מנגנון תשומת לב מעורב ללמידת משימות מרובות לזיהוי מישור תקין של בטן עוברית ולגילוי מבנים אנטומיים מרכזיים

עוזרים לרופאים לראות לפני הלידה

אולטרסונוגרפיה טרום לידתית היא אחת החלונות הראשונים שעומדים לרשות ההורים והרופאים למצב העובר. אבל קריאת התמונות האפורות והגרעיניות הללו היא מיומנות שלוקחת שנים לפתח, ופרטים קטנים יכולים להכריע אם מזהים בעיה מוקדם או מפספסים אותה. במחקר זה מוצג מערכת מחשוב שנועדה לסייע: כלי בינה מלאכותית שיכול לזהות במהירות מבטים סטנדרטיים של בטן העובר ולהדגיש את האיברים המרכזיים שהרופאים מחפשים בסריקות שגרתיות במהלך ההיריון.

מדוע מבטים סטנדרטיים חשובים

כאשר אשה בהריון עוברת אולטרסונוגרפיה באמצע ההיריון, הקלינאי אינו סתם "מסרק" את התמונות. הוא מחפש במכוון קבוצה של מבטים סטנדרטיים של העובר. עבור הבטן, אלה כוללים חתכי רוחב המשמשים למדידת היקף הבטן, מבטים הממוקדים בשלפוחית השתן, חבל הטבור וכמה זוויות של הכליות והעמוד השדרה. ביחד, המישורים האלה מאפשרים לרופאים להעריך גדילה, לבדוק בעיות מבניות ולהעריך סיכונים סביב הלידה. השגת כל מבט סטנדרטי דורשת תנועות יד מדויקות והבנה טובה של אנטומיה, ופרוסות דומות במראן עלולות להטעות בקלות — במיוחד אצל צוות פחות מנוסה או כאשר התמונות רועשות.

הפיכת תמונות אולטרסאונד לנתונים

כדי לאמן מחשב לסייע במשימה זו, החוקרים אספו תחילה איסוף גדול של תמונות מהעולם האמיתי. במשך ארבע שנים הם ריכזו יותר מ‑6,700 תמונות אולטרסאונד של הבטן מיותר מ‑3,100 נשים בהריון במגוון בתי חולים ומשתמשים במכונות שונות. רופאי אולטרסאונד מנוסים עקבו בקפדנות אחרי 14 מבנים אנטומיים מרכזיים בכל תמונה — כמו הקיבה, השלפוחית, הכליות, כלי דם ראשיים, עמוד השדרה, צלעות וחבל הטבור — ותויגו אילו מבין שבעת המישורים הסטנדרטיים מייצגת כל תמונה. תהליך התיוג התובעני הזה יצר מפה עשירה שמקשרת דפוסי פיקסלים למבנים בעלי משמעות קלינית.

בינה מלאכותית בעלת כוונה כפולה ותשומת לב ממוקדת

בהתבסס על מאגר הנתונים הזה, הצוות פיתח מודל למידה עמוקה שהם קוראים לו FAUSP‑NET. בניגוד למערכות המבצעות משימה אחת בלבד, FAUSP‑NET הוא רשת רב‑משימתית: בעת מעבר יחיד היא גם מציירת תיבות סביב איברים מרכזיים וגם מחליטה לאיזה מבט סטנדרטי שייכת התמונה. מתחת למכסה המנוע, המודל משתמש שלד זיהוי עצמים מודרני, המורחב בכמה רכיבי "תשומת לב" שעוזרים לו להתמקד באזורים ובקני מידה המידעיים ביותר. כמה בלוקים של תשומת לב מדגישים הבדלים עדינים בין מבנים דומים במראה (למשל, כליה שמאלית לעומת ימנית, או חבל הטבור לעומת כלי דם סמוכים), בעוד שאחרים מסתגלים לאיברים בגדלים שונים מאוד. פונקציית אובדן שעוצבה במיוחד מסייעת למערכת ללמוד ממבנים נדירים או קשים לראות, ומשפרת את הדיוק שבו היא מתארת אותם.

כמה טוב המערכת מתפקדת

לאחר האימון, FAUSP‑NET נבחן על תמונות שמורות והושווה ל‑24 מודלים קיימים בתחום ראיית המחשב, כולל מאתרים של עצמים וממיינים תמונה פופולריים. הוא הוכיח עצמו כמדויק יותר מהם בכל הנוגע לזיהוי איברים ולזיהוי מבטים סטנדרטיים. בזיהוי איברים, הוא תאם נכון את סימוני הרופאים ברוב המכריע של המקרים וטיפל ברוב המבנים באמינות כמעט מושלמת; רק התכונות החלשות והקטנות ביותר, כגון כלי דם מסוימים והסרעפת, נשארו מאתגרות. בזיהוי מבטים, המערכת סיווגה נכון את התמונות כאחד משבעת המישורים הבטניים ביותר מ‑97% מהזמן. על חומרה סטנדרטית היא עיבדה כל תמונה בכ‑24 מילישניות — מהיר מספיק לשימוש בזמן אמת במהלך בדיקה.

השוואת הבינה המלאכותית למומחים אנושיים

כדי לבדוק כיצד הכלי משתווה לקלינאים אמיתיים, החוקרים העריכו אותו על סט נפרד לחלוטין של תמונות מבית חולים אחר והשוו את ביצועיו לרופאי אולטרסאונד זוטרים, בדרג בינוני ובעלי וותק. הדיוק של FAUSP‑NET בזיהוי מבנים וזיהוי מבטים סטנדרטיים התקרב או התאמה לזה של רופאים בכירים ומנוסים, ועקף בבירור את זה של רופאים פחות מנוסים. באופן מכריע, המערכת השלימה את הניתוח שלה בפחות מאחת מאית הזמן שדרש רופא בכיר כדי לסקור את אותם מקרים. טכניקות ויזואליזציה הראו שהמודל נוטה להתמקד באותם אזורים שעליהם נשענים המומחים האנושיים, מה שתומך בפרשנותו ובקבלת האפשרות לשלבו בפרקטיקה קלינית.

מה זה אומר למשפחות בהריון

במונחים יומיומיים, עבודה זו מראה שמערכת בינה מלאכותית מאומנת היטב יכולה לשמש כזוג עיניים נוסף במהלך סריקות טרום לידתיות של בטן העובר. FAUSP‑NET יכול במהירות לסמן אם המבט הבטני הנכון נתפס והאם איברים חיוניים נראים בבירור, לסייע לסונוגרפיסטים פחות מנוסים להימנע מטעויות ולשחרר מומחים להתמקד במקרים מורכבים. בעוד שעדיין נדרשים ניסויים נוספים ברחבי בתי חולים ומכשירים נוספים, הטכנולוגיה מצביעה על עתיד שבו סריקות היריון שגרתיות יהיו עקביות יותר, מהירות יותר ופחות תלויות במי שמחזיק את החיישן, ובכך עשויות לשפר את הטיפול לאימהות ולתינוקות כאחד.

ציטוט: Li, Y., Huang, Y., Liu, Z. et al. Mixed attention mechanism multi-task learning for fetal abdominal standard plane recognition and key anatomical structure detection. Sci Rep 16, 12324 (2026). https://doi.org/10.1038/s41598-026-40590-8

מילות מפתח: אולטרסונוגרפיה טרם לידתית, בטן עוברית, למידה עמוקה, זיהוי מישור תקני, ניתוח תמונה רפואית