למידת עומק מונחית אנטומיה קונטקסטואלית לחלוקת בדיוק של הפוביאה בתמונות פונדוס של רטינופתיה סוכרתית

לראות את הסכנה בעיניים של חולי סוכרת

באמצע הרשתית של העין נמצא אזור קטן שנקרא פוביאה — והוא יכול להוות את ההבדל בין ראייה חדה לבין אובדן ראייה קבוע. רופאים כבר משתמשים בצילומי צבע של העין (תמונות פונדוס) כדי לסנן רטינופתיה סוכרתית, שהיא אחת הסיבות המובילות לעיוורון שניתן למנוע. עם זאת, הכלים האוטומטיים הקיימים לרוב מאתרים את הפוביאה כנקודה בודדת במקום לשרטט את השטח האמיתי שלה, שהוא מה שרופאים צריכים כדי להחליט מי זקוק להזרקות, מי צריך טיפול בלייזר ומי יכול להמתין בבטחה. המחקר הזה מראה כיצד שיטת בינה מלאכותית מבוססת נתונים יכולה ללמוד לזהות את הפוביאה כפי שעושה מומחה עיניים — על ידי התמקדות בכל הנוף האנטומי של העין ולא רק בפוביאה עצמה.

מדוע קשה לשחזר את גבולות הפוביאה

הפוביאה היא שקע זעיר ושטוח ברשתית שנותן לנו ראייה מרכזית חדה ותפיסת צבע עשירה. בתמונות פונדוס גבולותיה מטושטשים, המראה שלה משתנה בין מצלמה למצלמה, ומחלה עלולה להעמיס ולטשטש אותה אף יותר. שיטות חישוביות מסורתיות נשענו על כללי בהירות וגיאומטריה פשוטים, שמפסיקים לתפקד בנוכחות נגעים או תמונה באיכות ירודה. מערכות למידת עומק חדשות שיפרו את זיהוי הפוביאה, אך בדרך כלל מטפלות במבני העין בנפרד או מסתמכות על מבני רשת מורכבים יותר ויותר. שתי הגישות לעיתים מתעלמות מהמציאות הקלינית הבסיסית: רופאי עיניים אינם מחפשים את הפוביאה בבידוד — הם משתמשים בסממנים כמו הדיסק האופטי ודפוסי כלי הדם כדי לקבוע היכן חייבת להיות הפוביאה, גם כשהיא קשה לזיהוי.

להדריך את ה-AI לקרוא את מפת הדרכים של העין

המחברים מציעים אסטרטגיה שונה: במקום להמציא ארכיטקטורות רשת מורכבות יותר ויותר, הם מעשירים את התוויות שבהן מאמנים מודל סטנדרטי ויעיל. הם יצרו מאגר נתונים חדש, IDRiD-RETA-FV, שבו מומחי עיניים שרטטו בקפידה במדרג פיקסלים לא רק את הפוביאה אלא גם את הדיסק האופטי, כלי הדם, קווי המתאר של הרשתית והרקע. שני רופאי עיניים פעלו לפי פרוטוקול קפדני והגיעו להסכמה כמעט מושלמת על הסימונים הללו, מה שסיפק ייחוס מוצק למערכת ה-AI. במאגר זה שילבו את MNv4Fovea, מודל סגמנטציה המבוסס על ארכיטקטורה בשימוש נרחב, ואימנו אותו לסגמנטציה של כל המבנים האנטומיים בבת אחת. באמצעות הוספת הקשר באופן הדרגתי לתוויות האימון — תחילה רק פוביאה מול רקע, אחר כך הוספת הדיסק האופטי, אז הרשתית ולבסוף כלי הדם — הם יכלו למדוד ישירות עד כמה כל חלק אנטומי מסייע למודל למצוא את הפוביאה.

איך הקשר והגדלת נתונים חכמה משפרים דיוק

התוצאות מראות שקונטקסט חשוב מאוד. כשהמודל למד רק מתוויות של פוביאה ורקע, הוא זיהה נכונה מעט יותר מרבע מפיקסלי הפוביאה. הוספת הדיסק האופטי לבדה השיגה שיפורים צנועים בלבד. אך ברגע שהתווסף קו המתאר של הרשתית, הביצועים זינקו, והוספת כלי הדם דחפה את אחזור הפוביאה מעל 90 אחוז. במילים אחרות, כאשר למודל ה-AI ניתנה מפת הדרכים שהרופאים משתמשים בה — דיסק, כלי דם וגבול הרשתית — הוא הפך מדויק בהרבה בשרטוט הפוביאה. כדי לעזור למערכת לעבוד על תמונות ממצלמות שונות, הצוות גם פיתח שיטה חדשה לשינוי צבע ובהירות התמונה. הם טבעו את המראה של מאגרי עיניים ציבוריים אחרים באמצעות התפלגות סטטיסטית הנקראת התפלגות הערכים הקיצוניים הכללית (GEV) והמירו את תמונות האימון כדי לחקות סגנונות אלה תוך שמירה על האנטומיה. הגדלת הנתונים המבוססת על GEV הזו כמעט הכפילה את שיעור הגילויים המוצלחים של הפוביאה בהשוואה לתיקונים גיאומטריים סטנדרטיים בלבד.

הוכחה שזה עובד על מגוון מאגרים

MNv4Fovea נבדק הן על מאגר הנתונים החדש המסומן על ידי מומחים והן על מספר אוספים ציבוריים ידועים של תמונות רשתית. במבחן השמור של IDRiD-RETA-FV הוא השיג חפיפה גבוהה בין האזורים החזויים לאזורים האמיתיים של הפוביאה ומיקם את מרכז הפוביאה בטווח של כמה פיקסלים בלבד — למעשה תמיד זיהה את הפוביאה כשזו הייתה נוכחת. במאגרים חיצוניים כגון MESSIDOR, REFUGE, ARIA ו-MAPLES-DR, המודל השיג תוצאות התואמות או עולות על שיטות המובילות במידת הקרבה של חיזוי הפוביאה לנקודות הייחוס. מעניין שבמקרים מסוימים הציונים המספריים נראו צנועים כי מאגרי החוץ הגדירו "פוביאה" בצורה שונה — למשל סימנו אזור מקולרי רחב במקום הפוביאה הקלינית הזעירה — אך בדיקה מומחית הראתה שהחיזויים של המודל היו סבירים מבחינה אנטומית ולעיתים קרובות קרובים יותר לעמדת המומחים מאשר לתוויות המקוריות.

מה משמעות הדבר עבור מטופלים וכלים עתידיים

עבור אנשים החיים עם סוכרת, המחקר מדגיש דרך להוביל לכלים סקרניים אמינים ובעלי יכולת פריסה רחבה שעושים יותר מהצבת נקודה על הרשתית. על ידי למידה מההקשר האנטומי השלם — דיסק, כלי דם וגבול הרשתית — ולא על ידי הסתמכות אך ורק על טריקים ארכיטקטוניים, MNv4Fovea יכול למפות בדיוק את אזור הפוביאה, צעד מרכזי בהערכת האם בצקת או נגעים קרובים מספיק כדי לאיים על הראייה המרכזית. המחברים טוענים שהגישה הממוקדת בנתונים ומונחית האנטומיה יכולה להשלים שיפורים עתידיים בעיצוב רשתות, ואסטרטגיות דומות עשויות להיטיב בתחומים רבים אחרים של דימות רפואי שבהם יש לאתר מבנים עדינים בנופים מורכבים וחולים.

ציטוט: Chankhachon, S., Kansomkeat, S., Bhurayanontachai, P. et al. Contextual anatomy-guided deep learning for accurate fovea segmentation in diabetic retinopathy fundus images. Sci Rep 16, 10388 (2026). https://doi.org/10.1038/s41598-026-40287-y

מילות מפתח: רטינופתיה סוכרתית, דימות הרשתית, סגמנטציה של הפוביאה, למידת עומק, ניתוח תמונה רפואית