Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

סיווג רב-מעמדי של גידול מוח באמצעות שלד ResNet101 המשולב במודול תשומת-לב מעוותת רב-קנה-מידה והגברות נתונים מתקדמות

· חזרה לאינדקס

מדוע המיון של סריקות מוח חשוב

כשמגיעים לבחון סריקות מוח כדי לבדוק גידולים, הרופאים חייבים לקבוע לא רק האם יש גידול, אלא גם מהו סוגו. סוגי גידול שונים דורשים טיפולים שונים, ובכל זאת הם עלולים להיראות דומים מאוד ב-MRI. המחקר חוקר גישה חדשה של בינה מלאכותית שיכולה למיין סוגים רבים של גידולים מוחיים מתוך סריקות MRI בדיוק גבוה מאוד, ובכך לספק לרדיולוגים תמיכה מהירה ועקבית יותר בעת קבלת החלטות משפיעות חיים.

Figure 1. כיצד בינה מלאכותית ממירה סריקות MRI של המוח לקבוצות ברורות של סוגי גידולים שונים.
Figure 1. כיצד בינה מלאכותית ממירה סריקות MRI של המוח לקבוצות ברורות של סוגי גידולים שונים.

מלמדים מחשבים "לקרוא" סריקות מוח

החוקרים מתמקדים בסיווג רב-מעמדי, כלומר להבחין בין קטגוריות רבות של גידולים בו-זמנית במקום רק לזהות גידול מול לא-גידול. הם משתמשים במודל למידת עומק המבוסס על ResNet101, רשת זיהוי תמונות נפוצה שלמדה כבר דפוסים חזותיים כלליים ממאגרי תמונות טבעיות גדולים. הצוות מתאים רשת זו ל-MRI של המוח ומיישם אותה על ערכת נתונים ציבורית הכוללת 15 כיתות, מתרכובת מוח תקינה ועד גידולים ספציפיים כגון גליאובלסטומה, מנינגיומה ומדולובלסטומה. התמודדות עם כל כך הרבה קטגוריות מקרבת את המשימה לזו שהרדיולוגים נתקלים בה במרפאות אמתיות.

ניקוי ואיזון של נתוני עולם אמיתי

מאגרי תמונות רפואיות לעתים מכילים מלכודות נסתרות, כמו סריקות כפולות של אותו מטופל או הבדלים גדולים בשכיחות כל סוג גידול. כדי להימנע ממסקנות מטעות, המחברים קודם כל סורקים את כל ערכת הנתונים, מחשבים טביעת אצבע דיגיטלית לכל תמונה ומסירים כפילויות מדויקות. לאחר מכן הם מקבצים תמונות לפי מזהה מטופל ומחלקים את המטופלים (ולא את התמונות) לקבוצות אימון, ולידציה ומבחן, כך שסורקי אותו אדם לא מופיעים ביותר מקבוצה אחת. חלוקה לפי מטופל עוזרת להבטיח שהדיוק המדווח משקף ביצועים על יחידים שלא נראו בעבר ולא על תמונות חוזרות של אותו מוח. הצוות גם משתמש בסדרה של טרנספורמציות תמונה ובטכניקה שנקראת MixUp כדי לשפר את הייצוג של סוגי גידול נדירים במהלך האימון ולעזור למודל להתמודד עם שינויים בכיוון, בהירות ורעש.

Figure 2. כיצד תשומת-לב גמישה רב-קנה-מידה מאפשרת לבינה המלאכותית להתמקד באזורים מרכזיים ב-MRI של המוח כדי להבדיל בין סוגי גידולים.
Figure 2. כיצד תשומת-לב גמישה רב-קנה-מידה מאפשרת לבינה המלאכותית להתמקד באזורים מרכזיים ב-MRI של המוח כדי להבדיל בין סוגי גידולים.

מבט מקרוב באמצעות תשומת-לב גמישה

חידוש מרכזי במחקר הוא מודול שהמחברים קוראים לו מודול תשומת-לב מעוותת רב-קנה-מידה. בפשטות, המודל בוחן את ה-MRI ברמות פירוט שונות, ממבנים גסים של המוח כולו ועד מרקמים עדינים בסמוך לגידול. במקום לסרוק כל מיקום באופן קשיח ורשת-גריד, תשומת-הלב המעוותת לומדת להזיז מעט את נקודות ה"מבט" כדי לאתר אזורים אינפורמטיביים. לאחר מכן היא מיישמת שתי צורות תשומת-לב משלימות: אחת שמדגישה אזורים חשובים בתמונה ואחרת שמחזקת ערוצי תכונה מועילים בתוך הרשת. השילוב הזה מאפשר למערכת לתפוס טוב יותר הבדלים עדינים בצורה ובמרקם שמבדילים בין סוגי גידולים.

בדיקת ביצועים ואמינות

לאחר אימון למשכים רבים, המודל משיג דיוק ולידציה של כ-97 אחוז ודיוק מבחן מעל 99 אחוז על פני כל 15 הכיתות. רוב סוגי הגידולים מסווגים באופן מושלם בערכת המבחן המבודדת, כאשר רק מספר מועט של טעויות מתרחש בקטגוריות גידול שגם נדירות וגם דומות חזותית. החוקרים משווים את תוצאותיהם לשיטה קודמת שגם השתמשה בתשומת-לב מעוותת ומראים שהגישה שלהם שווה או עוקפת אותה ברוב מדדי ההערכה, על אף מגוון הכיתות המורכב. הם גם מבצעים מבחני עומס על המערכת על ידי הוספת רעש והפחתת רזולוציית התמונה, ומגלים שהדיוק נשאר גבוה גם כאשר איכות הסריקה יורדת — חשיבותית לתנאי עבודה מציאותיים בבתי חולים.

להראות מה המודל רואה

כדי לעזור לאנשי מקצוע רפואיים לסמוך על המערכת, המחברים משתמשים בכלי ויזואליזציה שמגלים היכן הרשת מתמקדת כשמדידה מתקבלת. מפות חום המופקות על ידי Grad-CAM מדגישות אזורים ב-MRI שהשפיעו ביותר על הניבוי, וניתוחי SHAP מראים אילו תכונות שלמד המודל דוחפות אותו לאבחנה זו או אחרת. ההסברים הוויזואליים הללו מצביעים באורח עקבי על אזורי הגידול והגבולות שלהם במקום על רקע לא רלוונטי, מה שמרמז שההסקה של המודל מתיישבת עם האינטואיציה הרדיולוגית. בעוד שהמחקר מדגיש כי יש צורך בבדיקות חיצוניות נוספות, הוא ממחיש כי צנרת למידת עומק שעוצבה בקפידה יכולה לא רק לסווג סוגים רבים של גידולים מוחיים בצורה אמינה, אלא גם להציע רמזים ניתנים לפרשנות על אופן קבלת ההחלטות שלהם.

מה זה יכול להציע לחולים

בהיקף שגרתי קליני, מערכת כזו לא תחליף רדיולוגים אלא תפעל כקורא שני, תסמן במהירות סוגי גידול סבירים ותמשוך תשומת לב לאזורים חשודים בסריקה. על ידי טיפול במגוון רחב של גידולים ושמירה על יציבות בתנאי רעש או תמונות באיכות נמוכה יותר, המסגרת המתוארת במאמר מראה כיצד בינה מלאכותית יכולה לתמוך באבחונים עקביים ומהירים יותר. עם אימות נוסף בבתי חולים ובמכשירי סריקה שונים, כלים כאלה עשויים להפוך לחלק משגרות עבודה שגרתיות, לסייע למומחים במיקוד בתכנון טיפול בעוד המחשבים מטפלים ברוב פעולות המיון החוזרות של תמונות.

ציטוט: Reddy, B.S., Jha, R.R., Dasore, A. et al. Multi-class classification of brain tumor using a ResNet101 backbone integrated with multi-scale deformable attention module and advanced data augmentations. Sci Rep 16, 15938 (2026). https://doi.org/10.1038/s41598-026-45675-y

מילות מפתח: גידול מוח MRI, למידת עומק, בינה מלאכותית בהדמיה רפואית, סיווג גידולים, רשתות תשומת-לב