שיפור זיהוי מחלות ריאה באמצעות שיטות CNN‑RNN

מדוע סריקות ריאה חכמות חשובות

מחלות נשימה כמו דלקת ריאות, COVID וטובָּרקולוזיס גובות מיליוני קורבנות מדי שנה, בעיקר במדינות בעלות הכנסה נמוכה שבהן יש מחסור ברופאים ובציוד הדמיה. צילום חזה זול ונפוץ, אך קשה לפרש אותו ולעתים מחלות ריאה שונות נראות דומות. מחקר זה בוחן כיצד גרסה קומפקטית של בינה מלאכותית יכולה לעזור לזהות כמה סוגי בעיות ריאה בצילומי רנטגן במהירות ובאמינות רבה יותר, מבלי להחליף את שיפוטם של קלינאים מיומנים.

העומס העולמי על הריאות

הכותבים פותחים בתיאור כיצד מחלות ריאה הפכו לסיבת מוות מובילה ברחבי העולם, עם היקף כבד במיוחד בבנגלאדש. זיהום, אבק, עשן וזיהומים תורמים לעלייה בשיעורי דלקת ריאות, אסתמה, שחפת, שפעת, COVID ומחלות נשימה כרוניות אחרות. תסמינים כגון שיעול, כאב בחזה וקוצר נשימה חופפים זה לזה, מה שמקשה להבחין במצב מסוים על סמך סימנים קליניים בלבד. באותו זמן, אזורים רבים חסרים רדיולוגים מספיקים לקריאת צילומים, ועיכובים באבחון עלולים להיות קטלניים, במיוחד לתינוקות וילדים קטנים ולמבוגרים עם בעיות בריאות נלוות.

הפיכת צילומי רנטגן לדפוסים שמחשב יכול לקרוא

מכיוון שמכונות רנטגן נפוצות וזולות בהרבה מסורקי CT, המחקר מתמקד באוטומציה של קריאת צילומי חזה. החוקרים משתמשים באוסף ציבורי גדול של יותר מעשרים אלף תמונות המתויגות כ‑COVID‑19, אי־חדירוּת ריאה (lung opacity), ריאות נורמליות או דלקת ריאות ויראלית. לפני אימון המערכת הם משנים במדויק את גודל התמונות ומנרמלים אותן ואז חותכים אותן להרבה ריבועים קטנים. שלב זה מוסיף שונות לנתונים ועוזר למודל להתמקד בפרטים עדינים שעשויים לאותת על זיהום או נוזל. התמונות נחלקות בערכת אימון ובערכת בדיקה כדי שניתן יהיה להעריך את המערכת על צילומים שלא נראו בעבר.

שתי עיניים דיגיטליות על כל תמונה

ליבת העבודה היא מודל היברידי חדש הנקרא C RNet, שמחבר שתי משפחות שונות של רשתות נוירונים. ענף אחד הוא מזהה תמונות קונבנציונלי הסורק את כל צילום החזה כדי ללמוד דפוסים מרחביים כמו אזורים מעוננים, קצוות חדים וצורת הריאה הכוללת. הענף השני מתייחס לרשת הריבועים כאל רצף ומשתמש ברשת חוזרת כדי ללכוד כיצד אזורים קטנים מתקשרים זה עם זה ברחבי התמונה. באמצעות איחוד התוצרים משני הענפים, המערכת לומדת גם פרטים מקומיים וגם הקשר רחב יותר, כמו כיצד צללים בחלק אחד של הריאה מתיישרים עם שינויים בחלקים אחרים. שכבת סיום ממירה מידע משולב זה לאחת מארבע אבחנות אפשריות.

לראות מה המכונה רואה

כדי להפוך את המערכת לאמינה יותר בעיני קלינאים, המחברים מוסיפים כלי בינה מוסבר בשם Grad CAM. שיטה זו חופפת למפת חום צבעונית על גבי צילום המקורי ומדגישה את האזורים שהשפיעו ביותר על החלטת המודל. במבחנים, C RNet נוטה להתמקד באזורים ריאליסטיים של מחלה בשדות הריאה, בעוד שמודלים להשוואה לפעמים מדליקים אזורים לא רלוונטיים ליד הכתפיים או הסרעפת. משוב חזותי זה יכול לעזור לרדיולוגים לשפוט האם האלגוריתם מתמקד באנטומיה משמעותית או מוסט על ידי רעש או ארטיפקטים בתמונה.

כמה טוב המערכת מתפקדת

בהערכה על מערך הנתונים המלא, C RNet סיווגה נכון מצב ריאה בכ‑94 מתוך 100 מקרים בערך, והשאירה מאחור מספר מודלים בולטים של למידה עמוקה כגון Xception, VGG19, טרנספורמר חזותי (vision transformer) ו‑CNN המקושר לשכבה חוזרת בצורה פשוטה יותר. המודל הצטיין בזיהוי COVID ודלקת ריאות ויראלית, תוך שמירה על יכולת להבחין בריאות נורמליות ומקרים עדינים יותר של אי־חדירות ריאה. חשוב לציין שהמודל משיג את הדיוק הזה בפחות משני מיליון פרמטרים הניתנים לאימון ובגודל קובץ של כשבעה מגה‑בייט, מה שהופך אותו להרבה יותר קטן מרשתות זיהוי תמונה פופולריות רבות. עיצוב קומפקטי זה מאפשר לו לפעול על מחשבים פשוטים או מכונות בית חולים ללא חומרה ייעודית.

מה משמעות הדבר למטופלים ומרפאות

לקהל הרחב, המסר המרכזי הוא שהמחקר מראה כיצד תוכנה חכמה אך קלה משקל יכולה לסייע לרופאים לקרוא צילומי חזה בצורה עקבית יותר. על ידי שילוב שתי דרכי הסתכלות על אותה תמונה ובהצגת האזורים שדחפו את ההחלטה, C RNet מציעה גם דיוק וגם שקיפות. בהגדרות עם משאבים מוגבלים כלי כזה יכול לשמש כזוג עיניים נוסף, לסמן מקרי חשד לסקירה מעמיקה יותר ולעזור להבטיח שאבחון של זיהומי ריאה חמורים ייעשה מוקדם יותר. בעוד שאינו מחליף מומחיות רפואית, יש בו פוטנציאל לתמוך באבחונים מהירים ואמינים יותר במקומות בהם הם נחוצים ביותר.

ציטוט: Zahin, I.A., Ahsan, M.F., Orni, R.A. et al. Enhancing lung diseases recognition through CNN-RNN methodologies. Sci Rep 16, 15819 (2026). https://doi.org/10.1038/s41598-026-45842-1

מילות מפתח: מחלת ריאה, צילום חזה, למידה עמוקה, בינה מלאכותית בהדמיה רפואית, זיהוי דלקת ריאות