יישום אופרטורים OWA חלקים למיון של רטיניטיס פיגמנטוזה

מדוע זה חשוב לראייה

אובדן ראייה הדרגתי כתוצאה ממחלת עיניים תורשתית הוא תרחיש מפחיד, ואבחון מוקדם של מצבים אלה קריטי לשמירה על הראייה. המחקר הזה בוחן כיצד אינטיליגנציה מלאכותית מודרנית יכולה לסייע לרופאים להבחין בין מספר הפרעות רשתית נדירות אך חמורות, כולל רטיניטיס פיגמנטוזה, באמצעות צילומים מפורטים של החלק האחורי של העין. על ידי מציאת דרך חכמה יותר לשלב את שיפוטיהם של מספר מודלים ממוחשבים שונים, החוקרים מראים שמחשבים מסוגלים לזהות מחלות אלה באופן מהימן הרבה יותר מאשר בעבר, גם כאשר זמינים רק מספר קטן של תמונות מטופלים.

זיהוי מחלה בתמונות עין

רטיניטיס פיגמנטוזה היא קבוצת מצבים גנטיים שמחריבה בהדרגה את התאים החשים באור ברשתית. אנשים לרוב מבחינים תחילה בבעיה בראיית לילה, אחר כך מאבדים ראייה צידית, ובמקרים מסוימים בסופו של דבר מעוררים לעיוורון. הפרעות קשורות, כגון דיסטורפיה של קנים-מקשים ותסמונת אושר, עשויות להיראות דומות בתמונות עין ולשתף דפוסים חזותיים עדינים. במחקר זה, מומחים במרכז רפואי בלובלין, פולין, אספו תמונות רחבות-שדה של הרשתית מ-186 מטופלים עם המצבים הללו, יחד עם תמונות מעיניים תקינות שהופקו ממסד נתונים נפרד. התוצאה הייתה משימת סיווג לחמש קטגוריות: שתי צורות גנטיות של רטיניטיס פיגמנטוזה, דיסטורפיה של קנים-מקשים, תסמונת אושר ובקרים בריאים. מערך הנתונים היה קטן ולא מאוזן, בהתאם לנדירות בעולם האמיתי — בחלק מהקטגוריות היו הרבה דוגמאות יותר מאחרות, מה שהפך את המשימה לאתגרית במיוחד.

לימוד מכונות לקריאת הרשתית

כדי לפרש את התמונות הללו, המחברים פנו למערכות חזקות לזיהוי תמונה שפותחו במקור לתמונות יומיומיות: רשתות עצביות קונבולוציוניות ודגמי טרנספורמר חדשים יותר. הם בחנו מספר ארכיטקטורות, כולל EfficientNet, ResNet, VGG, Inception ושתי גרסאות של Vision Transformer. כל רשת אומנה תחילה על מאגר תמונות כללי גדול ואז תוקנה (fine-tuned) על תמונות הרשתית — אסטרטגיה המכונה העברת למידה. הגדלות סטנדרטיות של נתונים, כגון הדפסה, סיבוב ועיוות קל של התמונות, עזרו למודלים להתמודד עם הבדלים במכשירי הצילום ובאנטומיה של המטופלים. אף על פי השיטות המתקדמות הללו, הרשת הטובה ביותר בודדת סיווגה נכונה רק כשליש־שניים ממקרי המבחן, והביצועים היו נמוכים באופן בולט בקטגוריות ההמחלה הנדירות ביותר.

לאפשר להרבה מודלים להצביע יחד

במקום להסתמך על רשת בודדת, החוקרים שאלו: מה אם נטפוס בכל מודל כמומחה אחד בפאנל ונשלב את דעתם? רעיון זה, שנקרא אגגרגציה או למידת אנסמבל, נפוץ בלמידת מכונה אך לעיתים קרובות ממומש בהצבעה פשוטה או ממוצע. כאן, הצוות השתמש במשפחה גמישה יותר של כלים המוכרת כאופרטורים ממוצע משוקלל מסודר (OWA). עבור כל אבחנה אפשרית, OWA לוקח את ההסתברויות שהפיקו כל הרשתות, ממיין אותן מהגבוה לנמוך, ואז מערבב אותן עם מערך משקלים שנבחר בקפידה. במעשׂה, הוא נותן השפעה רבה יותר למודלים שבטוחים יותר, תוך שהוא עדיין לוקח בחשבון את שאר המודלים. אגגרגציה זו לבדה הניבה קפיצה דרמטית בדיוק הכולל, מכ-68% בערך עבור המודל הטוב הבודד ליותר מ-93% כאשר תפוקות הרשתות שולבו בסכימת OWA בסיסית.

החלקת ההצבעה למקרים קשים

החידוש העיקרי של המחקר היה גרסה משופרת הנקראת Smooth OWA. במקום להתייחס לכל הסתברות של מודל בבידוד, Smooth OWA "מחליק" בעדינות כל ערך באמצעות שכניו לפני יישום המיזוג המשוקלל. כללי ההחלקה הושאלו מנוסחאות אינטגרציה נומריות קלאסיות, הידועות כמשוואות ניוטון–קוטס, שבהן משתמשים בדרך כלל לחישוב שטחים בצורה מדויקת. כשהן מתורגמות להגדרה זו, הן מסייעות להשוות תחזיות בלתי יציבות או גבוליות בין המודלים. בעוד שהרווח הנוסף על פני OWA סטנדרטי היה צנוע — בסדר גודל של חצי נקודת אחוז בדיוק — הוא היה עקבי בבדיקות חוזרות ודחף את הביצועים לכ-94%. שנית, מטריצות הבלבול הראו כי שגיאות הסיווג ירדו בצורה חדה בכל חמשת הקטגוריות, במיוחד עבור המחלות הנדירות ביותר. בקבוצות מסוימות, שיעורי הזיהוי הנכון עלו מכ-שני שלישים עם המודל הבודד הטוב לכדי מעל 90% עם Smooth OWA.

מה זה אומר למטופלים ולרופאים

ללא-מומחה, המסר המרכזי הוא שלא צריך מודל בינה מלאכותית בודד להיות מושלם כדי להיות שימושי קלינית. על ידי שילוב זהיר של מספר מודלים טובים אך בלתי מושלמים וייצוב עדין של תפוקותיהם, החוקרים הפכו סט של כלים "די טובים" לכלי החלטה חזק מאוד. גישת Smooth OWA שלהם התמודדה עם מערך נתונים קטן ולא מאוזן והגיעה עדיין לרמות ביצוע שקשה היה להשיגן אחרת. למרות שהעבודה עדיין נמצאת בשלב מחקר וצריכה לעבור אימות במחקרים רחבי היקף ובמספר מרכזים לפני שתדריך טיפול במטופלים בפועל, היא מצביעה על דרך ברורה קדימה: מערכות אבחון עתידיות למחלות עיניים נדירות עשויות להסתמך לא על אלגוריתם יחיד, אלא על "מועצה" מתואמת של אלגוריתמים שבהחלטת הקולקטיבית מדויק יותר ואמינה יותר.

ציטוט: Rachwał, A., Rachwał, A., Powroźnik, P. et al. Application of smooth OWA operators to classification of retinitis pigmentosa. Sci Rep 16, 11995 (2026). https://doi.org/10.1038/s41598-026-41840-5

מילות מפתח: רטיניטיס פיגמנטוזה, למידה עמוקה, הדמיית רשתית, שיטות אנסמבל, בינה מלאכותית לאבחנה רפואית