MSF-VMDNet לחלוקת תמונה מרובת מחלקות של סריקות שקופיות מלאות של סרטן העור באמצעות רשת קידוד כפול בתדרים מרובים

מדוע מיפוי סרטן העור חשוב

כאשר רופאים מאבחנים סרטן העור, הם לעתים קרובות מסתכלים על תמונות מיקרוסקופיות ברזולוציה גבוהה של פרוסות רקמה מוכתמות. תמונות אלה מציגות לא רק את הגוש הסרטני, אלא גם סוגים רבים של מבנים עוריים תקינים המשולבים ביניהם בצפיפות. שרטוט גבולות מדויקים סביב כל אזור באופן ידני איטי ועלול להשתנות בין מומחים. המחקר מציג שיטה ממוחשבת חדשה שנועדה להפריד אוטומטית בין רקמות מעורבות אלו בדיוק גבוה, מה שעלול לחסוך זמן ולהפוך אבחנות ליותר עקביות.

מפיגמנטים פשוטים לרקמה מסובכת

סרטן העור הוא אחד מסוגי הסרטן השכיחים בעולם, בחלקו כתוצאה מחשיפה מוגברת לקרינה על‑סגולית. אבחון מודרני מתחיל בדרך כלל בדרמוסקופיה, צילום מוגדל של העור, ולעתים ממשיך בביוּפסיה: חתיכת עור זעירה מוסרת, מוכתמת ונבדקת תחת מיקרוסקופ. בתמונות השקופיות המלאות הללו, הגידול משתלב דרך שכבות כגון העור החיצוני, רקמת חיבור עמוקה יותר, זקיקי שיער, בלוטות הזיעה והשומן. אזורים רבים אלה דומים זה לזה בצבע ובמרקם והגבולות ביניהם יכולים להיות מטושטשים, מה שמקשה אפילו על מומחים להבדיל בבירור בין גידול לרקמה תקינה.

דרך חדשה לקריאת תמונות מורכבות

רוב הכלים המחשוביים הקודמים התייחסו לבעיה כמו צביעה בת שני צבעים בלבד: "פגע" ו"לא פגע". זה עשוי לעבוד לתמונות שטח פשוטות, אך לא כשצריך לחלק שקופית לסוגי רקמה רבים בו‑זמנית. המחברים מתמקדים בערכת נתונים מאתגרת של סרטן עור שאינו מלנומה, שבה כל תמונה צריכה להיות מחולקת עד לעשר מחלקות רקמה נפרדות. המטרה שלהם היא לבנות מערכת שמבינה את הסדר הכללי של הרקמה ובו‑זמנית תופסת פרטים זעירים לאורך הגבולות — מאזן שעבור רשתות נוירוניות מסורתיות לעיתים קשה להשיג.

שני מוחות עדיפים על אחד

כדי לפתור זאת, הצוות תכנן את MSF‑VMDNet, רשת עם קודד כפול שניתן להחשיב לשני "מוחות" משלים הבוחנים את אותה שקופית במקביל. ענף אחד מבוסס על U‑Net, מודל נפוץ בדימות רפואי המצטיין בלכידת פרטים מקומיים עדינים. המחברים משדרגים אותו במודול ספקטרלי הממיר את התמונה לאוסף של תדרים — חלקם מתארים שינויים איטיים וחלקם קצוות ומרקמים חדים — ולאחר מכן משחזרים אותם כדי לחזק את גבולות המחלקות. במקביל, הענף השני, המבוסס על שיטה חדשה יותר בשם Vision Mamba, סורק את השקופית בצורה יעילה יותר, ממדגם יחסים לטווח ארוך כך שאזורים מרוחקים אך קשורים יכולים לעזור זה לזה.

להאזין לתדרים רבים במקביל

מידע בתדרים ממלא תפקיד מרכזי בארכיטקטורה זו. בעבודה בין מרחב התמונה הרגיל לתצוגה מבוססת‑תדרים, הרשת יכולה להתייחס בצורה שונה לצורות רחבות ולמבנים זעירים. רכיבים בתדר נמוך מסייעים לה להבין את הפריסה הכוללת של הגידול ושכבות העור הסמוכות, בעוד רכיבים בתדר גבוה מחדדים את הקצוות שבהם סוג רקמה אחד מסתיים ואחר מתחיל. מודולים שעוצבו בקפידה מאחדים את התצוגות הללו חזרה למפה מרחבית, ובלוק דיקוד נוסף (המכונה SCConv) מסנן אותות מיותרים תוך חיזוק דפוסים באמת אינפורמטיביים. התוצאה היא מפת אזורים נקייה ובעלת אמון גבוה יותר.

כמה טוב זה עובד בפועל?

החוקרים בדקו את MSF‑VMDNet על מערכת הנתונים של סרטן עור שאינו מלנומה והשוו אותה עם מגוון רחב של דגמי סגמנטציה מובילים, כולל U‑Net הקלאסי, שיטות מבוססות טרנספורמרים והיברידים אחרים של Vision Mamba. המערכת שלהם ייצרה קווי מתאר ברורים יותר של הגידול ופחות טעויות באזורים בעייתיים שבהם גידול, זקיקי שיער ורקמה מודלקת משולבים. במדדי חפיפה סטנדרטיים היא עלתה על כל המתחרים, והגיעה להסכמה של כ‑95 אחוז מול מסכות שרטוט מומחים. כדי לבדוק האם השיטה מתgeneralizצית מעבר למעבדה אחת ולסוג סרטן אחד, הצוות העריך אותה גם על שלושה אוספים נוספים: תמונות דרמוסקופיות של נגעי עור, תמונות מיקרוסקופיות של סוגים שונים של גרעיני תאים וסריקות CT של איברי הבטן. בכל המקרים השיטה נשארה מדויקת מאוד והציגה עליונות סטטיסטית על בסיסים חזקים.

מה המשמעות למטופלים ולרופאים

באופן פשוט, MSF‑VMDNet הוא מפתח אוטומטי לתמונות רפואיות שיכול להפריד גידולים לנוכח נוף צפוף של רקמות תקינות בדיוק יוצא דופן. אמנם הוא אינו מחליף את שיקול דעתם של פתולוגים, אך יכול לספק נקודת התחלה מהירה ומפורטת, לצמצם את המאמץ הידני ולסייע שלא להחמיץ אזורים סרטניים עדינים. מכיוון שהגישה עובדת היטב על סוגים שונים של תמונות רפואיות, היא עלולה להפוך לכלי רב‑תכליתי למשימות אבחון רבות. עם פיתוח נוסף ושילוב של מידע קליני, מערכות כאלה עשויות לתמוך בדירוג סרטן עור אמין יותר ובהחלטות טיפול מבוססות מידע טוב יותר.

ציטוט: Zhang, J., Pu, Q., Tian, J. et al. MSF-VMDNet for multi class segmentation of skin cancer whole slide images using a multi frequency dual encoder network. Sci Rep 16, 11722 (2026). https://doi.org/10.1038/s41598-026-40044-1

מילות מפתח: דימות סרטן העור, סגמנטציה בתמונות רפואיות, למידה עמוקה בפתולוגיה, ניתוח היסטופתולוגי, אבחון בינה מלאכותית