רשתות סינון Prompt-mamba לזיהוי מדויק של נגעים במאסטוצלולר קרסנלי בכבד בסריקות CT של הבטן

מדוע חשובות סריקות כבד מדויקות יותר

סרטן הכבד הוא אחד הממאירויות הקטלניות ביותר בעולם, בין השאר מכיוון שרבים מהגידולים קשים לזיהוי ברור בסריקות רפואיות שגרתיות. רדיולוגים מסמנים ב-CT את המתווה המדויק של כל גידול — משימה ארוכה ומדויקת שמשפיעה ישירות על ניתוח, קטילה מקומית ומעקב לאחר הטיפולים. מאמר זה מציג מערכת בינה מלאכותית חדשה, בשם Prompt-Mamba-AF, שתוכננה למפות גידולי כבד באופן אוטומטי בדיוק ובהתמדה גבוהים יותר מכלים קיימים, במיוחד את הנגעים הקטנים בשלב המוקדם שנוטים להחמיץ.

דרך חדשה ללמד מחשבים היכן להתמקד

אתגר מרכזי בהדמית כבד הוא שהגידולים עלולים להיות קטנים, בעלי צורה בלתי סדירה וכמעט באותו גוון כמו הרקמה הסובבת. מערכות AI מסורתיות מנסות ללמוד הכל ישירות מהתמונה הגולמית, מה שגורם להן לעתים לבזבז מאמץ על בדיקת כל הבטן במקום להתמקד בכבד. Prompt-Mamba-AF מוסיפה רמז נוסף: מסכה גסה שמציגה היכן נמצא הכבד. "הפרומפט" הזה מנחה את האלגוריתם להתמקד בעיקר באיבר העניין, ומסנן החוצה מבנים מטשטשים כמו הצלעות, הטחול והמעי. על ידי צמצום אזור החיפוש לפני עיבודים עמוקים יותר, המערכת יכולה להקדיש יותר משאבים להבחנה בין גידול לרקמת כבד בריאה.

מעקב אחר דפוסים עדינים בכל נפחי ה-3D

סריקות CT הן תלת־ממדיות, מורכבות משכבות דקות רבות מסודרות זו על גבי זו. נודול סרטני קטן עשוי להופיע בבירור רק כאשר שוקלים את השכבות כמכלול. רשתות נוירוניות רבות קיימות בוחנות רק כמה פרוסות בכל פעם או מסתמכות על אופרטור כבד מתמטי שנקרא self-attention, שהופך לאיטי ותובעני בזיכרון עבור נפחים תלת־ממדיים מלאים. במקום זאת Prompt-Mamba-AF משתמשת בסוג מודרני של מודל רצף, ידוע כ-model מרחב־מצבים, שמקשר מידע לאורך כל הסריקה עם חישוב נמוך בהרבה. מודול ה"ממבה" הזה עוקב ביעילות אחרי מבנים בטווח ארוך, מסייע למערכת לשים לב לשינויים חלשים אך עקביים ולשמור על גבולות הגידול חלקים ורציפים מפרוסה לפרוסה.

מתארים חדים, פחות החמצות, בבתי חולים רבים

החוקרים בדקו את Prompt-Mamba-AF על מספר קבוצות נתונים ציבוריות שנאספו בבתי חולים שונים ובסורקים שונים. במאגר בינלאומי גדול של סריקות CT של גידולי כבד, השיטה החדשה עקפה מגוון רשתות מבוססות קונבולוציה וטרנספורמר על מדדי דיוק סטנדרטיים, בעוד שהיא משתמשת בפחות פרמטרים מאשר מתחרות רבות. היא הצטיינה במיוחד בגילוי גידולים קטנים: בנגעים בנפח מתחת ל-5 סמ"ק השיגה החפיפה הגבוהה ביותר עם סימוני המומחים ושחזרה יותר נודולים זעירים שמערכות אחרות החמיצו. כאשר הותקנה על מאגר CT אחד והוערכה "כמו שהיא" על מאגר CT נפרד וגם על סריקות MRI, המודל עדיין ביצע היטב, מה שמעיד שלמד צורות כלליות של הכבד והגידול במקום להסתגל יתר על המידה למכונה או לאתר אחד.

אמצעי זהירות מובנים לתמונות אמיתיות ומאתגרות

סריקות של בתי חולים נדירות מושלמות: רעש מתמונה במינון נמוך, תזוזת מטופל קלה ופסים ממקור שתלי מתכת עלולים לטשטש פרטים. כדי לדמות תנאים אלה, הצוות פגום בכוונה תמונות בדיקה עם רעש סינתטי, טשטוש ואזורים חסרים. כל האלגוריתמים נפגעו, אך Prompt-Mamba-AF התדרדר הכי מעט. הפרומפט של הכבד עזר למודל להתעלם מהארטיפקטים שאינם רלוונטיים מחוץ לאיבר, בעוד שהמבט הגלובלי של מודול הממבה אפשר לו להסיק על רציפות הגידול גם כאשר חלקים מהמתווה נפגמו. שלב סינון מודע־מבנה בנצדדקודר נקי עוד יותר קצוות משוננים או מקוטעים, והניב מתווים של גידול שדומים יותר למה שרדיולוג היה מסמן.

כיוונים למודלים רפואיים גמישים וחוזרים

מעבר לסרטן הכבד, המחברים בחנו עד כמה העיצוב שלהם ניתן להעברה לאיברים והדמיות אחרות ללא אימון חוזר. באמצעות מסכות פשוטות לציון הכליות, חדרי הלב או הלבלב, אותה רשת השיגה ביצועים חזקים במשימות חדשות אלה, והתחרתה או עלתה על מודלים שתוכננו במיוחד לכל איבר. זה מרמז שהפרדת "היכן לחפש" (הפרומפט) מ"איך לשרטט את המתווה" (הרשת המרכזית) עשויה להיות נוסחה חזקה לבניית כלים רפואיים למטרות כלליות.

מה זה אומר למטופלים

ללא־מומחים, המסר המרכזי הוא כי Prompt-Mamba-AF הופך את סיוע המחשב בטיפול בסרטן הכבד ליותר מדויק ומעשי. על ידי התמקדות בכבד, קריאה יעילה של סריקות תלת־ממד שלמות ואכיפת מתווים נקיים וריאליסטיים של הגידול, המערכת מזהה יותר נגעים קטנים ומפיקה מדידות שניתן לסמוך עליהן יותר בין בתי חולים וסורקים. לאורך זמן, מערכות כאלה עשויות לעזור לרדיולוגים לתפוס סרטן כבד מוקדם יותר, לתכנן ניתוחים בביטחון גדול יותר ולעקוב אחרי תגובת הטיפול באופן אובייקטיבי — ללא צורך במשאבי חישוב עצומים או במודלי "בסיס" כלליים ומתנשאים.

ציטוט: Xia, L., Chen, HY., Cao, YW. et al. Prompt-mamba filtering networks for accurate hepatocellular carcinoma lesion segmentation in abdominal CT. npj Digit. Med. 9, 193 (2026). https://doi.org/10.1038/s41746-026-02371-5

מילות מפתח: סרטן כבד, הדמיית CT, בינה מלאכותית רפואית, חיתוך גידולים, קרצינומה הפטוצלולרית