הקדמה: נבוסים מלנוציטיים מציגים תבניות שונות, אשר נבדלות בסיכון למלנומה, וניתנות לזיהוי באמצעות סריקה לא-פולשנית במיקרוסקופ קונפולי.
מטרות: לאמן מודל למידה עמוקה מסוג Generative Adversarial Network (GAN) לייצר תמונות מלאכותיות המדמות תבניות קונפוקליות של נבוסים באופן המאפשר זיהוי וסיווג מהימן על ידי חוקרים אנושיים ועל ידי מודל ממוחשב נפרד מסוג Convolutional Neural Network (CNN).
שיטות מחקר: תמונות קונפוקליות של נבוסים, אשר הציגו תבנית אחידה שניתנת לסיווג אנושי, עברו סיווג לאחת משלוש תבניות – רשתית, טבעתית או כדורית. התמונות שימשו לאימון מודל GAN שיצר תמונות מלאכותיות המדמות תבניות קונפוקליות. מקבץ מתוך התמונות המלאכותיות נבחר באופן אקראי ועבר סיווג אנושי על ידי שני חוקרים בלתי תלויים. לאחר מכן, עבר אותו מקבץ תמונות סיווג אוטומטי על ידי מודל CNN, אשר עבר קודם לכן אימון באמצעות אותן תמונות מקור ששימשו לאימון מודל ה-GAN. בוצעה השוואה של הסיווג האנושי אל מול הסיווג האוטומטי בתמונות המלאכותיות.
תוצאות: סט האימון למודל ה-GAN הורכב מ-1496 תמונות קונפוקליות, כולל 977 (65.3%) עם תבנית רשתית, 261 (17.4%) עם תבנית טבעתית ו- 258 (17.2%) עם תבנית כדורית. מודל ה-GAN יצר 6,000 תמונות סינתטיות המדמות תבניות קונפוקליות. מתוכן, 302 תמונות קונפוקליות נבחרו באופן אקראי ועברו סיווג על ידי חוקר אנושי – 83 (27.5%) סווגו כבעלות תבנית רשתית, 131 (43.4%) טבעתית, ו-88 (29.1%) כדורית. בבחינת הדירות הסיווג, נמצאה התאמה של 91.7% בין החוקרים האנושיים, והתאמה של 87.7% בין הסיווג האנושי לבין הסיווג האוטומטי באמצעות מודל ה-CNN.
מסקנות: ניתן ליצור תמונות מלאכותיות המדמות תבניות קונפוקליות וניתנות לזיהוי ולסיווג אנושי וממוחשב בהדירות טובה. מאגרי תמונות קונפוקליות מלאכותיות יכולים לשמש להדרכת משתמשים חדשים, לאימון למידת מכונה, ולשיתוף מידע בין מרכזי מחקר.