שיפור אבחון לוקמיה לימפובלסטית חריפה באמצעות VGG19 מחוזקת ב‑CBAM בלימוד עמוק

מדוע בדיקות מהירות יותר לסרטן הדם חשובות

לוקמיה לימפובלסטית חריפה (ALL) היא מחלת סרטן דם אגרסיבית שיכולה להיות מסכנת חיים בתוך שבועות אם לא מותגרת ומטופלת במהירות. כיום הרופאים מאבחנים לרוב ALL על ידי צפייה בתאי מח עצם ודם תחת מיקרוסקופ — משימה קפדנית וארוכת זמן התלויה במידה רבה בשיפוט מומחה. מחקר זה בוחן כיצד צורת בינה מלאכותית מותאמת עשויה לסייע לרופאים לזהות ALL ותתי‑הסוגים שלה מהר יותר ובעקביות גדולה יותר מתמונות מיקרוסקופיות, מה שעשוי להאיץ את הטיפול ועדיין לשמור על שליטת המומחים.

הסתכלות מקרוב על סרטן דם בילדות

ALL מופיעה כאשר תאי דם לבנים לא בוגרים, הנקראים לימפובלאסטים, מתרבים באופן לא מבוקר במח עצם וחודרים למחזור הדם. תאים חריגים אלה מצפופים על תאי דם בריאים ויכולים להתפשט למערכת העצבים. ALL היא סוג הסרטן השכיח ביותר בילדות, אך מופיעה גם במבוגרים. תחת המיקרוסקופ מומחים מחלקים את ALL לשלושה תתי‑סוגים עיקריים — L1, L2 ו‑L3 — לפי גודל וצורת התאים, מרקם החומר הגנטי שלהם ומראה הנוזל שסביבם. ההבחנה בין תתי‑הסוגים הללו, והפרדתם ממח עצם בריא, חשובה לבחירת הטיפול, אך גם מומחים עשויים להתקשות כאשר מראה התאים דומה מאוד.

להדריך מחשבים לראות כמו מומחים

החוקרים שאפו לבנות מערכת בינה מלאכותית שיכולה למיין תמונות מח עצם לארבע קבוצות: שלושת תתי‑הסוגים של ALL ודגימות נורמליות (לא‑לוקמיות). הם אספו 328 תמונות בהגדלה גבוהה ממעבדה קלינית בפקיסטן, שכללו חולים בגילאים 10 עד 45, ואז השתמשו בטכניקות הגברת נתונים — כגון סיבוב, היפוך ושינויים עדינים בירידה או בניגוד — כדי ליצור 1,585 דוגמאות אימון מגוונות תוך שמירה על מבני התאים המרכזיים. מערך הנתונים חולק לקבוצות אימון, ולידציה ומבחן, ונבחן עוד עם כלים סטטיסטיים שהראו כי המחלקות חופפות בדרכים מורכבות, דבר שמחזק שהמשימה אינה טריוויאלית גם עבור אלגוריתמים מתקדמים.

כיצד המודל החדש ממקד את תשומת הלב

בלב המחקר עומד גרסה מותאמת של רשת זיהוי תמונות ידועה בשם VGG19. מעליה הוסיפו המחברים "מודול תשומת לב בלוקי קונבולוציה" (CBAM) לאחר כל שלב ריכוז (pooling) עיקרי. בפשטות, המודל לומד תחילה תכונות בשכבות רבות מהתמונות, ואז משתמש בתשומת לב כדי להחליט אילו תכונות ואילו אזורים בכל תמונה ראויים למשקל גדול יותר. חלק אחד של מנגנון התשומת לב מדגיש את הערוצים המידעיים ביותר — תבניות כמו קצוות גרעין או מרקם פנימי — בעוד חלק אחר מדגיש את המיקומים החשובים ביותר בתוך התא. בערימה של שלבי תשומת לב בכמה עומקים ברשת, המערכת עוקבת אחרי רמזים חזותיים עדינים המסייעים לה להבחין, למשל, בין תתי‑סוגי לוקמיה הקרובים זה לזה.

כיצד המערכת מתפקדת

מודל VGG19 המחוזק ב‑CBAM נבדק מול מספר ארכיטקטורות לימוד‑עמוק פופולריות, כולל DenseNet, Inception, MobileNet וה‑VGG19 המקורי. באמצעות מדדי ביצוע סטנדרטיים, המודל החדש השיג דיוק כולל של 98.73%, גבוה בכ‑5.7 נקודות אחוזים לעומת VGG19 ללא תשומת לב וטוב יותר מכל המודלים המתחרים על אותם נתונים. תוצאות מפורטות הראו דיוק ומשחזר גבוהים בכל ארבע הקבוצות, כולל תת‑הסוג הנדיר L3, ועקומות מקבל‑מפעיל (ROC) שהתקרבו לאידיאל. הצוות גם ערך תיקוף צולב בק‑fold — אימון ומבחן על חלוקות שונות של הנתונים — כדי לבדוק שהממצאים יציבים, וביצע ניסויי "אבלאציה" שהדגימו שפעילות של תשומת לב הן בערוצי המידע והן במרחב בכמה שלבים הייתה קריטית להשגים.

מה המשמעות עבור חולים ורופאים

אף שהנתונים מבטיחים, המחברים מדגישים שמערכת זו אינה מוכנה להחליף מומחים אנושיים או לשמש באופן עצמאי בקליניקה. המחקר נשען על מערך נתונים קטן יחסית וממרכז יחיד, ואין מבחן עצמאי מבוסס‑מרכזים מרובים שיבהיר שהמודל עובד באותה מידה בסביבות או באוכלוסיות שונות. עם זאת, העבודה מראה שמנגנוני תשומת לב שמעצבים בקפידה יכולים לסייע לבינה מלאכותית להתרכז באותם פרטים חזותיים עדינים שפאתולוגים משתמשים בהם בקריאת צילומי מח עצם. בעתיד, מערכות דומות, שאושרו על מערכי נתונים גדולים ומגוונים הרבה יותר, יכולות לשמש ככלי תמיכה בהחלטה — לסמן במהירות מקרים חשודים, להציע תתי‑סוגים סבירים של ALL ולהציג מפות חום של האזורים שהשפיעו על התחזיות — כדי שהרופאים יוכלו לבצע אבחונים מהירים ובטוחים יותר.

ציטוט: Rahman, S.I.U., Abbas, N., Ali, S. et al. Improving acute lymphoblastic leukemia diagnosis through CBAM-enhanced VGG19 deep learning. Sci Rep 16, 11027 (2026). https://doi.org/10.1038/s41598-026-40184-4

מילות מפתח: לוקמיה לימפובלסטית חריפה, בינה מלאכותית בהדמיה רפואית, אבחון בלימוד עמוק, מנגנוני תשומת לב, מיקרוסקופיה של מח עצם