אבחון סרטן השד בלתי תלוי בהגדלה באמצעות Vision Transformer משופר ב‑GWO עם נרמול צביעת רב‑שלבי

מדוע המחקר הזה חשוב למטופלים ולרופאים

סרטן השד הוא כיום הסרטן אשר מאובחן בשכיחות הגבוהה ביותר ברחבי העולם, ובחינה מיקרוסקופית של דגימות רקמה נותרה הסטנדרט הזהב לאישור המחלה. עם זאת, קריאת משלשלים אלה גוזלת זמן, עלולה להשתנות בין מומחים שונים, והופכת לקשה עוד יותר כשהתמונות צולמות ברמות הגדלה שונות או צבועות באופן מעט שונה במעבדה. המחקר בוחן כיצד דור חדש של כלים מבוססי בינה מלאכותית יכול לסייע לפתולוגים לזהות סרטן בעקביות רבה יותר על‑ידי כך שלומדים למחשבים לזהות דפוסים בשקופיות רקמת חלב, ללא קשר לאופן הצילום.

הבאת סדר לתמונות מיקרוסקופ לא אחידות

בבתי חולים ומעבדות אמיתיים, שקופיות רקמת חלב נדירות שנראות באותו אופן בדיוק. הבדלים בצבעים, בתאורה ובאמצעי הסריקה יכולים לשנות את הגוונים הסגוליים למגוון של ורודים, אפילו כאשר הרקמה הבסיסית דומה. המחברים מתמודדים עם הבעיה הזו תחילה, לפני אימון כלי ה‑AI. הם מעצבים צנרת ניקוי בארבעה שלבים שמותאמת לקונטרסט, מאזנת את הבהירות הכללית, מתקנת תאורה לא אחידה ולבסוף מאחדת את מראה הצביעה הנפוצה המגנטו‑אוקסילין–איזון (hematoxylin–eosin). בעבודה על יותר מ‑7,900 תמונות ממאגר ציבורי בשם BreakHis, התהליך הזה מבהיר את מבני התאים ומייצב את הצבעים בין הדגימות ובין ארבע רמות ההגדלה הסטנדרטיות.

איזון בין דגימות בריאות לבין סרטניות

בעיה פרקטית שנייה היא חוסר איזון: המאגר מכיל הרבה יותר תמונות סרטניות מאשר שפירות. אם לא יתוקן, מודל ה‑AI עלול פשוט "ללמוד" לכנות הכול כסרטן ולזכות לציונים טובים במבחנים, אך להיכשל בחולים במציאות. כדי להימנע מכך, החוקרים מרחיבים באופן מלאכותי את מחלקת הדוגמאות השפירות באמצעות טרנספורמציות שנבחרו בקפידה ומחקות שונות בעולם האמיתי. הם הופכים תמונות, מסובבים אותן, משנים מעט את הבהירות והצבע, ומוסיפים טשטוש עדין — הכל מבלי להרוס את הפרטים התאיתיים הדקים החשובים לאבחון. לאחר שלב זה, דוגמאות שפירות וממאירות מותאמות באופן שווה בכל רמת הגדלה, מה שנותן למודל סיכוי הוגן ללמוד את שתי הקטגוריות.

לימוד של Transformer לקריאת שקופיות רקמה

במקום להשתמש ברשתות עצביות מבוססות קונבולוציה מסורתיות, הצוות מאמץ Vision Transformer — עיצוב שהומצא במקור לעיבוד שפה ולאחר מכן הותאם לתמונות. במקום לסרוק את התמונה עם מסננים קטנים, הטרנספורמר חותך כל שקופית לפצ'ים קטנים רבים ולומד כיצד חלקים אלה מתקשרים זה עם זה על פני כל התמונה. הפרספקטיבה הגלובלית הזו חשובה בהיסטופתולוגיה, שבה צורה וסידור התאים ודפוסי הרקמה יכולים להעיד אם גידול הוא שפיר או אגרסיבי. המודל מאומן בנפרד לכל רמת הגדלה (40×, 100×, 200×, 400×), והביצועים נבדקים בעזרת מדדים סטנדרטיים כגון דיוק, דיוק חיובי (precision), אחזור (recall), מטריצות בלבול ו‑cross‑validation כדי להבטיח שהתוצאות יציבות ואינן מוצר של חלוקה מזל‑פעם אחת של אימון‑מבחן.

מתן אפשרות לאופטימייזר בהשראת טבע לכוונון ה‑AI

ל‑Vision Transformers יש הרבה "כופפים" שמשפיעים באופן משמעותי על הביצועים: כמה עמוקה תהיה הרשת, כמה ראשי תשומת לב להשתמש, גודל הייצוגים הפנימיים, איזה dropout להחיל ומה שיעור הלמידה יהיה. במקום לכוונן את אלה בניסוי וטעיה, המחברים פונים למטה‑היוריסטיקה שנקראת Grey Wolf Optimizer. בהשראת אופן התיאום של זאבים במרדף ובהקפה של טרף, האלגוריתם חוקר קומבינציות של הגדרות ובהדרגה מתכוין אל אלו שממזערות את שגיאת הוולידציה. מוחל בנפרד על כל רמת הגדלה, הוא מגלם תצורות טרנספורמר שעושות שימוש יעיל יותר בתמונות שעברו ניקוי ואיזון.

שיפורים ברורים בדיוק בכל רמות ההגדלה

לאחר האופטימיזציה, המסגרת המשולבת — קדם‑עיבוד המודע לצביעה, איזון ספציפי להגדלה ו‑Vision Transformers מכוונים ב‑Grey Wolf — משיגה תוצאות חזקות ועקביות. דיוק במבחן מגיע לכ‑92% בהגדלה הנמוכה ביותר ועולה עד 94% בהגדלה הגבוהה ביותר. חשוב שהמקרים הממאירים מזוהים עם אחזור מעט גבוה יותר מהשפירים, מה שחשוב כי החמצת סרטן מזיקה בהרבה מהכנסת דגימה שפירה לסקירה נוספת. חזרה על הניסויים באמצעות cross‑validation בחמש קפלים מראה שונות מזערית, מה שמרמז שהמערכת לומדת רמזים חזקים במקום לשנן את סט האימון.

מה זה עשוי לשנות בטיפול העתידי בסרטן

במונחים פשוטים, המחקר מראה שכאשר תמונות רקמה מוסדרות בקפידה ומודל מבוסס טרנספורמר מכוון בחכמה, מערכת AI יכולה להבחין באופן מהימן בין דגימות שפירות לממאירות של השד על פני מספר רמות הגדלה מיקרוסקופיות. בעוד שהעבודה עדיין מוגבלת למאגר ציבורי יחיד ולהחלטה בינרית (סרטן או לא), היא מצביעה לכיוון כלים קליניים שיכולים לסייע לפתולוגים העמוסים על‑ידי סינון מקדים של שקופיות, הדגשת אזורים חשודים והפחתת מקרי סרטן שעוברו ללא זיהוי. עם ולידציה רחבה יותר בין מרכזים שונים וגיבוש נוסף, עוזרי AI בלתי תלויי‑הגדלה כאלה עשויים להפוך לחלק אינטגרלי מתהליכי פתולוגיה דיגיטלית, ותומכים באבחון סרטן השד במהירות ובעקביות רבה יותר.

ציטוט: Fatma, T., Sahu, P.K., Choudhury, S. et al. Magnification-independent breast cancer diagnosis using a GWO-enhanced vision transformer with multi-stage stain normalization. Sci Rep 16, 11930 (2026). https://doi.org/10.1038/s41598-026-42490-3

מילות מפתח: היסטופתולוגיה של סרטן השד, Vision Transformer, נרמול צביעת רקמה, סיווג תמונות רפואיות, אופטימיזציה בלמידה עמוקה