Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

שיטה דו‑שלבית לעיבוד מקדים וסיווג לזיהוי מדויק של COVID-19 בתמונות רנטגן

· חזרה לאינדקס

מדוע חשוב לקרוא רנטגנים באופן חכם יותר

במהלך מגפת COVID-19 הרופאים הסתמכו בעיקר על בדיקות מעבדה כדי לאשר מי נשא את הנגיף. אך ציוד מעבדתי עלול להיות מוקצב והתוצאות יכולות להימשך זמן—במיוחד באזורים עם משאבים מצומצמים. רנטגן חזה, לעומת זאת, זמין ומהיר, ובכל זאת גם רדיולוגים מומחים יכולים להתקשות לזהות את השינויים העדינים בריאות שנגרמים על ידי COVID-19. מאמר זה חוקר דרך ללמד מחשבים לקרוא רנטגנים בצורה אמינה יותר על ידי ניקוי התמונה תחילה ואז יישום שיטות בינה מלאכותית מודרניות, במטרה לסייע לרופאים לקבל החלטות מהירות ומדויקות יותר.

לראות את הפרטים החשובים בתמונות רועשות

רנטגן חזה מכיל תערובת של מידע: עצמות, רקמות רכות, צללים וארטיפקטים של המכשיר – כולם משולבים יחד. מערכות למידה עמוקה סטנדרטיות מנסות ללמוד ישירות מהתמונות הגולמיות, כלומר הרשת חייבת לגלות בעצמה אילו חלקים בכל תמונה חשובים. זה קשה כאשר התמונות נבדלות בעוצמת אור, ניגודיות ואיכות. המחברים מתמודדים עם זאת על‑ידי הוספת שלב עיבוד מקדים ייעודי לפני שהרנטגנים מגיעים לרשת הנוירונים. הם משתמשים בטכניקת ראיית מחשב בשם Maximally Stable Extremal Regions (MSER), הסורקת את התמונה ברמות בהירות שונות ובוחרת אזורים שנשארים יציבים כאשר הסף משתנה. פתחים יציבים אלה לעתים קרובות מתאימים למבנים משמעותיים—כגון אזורים של רקמת ריאה חריגה—ובו בזמן מתעלמים מקשקוש אקראי.

Figure 1
Figure 1.

לאפשר לארבעי הזאבים הווירטואלי לכוונן את ההגדרות

MSER עוצמתי אך קפדן: הביצועים שלו תלוים מאוד במספר הגדרות מספריות ששולטות בגודל אזור, בכמה הבהירות שלו יכולה להשתנות ובחלקותה של קצוותיו. בדיקה ידנית של כל השילובים עבור אלפי רנטגנים תהיה מעייפת ואיטית. כדי לפתור זאת, החוקרים מגייסים שיטת אופטימיזציה בהשראת טבע בשם Grey Wolf Optimizer. באלגוריתם זה חבורה וירטואלית של "זאבים" בוחנת שיבוצים שונים של פרמטרים, נעה בהדרגה לעבר אלו שמייצרים את האזורים הנקיים והמידעיים ביותר בתמונות. איכות כל הגדרה מדורגת באמצעות מדד שמעניק נקודות לאזורים שהם גם אחידים פנימית ומובחנים היטב מהסביבה שלהם. לאורך כמה עשרות איטרציות לכל תמונה, החבורה מתכנסת לקבוצת פרמטרים שמבליטה בצורה ברורה אזורים חשודים בריאה.

ללמד רשתות נוירונים עם תמונות נקיות יותר

לאחר שהרנטגנים עובדו בצורה זו, הם מועברים לרשת עצבית קונבולוציונית עמוקה—אותו סוג מודלים הנפוץ בזיהוי פנים וברכבים אוטונומיים. המחברים בחנו את הצינור הדו‑שלבי שלהם עם שלוש משפחות רשת שונות: רשת מותאמת ופשוטה, DenseNet (ארכיטקטורה חזקה ומורכבת יותר) ו‑MobileNet (מודל קל למשאבים המיועד למכשירים ניידים). עבור כל אחת מהן הם השוו ביצועים על שני מאגרי רנטגן חזה ציבוריים, תחילה באמצעות תמונות גולמיות ואז באמצעות תמונות שעברו עיבוד מקדים בשילוב MSER‑Grey Wolf. בכל המקרים התמונות שעברו עיבוד הובילו לדיוק גבוה יותר, פחות אזעקות שווא וזמני אימון מהירים יותר. במקרה אחד הדיוק עלה מכ‑90% לכמעט 99%, בעוד שזמן האימון התקצר בכ‑כשלוש רבעים.

Figure 2
Figure 2.

כמה איתנה גישה זו בעולם האמיתי?

כדי לבדוק האם השיטה פשוט שיננה משמעויות של מאגר בודד, המחברים ערכו מבחן קשה יותר: הם אימנו את המודלים על אוסף רנטגנים אחד ואז העריכו אותם על אוסף שונה שמעולם לא נחשפו אליו. הביצועים כמובן ירדו, אך המערכות שהשתמשו בשלב העיבוד החדש החזיקו מעמד הרבה יותר טוב מאלה שאומנו על תמונות גולמיות בלבד. המחקר כלל גם ניתוח אבלאציה שהראה ששימוש ב‑MSER ללא כוונון אוטומטי לא עזר הרבה, וכן השוואה לשיטת שיפור ניגודיות קונבנציונלית יותר. במקרים אלה הרווחים נעלמו ברובם. זה מרמז שהמרכיב המרכזי אינו רק "לשפר" את התמונות, אלא לכוון את האלגוריתם לבודד אזורים יציבים ורלוונטיים למחלה באופן מושכל ומונחה נתונים.

מה משמעות הדבר עבור מטופלים ורופאים

העבודה אינה מחליפה בדיקות PCR או רדיולוגים מומחים, והמחברים מציינים מגבלות: הנתונים הגיעו מבתי חולים מוגבלים, והם לא בדקו את השיטה על כל ארכיטקטורת רשת מודרנית או על מחלות ריאה אחרות. עם זאת, התוצאות שלהם מראות שעיבוד מקדים מתוכנן היטב יכול להפוך מערכות בינה מלאכותית קיימות לחדות ויעילות יותר. על ידי עזרה לרשתות הנוירונים להתרכז בחלקים המידעיים ביותר בכל רנטגן חזה, הגישה הדו‑שלבית מציעה דרך מעשית לכלי תמיכה אוטומטיים אמינים לאבחון COVID-19, ואולי גם מצבים נשימתיים אחרים—במיוחד בהגדרות שבהן החלטות מהירות ומשאבי מחשוב מוגבלים הן מציאות יומיומית.

ציטוט: González, A., Gutiérrez, V.G., Cuevas, E. et al. A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images. Sci Rep 16, 13514 (2026). https://doi.org/10.1038/s41598-026-41861-0

מילות מפתח: אבחון COVID-19 ברנטגן, עיבוד מקדים של תמונה רפואית, למידה עמוקה ברדיולוגיה, גילוי בעזרת מחשב, בינה מלאכותית בהדמיית חזה