טרנספורמר swin משופר עם תשומת לב כפולה לדירוג חומרת אוסטאוארתריטיס של הברך מתמונות רנטגן

מדוע כאבי ברכיים חשובים

כאב ברך הוא יותר מסתם מטרד; הוא אחד הגורמים המובילים לנכות בעולם, במיוחד ככל שאנשים מתבגרים. רופאים מסתמכים במידה רבה על תמונות רנטגן כדי להכריע אם אוסטאוארתריטיס של הברך הוא קל וניתן לניהול, או חמור מספיק כדי לשקול ניתוח. אבל קריאת תמונות אלו גוזלת זמן, עלולה לפספס נזק מוקדם ומומחים שונים לא תמיד מסכימים ביניהם. מחקר זה מציג מערכת אינטליגנציה מלאכותית חדשה השואפת לקרוא רנטגנים של ברך במהירות ובדיוק רב, ולעזור למרפאים לזהות נזק במפרק מוקדם יותר ולהכווין טיפול באופן עקבי יותר.

דרך חכמה יותר לקרוא רנטגנים של ברך

אוסטאוארתריטיס שוחקת בהדרגה את הסחוס החלק שמרכך את הברך, וגורמת לכאב, נוקשות ואובדן ניידות. על רנטגן, רופאים מחפשים רמזים כגון הצרות המרווח בין העצמות ובנוכחות בליטות עצם קטנות הנקראות אוסטאופיטים. שינויים אלה מתומצתים באמצעות דירוג חמש־רמות הנקרא דירוג קללגרן–לורנס (KL), מ־0 (בריא) עד 4 (חמור). תוכניות מחשב מסורתיות המבוססות על רשתות עצביות קונבולוציוניות (CNN) סייעו באוטומציה של הדירוג הזה, אך הן מתקשות ללכוד דפוסים עדינים בכל התמונה ולעתים דורשות כוח חישוב גדול וזמני אימון ארוכים. מחברי המאמר שאפו לעצב מערכת שלא רק מדויקת יותר אלא גם קלת ומהירה, כך שתהיה מעשית לשימוש במרפאות עמוסות, כולל כאלו עם משאבים מוגבלים.

איך המערכת החדשה עובדת

החוקרים פיתחו מודל היברידי בשם Swin‑O‑NETS שמשלב שתי רעיונות: קורא תמונה מתקדם הידוע כ־Swin Transformer ומסווג מהיר וקל בשם Fast Extreme Learning Network. תחילה תמונות רנטגן ממסד נתונים ציבורי גדול—Osteoarthritis Initiative—נוקו ושתוקנו להסרת רעש ולשיפור ניגודיות. התמונות נחלקות לפאצ'ים קטנים ומועברות דרך רשת בצורת U שמבצעת סגמנטציה וניתוח של אזור הברך. בתוך רשת זו, Swin Transformer מותאם בוחן את התמונה ברמות קנה מידה מרובות, מפרטים עדינים על משטח המפרק ועד דפוסים מבניים רחבים לאורך כל הברך.

לתת תשומת לב לפרטים הנכונים

חידוש מרכזי הוא השימוש בתשומת לב עצמית ערוצית רב־ראשית (multi‑headed channel self‑attention), מנגנון שעוזר ל־AI להחליט אילו מאפייני תמונה הם המשמעותיים ביותר. במקום להתייחס לכל חלקי הרנטגן באותה צורה, המודל לומד למקד את תשומת הלב בערוצים שנושאים מידע על הצרת המרווח המפרקי, קצוות העצם וצמיחה עצמית מוקדמת, בעוד שהוא מפחית את המשקל של אזורי רקע פחות אינפורמטיביים. מספר "ראשים" של תשומת לב בוחנים את הנתונים במקביל ואז משלבים את מסקנותיהם, מה שמעשיר את התיאור הכולל של הברך. התכונות המלוטשות הללו מוזנות אל Fast Extreme Learning Network, שמבצע את השלב הסופי של שיוך הרנטגן לאחת מחמש דרגות ה‑KL. מאחר שסיווג זה יכול לחשב את המשקלים הפנימיים שלו בצעד מתמטי יחיד במקום באמצעות מחזורי אימון איטיים רבים, כל המערכת נשארת יעילה למרות המורכבות שלה.

בחינה מעשית של המערכת

כדי להעריך את ביצועי Swin‑O‑NETS, המחברים אימנו ובדקו אותו על 2,047 רנטגני ברך מתוייגים, תוך איזון קפדני של דרגות החומרה השונות ושימוש בעיבוי נתונים כגון סיבוב וקנה מידה כדי למנוע התאמה יתר. הם השוו את המודל שלהם לארכיטקטורות למידה עמוקה פופולריות כולל CNNs סטנדרטיים, VGG‑19, ResNet, DenseNet וכמה וריאנטים מרובי־אנסמבל ומשופרי־תשומת לב. על פני כל חמש דרגות ה‑KL—מבריא ועד פגוע בחומרה—Swin‑O‑NETS נתן באופן עקבי את הציונים הגבוהים ביותר. הוא הגיע לדיוק כולל של כ־99.5%, עם דיוק, זיכוי ו‑F1 דומים גבוהים, ושטח מתחת לעקומת ROC של 0.9838, המעיד על יכולת מצוינת להבחין בין רמות החומרה. במקביל, הוא דרש פחות חישוב וזמן אימון מאשר מתחרים מבוססי־טרנספורמר רבים.

מה זה עשוי להעניק למטופלים

באופן פשוט, עבודה זו מראה שמערכת AI מתוכננת בקפידה יכולה לדרג אוסטאוארתריטיס של הברך על רנטגנים כמעט בשלמותה תוך כדי שמירה על פרקטיות תפעולית. על ידי זיהוי שינויים מוקדמים במפרק שהעין האנושית עלולה להחמיץ וביצוע זאת במהירות ובאופן עקבי, Swin‑O‑NETS יכול לתמוך בהתערבויות אורח חיים או טיפוליות מוקדמות, לעכב את הצורך בהחלפת מפרק ולעזור לאחד את הטיפול בין בתי חולים. המחברים מציינים כי פריסה בעולם האמיתי תדרוש בדיקות נוספות על מערכי נתונים גדולים ורב־מרכזיים ופיתוח וריאנטים אף קלים יותר המתאימים לשימוש בזמן אמת. עם זאת, תוצאותיהם מרמזות שקוראי תמונה אינטליגנטיים כאלה עשויים בקרוב להפוך לעוזרים שגרתיים לרדיולוגים, וישפרו בעדינות את הסיכויים עבור מיליוני אנשים החיים עם ברכיים פגועות וכואבות.

ציטוט: Sudha, K., Rajiv Kannan, A. Enhanced swin transformer with dual attention for knee osteoarthritis severity grading from X-ray images. Sci Rep 16, 10617 (2026). https://doi.org/10.1038/s41598-026-44174-4

מילות מפתח: אוסטאוארתריטיס של הברך, הדמיית רנטגן, למידה עמוקה, רשתות טרנספורמר, סיווג תמונות רפואיות