חיזוי גידולים מוחיים מבוסס MRI באמצעות מסגרת רשת עצבית קונבולוציונית

מדוע זה חשוב למטופלים ולרופאים

גידולים מוחיים מסכני חיים לעתים קרובות, אך זיהויים המוקדם בסריקות רפואיות עלול להיות קשה וגוזל זמן. מחקר זה בוחן כיצד תוכנה חכמה יכולה לקרוא במהירות תמונות MRI של המוח ולהצביע על גידולים בדיוק שנמצא קרוב לזה של רדיולוגים מומחים, ובו בזמן להיות קלה מספיק להפעלה בבתי חולים שאין להם מחשוב חזק. המטרה היא לספק לרופאים חוות דעת שנייה מהירה שתעזור ללכוד גידולים מוקדם יותר ולהנחות החלטות טיפול.

איך מחשבים קוראים סריקות מוח

החוקרים בנו מערכת ראייה ממוחשבת המבוססת על סוג של בינה מלאכותית הנקראת רשת עצבית קונבולוציונית (CNN). במקום שאדם ייבחן כל חתך MRI, הרשת לומדת תבניות מתוך אלפי תמונות מוח ואז משתמשת בתבניות אלה כדי להחליט האם סריקה חדשה בריאה או מציגה גידול. לצורך האימון השתמשה הקבוצה ב-4600 תמונות MRI מאוסף ציבורי, שסומנו בפשטות כ’בריא’ או ‘גידול’. התמונות הגיעו מזוויות צפייה שונות, מה שעוזר למודל להתמודד עם הדרכים הרבות שבהן גידול יכול להופיע במציאות.

ניקוי והכנת התמונות

לפני הלימוד של המחשב, המחברים הכינו בקפידה את נתוני ה-MRI כדי שהמודל ילמד מתמונות נקיות ועקביות. כל התמונות שונו לגודל אחיד ורמות הבהירות שלהן הותאמו לטווח משותף. הוסרו אזורים שלא שייכים למוח כדי שהרשת תתמקד רק ברקמת המוח. כדי למנוע מהמערכת לזכור סריקות ספציפיות במקום ללמוד כללים כלליים, הקבוצה יצרה דוגמאות אימון נוספות על ידי היפוך, סיבוב ושינוי קל של הבהירות בתמונות. הם גם חילקו את הנתונים לקבוצות אימון, אימות ומבחן נפרדות כך שהציונים הסופיים ישקפו איך המודל מתנהג על מטופלים חדשים שלא נראו קודם.

עיצוב מודל פשוט אך חזק

הרשת ה‑CNN עצמה נשמרה יחסית קלת משקל לעומת רבים מהמודלים של למידה עמוקה. השכבות הראשוניות מזהות מבנים בסיסיים כגון קצוות ומרקמים בפרוסות ה‑MRI, בעוד ששכבות עמוקות יותר לוכדות צורות מורכבות יותר הטיפוסיות לגידולים. הרשת מדחיסה בהדרגה את המידע למערך תכונות קטן ולבסוף מפיקה ערך יחיד שמצביע האם יש גידול. הצוות כיוון פרמטרים כגון קצב הלמידה, גודל ה‑batch ומספר המסננים באמצעות חיפוש רשת (grid search), תוך שימוש ב‑early stopping ובנקודות בדיקה אוטומטיות כדי להפסיק את האימון ברגע שהמודל מפסיק להשתפר.

בדיקת רמת הדיוק

כדי להעריך האם המערכת תהיה שימושית במרפאה, המחברים בחנו סט מלא של מדדי ביצוע, ולא רק דיוק כולל. על נתוני המבחן שהוחבאו, המודל סיווג נכון כ‑99 אחוז הן מסריקות בריאות והן מסריקות עם גידול. הרגישות, המשקפת כמה פעמים תופסים מקרים אמיתיים של גידול, והספציפיות, המודדת כמה פעמים מוח בריא מאושר נכונה, הגיעו שתיהן ל‑99 אחוז. עקומת ROC הראתה שטח מתחת לעקומה קרוב לאחד, מה שמצביע על כך שהמודל לעיתים נדירות מבלבל בין תמונות בריאות לחולות. מטריצת הבלבול אישרה שרק מספר מועט של סריקות סווגו בצורה שגויה מתוך מאות מקרים.

איך זה משווה ומה הלאה

המחברים השוו את תוצאותיהם עם מספר שיטות AI עדכניות לגילוי גידולי מוח. גישות קודמות רבות השתמשו ברשתות עמוקות מאוד או היברידיות שהשיגו דיוק גבוה אך דרשו כוח מחשוב רב והיו קשות יותר לפרשנויות. לעומת זאת, מחקר זה מראה כי CNN קל משקל שעוצב בקפידה, בשילוב עיבוד מוקדם של תמונות ואמצעי הגנה באימון, יכול לשוות או אף לעלות על התוצאות ההן. המודל השיג דיוק של 99 אחוז בעודו נשאר קומפקטי מספיק לשימוש בבתי חולים עם חומרה וזמן מוגבלים.

מה זה משמעותי לטיפול במציאות

במילים פשוטות, המחקר מראה שמערכת AI מזורזת יכולה לקרוא סריקות MRI של המוח ולהצביע על גידולים באמינות גבוהה מאוד, מבלי להזדקק לסופרמחשב. בעוד שהמודל עדיין צריך להיבדק על תמונות ממספר בתי חולים וסורקי MRI שונים, הוא מצביע על כלים מעשיים שיכולים לספק לרדיולוגים רשת ביטחון נוספת, במיוחד במקומות שבהם מומחים דלים. אם ישולב בשגרות עבודה שוטפות, מערכות כאלו יכולות לעזור לרופאים לזהות גידולים מוחיים מוקדם יותר ולתכנן טיפולים בביטחון רב יותר, ובכך לשפר תוצאות עבור מטופלים ברחבי העולם.

ציטוט: Reddy, Y.A., Dubey, R.S., Prakash, R.V. et al. MRI-based brain tumor prediction using convolutional neural network framework. Sci Rep 16, 15904 (2026). https://doi.org/10.1038/s41598-026-47044-1

מילות מפתח: גידול במוח, MRI, למידה עמוקה, רשת עצבית קונבולוציונית, הדמיה רפואית