השכבה הבאה: חיזוק מודלי יסוד באמצעות למידה שומרת-מבנה ומונחית-קשב מפאצ׳ים מקומיים להכרה של הקשר גלובלי בפתולוגיה חישובית

לימוד מחשבים לקרוא פרוסות של סרטן

כאשר פתולוג בוחן ביופסיה של סרטן תחת המיקרוסקופ, הוא אינו מסתכל רק על תאים בודדים — הוא מבחין בתבניות, בשכונות ובאופן שבו הגידול, תאי מערכת החיסון והרקמה התקינה מסודרים ביחד. מערכות הבינה המלאכותית של היום לדיוג פתולוגי דיגיטלי מצטיינות בזיהוי פרטים בכתמי תמונה זעירים, אך לעיתים קרובות מפספסות את התמונה הגדולה. המחקר הזה מציג את EAGLE-Net, גישה חדשה שמסייעת למחשבים לראות פרוסות סרטן באופן הדומה יותר למומחים אנושיים, על ידי מתן תשומת לב הן לפרטים מקומיים והן למבנה הכולל של הרקמה על הפרוסה.

מדוע פריסת רקמת הגידול חשובה

גידול הוא יותר מאוסף תאי סרטן. הוא שוכן בשכונה עמוסה הכוללת כלי דם, תאי חיסון, רקמת חיבור ואזורים של צלקת או מוות תאי. האופן שבו מרכיבים אלה מסודרים — מרחקים, גבולות ותערובות — יכול להעיד על אגרסיביות הגידול וכיצד המטופל עשוי להגיב לטיפול. מערכות ה-AI המסורתיות בפתולוגיה בדרך כלל חותכות תמונת-שלמה לאלפי אריחים קטנים ומנתחות אותם כמעט באופן מבודד. לאחר מכן הן מנסות לנבא את האבחנה או התוצאה על ידי איסוף מידע מכל האריחים. אסטרטגיה זו לעיתים מתעלמת מהיחסים המרחביים בין האריחים, מה שיכול להחליש את התחזיות ולהפוך מפות חום של ה-AI לפזורות או קשות לפרשנות.

גישה חדשה ללכידת התמונה הרחבה

EAGLE-Net תוכננה לגשר על הפער בין הפרטים המקומיים למבנה הגלובלי. היא מתחילה ממודלי «יסוד» רבי-עוצמה שכבר יודעות לחלץ תכונות חזותיות עשירות מפאצ'ים קטנים של הפרוסה. מעל לכך היא מוסיפה מודול חדש שמקודד את מיקום כל פאצ' על הפרוסה, ושומר על הגאומטריה האמיתית של הרקמה במקום לדחוס אותה לגריד מעוות. באמצעות מסננים רב-קנה מידה, EAGLE-Net לומדת תבניות שחוצות משינויים ברמת התאים ועד מבני רקמה רחבים יותר כמו גבולות הגידול והרקמה התומכת שסביבו. לאחר מכן היא משתמשת במנגנון קשב — אופן מתן ציוני חשיבות — למיקוד בפאצ'ים ובשכונות שהם הרלבנטיים ביותר לניבוי אבחנה או הישרדות.

לאפשר למודל ללמוד משכונות, לא רק מנקודות

חידוש מרכזי ב-EAGLE-Net הוא האופן שבו היא מלמדת את הרשת להעניק ערך לא רק לאריחים החשובים ביותר אלא גם לשכנים הסמוכים שלהם. במהלך האימון השיטה מזהה בעקביות את האריחים שהמודל מוצא כמעניינים ביותר ולאחר מכן מעודדת אותו לשקול אריחים מקיפים בטווח רדיוס קטן כחלק מאותו אזור משמעותי. למידה זו, המודעת לשכונה, דוחפת את המודל ליצור אזורי קשב חלקים ורציפים שמתיישרים עם האופן שבו פתולוגים רואים חזיתות גידול, אשכולות חיסוניים וסביבות מיקרו אחרות. במקביל, מונח נוסף בתהליך האימון דוחף את המודל להתעלם מרקעים או מאזורים ריקים, וכך מקטין את הסיכון להדגשות שגויות על ארטיפקטים פזורים או שטחי-ריק.

הוכחת ערך על סוגי סרטן רבים

החוקרים בחנו את EAGLE-Net על כמעט 15,000 תמונות-שלמות (whole-slide) שהשתרעו על פני 10 סוגי סרטן שונים, כולל ריאות, כליה, קיבה, רחם, בלוטת התריס, קולון-רקטום ופרוסטטה. הם העריכו שתי משימות עיקריות: ניבוי משך חיי המטופלים וסיווג סוגי או דרגות הגידול. ברוב הקוהורטים של סרטן, EAGLE-Net השוותה או התעלה על כמה מהשיטות המובילות המבוססות קשב, לעיתים שיפור בציון ניבוי ההישרדות ובדיוק הסיווג בכמה נקודות אחוז — שיפור משמעותי בקנה מידה אוכלוסייתי. המערכת הופיעה היטב גם כאשר הורכבה עם שלושה מודלי יסוד שונים במהותם, מה שמראה שעיצובה גמיש ואינו תלוי בחולץ תכונות יחיד.

לראות בתוך תהליך ההסקה של המודל

מעבר לדיוק הגולמי, הצוות בחן בקפידה היכן EAGLE-Net «הסתכלה» על הפרוסות. בהשוואה לשיטות אחרות, מפות הקשב שלה יצרו אזורים חלקים וקוהרנטיים יותר שהיצמדו לגבולות הגידול ותפסו קצוות פולשניים, כיסי נמק ואשכולות תאים חיסוניים. השוואות כמותיות עם מסכות גידול שצוירו על-ידי מומחים הראו שהאזורים שהודגמו על-ידי EAGLE-Net חופפים טוב יותר עם הגידול האמיתי, עשו פחות הדגשות שגויות על רקמה תקינה ושחזרו בצורה נאמנה יותר צורות מורכבות של גידול. המודל גם הקדיש נתח גדול יותר מהקשב שלו לגידול, לנמק ולמחלקות חיסוניות, ופחות לריאות תקינות או לכלי דם — מה שמשקף את מה שפתולוג היה מנחם כחשוב כששופט פרוגנוזה.

מה זה אומר לטיפול בסרטן בעתיד

באופן מעשי, EAGLE-Net ממחישה שהוספת מודעות מרחבית והיגיון של שכונות מעל ל-AI פתולוגי קיים יכולה לשפר הן את הביצועים והן את הפירושיות. במקום להתייחס לפרוסה כאל שק של אריחים נפרדים, השיטה לומדת לזהות נחילים ביולוגיים משמעותיים — גבולות גידול, אזורים עשירים בחיסון ודפוסי חדירה — שחשובים לתוצאת המטופל. מאחר שהיא פועלת עם מודלי יסוד שונים ואינה דורשת תיוג פיקסל-ברמה איטרטיבי ומעייף, ניתן להחיל את EAGLE-Net על ארכיונים גדולים של פרוסות דיגיטליות. עם אימות נוסף ושילוב בזרימות עבודה קליניות, מערכות כאלה עשויות לסייע לפתולוגים לסווג מטופלים באופן מדויק יותר, לגלות סמן רקמתי חדש ולהנחות טיפולי סרטן מותאמים יותר.

ציטוט: Waqas, M., Bandyopadhyay, R., Showkatian, E. et al. The next layer: augmenting foundation models with structure-preserving and attention-guided learning for local patches to global context awareness in computational pathology. npj Precis. Onc. 10, 109 (2026). https://doi.org/10.1038/s41698-026-01312-5

מילות מפתח: פתולוגיה חישובית, תחזית סרטן, בינה מלאכותית בפתולוגיה דיגיטלית, מיקרו-סביבת הגידול, EAGLE-Net