מודל היברידי של CNN–טרנספורמר עם BM3D ו‑YOLOv8 לזיהוי מוקדם של סרטן הריאה בסריקות CT במינון נמוך

מדוע חשוב לתפוס את סרטן הריאה מוקדם יותר

סרטן הריאה גורם ליותר מקרי מוות ברחבי העולם מאשר כל סוג סרטן אחר, בעיקר משום שלעתים קרובות מאבחנים אותו מאוחר מדי. רופאים משתמשים יותר ויותר בסריקות CT במינון נמוך—תמונות רנטגן שנלקחות עם קרינה מופחתת—כדי לסרוק אנשים בסיכון. אך תמונות אלה רעשניות ולעתים הנודולות המעוררות חשד יכולות להיות זעירות וקל לפספסן. במחקר זה מוצג מערכת ממוחשבת שמנקה את הסריקות ועוזרת לסמן אזורים חשודים מוקדם יותר ובדייקנות גבוהה יותר, במטרה לתמוך ברדיולוגים ולא להחליפם.

תמונות נקיות יותר מסריקות עדינות

סריקות CT במינון נמוך מושכות כי הן חושפות את המטופלים לקרינה פחותה מאשר סריקות סטנדרטיות, ועדיין מגלות את הריאות בפרט ב‑3D. המחיר הוא גרעיניות נוספת ומבנים חלשים שמתמזגים אל הרקע. המחברים מתמודדים תחילה עם הבעיה באמצעות שלב ניקוי מתקדם בשם BM3D, שנועד להסיר רעש תוך שמירה על קצוות וצורות חשובות. הם בודקים מספר שיטות סינון ומצאו ש‑BM3D נותן את האיזון החדה ביותר בין בהירות לנאמנות, ומפיק תמונות ששומרות על נודולות ריאה עדינות נראות מבלי להכניס עיוותים שעלולים להטעות את המחשב או את הרדיולוג.

מוקד רק על הריאות

סריקות חזה גולמיות מכילות צלעות, עמוד שדרה, לב ורקמות אחרות שעלולות להסיח מערכת אוטומטית. כדי למקד את מה שחשוב, הצוות משתמש ברשת זיהוי עצמים מודרנית (YOLOv8) כדי לתחום ולהוציא רק את אזורי הריאה. הם מסמנים ידנית את גבולות הריאות על מספר רב של סריקות, מאמנים את המערכת לזהות את הצורות הללו, ואז מאפשרים לה לחתוך אוטומטית כל תמונה לצפייה המוגבלת לריאות בלבד. שלב זה חותך מבנים לא רלוונטיים ומפחית את הסיכון שאיברים נורמליים או ארטיפקטים של הסריקה יתקבלו בטעות כמחלה, ובאותו זמן מייעל את העיבוד בהמשך.

להכשיר "מוח" מלאכותי היברידי לזהות נודולות מסוכנות

החלק המרכזי בעבודה הוא מודל היברידי שמשלב שתי דרכים משלימות לניתוח תמונות. רשתות עצביות קונבולוציוניות (CNN) סורקות שכנות קטנות של פיקסלים כדי ללמוד תבניות מפורטות כמו קצוות, מרקמים והקצוות העגולים או הלא סדירים של נודולות. טרנספורמרים, שפיתחו במקור לשפה, מצטיינים בזיהוי קשרים לטווח ארוך—איך חלקים מרוחקים בתמונה מתקשרים זה עם זה. במערכת זו, התמונות המנוקות והממוקדות בריאות עוברות תחילה דרך שכבות CNN כדי לחלץ תכונות מרחביות עשירות. תכונות אלה נחתכות לחתיכות ומוזנות לתאי טרנספורמר שלומדים כיצד אזורים שונים בתוך הריאות מתקשרים, מה שעוזר למודל לשים לב לסימנים חלשים או מפוזרים של סרטן שאחרת היו עלולים להישמט.

אימון, בדיקה ועקיפה של כלים קיימים

המודל מאומן ומוערך על מאגר ציבורי גדול של יותר מאלף סריקות CT של ריאה, כל אחת מסומנת בקפידה על ידי רדיולוגים עם גודל הנודולה והערכת הסבירות לסרטן. המחברים מפרידים חולים לקבוצות אימון, ולידציה ובדיקה כך שתמונות מאותו פרט לעולם לא יופיעו ביותר מחלק אחד, כדי להימנע מתוצאות אופטימיות מדי. הם גם משתמשים בהגדלת נתונים—כמו סיבובים קטנים ושינויים בעוצמת הבהירות—כדי לחקות שונות בעולם האמיתי. בהשוואה למערכות למידה עמוקה נפוצות, כולל CNNים סטנדרטיים, רשתות תמונה פופולריות וטרנספורמרים חזותיים לבדם, הגישה ההיברידית ביצעה טוב יותר. היא מבחינה נכון במקרים סרטניים מול לא סרטניים בכ‑95% מהמקרים, עם רגישות גבוהה (מעט סרטן שנפספס), סגוליות גבוהה (מעט אזעקות שווא) וניקוד חזק באיכות הסגמנטציה ובהבחנה הכללית.

הבטחה ואתגרים שנותרו

למרות הרווחים האלה, המחברים מכירים באתגרים חשובים לפני שמערכת כזו תוכל לשמש באופן שגרתי במרפאות. מאגר המידע הציבורי שבו הם משתמשים, אף על פי שמסומן היטב, עשוי שלא לשקף את המגוון המלא של סורקים, בתי חולים ואוכלוסיות מטופלים ברחבי העולם, והוא מכיל מקרים סרטניים פחותים מאשר בריאים. המודל ההיברידי גם מורכב ודורש חישוב גבוה יותר מרשתות פשוטות, מה שעלול להגביל פריסה במרכזים קטנים יותר. לבסוף, כמו מערכות למידה עמוקה רבות, ההיגיון הפנימי שלו לא ברור, ולכן קלינאים אינם יכולים בקלות לדעת מדוע נודולה מסוימת סומנה. המחברים מציעים עבודת המשך על מודלים קלים יותר, בדיקות רב‑מרכזיות, שילוב נתוני סריקה עם מידע רפואי נוסף והוספת כלי הסבר כדי שרדיולוגים יוכלו לסמוך יותר לפרש את פלט המערכת.

מה המשמעות למטופלים

במלים פשוטות, המחקר מראה שניקוי קפדני של תמונות CT במינון נמוך, מיקוד רק בריאות, ושימוש באינטליגנציה מלאכותית משולבת "מקומית‑גלובלית" יכולים למצוא מוקדי חשד בריאה מוקדם ואמינה יותר מאשר שיטות רבות קיימות. אף שזה עדיין לא כלי מוכן לתשתית בתי חולים, הגישה מצביעה על מערכות סקרינג שיכולות לעזור לרדיולוגים העמוסים לתפוס יותר סרטן מוקדם ולצמצם זעזועים מיותרים. אם יעודן וייבדק במצבים בעולם האמיתי, מודלים היברידיים כאלה עשויים להפוך לשותפים חשובים במאבק לזהות סרטן הריאה כשהוא עדיין בר תיקון רב.

ציטוט: Thakral, G., Kumar, U. & Gambhir, S. Hybrid CNN–transformer model with BM3D and YOLOv8 for early detection of lung cancer in low-dose CT scans. Sci Rep 16, 13597 (2026). https://doi.org/10.1038/s41598-026-43517-5

מילות מפתח: סקרינג לסרטן הריאה, CT במינון נמוך, למידה עמוקה, ניתוח תמונות רפואיות, אבחון בעזרת מחשב