סיווג גידולי מוח באמצעות ResNet50 מותאם ואופטימיזציית דיוק דינמית לשיפור מהירות ודיוק האבחון

סריקות חכמות, תשובות מהירות יותר

גידולי מוח הם בין האבחנות המפחידות ביותר שאדם עלול להתמודד איתן, וכל שעה שנחסכת בזיהוי ובסיווג שלהם יכולה להיות קריטית. מחקר זה מציג מערכת בינה מלאכותית חדשה שקוראת סריקות MRI של המוח בדיוק כמעט מושלם תוך שימוש בכוח מחשוב נמוך יותר מרבים מהשיטות הקיימות. השילוב של מהירות, דיוק ויעילות זה עשוי לסייע בהבאת תמיכה אבחונית מתקדמת לא רק לבתי חולים גדולים, אלא גם למרפאות עם חומרה מוגבלת.

מדוע גילוי גידולי מוח כל כך קשה

גידולי מוח מופיעים בצורות, גדלים ומקומות שונים, ואף מומחים עלולים להתקשות להבחין בהבדלים עדינים בסריקות MRI. הגולגולת היא חלל סגור ונוקשה, ולכן כל צמיחה בלתי תקינה עלולה להשפיע על תפקודים מוחיים חיוניים — מה שהופך אבחון מוקדם ומדויק לקריטי. ה-MRI הוא כלי הדימות המועדף כי הוא מספק תמונות מפורטות של רקמות רכות ללא קרינה מזיקה. אולם ככל שמאגרי המידע גדלים וסוגי הגידולים מסווגים בצורה מדויקת יותר, רדיולוגים נאלצים לבדוק כמות עצומה של תמונות. זה הגביר את העניין במערכות ממוחשבות שיכולות לסמן ולסווג גידולים באופן אוטומטי, לעזור לרופאים לעבוד מהר יותר ולתפוס פרטים שעלולים להיהפך למוחמאים.

בנייה על ידי מנוע בינה מלאכותית מוכח

החוקרים התחילו מ־ResNet50, מודל למידה עמוקה נפוץ שהצטיין בזיהוי תבניות בתמונות שגרתיות. ResNet50 פופולרי מכיוון שהחיבורים הקצרים ("shortcut") שלו מאפשרים לו להיות עמוק מבלי להיתקל בבעיות במהלך האימון. עם זאת, הגרסה הסטנדרטית תוכננה לתמונות בשלושה ערוצים (RGB) ומאגרי נתונים גדולים, והיא צורכת הרבה זיכרון — בעיות עבור סריקות MRI בגווני אפור וחומרה טיפוסית בבתי חולים. הצוות התאימם את השכבה הראשונה של ResNet50 לקבלת תמונות MRI בערוץ יחיד ישירות והחליף את שכבת הפלט הכבדה והכללית במיסווג קל יותר שתואם למשימה ושלוונה לארבע קטגוריות: גליאומה, מנינגיומה, גידול היפופיזה וללא גידול.

לעשות יותר עם פחות חישוב

כדי להפוך את המערכת למהירה ומדויקת, הכותבים הציגו שיטת דיוק דינמית שמחליטה, בזמן אמת, עד כמה כל חלק ברשת צריך לבצע את החישובים שלו בדיוק גבוה. רוב השכבות העיבודיות הכבדות פועלות עם מספרים ברזולוציה נמוכה יותר שהם מהירים יותר וצרכני זיכרון נמוכים יותר, בעוד שלבים רגישים כגון נרמול וההחלטות הסופיות משתמשים בדיוק מלא לשמירת יציבות. הם גם משתמשים בלמידת העברה (transfer learning), כלומר המודל מנצל ידע שלמד ממיליוני תמונות כלליות ומדייק את עצמו על מאגר קטן יותר של MRI מוח. הגדלת הנתונים — פליפים פשוטים, סיבובים ושינויים בבהירות — מלמדת את הרשת לזהות גידולים גם כאשר הסריקות משתנות קלות. יחד, צעדים אלה צמצמו את מספר הפרמטרים בכ־3.7%, קיצרו את זמן האימון ביותר מ־12% והפחיתו את שימוש בזיכרון הגרפי ביותר מ־40% מבלי לפגוע בביצועים.

להפוך את החלטות ה-AI לקלות יותר לאמון

דיוק גבוה לבדו אינו מספיק ברפואה; רופאים גם צריכים להבין מדוע מערכת ה-AI הגיעה למסקנה מסוימת. כדי להתמודד עם זאת, החוקרים בנו גרסה שנייה "היברידית" של המערכת שלהם. במערכת זו ResNet50 משמש כמפיק תכונות, והופך כל MRI לטביעת אצבע מספרית מפורטת. במקום לשלוח זאת ישירות לשכבת פלט של למידה עמוקה, הם מעבירים אותו ל-Random Forest, שיטת למידת מכונה קלאסית המורכבת מעצי החלטה רבים. גישה זו מאפשרת לדרג אילו תכונות משפיעות על כל החלטה ולייצר מפות חזותיות שמראות באילו אזורי המוח הרשת התמקדה. במבחנים, המערכת ההיברידית השיגה דיוק של 99.31% — מעט מתחת לדגם הלמידה העמוקה הטהור אך עם יתרון של הסבריות ויכולת מעקב ברורה יותר אחר ההחלטות.

ביצועים שמתחרים במודלים מורכבים יותר

הצוות העריך את שיטותיו על אוסף ציבורי של 7,023 תמונות MRI שנלקחו משלושה מאגרים מבוססים וחולקו לארבע כיתות. ה‑ResNet50 המותאם הגיע לדיוק כולל של 99.69%, וסיווג כראוי כמעט כל מקרה של גידול ולא־גידול. הוא השיג רמת דיוק (Precision) של 100% לגליאומה, היפופיזה ומקרים בריאים, ותוצאות כמעט מושלמות למנינגיומה. מבחנים מפורטים הראו רגישות וספציפיות גבוהות לכל כיתה, כלומר המודל גם מצוין בתפיסת גידולים אמיתיים וגם במניעת אזעקות שווא. בהשוואה לגישות רבות עדכניות — כולל רשתות עמוקות יותר ותכניות היברידיות מתוחכמות — ה‑ResNet50 המותאם התאמה או עלה על חלקן, וכל זאת תוך שימוש במספר פרמטרים נמוך יותר והרצה יעילה על כרטיסי גרפיקה סטנדרטיים.

ממחקר לחדר הרדיולוגיה

המחברים מדמיינים את המערכת ככלי תומך החלטה שמשולב בזרימת העבודה של דימות בתי החולים ולא כהחלפה לרדיולוגים. בפועל, סריקות MRI יזרמו ממערכות בתי החולים הקיימות למודל ה‑AI, שיציע במהירות קטגוריית גידול ויבליט אזורי עניין מרכזיים. הרדיולוגים יבדקו את ההצעות האלה לצד התמונות הגולמיות, וישלבו שיקול דעת אנושי עם מהירות המכשור. המחקר מודה שנדרשת עוד עבודה, במיוחד מבחנים על מאגרים גדולים ומגוונים יותר, רב‑מרכזיים ושילוב שיטות דימות נוספות. עם זאת, התוצאות מרמזות שעיצוב זהיר וחשיבה חוסכת‑משאבים של AI יכול לספק עזרה מהירה, מדויקת ומסבירה באבחון גידולי מוח, ולשפר טיפול גם בסביבות שבהן כוח המחשוב מוגבל.

ציטוט: Mehrdad, V., Talebzadeh, R. & Fazaeli, N. Brain tumor classification using optimized ResNet50 with dynamic precision optimization for enhanced speed and diagnostic accuracy. Sci Rep 16, 9263 (2026). https://doi.org/10.1038/s41598-026-39926-1

מילות מפתח: MRI של גידול מוח, אבחון בעזרת למידה עמוקה, אופטימיזציית ResNet50, בינה מלאכותית לתמונות רפואיות, סיווג גידולים