שיפור רשתות גנרטיביות למיקום אנומליות בחזה באמצעות רישום אוטומטי והמרת נתוני אימון בלתי-מזווגים לפseudo-מזוגים

מדוע חשוב לזהות בעיות ריאה בשלבים מוקדמים

צילום חזה ברנטגן הוא אחד האמצעים המהירים והזולים ביותר לבחון את חלל החזה, ומיליונים מבוצעים מדי יום ברחבי העולם. עם זאת, נקודות מחלה קטנות או חלשות יכולות להיות קשות לזיהוי, אפילו למומחים, במיוחד כשן הן מתבלבלות עם צלעות, הלב או מבנים נורמליים אחרים. המחקר הזה חוקר כיצד בינה מלאכותית (AI) יכולה להדגיש באופן מהימן יותר אזורים חשודים בצילומי חזה מבלי לדרוש סימון מפורט פיקסל-אחר-פיקסל על-ידי רדיולוגים. זה הופך את הגישה לאטרקטיבית במיוחד עבור בתי חולים ומרפאות עם חוסר בזמן מומחים ותפוסה מטופלים גבוהה.

ההבטחה והקושי של מערכות ה-AI כיום בצילומי חזה

רבות ממערכות ה-AI הקיימות לצילומי חזה טובות במתן תשובה כן-או-לא לשאלות כמו "האם יש דלקת ריאות?" אך חלשות הרבה יותר בהצגת היכן בדיוק נמצאת המחלה. משפחת שיטות פופולרית, הנקראת רשתות קונטרסטיביות גנרטיביות (GANs), לומדת להמיר תמונה עם מחלה לגרסה שנראית נורמלית. על ידי חיסור בין השתיים, האלגוריתם יכול לחשוף אזורים חשודים. זה מושך מכיוון שאינו דורש סימונים מפורטים של כל נגע במהלך האימון. עם זאת, נתוני האימון בדרך כלל מורכבים ממערכי תמונות נורמליות ומאחרות עם סטיות שנאספו ממטופלים שונים. מכיוון שגודל הגוף, היציבה וצורת הריאות משתנים במידה ניכרת, ה-AI מתקשה להחליט האם הבדל בין תמונות נובע ממחלה או מפשטות אנטומית. התוצאה עלולה להיות ביצועים לא יציבים וארטיפקטים מוזרים, כמו עיוות או מחיקה של צלעות או רקמה נורמלית.

יצירת זוגות וירטואליים מתמונות בלתי-מזווגות

המחברים מתמודדים עם חולשה מרכזית זו על-ידי כפיית יישור אנטומי קרוב יותר לצילומי הרנטגן לפני שימוש בהם ללמידה ולניתוח. הם מציעים תהליך דו-שלבי, הנקרא IT-PR והרחבתו המבוססת-למידה עמוקה IT-DPR, שהופך אפקטיבית צילומי חזה נורמליים וחריגים בלתי-מזווגים ל"פסאודו-זוגות". בשלב הראשון, שאינו דורש אימון, השיטה משתמשת רק בקווי מתאר של הריאות כדי למפות כל נקודה בתוך הריאה למערכת קואורדינטות משותפת. ריאות שמאל וימין של כל מטופל מופרדות, נמתחות ומוזזות כך שמיקומים פנימיים מקבילים יהיו ממופות זהים בין אנשים, ביחס לריאה ייחוס אחת. זה כבר מצמצם רבים מהאי-התאמות הגסות בגודל ובצורה ללא תלות במידע מחלה או באימון רשתות עצביות.

למידת יישור עדינה יותר באמצעות למידה עמוקה

מכיוון שעיוות גאומטרי פשוט אינו יכול להתאים במדויק את הדקויות של אנטומיית הריאה, השלב השני מוסיף רישום מתפשר הנלמד. כאן, רשת עצבית מאומנת לא על זוגות לא קשורים של מטופלים, אלא על זוגות המורכבים מאותו מטופל: תמונת הריאה המקורית וגרסתה שיושרה מראש מהשלב הראשון. כך, הרשת לומדת רק לתקן הבדלי קואורדינטות, ולא להמציא או להסיר מחלה. רישום זה המיושר מפיק עיוותים חלקים וטבעיים יותר וממנע שתי דרכי כשל עיקריות הנראות בשיטות רישום קונבנציונליות: שטיפת נגעים אמיתיים כאשר התמונה ה"קבועה" בריאה, ויצירת הצללות או קפיצים לא ריאליים לאורך גבולות הריאה כאשר משתמשים במסכות גסות בלבד.

זיהוי חד יותר של שחפת ועכירות ריאתית באמצעות AI

כדי לבדוק את הגישה שלהם, החוקרים יישמו את צינור העבודה המוגבר ברישום על שתי בעיות מוכרות בצילומי חזה: גילוי שחפת וזיהוי התקשחות/עירוביות (consolidation), סוג של עכירות ריאתית הנראית בדלקת ריאות ומצבים אחרים. הם שילבו את IT-PR ו-IT-DPR בשני מודלים סטנדרטיים של תרגום מבוסס GAN, CycleGAN ו-CUT, והשוו אותם לאותם מודלים בפעולה המקובלת וכן למודל גנרטיבי יידע-רישום מוביל בשם Reg-GAN וכלי רישום פופולריים כמו VoxelMorph ו-SynthMorph. באמצעות "ציון אנומליה" ברמת המטופל שמסכם כמה חזק צילום החזה שונה מהמקביל הנורמלי שנוצר על-ידי ה-AI, השיטה החדשה שיפרה משמעותית את הביצועים. עבור שחפת, ההגדרה הטובה ביותר העלתה את שטח תחת עקומת ה-ROC מ-0.755 ל-0.928; עבור consolidation, היא שיפרה ערך שכבר גבוה מ-0.964 ל-0.991. הגישה גם ייצרה התנהגות יציבה יותר על פני סף החלטה שונים ומפות הדגשה נקיות וממוקדות יותר בהשוואה לתיבות המקופדות שסיפקו רדיולוגים.

מה משמעות הדבר למטופלים ולמרפאות

במונחים מעשיים, עבודה זו מראה כי יישור זהיר של צילומי חזה לפני ניתוח ב-AI יכול לעשות הבדל גדול באמינות איתור מוקדי מחלה. על-ידי יצירת זוגות וירטואליים של נורמלי–חריג ללא כל תויות ברמת הפיקסל, השיטה שומרת על עלויות תיוג נמוכות תוך שיפור הדיוק והפרשנות. למרות שהשלבים הנוספים של רישום מגדילים את זמן החישוב לעשרות שניות לכל תמונה, זה עדיין מתאים לזמני קריאה טיפוסיים של רדיולוגים. המסגרת במחקר היא אב-טיפוס ותלויה בסגמנטציה טובה של הריאות, אך היא מציגה רעיון חזק: כאשר ה-AI "מביט" בתמונות רפואיות דרך מפת אנטומיה משותפת, הוא טוב יותר בהבדלת שונות נורמלית מפאתולוגיה אמיתית, ומאפשר כלים אמינים ונרחבים יותר לדימות חזה.

ציטוט: Oh, S.J., Kim, K., Lim, C.Y. et al. Enhancing generative networks for chest anomaly localization through automatic registration-based unpaired-to-pseudo-paired training data translation. Sci Rep 16, 11125 (2026). https://doi.org/10.1038/s41598-026-39979-2

מילות מפתח: בינה מלאכותית לצילום חזה, מיקום אנומליה, רישום תמונה רפואי, רשתות אסטרטגיות גנרטיביות, גילוי שחפת