שיטה משופרת לזיהוי רטינופתיה סוכרתית באמצעות טכניקת למידה עמוקה מותאמת

מדוע גילוי מוקדם של נזק עיני חשוב

הסוכרת יכולה לפגוע בשקט בכלים הדקים בגב העין, ובהמשך להוביל לטשטוש ראייה או אפילו לעיוורון. רופאי עיניים יכולים לזהות מצב זה — הנקרא רטינופתיה סוכרתית — על ידי בדיקה של צילומים מפורטים של הרשתית. אך עם מיליוני אנשים בסיכון ומספר מועט של מומחים, מטופלים רבים אינם נבדקים בזמן. המחקר הזה בוחן כיצד מערכת בינה מלאכותית שעוצבה בקפידה יכולה לקרוא תמונות רשתית בצורה מדויקת ואמינה יותר, ולעזור לזהות בעיות מוקדם דיו כדי להציל את הראייה.

תמונות העין כמאגר מידע יקר ערך

צילומי רשתית, המכונים תמונות פונדוס, הם הרבה יותר מאשר צילומים פשוטים. הם לוכדים כיצד אור נספג, משתקף ומתפזר בשכבות העין, וחושפים כלי דם, נזילות זעירות וצלקות. תבניות אלה עשירות ברמזים על נזק סוכרתי, אך גם מורכבות: התמונות משתנות בעוצמת האור, בפוקוס, בסוג המצלמה ובמנעד האוכלוסייה. תוכניות מחשב מוקדמות הסתמכו על מדידות בעבודת יד, שהחמיצו שינויים עדינים, או על רשתות למידה עמוקה שיכולות להיות חזקות אך נוטות להתאים יתר על המידה, במיוחד כשאיכות התמונות או ההקשר הקליני שונים. האתגר הוא לבנות מערכת אוטומטית היכולה ללמוד מהנתונים העמוסים והמממדיים האלה מבלי להפוך לפגיעה או בלתי צפויה.

ללמד רשת עצבית לזהות סימני אזהרה מרכזיים

המחברים משתמשים תחילה במודל למידה עמוקה מודרני, EfficientNet‑B0, כ"מחלץ תכונות" מאומן היטב לכל תמונת רשתית. במקום שרופאים יסמנו ידנית כל דימום או משקע שומני, הרשת לומדת תבניות חזותיות מופשטות המופיעות בעקביות בעיניים חולות מול בריאות. כדי להפוך את המערכת לעמידה יותר, כל התמונות מנוקות ומאורגנות: הן מותאמות לגודל, מומרות לגווני אפור כדי להתמקד במבנה במקום בצבע, ומשופרות כדי להחדד כתמים זעירים ופרטי כלי דם. תמונות גווני האפור מומרות לאחר מכן לפורמט שהרשת המאומנת מראש יכולה לעבד, ושכבות הקצה של הרשת מכווננות בעדינות כך שהמסננים הפנימיים יגיבו חזק למבני רשתית במקום לחפצים יומיומיים.

להניח לאמתי דמויית עשב לבחור את הרמזים החשובים ביותר

אפילו לאחר למידה עמוקה, כל תמונה מיוצגת על ידי יותר מאלף תכונות מספריות, רבות מהן מיותרות. הזנת כולן לממיין מאטה את הלמידה ועלולה לטשטש את ההבדל בין שלבי המחלה. כדי להתמודד עם זאת, הצוות פונה למאיץ בהשראת טבע המשותף לתנועת העשבים. באלגוריתם האופטימיזציה הדינמי שלהם, כל "עשב" מייצג תת‑קבוצה שונה של תכונות. לאורך איטרציות רבות הלהקה בוחנת שילובים, בהנחיית איזון בין נדידה רחבה לבין התקרבות לאזורים מבטיחים. באופן קריטי, פרמטרי הבקרה משתנים עם הזמן, מה שמונע מהלהקה להיתקע מוקדם מדי. התוצאה היא קבוצת תכונות קטנה בהרבה ועשירה במידע — כ‑100 במקום 1,280 — שעדיין מקודדת סימנים חשובים כמו אשכולות מיקרואנוריזמות, כתמים של אקסודטים או דפוסים של נפיחות כלי דם.

ריבוי דעות פשוטות יוצר אבחנה חזקה יותר

במקום להסתמך על מודל יחיד, המערכת משתמשת בערמת אנסמבל של מספר ממיינים שונים. מכונת וקטורים תומכת (SVM), רשת בייזיאנית ועץ החלטה מקבלים כל אחת את מערך התכונות המותאם ומפיקים את ההסתברות שלהן שהעין שייכת לשלב מחלה מסוים. "הדעות" האלה מגולגלות לאחר מכן על ידי שיטת גרדיאנט‑בוסטרינג מהירה בשם LightGBM, שלומדת כיצד לשקלל כל מודל בסיס לפי המצב. העיצוב השכבתי הזה מפחית את הסיכוי שנקודות העיוורון של מודל בודד ישלטו. המחברים בודקים את המסגרת שלהם על מאגרי תמונות רשתית ציבוריים גדולים, כולל אוספים נפוצים כמו EyePACS ו‑APTOS, ומשווים אותה לצנרת למידה עמוקה מובילה ולמאיצים אחרים בהשראת ביולוגיה.

עד כמה המערכת מתפקדת במבחנים המדמים העולם האמיתי

במגוון ניסויים, מסגרת הלהקה‑הדינמית והאנאלסמבל מנצחת בעקביות שיטות מתחרות. במדדי מפתח היא מגיעה לכ‑94–95% דיוק, לציון F1 גבוה (מאזן בין מקרים שנפספסים והתרעות שווא), ולשטח תחת עקומת ROC של 0.96, דבר המעיד על הפרדה חזקה בין עיניים בריאות לחולות. היא גם מתכללת היטב על פני חלוקות אימון‑מבחן שונות ומאגרי נתונים נוספים, ושומרת על רוב ביצועיה כאשר התמונות מוכללות רעש או מעוותות באופן מלאכותי — תנאים שנועדו לחקות שונות קלינית אמיתית. לעומת זאת, אלגוריתמים של להקות מוקדמות עם הגדרות קבועות נוטים להתכנס מוקדם מדי, לשמור על יותר תכונות מיותרות ולהניב רגישות וסגוליות נמוכות יותר, במיוחד בנתונים מאתגרים או לא מאוזנים.

מה זה אומר עבור מטופלים ומרפאות

במונחים יומיומיים, המחקר מראה ששילוב של רשת ניתוח תמונה מודרנית עם להקה חכמה לבחירת תכונות וקבוצת ממיינים פשוטים יכול להפיק "קורא שני" מהיר, מדויק ובעל עמידות יחסית למחלת העין הסוכרתית. כלי כזה לא יחליף רופאי עיניים, אך יכול לסייע לסמן מטופלים בסיכון מוקדם יותר, במיוחד במרפאות עמוסות או עם משאבים מועטים שבהן המומחים נדירים. המחברים מציינים כי נדרשת עוד אימות על נתונים מקומיים מבתי חולים ועבודה מתמשכת לצמצום עלות החישוב, אך הגישה המודעות לפיזיקה והמונעת על‑ידי אופטימיזציה מקרבת את סינון האוטומטי לפריסה אמינה ושימושית בחיים האמיתיים.

ציטוט: Darwish, S.M., Milad, K.G. & Ibrahim, R.E.ED. An enhanced diabetic retinopathy detection approach using optimized deep learning technique. Sci Rep 16, 9825 (2026). https://doi.org/10.1038/s41598-026-41998-y

מילות מפתח: רטינופתיה סוכרתית, הדמיית רשתית, למידה עמוקה, בחירת תכונות, בינה מלאכותית רפואית