תוצאת חיפוש

הבינה המלאכותית הוצגה לראשונה בשנת 1956 ומהווה מרכיב מרכזי במהפכה התעשייתית הרביעית בתולדות האנושות. עם הזמן הפכה שיטה זו לשיטה המועדפת לניתוח תמונות רפואיות. כיום, היישומים של בינה מלאכותית בתחום הרפואה בכלל ורפואת עיניים בפרט מגוונים וכוללים אבחון ומעקב אחר התפתחות מחלות עיניות. לדוגמה, אלגוריתמים של בינה מלאכותית יכולים לזהות אקטזיות וסימנים פרה-קליניים של קרטוקונוס (קרנית חרוטית) באמצעות צילומים ופלט נתונים ממיפויי קרנית שונים.

למידת מכונה (Machine Learning) היא טכניקה ספציפית ליישום של בינה מלאכותית. היא מוגדרת כסדרה של שיטות אוטומטיות לזיהוי דפוסים ותבניות במידע נתון ומתן תחזית עתידית. טכנולוגיה זו יושמה לראשונה כבר בשנות השמונים של המאה הקודמת. למידה עמוקה ((Deep Learning היא סוג מתקדם של למידת מכונה בהשראת מידול פעולת המוח האנושי, הבנויה כשכבות שכל אחת אחראית על זיהוי תבניות ובכך מצליחה למדל תופעות מורכבות. היתרון המשמעותי של למידה עמוקה ברפואה הוא בכך שהיא מאפשרת מעקב וניטור זול ויעיל. למידה עמוקה נמצאת בשימוש במעקב במחלות עיניים כגון רטינופתיה סוכרתית, ניוון מקולרי תלוי גיל, גלאוקומה (ברקית), ירוד (קטרקט) ורטינופתיה של הפגות. מחלות אלה ואחרות דורשות מעקב תכוף על מנת לבחון שינויים לאורך זמן. טכנולוגיית מחשוב זו היא אמנם בעלת חשיבות רבה לזיהוי ודירוג מחלות עיניים שונות אך זקוקה עדיין למספר אישורים קליניים נוספים על מנת שתוכל להוות עזר רשמי בשימוש נרחב ליכולת אבחנתית אנושית.

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.