זיהוי אוטומטי של ליקוי בזרימת הדם העוברית באמצעות הגדלת נתונים ושיפור האלגוריתם

מדוע רמזים זעירים בשלייה חשובים

לפני הלידה ולאחריה, השלייה תומכת בשקט בחיי התינוק על‑ידי ניתוב דם, חמצן וחומרי הזנה בין האם לעובר. כאשר הזרימה הזו מופרעת, כפי שקורה במצב המכונה ליקוי בזרימת הדם העוברית, עולה הסיכון לפגיעה בגדילה, לידה מוקדמת או אפילו לידה שלאחר המועד. כיום, זיהוי הנזק האופייני ברקמת השלייה עדיין מסתמך על מומחים הסוקרים שקופיות מיקרוסקופית בעין — תהליך גוזל זמן ועלול להשתנות בין פתולוגים. המחקר בוחן כיצד בינה מלאכותית מודרנית יכולה לסייע לקרוא תבניות רקמה עדינות אלה בצורה עקבית יותר, ומהווה צעד לקראת טיפול היריון מהיר ואמין יותר.

תבניות נסתרות בקו החיים של התינוק

ליקוי בזרימת הדם העוברית נוצרת כאשר זרם הדם מהעובר דרך השלייה נחסם באופן כרוני, לעתים בשל בעיות בחבל הטבור, קרישי דם או לחץ דם גבוה. מתחת למיקרוסקופ זה מתבטא במערך של נגעים קטנים — כלי דם חסומים, וילי פגועים או ריקים, ואזורי קריש או צלקת זעירים. זיהוי תבונות אלה לאחר הלידה יכול לאותת לרופאים על סיכונים בריאותיים לטווח הארוך של היילוד ולהנחות מעקב צמוד בהריון הבא. אך הנגעים משתנים בגודל ובמראה, והם עשויים להיות מפוזרים בחלקים רחבים של דגימות השלייה. בבתי חולים עמוסים או במקומות עם מעט מומחים, זה מקשה על אבחנה עקבית ומגביר את הסיכוי שימצאו אותות אזהרה חשובים.

להדריך מחשבים לקרוא תמונות רקמה

החוקרים שאפו לבנות מערכת אוטומטית שיכולה לזהות נגעים אלה מתמונות דיגיטליות של רקמת שלייה צבועה. הם התחילו בדגימות מ‑310 הריונות עם סיבוכי סוכרת הריונית, ויצרו כמעט אלפיים תמונות מקוצעות שלתפסו שבעה סוגי נגעים שכיחים הקשורים לליקוי בזרימת הדם העוברית. מאחר שמודלים חזקים של למידה עמוקה דורשים בדרך כלל נתונים רבים ממה שמרפאות יכולות לספק בקלות, הצוות פנה למסגרת הדמיה רפואית בשם MONAI. התוכנה יוצרת וריאציות ריאליסטיות של תמונות קיימות — החלפות עדינות, מתיחות, טשטוש, חידוד ושינויים בצבע וקונטרסט המדמים הבדלים אמיתיים בהכנת השקופיות ובסריקה — תוך שימור המבנים האבחוניים המרכזיים. הכפלת נתוני האימון בדרך זו העניקה למודל "ניסיון" עשיר יותר של איך אותו נגע עלול להיראות בתנאים מעט שונים.

כיצד מערכת הראייה החכמה עובדת

מעל ספריית התמונות המורחבת הזו, הצוות שיפר רשת זיהוי עצמים מהירה הידועה בשם YOLOv11. גרסאות סטנדרטיות של רשתות כאלה עלולות להתקשות עם חריגויות זעירות ובעלות קצוות דקים הנפוצות במחלות שלייה, במיוחד כאשר כל תמונה מלאה מכסה אזור גדול. המחברים הוסיפו מודול תשומת לב LocalWindow, שמבחינה מושגית חותך את תכונות התמונה לפאצ'ים קטנים רבים ומאפשר למודל למקד את כוח המחשוב בתוך כל פאץ'. בתוך חלונות אלה, סדרת צעדי תשומת לב מדגישה את הצורות והמרקמים המידעיים ביותר — כגון שינויים עדינים בדפנות כלי הדם או בקצוות הווילים — תוך דיכוי רקע אחיד. תכנון זה מסייע למערכת למקד את תשומת הלב בנגעים קטנים מבלי להיטרף על ידי הרקמה הסביבה הנורמלית, בדומה לאופן שבו פתולוג מצמצם מחשבתית את תשומת ליבו לפינה חשודה של השקופית.

מדידת השיפורים בדיוק ובאמינות

כדי להבין מה כל מרכיב תורם, החוקרים השוו בין שלוש הגדרות: מודל YOLOv11 המקורי, אותו מודל מאומן על תמונות מועתקות פשוטות, והגרסאות המשופרות שהשתמשו ב‑MONAI ובמודול LocalWindow רקע או יחד. חזרה פשוטה על תמונות למעשה פגעה בביצועים, מה שמרמז שהמודל החל לשנן את הדוגמאות המוגבלות במקום ללמוד חוקים כלליים. לעומת זאת, הגדלת הנתונים מבוססת MONAI צמצמה באופן דרמטי את הנגעים החסרים ושיפרה מספר מדדי דיוק. מודול תשומת הלב LocalWindow שיפר עוד יותר את יכולת המערכת לזהות נגעים בגדלים שונים. כשהאסטרטגיות הורכבו זו עם זו, המודל הגיע לתוצאות הטובות ביותר שלו, עם מדדים מרכזיים שהעלו בערך 6–10 אחוזים מעל הבסיס ועברו טווח של שיטות זיהוי פופולריות אחרות. הביצועים הכוללים נגעו ברמת פתולוג בינונית, תוך שהוא עדיין מתפקד במהירות מספקת לשימוש מעשי.

מה זה אומר לאמהות ולתינוקות

על‑ידי שילוב הרחבה מציאותית של נתונים עם דרך ממוקדת יותר "להסתכל" על רקמה, המחקר מצביע על כך שמחשבים יכולים ללמוד לסמן נגעי זרימת דם בשלייה בביטחון הולך וגובר. המחברים טוענים שכלים כאלה לא יחליפו מומחים אנושיים, אך יכולים לשמש כעוזרים בלתי נלאים — לסרוק שקופיות מראש, לסמן אזורים חשודים ולעזור לאחיד דיווחים בין בתי חולים. זה עשוי להיות יקר ערך במיוחד במרכזים עם מעט פתולוגים מיומנים, שם בעיות שלייתיות עדינות עלולות להישמט בקלות. על אף שהעבודה הנוכחית נעשתה בבית חולים יחיד ומתבססת על מערך נתונים צנוע, היא מסללת דרך למערכות רחבות יותר בריבוי מרכזים התומכות בטיפול הירוד מבוסס נתונים ועקבי יותר להריונות בסיכון.

ציטוט: Li, X., Jiang, Z., Chen, F. et al. Automated detection of fetal vascular malperfusion via data augmentation and algorithm improvement. Sci Rep 16, 11042 (2026). https://doi.org/10.1038/s41598-026-39942-1

מילות מפתח: שלייה, ליקוי בזרימת הדם העוברית, פתולוגיה חישובית, למידה עמוקה, תוצאות היריון