סינתזה של נתוני RF בעזרת בינה מלאכותית לאולטרסאונד של השד: יעילות באופני תיאוח רקמות כמותיים

מדוע זה חשוב לטיפול בסרטן השד

בדיקות סקר לסרטן השד מסתמכות לעתים קרובות על תמונות אולטרסאונד שנראות כמו ענני שחור‑לבן גרעיניים. מאחורי התמונות האלה מסתתרים אותות גולמיים עשירים שיכולים לחשוף הרבה יותר על כך אם גוש הוא תמים או מסוכן, אך אותות אלה בדרך כלל נזרקים כי הם גדולים מדי לאחסון. המאמר בוחן האם בינה מלאכותית יכולה לשחזר את האותות האבודים מתמונות אולטרסאונד שגרתיות, ובכך לאפשר הערכת סרטן שד מדויקת ונגישה יותר בלי לשנות את הסורקים שמשתמשים בהם כבר במרפאות.

מתמונות פשוטות לפרטי האות החבויים

בבדיקות אולטרסאונד לשד נהוג כיום להשתמש בתמונות בסגנון B‑mode: פרוסות בגווני אפור שמראות את הצורה ובהירות הכללית של רקמה. לפני שהתמונות האלה מופיעות על המסך, המכשיר מקליט קודם אותות הד-הגולמיים, המכונים נתוני תדר רדיו (RF). טכניקות אולטרסאונד כמותי (QUS) יכולות לנתח אותות אלו כדי להעריך תכונות הקשורות לגודל, לסידור ולריכוז של מבנים זעירים בתוך הרקמה. מחקרים קודמים הראו שמפות כמותיות כאלה יכולות לסייע להבחין בין פגיעות שפירות לפליליות ואפילו לעקוב אחר תגובת גידולים לכימותרפיה. הבעיה היא שנתוני RF עצומים, קשים לאחסון ולהעברה ולעתים בלתי נגישים בסורקים מסחריים, מה שהשאיר את QUS בעיקר במעבדות מחקר.

ללמד בינה מלאכותית לשחזר את האותות האבודים

חוקרים בחנו האם בינה מלאכותית יכולה ללמוד לשחזר נתוני RF מתוך תמונות B‑mode שנשמרות שגרתי. הם אימנו שלושה סוגים של רשתות יריבות יוצרות מותנות (cGANs) — דגם Pix2Pix נפוץ ושתי גרסאות מבוססות מתמרי ראייה (vision transformers), אחת רדודה ואחת עמוקה — על מאגר גדול של מסגרות RF ו‑B‑mode מזווגות מ‑152 מטופלות עם נגעים חשודים בשד. בסביבה יריבה זו, רשת יוצר מנסה ליצור אותות RF מציאותיים מכל תמונת B‑mode, בעוד שרשת מבחינה לומדת להבחין בין אותות אמיתיים לסינתטיים. עם הזמן היצרן משתפר עד שפלטיו קשה להבחין מהאותים המקוריים. המודלים כוונו לא רק להטעות את המבחין אלא גם לשמור שכל מסגרת RF שנוצרה תהיה קרובה מספרית למקבילה האמיתית שלה.

מבחן התאמת האותות הסינתטיים

כדי לשפוט עד כמה נתוני RF שנוצרו על ידי ה‑AI התאימו לאותיות המקוריות, הצוות השתמש בכמה ציוני איכות תמונה ואז שאל שאלה קשה יותר: האם האותות המסונתזים יכולים לתמוך באותו סוג של תיאוח נגעים כמו נתוני RF אמיתיים? על סט בדיקה מנותק של אלפי מסגרות, כל שלושת המודלים ייצרו RF סינתטי שהיה דומה מבחינה מבנית לאותות האמיתיים והניב שיחות B‑mode ששמרו מקרוב על צורת הנגע והמראה המנוקד של האולטרסאונד. המודל החזק ביותר, ה‑cGAN המבוסס על מתמר עמוק, השיג את הנאמנות הטובה ביותר הכוללת. כאשר חושבו מפות QUS מתוך נתוני RF סינתטיים, הערכים המספריים ודפוסי ההתפלגות שלהם דמו במידה רבה לאלו שמופקים מהאותות המקוריים, מה שמרמז שמידע רקמתי מפתח נשמר.

האם נתונים סינתטיים עדיין מזהים סרטן?

המבחן המכריע היה האם מפות QUS המבוססות על סינתזה יכולות לסייע להבחין בין נגעים שפירים לפליליים בשד. המחברים בנו צנרת סיווג שבתחילה בחרה את תכונות ה‑QUS המידעיות ביותר ואז אילפה מכונת תמיכה וקטורית (SVM) להפריד בין שתי הקבוצות. כשהשתמשו רק בתכונות מתוך נתוני RF אמיתיים, המערכת סיווגה נכונה נגעים בכ־82% דיוק. באופן מרשים, כשאימנו ונבדקו אך ורק על תכונות QUS שמקורן ב‑RF סינתטי, הדגמים מבוססי המתמר העמוק ו‑Pix2Pix הגיעו לכ־81% דיוק, התאמה מעשית לביצועים המקוריים בטווח הסטטיסטי. בתרחישים מסוימים אפילו המודל המבוסס מתמר עמוק עלה במעט על הקו הבסיסי כאשר תכונות סינתטיות שימשו לבדיקה מול מסווג שאומן על תכונות נתונים אמיתיות, מה שמדגיש את העמידות של המיפוי שנלמד.

מבט קדימה לסריקות חכמות יותר

העבודה מראה שבינה מלאכותית יכולה ביעילות "למלא" את האותות הגולמיים החסרים של האולטרסאונד מתוך תמונות סטנדרטיות ובו בזמן לשמור על הקולות הכמותיים המרכזיים שמסייעים להפריד בין נגעים תמים למסוכנים בשד. מבחינה מעשית, יום אחד בית חולים יכול להריץ ניתוחי QUS ישירות מתוך נתוני B‑mode שגרתיים, ללא צורך להקליט או לאחסן מאגרי RF עצומים על כל סורק. המחקר הינו הוכחה מושגית מוקדמת, מוגבלת לסוג אחד של מערכת אולטרסאונד ומתמקדת בנגעי שד, אך הוא מצביע על עתיד שבו מכשירי אולטרסאונד קיימים יכולים להשתדרג תוכנתית כדי לספק תובנה עמוקה ויותר אובייקטיבית על בריאות רקמות — ועשויים לשפר אבחון וטיפולים בסרטן בלי להוסיף חומרה חדשה או הליכים חודרניים.

ציטוט: Sheibani-Asl, N., Osapoetra, L.O., Czarnota, G.J. et al. AI-enabled RF data synthesis for breast ultrasound: efficacy in quantitative ultrasound tissue characterization. Sci Rep 16, 12544 (2026). https://doi.org/10.1038/s41598-026-43319-9

מילות מפתח: אולטרסאונד שד, בינה מלאכותית, אולטרסאונד כמותי, סינתזה של תמונות רפואיות, אבחון סרטן