זיהוי ניתוק רשתית עם שטף דם תוך-זגוגי בתמונות אולטרסאונד עיני באמצעות למידה עמוקה

מדוע זה חשוב להצלת הראייה

ניתוק רשתית הוא מצב חירום עיני שיכול לגזול את הראייה בתוך שעות או ימים. רופאים מסתמכים לעתים קרובות על סריקות אולטרסאונד כאשר דם בתוך העין חוסם את מבטם על הרשתית. אך התמונות הגרעיניות המלאות ההדים הללו עשויות להיות קשות לפרשנות, במיוחד בחדרי מיון עמוסים או עבור קלינאים בעלי ניסיון מועט. המחקר הזה בוחן האם צורה מודרנית של בינה מלאכותית יכולה לזהות במהירות ובאמינות ניתוקים מסכני ראייה ודימומים נלווים בתמונות אולטרסאונד, ולסייע לרופאים להגן על ראיית המטופלים.

לראות דרך הערפל שבתוך העין

שני בעיות המאיימות על הראייה עומדות בלב העבודה הזו: ניתוק רשתית, שבו רקמת החישה לאור מתנתקת מאחורי העין, ושטף דם תוך-זגוגי, שבו דם זולג לג'ל הממלא את העין. כאשר העין שקופה, רופאים בוחנים את הרשתית ישירות כדי לאתר בעיות. אך כאשר דם צפוף מעמעם את המבט, הם פונים לאולטרסאונד, שמציג קווים בהירים ותבניות מנוקדות המוחזרות מהמבנים בתוך העין. לצערנו, ההדים מהדם הצף יכולים להיראות בדומה באופן מבלבל לקווים הדקים ולוחותיים של רשתית מנותקת, מה שמוביל לאי-וודאות בדיוק ברגע שבו טיפול מהיר הוא הקריטי.

להדריך מחשב לקרוא סריקות עין

החוקרים אימנו מערכת למידה עמוקה, מבוססת שיטת זיהוי עצמים בזמן אמת הידועה כ-YOLOv5, שזיהתה שלוש אפשרויות בתמונות אולטרסאונד: ניתוק רשתית בלבד, שטף דם תוך-זגוגי בלבד, או שניהם יחד. הם אספו 3,773 תמונות סריקה שנלקחו לאורך מספר שנים ממטופלים החשודים כבר בבעיות אלה. מומחים מנוסים בעיניים תוו את כל תמונה ושרטטו תיבות סביב האזורים המציגים מחלה, ובכך סיפקו למחשב דוגמאות למה לחפש. התמונות חולקו לאחר מכן לערכות נפרדות לאימון, לכיול ולמבחן סופי, כדי שניתן יהיה להעריך את ביצועי המערכת בהגינות על תמונות שהיא לא ראתה קודם.

להחדד תמונות מטושטשות עבור המכונה

מכיוון שתמונות אולטרסאונד מטושטשות ובעלות רעש מלכתחילה, הצוות ניסה כמה שיטות להבליט מבנים מרכזיים לפני הזנתם ל-AI. שיטה אחת, שנקראת unsharp masking, מעלה בעדינות את הניגודיות סביב קצוות, מה שהופך ניתוקים חוטיים של הרשתית לבהירים וברורים יותר دون להוסיף עיוותים בולטים. הם גם ניסו שיטות של thresholding ובינריזציה — המרה של תמונות לחסימות שחור-לבן על בסיס בהירות — כדי להפחית את הערפל של ההדים המפוזרים מהדם תוך שימור הקווים הרציפים שמצביעים על ניתוק. בתהליך הפיתוח העיקרי שלהם הם שילבו שיפורים אלה עם מחזורי אימון חוזרים ולמידת צולבת (cross-validation), אסטרטגיה שעוזרת להימנע מהסתגלות יתר ומשפרת את האמינות על נתונים חדשים.

איך המערכת הופיעה בביצועים

אחרי מספר סבבי עידון, הדגם הסופי הוכיח דיוק גבוה במבחן על 543 תמונות שלא נראו קודם. הוא זיהה נכון ניתוק רשתית ב-96.6% מהמקרים, שטף דם תוך-זגוגי ב-99.2%, ואת הצירוף המאתגר של שניהם ב-98.0%, מה שמניב דיוק כולל הקרוב ל-98%. החוקרים גם השוו בין גרסאות שונות של YOLO ומצאו כי, למרות שדגמים חדשים יותר הציגו ביצועים טובים במדדי תמונה כלליים, YOLOv5 היה מתאים יותר למשימה הרפואית הספציפית הזו ולמערכת הנתונים שלהם. ניסויים נוספים הראו כי בעוד שחלק מהשלבים המקדימים לא תמיד העלו את הדיוק הממוצע כשלעצמם, הם שיפרו את בהירות המבנים המרכזיים ונראו מועילים במיוחד בסריקות שנראו המבלבלות ביותר מבחינה ויזואלית.

מה זה עשוי להצביע עבור מטופלים ורופאים

עבור מטופלים המגיעים למחלקות חירום עם אובדן ראייה פתאומי, כל דקה חשובה. המחקר מציע שמערכת AI מאומנת בקפידה יכולה לשמש כ"זוג עיניים" שני ומהיר, לסמן ניתוקי רשתית ודימומים חמורים בתמונות אולטרסאונד ברמת דיוק ברמת מומחה. הכלי אינו אמור להחליף רופאי עיניים או את הבדיקה הקלינית הכוללת, אלא לתמוך בהם — במיוחד כאשר התמונות קשות לפרשנות או כאשר מומחים אינם זמינים מיד. לפני שמערכות כאלה יהפכו לשגרה יש צורך בבדיקות במרפאות ובבתי חולים רבים, על מכשירים וזרימות עבודה קליניות שונות. יחד עם זאת, התוצאות מצביעות לעתיד שבו תוכנה חכמה מסייעת לרופאים להציל ראייה במהירות ובעקביות כאשר הרשתית נמצאת בסיכון.

ציטוט: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

מילות מפתח: ניתוק רשתית, שטף דם תוך-זגוגי, אולטרסאונד עיני, למידה עמוקה, בינה מלאכותית בהדמיה רפואית