DermaScanAI — מסגרת הסברית היברידית של למידת עומק לסיווג אוטומטי של נגעי עור באמצעות תשומת לב כפולה והמיזוג של מטא־דאטה

מדוע בדיקות שומות חכמות יותר חשובות

סרטן העור הוא אחד מסוגי הסרטן הנפוצים ביותר, וגילוי מוקדם שלו יכול להציל חיים. עדיין רבים מחכים חודשים או שנים עד לבדיקה של שומה חשודה, ואף רופאים מנוסים עלולים להתקשות בהחלטה במקרים מורכבים. המחקר הזה מציג את DermaScanAI, מערכת מחשב שנועדה לסייע לרופאים למיין בין כתמים בלתי מזיקים לכתמים מסוכנים על־ידי בחינת תמונות עור מפורטות ומידע בסיסי על המטופל, ובו־זמנית להציג בצורה ברורה על מה המערכת "התמקדה" כדי להגיע להחלטה.

ללמד מחשבים "לקרוא" תמונות עור

דרמטולוגים משתמשים לעתים קרובות במכשיר ידני שנקרא דרמוסקופ כדי לצלם תמונות מקרוב של שומות וכתמים אחרים. תמונות אלה חושפות דגמים דקים של צבע ומרקם שיכולים להעיד על סרטן, אך הן גם מלאות הסחות כמו שיערות, תאורה לא אחידה ושונות מצלמות. DermaScanAI מתחיל בניקוי התמונות: הוא מסיר דיגיטלית שיערות, מייצב בהירות וצבעים ומגדיל את אזור הנגע לגודל תקני. המערכת גם מעשירה את הנתונים על־ידי שיקוף, סיבוב ושינויים עדינים בצבע כך שהמחשב יראה וריאציות מציאותיות רבות של כל נגע, מה שעוזר לו להתמודד טוב יותר עם שונות מן השטח.

לראות גם פרטים עדינים וגם תבנית כוללת

כלים קודמים רבים לזיהוי סרטן עור התמקדו רק בתבניות מקומיות קטנות או רק בצורה הכוללת, דבר שעלול לבלבל כאשר נגעים שונים נראים דומים בחלקים מסוימים. DermaScanAI משלב שני סוגי זיהוי תבניות כדי להימנע מבעיה זו. ראשית, רשת קונבולוציה מודרנית, סוג של מנוע עיבוד תמונה, מזהה פרטים עדינים כגון קצוות, נקודות צבע ומרקם בכמה סקלות — מתוך טלאים זעירים ועד אזורים גדולים יותר. בנוסף על כך, מודולי תשומת לב מיוחדים עוזרים למערכת "להשמיע חזק יותר" את ערוצי הצבע והאזורים בתמונה שמכילים מידע רב, תוך השתקת אזורי רקע שאינם מועילים.

הוספת הקשר גלובלי ורמזים על המטופל

לאחר התמקדות באזורים החשובים בתמונה, DermaScanAI מעביר את התכונות המעודנות למודול טרנספורמר קל משקל. החלק הזה במודל טוב בקישור בין חלקים מרוחקים בתמונה, כך שהוא יכול לקשר בין מרכז השומה לגבוליה ולעור שמסביב. במקביל, המערכת מושכת מידע פשוט על המטופל כמו גיל, מין ומיקום הנגע על הגוף. רמזים אלה משקפים את הפרקטיקה הקלינית — כתם כהה על רגל של צעיר עלול לשאת סיכון שונה מאותו כתם על גבו של אדם מבוגר. על־ידי מיזוג תכונות תמונה עם פרטים בסיסיים אלה לפני קבלת ההחלטה, המודל מדמה את האופן שבו דרמטולוג שוקל הקשר.

לקבל החלטות שרופאים יכולים לבחון

מחסום גדול לשימוש בבינה מלאכותית במרפאות הוא שמערכות רבות מרגישות כקופסאות שחורות. כדי להתמודד עם זה, DermaScanAI כולל מודול להסבריות. באמצעות טכניקה שנקראת Grad-CAM++ הוא מפיק מפות חום שמדגישות אילו חלקים בנגע השפיעו ביותר על החלטתו; שיטה נוספת, SHAP, מעריכה כמה כל פריט מידע — כולל מטא־דאטה של המטופל — דחף את התוצאה לעבר אבחנה מסוימת. כאשר מפות החום האלה מונחות על התמונה המקורית ומושוות עם קווי מתאר של הנגע שצוירו על־ידי מומחים, הן מציגות חפיפה חזקה, מה שמרמז שהמערכת מתמקדת באזורים בעלי משמעות רפואית ולא ברעש אקראי.

כמה טוב המערכת מתפקדת

החוקרים בחנו את DermaScanAI על HAM10000, אוסף ציבורי גדול של יותר מ־10,000 תמונות דרמוסקופיות הכולל שבעה סוגי נגעי עור, ביניהם מלנומה, שומות נפוצות ומצבים שפירים שונים. לאחר אימון ובדיקה קפדנית עם חלוקות נתונים מרובות, המודל השיג דיוק כולל של כ־94.8%, F1‑score ממוצע מאקרו של כ־92% ושטח מתחת לעקומת ROC של 0.962, המעיד על יכולת חזקה להבחין בין סוגי נגעים. הוא גם שמר על דיוק סביר כאשר אומן על חלק קטן בלבד מהנתונים, והשווה לטובה למערכות מובילות אחרות שבנו רק על רשתות קונבולוציה או רק על טרנספורמרים בעודו משתמש בפחות משאבים חישוביים.

מה משמעות הדבר לבדיקות שומות בעתיד

פשוט לומר, עבודה זו מראה שמודל מחשב מתוכנן בקפידה יכול למיין סוגים שונים של נגעי עור ברמת מהימנות גבוהה, להשתמש במידע מטופל פשוט כדי לחדד את שיקול דעתו ולהראות לרופאים בדיוק על מה "הסתכל" על העור. DermaScanAI אינו כלי אבחוני עצמאי עדיין: הוא עדיין זקוק לבחינות רחבות בבתי חולים, במצלמות שונות ובאוכלוסיות מטופלים מגוונות לפני שיתמוך בהחלטות קליניות אמיתיות. עם זאת, הוא מציע מתווה ברור לעוזרים עתידיים לזיהוי סרטן העור שיהיו גם מדויקים וגם שקופים, ועשויים לסייע לרופאים לזהות נגעים מסוכנים מוקדם יותר בעודו מחזק את הביטחון של מטופלים ומטפלים בתהליך קבלת ההחלטות.

ציטוט: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

מילות מפתח: סרטן העור, דרמוסקופיה, למידת עומק, בינה מלאכותית בדימות רפואי, בינה מלאכותית מוסברת