Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

RDE-DR: רשתות עצביות קונבולוציוניות עמוקות מאגודרות עמידות לגילוי רטינופתיה סוכרתית אוטומטי מתמונות פאונדוס

· חזרה לאינדקס

מדוע סריקות עיניים חשובות לאנשים עם סוכרת

רטינופתיה סוכרתית היא סיבוך של סוכרת שפוגע בהדרגה ברקמת החישה לאור שבחלק האחורי של העין. אם תתפס מוקדם, ניתן לעתים לטפל בה לפני שאובדת הראייה. אך בדיקת אלפי צילומי רשתית ידנית אורכת זמן רב עבור המומחים. מחקר זה בוחן כיצד תערובת מתוכננת בקפידה של מודלים של בינה מלאכותית יכולה לסייע לסנן תמונות אלה בצורה אמינה יותר, כך שאנשים בסיכון יסומנו מוקדם יותר ומטופלים בריאים יימנעו ממעקב מיותר.

Figure 1. כיצד שילוב של מודלים בינה מלאכותית מסנן תמונות עין כדי לציין נזקים סוכרתיים ביתר אמינות.
Figure 1. כיצד שילוב של מודלים בינה מלאכותית מסנן תמונות עין כדי לציין נזקים סוכרתיים ביתר אמינות.

מחפשים סימני אזהרה בצילומי עיניים

החוקרים מתמקדים בצילומים צבעוניים של הרשתית, הידועים כתמונות פאונדוס, ממאגר ציבורי בשם APTOS 2019. התמונות הללו מציגות כלי דם זעירים ונקודות של דימום או דליפה המעידות על נזק סוכרתי. הצוות ממיר את חמש דרגות הרפואה המקוריות לשאלה פשוטה יותר החשובה לסריקה בקנה מידה גדול: האם עין זו מראה רטינופתיה סוכרתית או לא. בכך המשימה הופכת להחלטת כן או לא שמערכת אוטומטית יכולה לקבל במהירות עבור אלפי מטופלים.

להפוך פרטים נסתרים לקלים יותר לזיהוי על ידי מחשבים

צילומי עיניים מהעולם האמיתי משתנים רבות בחידוד, בהירות ובצבע, מה שעלול לבלבל מודלים ממוחשבים. כדי להפחית בעיה זו, המחברים משתמשים בטכניקת הגברת ניגודיות בשם CLAHE שמבהירה פרטים מקומיים ללא הגזמת רעש. הם משנים את גודל כל התמונות לריבוע סטנדרטי קטן, מנרמלים את הצבעים ומשתמשים בסיבובים והיפוכים אקראיים במהלך האימון כדי שהמערכת לא תתאים מדי לזווית מצלמה או לתנאי תאורה בודדים. מערך הנתונים מחולק כך שארבע חמישיות מהתמונות מאמצות את המודלים וחמישית אחת נשמרת כדי לבחון עד כמה המערכת מתכללת למקרים חדשים.

הרבה עיניים במקום אחת

במקום להסתמך על מודל למידה עמוקה בודד, המחקר מאמן ארבע רשתות קונבולוציה פופולריות שפותחו במקור על אוסף גדול של תמונות יומיומיות. מודלים אלה, הידועים בשדה כ‑VGG16, VGG19, ResNet50 ו‑DenseNet121, מאומנים מחדש לזיהוי רשתיות בריאות וחולות. כל אחד מהם כבר מבצע טוב בזכות עצמו, מסווג נכון כ‑98 אחוזים מהתמונות במבחן ומחמיץ רק מעט מקרים חולים. הרעיון המרכזי בעבודה הוא לשלב את החוזקות שלהם באמצעות מספר סכמות מיזוג החלטות, כולל הצבעה פשוטה, ממוצע ביטחון וחוקים מתקדמים בהשראת לוגיקה פאזית.

Figure 2. כיצד תמונות עין משופרות עוברות דרך רשתות בינה מלאכותית מרובות והאותות המשולבים שלהן קובעים מחלה או בריאות.
Figure 2. כיצד תמונות עין משופרות עוברות דרך רשתות בינה מלאכותית מרובות והאותות המשולבים שלהן קובעים מחלה או בריאות.

לשלב דעות המודלים בזהירות

הצוות חוקר בצורה שיטתית שבע דרכים לשילוב פלטים מארבעת המודלים, תמיד תחת אותו מתכון אימון. הם גם מכווננים את נקודת הסף שבה הסתברות מומרת להחלטת כן או לא, במקום להניח נקודת אמצע קבועה. על ידי סריקה דרך ספי החלטה רבים, הם מודדים כיצד דיוק, רגישות ודיוק חיובי מתחלפים — דבר מרכזי לכלי סקרינינג שצריך להמנע גם ממחלה מפוספסת וגם מהתקבלויות חיוביות שגויות מרובות. הם בוחנים גם מעבר לדיוק הפשוט, ובוחנים עד כמה המודלים מפרידים בביטחון בין תמונות בריאותות לחולות באמצעות העקומות המקבל‑מפעיל ותצוגות צפיפות הסתברות.

מה המשמעות של התוצאות לסקרינג עתידי של העין

בכלל, שיטות האנסמבל שומרות או משפרות במעט את תוצאות המודל היחיד החזק כבר, והגיעו לכ־98.6 אחוז דיוק ולציון גבוה מאוד בהפרדת הקטגוריות. סכמות פשוטות כמו הצבעת רוב או ממוצע ערכי ביטחון יציבות באופן מרשים, בעוד שאחת משיטות הפאזי רגישות יותר לבחירות עיצוב ומניבה ביצועים פחות מאוזנים. עבור קורא כללי, המסר העיקרי הוא כי שילוב של כמה קוראי תמונה מאומנים היטב, לאחר ניקוי קפדני של התמונות וכיול אופן מיזוג קולותיהם, מוביל לעוזר אוטומטי אמין יותר. כלי כזה לא יחליף רופאי עיניים אך יכול לסייע להם למיין במהירות כמות גדולה של צילומי רשתית, ולהתמקד זמן הקליניקה היקר על מטופלים שעיניהם מראות סימנים מוקדמים לבעיה.

ציטוט: Aiche, I., Brik, Y., Attallah, B. et al. RDE-DR: robust deep ensemble CNNs for automated diabetic retinopathy detection from fundus images. Sci Rep 16, 15226 (2026). https://doi.org/10.1038/s41598-026-48669-y

מילות מפתח: רטינופתיה סוכרתית, הדמיית פאונדוס, למידה עמוקה, מודלים מאוגדים, סינון רפואי