רשתות עצביות קונבולוציוניות המשתמשות ב-CT טרום-ניתוחי לניבוי הישנות קצרת טווח לאחר תיקון בקע חיתוכי

מדוע חשוב לנבא כישלונות ניתוחיים

כאשר מטופלים עוברים ניתוח לתיקון בקע בדפנות הבטן שנוצר בחיתוך קודם, כולם מקווים שהתיקון יחזיק מעמד. עם זאת, במיעוט משמעותי של מקרים הבקע חוזר, לעיתים קרובות משמעות הדבר היא כאב נוסף, ניתוחים נוספים ועלויות גבוהות יותר. מנתחים בדרך כלל מעריכים סיכון זה על סמך ניסיון ומספר גורמים קליניים, אך הערכות אלו אינן מושלמות. מחקר זה בוחן האם סוג של בינה מלאכותית, שאומנה על סריקות CT שגרתיות לפני הניתוח, יכול לסייע בחיזוי אילו מטופלים עלולים לחוות הישנות לאחר תיקון בקע חיתוכי.

הפיכת סריקות שגרתיות לניבויים

החוקרים בחנו בדיעבד 528 מטופלים שעברו ניתוח לתיקון בקע חיתוכי בבית חולים גדול בין השנים 2016 ל-2019. לכולם היו סריקות CT של הבטן שבוצעו לפני הניתוח, שתיעדו את גודל, מיקום וצורת הבקע והרקמות הסמוכות. הצוות חילץ 44,380 פרוסות תמונה יחידניות שהציגו את אזור הבקע, הסיר את כל המידע המזהה, סטנדרט את התמונות לפורמט אחיד ופיצל אותן למערכת אימון גדולה ולמערך בדיקה קטן יותר. באופן חשוב, המודלים הממוחשבים מעולם לא "ראו" את תמונות הבדיקה במהלך האימון, מה שאיפשר בדיקה הוגנת של יכולת המערכת לפעול על מטופלים חדשים.

כיצד המחשב לומד מהתמונות

לניתוח הסריקות השתמשו המחברים בשלושה מודלים פופולריים של למידה עמוקה המתמחים בעיבוד תמונה, הידועים כרשתות עצביות קונבולוציוניות. רשתות אלה, שפותחו במקור למשימות כמו זיהוי חפצים יומיומיים בצילומים, מצטיינות בזיהוי דפוסים בתמונות מורכבות. במהלך האימון תוייגה כל פרוסת CT לפי האם הבקע של המטופל חזר לאחר מכן או שלא. הרשתות השוו שוב ושוב את תחזיותיהן עם התוצאות האמיתיות והתאימו את הקשרים הפנימיים שלהן כדי להפחית את השגיאות. עבור כל מטופל, התחזיות של המודל מפרוסות מרובות שולבו להערכה בודדת של סיכון להישנות.

איזה מודל הצטיין

השלושה—ResNet-50, גרסה עמוקה יותר בשם ResNet-152 ו-VGG16—לא ביצעו באופן שווה. כאשר נבחנו על תמונות שלא נראו קודם, ResNet-50 הראתה את היכולת החזקה ביותר להבחין בין מטופלים שיעברו הישנות לאלה שלא. ביצועיה, המתוארים על ידי מדד סטנדרטי שנקרא שטח תחת העקומה, היו גבוהים בצורה בולטת מאשר בשתי הרשתות האחרות. ניתוח סטטיסטי אישר שההבדלים הללו לא סבירים שקרו במקרה. כדי להבין טוב יותר במה הרשתות "מסתכלות", השתמש הצוות גם בשיטת ויזואליזציה המדגישה את אזורי התמונה החשובים ביותר לניבוי, והדגישה שאזורים סביב פגם הבקע ודופן הבטן נשאו את המשקל הגדול ביותר.

מה זה יכול לסמן למטופלים ולמנתחים

אם יוגבר ויותמך ברחבי מספר בתי חולים, כלים מבוססי תמונה כאלה יכולים להוסיף חוות דעת שנייה אובייקטיבית להערכת המנתח. הערכה מדויקת יותר של סיכון להישנות, מחושבת לפני הניתוח מסריקה שכבר חלק מהטיפול הסטנדרטי, יכולה לסייע בקבלת החלטות על מועד הניתוח, בחירת הגישה הכירורגית, סוג וגודל הרשת והאם מטופל עשוי להפיק תועלת מטיפול במרכז בקעים ממוקד. מטופלים בסיכון גבוה, למשל, עשויים לקבל ייעוץ לגבי צעדים נוספים לחיזוק התיקון, בעוד שמטופלים בסיכון נמוך עשויים להימנע מהתערבויות אגרסיביות יותר.

הצעדים הבאים

המחברים מדגישים שעבודה זו היא הוכחת עיקרון מוקדמת ולא כלי קליני גמור. המחקר מבוסס על מטופלים מבית חולים יחיד, משתמש במספר מקרים יחסית צנוע לפי קריטריונים של למידה עמוקה, ותלוי רק בהדמיה, תוך התעלמות מגורמים חשובים נוספים כגון מצב בריאותי כללי, ניתוחים קודמים וטכניקת הניתוח. מחקר עתידי יצטרך לשלב תכונות הנגזרות מ-CT עם מידע קליני וניתוחי מפורט, לבדוק את המודלים על קבוצות מטופלים גדולות ומגוונות יותר, ולוודא שהתחזיות מובנות ואמינות עבור קלינאים. עם זאת, הממצאים מרמזים שניתוח חכם של תמונות רפואיות שגרתיות עשוי יום אחד לסייע בהתאמה אישית של ניתוח בקע ולהפחית את הסיכוי לצורך בתיקון חוזר לא רצוי.

ציטוט: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

מילות מפתח: בקעת חיתוך, הישנות בקע, למידה עמוקה, הדמיית CT, תוצאות ניתוחיות