סיווג ותחזית מדויקים של דלקת מפרק ברך מבוססי מטא-אופטימיזציה של רדיוס כדור הארץ של אל-בירוני ומסווג LSTM

מדוע זה חשוב לכאבי ברכיים

כאבי ברכיים כתוצאה מדלקת מפרקים ניוונית משפיעים על מאות מיליוני בני אדם ועלולים בסופו של דבר להוביל להחלפת מפרק. כיום, רופאים עדיין מסתמכים במידה רבה על קריאת תמונות רנטגן בעין, מה שעשוי להחמיץ מחלה בשלב מוקדם ולהיות תלוי בשיפוט אישי. מחקר זה מראה כיצד מערכת בינה מלאכותית (AI) שעוצבה בקפידה יכולה לקרוא רנטגנים של הברך בדיוק מרשים, ולהציע דרך מהירה ויציבה יותר לזהות בעיות מוקדם ולעזור למטופלים להימנע מנכות חמורה.

הבנת השחיקה במפרק הברך

דלקת מפרק ניוונית בברך היא תהליך ממושך של הרס הסחוס החלק שמרכך את המפרק, שלרוב מלווה בשינויים בעצם שמתחתיו. היא נפוצה במיוחד במבוגרים, בנשים אחרי גיל המעבר ובאנשים עם השמנת יתר או פגיעות ברך קודמות. רבים מהמטופלים מאובחנים רק לאחר שהנזק כבר מתקדם, כאשר הכאב והנוקשות מקשים על פעולות יומיומיות והחלפת מפרק עשויה להיות האפשרות היחידה. השיטות הקיימות, שמשלבות תסמינים, בדיקה פיזיקלית ובחינה ויזואלית של רנטגן או בדיקות MRI, אינן מושלמות ולעתים מאתרות את המחלה בשלב יחסית מאוחר.

כיצד ה-AI לומד לקרוא רנטגני ברך

החוקרים בנו צינור עבודה רב-שלבי של AI שלוקח תמונות רנטגן גולמיות של הברך וממיר אותן בהדרגה להחלטה פשוטה: דלקת מפרקים ניוונית או תקינה. ראשית, הם השתמשו ברשתות זיהוי תמונה גדולות שאומנו מראש—AlexNet, VGG19 ו-GoogleNet—כדי לחלץ אוטומטית תבניות ויזואליות מכל רנטגן. רשתות אלה, שאומנו במקור על צילומים יום-יומיים, יכולות לזהות צורות ומרקמים עדינים כגון היצרות מרחב המפרק וצמיחות עצם זעירות שקשה לכמת בעין. מבין האופציות הללו, GoogleNet הפיקה את התכונות הוויזואליות המידעיות ביותר להבחנה בין ברכיים חולות לברכיים בריאות.

מתן אפשרות למסנן חכם לבחור את הרמזים המכריעים

רשתות תמונה מודרניות יכולות לייצר אלפי תכונות מספריות מתמונה בודדת, אך לא כולן שימושיות. הזנה של הכול למסווג יכולה להוסיף רעש, להאט חישובים ואף להוריד דיוק. כדי לפתור זאת, המחברים השתמשו באסטרטגיית חיפוש הנקראת אל-בירוני רדיוס כדור הארץ (BER) בצורה בינארית. אלגוריתם זה מתנהג כמו להקת חוקרים דיגיטליים שמחלקת את מאמציה בין סריקה של אזורים חדשים ב"מרחב הפתרונות" ובין זיקוק אזורים מבטיחים. כאן, כל חוקר מייצג תת-קבוצה שונה של תכונות תמונה. במשך סבבים רבים, האלגוריתם לומד אילו שילובים של תכונות הכי מבדילים בין ברכיים תקינות לדלקתיות ומסיר מידע מיותר או לא מועיל.

הפיכת תכונות לאבחנה בצעדים דמויי-זמן

לאחר שנבחרו התכונות הרלוונטיות ביותר, הן מועברות לסוג של רשת נוירונים הידועה כ-LSTM (זיכרון לטווח קצר-ארוך). אף על פי ש-LSTM משמשות בדרך כלל לסדרות זמן, במחקר זה ערכי התכונות מסודרים כמו רצף. ה-LSTM מעבדת את הרשימה הממוינת צעד אחר צעד, ומחליטה בכל שלב איזה מידע לשמר ואיזה לשכוח. למעשה, היא פועלת כמסנן חזק הלוכד יחסים ברמת-על בין תכונות, במקום לבחון כל מספר בנפרד. לאחר מכן נעשה שימוש ב-BER פעם שנייה לכוונון פנימי של פרמטרי ה-LSTM, לאיזון בין מהירות הלמידה, מורכבות המודל ויכולתו להכליל על רנטגנים חדשים.

כמה טוב המערכת מתפקדת?

המחברים אימנו ובדקו את המערכת על 3,835 רנטגנים מסומנים של ברכיים מתוך מאגר ציבורי, שחולקו לקבוצות נפרדות לאימון, ולידציה ובדיקה סופית. הם השוו מספר שילובים של אופטימיזרים ומסווגים, כולל רשתות פרקפטון רב-שכבתיות ו-LSTM שהונחו על ידי שיטות חיפוש שונות כמו particle swarm ואופטימיזציית Harris hawks. העיצוב המנצח—תכונות GoogleNet שסוננו בשיטת BER הבינארית ומסווגות על ידי LSTM מכוילת באמצעות BER—השיג דיוק של בערך 99.5% על סט הבדיקה. הוא גם הראה רגישות וספציפיות גבוהות מאוד, כלומר הוא נדיר להחמיץ ברכיים חולות ולעיתים נדירות מסווג ברכיים בריאות כשגויות. בדיקות סטטיסטיות (ANOVA ובדיקה מדורגת של Wilcoxon) אישרו שהשיפורים האלה אינם תוצאה של מקרה.

מהירות, יעילות ואמינות

מעבר לדיוק, הצוות ניתח עלות חישובית ועמידות. הם מדדו כמה כוח עיבוד, זיכרון וזמן דרשה כל שיטת אופטימיזציה. הגישה המבוססת BER הגיעה לביצועים שיא תוך שימוש במשאבים פחותים ובהתכנסות מהירה יותר מטכניקות אחרות. המודל גם התמודד היטב עם חוסר האיזון הטבעי בין תמונות תקינות לדלקתיות: דיוק מאוזן כמעט התאמה לדיוק הכולל, מה שמראה שלא הייתה הטיה כלפי המחלקה השכיחה יותר. בדיקות נוספות עם הרצות חוזרות, מרווחי אמון ואבחונים ויזואליים של שגיאות הצביעו שההתנהגות של המערכת הייתה יציבה וחזרתית.

מה זה עשוי להעניק למטופלים

במילים פשוטות, עבודה זו מדגימה שמערכת AI יכולה לבדוק רנטגנים סטנדרטיים של הברך ולהחליט, עם מעט מאוד טעויות, האם קיימת דלקת מפרקים ניוונית. על ידי בחירה חכמה של פרטי התמונה שניתן לסמוך עליהם וכיוונון מדויק של שלבי קבלת ההחלטות, השיטה מתעלה על גישות AI רבות קיימות בתחום. אמנם המחקר מבוסס על מאגר אחד וזקוק עדיין לבחינות על פני בתי חולים, קבוצות גיל ומכשירי הדמיה שונים, אך הוא מצביע לעבר קליניקות עתידיות שבהן מחשב יכול לסמן במהירות נזק מוקדם למפרק עבור הרופאים, לעזור בהתערבות מוקדמת ואולי לדחות או למנוע ניתוחי החלפת ברך.

ציטוט: Diab, A.G., El-Kenawy, ES.M., Areed, N.F.F. et al. Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier. Sci Rep 16, 13013 (2026). https://doi.org/10.1038/s41598-026-46131-7

מילות מפתח: דלקת מפרק ברך, בינה מלאכותית בהדמיה רפואית, למידה עמוקה, ניתוח רנטגן, אופטימיזציה מטא-התנהגותית