מודלים בלימוד עמוק מבוססי אנסמבל לביצועים גבוהים לאחזור תמונות רפואיות בגילוי סרטן השד

מדוע סריקות חכמות חשובות לבריאות השד

סרטן השד הוא אחד הסרטנים השכיחים בנשים, וסריקות אולטרה‑סאונד הן כלי מרכזי לזיהוי גושים חשודים בשלבים מוקדמים. עם זאת, רופאים נדרשים כיום לעיין בארכיונים הולכים וגדלים של תמונות רפואיות, ומחשבים שיכולים לסייע לעיתים מתקשים "להבין" באמת את מה שהם רואים. המחקר הזה מציג סוג חכם יותר של מנוע חיפוש תמונות לאולטרה‑סאונד שד, שלא רק מוצא ומסווג גידולים בדיוק גבוה, אלא גם מראה לרופאים אילו חלקי התמונה הן שהנחו את ההחלטות שלו.

מתמונות פשוטות להשוואות מועילות

בתי חולים מאחסנים כיום כמויות עצומות של סריקות אולטרה‑סאונד של השד, מה שהופך את איתור המקרים הקודמים הדומים לתמונת מטופלת חדשה למשימה קשה ולוקחת זמן. מערכות אחזור תמונות מוקדמות השוו תמונות באמצעות תכונות בסיסיות כמו בהירות או מרקם, שלעיתים קרובות לא התאימו לאופן שבו רדיולוגים שוקלים מחלות. הכותבים שואפים לצמצם פער זה על‑ידי אימון מערכת למידה עמוקה על אוסף נפוץ של 830 תמונות אולטרה‑סאונד שד, המחולקות לרקמה תקינה, גידולים בלתי מזיקים (שפירים) וגידולים מסוכנים (ממאירים). המטרה שלהם היא כפולה: לסווג סריקה חדשה לאחת משלוש הקטגוריות האלה ולאחר מכן לאחזר באופן אוטומטי סריקות קודמות דומות שיכוונו את האבחנה.

להכשיר בינה מעורבת לזהות דפוסים

הקבוצה בונה מודל "היברידי" שמשלב שלושה סוגי רשתות נוירוניות, שכל אחת מהן ממלאת תפקיד שונה. רשת קונבולוציה מתמחה בקריאת דפוסים מרחביים בתמונת האולטרה‑סאונד, כמו צורת הגוש או כמה חדים קצותיו. רשת חוזרת, שלרוב משמשת לסדרות כמו דיבור, מותאמת לטפל בשורות פיקסלים כסוג של אות מסודר, ועוזרת למערכת להבחין בשינויים עדינים לאורך התמונה. מעל אלה, רכיב בינה מוסברת מייצר מפות חום המדגישות אזורי תמונה האחראים ביותר להחלטה, כך שמטפלים יכולים לבדוק האם המודל מתמקד בגידול ולא ברקע שאינו רלוונטי.

ניקוי, הרחבה וארגון הנתונים

לפני האימון החוקרים מכינים בקפידה את תמונות האולטרה‑סאונד. הם מסירים כפלות וגבולות שאינם מועילים, ממירים את הסריקות לפורמט אחיד בגווני אפור, חותכים אזורים ריקים ומשנים את הגודל לריבוע קטן סטנדרטי כדי שהמודל יוכל לעבד את הנתונים ביעילות. כל תמונה מתוייגת כתקינה, שפירה או ממאירה, ותמונות מסכה מסמנות את אזורי הגידול המדויקים. מכיוון שמאגרי מידע רפואיים בדרך כלל קטנים, הם מרחיבים באופן מלאכותי את האוסף על‑ידי סיבוב, הדרה, זום ושינוי ניגודיות, ומגדילים את קבוצת האימון מ‑548 ל‑3,840 תמונות. השונות המבוקרת הזו מלמדת את הרשת להתמודד עם הדרכים הרבות שבהן גידולים יכולים להופיע במכשירים שונים ובחולות שונות.

כיצד המערכת מסווגת ומחפשת

לאחר האימון המודל ההיברידי הופך כל סריקת אולטרה‑סאונד לטביעת אצבע נומרית קומפקטית הנלקחת מהשכבה השנייה־לחלון ברשת. תמונות עם טביעות אצבע דומות נוטות להציג דפוסי רקמה דומים, כך שהצוות יכול לחשב מרחקים פשוטים בין טביעות אלו כדי למצוא התאמות קרובות בבסיס הנתונים. המערכת תחזית תחילה האם הסריקה החדשה תקינה, שפירה או ממאירה, ולאחר מכן מאחזרת מקרים דומים חזותית וקלינית, ומספקת לרדיולוג גלריה של תמונות התייחסות. מודול ההסבר חופף אזורים בצבעים חמים על הסריקה המקורית, ומראה היכן הרשת "ביטלה מבט" כדי להגיע למסקנה — מה שיכול לבנות אמון ולתמוך בהדרכה ודעות שנייה.

מה המשמעות של התוצאות למטופלות

בבדיקות על מאגר תמונות אולטרה‑סאונד השד, הגישה ההיברידית מגיעה לכדי כ‑99% דיוק בסיווג ומצטיינת על פני מספר מודלים בולטים של למידה עמוקה המבוססים על ארכיטקטורה יחידה. היא גם מציגה התנהגות יציבה על פני מספר פיצולי אימון‑בדיקה, מה שמרמז שהביצועים אינם תוצאה מקרית של פיצול יחיד של המאגר. עבור מטופלות, משמעות הדבר היא שבעתיד רדיולוג לא רק יקבל קריאה ממוכנת מהימנה מאוד של סריקת אולטרה‑סאונד, אלא גם יראה מיידית מקרים קודמים דומים ובדיוק אילו חלקים בתמונה העלו חשד. בעוד הכותבים מציינים שנדרשים ניסויים קליניים רחבים יותר ובדיקות על סוגי הדמיה נוספים, עבודתם מצביעה על שימוש שקוף, אמין ויעיל יותר בבינה מלאכותית בזיהוי סרטן השד.

ציטוט: Fawzy, A.E., Almandouh, M.E., Herajy, M. et al. Ensemble-based high-performance deep learning models for medical image retrieval in breast cancer detection. Sci Rep 16, 8723 (2026). https://doi.org/10.1038/s41598-026-38218-y

מילות מפתח: אולטרה־סאונד שד, אחזור תמונות רפואיות, למידה עמוקה, גילוי סרטן השד, בינה מוסברת