למידת עומק לחזוי ממאירות ומקור הגידול באמצעות תמונות שקופיות של ציטולוגיה או היסטופתולוגיה

מדוע נוזלים סביב הריאות והבטן חשובים

כאשר נוזל מצטבר סביב הריאות (תפליט פלורלי) או בבטן (אסציטס), זה עלול להיות סימן מוקדם שהסרטן התפשט. רופאים בוחנים נוזלים אלה תחת מיקרוסקופ כדי לחפש תאים סרטניים, אבל המשימה דורשת מאמץ רב ואפילו מומחים עלולים לחלוק על הממצא. מחקר זה מתאר מערכת בינה מלאכותית חדשה שיכולה לסרוק שקופיות דיגיטליות שלמות של נוזלים אלה, לסייע בקביעה האם קיים סרטן, ואף להציע היכן בגוף סביר שהגידול החל.

הפיכת שקופיות למפות דיגיטליות

מעבדות פתולוגיה מודרניות יכולות לסרוק שקופיות זכוכית לתמונות דיגיטליות ברזולוציה גבוהה מאוד, שכל אחת מהן מכילה מיליוני תאים. החוקרים השתמשו בתמונות שקופיות שלמות מסוגי הכנה שונים: ממרחים דקים של תאים ובלוקים תאיים דחוסים הדומים לדגימות רקמה קטנות. הם התמקדו בנוזלים מהחזה ומהבטן שנלקחו בבית חולים מרכזי, וכן בדגימות רקמה נוספות ממאגר סרטן בינלאומי גדול. מאחר שסימון ידני של כל תא סרטני אינו אפשרי בקנה מידה זה, הצוות פיתח שיטה שיכולה ללמוד מתוויות ברמת השקופית כגון "ממאיר" או "שפיר" בלי אנוטציות מפורטות.

בינה מלאכותית שלומדת בעצמה מה לחפש

המערכת, בשם MAMILE‑UNI, משלבת שתי רעיונות מרכזיים. ראשית, היא מפרקת כל שקופית להרבה חתיכות תמונה קטנות ומעבירה אותן דרך רשת "טרנספורמר" עוצמתית שאומנה מראש, ללא תוויות אנושיות, על מיליוני תמונות פתולוגיה. שלב האימון העצמי הזה מאפשר למודל לגלות דפוסים ויזואליים שימושיים — כמו אשכולות תאים ומרקמי רקמה — באופן עצמאי. שנית, מודול קשב לומד אילו חתיכות בשקופית חשובות ביותר לאבחנה, ובכך מדמה את האופן שבו פתולוג סורק אחר אזורים חשודים. חתיכות שמשפיעות חזק על ההחלטה מודגשות, מה שיוצר מפת חום שמראה היכן האלגוריתם "הסתכל" כשהשניב תווית של ממאיר או לא.

זיהוי סרטן בנוזלי חזה ובטן

הצוות העריך את MAMILE‑UNI על 1,250 שקופיות נוזל מתפליטי פלורלה ואסציטס. בהשוואה לחמישה שיטות מובילות בלמידת עומק, המערכת החדשה הייתה עקבית ומדויקת יותר. עבור תפליטים פלורליים, היא הבחינה נכון בין שקופיות ממאירות לשפירות בכ־9 מתוך 10 מקרים הן בממרחים והן בבלוקים תאיים. עבור אסציטס, היא השיגה דיוק דומה והייתה חזקה במיוחד בשמירה על רגישות גבוהה (גילוי של מקרי סרטן אמיתיים) וספציפיות גבוהה (מניעת אזעקות שווא). בדיקות סטטיסטיות הראו שהתחזיות שלה התאימו במידה רבה לאבחנות האמיתיות והיו טובות באופן מובהק בהשוואה למודלים המתחרים. חשוב לציין שהמערכת נשארת אמינה גם כאשר תאי הסרטן נדירים על שקופית — מצב שמאתגר לעתים קרובות קוראים אנושיים.

מעקב אחרי מקור הסרטן

מעבר לסימון ממאירות, המחברים בדקו האם ה-AI יכול להסיק היכן התחיל גידול גרורתי — אתגר מרכזי כאשר מוקד ראשוני אינו ידוע. באמצעות ממרחי ציטולוגיה מתפליטי פלורלה ואסציטס, המודל למד להקצות שקופיות לקבוצות מקור רחבות כמו ריאה, שד, צנרת העיכול או איברי רבייה. הוא היה מדויק במיוחד עבור סרטן הריאה והשד, בעוד שהביצועים היו צנועים יותר עבור גידולים נדירים או בעלי מראה ויזואלי מגוון. כדי לבדוק הכללה, החוקרים גם יישמו את MAMILE‑UNI על 1,196 חתכי רקמה מ‑69 בתי חולים ברחבי העולם. על שקופיות היסטולוגיה אלה, המערכת זיהתה את מקור הגידול בדיוק גבוה מרשים, הקרוב להסכמה כמעט מושלמת מול האבחנות האמיתיות.

מהירות, יעילות ותמיכה בקלינאים

פתולוגים לעיתים מבזבזים לפחות עשר דקות בבחינה זהירה של שקופית ציטולוגית דיגיטלית אחת. לעומת זאת, MAMILE‑UNI יכולה לעבד שקופית שלמה ולהחזיר תחזית בפחות שתי דקות על כרטיס גרפי סטנדרטי, לאחר דחיסת תמונות בגודל ג'יגה‑בייט למערכי תכונה דחוסים. הערכות מבוססות עקומה הראו שהמודל נוטה לדרג מקרים ממאירים אמיתיים בראש רשימת העדיפויות שלו, מציע איזון נאה בין תועלות ונזקים על פני ספי החלטה שונים, ומפיק ציוני הסתברות שתואמים היטב לתוצאות במציאות. מיפויי הקשב חופפים במידה ניכרת לאזורים שסומנו על ידי פתולוגים מומחים, מה שמרמז כי מוקד ה‑AI משמעותי מבחינה קלינית ולא שרירותי.

מה זה אומר עבור מטופלים ורופאים

עבור מטופלים עם נוזל בחזה או בבטן, אבחון מהיר ומדויק מעצב בצורה משמעותית החלטות טיפוליות, אך בדיקות נוכחיות עלולות להיות איטיות, סובייקטיביות ויקרות. מחקר זה מראה שמערכת AI מתוכננת בקפידה יכולה לסרוק באופן מהימן שקופיות נוזל ורקמה דיגיטליות לחיפוש סימני סרטן ולספק רמזים לגבי מקור המחלה, תוך שימוש במשאבי חישוב צנועים. המחברים מדגישים כי MAMILE‑UNI איננה תחליף לפתולוגים, אלא כלי תמיכה שיכול להקטין עומס עבודה, לשפר עקביות ולהרחיב גישה לאבחון סרטן איכותי — במיוחד במקומות שבהם מיומנות מומחים ובדיקות מעבדה מתקדמות מוגבלות.

ציטוט: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

מילות מפתח: בינה מלאכותית בציטולוגיה, תפליט פלורלי, אסציטס, חזוי מקור גידול, פתולוגיה דיגיטלית