שיטת מנהרת-ריי-מנטה עם אופטימיזציה בייסיאנית לכוונון היפרפרמטרים של רשתות קונבולוציה בדחיפה לסיווג סרטן ריאה

למה זה חשוב לחולים ולרופאים

סרטן הריאה הוא אחד מהסרטןיים הקטלניים ביותר, וזיהוי מוקדם בסריקות CT יכול להציל חיים. אך ללמד מחשבים לקרוא את הסריקות האלה בדיוק גבוה הוא מאתגר — גם מערכות בינה מלאכותית חזקות עלולות להיכשל אם לא מכוונות כראוי. המחקר מציג שיטה חכמה לכוונון רשת ניתוח תמונה קומפקטית כך שהיא תזהה סרטן ריאה בצורה מדויקת ויעילה יותר, מה שעלול בעתיד לסייע לרדיולוגים לקבל החלטות מהירות ואמינות יותר.

דרך חכמה יותר ללמד מחשבים

אבחון מודרני מבוסס תמונה נשען לעיתים קרובות על למידה עמוקה, שבה רשתות לומדות דפוסים ישירות מתוך תמונות רפואיות. מערכות אלה כבר הוכיחו שהן מסוגלות להבחין בין ריאות בריאות וגושים סרטניים, ולעתים להתחרות בשיטות מסורתיות. עם זאת, ההצלחה שלהן תלויה במידה רבה בהגדרות נסתרות כמו קצב הלמידה, מספר המסננים בקונבולוציה וכמות הרגולריזציה כדי למנוע התאמת יתר. באופן מסורתי, חוקרים מכוונים פרמטרים אלה בניסוי וטעייה או בחיפוש כוחני — תהליך איטי ויקר שעלול לפספס שילובים טובים יותר. המחברים טוענים שבתחום הדימות לסרטן ריאה דרושות אסטרטגיות כוונון שיהיו חכמות וגם מעשיות יותר.

שילוב שתי אסטרטגיות חיפוש

הצוות מציע הליך חיפוש דו-שלבי שמתייחס לכוונון המודל כאל חקר נוף לא נודע. ראשית, שיטה הסתברותית בשם אופטימיזציה בייסיאנית בוחנת תוצאות קודמות של המודל ומציעה את ההגדרות המבטיחות ביותר לנסות הבא, במקום לבדוק כל אפשרות בערימה. היא משתמשת בתחליף מתמטי של הביצועים כדי להנחות את החיפוש במרחב קצב הלמידה, מספר המסננים הקונבולוציוניים, מספר היחידות הצפופות ושיעור ההזרקה (dropout). לאחר שצעד גלובלי זה מצמצם אזור מועיל, נכנסת לשלב שיטה השואבת השראה מאיך שמנתרות ריי-מנטה מחפשות מזון בים. ההליך המבוסס על עדר משבש באופן עדין את ההגדרות המועמדות בתנועת שרשרת, בתבניות סיבוב ובקפיצות פתאומיות בסגנון "התהפכות" כדי לחדד מקומית ולהימנע מלכודות קטנות בנוף הביצועים.

רשת רזה בנויה לסריקות

כדי לנצל את אסטרטגיית הכוונון הזו, המחברים תכננו רשת קונבולוציה קלת משקל המותאמת לתמונות CT של הריאות. במקום מודלים כבדים עם מיליוני פרמטרים, העיצוב שלהם שואב רעיונות מארכיטקטורות חזון קומפקטיות לניידים. הוא משתמש בקונבולוציות נפרדות לפי עומק (depthwise separable) ושכבות pointwise כדי להקטין את כמות החישובים תוך שמירה על פרטים חזותיים חשובים, ואז מאחד תכונות מרמות עומק שונות ומזין אותן לשכבת סיווג סופית שמבחינה בין מספר קטגוריות ריאה. עיבוד תמונה קפדני מסייע אף הוא למודל על ידי הסרת רעשים בסריקות, שיפור ניגודיות, הדגשת קצוות ואיזון מערך הנתונים באמצעות הרחבות כך שמקרים נדירים או עדינים לא יעלמו.

כמה טוב השיטה עובדת

החוקרים בדקו את הרשת המכווננת שלהם על מספר מאגרים ציבוריים של CT לסרטן ריאה, כולל אוסף קליני ריאלי שבו מקרי ממאירות נפוצים יותר מאשר נורמליים. בהשוואה לארכיטקטורות נפוצות כמו MobileNet, ResNet, DenseNet ומודלים מבוססי טרנספורמרים, הרשת הקומפקטית שלהם משיגה דיוק דומה או גבוה יותר עם הרבה פחות פרמטרים וזמן חישוב נמוך יותר. עם תהליך הכוונון המשולב של בייזיאני ו"ריי-מנטה", המודל מגיע לכ־98 אחוז דיוק במבחן על ערך ביקורת אחד ושומר על דיוק וזיהוי (precision ו-recall) חזקים עבור מחלקות שפירות, ממאירות ונורמליות. ולידציה משולבת ובדיקות סטטיסטיות מצביעות על כך שאסטרטגיית החיפוש ההיברידית מניבה תוצאות עקביות ומשמעותית יותר לעומת סכמות אופטימיזציה אחרות כמו עדר חלקיקים ואלגוריתמים גנטיים.

מה זה עשוי ללכת למעשה

לעיני קוראים שאינם מומחים, המסר המרכזי הוא שכיוונון הדרך שבה מודל AI לומד יכול להיות חשוב לא פחות מעיצוב המודל עצמו. על ידי שילוב חיפוש הסתברותי גלובלי עם שלב שיפור מקומי בהשראה טבעית, המחקר מראה שרשת יחסית קטנה יכולה ללמוד לקרוא סריקות CT של הריאות באופן מדויק, תוך שימוש במשאבי מחשוב צנועים. אף שנדרשים עוד השוואות לשיטות כוונון חלופיות וניסויים קליניים רחבי היקף, העבודה מצביעת לכיוון כלים מבוססי AI שעשויים להשתלב בציוד בית חולים יומיומי, לתמוך ברדיולוגים בחוות דעת שנייה מהירה ואולי לסייע ללכוד סרטן ריאה מוקדם יותר ובאופן מהימן יותר.

ציטוט: Samal, S., Sunder, S., Gadekellu, T. et al. A manta ray-bayesian optimization approach for hyperparameter-tuned convolutional neural networks in lung cancer classification. Sci Rep 16, 14794 (2026). https://doi.org/10.1038/s41598-026-42506-y

מילות מפתח: סרטן ריאה, סריקת CT, למידה עמוקה, כוונון היפרפרמטרים, הדמיה רפואית