הטמעת טכנולוגיה של בינה המלאכותית (artificial intelligence-AI) או "למידת מכונה" יוצרת הזדמנויות חדשות בהתמודדות עם אבחונים רבים ואתגרים טיפוליים. השילוב של תחום ה"ביג דאטה" בשילוב עם "למידת מכונה" הופכים את הטיפולים הרפואיים לכאלה המבוססים על בינה מלאכותית, כלומר, מערכות אוטומטיות המנתחות כמויות גדולות של מידע וידע ומספקות על בסיסו המלצות. באמצעות בינה מלאכותית ניתן לסרוק כמויות גדולות של תמונות רפואיות, לזהות מאפיינים ודפוסים הקשורים למחלה, ולהעריך את היעילות הטיפולית באופן מהיר יחסית, ולנבא את מצבו הרפואי של המטופל.
ניוון מקולרי גילי - נמ"ג (Age-related Macular Degeneration-AMD) הוא הגורם הנפוץ ביותר לאובדן ראייה, אצל אנשים מעל גיל 50 במדינות מפותחות. לניוון מקולרי גילי שני שלבים: "השלב היבש" (הקרוי גם dry או nonexudative AMD) והשלב "הרטוב" (הקרוי גם wet או exudative או neovascular AMD).
השלב "הרטוב" מתאפיין בדליפה של נוזלים מכלי הדם והצטברות נוזלים בין ומתחת לשכבות הרשתית, דבר שגורם לטשטוש ואובדן ראייה. בהעדר טיפול, מאובחנים בשלב זה נמצאים בסיכון לפתח עיוורון. הטיפול בחולים אלה מתבצע באמצעות תרופות שפועלות כנגד צמיחה של כלי דם פתולוגיים בגוף, הניתנות בהזרקות תוך עיניות ומהוות אופציה טיפולית עיקרית. אולם, המדד להחלטות הרפואיות מתבצע על ידי הערכת נוכחות נוזל בתמונות של מרכז הרשתית - המקולה. התמונות מתקבלות מסריקות שמבוצעות באמצעות טומוגרפיה קוהרנטית אופטית (OCT) - כלי הדמיה מהיר, נעדר קרינה מייננת, שאינו פולשני, המאפשר הדמיה של הרשתית. הנוזל מוערך על ידי רופאי עיניים עם מומחיות במחלות רשתית.
חולי נמ"ג נמצאים במעקב תדיר, אפילו חודשי לאורך השנים, ועוברים צילומי OCT באופן שוטף, במטרה לזהות את התקדמות המחלה. אתגר בטיפול בחולי נמ"ג הוא העומס הכבד על ספקי שירותי הבריאות, שצריכים להבטיח צוות מיומן וזמין כדי לפענח מספר רב של תמונות רשתית, ולהזריק זריקות תוך עיניות במידת הצורך. בנוסף, קיים קושי בהתאמת תדירות ההזרקות לצרכים של המטופלים.
תמונת מצב
הטמעת טכנולוגיה של בינה המלאכותית יוצרת הזדמנויות חדשות בזיהוי נמ"ג על שני שלביה, והמעבר ביניהם באמצעות ניתוח תמונה. ההצלחה העתידית של יישומי AI טמונה ביכולת לעבור מניתוח ההדמיה הבודדת בצורה אוטומטית, למודלים המאפשרים טיפול מותאם אישית וחיזוי הן של תדירות ואופן הטיפול והן של מצב ראייתו של המטופל בעתיד.
ניתוח תמונה, באמצעות בינה מלאכותית, נמצא בשימוש נרחב לזיהוי עצמים. כיום, באמצעות טכנולוגיה של ניתוח תמונה, ניתן לדוגמה, לזהות דמויות ולמדוד מידות בגדים על פי תמונות. באופן דומה, ניתן ללמד ראייה ממוחשבת לזהוי מחלות בצילומים רפואיים. במקרה של נמ"ג, ניתן בעזרת AI לזהות ולמדוד את כמות הנוזל ברשתית בצורה אוטומטית. אלגוריתם תוצרת כחול לבן של חברת נוטל מאפשר פענוח אוטומטי של שכבות ונוזלים ברשתית. זיהוי ומדידה אוטומטיים, או חצי אוטומטיים, יכולים לפנות זמן יקר לרופא המומחה ובכך להגדיל את כמות הסריקות המפוענחות ואף לדייק את הפענוח.
לדברי איל קלנר, מנהל אגף המחשוב באיכילוב, טכנולוגיות ראייה ממוחשבת צריכות בסיס גדול של תמונות מפוענחות, ככול שנלמד את המחשב לזהות יותר תמונות, כך משתפרת איכות הזיהוי של מטופלים שונים ופתולוגיות שונות. כדי ליצור מאגר תמונות מפוענחות איכותיות, יש לחבר בין התשתיות הרפואיות שמכילות נתונים מובנים (קליניים) ובלתי מובנים (צילומים כגון הדמיית OCT), נדרש שיתוף פעולה בין הרופאים שמפענחים את התמונות, לבין אגף המחשוב שאחראי על תשתיות אגירת מידע, בהן נשמרות ומתויגות התמונות, ואנשי בינה מלאכותית ואלגוריתמיקה שמייצרים מהם מודלים. לבסוף, התמונות המפוענחות חוזרות לצוות הרפואי שמוודא את דיוקן ומורה על שגיאות פענוח. המערכת מורכבת וחדשה, ודורשת הגדרה, תכנון וניהול. על הצוות הרפואי לוודא שהתמונות נותנות ייצוג הולם למגוון המטופלים והפתולוגיות הרפואיות. חשוב לציין שבשונה מעיסוק בנתונים בתחומים אחרים, יש חשיבות רבה על שמירת הפרטיות כיוון שמדובר בנתונים רפואיים.
צילום טוב
לתמונה שצולמה באיכות גבוהה ופוענחה על ידי מומחה שגם הוסיף עליה מידע קליני לגבי מצב וטיפול החולה, ערך רב ללימוד מודל איכותי. תמונה עם פענוח שגוי או נתוני חולה שגויים או חלקיים, עלולה להפחית את דיוק המודל. אם ניקח בחשבון את הגורמים הנדרשים ליצירת תמונה איכותית; זמן החולה, עלות ציוד הסריקה, עלות זמן הרופא המומחה, ועלות מיון, תיוג ואחסון התמונה, נגיע למסקנה, שעלותה של תמונה רפואית איכותית, רבה מאד וכי ערכה יכול להיות מוערך אפילו יותר מתמונות אומנות שונות.
לבינה מלאכותית יש יכולת נוספת והיא בנייה של מודלים לחיזוי. מערכות בינה מלאכותית הסורקות תיקים רפואיים ומידע רפואי רב, יכולות לזהות קשרים, סיכונים או סיבוכים צפויים בהליך רפואי, להתריע על הסיכון ואפילו להציע טיפול מונע. במקרה של נמ"ג, אם מכניסים בנוסף לכמות נוזל ברשתית גם מידע קליני שכולל את נתוני המטופל, תדירות ההזרקות התוך עיניות וחדות הראייה, נלמד את המחשב למצוא את הקשרים בין הנתונים, ובסופו של תהליך המחשב יוכל לנבא מה הסיכוי של אותו מטופל לפתח עיוורון, או מה תדירות הטיפול הנדרש. המחשב יודע לחזות קדימה את מצב המטופל משום שראה דוגמאות רבות של מטופלים דומים לאורך זמן.
המרכז לחקר הרשתית במרכז הרפואי איכילוב
המרכז הוקם על ידי פרופ' דינה צור ופרופ' ענת לבנשטיין, והוא יוזם ומוביל מחקרים שמשלבים טכנולוגיה של ראייה ממוחשבת, שמטרתם היא בניית מודלים לטיפול במחלות רשתית, ובעיקר נמ"ג. המודלים מבוססים על ניתוח חישובי אוטומטי של תמונות OCT המשולבות עם מערך נתונים קליני גדול, שהוצא מנתוני מטופלים המאוחסנים במערכות בית החולים והכוללים מעקב ארוך טווח. התהליך של פיתוח מערך נתונים אינטגרטיבי כולל עבודה משותפת יומיומית של אנשים קליניים עם אנשי מערך המחשוב. המרכז יוזם גם שיתופי פעולה עם מרכזים שונים, ומאפשר יישומים פורצי דרך של טכנולוגיות חדשות במטרה לשפר את איכות הטיפול, לייעל תהליכי טיפול ולאפשר טיפול מותאם אישית. המרכז שם לעצמו מטרה לא רק לחקור חקר אקדמי, אלא להביא ערך מוסף לתעשייה ולצוותים הרפואיים, שבהם תלויה הצלחת פיתוח הטכנולוגיה ושילובה בתהליכי הטיפול.
פרופ' דינה צור היא מנהלת המרכז למחלות ניווניות של הרשתית והמרכז לחקר הרשתית
מרגנית גונן שחר היא מנהלת פרויקטים במרכז לחקר הרשתית, מערך העיניים, איכילוב
בשיתוף מערך העיניים, איכילוב
