טרנספורמר ROI־מנחה מבוסס YOLO–SegNet לייעול סגמנטציה וסיווג גידולים בעצם בröntgen קל

תמונות רנטגן חדות יותר לתשובות מהירות יותר

גידולי עצם אינם שכיחים אך עלולים להיות חמורים, וברבים מהמרפאות בדיקת הדמיה ראשונית ולעיתים היחידה היא צילום רנטגן פשוט. לצערנו, גידולים עלולים להיות חלשים, לא סדירים ונוטים להחמצה, במיוחד בבתי חולים עמוסים או בעלי משאבים מוגבלים. מאמר זה מציג מערכת בינה מלאכותית ממוקדת שמנקה רנטגנים רועשים, מתמקדת באזורים חשודים ומסמנת בקפדנות גבולות אפשריים של גידול, במטרה לתמוך ברדיולוגים ולא להחליפם.

מדוע קשה לזהות גידולי עצם

בצילום רנטגן גידול בעצם לא תמיד בולט ככתם עגול נקי. הקצוות שלו עלולות להתמזג עם העצם התקינה, הבהירות שלו עשויה להיות דומה לרקמה בריאה ומבנים אחרים עלולים לחפוף ולבלבל. אתגרים אלה מודגשים בצילומי רנטגן סטנדרטיים, שבהם ניגודיות נמוכה יותר מאשר ב־CT או MRI. כלים רבים של בינה מלאכותית מתמקדים רק בהחלטת "גידול" לעומת "אין גידול" לתמונה כולה, או דורשים עיבוד חישובי כבד שבתי חולים קטנים לא תמיד יכולים להרשותו. צביעת גבולות הגידול במדויק — קריטית לתכנון ניתוח ומעקב — נשארה קשה לאוטומציה יעילה.

עזר בינה מלאכותית בשלושה שלבים לצילומי רנטגן

המחברים מציעים פייפליין בשלושה שלבים המותאם לאתגר זה. ראשית, שלב סינון חכם מנקה את הרנטגן הגולמי. במקום טשטוש קבוע שעלול למחוק פרטים, הם משתמשים במסנן דיגיטלי אדפטיבי שהגדרותיו נבחרות אוטומטית על ידי שגרה אופטימיזציה. זה מעלה את יחס אות לרעש מכ־21 לכמעט 30 דציבל, כלומר התמונה פחות רועשת בעוד קצוות העצמות והגידול נשארים חדים. שנית, רשת גילוי קומפקטית, נגזרת ממשפחת המודלים YOLO הפופולרית, מציירת תיבה גסה סביב אזור שעשוי להכיל גידול. שלישית, רק האזור המצומצם נשלח לרשת סגמנטציה קלה שמעוקבת אחר גבולות הגידול ברמת פיקסל, וההחלטה הסופית "תקין" לעומת "גידול" מתקבלת על בסיס המידע מהאזור המסוגר.

מיקוד תשומת הלב של ה-AI היכן שזה חשוב

חידוש מרכזי הוא האופן שבו המערכת משתמשת בתשומת לב "יחסית". רבים מהמודלים המודרניים מבוססי ראייה משתמשים בבלוקי טרנספורמר שמשווים כל חלק בתמונה לכל חלק אחר. למרות העוצמה, זה מתייקר מאוד בתמונות רפואיות גדולות ועלול להאט שימוש בזמן אמת. כאן הטרנספורמר מוחל רק בתוך תיבת הגידול שנמצאה על ידי המזהה, ועוד על העצם הסמוכה. בתוך אזור מצומצם זה, המודל לומד כיצד נקודות שונות מתקשרות זו עם זו, ועוזר להבחין בין רקמת גידול מטושטשת לבין עצם תקינה. כיוון שהוא מתעלם משאר התמונה, הגישה מקצצת באופן דרמטי את עומס החישוב ועדיין לוכדת הקשר לטווח ארוך בתוך האזור הרלוונטי קלינית.

התאמת פרמטרים בהשראת טבע

הפייפליין גם משתמש בשתי שיטות חיפוש בהשראת טבע לבחירת הגדרות חשובות באופן אוטומטי. אלגוריתם אחד מתאים את עוצמת החלקת המסנן, מאזנת בין הסרת רעש לשימור חדות קצוות. אופטימייזר היברידי נוסף, בשם "בחירת נץ־אש" (fire hawk election), מחפש הגדרות אימון טובות כגון קצב למידה, גודל אצווה ודרופ־אאוט. המטה־היוריסטיקות האלה מצמצמות ניסוי וטעייה ידני ועוזרות למודל להתכנס במהירות מבלי להיתפס עודף־התאמה על מערך הנתונים הקטן יחסית של 809 רנטגנים מתויגים על ידי מומחים, הכולל מקרים בריאים ומקרים עם גידול.

מהיר, מדויק — אך עדיין לא כלי מוכן לשימוש קליני

נבדק בעזרת ולידציה צולבת בעלת חמש קיפולים, המערכת מבחינה נכון בין רנטגנים תקינים לאלו עם גידול בכ־98.5% מהמקרים ומשיגה ציון Dice של 97%, מה שמעיד על הסכמה גבוהה בין קווי המתאר של ה־AI לבין השרטוטים של המומחים. היא משתמשת בכמעט שליש מהפרמטרים של רשתות סגמנטציה נפוצות כמו UNet ופועלת בכ־48 מילישניות לתמונה על כרטיס גרפי מודרני, תומכת בשימוש כמעט בזמן אמת. עם זאת, המחברים מדגישים שהתוצאות מבוססות על מאגר נתונים ציבורי יחיד ואינן משקפות עדיין את מגוון המכשירים, בתי החולים והמטופלים בעולם האמיתי. הם מציגים את המסגרת ככלי מחקר מבטיח שיכול לפעול בסופו של דבר כתמיכה לרדיולוגים בזיהוי ומדידה עקבית יותר של גידולי עצם, לאחר אימות ברב־מרכזי ובתנאים קליניים שונים.

ציטוט: Natarajan, C., Rajendran, S., Vinmathi, M.S. et al. ROI-guided relational YOLO–SegNet transformer for lightweight bone tumor segmentation and classification from X-ray images. Sci Rep 16, 14603 (2026). https://doi.org/10.1038/s41598-026-44297-8

מילות מפתח: גידולי עצם, צילום רנטגן רפואי, למידה עמוקה, סגמנטציה של גידול, אבחנה בעזרת מחשב