע לא רלוונטי — סימן מעודד לבניית אמון קליני בעתיד.

מה זה יכול להצביע עבור חולים

עבור אנשים החיים עם פסוריאזיס, ההתקדמות הזו לא מחליפה רופא עור, אך היא עשויה בקרוב לספק זוג עיניים משלים וחזק. מערכת מדויקת וממוכנת היכולה למיין תמונות עור לתת‑צורות מפורטות יכולה לתמוך בטלרפואה, לסייע לרופאים לא‑מומחים באזורים מרוחקים ולסמן מקרים מורכבים או חמורים מוקדם יותר. המחברים מדגישים שכלי זה עדיין זקוק לבחינה על תמונות קליניות מהעולם האמיתי ועל מגוון גווני עור ומצלמות. למרות זאת, עבודתם מראה כי AI מאולף בקפידה — ובמיוחד מודל InceptionV3 — יכול להבדיל באופן אמין בין שבע צורות של פסוריאזיס, ולפתוח פתח לאבחון מהיר ויותר עקבי ובסופו של דבר לטיפול מותאם יותר.

ציטוט: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

מילות מפתח: פסוריאזיס, דימות עור, למידה עמוקה, בינה מלאכותית רפואית, סיווג מחלות