מיזוג קשב דו-זרמי עם רגולריזציית אנטרופיה למיון ריאות רב-מחליתי

מדוע סריקות ריאות חכמות חשובות

מחלות ריאה כמו דלקת ריאות ו-COVID-19 עלולות להיראות דומות למדי בצילומי חזה, אף עבור רופאים מנוסים. טלאים מעוננים עדינים, נקודות מפוזרות ועכירות כללית יכולים להשתלב זה בזה בין מחלות שונות, ואיכות התמונה עשויה להשתנות מבית חולים לבית חולים. המחקר הזה מציג גישה חדשה מבוססת בינה מלאכותית שמטרתה לקרוא את התמונות הללו באופן אמין יותר, להבחין נכון בין בעיות ריאה שונות ולהישאר מדויקת גם כאשר התמונות רועשות או מגיעות מסורקים לא מוכרים.

לראות גם את הכתמים הקטנים וגם את התמונה הכוללת

מרבית מערכות ה-AI הקיימות להדמיית ריאות מסתמכות על אחת משתי אסטרטגיות. סוג אחד, המכונה רשתות קונבולוציה, טוב בזיהוי פרטים עדינים כמו נקודות בהירות או כהות זעירות שעשויות להעיד על זיהום מוקדם או גרגר. הסוג השני, המבוסס על רעיונות קשב (attention), מצליח יותר לשפוט את התבנית הכוללת בריאות, דבר שמנחל משמעות לבעיות מפושטות כמו דלקת ריאות מתקדמת או COVID-19. לבדם, לכל סגנון יש חסרונות: מערכות ממוקדות-פרט עלולות לפספס דפוסים לטווח ארוך, בעוד שמערכות מתמקדות-תמונה-כוללת עלולות לטשטש מרקמים עדינים.

מודל דו-נתיבי שמתאים לכל מטופל

המחברים מציעים מסגרת דו-נתיבית בשם Adaptive Dual-Stream Attention Fusion (ADSAF). אותו צילום חזה זורם בשני מסלולים מקבילים: מסלול ממוקד-פרט שמגדיל מרקמים וגבולות קטנים, ומסלול ממוקד-קונטקסט שתופס כיצד דפוסי המחלה מתפשטים על פני אזור הריאה כולו. במקום פשוט לממוצע בין שני התוצרים, ADSAF לומד כמה משקל לתת לכל מסלול עבור כל תמונה בנפרד. בסריקה שבה שינויים מקומיים וקטנים דומיננטיים, המערכת נשענת יותר על מסלול הפרטים; בסריקה עם עכירות מפושטת, היא בוחרת יותר את מסלול התבנית הגלובלית.

לאפשר למודל להחליט בביטחון

חידוש מרכזי בעבודה זו הוא הדרך שבה משלבים את שני זרמי המידע. מערכות הייבריד רבות קודמות מערבבות תכונות ממסלולים שונים בצורה קבועה או מעט גמישה, מה שעלול להוליד שילובים מהוססים שמטשטשים רמזים חשובים. ADSAF משתמשת בכלל אימון מיוחד שמעניש מיזוג לא-ודאי ומעודד את המערכת לבחור בצורה ברורה יותר איזה מסלול צריך לשלוט עבור תמונה נתונה. בנוסף, מודול קשב נוסף מתפקד כמו זרקור, מבהיר אזורים שקרובים יותר למחלה ומכהה מבנים רקעיים כגון צלעות או צל הלב. זה לא רק משפר את הדיוק אלא גם מקל על הפירוש הויזואלי של מוקד המודל.

ביצועים מול אתגרים בעולם האמיתי

כדי לבדוק את הגישה, החוקרים אימנו והעריכו את ADSAF על מאגרים נפוצים של צילומי חזה לדלקת ריאות ו-COVID-19. הם השוו אותה מול מתחרים חזקים, כולל רשתות קונבולוציה עמוקות, מודלים מבוססי טרנספורמר ואנסמבלים שמשלבים מספר מערכות. ADSAF השוותה ואף עלתה על כולם, והגיעה לדיוקי סיווג מעל 98 אחוז. כאשר הצוות הוסיף בכוונה רעש כדי לסמל תנאי הדמיה ירודים, מודלים אחרים איבדו הרבה יותר דיוק מ-ADSAF. המערכת החדשה החזיקה מעמד טוב יותר גם כשאומנה על מאגר אחד ונבחנה על אחר, לדמות מעבר בין ציוד ותמהיל מטופלים של בית חולים אחד לאחר. הסברים ויזואליים באמצעות מפת חום הראו ש-ADSAF התמקדה באזורים בריאה שגם רדיולוגים היו מסמנים, מה שמרמז שההחלטות שלה מבוססות על רמזים משמעותיים בתמונה.

מה משמעות הדבר לטיפול ריאתי בעתיד

באופן פשוט, המחקר מראה שמודל AI שיכול להחליט בגמישות מתי לסמוך על פרטים עדינים ומתי על דפוסים גלובליים מסוגל לסווג מחלות ריאה מצילומי רנטגן בצורה מדויקת ואמינה יותר מאשר שיטות קיימות. על ידי הדגשת הזווית המידע-הכי-מועילה עבור כל מטופל וסינון תכונות רקע מסיחות, ADSAF מציע "זוג עיניים" יציב יותר עבור קלינאים. למרות שעדיין דרושים ניסויים קליניים ובדיקות בזמן אמת, המסגרת מצביעה על כלי סיוע בקבלת החלטות שיכולים לעזור לתפוס בעיות ריאה חמורות מוקדם יותר, להפחית שגיאות סיווג בין מחלות דומות ולתפקד בעקביות במגוון בתי חולים ותנאי הדמיה.

ציטוט: Thakare, V., Aote, S.S., Gangrade, J. et al. Entropy-regularized dual-stream attention fusion for multi-disease lung classification. Sci Rep 16, 14141 (2026). https://doi.org/10.1038/s41598-026-44441-4

מילות מפתח: הדמיית ריאות, בינה רפואית, ניתוח צילום חזה, זיהוי דלקת ריאות, אבחון COVID-19