DeepLab V3+ רב־שכבתי עם תשומת לב ו‑EfficientNetB0 לחלוקת איברי מערכת העיכול בסריקות MRI

מטרה חדה יותר לגידולים

כאשר רופאים מטפלים בסרטן מערכת העיכול באמצעות קרינה, הם עומדים בפני משימה עדינה: לפגוע בגידול בעוצמה מבלי לפגוע באיברי בריאות סמוכים כמו הקיבה והמעטה המעי. כיום, סיקור ידני של אותם איברים בכל סריקת תהודה מגנטית (MRI) יכול לקחת עד שעה לחולה ליום. המחקר הזה מציג מערכת ראייה ממוחשבת שמציירת אוטומטית את האיברים בתמונות MRI, ומבטיחה תכנון טיפול מהיר ודיוק גבוה יותר עם פחות תופעות לוואי למטופלים.

למה מיפוי המעיים חשוב

ממאירויות מערכת העיכול נפוצות ולעתים קרובות קטלניות, עם הישרדות כוללת הנעה סביב 30 אחוז. טיפול בקרינה הוא מרכיב מרכזי בטיפול, אך דרכי העיכול דחוסות בבטן והאיברים הבריאים עלולים לזוז קלות מיום ליום. כדי לא להחליש את הקיבה, המעי הדק והמעי הגס, המומחים צריכים לדעת בדיוק היכן הם נמצאים לפני כל מושב טיפולי. סיקור ידני איטי וחשוף לשונות בין מומחים. שיטה אוטומטית ומהימנה לסימון גבולות אלה יכולה לקצר פגישות, לאפשר לרופאים לטפל ביותר חולים ולשפר את הבטיחות והדיוק במתן מינוני הקרינה.

להדריך מחשבים לקרוא סריקות MRI

החוקרים בנו מודל בינה מלאכותית הלומד לזהות שלושה איברי עיכול מרכזיים בסריקות MRI: הקיבה, המעי הדק והמעי הגס. הם אימנו אותו על מאגר ה‑UW–Madison GI Tract, האוסף הציבורי היחיד עם רישומי איברים מפורטים בסריקות בטן ב‑MRI. מאגר זה כולל 38,496 תמונות מ‑85 חולים, יחד עם תוויות שהוכנו בקפידה שמסמנות היכן כל איבר מופיע — או היעדרות איבר. כדי למצות את המעט נתונים הללו, הצוות הפריד את המידע לפי חולה (כך שהמודל לא רואה את אותו אדם גם באימון וגם בבדיקה) והרחיב את המאגר על ידי היפוכים, סיבובים, הבהרות ולעיסת תמונה עדינה. השינויים המבוקרים הללו עוזרים למערכת להתמודד עם שונות אמיתית במיקום החולה, בהירות התמונה ובהבדלים עדינים בצורת האיברים.

איך המודל החדש רואה דפוסים

בתוך המודל משולבות כמה רעיונות מעדכני זיהוי תמונה כדי לחדד את "העין" שלו לאנטומיה. ראשית, רשת קומפקטית בשם EfficientNet B0 סורקת כל תמונה ובונה שכבות של תכונות חזותיות — מקצוות פשוטים לצורות איברים מורכבות — תוך שמירה על דרישות חישוב צנועות. לאחר מכן, מבנה המכונה DeepLab V3+ בוחן את התמונה ברמות קנה מידה שונות, קצת כמו זום פנימה והחוצה כדי להבין גם פרטים עדינים וגם הקשר כללי. מעל לכך הוסיפו המחברים מנגנון "תשומת לב" ברמות פירוט שונות. בפשטות, תשומת הלב מסייעת למערכת להחליט אילו חלקים בתמונה ואילו אותות פנימיים ראויים למשקל רב יותר, כדי שתוכל להתמקד ברמזים עדינים אך חשובים שמבדילים, למשל, בין הקיבה ללולאות מעי דק. לבסוף, שלב דקודר תופר את הרמזים חזרה למסכה בגודל מלא שמציגה את שלושת האיברים בצורה נקייה.

בדיקת דיוק ויעילות

הצוות כיוונן באופן שיטתי את אופן האימון — ניסה שיטות אופטימיזציה שונות, מספר מחזורי אימון ודרכים חלוקה שונות לוולידציה. הקונפיגורציה הטובה ביותר שלהם השתמשה באופטימייזר בשם RMSprop, ולידציה בעלת ארבעה חלקים והכשרה בת 30 סבבים. על חולים שנשארו מחוץ לאימון, המודל סיווג נכון יותר מ‑99 אחוז מהפיקסלים בסך הכל והראה חפיפה חזקה עם רישומי המומחים. מדד חפיפה נפוץ, ציון Dice, הגיע לכ‑94 אחוז בממוצע בין שלושת האיברים, בעוד שמדד קשור, Intersection over Union, הגיע לכ‑92 אחוז בערך. חשובה לא פחות לשימוש בבית חולים, המערכת יחסית קלת משקל: יש לה כ־8.3 מיליון פרמטרים הניתנים לאימון והיא יכולה לעבד פרוסת MRI טיפית בגודל 224×224 בכ־31 מילישניות, מהיר מספיק לתמיכה כמעט בזמן אמת במהלך תכנון הטיפול היומי.

מה זה עשוי להעניק למטופלים

במונחים יומיומיים, המחקר מראה שמערכת בינה מלאכותית שעוצבה בקפידה יכולה לסמן באופן מהימן את הקיבה והמעיים בתמונות MRI, בהתאמה לביצועי מומחים ובקצב ומהימנות גבוהים יותר. יכולת זו עשויה לסייע לרופאי אונקולוגיה קרינתית לכוון קרניים בדיוק רב יותר סביב רקמות רגישות, ולהפחית נזק ותופעות לוואי בלתי רצויות במהלך הטיפול. בעוד המודל הנוכחי אומן על סריקות ממוסד אחד ועל אנטומיה בעיקר בריאה, הוא מספק בסיס חזק למערכות עתידיות שיכללו איברים חולים ונתונים ממספר בתי חולים. עם בדיקות ושיפורים נוספים, כלים כאלה עשויים להפוך לעוזרים שגרתיים בחדר תכנון הקרינה, המבטיחים בדממה שהקרניים החיוניות נוחתות בדיוק במקום שבו צריך אותן ביותר.

ציטוט: Sharma, N., Gupta, S., Al-Yarimi, F.A.M. et al. Multi-level attention DeepLab V3+ with EfficientNetB0 for GI tract organ segmentation in MRI scans. Sci Rep 16, 7546 (2026). https://doi.org/10.1038/s41598-026-38247-7

מילות מפתח: סרטן מערכת העיכול, סגמנטציה ב‑MRI, תכנון טיפול בקרינה, למידה עמוקה ברפואה, ניתוח תמונות רפואיות