סינון אדפטיבי מרובה סקלות ושילוב AtRes_SRU–טרנספורמר למיון היסטופתולוגי של סרטן השד

מדוע זה חשוב לחולים ולרופאים

גילוי מוקדם של סרטן השד יכול להכריע בין טיפול פשוט למחלה מסכנת חיים, אך בדיקה של רקמה במיקרוסקופ היא עבודה איטית וסוביקטיבית. מאמר זה מציג מערכת מחשב חדשה המסייעת לפתולוגים למיין תמונות רקמת שד למקרים בלתי מזיקים ולעתים מסוכנים בצורה מדויקת ויעילה יותר. על‑ידי ניקוי זהיר של התמונות ושילוב כמה סוגי בינה מלאכותית, המערכת שואפת לתמוך באבחון מוקדם יותר, להפחית מקרים של סרטן שלא זוהו ולהקטין אזעקות שווא מיותרות.

לנקות את התמונה לפני קבלת ההחלטה

תמונות מיקרוסקופיות של רקמת שד רחוקות מלהיות מושלמות. הן מכילות רעידות אקראיות, תאורה לא אחידה ושינויים בצבע הנובעים מצביעת רקמה — כל אלה עלולים לבלבל גם אלגוריתמים מתקדמים. המחברים מציעים שלב מקדמי שנקרא סינון אדפטיבי מרובה סקלות, המשמש כמסנן רעשים חכם ועדין. במקום לטשטש הכל באופן שווה, הוא בוחן את התמונה במספר רמות פרטים ומסתגל לניגודיות ומרקם מקומיים. התוצאה היא שהרעש המפריע והארטיפקטים של הצבע מצטמצמים, בעוד שקצוות חשובים — כגון גבולות בין קבוצות תאים — נשמרים. זה נותן לשלביו הבאים של המערכת מבט ברור ואמין יותר על כל חתיכת רקמה.

ללמד את המחשב לעקוב אחרי דפוסי רקמה

רקמת השד אינה מספרת את סיפורה פיקסל אחרי פיקסל; המשמעות נוצרת מתוך היחסים בין אזורים סמוכים. כדי ללכוד זאת, המערכת חותכת כל תמונה מסוננת לפאצ’ים קטנים ומזינה אותם למחלץ תכונות בשם AtRes_SRU. החלק הזה משלב רשת שאריות עמוקה, המומחית בזיהוי צורות ומרקמים, עם יחידת זיכרון חזרתית קלה שמתייחסת לפאצ’ים סמוכים כשלבים ברצף. אף על פי ששום דבר לא נע בזמן, ארגון הפאצ’ים בסדר מסוים מאפשר למודל ללמוד כיצד מבנים זורמים על פני השקף — היכן מקבצי תאים מתחילים ונגמרים, כיצד בלוטות מעוקמות או נשברות וכיצד אזורים חריגים יושבים בתוך רקמה סדירה יותר. מנגנון תשומת לב משנה מעט את משקל ההשפעה ומכוון את המערכת להתרכז באזורים החשודים ביותר, כמו גרעינים לא סדירים או קבוצות תאים צפופות בלתי רגילות.

לראות את כל השקף, לא רק חתיכות זעירות

בעוד שדפוסים מקומיים חשובים, סרטן נוטה להתגלות גם דרך ארגון בקנה מידה גדול: עד כמה אזורים חריגים מפוזרים, כמה הם מתפרשים וכיצד הם מתקשרים עם הרקמה הסובבת. כדי לתפוס תמונה רחבה זו, המחברים מוסיפים מודול טרנספורמר, טכנולוגיה שפותחה במקור למודלי שפה. כאן כל פאצ’ הופך לטוקן, והטרנספורמר לומד כיצד כל פאצ’ קשור לכל האחרים. צורת קידוד מיקום מוחלטת אומרת למודל בדיוק מאין נלקח כל פאצ’ בשקף המקורי, ושומרת על הסידור המרחבי. בנוסף לכך, שכבת החלטה מקושרת בצפיפות משתמשת מחדש בתכונות מרמות עומק שונות ברשת, ובכך עוזרת למערכת לשמור גם על פרטים דקים וגם על הקשר הגלובלי כאשר היא מחליטה אם הדגימה שפירה או ממאירה.

להעמיד את המערכת למבחן

החוקרים אימנו והעריכו את מסגרת "ImTranNet‑TriCore" על אוסף ציבורי גדול של תמונות היסטופתולוגיות של השד, הכולל יותר מרבע מיליון פאצ’ים קטנים ממטופלים אמיתיים, סרוקים ברמות הגדלה שונות. מערך הנתונים מאתגר: מראה הרקמה משתנה משמעותית בין השקפים, והאזורים הממאירים יכולים להיות עדינים או לתפוס רק חלק קטן מהתמונה. למרות זאת, המערכת החדשה השיגה דיוק של כ‑98% בהבחנה בין פאצ’ים ממאירים לשאינם ממאירים ושמרה על ביצועים חזקים בכל רמות ההגדלה. היא עקפה בהתמדה מגוון שיטות נפוצות, כולל רשתות קונבולוציה מסורתיות, מודלים מחוזקים תשומת לב ועיצובים היברידיים המשלבים למידה עמוקה עם למידה מכונתית קלאסית.

ממספרים לאמון במרפאות אמיתיות

דיוק גבוה לבדו אינו מספיק ברפואה; רופאים צריכים להבין מדוע מערכת מגיעה להחלטותיה. לכן המחברים בדקו אילו אזורים בתמונה השפיעו ביותר על בחירות המודל באמצעות מפות חום וכלי חשיבות תכונות. הם מצאו שהמערכת נוטה להדגיש את אותם מבנים שהפתולוגים בוחנים: צורות וגבולות גרעיני התאים, ארגון הבלוטות וקבוצות צפופות של רקמה חריגה. במקביל, המודל שומר על שיעור אזעקות שווא נמוך ומציג ציוני ודאות שמותאמים בצורה חלקה — דבר חשוב להימנעות גם ממקרים של סרטן שלא זוהו וגם מביופסיות מיותרות. בעוד שהשיטה עדיין מתקשה בהבחנות עדינות מאוד ברמות הגדלה קיצוניות, המחקר מציע כי שילוב של ניקוי תמונה מדויק, מעקב אחר דפוסים מקומיים והבנת הקשר של כל השקף יכול לקרב את הערכת סרטן השד הממוכנת לאמינות שנדרשת בקליניקה.

ציטוט: Saravana Kumar, N.M., Kandala, M.K., Kaveri, P.R. et al. A multi-scale adaptive filtering and AtRes_SRU–transformer synergy for breast cancer histopathology classification. Sci Rep 16, 14387 (2026). https://doi.org/10.1038/s41598-026-41153-7

מילות מפתח: היסטופתולוגיה של סרטן השד, ניתוח תמונות רפואיות, למידה עמוקה, מודלי טרנספורמר, אבחון בסיוע מחשב