סגמנטציה יעילה של MRI לבבי מרובת מבנים להערכת כלי-דם עם סימון מוגבל על ידי שילוב עקביות ברמת הנתונים וברמת הרשת

מדוע המחקר הזה חשוב לבריאות הלב

סריקות MRI של הלב יכולות לחשוף פרטים שיכולים להציל חיים לגבי יכולת השאיבה של הלב, אך המרת התמונות המפורטות האלה למספרים שימושיים לרופאים דורשת בדרך כלל סימון ידני רב־זמן על ידי מומחים. המחקר מציג שיטה מבוססת בינה מלאכותית (AI) היכולה ללמוד לשרטט במדויק חלקים מרכזיים של הלב גם כאשר רק חלק קטן מהסריקות מסומנות בקפידה על ידי מומחים. על ידי שימוש יעיל ברבות מהסריקות הבלתי מסומנות שכבר מאוחסנות בבתי חולים, הגישה עשויה להפוך ניתוח לב מתקדם למהיר, זול ונגיש יותר.

הפיכת סריקות לב גולמיות למדידות שימושיות

כדי להבין איך הלב מתפקד, קרדיולוגים בוחנים כמה מבנים בתמונות MRI, כולל חדרי השאיבה העיקריים ודופן השריר. מהם מחשבים נפחים, מסת שריר וכוח הכיווץ — מספרים שמנחים אבחון, בחירת טיפול ומעקב לטווח ארוך במצבים כגון אי־ספיקה לבבית וקרדיומיופתיה. כיום מבנים אלה מסומנים לעתים קרובות ידנית או באמצעות תוכנה שעדיין דורשת פיקוח צמוד. השיטה החדשה שואפת לאוטומציה של שלב זה במידה רבה, כך שהקווים סביב החדר השמאלי, החדר הימני ושריר הלב יופקו במהירות ובאחידות לכל מטופל.

ללמד מחשבים עם מעט דוגמאות

מכשול מרכזי בבניית AI רפואי אמין הוא שהמחשב זקוק בדרך כלל לאלפי דוגמאות מסומנות על ידי מומחים, וכל סריקת לב יכולה לקחת שעות לסימון. עם זאת, בתי חולים כבר מחזיקים מאגרים גדולים של תמונות לא מסומנות. החוקרים התמודדו עם הבעיה באמצעות אסטרטגיית למידה חצי‑מנוטרת, שבה קבוצה קטנה של סריקות מסומנות משולבת עם כמות גדולה של סריקות לא מסומנות. ה‑AI לומד תחילה מהתמונות המסומנות באופן הרגיל, ובמקביל דוחפים אותו בעדינות להפיק תחזיות יציבות ועקביות לעצמן על הסריקות הבלתי מסומנות, כך שגם תמונות ללא שרטוט מומחה תורמות לדיוק המודל. גישה זו מפחיתה את התלות בעבודה ידנית יקרה ובו־זמנית מכוונת את המערכת לתוצאות שהן סבירות מבחינה אנטומית.

שתי "נקודות מבט" שונות של ה‑AI שעובדות יחד

המסגרת, שנקראת SemiCoTr, משלבת שני סוגים משלימים של רשתות לניתוח תמונה. אחת, המבוססת על רשתות קונבולוציה מסורתיות, טובה בזיהוי פרטים מקומיים עדינים. השנייה, המבוססת על טכנולוגיית טרנספורמר חדשה יותר, מצטיינת בזיהוי קשרים למרחקים ארוכים על פני כל התמונה. ב‑SemiCoTr שתי הרשתות מסתכלות על אותן תמונות ומחליפות מידע ביניהן. כל רשת מחזיקה בגרסת "מורה" שמתעדכנת לאט והתחזיות שלה מהוות רפרנס יציב לגרסת "תלמיד" שמשתנה במהירות, ובכך אוכפת עקביות לאורך זמן. בנוסף, שתי הרשתות מפקחות זו על זו: כאשר אחת מהן בטוחה במבנה מסוים בסריקה לא מסומנת, התחזית שלה מסייעת לאמן את האחרת. הנחיה הדדית זו גם ברמת הנתונים וגם ברמת הרשת מובילה לקווי מתאר של לב עמידים והגיוניים אנטומית.

כמה טוב זה עובד בפועל?

הצוות בחן את שיטתם על מאגר ציבורי של MRI לב הכולל 100 מטופלים, הנפוץ בקהילת המחקר. הם סימולו תרחיש מציאותי בו רק 5–10% מהסריקות היו מסומנות על ידי מומחים ואת השאר התייחסו אליהן כאל בלתי מסומנות. ככל שהוּספו יותר נתונים לא מסומנים, הדיוק של הסגמנטציות האוטומטיות עלה בהתמדה והתקרב לביצועים של מודלים שאומנו על מערכי נתונים מסומנים במלואם. בהשוואה למספר טכניקות חצי‑מונחות מובילות, הגישה שלהם השיגה באופן עקבי דיוק גבוה יותר וגבולות נקיים יותר לכל שלושת המבנים המרכזיים של הלב, תוך שמירה על דרישות חישוביות פרקטיות לאימון. ניסויים קפדניים הראו שהתועלות נבעו הן מעיצוב פונקציית הפסד מרובת-החלקים והן משילוב שני סוגי הרשתות השונים.

מה משמעות הדבר עבור מטופלים ומרפאות

המחקר מראה שניתן להשיג מדידות לב איכותיות מ‑MRI עם הרבה פחות סימון ידני ממה שסברו בעבר. על ידי ניצול טוב יותר של הסריקות הבלתי מסומנות שבתי חולים יוצרים מדי יום, SemiCoTr מצביע על כלים מבוססי AI הניתנים להרחבה שיכולים לספק הערכות לב מדויקות וחוזרות בסביבות קליניות עמוסות. בטווח הארוך מערכות כאלה יכולות לסייע לרופאים לזהות בעיות לב עדינות מוקדם יותר, להתאים טיפולים ביתר דיוק למטופלים אישיים ולעקוב בצורה מהימנה יותר אחרי התקדמות המחלה — וכל זאת מבלי להגדיל את עומס העבודה של מומחי ההדמיה שכבר עומסים עליהם עומס רב.

ציטוט: Guo, S., Zhao, X., Ren, J. et al. Efficient cardiac MRI multi-structure segmentation for cardiovascular assessment with limited annotation by integrating data-level and network-level consistency. npj Digit. Med. 9, 328 (2026). https://doi.org/10.1038/s41746-026-02475-y

מילות מפתח: MRI של הלב, סגמנטציה של תמונות רפואיות, למידה חצי-מנוטרת, למידה עמוקה, הדמיית מערכת הלב וכלי הדם