הבחנה בין סרטן שחלתי מוקינוס ראשוני למטסטטי מתמונות היסטופתולוגיות באמצעות למידה עמוקה

מדוע זה חשוב למטופלים ולרופאים

כשמישהו מקבל הודעה שיש לו סרטן השחלות, השאלה המיידית הקריטית היא מאיפה התחיל הסרטן. בתת‑סוג נפוץ הנקרא סרטן שחלתי מוקינוס, הגידולים בשחלה יכולים להיות ממקור שחלתי אמיתי או להתקיים כתפיחת גידול שהתפשטה מהקיבה או המעי. שתי האפשרויות האלה דורשות טיפולים שונים ונושאות התחזיות שונות, ובכל זאת גם פתולוגים מיומנים לעתים מתקשים להבחין ביניהן תחת המיקרוסקופ. במחקר זה מוצגת מערכת בינה מלאכותית (AI) ייעודית שמנתחת תמונות מיקרוסקופ דיגיטליות ועוזרת לרופאים להבחין בין שתי האפשרויות הללו בדיוק ויעילות גבוהים יותר.

שני סוגי סרטן דומים במראה אך עם מסלולים שונים לגמרי

סרטן שחלתי מוקינוס מייצר לעתים גידולים גדולים מלאי ריר שיכולים להראות דומה להפליא בין אם הם החלו בשחלה או הגיעו לשם ממערכת העיכול. באופן מסורתי, פתולוגים מסתמכים על שילוב של רמזים חזותיים בשקפים בצביעה, צביעות מעבדה נוספות, בדיקות הדמיה והיסטוריה קלינית. גם עם בדיקה מלאה כזו, האבחנה יכולה להישאר לא ודאית, במיוחד כאשר קיימים גידולים קטנים או מוסתרים באזורים אחרים בגוף. מחקרים קודמים הציעו רשימות קריטריונים המבוססות על גודל הגידול, מעורבות שחלות בודדות או חד‑צדדית, וסוגי תאים מסוימים, אך כללים אלה עלולים להיכשל כאשר גידולים מטסטטיים מחקים בכושר את הגידולים הראשוניים של השחלה. טעות בסיווג גידול מטסטטי כראשוני, או להפך, עלולה להוביל לניתוח שגוי, לכימותרפיה לא מתאימה ולהכוונה מוטעית לגבי הפרוגנוזה.

להורות למחשבים לקרוא תמונות רקמה

פתולוגיה דיגיטלית ולמידה עמוקה מציעות דרך נוספת להתקדם. במחקר זה אספו החוקרים תמונות מיקרוסקופיות מ‑167 חולים עם גידולים מוקינוס שחלתיים מתועד היטב משלושה בתי חולים. הם התרכזו בשקפים בצביעת המטוקסילין‑ואיאולין (H&E) רגילה, שכבר חלק מהטיפול הרוטיני. הצוות בנה את מודל חיזוי מקור סרטן שחלתי מוקינוס, או MOCOPM, אשר חותך כל תמונת‑שקף מלאה לריבוי תיקיות קטנות ומנתח אותן אוטומטית בלי מידע קליני נוסף. הם בדקו כמה ארכיטקטורות של רשתות נוירונים וגילו שמודל חדשני מבוסס גרף, בהשראת האופן שבו פתולוגים מזמזים פנימה והחוצה ברמות הגדלה שונות, התברר כ הטוב ביותר. מודל זה מקשר בין תיקיות בשלוש רמות הגדלה, מה שמאפשר לו ללכוד גם פרטים תאיים עדינים וגם דפוסי גדילה רחבים יותר.

כמה טוב ה‑AI מתפקד בסביבות מעשיות

MOCOPM אומן ונבדק תחילה באמצעות מקרים מבית חולים ייחוס גדול, שבו נפוצים גידולים קשים ולא שגרתיים. בקבוצה הפנימית הזו, הוא הפריד כראוי בין גידולים ראשוניים לגידולים מטסטטיים ממערכת העיכול בדיוק גבוה, כפי שמשקף השטח מתחת לעקומת ROC שהגיע לערך של 0.91. החוקרים אתגרו אז את המערכת עם תמונות משני בתי חולים נוספים, שבהם השקפים הוכנו באופן עצמאי והמקרים היו בדרך כלל פשוטים יותר. שם המודל ביצע אף טוב יותר, עם שטח מתחת לעקומה של 0.96 וציון חזק בדיוק (precision) ובזכירה (recall). הוא החזיק מעמד גם כאשר נבדק על מאגר ציבורי נפרד של סרטן שחלתי מוקינוס ראשוני מקבוצה מחקרית אחרת, מה שמרמז שהגישה יציבה יחסית בין מקורות שונים.

מניעת תיבה שחורה: למה המודל מחליט כך

מכיוון שכלי ה‑AI עלולים להיראות אטומים, החוקרים השתמשו בטכניקת הסבר בשם GNNExplainer כדי להדגיש אילו אזורים בכל שקף השפיעו ביותר על החלטות המודל. ברוב המקרים שסווגו נכון ובחנו, האזורים המסומנים התאמו למאפיינים שבני אדם־מומחים כבר משתמשים בהם, כמו מאגרים של תאי "טבעת חותם" מיוחדים, דפוסים של איך תאי הגידול חודרים לרקמה הסובבת ותערובות של מרכיבים שפירים, גבוליים ובטא בצורה ברורה ממאירים. חפיפה זו מצביעה שהמערכת לא סתם מזהה תעלולים חזותיים לא רלוונטיים, אלא מתמקדת בדפוסים בעלי משמעות רפואית. חשוב לציין ש‑MOCOPM זקוק רק לשקפי H&E שגרתיים, ובכך עשוי לחסוך בזמן ובעלויות על ידי הפחתת הצורך בצביעות נוספות נרחבות.

מה זה יכול לשנות בטיפול העתידי

המחברים מדגישים ש‑MOCOPM אינו מיועד להחליף פתולוגים, אלא לשמש ככלי תמיכה בהחלטה. בסביבות עמוסות או עם משאבים מוגבלים, הוא יכול לסמן מקרים מאתגרים, לכוון מומחים לאזורים חשודים בשקף ולספק בדיקה נוספת לפני סגירת האבחנה. למחקר יש הגבלות: סוג הסרטן נדיר, גודל המדגם צנוע, וגידולים מטסטטיים ממקורות שאינם מעיים לא נכללו. יש צורך במחקרים פרוספקטיביים גדולים יותר לפני שניתן יהיה לשלב מערכת כזו בשגרה. עדיין, העבודה מראה ש‑AI שתוכנן בקפידה יכול לסייע באחת ההבחנות המורכבות ביותר בסרטן השחלות, ולסייע בכך שמטופלים יקבלו טיפול המותאם לאן שהסרטן שלהם התחיל באמת.

ציטוט: Zhang, MY., Liu, B., Qin, ZJ. et al. Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning. npj Digit. Med. 9, 276 (2026). https://doi.org/10.1038/s41746-026-02459-y

מילות מפתח: סרטן שחלתי מוקינוס, פתולוגיה דיגיטלית, למידה עמוקה, רשת עצבית גרפית, אבחון סרטן