שיטה כללית לזיהוי מחלות עיניים המבוססת על למידה ללא־דוגמאות (Zero‑Shot Learning)

מדוע התראות מוקדמות בעין חשובות

המון בעיות עיניים חמורות מתחילות בשינויים עדינים כל כך שגם מומחים מיומנים מתקשים לזהותם. רטינופתיה סוכרתית בדרגה קלה, סיבוך מוקדם של סוכרת, היא אחת מאותן נימונים שקטים: זיהוי מוקדם יכול למנוע אובדן ראייה, אך הוא מחייב בדיקה קפדנית של צילומי הרשתית וכמויות עצומות של תמונות מסומנות בידי מומחים כדי לאמן מערכות בינה מלאכותית כיום. המחקר הזה מציג סוג חדש של בינה מלאכותית שיכולה ללמוד לזהות מחלה בשלבים מוקדמים גם כאשר רופאים מעולם לא תוייגו דוגמאות של אותה תופעה ספציפית — ובכך לפתוח פתח לסריקות עיניים מהירות וזולות יותר ברחבי העולם.

דרך חדשה ללמד מכונות בלי תשובות

החוקרים בונים על רעיון שנקרא למידה ללא־דוגמאות (zero‑shot learning), שבו מערכת בינה מלאכותית לומדת להכיר משהו חדש בלי לראות דוגמאות מתויגות שלו מראש. במקום לשנן תוויות מחלה, המערכת מחקה את האופן שבו קלינאים מסיקים מסקנות: היא מחפשת מחלות קרובות החולקות דפוסים ויזואליים ומעבירה את מה שלה למדה מהן. כאן הקבוצה התמקדה ברטינופתיה סוכרתית קלה (DR1) אך אימנה את שיטת העבודה שלה ללא אף תמונת DR1 מתויגת. במקום זאת הרכיבו משאב עצום של צילומי רשתית, בשם מאגר LCFP-14M, הכולל יותר ממיליון תמונות ואחת־עשרה קטגוריות מחלות עיניים מתוך מספר מאגרי מידע ציבוריים. התערובת העשירה הזו מספקת את ה"ניסיון הוויזואלי" שממנו ה‑AI יכול להסיק דפוסי מחלה.

מציאת מחלה דומה חזותית

כדי לדעת מאיפה לשאוב ידע, השלב הראשון של המערכת הוא למדוד עד כמה מחלות עיניים שונות נראות זו כמו זו. הקבוצה השתמשה ברשת סיאמית (Siamese), זוג של מודלים זהים שבוחנים שתי תמונות רשתית בו‑זמנית ולומדים לומר אם סביר שהן שייכות לאותה מחלה. על ידי השוואה של אלפי זוגות תמונות, המודל בנה מפה של מידת הדמיון בין אחת־עשרה המחלות לבין הרטינופתיה הסוכרתית הקלה. הוא גילה שמיופיה ניוונית, מצב שכרוך במתיחה ודילול של אחורי העין, יצרה תמונות רשתית שהיו_corr_חזקות ביותר עם אותם שינויים סוכרתיים מוקדמים. במונחים אנושיים, מיופיה ניוונית הפכה ל"קרובת משפחה" הקרובה ביותר שיכולה ללמד את המערכת מה לחפש.

לימוד המערכת אילו נגעים זעירים חשובים

לאחר שנמצאה מחלת "מורה" מתאימה, המשימה הבאה הייתה להראות ל‑AI אילו נקודות ברשתית חשובות במיוחד לנזק סוכרתי מוקדם. בעזרת מודל שני שנקרא U‑Net, החוקרים אימנו מערכת סגמנטציה על מערכי נתונים מבוססים שבהם מומחים סימנו שלושה סימני מפתח: בליטות זעירות בכלי הדם הידועות כמיקרואנאוריזמות, שטפי דם קטנים ונקודות חציר־כותנה חיוורות. אף שהסימנים הללו אינם ייחודיים תמיד לשלב הקל, יחד הם מתארים מסלול מוקדם של נזק במחזור הדם של הרשתית. U‑Net למדה להדגיש בדיוק את הנגעים הללו בתמונות, והפכה צילומים גולמיים למפות ממוקדות שבהן סימני אזהרה חשובים בולטים בעוד פרטים פחות רלוונטיים נשמטו לרקע.

קיבוץ מחלה שלא נראתה לשתי קטגוריות: בריא ולא‑בריא

מצוידת בתצוגה הממוקדת בנגעים, המערכת עיבדה תמונות של מטופלים עם מיופיה ניוונית, אך עם דגש על נגעים בסגנון סוכרת והדחקת ארטיפקטים ספציפיים למחלה. מודל שלישי, המבוסס על ResNet בשילוב אלגוריתם אשכולות אגומרטיבי (agglomerative clustering), המיר את התמונות המסומנות האלה לתיאורים מספריים קומפקטיים וקיבץ אותן לשני אשכולות טבעיים. באופן קריטי, האלגוריתם עשה זאת בלי כל תוויות שאומרות אילו עיניים בריאות או חולות; הוא פשוט ארגן תמונות לפי דפוסים חזותיים משותפים. כאשר הקבוצה השוותה מאוחר יותר את האשכולות האלה לתוויות קליניות אמיתיות על סט בדיקה עצמאי, אשכול אחד ייצג DR1 והשני עיניים שאינן חולות, מה שמראה שה‑AI למעשה "גילה" את הרטינופתיה הסוכרתית הקלה בכוחות עצמו.

איך הגישה החדשה מתפקדת בהשוואה

כדי לשפוט האם המערכת ה‑zero‑shot שימושית בפועל, החוקרים השוו אותה למודלים מונחים קונבנציונליים של "few‑shot" שהורשו לראות מספר קטן של דוגמאות מתויגות. הם בחנו ארכיטקטורות פופולריות כגון ResNet, VGG, MobileNet ו‑AlexNet, שאומנו על כמויות מוגבלות של נתונים מתויגים ואז הוערכו על מאגר חיצוני בשם EyePACS. המודל ה‑zero‑shot, למרות שמעולם לא הוצגו לו תמונות DR1 מתויגות במהלך האימון, הגיע לדיוק של כ‑83% ולציון גבוה של שטח מתחת לעקומה (AUC), והשתפר על פני רוב המתחרים המושגחים — במיוחד במדד הדיוק החיובי (precision), כלומר העיניים שסומנו כחולות אכן היו לרוב בסיכון אמיתי. ניסויי אבוליציה (ablation), שבהם הוסרו רכיבים בודדים, אישרו כי גם שלב דמיון‑המחלה וגם שלב הסגמנטציה של הנגעים היו חיוניים לביצועים החזקים האלה.

מה זה אומר לעתיד הטיפול בעיניים

במונחים יומיומיים, המחקר מראה כי בינה מלאכותית יכולה ללמוד לזהות נזק עיני סוכרתי מוקדם באמצעות "הסקה בדמיון" ממחלות קרובות ומרמזים חזותיים המוגדרים על‑ידי מומחים, במקום להסתמך על אלפי דוגמאות מתויגות בדיוק זה. זאת יכולה להיות מהפכה לתוכניות סקר באזורים שבהם סימון מומחים יקר או נדיר, או עבור מחלות עיניים חדשות שחסרים להן מאגרים גדולים ומסומנים. אף שהשיטה עדיין מתמודדת עם אתגרים — כמו הרחבתה מעבר לצילומי פונדוס לטכנולוגיות הדמיה אחרות והגברת השקיפות של ההחלטות לרופאים ומטופלים — היא מצביעה על עתיד שבו מכונות עוזרות לרופאים לתפוס מחלות עיניים עדינות מוקדם יותר, תוך שימוש בהרבה פחות נתונים מתויגים ממה שנדרש היום.

ציטוט: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

מילות מפתח: רטינופתיה סוכרתית, הדמיית רשתית, למידה ללא־דוגמאות, בינה מלאכותית רפואית, סקר מחלות עיניים