רשת נוירונים צפיפתית חדשה לזיהוי חיידקים בנתוני מיקרוסקופ קונפוקלי

מדוע חשוב לזהות חיידקים במהירות

כאשר רופאים מנסים לקבוע אילו חיידקים גורמים לזיהום, הזמן קריטי. בדיקות מעבדה מסורתיות יכולות לקחת שעות ואפילו ימים, והן דורשות מומחים מיומנים שיבחנו תמונות מיקרוסקופ בעין. במחקר זה מוצג מערכת ראייה ממוחשבת חדשה בשם CM-Net, שיכולה לקרוא באופן אוטומטי תמונות מיקרוסקופ מיוחדות ולהבחין במהירות בין שני חיידקים שכיחים וחשובים מבחינה רפואית, ובו בזמן לזהות אילו תאים חיים ואילו מתים. העבודה מצביעה על נתיב לאבחון מהיר ומהימן יותר שעשוי לשמש יום אחד בבתי חולים ובמעבדות מחקר ברחבי העולם.

הפיכת חיידקים זוהרים לתמונות שימושיות

החוקרים התחילו בכלי הדמיה חזק הידוע כמיקרוסקופ סריקת לייזר קונפוקלי. בפשטות, המיקרוסקופ הזה משתמש בלייזר ממוקד ובצבעי פלואורסנציה כדי לגרום לחיידקים לזהור בצבעים שונים בהתאם למצבם – חיים או מתים. תאים חיים מופיעים בירוק, בעוד שתאים מתים נראים באדום. על ידי סריקה דרך הדגימה בשכבות דקות מאוד, המיקרוסקופ בונה תמונות חדות ומפורטות של החיידקים על זכוכיות. הצוות עבד עם שתי מינים ידועים שגורמים לעתים קרובות לזיהומים בבתי חולים: האיקולאי (Escherichia coli) בצורת מוט, והסטרפיות (Staphylococcus aureus) המעוגלת. תמונות איכותיות אלה מהוות את החומר הגולמי ש־CM-Net צריך ללמוד להבין.

חיתוך תמונות גדולות להרבה אריחים קטנים

למרות שכל תמונה קונפוקלית עשירה בפרטים, היא גם גדולה מאוד, בערך 3000 על 3000 פיקסלים. אימון מודל מחשב ישירות על תמונות ענקיות כאלה יהיה איטי וידרוש כוח חישוב מופרז. כדי לפתור זאת, הצוות פיצל כל תמונה גדולה להרבה אריחים מרובעים קטנים, בגודל 224 על 224 פיקסלים, גודל תקני בניתוח תמונה. תהליך זה, שנקרא הגדלת נתונים, גם מקטין את העומס הטכני וגם מכפיל את מספר דוגמאות האימון. ממערך מקורי של 300 תמונות לכל סוג חיידק, הם ייצרו בסך הכל 7,066 אריחים. אריחים אלה לוכדים דפוסים מקומיים של צורות, צבעים ומרקמים מאזורים שונים של המצריך, ומעניקים למודל סט דוגמאות מגוון ומאוזן ללמידה.

כיצד הצופה הדיגיטלי לומד לראות

CM-Net הוא מודל למידה עמוקה שנבנה בקפידה במיוחד עבור מיקרוסקופיה של חיידקים, ולא הותאם ממאגרי תמונות כלליים. זהו סוג של רשת עצבית קונבולוציונית, משפחה של תוכניות שמתמחות בגילוי דפוסים בתמונות. CM-Net מעבד כל אריח דרך מספר שלבים. שלבים ראשוניים מחפשים אותות חזותיים פשוטים כמו קצוות ונקודות; שלבים עמוקים יותר משלבים אותם לדפוסים מורכבים יותר שמבדילים מוטות מגלולות ותאים חיים מתים. הרשת משתמשת בטכניקות כגון נרמול אצווה (batch normalization), שמאזנת את האותות הפנימיים, וצורת קיצוץ של פונקציית ההפעלה שלה, שמונעת תגובות קיצוניות שעלולות להפריע לתהליך הלמידה. שכבות מאוחרות מדחסות את המידע המופק ומקבלות החלטה סופית לגבי סוג החיידק ומצב התא.

עוקפת מודלים מוכרים מהמדף

כדי להעריך את ביצועי CM-Net, המחברים אימנו ובחנו אותו 30 פעמים, בכל פעם עם חלוקה חדשה של הנתונים לקבוצות אימון ובדיקה. הם מדדו דיוק — באיזו תדירות המודל היה נכון בכלל; רגישות — עד כמה הוא זיהה כל יעד; וספציפיות — עד כמה נמנעו אזעקות שווא; וכן מדדים סטנדרטיים נוספים. CM-Net השיג בממוצע דיוק של כ־96%, כאשר גם הרגישות והספציפיות היו סביב 96%, ובאיזון טוב בין שתי הקטגוריות. הוא גם דרש פחות פרמטרים פנימיים וזיכרון מאשר מספר מודלים נפוצים שאומנו מראש, כולל GoogLeNet, MobileNetV2, ResNet18 ו‑ShuffleNet, ועדיין פעל מהר יותר. כלי ויזואליזציה הראו כי CM-Net ממקם את תשומת הלב שלו על גופי החיידקים בתמונות ולא על תכונות רקע אקראיות, מה שתומך ברעיון שהוא לומד רמזים בעלי משמעות ביולוגית.

מה המשמעות לעבודה מעבדתית בעתיד

במונחים יומיומיים, המחקר מראה שמערכת למידה עמוקה שנבנתה במיוחד יכולה ללמוד ‘‘לקרוא’’ תמונות מיקרוסקופ מורכבות של חיידקים באופן מדויק, יעיל ובאופן שמשתלב עם מה שמומחים אנושיים מחשיבים כחשוב. לעת עתה, CM-Net הוכשר רק על שני מינים של חיידקים ועל נתונים מסוג מיקרוסקופ אחד, ולכן יש צורך בעבודה נוספת לפני שניתן יהיה להשתמש בו ככלי אבחוני כללי. המחברים מתכננים להרחיב אותו לעוד מינים, מצבי תאים שונים ומאגרי נתונים גדולים ומגוונים יותר. עם זאת, התוצאות מרמזות שמערכות כמו CM-Net יכולות בסופו של דבר לסייע למעבדות לזהות זיהומים במהירות רבה יותר, להנחות החלטות טיפוליות ולפתוח את הניתוח האוטומטי של ניסויים במיקרוביולוגיה למשתמשים שאין להם מומחיות בהדמיה.

ציטוט: Al-Jumaili, A., Al-Jumaili, S., Alyassri, S. et al. Novel convolutional neural network for bacterial identification of confocal microscopic datasets. Sci Rep 16, 8123 (2026). https://doi.org/10.1038/s41598-026-38861-5

מילות מפתח: סיווג תמונות חיידקים, מיקרוסקופיה קונפוקלית, למידה עמוקה, רשתות עצביות קונבולוציוניות, אבחון רפואי