מסגרת למידה ניגודית עם מיזוג מאפיינים אדפטיבי לסיווג גידולי מוח

מדוע קריאה חכמה יותר של סריקות מוח חשובה

גידולים במוח מסוכנים לא רק משום שהם חודרים רקמות חיוניות, אלא גם כי קשה להבחין ביניהם בסריקות רפואיות. רופאים מסתמכים רבות על תמונות MRI כדי להחליט עד כמה הגידול חמור ואיזו טיפול ליישם. עם זאת, גידולים המתנהגים בצורה שונה בגוף עשויים להיראות דומים מאוד על המסך. מחקר זה מציג שיטה ממוחשבת חדשה הלומדת לזהות הבדלים עדינים בתמונות MRI, במטרה לתמוך ברופאים בסיווג מהיר ואמין יותר של גידולים.

מסתכלים על האתגר בתוך הגולגולת

גידולים במוח נובעים כאשר תאים בתוך הגולגולת גדלים בצורה בלתי מבוקרת, לוחצים על אזורים סמוכים וגורמים לתסמינים כמו כאבי ראש, פרכוסים או בעיות ראייה. ב-MRI שלושה סוגי גידולים נפוצים—מנינגיומה, גליוומה וגידול בלוטת יותרת המוח—לעתים קרובות חופפים במראה. כדי להוסיף קושי, בתי חולים מצלמים את המוח ממספר זוויות (אקסיאלית, קורונלית, סגיטלית), כך שאותו גידול יכול להיראות שונה מאוד מחתך לחתך. מערכות למידה עמוקה קיימות יכולות לזהות דפוסים כלליים בתמונות אלו, אך לעתים מפספסות את הפרטים העדינים בצורה, בקצה ובמרקם שמבדילים בין סוגי הגידול.

דרך חדשה ללמד מחשבים מה לשים אליו לב

המחברים מציעים מסגרת בשם AFF-CL שמשנה את אופן הלמידה של רשת נוירונית מסריקות MRI. במקום רק ללמוד להתאים תמונה לתוויתה (למשל, "גליומה"), המערכת גם לומדת על ידי השוואת תמונות זו לזו. היא בונה מעין תור זיכרון שמאחסן טביעות מאפיינים של תמונות רבות מהעבר יחד עם סוגי הגידול שלהן. כאשר מגיע סריקה חדשה, המודל משווה את טביעת האצבע הפנימית שלו לא רק לתמונה אחת, אלא להרבה דוגמאות מאוחסנות של אותו סוג גידול ושל סוגים אחרים. מאפיינים מאותה קטגוריה נמשכים זה אל זה, בעוד שמאפיינים של קטגוריות שונות נדחפים זה מזה, מה שעוזר למחשב לשרטט גבולות ברורים יותר בין מחלקות הגידול ב"מפת" התמונות הפנימית שלו.

מסתכלים על המוח גם במבט רחב וגם בזום

הפרדה של קטגוריות אינה מספיקה; המערכת גם צריכה ללמוד היכן להסתכל בכל חתיכת MRI. להשגת זאת, המסגרת מעבדת כל סריקה בשתי דרכים משלימות. ענף אחד רואה את המוח כולו, תופס הקשר כללי, גודל ומיקום הגידול. הענף השני מתמקד באזור מקורז, וכפה על המודל לבדוק מבנה מקומי, קצוות ומרקמים. מודול מיזוג מאפיינים אדפטיבי (AFF) פועל אז כמו מערבל חכם, ומחליט נקודה אחרי נקודה עד כמה לסמוך על המבט הרחב אל מול הקרוב. באמצעות מנגנון קשב מובנה הוא מחזק אותות שבהם הפרט המקומי חיוני ומחזקם עם ההקשר האנטומי הרחב יותר, ומייצר ייצוג משולב עשיר יותר עבור סיווג סופי.

מבחן השיטה

החוקרים העריכו את AFF-CL על מאגר ציבורי בשימוש נרחב המכיל 3,064 תמונות MRI של מוח מ-233 מטופלים. מערך הנתונים כולל את שלושת סוגי הגידול העיקריים ותמונות שנלקחו מזוויות שונות. לאחר אימון, השיטה החדשה השיגה דיוק של כ-99.35%, כשהיא עולה על גישות למידה עמוקה עדכניות רבות המתבססות על רשתות עמוקות יותר או על מנגנוני קשב מסורתיים בלבד. המחברים הראו גם שהגישה שלהם משפרת ביצועים על פני ארכיטקטורות גב שונות, מרשתות קונבולוציה קלות המתאימות למרפאות קטנות ועד דגמי טרנספורמר מתקדמים יותר. המחשות של פעילות פנימית ברשת מצביעות שבעזרת AFF-CL הקשב מרוכז ביתר דיוק באזורים שבהם נמצא הגידול והשלושה סוגי הגידול נפרדים לצברים מוגדרים היטב במרחב המאפיינים.

מה משמעות הדבר עבור מטופלים ומרפאות

לאחר מומחה לא-מומחה, המסר המרכזי הוא ש-AFF-CL עוזרת למחשבים ללמוד לזהות גידולי מוח בתמונות MRI בדיוק יוצא דופן על ידי השוואת תמונות בצורה חכמה יותר ושילוב בין מבטים "ממוצעים" ו"ממוקדים" של המוח. בעוד שהשיטה כרגע דורשת כוח חישוב גדול יותר לאימון ועדיין זקוקה לבדיקה מחמירה ברמת המטופל, היא כבר עולה על כלים קיימים בשני מאגרים שונים. בטווח הארוך, מערכות כאלו יכולות לשמש כעין זוג עיניים נוסף לרדיולוגים, להפחית אבחנות חסרות, לזרז החלטות טיפול ולהפוך ניתוח מתקדם של גידולי מוח לנגיש במגוון רחב יותר של בתי חולים.

ציטוט: Peng, Y., He, S. & Chang, L. A contrastive learning framework with adaptive feature fusion for brain tumor classification. Sci Rep 16, 14504 (2026). https://doi.org/10.1038/s41598-026-44887-6

מילות מפתח: MRI של גידול מוח, אבחון בעזרת למידה עמוקה, ניתוח תמונות רפואיות, למידה ניגודית, מיזוג מאפיינים