רשת עצבית עמוקה היברידית עם אופטימיזציית תכונות מבוססת PCA לשיפור סיווג גידולים במוח

מדוע גילוי מוקדם של גידולים במוח חשוב

גידולי מוח נחשבים בין סוגי הסרטן המעוררים את החשש הרב ביותר, כי הם גדלים בתוך מרכז השליטה של הגוף ולעיתים שקטים עד שיופיעו תסמינים חמורים. רופאים מסתמכים על סריקות MRI כדי לאתר ולעקוב אחרי גידולים אלה, אך הסורקים המודרניים מייצרים אלפי תמונות מפורטות עבור כל מטופל. אין זה משנה כמה הרדיולוג מיומן — קשה במהירות ובאופן עקבי לעבור על כל הנתונים האלה. עבודה זו מתארת מערכת ממוחשבת המסייעת בקריאת סריקות מוח וממיינת אותן לארבע קטגוריות — גליומה, מנינגיומה, גידול יותרת המוח, או ללא גידול — ברמת דיוק התוקפת או עולה על שיטות קודמות רבות.

הפיכת סריקות מורכבות לתמונות ברורות יותר

בלב העבודה עומדת המאמץ לרסן את שיטפון הנתונים הוויזואליים שמגיע מסורקי ה‑MRI. המחברים בונים על רשת זיהוי תמונה חזקה בשם DenseNet121, שאומנה במקור על צילומים יומיומיים, ומאמנים אותה מחדש לזיהוי דפוסים בסריקות מוח. לפני שהתמונות מגיעות לרשת זו הן מעובדות בקפידה: גודלן מתואם, הניגודיות מוחלקת ומוחשמת, והאזורים הסבירים ביותר להכיל גידול מבודדים באמצעות שיטת אשכולות שמקבצת פיקסלים דומים יחד. שלבים אלה מסייעים למחשב להתמקד ברקמת המוח החשובה ביותר ולהפחית הסחות דעת מרעשים או ממבנים ברקע.

שילוב מספר דרכי הסתכלות על גידול

במקום להסתמך רק על מה שהרשת העמוקה לומדת בעצמה, המערכת גם מחשבת תיאורים קלאסיים של תמונה שבהם רדיולוגים ומהנדסים השתמשו במשך שנים. קבוצה אחת מתארת כיצד נקודות בהירות וחשוכות מסודרות זו לצד זו, ומדגישה מרקם וקצוות. קבוצה נוספת מתמקדת בדפוסים מקומיים זעירים בעוצמת הפיקסלים, שיכולים לחשוף גרעיניות עדינה ברקמה. הקבוצה השלישית עוקבת אחרי אופן התאגדות אינטנסיביות דומות על פני אזורים גדולים יותר, ומדגישה האם אזור חלק ואחיד או כתמי וסדיר פחות. על‑ידי מיזוג של שלוש נקודות מבט אלה למערכת תכונות אחת, המודל מקבל תיאור עשיר יותר של כל גידול חשוד מאשר רק מלמידה עמוקה לבדה.

הפיכת הנתונים לניתנים לניהול ומהימנים

התיאור המשולב של כל סריקה הוא בר-ממדים מאוד, דבר שעלול לבלבל אלגוריתם למידה ולהוביל להתאמת-יתר — מצב שבו המודל שורשר תמונות אימון במקום ללמוד כללים כלליים. כדי להימנע מכך משתמשים המחברים בכלי מתמטי בשם ניתוח רכיבים עיקריים (PCA) כדי לדחוס את המידע למספר קטן יותר של רכיבים אינפורמטיביים לפני הזנתו לרשת הסיווג. חשוב מזה, כל השלבים הללו מבוצעים באופן המדמה שימוש קליני אמיתי: סריקות מכל מטופל נשמרות או בקבוצת האימון או בקבוצת המבחן, לעולם לא בשתיהן, כך שהמודל לא יכול לרמות על ידי צפייה באותם מבנים פעמיים. הרשת עצמה כוללת שכבות דרופ‑אאוט וערבוב נתונים, טכניקות שמוסיפות בכוונה מקריות במהלך האימון כדי שהמערכת הסופית תהיה עמידה יותר למקרים חדשים.

כמה טוב המערכת מזהה סוגי גידולים שונים

החוקרים בוחנים את שיטתם על יותר משבעת אלפים תמונות MRI מאוסף ציבורי נפוץ. הסריקות מכסות ארבע קטגוריות: גליומה, מנינגיומה, גידול יותרת המוח ומוח נורמלי. בעיצוב ההיברידי שלהם הם משיגים דיוק כולל של כ‑95.9%. דיוק מדויק, שליפה ו‑F1 משולב — כל מדדי הסטנדרט שמצביעים כמה מקרים מתוייגים נכון וכמה שגיאות נעשות — שומרים על ערכים סביב 94% כל אחד. המודל חזק במיוחד בזיהוי גידולי יותרת המוח ומוח תקין, ורק לעתים רחוקות מבלבל בין גליומות למנינגיומות, שיכולות להיראות דומות בגבולותיהן. עקומות הלמידה מראות שביצועים על תמונות האימון ועל תמונות הוולידציה הבלתי נראות עולים יחד ללא פערים גדולים, דבר שמרמז שהרשת התחמקה ממלכודת ההתאמת-יתר הנפוצה.

מה זה עשוי לה betekenen למטופלים ולרופאים

ללא‑מומחה, המסר המרכזי הוא ששילוב של מספר דרכי תיאור תמונה עם רשת למידה עמוקה מודרנית יכול להפוך סריקות MRI גולמיות להצעות אוטומטיות, אמינות לגבי סוג הגידול. המערכת אינה נועדה להחליף רדיולוגים, אלא לשמש כזוג עיניים שני שעובד במהירות ובעקביות על כמויות גדולות של סריקות. עם בדיקות נוספות על נתונים מבתי חולים וסורקים שונים ושיפורים עתידיים באופן סימון הגידולים ובבחירת התכונות, כלים כאלה עשויים לסייע לזהות גידולים מסוכנים מוקדם יותר, להפחית סיווגים שגויים ולתמוך בהחלטות טיפול בזמן.

ציטוט: Pandey, B.K., Pandey, D., Lee, TF. et al. Hybrid deep neural network with PCA based features optimization for enhancing brain tumor classification. Sci Rep 16, 9968 (2026). https://doi.org/10.1038/s41598-026-39154-7

מילות מפתח: MRI של גידול מוח, אבחון בלמידה עמוקה, ניתוח תמונות רפואיות, סיווג גידול, זיהוי בסיוע מחשב