ניתוח של מודלים היברידיים מבוססי CNN מותאמים בעזרת אלגוריתמים מטה־היוריסטיים לזיהוי מלנומה

מדוע בדיקות עור חכמות יותר חשובות

מלנומה היא צורת סרטן עור מסוכנת שיכולה להתפשט במהירות אם לא תיתפס בשלב מוקדם. רופאי עור משתמשים כיום במצלמות ותוכנה לצד המבט העין, אך תכנון מערכות בינה מלאכותית אמינות לתמונות אלו עדיין מהווה אתגר. מחקר זה בוחן שיטה חדשה לבניית מערכות כאלה על ידי מתן תפקיד אוטומטי לאסטרטגיות חיפוש בהשראת טבע בעיצוב וכיוונון מודל למידה עמוקה, במטרה לתפוס יותר מקרים של מלנומה תוך שמירה על רמת אזעקות כוזבת נמוכה.

ללמד מחשבים לראות עור בעייתי

החוקרים מתמקדים בתמונות דרמוסקופיות—תמונות מקוטבות ומוגדלות של נקודות עור שנלקחות במכשיר מיוחד. תמונות אלה מכילות דפוסים עדינים בצבע, מרקם וצורה שיכולים להעיד על סרטן. רשתות עצביות קונבולוציוניות (CNN) הן סוג של בינה מלאכותית שמתאימה במיוחד לזיהוי דפוסים חזותיים כאלו, אך הן רגישות: הביצועים שלהן תלויים בבחירות עיצוב רבות, כגון מספר השכבות, גודל המסננים וקצב הלמידה. באופן מסורתי, מומחים מנחשים או מכווננים ידנית הגדרות אלו, או משתמשים בעיצובים ממטלות לא קשורות, מה שיכול להגביל את התאמת המודלים לתמונות של סרטן העור.

לאפשר לאסטרטגיות חיפוש בהשראת הטבע לעצב את המודל

במקום לקבוע את מבנה ה‑CNN מראש, המחברים הופכים את כל העיצוב לבעיה של חיפוש. הם משלבים את ה‑CNN עם שישה אלגוריתמים מטה־היוריסטיים—אסטרטגיות חיפוש בהשראת התנהגויות טבעיות כמו קוקיות המטילות ביצים בקנים של ציפורים אחרות, זאבים הצדים בעדר, או להקות ציפורים הנעות כעדר. במסגרת זו כל מטה־היוריסטי מתייחס לעיצוב CNN שלם, כולל הגדרות האימון העיקריות, כפתרון מועמד. הוא מייצר רבים ממועמדים כאלה, בודק כל אחד על‑ידי אימון ואימות של ה‑CNN על תמונות עור, ובהדרגה מנחה את האוכלוסייה לעבר עיצובים בעלי ביצועים טובים יותר לפי הדיוק בהבחנה בין מלנומה לפגיעות שפירות.

ניקוי והעשרת התמונות לפני הכל

לפני כל למידה יש צורך בהכנה קפדנית של התמונות עצמן. הצוות משתמש במאגר HAM10000 הנפוץ, המכיל יותר מ־11 אלף תמונות דרמוסקופיות משבעה סוגי נגעים בעור, כולל מלנומה. הם משווים את כל התמונות לגודל אחיד, מתאזנים הבדלי בהירות ומסירים ארטיפקטים מסיחים כמו שערות וסימנים שעלולים לבלבל את המודל. כדי לסייע ל‑CNN להתמודד עם המגוון שנמצא במרפאות אמיתיות, הם יוצרים גרסאות מעט שונות לכל תמונת מלנומה על ידי חפיפה אופקית/אנכית, סיבוב, זום, חיתוך והתאמת בהירות. צעדים אלה משמשים גם לאיזון מספר דוגמאות המלנומה מול אלו שאינן מלנומה, וכך נמנעת הנטייה של המודל להעדיף את המחלקה השכיחה יותר.

בדיקת שישה אסטרטגיות חיפוש

בתוך מאגר הנתונים המטוהר והמורחב, ששת המטה־היוריסטיים—Cuckoo Search, Firefly Algorithm, Whale Optimization Algorithm, Particle Swarm Optimization, Grey Wolf Optimizer ו‑Crow Search Algorithm—מחפשים תצורות CNN חזקות. הם בוחנים בחירות כגון מספר שכבות הקונבולוציה, מספר המסננים בכל שכבה, האם ליישם טכניקת ייצוב שנקראת batch normalization, גודל כל אצווה לאימון וקצב הלמידה ששולט בקצב עדכון הפרמטרים. עבור כל עיצוב מוצע בונים CNN, מאמנים ומאמתים אותו על ערכת אימות נפרדת, והדיוק שלו מוזן חזרה לאלגוריתם החיפוש כציון שמנחה את סבב המועמדים הבא. מחזור זה חוזר במספר תרחישי ניסוי המשתנים בגודל האוכלוסיות ובמספר האיטרציות לכל ממטה־היוריסטי.

אילו אסטרטגיות הצליחו יותר

כל ששת הגישות ייצרו CNNים שעקפו רשת בסיס שנבנתה במיומנות וכווננה ידנית. הבסיס השיג בערך 84% סיווגים נכונים, בעוד שהמודלים המומלצים בעזרת המטה‑היוריסטיים הטובים ביותר הגיעו לכ־91% דיוק. שני אלגוריתמים בלטו: Cuckoo Search סיפק את הדיוק הכולל והרגישות הגבוהים ביותר—כלומר הוא התאפיין ביכולת טובה במיוחד לתפוס מלנומות ולהקטין את הסיכון לפספוסים. Grey Wolf Optimizer הציע דיוק חזק דומה אך השיג את היכולת הטובה ביותר לזהות נכונה נגעים שפירים, מה שמפחית אזעקות מיותרות. שיטות אחרות, כגון Firefly Algorithm, הציגו תחרותיות אך עם יותר שונות, בעוד ש‑Particle Swarm ו‑Crow Search נטו להתייצב מוקדם באזורים פחות אופטימליים של מרחב העיצוב.

הצצה ל"הגיון" של המודל

מכיוון שבינה מלאכותית רפואית צריכה לזכות באמון קלינאים, המחברים בוחנים גם כיצד ה‑CNNים המותאמים מקבלים החלטות. באמצעות טכניקת ויזואליזציה בשם Grad‑CAM++ הם מייצרים מפות חום צבעוניות על תמונות הקלט שמראות היכן הרשת "מטפסת" כשהיא מכריעה אם נגע הוא ממאיר או שפיר. במקרים מוצלחים, מפות אלה מתמקדות במקום עצמו ולא בעור הסובב או בארטיפקטים שנותרו, ומדגישות מבנים בלתי־סדירים התואמים את מה שרופאי עור רואים כחשוד. כאשר המערכת טועה, היא לרוב מתקשה עם נגעים שעבורם גם למומחים הוויזואליים יש עמימות, כמו כתמים שפירים בעלי מרקם גס או מלנומות מוקדמות עם ניגודיות עדינה מאוד.

מה המשמעות לבדיקה עתידית של העור

לחובב, המסר המרכזי הוא שהמחקר ממחיש כיצד מתן יכולת לעיצובים להיווצר באמצעות אסטרטגיות חיפוש בהשראת הטבע יכול להפוך זיהוי מלנומה אוטומטי ליותר מדויק ומהימן מאשר כוונון ידני בלבד. על ידי השוואה שיטתית של מספר אסטרטגיות על אותו מאגר גדול וציבורי, המחברים מזהים את Cuckoo Search ו‑Grey Wolf Optimizer ככלים מבטיחים במיוחד לבניית מערכות תמיכה בהחלטה קליניות בעתיד. על אף שמערכות אלו אינן מיועדות להחליף רופאי עור, הן עשויות לשמש כקוראים שניים בעלי ערך, לסייע בהבטחת פחות פספוס של נגעים מסוכנים ופחות יצירת חרדות ופעולות מיותרות עבור נגעים שפירים.

ציטוט: Hermosilla, P., Soto, R., Monfroy, E. et al. Analysis of hybrid CNN models optimized with metaheuristic algorithms for melanoma detection. Sci Rep 16, 13075 (2026). https://doi.org/10.1038/s41598-026-42711-9

מילות מפתח: זיהוי מלנומה, דימות דרמוסקופי, רשתות עצביות קונבולוציוניות, אופטימיזציה מטה־היוריסטית, בינה מלאכותית רפואית