מיחזור למידה עמוקה משולבת לזיהוי נגעי עור באמצעות דה-רעש FCNN ו-Inception-Dilated ResNetV2

מדוע זה חשוב לבריאות היומיומית

סרטן העור הוא אחד מסוגי הסרטן השכיחים ביותר בעולם, ובכל זאת רב הנגעים בעור שנעלמים מעין המבין עד שהם הופכים למסוכנים. המחקר בוחן כיצד מערכות מחשב מתקדמות יכולות לסייע לרופאים לזהות נגעי עור מעוררי דאגה מוקדם ובמהימנות רבה יותר על‑ידי למידה מאלפי תמונות — מה שיכול להקל על העומס במרפאות ולשפר את הסיכוי לטיפול בזמן.

ללמד מחשבים לקרוא תמונות עור

החוקרים מתמקדים בתמונות דרמוסקופיה — צילומים ממוקדים ומוגדלים המגלים פרטים עדינים של שומות וסימני עור אחרים. פרשנות תמונות אלה מאתגרת אפילו למומחים מיומנים, בייחוד כאשר בתמונות קיימים שיערות, צללים או רעש מצלמה. הצוות שואף לבנות מערכת סיוע לאבחון שיכולה למיין סוגים שונים של נגעי עור, כולל מלנומה, בדיוק גבוה ובאותו הזמן להתמודד עם איכות תמונה לא מושלמת ואי־אחידות שמאפיינת נתונים מהעולם האמיתי.

לנקות את התמונה לפני קבלת החלטה

הצעד הראשון במערכת הוא לנקות כל תמונת עור באמצעות סוג של רשת נוירונים המיועדת לתיקון תמונות. המודל לומד להסיר נקודות, ארטיפקטים ורעשי תמונה אחרים תוך שמירה על הקווים והמרקמים שמגדירים את צורתו וצבעו של הנגע. על ידי אימון על מספר תמונות קשורות בו‑זמנית והשוואת אזורים דומים ביניהן, השיטה מייצרת גרסה ברורה יותר של הנגע. קלט מנוקה זה מקטין את הסיכון לכך ששיערות מקריות, הסנוור מאור או מרקם רקע יטעו את שלבי האלגוריתם הבאים.

לגלות דפוסים חבויים בקני מידה שונים

לאחר שהמידע נוסף מרעש, רשת עמוקה שנייה מחפשת דפוסים שעין האדם קשה להבחין בהם בקלות. רשת זו נבנתה כדי ללכוד גם פרטים עדינים, כגון גבולות בלתי סדירים זעירים, וגם דפוסים רחבים יותר כמו פיזור צבע כללי. היא עושה זאת באמצעות שימוש בגודל מסננים שונה ופריסה מיוחדת המאפשרת למערכת לראות הן פרטים מקומיים והן הקשר רחב יותר מבלי לדרוש הספק חישובי עצום. חיבורים שאריתיים (residual connections) מסייעים לזרימת מידע חלקה דרך שכבות רבות, כך שהמודל יכול לבנות תיאורים עשירים של כל נגע מבלי לאבד רמזים ויזואליים חשובים.

לשלב מספר "דעות" לקבלת הכרעה סופית

במקום להסתמך על מסווג יחיד, המחברים משתמשים בשלישייה של מודלים שונים של למידה עמוקה, שכל אחד מביא חוזקה שונה. מודל אחד מיומן בלכידת יחסים מסודרים בתכונות המופקות, אחר לומד מבנה סטטיסטי מרומם, והשלישי מדמה פעילות מקטלגת בהשראת תאי מוח ויעיל בטיפול בזמן ובשינויים בדפוסים. המערכת משלבת את תוצריהם באמצעות כלל משוקלל כך שכל מודל משפיע על ההחלטה הסופית בהתאם לביצועיו על נתוני האימות. האנזמבל מאומן ונבדק על מערך נתונים ציבורי עם תשע קטגוריות של סרטן עור שכולל מלנומה ומספר סוגי נגעים נפוצים נוספים.

כיצד המערכת מתפקדת ומה עוד צריך לשפר

במערך נתונים זה, המערכת המשולבת מסווגת נכון כ־99% מתמונות המבחן ומגיעה לציון גבוה בהפרדת סוגי הנגעים, ובעקבות כך עולה על שורה של גישות למידה עמוקה קודמות. היא גם פועלת במהירות ובשימוש זיכרון נמוך יותר לעומת מספר מודלים מבוססי Transformer בתחום הראייה, מה שהופך אותה לפרקטית יותר לשימוש ממשי. עם זאת, המחברים מציינים כי הביצועים יורדים במידה מסוימת עבור קטגוריות נדירות של נגעים שבהן יש מעט דוגמאות, וכי הנתונים נאספו בתנאי הדמייה ואוכלוסיות יחסית דומות. הם מזהירים שהכללה למרפאות, מצלמות וגווני עור שונים נשארת אתגר פתוח, וכי צוותים רפואיים יזדקקו להסברים ברורים לפני שיאמינו לפלטים אוטומטיים.

מה המשמעות עבור מטופלים ורופאים

במלים פשוטות, עבודה זו מראה ששילובים מתוכננים בקפידה של ניקוי תמונה, גילוי תבניות ומספר מודלים של למידה עמוקה יכולים לסייע למחשבים להבחין בין סוגים רבים של נגעי עור בדיוק גבוה במערך מחקרי. למרות שכלים כאלה אינם תחליף לדרמטולוגים, הם עלולים לשמש בעתיד כעוזר חכם שמסמן נקודות חשודות, תומך בחוות דעת שנייה ועוזר להרחיב סריקה ברמת מומחים לאזורים עם מעט מומחים. לפני שזה יקרה נדרשים מחקרים נרחבים ומגוונים יותר, טיפול משופר במקרים נדירים ושילוב הדוק יותר עם הפרקטיקה הקלינית.

ציטוט: Sunkavalli, J.P., Pustokhin, D., Laxmi Lydia, E. et al. Modelling of hybrid deep ensemble learning based skin lesion detection using FCNN denoising and inception-dilated ResNetV2. Sci Rep 16, 15824 (2026). https://doi.org/10.1038/s41598-026-47053-0

מילות מפתח: סרטן העור, דרמוסקופיה, למידה עמוקה, סילוק רעש בתמונות, דגמי אנסמבל