מערך עמוק משופר עם טרנספורמרים למיון רב-מחלקתי של מחלות כבד באמצעות דימות בטומוגרפיה ממוחשבת

מדוע סריקות כבד חכמות יותר חשובות

מחלות כבד הופכות בשקט למשבר בריאותי עולמי, אך גילוי מוקדם בסריקות רפואיות עלול להיות מפתיע בקושי, אפילו למומחים. מאמר זה בוחן כיצד בינה מלאכותית מודרנית יכולה לסייע לרופאים לקרוא סריקות CT שגרתיות בדיוק גבוה יותר, ולמיין מטופלים לשלוש בעיות כבד שכיחות וחמורות—כבד שומני, שחמת וסרטן הכבד—מבלי צורך בבדיקות נוספות. על ידי שילוב שתי רעיונות עוצמתיים בבינה מלאכותית, רשתות קונבולוציה ומנגנון תשומת לב של טרנספורמרים, המחברים בונים מערכת שמתקרבת לסוג של חוות דעת שנייה אמינה עבור רדיולוגים.

שלוש בעיות כבד שכיחות, אתגר אחד גדול

הכבד יושב במרכז מעבדת הכימיה של הגוף, מטפל במטבוליזם, בפירוק רעלים ובהפקת חלבונים חיוניים. כאשר הוא ניזוק בעקבות הצטברות שומן כרונית, צלקות או גידולים, ההשלכות יכולות להשפיע על כמעט כל המערכות האורגניות. מחלת כבד שומני משפיעה כיום על כשליש מאוכלוסיית העולם, ושחמת וסרטן הכבד גורמים למיליוני מקרי מוות בשנה. עם זאת, בסריקות CT מצבים אלה לעתים נשטפים לאפור: שינויים שומניים מוקדמים עלולים להיראות מעודנים, צלקת שחמתית עלולה להיות פיזורית ולא מוקדת, וגידולים עשויים להסתתר בתוך רקמה רגילה. בדיקות מעבדה מסורתיות מסייעות, אך אינן ספציפיות למחלה בודדת. רופאים מסתמכים יותר ויותר על הדימות כדי להחליט מי צריך מעקב צמוד או טיפול, אך הפרשנות משתנה בהתאם לניסיון ולעומס העבודה.

ללמד מחשבים לראות בתמונות רפואיות

בעשור האחרון למידה עמוקה שינתה את הדרך שבה מחשבים קוראים תמונות. רשתות נוירוניות קונבולוציוניות (CNN) מצטיינות בזיהוי דפוסים כמו קצוות, מרקמים וצורות וכבר שיפרו את הגילוי של רבות מתחלואות הכבד. עם זאת, CNN קלאסיות מתמקדות בעיקר באזורי סמוך ועלולות להתקשות עם שינויים מפוזרים או מעודנים המתפרסים על פני האיבר. טרנספורמרים, שתוכננו במקור לשפה, מביאים משהו חדש: תשומת לב. הם לומדים לשקלל קשרים בין אזורים מרוחקים בתמונה, ולזהות דפוסים גלובליים במקום רק טלאים מקומיים. מחברי המחקר שואפים לשלב את שתי החוזקות הללו—פרטים מקומיים מהרשתות הקונבולוציוניות וקונטקסט גלובלי מהטרנספורמרים—למערכת מעשית אחת לסריקות CT של הכבד.

בניית צוות היברידי של רשתות נוירוניות

החוקרים אספו סריקות CT ממספר מאגרי נתונים פתוחים, שכללו 681 מטופלים ויותר ממיליון פרוסות תמונה בודדות, המייצגות כבד שומני, שחמת והפטוצלולר קרצינומה (צורה נפוצה של סרטן הכבד). לאחר תקנון גודל התמונות ושיפור הניגודיות, איזנו את ההתפלגות הבלתי שווה של המחלקות באמצעות הגדלה מדויקת של הנתונים, כאשר הזיזו מעט, סובבו וזומנו את התמונות כדי לדמות שונות בעולם האמיתי. שלוש רשתות CNN מוכרות ומיוגות מראש—ResNet50V2, DenseNet121 ו-MobileNetV2—ותואמו ולאחר מכן עדכנו כדי לסווג כל אחת מהשלוש מחלות באופן עצמאי. לכל אחת מהן יש "אישיות" ארכיטקטונית שונה: ResNet עמוקה ועוצמתית, DenseNet עושה שימוש חוזר בייחודים ביעילות, ו-MobileNet קלת משקל ומהירה דיה לסביבות עם משאבים מוגבלים.

הוספת תשומת לב ומיזוג דעות

בהמשך הרחיבו את כל CNN בבלוקים של טרנספורמר. במקום להסתפק בערימה של תכונות מקומיות, הם שינו את פלט ה-CNN לסדרה של טוקנים והעבירו אותם דרך שכבות תשומת לב עצמי מרובת ראשים. אלו לומדות אילו אזורים בתמונת הכבד צריכים "לתשומת לב" לאיזה אזורים אחרים, ותופסות דפוסים מרחיקי לכת כגון צלקת מפושטת או משקעים שומניים פאצ'יים. כל דגם היברידי CNN–טרנספורמר הפיק את ההסתברות שלו לשלוש סוגי המחלות, בהתבסס על כל פרוסות ה-CT של מטופל במקום תמונה בודדת. לבסוף, המחברים יצרו אנסמבל היברידי: הם יישרו והדביקו את הייצוגים התכונתיים של שלושת המודלים והעבירו אותם דרך טרנספורמר נוסף שלומד כיצד לשלב בצורה הטובה ביותר את נקודות המבט השונות שלהם לפני קבלת החלטה סופית.

כמה טוב המערכת עובדת?

עליות הביצועים היו מרשימות. כשהם עומדים לבדם, ה-CNNs המותאמים הגיעו לדיוקים בטווח של בערך 69% עד 82%, כבר מרשימים אך עם נקודות עיוורון בולטות—במיוחד עבור כבד שומני ושחמת, שלעיתים נראות דומות. הוספת טרנספורמרים לכל בסיס חיזוק שיפרה את הדיוק ל-87–93% ושיפרה באופן ניכר את האיזון בין שלוש המחלות. כאשר שלושת הרשתות המשופרות בטרנספורמרים שולבו לאנסמבל, הדיוק הכולל זינק ל-97%, עם ציונים כמעט מושלמים עבור דיוק חיובי סגולי (precision), אחזור (recall) ומדד קורלציה חזק המתחשב באי-איזון מחלקות. באופן חשוב, ברמת המטופל, האנסמבל לא פספס מקרים של שחמת או סרטן הכבד במידע הבדיקה והציג מעט מאוד אזעקות שווא עבור כבד שומני. מבחנים סטטיסטיים אישרו שהשיפורים הללו אינם תוצאה של מקריות אלא מהווים שיפור מהותי על פני המודל הטוב היחיד.

מה המשמעות עבור המטופלים

ללא-מומחה, המסר המרכזי הוא שמערכת ה-AI ההיברידית הזו יכולה להפוך סריקות CT שגרתיות לכלי חד יותר לזיהוי שלוש מחלות כבד עיקריות בבת אחת. על ידי שילוב רשתות נוירוניות שונות ומתן מנגנון "תשומת לב" להן, המודל לומד להבחין גם בפרטים דקים וגם בדפוסי איבר-שלם החשובים לאבחון. אמנם הגישה כבדה חישובית יותר מרשתות פשוטות וזקוקה עדיין לבדיקה ברחבי בתי חולים וסורקים נוספים, אך היא מצביעה על כלים מעשיים שיכולים לעמוד לצד הרדיולוגים, לסמן מחלה עדינה, להפחית מקרים שנמצאים בין הטיפות ולתמוך בהחלטות טיפול מוקדמות יותר. בקיצור, היא מציעה עתיד שבו תוכנה חכמה מסייעת להבטיח שאף מחלת כבד חמורה לא תסתתר לעין בסריקה.

ציטוט: Bhardwaj, S., Aggarwal, S., Kumar, N. et al. Transformer-enhanced deep ensemble for multi-class liver disease classification using computed tomography images. Sci Rep 16, 12690 (2026). https://doi.org/10.1038/s41598-026-43256-7

מילות מפתח: דימות מחלות כבד, אבחון בלמידה עמוקה, ניתוח סריקות CT, אנסמבל טרנספורמר, רדיותרפיה בסיוע מחשב