מערכת EfficientNetB0 מותאמת עם קדם‑עיבוד מבוסס CLAHE לסיווג מדויק רב‑כיתובי של רנטגן חזה

עזרה חכמה יותר מרנטגן חזה

רנטגני חזה הם בין הבדיקות הרפואיות הנפוצות ביותר בעולם, אך קריאתם באופן מדויק — במיוחד כאשר מספר בעיות ריאה או לב מופיעות בו בעת — רחוקה מפשטות. מחקר זה מתאר מערכת מחשובית חדשה המסייעת לרופאים לזהות מספר מחלות חזה בבדיקה אחת בצורה מדויקת יותר, באמצעות מודל בינה מלאכותית מכויל בקפידה ושלבי שיפור תמונה שהופכים פרטים עדינים לקלים יותר לזיהוי.

מדוע תמונות חזה קשות לקריאה

ברנטגן חזה שכבות רבות של איברים ורקמות חופפות: עצמות הצלעות, הריאות, הלב וכלי דם מתערבבים לתמונה שטוחה אחת. רדיולוגים מנוסים לומדים לפתור את הפאזל החזותי הזה, אך גם הם עלולים להתקשות כאשר מספר מצבים קיימים בו‑זמנית, כמו נוזל סביב הריאות, זיהום ולב מוגדל. כלים ממוחשבים קודמים נטו לפשט את המצב, וטיפלו בכל תמונה כאילו הציגה בעיה אחת בלבד או בכלל לא. זה הופך אותם לפחות שימושיים במרפאות אמיתיות, שם מטופלים לעתים קרובות סובלים ממספר מחלות בו‑זמנית.

בניית מבט נקי יותר על הריאות

החוקרים התחילו מאוסף ציבורי גדול של למעלה מ‑100,000 רנטגני חזה מאומתים, שהושחרו והוסרו מהם פרטים מזהים, ממוסדות בריאות בארצות הברית. הם התמקמו בחמישה ממצאים מרכזיים המשמעותיים בטיפול היומיומי: בדיקות תקינות, דלקת ריאות, ריאה קרועה (פנומוטורקס), נוזל סביב הריאה (אצע) ולב מוגדל (קרדיומגליה). לפני שה‑AI למד מהתמונות, כל רנטגן עבר צינור עיבוד נקי ומאוחד. התמונות נשמרו בגווני אפור, הקונטרסט הוגבר בעדינות באמצעות שיטת CLAHE כדי לחשוף דפוסים חלשים בריאות, הבהירות התואמה לעקביות וכל התמונות שונו לגודל אחיד. הצוות גם איזן בין ממצאים נדירים ונפוצים על‑ידי שכפול מבוקר של דוגמאות וחיתוך אחרות, כדי שהמודל לא יתעלם ממחלות חשובות אך בלתי שכיחות.

אימון בינה מלאכותית שמתחשבת במורכבות המציאות

בלב המערכת נמצא רשת EfficientNetB0, עיצוב מודרני של למידה עמוקה הידוע בהפקת ביצועים חזקים מתוך מודלים יחסית קטנים ומהירים. המחברים התאימו את הרשת הזו למציאות המעורבת של דימות חזה: במקום לכפות תשובה חד‑משמעית כן/לא, המערכת מפיקה הסתברות נפרדת לכל אחד מחמשת הממצאים, מה שמאפשר לה לסמן מספר בעיות בתמונה אחת. הם הוסיפו מרכיב דמוי תשומת לב שעוזר למודל להדגיש את הדפוסים המידעיים ביותר, והשתמשו בכלל אימון מיוחד שממקד את הלמידה במקרים הקשים והקלים להחמצה. האימון נעשה בשני שלבים — תחילה כוונון רק של השכבות הסופיות, ואז כוונון עדין של כל הרשת — תוך שימוש בצליבה קפדנית כדי לוודא שהתוצאות יציבות ולא נובעות מפיצולים אקראיים בנתונים.

עד כמה המערכת מבצעת טוב

כדי לבחון האם העיצוב שלהם אכן מסייע, הקבוצה השוותה את EfficientNetB0 עם שתי חלופות פופולריות, DenseNet121 ו‑MobileNetV2, בתנאים זהים. שלושת המודלים השיגו דיוק כולל דומה, אך EfficientNetB0 המותאם בלטה במקום החשוב ביותר ברפואה: היא הייתה טובה יותר בהבחנה בין חולים לבריאים ובהמנעת אבחנות שהוחמצו. בכל חמשת הממצאים היא הגיעה לציון ממוצע גבוה בנפרד של הבדלה בין מחלה לחוסר מחלה, והיא הייתה חזקה במיוחד בדלקת ריאות ובלב מוגדל. גם במקרים המורכבים יותר — ריאה קרועה ונוזל — שבהם סימני הרנטגן יכולים להיות עדינים ולהשתלב עם בעיות אחרות, המודל שמר על יכולת זיהוי יציבה תוך שמירה על עקביות על פני בדיקות חוזרות.

מה זה אומר למטופלים ולצוות הרפואי

המחקר מראה כי תשומת לב לזרימה המלאה — משלב ניקוי ואיזון הרנטגנים ועד לאופן אימון ה‑AI — יכולה להניב כלי שמשקף טוב יותר את המציאות המעורבת של דימות בבית החולים. במקום לשאוף להחליף רדיולוגים, המערכת המוצעת מיועדת לשמש כזוג עיניים נוסף, לסמן מספר בעיות אפשריות ברנטגן חזה יחיד ולהפנות תשומת לב למקרים שראויים לבחינה אנושית מדוקדקת יותר. עם תוצאות חזקות על מאגר ציבורי גדול ועיצוב שניתן להתאים לאוספים אחרים, גישה זו מקרבת את האבחון בעזרת מחשב לשימוש יומיומי, שבו קריאות רנטגן חזה מהירות ואמינות יותר יכולות לסייע למטופלים לקבל טיפול הולם ובזמן.

ציטוט: Hegazy, N.Y., Sawah, M.S. An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification. Sci Rep 16, 10811 (2026). https://doi.org/10.1038/s41598-026-42492-1

מילות מפתח: בינה מלאכותית לרנטגן חזה, גילוי מחלות ריאה, למידה עמוקה ברדיולוגיה, קדם‑עיבוד תמונה רפואית, סיווג רב‑תוויתי