רשמת רב-סקלתית היברידית של ResNet–Transformer עם למידה המודעת למרחק עבור סיווג ממוגרפי BI-RADS שניתן לפרש

מדוע זה חשוב למטופלות ולרופאים

סריקות לגילוי סרטן השד מצילות חיים, אך לקבוע אילו ממוגרמות באמת מעידות על סכנה זה קשה, אפילו למומחים. מחקר זה מציג כלי ממוחשב חדש שמטרתו למיין תמונות שד לקטגוריות הסיכון המוכרות של BI-RADS באופן מדויק ושקוף יותר. בכך הוא עשוי לסייע בהפחתת ביופסיות מיותרות, לאבחן סרטנים מסוכנים מוקדם יותר, ולספק לרדיולוגים חוות דעת נוספת ובעלת הסבר במקום תשובה של קופסה שחורה בלתי מובנת.

מתמונות השד לקטגוריות סיכון

בדווחי ממוגרפיה משתמשים בדרך כלל בסולם BI-RADS, שנע מ"נורמלי" עד "חשד גבוה לסרטן". הקטגוריות הקריטיות ביותר הן BI-RADS 3, 4 ו-5, שבהן מתקבלות החלטות על מעקב קצר טווח או ביופסיה. קוראים אנושיים יכולים לחלוק על הערכות, במיוחד בנשים עם רקמת שד צפופה, וזה עלול להוביל גם לפספוסי סרטן וגם לאי-נעימויות מיותרות. כדי לתמוך ברדיולוגים, הכותבים אימנו מערכת בינה מלאכותית על מאגר ממוגרפיות ציבורי שבו קוראים מומחים כבר תוו תמונות ב-BI-RADS 1 עד 5. הם גם התמודדו עם בעיה נפוצה: היו הרבה יותר תמונות נורמליות וברורות כחסרות חשד מאשר תמונות בסיכון גבוה, מה שיכול להטות את הלמידה אם לא מתקנים זאת.

כיצד הקורא החכם החדש רואה תמונות

המערכת המוצעת משלבת שתי רעיונות עדכניים בניתוח תמונה. ראשית, היא משתמשת ברשת קונבולוציה עמוקה (ResNet-50) כדי לתפוס פרטים עדינים כגון קצוות, מרקמים ונקודות בוהקות קטנות שעשויות להעיד על מיקרו-קלציפיקציות. שנית, היא מוסיפה מודול טרנספורמר, עיצוב שמקודם בעיקר במודלים לשפה, כדי לקשר בין חלקים מרוחקים בתמונה ולהסיק על דפוסים וסימטריה כללית. לפני כל זאת, הממוגרמות מעובדות בקפידה: גודלן מותאם, הקונטרסט מוגבר כדי להבליט נגעים ודפוסים עדינים, והקטגוריות הנדירות מאוזנות על ידי דגימה יתרה כך שהמודל יראה מספיק דוגמאות של מקרים חשודים וממאירים במהלך האימון.

ללמד את המודל שלהטעות מסוימות יש משקל שונה

מודלים ממוחשבים סטנדרטיים מתייחסים לכל שגיאת קטגוריה כלא פחות חשובה, אך כך הרפואה אינה פועלת. לטעות בין חזה ברור ונורמלי לבין חזה ברור כממאיר יש משמעות חמורה בהרבה מאשר לערבב שתי קטגוריות סמוכות כמו BI-RADS 2 ו-3. כדי לשקף זאת, הכותבים מציגים אסטרטגיית למידה "המודעת למרחק". במקום לספור רק נכון ושגוי, פונקציית ההפסד גם מודדת עד כמה החיזוי רחוק מהקטגוריה האמיתית על סולם ה-BI-RADS המסודר. קפיצות גדולות מושפלות יותר מאשר החטאות קרובות, מה שמניע את המערכת לקבוע גבולות חלקים יותר וסבירים יותר מבחינה קלינית בין רמות סיכון ולהימנע מהטעיות המסוכנות ביותר.

עד כמה היא ביצעה במבחנים

אומנה וכוונה בשני שלבים, והמערכת הפגינה ביצועים חזקים כאשר הוערכה על מערכת בדיקה ששמרו עליה בצד. היא הקצתה נכונה קטגוריות BI-RADS בכ-92% מהמקרים באופן כללי והשיגה ציונים גבוהים מאוד במדדים שמתחשבים באי-שוויון בכיתות ובקושי בריבוי קטגוריות. חשוב מכך, היא הייתה מדויקת במיוחד עבור BI-RADS 4 ו-5, הקבוצות שמובילות לרוב לביצוע ביופסיות. כמעט כל הטעויות שלה היו בין קטגוריות סמוכות, דבר המתיישב עם אזורי האפור שאנשי מקצוע נתקלים בהם במציאות. ניתוחים נוספים הראו שהסתברויות החיזוי שלה היו מכוילות היטב, כלומר רמת הביטחון שהיא הצהירה עליה תאמה את תדירות הדיוק בפועל, ושהיא עלתה על מספר גישות למידה עמוקה עדכניות שפותחו למשימות דומות.

לראות היכן המודל מסתכל

בשל חשיבות האמון ברפואה, הכותבים חצו מעבר למספרים וטחנו אילו חלקים בתמונה הכתיבו את החלטות המערכת. באמצעות Grad-CAM, טכניקה המדגישה אזורים משפיעים, הם מצאו שהמודל התמקד בעקביות בנגעים, בדפוסי רקמה צפופה ובאשכולות של נקודות בהירות זעירות יותר מאשר ברקע לא רלוונטי. ויזואליזציות של מרחב התכונות הפנימי הראו קיבוץ ברור של תמונות לפי רמת BI-RADS, במיוחד בהפרדת בדיקות חשודות וממאירות מתוצאות נורמליות וחסרות חשד. ניתוח עקומת החלטה הציע כי, אם ישולב לצד קלינאים, הכלי יכול להפחית התערבויות מיותרות תוך שמירה או שיפור של גילוי הסרטן, אף על פי שדבר זה צריך עדיין להיבחן בפרקטיקה בעולם האמיתי.

מה משמעות התוצאות לעתיד

עבודה זו מראה ששילוב רעיונות של קונבולוציה וטרנספורמר, ולימוד מפורש שהטעויות אינן שוות, יכולים לייצר עוזר בינה מלאכותית שהוא גם מדויק וגם מותאם יותר לחשיבה קלינית. במחקר יש הגבלות של מאגר נתונים צנוע ומקור יחיד וחוסר אימות חיצוני, אך הוא מצביע על מערכות AI שלא רק משוות לרדיולוגים בביצועים אלא גם מסבירות את מוקדן וביטחון החיזוי. עם בדיקות נוספות על אוכלוסיות גדולות ומגוונות יותר, כלים כאלה יכולים להפוך לשותפים אמינים בסקר גילוי סרטן השד, ולעזור להבטיח שנשים המתאימות יקבלו את המעקב הנכון בזמן המתאים.

ציטוט: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

מילות מפתח: סקר לגילוי סרטן השד, בינה מלאכותית בממוגרפיה, סיווג BI-RADS, למידה עמוקה ברדיולוגיה, הסבריות בתמונות רפואיות