למידת משימות מרובות המודעת למבנה עם הכללת תחום לניתוח חוליות עמיד ב-CT של עמוד השדרה

מדוע סריקות עמוד שדרה חכמות יותר חשובות

כאבי גב, שברים וגידולים בעמוד השדרה משפיעים על מיליוני אנשים, אך קריאת סריקות CT של עמוד השדרה היא עבודה מייגעת לרדיולוגים. בכל סריקה יכולות להופיע עשרות חוליות וסימנים עדינים לנזק שקל לפספס — במיוחד כאשר התמונות מגיעות מבתי חולים ומכשירים שונים. המחקר הזה מציג מערכת בינה מלאכותית חדשה, בשם VertebraFormer, שנועדה לסימון אוטומטי של כל חוליה, לשייכה למיקום הנכון בעמוד השדרה, ולהדגשת נגעים חשודים, כל זאת תוך שמירה על אמינות על פני מגוון רחב של סריקות מהעולם האמיתי.

מערכת אחת לרבים מבעיות עמוד השדרה

במקום לבנות אלגוריתמים נפרדים לכל משימה, החוקרים יצרו מודל מאוחד המתמודד עם שלושה תפקידים בו־זמנית: שרטוט מדויק של כל חוליה, מיסוכה מהצוואר כלפי מטה אל המותן, ואיתור אזורים שעשויים להצביע על שברים, הפצת סרטן או נזק אחר. VertebraFormer בנוי על ארכיטקטורת "טרנספורמר" מודרנית, שהתפרסמה תחילה בעיבוד שפה ובהבנת תמונה, והיא טובה במיוחד בזיהוי דפוסים בטווח ארוך. זה קריטי לעמוד השדרה, שבו צורת כל חוליה מובנת רק בהקשר של עמוד השדרה כולו.

צביר בדיקה מגוון של סריקות מהעולם האמיתי

כדי לבחון האם המערכת תעמוד במבחן מעבר למעבדה או בית חולים יחיד, הצוות הרכיב מדד חדש שהם קוראים לו MultiSpine. הוא משלב שישה מאגרי נתונים שונים, כולל אוספים ציבוריים גדולים וקוהורטים פרטיים מבתי חולים, המכסים אזורים של הצוואר, החזה והמעטפת התחתונה של הגב, ובמקרים מסוימים גם CT וגם MRI. הסריקות נרכשו בסורקים של מותגים שונים עם פרוטוקולי הדמיה שונים, ורדיולוגים מומחים תויגו את קווי המתאר של החוליות, תוויות אנטומיות ובעת הצורך אזורי פתולוגיה. המחברים אף השקיעו מאמצים ייחודיים להבטיח שאין כפילויות מוסתרות בין המאגרים, במעקב קפדני אחר מזהי הסריקות ושימוש ב"האשינג פרספטואלי" כדי לתפוס תמונות כמעט זהות.

כיצד הבינה המלאכותית לומדת מבנה החוליות ונגעים

ב-VertebraFormer, מקודד משותף הופך קודם כל סריקת 3D של עמוד השדרה למערך רביעיות (patches) ולומד כיצד החלקים האלה מתקשרים זה עם זה לאורך כל העמוד. מעל שלד משותף זה נמצאות שלוש ענפים מיוחדים. אחד משחזר מסכת תלת־ממד מפורטת של כל החוליות. ענף אחר מתמקד בכל חוליה בתורו, ומשתמש במיקומה ובסביבתה כדי להחליט האם היא למשל T11 או L3. ענף שלישי מייצר מפות חום שמאירות ביותר במקומות בהם סביר שנמצא נגע. באופן מכריע, המודל כולל גם יחידת "מודולציה דינמית" החשה את סגנון ההדמיה — הבדלים בין סורקים, פרוטוקולים או אפילו בין CT ל-MRI — ומותאמת בעדינות את העיבוד הפנימי שלו, במטרה להישאר מדויק גם מול סוג סריקה שאין לו ניסיון קודם איתו.

בדיקת העמידות בפועל

החוקרים השוו את VertebraFormer למודלים מובילים לניתוח עמוד שדרה על סט הנתונים MultiSpine. הוא השיג בעקביות דיוק גבוה יותר בסימון החוליות, במספרן ובגילוי נגעים. במבחן "זירו־שוט" קשה יותר, שבו המודל אומן על מספר מאגרים ואז הוערך על מאגר שלא נחשף קודם לכן — המדמה פריסה בבית חולים חדש — גם כאן VertebraFormer עלה על חלופות והציג ירידות ביצועים צנועות בלבד. הצוות חקר את העיצוב באמצעות מחקרי אֶבְלֵיציה, והדגים שכל רכיב שהתווסף — ענף הזיהוי, גלאי הנגעים ובפרט יחידת המודולציה לתחום — הוסיף שיפורים מדידים. על אף המורכבות, המודל מעבד כ־14 עוצמות תלת־ממדיות מלאות לשנייה על חומרה מודרנית, ומתעלה על צנרת מרובת־רשתות שוות־מהירות בכל שלושת המשימות.

התמודדות עם נתונים רועשים ומשונעים

סריקות קליניות אמיתיות רחוקות מלהיות מושלמות, ולכן המחברים חשפו את המודל להפרעות מדומות כגון רעש נוסף, שינויים בעוצמה, פרוסות עבות יותר ואמנויות מתכת. VertebraFormer נותר יציב תחת הידרדרויות מתונות וכשל רק בתנאים קיצוניים. הם הראו גם שכאשר מידע התחום מוגדר באופן מוטעה, הביצועים יורדים, מה שמאמת שהמנגנון המודולטיבי משמעותי ולא קישוטי. במקביל, אסטרטגיות התאמה בזמן אמת חלופיות — כגון כוונון סטטיסטיקות התכונות או הפחתת אי־הוודאות בתחזית בזמן הבדיקה — עזרו לשחזר חלק מהביצועים כשהתוויות התחומיות היו לא מהימנות או לא זמינות.

מה זה אומר למטופלים ולרופאים

עבור לא־מומחים, המסר המרכזי הוא ש-VertebraFormer מאחד חלקים רבים של ניתוח דימות עמוד השדרה לכלי בינה מלאכותית יחיד, מהיר ובט Reliabilityי יותר. על ידי למידה של המבנה הכולל של עמוד השדרה, התאמה לסורקים ובתי חולים שונים וזיהוי במקביל של אנטומיה ומחלה, הוא מקטין את הצורך במערכות נפרדות ויכול לספק לרדיולוגים קווי מתאר ברורים, מיסוך עקבי ומפות חום אינטואיטיביות של אזורים חשודים. אף שעדיין נדרשים ניסויים פרוספקטיביים בסביבת עבודה קלינית חיה והדרכה רחבה יותר על מצבים נדירים וסריקות מולטי־מודאליות, עבודה זו מניחה יסוד חשוב להערכת עמוד שדרה אוטומטית המדויקת, ברורה ועמידה מספיק כדי לתמוך ברופאים בכל מקום בו נלקחות הסריקות.

ציטוט: Du, J., Ge, H., Zhang, R. et al. Structure-aware multi-task learning with domain generalization for robust vertebrae analysis in spinal CT. npj Digit. Med. 9, 217 (2026). https://doi.org/10.1038/s41746-025-02288-5

מילות מפתח: CT של עמוד השדרה, סגמנטציית חוליות, גילוי נגעים, בינה מלאכותית בהדמיה רפואית, הכללת תחום