הסרת שיער ופריטים מיותרים בתמונות דרמוסקופיות באמצעות למידה עמוקה לשיפור גילוי סרטן העור

תמונות עור ברורות יותר להצלת חיים

זיהוי מוקדם של סרטן עור מסוכן יכול להכריע בין הליך אמבולטורי פשוט לבין מחלה מסכנת חיים. רופאים נשענים יותר ויותר על צילומי עור מקרוב, המכונים תמונות דרמוסקופיות, כדי לזהות דפוסי צבע וגבולות עדינים בנגעים. אבל במציאות תמונות אלה לעתים קרובות עמוסות בשיער, בהשתקפויות מאורות ובצללים. המחקר הזה מראה כיצד מערכת בינה מלאכותית מודרנית יכולה באופן אוטומטי "לנקות" את התמונות — להסיר את העומס הוויזואלי תוך שמירה על הפרטים העדינים שהרופאים ותוכנות אבחון זקוקים להם כדי לתפוס מלנומה מוקדם יותר.

הבעיה עם תמונות עור מבולגנות

אף על פי שהמלנומה פחות שכיחה מסוגי סרטן עור אחרים, היא הרבה יותר קטלנית, ולכן אבחון מוקדם ומדויק חיוני. דרמוסקופיה מאפשרת למטפלים לראות מבנים מתחת לפני העור, אבל התמונות נדירות כשהן נקיות לגמרי. שערות החוצות את שדה הראייה, תאורה לא אחידה והשתקפויות מהעור או מעדשת המצלמה עלולים לטשטש גבולות נגעים ולהסתיר דפוסי פיגמנט. שיטות ניקוי מסורתיות מסתמכות על חוקים ומסננים מעשה‑יד, לעתים עובדות רק עם סוגי שיער או תאורה מסוימים ועלולות בטעות למחוק חלקים מהנגע עצמו. במקביל, מערכות רבות לסיוע מחשב בגילוי סרטן העור מניחות בשקט שתמונות הקלט כבר נקיות, מה שאעפ"כ אינו נכון במרפאות עמוסות.

להדריך רשת מה להסיר ומה לשמור

החוקרים התמודדו עם הבעיה על ידי אימון מודל למידה עמוקה מסוג U‑Net כדי להפריד בין הפריטים המיותרים לבין נגע העור האמיתי ברמת הפיקסל הבודד. הם השתמשו בשתי אוספים ציבוריים גדולים של תמונות שומות ונגעים אחרים בעור, הכוללים יחד יותר מ‑20,000 תמונות דרמוסקופיות של נגעים שפירים וממאירים. כל תמונה עברה עיבוד מקדים קפדני: צבעים הונגוונו כך שתמונות שצולמו במצלמות או בתאורות שונות יהפכו להשוואתיות יותר, ומערך הנתונים הורחב באמצעות השתקפויות, סיבובים וגרסאות מעט משוחזרות בצבע כדי לדמות את המגוון המופיע בפרקטיקה האמיתית.

בניית "אמת קרקע" מדויקת לעומס

שלב מרכזי היה להגיד לרשת בדיוק אילו פיקסלים הם שיער או עומס אחר ואילו שייכים לנגע או לעור הסובב. מומחי דרמטולוגיה שרטטו ידנית מסכות מפורטות על תמונות מייצגות, תוך מעקב אחר שערות דקות, סימוני סרגל, כתמי בוהק וצללים בזמן שהמנעו מפגיעה במבני נגע חשובים. כלים קלאסיים לעיבוד תמונה שימשו אז ליצירת טיוטות מסכות לרבות תמונות נוספות, שהמומחים בדקו ותיקנו. כל התמונות והמסכות שונו לגודל תקני כדי שהרשת תוכל ללמוד תבניות עקביות. במהלך האימון פונקציית אובדן מותאמת הפרישה פרס למודל הן על דיוק בסימון הפריטים המיותרים והן על הימנעות מפגיעה מקרית בפרטי הנגע, ובמיוחד במבנים דקים או קטנים מאוד.

תמונות חדות יותר ואבחון סרטן משופר

לאחר האימון נבדקה המערכת על תמונות שלא נראו קודם. מדדי איכות התמונה השתפרו באופן משמעותי: התמונות הנקיות נראו דומות יותר לתמונות ייחוס אידיאליות, והמבנה שלהן נשמר טוב יותר. הרשת גם למדה לסמן שערות ופריטים אחרים בדיוק גבוה, אפילו כשהם צפופים או לא סדירים. כדי לבדוק האם הדבר משנה מבחינה קלינית, המחברים הזינו את שתי קבוצות התמונות — המקוריות והמותקנות — למערכת קיימת לזיהוי מלנומה. עם קלטים מנוקים דיוק הממיין עלה מכ־84% לכ־90–92%, ומדד מפתח של איזון ביצועים (F1‑score) השתפר בכמעט 10 נקודות אחוז. הביטחון של המודל בהחלטותיו גם גדל, במיוחד במקרים קשים שבהם העומס קודם לכן הסווה את גבולות הנגע.

מה זה אומר לבדיקות עור בעתיד

העבודה ממחישה כי הסרת שיער ופריטים ויזואליים אחרים אינה רק עריכה קוסמטית, אלא שלב ראשון חיוני לאבחון סרטן עור אמין בסיוע מחשב. על ידי הטמעת רשת להסרת פריטים מיותרים לפני ממיינים קיימים, מרפאות ושירותי טלה‑רפואה יוכלו להשיג תמונות דרמוסקופיות ברורות וממויינות יותר בזמן אמת, ללא הוספת עבודה לרופאים. הגישה עדיין צריכה לעבור בדיקות על טונים, מצלמות והגדרות מרפאה מגוונות עוד יותר, אך היא מציעה מסלול פרקטי לעבר סינון מלנומה אמין יותר בעזרת בינה מלאכותית ולבסוף לטיפול מוקדם יותר עבור מטופלים.

ציטוט: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection. Sci Rep 16, 14452 (2026). https://doi.org/10.1038/s41598-026-44545-x

מילות מפתח: מלנומה, דרמוסקופיה, למידה עמוקה, עיבוד מוקדם של תמונה, גילוי סרטן עור