חוקרים ישראלים מאוניברסיטת קליפורניה בלוס אנג'לס (UCLA), בהובלת ד"ר אורן אברם ופרופ' ערן הלפרין מהמחלקה למדעי המחשב ורפואה חישובית, פיתחו מערכת בינה מלאכותית חדשנית המסוגלת לנתח ולאבחן הדמיות תלת מימדיות ברמת דיוק המשתווה למומחים קליניים ובמהירות הגבוהה פי 5,000 מזו של רופא.
עוד בעניין דומה
המערכת החדשה SLIViTי(SLice Integration by Vision Transformer) מציגה יכולת ייחודית להתאים את עצמה למגוון רחב של שיטות הדמיה ובעיות רפואיות, בניגוד למערכות קיימות המתמקדות בשיטת הדמיה ספציפית או באיבר מסוים ומנסות לדמות רופא מומחה. SLIViT מציעה פתרון גמיש ורב תכליתי כאילו היתה קבוצה של רופאים בעלי מומחיות שונה.
המערכת נוסתה בהצלחה באבחון תת תפקוד לבבי בסריקות וידיאו של אולטרסאונד לב, בזיהוי גידולי ריאה סרטניים בצילומי CT תלת מימדיים של חזה, בזיהוי גורמי סיכון למחלת עיניים המובילה לעיוורון בסריקות רשתית (OCT) תלת מימדיות ובזיהוי גורמי סיכון לסוכרת בסריקות MRI תלת מימדיות של כבד.
המפתחים, ד״ר אורן אברם (מימין) ופרופ׳ ערן הלפרין. צילום: לטיסיה אורטיז
המחקר שנערך בשיתוף מדענים ישראלים נוספים, ביניהם פרופ' אילן גרונאו מאוניברסיטת רייכמן בהרצליה, ד"ר לירן טיאוסנו מהמחלקה לאופתלמולוגיה במרכז הרפואי הדסה בירושלים ופרופ׳ אליאור רחמני מאוניברסיטת UCLA, פורסם בכתב העת המוביל בעולם בתחום ההנדסה הביורפואית Nature Biomedical Engineering. המחקר מדגים כיצד טכנולוגיות בינה מלאכותית יכולות לשפר משמעותית את יעילות האבחון הרדיולוגי ולקדם את המחקר הרפואי, תוך שמירה על רמת דיוק גבוהה.
"יש שיטות בינה מלאכותית רבות לניתוח נתוני הדמיה ביו-רפואית דו מימדית", אומר ד"ר אברם, פוסט דוקטורנט במחלקה לרפואה חישובית ב-UCLA, המחבר הראשי של המחקר, "אך איסוף וסיווג של מאגרי מידע תלת מימדיים גדולים, הנדרשים למיצוי פוטנציאל הבינה המלאכותית של מודלים תלת מימדיים סטנדרטיים, אינו ישים עם משאבים רגילים. קיימים מספר מודלים, אך מאמצי האימון שלהם מתמקדים בדרך כלל בשיטת הדמיה אחת ובאיבר או במחלה ספציפיים".
פרופ' אילן גרונאו, אוניברסיטת רייכמן. "שימוש בפיתוחים חדשניים בתחום הבינה המלאכותית"
החידוש המשמעותי במערכת שפיתחו טמון ביכולתה ללמוד מכמות מתונה יחסית של נתונים, בניגוד למודלים אחרים הדורשים מאגרי מידע עצומים ובכך מגבילים את יכולות האבחון שלהם. כדי להתגבר על האתגר הזה, המערכת קודם כל מאומנת על אוסף גדול של תמונות דו מימדיות כלליות והדמיות דו מימדיות (כגון OCT או רנטגן) ורק אחר כך מאומנת על אוסף קטן יחסית של מאות עד אלפים בודדים של הדמיות תלת מימדיות מהסוג הרלוונטי. גישה זו מאפשרת למערכת להגיע לרמת דיוק גבוהה גם עם כמות מצומצמת יחסית של נתוני אימון תלת מימדיים.
לדברי פרופ' גרונאו, המערכת שעומדת מאחורי SLIViT עושה שימוש בפיתוחים חדשניים בתחום הבינה המלאכותית מהשנים האחרונות. "המערכת בנויה כך שתוכל להפיק מידע מתמונות דו מימדיות ולעשות בו שימוש בשלב השני של האימון על הדמיות תלת מימדיות, ולשלב את כל אלה כדי להגיע לאבחנה מדויקת".
"מה שהרשים אותי במיוחד היו הביצועים יוצאי הדופן של SLIViT בתנאי אמת, במיוחד עם מאגרי אימון קטנים", מציין פרופ' סריניוואס ר. סאדה, פרופ' לאופתלמולוגיה בבית הספר לרפואה של UCLA ומנהל מחקר בתחום הבינה המלאכותית והדימות, שותף בכיר לכתיבת המאמר. "המערכת מצליחה להגיע לתוצאות מצוינות עם מאות דוגמאות בלבד - לא אלפים, מה שמעניק לה יתרון משמעותי על פני שיטות תלת מימדיות סטנדרטיות אחרות".
פרופ' הלפרין מדגיש כי גם במצב של משאבים בלתי מוגבלים, הגזרה המחקרית תמיד תתמודד עם האתגר של מאגרי אימון מוגבלים, למשל בסביבות קליניות או בשיטות הדמיה חדשות. "כאשר מזהים גורם סיכון חדש למחלה, יכול לקחת חודשים להכשיר מומחים לסיווג רפואי מדויק של הגורם בהדמיות רפואיות. אבל עם מאגר נתונים קטן יחסית, שמומחה קליני יחיד יכול לתייג תוך ימים ספורים, SLIViT יכולה להאיץ משמעותית את תהליך הסיווג".
החוקרים מתכננים להרחיב את המחקר לשיטות טיפול נוספות ולבחון כיצד ניתן להשתמש במערכת לחיזוי מחלות במטרה לשפר אבחון מוקדם ותכנון טיפול. בנוסף, הם יחקרו דרכים לצמצום פערי בריאות הקשורים להטיות מערכתיות במודלים של בינה מלאכותית.
הירשמו לקבלת עדכונים בנושאים שעלו בכתבה
