טרנספורמר חזותי רב-מישורי לסיווג דימומים תוך-גולגלתיים באמצעות נתוני MRI אקסיאליים וסגיטליים

מדוע מחקר זה חשוב למטופלים ולרופאים

כשיש חשד לשבץ או לדימום מוחי, כל דקה חשובה. סריקות מוח יכולות לחשוף דימומים מסוכנים, אך קריאתן במהירות ובדייקנות קשה, במיוחד ב‑MRI, שמייצר סוגים רבים של תמונות בזוויות צפייה שונות. מחקר זה מציג שיטת בינה מלאכותית חדשה שנועדה לקרוא סריקות MRI מרובות‑זוויות בדומה לאופן שבו רדיולוג מיומן עושה זאת, במטרה לזהות דימומים מוחיים באופן אמין יותר בתנאי בית חולים יומיומיים.

האתגר בזיהוי דימומים מוחיים ב‑MRI

דימום תוך‑גולגלתי — דימום בתוך הגולגולת — הוא מצב חירום מסכן חיים שדורש אבחנה מהירה. במשך עשרות שנים, טומוגרפיה ממוחשבת (CT) הייתה כלי ההדמיה העיקרי בחשד לדימום מוחי, כיוון שהיא מהירה וקל יחסית לפרש. ה‑MRI יכול להשוות ואף לעתים להתעלות על ה‑CT בזיהוי דימומים, והוא טוב יותר בקביעת גיל הדימום ובהדגשת בעיות נוספות כמו אזורים מוחיים שסובלים מאי‑ספיקה של דם. עם זאת, צילום MRI ארוך יותר, זמין פחות בחלק מהמרכזים, ותמונתו מורכבת יותר לפירוש. המורכבות הזו הופכת אותו למטרה מתאימה לכלי בינה מלאכותית שיכולים לסייע לרדיולוגים בסינון כמות גדולה של סריקות, בסימון מקרים חשודים ובהפחתת הסיכון שמחלה עדינה אך קריטית תעלם.

מדוע זוויות ורכיבי סריקה מרובים קשים למחשבים

בשגרה קלינית, צילום MRI של המוח לעתים נרכש בפרוסות יחסית עבות כדי לקצר את זמן הבדיקה, מה שיוצר תמונות חדות יותר בכיוונים מסוימים ופחות באחרים. רדיולוגים מסתכלים על המוח במסלולים שונים — אקסיאלי (מבט מלמעלה), סגיטלי (מבט מהצד), ולעתים גם קורונלי (מבט מלפנים) — כי דימומים מסוימים נראים טוב יותר מזוויות מסוימות. הסריקות גם מגיעות במגוון «קונטרסטים» או טעמים, כגון FLAIR, הדיפוזיה וסוספטביליות, שכל אחד מהם מדגיש תכונות רקמה שונות. רוב מערכות ה‑AI הנוכחיות מצפות, עם זאת, שכל התמונות יהיו מיושרות לאותה אוריינטציה סטנדרטית ובאותה רזולוציה. כדי לעמוד בדרישה זו, בתי חולים חייבים לסובב ולשנות גודל דיגיטלית של הנתונים, מה שעלול לטשטש פרטים עדינים ולהסתיר דימומים קטנים. מערכי נתונים קליניים אמיתיים מוסיפים סיבוך נוסף: לא כל מטופל נסרק עם אותה קבוצת קונטרסטים, ולכן המודלים חייבים להתמודד עם חלקי מידע חסרים.

דגם רב‑מישורי חדש ששומר על יותר מהתמונה

כדי להתמודד עם הבעיות האלה, הכותבים תכננו "טרנספורמר חזותי רב‑מישורי" (MP‑ViT), סוג של בינה מלאכותית שהתפתח במקור להבנת תמונות טבעיות. במקום לכפות את כל נתוני ה‑MRI לזווית צפייה אחת, ל‑MP‑ViT יש שתי ענפים עיבוד ייעודיים: אחד לתמונות אקסיאליות ואחד לתמונות סגיטליות. כל ענף מפצל את המוח התלת‑ממדי לחסימות קטנות, הופך אותן לטוקנים שהטרנספורמר יכול לעבד, ולאחר מכן לומד תבניות שעשויות להעיד על נוכחות דימום. מה שחשוב הוא שהענפים הללו לא פשוט רצים במקביל ונשארים נפרדים. המודל משתמש במנגנון תשומת לב צולבת (cross‑attention) שמאפשר לשני הענפים להחליף מידע, המדמה את הדרך שבה רדיולוג משלב במחשבתו מבטים מזוויות שונות כדי לקבל תמונה כוללת ברורה יותר של המוח.

התמודדות עם חסר במידות סריקה באמצעות אות הנחיה

בתהליכי עבודה קליניים אמיתיים, לא לכל מטופל יש את אותו סט של קונטרסטים ב‑MRI; לחלקים מהמטופלים עלולות לחסור רצפים מסוימים כמו סריקות רגישות לדימום. כדי להפוך את ה‑AI לעמיד לפערים אלה, המחברים הוסיפו "וקטור אינדיקציה של מודאליות" — קוד פשוט שאומר למודל אילו סוגי תמונות נוכחים ואילו חסרים עבור מטופל נתון. וקטור זה מומר לקבוצת אותות פנימיים המתקשרים עם התכונות הנלמדות של המודל דרך שלב תשומת לב צולבת נוסף. למעשה, הרשת מונחית לכוונן את הציפיות שלה כאשר סוגים מסוימים של מידע אינם זמינים, במקום להיות מבולבלת או מופרזת בּביטחון. עיצוב זה מתאים את MP‑ViT טוב יותר לנתונים הלא מסודרים והלא אחידים שמופיעים בפרקטיקה הקלינית היומיומית.

עד כמה השיטה החדשה מבצעת טוב

החוקרים אימנו ובדקו את MP‑ViT על מאגר נתונים גדול מתוך המציאות הקלינית שכלל למעלה מ‑12,000 בדיקות MRI משלושה יצרני מכשירים מרכזיים, שסומנו על‑ידי רדיולוגים מנוסים כמציגות דימום תוך‑גולגלתי חריף או תת‑חריף או לא. במערכת בדיקה בלתי תלויה, MP‑ViT השיג שטח מתחת לעקומה (AUC) של 0.854, מדד לאופן שבו הוא מפריד בין מקרים עם דימום ללא דימום על פני כל סף החלטה אפשרי. ציון זה היה גבוה במידה ניכרת בהשוואה לטרנספורמר חזותי סטנדרטי שפעל ממישור יחיד, וכן למספר ארכיטקטורות רשת קונבולוציוניות מוכרות כגון ResNet ו‑DenseNet. מבחנים סטטיסטיים אישרו שסיכויי השיפור הללו נוטים שלא להיות מקריים. ניתוח פנימי הראה גם שהכללת וקטור האינדיקציה של המודאליות שיפרה את הביצועים ביותר מנקודת אחוז אחת, מה שמדגיש את הערך שבהגדרת סוגי הסריקות שהמודל מקבל.

מה זה עשוי להצביע עבור הטיפול בעתיד

עבור קורא שאינו מומחה, המסקנה המרכזית היא שמחקר זה מדגים דרך חכמה יותר עבור AI לקרוא סריקות MRI: הוא מתבונן על המוח מכמה זוויות, שומר יותר מהפרטים המקוריים ומתאים את עצמו כשחלק מסוגי התמונות חסר. בעוד שהעבודה הוערכה על מאגר פנימי יחיד והתמקדה בסיווג במקום במיפוי מדויק של הדימומים, היא מראה שטרנספורמרים שתוכננו בקפידה יכולים להתאים טוב יותר למציאות המעורבלת של הדמיה קלינית. אם יאומתו באופן רחב יותר וישולבו באופן אחראי בתזרימי העבודה של בתי חולים, שיטות כמו MP‑ViT יכולות לסייע לרדיולוגים לזהות דימומים מוחיים באופן אמין יותר הן במצבי חירום של שבץ והן בסריקות רוטיניות בחוץ‑חולים, דבר שעשוי להביא לטיפול מהיר יותר ולתוצאות בטוחות יותר למטופלים.

ציטוט: Das, B.K., Zhao, G., Mailhe, B. et al. Multi-plane vision transformer for hemorrhage classification using axial and sagittal MRI data. Sci Rep 16, 9333 (2026). https://doi.org/10.1038/s41598-026-44524-2

מילות מפתח: דימום מוחי, MRI, בינה מלאכותית בהדמיה רפואית, טרנספורמר חזותי, אבחון שבץ