הרופא הוא לא פיקסל אנליסט
על בינה מלאכותית בדימות
עם כל התקוות הגדולות שיש לבינה מלאכותית על שלל המודלים השונים והמתוחכמים לרפואה, למטפלים למטופלים ולמקבלי ההחלטות, ביום עיון ראשו מסוגו בארץ, בנושא AI Medical Imaging, שארגן מרכז ARC בשיבא, הגעתי כדי לשמוע על האתגרים, ההצלחות שנאמרות בצניעות ובזהירות והחסמים.
היום נפתח בהיכרות עם הפעילות הענפה של ARC בגדול, זהו המרכז שאחראי על דיגיטציה של מידע, הנגשה שלו ויצירת שת"פ מסחרי ואקדמי לשימושים משניים ולפיתוחים על בסיסו). היום היה מורכב מארבע פנלים בתחומי תוכן שונים- רדיולוגיה, פתולוגיה, גסטרו וקרדיולוגיה, כל הרצאה רבע שעה, לא מעט מידי לא הרבה , ובסוף פנל מסכם.
היה מעניין לראות את המגמה בקרב הקהל בין סטודנטים לתארים מתקדמים, אנשי דאטה מהקליניקה והתעשייה, לבין מנהלים שמודים פעם אחר פעם בחבירה לצוותים "חכמים" שמבינים על מנת לחקור.
דבר משותף ניכר בכולם- השימוש במודלים מחייב תיקוף, מחייב זהירות וההתקדמות של השימוש, כנראה כמו בתחומי מדע נוספים, היא איטית ומפוקחת.
עיקרי הדברים לממהרים
פרופ' ליאור וולף מאונ' ת"א סיפר על מספר מחקרים ממעבדתו
פרופ' אלי קונן, הרצה על ההתפתחות שיטות לעיבוד תמונה ו- deep learning ברפואה, ויצא עם אמירה שלמעשה, כלל השיטות לא באמת הביאו לשיפור מערך הרפואה או יצאו לשימוש- כי הרופא אינו פיקסל אנליסט, שינוי קשור גם בארגון ולא רק בכלי AI.
פרופ' חיית גרישפן דיברה על רשת שפיתחו במעבדתה, RadImageNe שמאומנת על 1.35 מיליון תמונות רדיולוגיות ומאפשרת Transfer Learning בתחום הרדיולוגיה.
פרופ' יובל גרעיני סיפר על המחקר שלו בתמונות פתולוגיה שמיוצגות בספקטרום רחב ולא רק ב-RGB ואמר שזה נותן ייצוג טוב יותר למידע המופק
בסשן על גסטרולוגיה הציג פרופ' אורי קופליוב שהגלולה של מדטרוניק יכולה לצלם מעי דק וגס ובכך מאפשרת אבחון קל יותר של מחלות מעי כרוניות.
וסיימה, דר' עדי להט בפיתוח אלגוריתמים לחיזוי סרטן מעי גס יחד עם Mayo Clinic עוד לפני הופעת פוליפים סרטניים.
סקירה של 15 שנות שימוש ב-AI בדיאגנוסטיקה, הווה ועתיד
מכוני הדימות בעולם עברו מהפיכות, אולם המהפכה המשמעותית שמציעות מערכות בינה מלאכותית הן המשמעותיות ביותר. דיגיטליזציה בעולם הרדיולוגיה קיימת כבר מ-2007, ובעקבותיה הוצגו פענוח תמונה יכולות של פענוח CT על בסיס סגמנטציה ואפילו המלצות לדוח פענוח כתוב כבר ב-2010. ואז, מהרגע שהתעשייה נכנסה למשחק- היא החלה להוביל, כי בזה אחר זה שלל חברות העושות שימוש ב-AI צצו ונתנו תקווה גדולה לעולם הרדיולוגיה, ביניהן גם חברות ישראליות כמו Ai.Doc, Zebraועוד. ועדיין- מהתבוננות על הרדיולוג בשנת 2022 כמעט כלום לא השתנה. אופן העבודה והצריכה לשירותי דימות בטיפול רפואי עלתה כבר פי-3 והעומס גדל מאד.
החסמים, אומר פרופ' קורן, הם מעבר לתכנת AI אמינה אלא צריך לשנות תרבות ארגונית לא רק של הרדיולוג- אלא של כל הרופאים. דוח גרטנר שפורסם לאחרונה מצביע על כך, שהשימוש ב-ai יורד התוצאות לא תופסות ויש אכזבות גדולות (כמו למשל WOTSON של IBM), חלקן בשל היעדר מודל עסקי.
אז מה האתגר בדימות (Radiology) – למה זה ככה ??
המטרה בבדיקה רדיולוגית הנה להוציא דוח משמעותי שיעזור לטיפול. כשעושים שימוש ב-ai ברדיולוגיה, אזי הרדיולוג רואה פיקסלים. אבל החולה הוא מעבר יש תמונה קלינית רחבה- יש מיליון דברים שיכולים להשפיע על התמונה הקלינית וחייבים לדעת אותם כדי לתת דוח שמועיל לטיפול. החלטות בדבר סוג הטיפול הרפואי ניתנות על סמך פרמטרים רבים כגון גיל, מין, רקע של המטופל, תרופות שלוקח, האם עבר תאונה לפני ועוד ושכל הדברים האלה לא נלקחים בחשבון בהחלטות של המודלים של התוכנות כאשר עובדים על תמונה בלבד ומנסים לחזות תופעות.
פרופ קורן צופה שהשימוש ב-ai יכול להצליח במקומית שאין מספיק רופאים (מדינות עולם 3), בתחום האורתופדיה – לפענוח שברים בצילום, ובשלבים מאוחרים ייכנס לעבודה מולטי דיסיפלינרית.
הרופאים מאוד שמרניים ואנשי הטכנולוגיה חייבים להיות נוכחים במחלקות ו"להסתובב פיזית סביב הרופאים" בבית החולים כדי להבין באמת את הצרכים של המערכת וליצור קשרים בין אישיים שיובילו לפתיחות של הצוותים הרפואיים לשינוי ואימוץ טכנולוגיות חדשות.
המסקנה –שימוש ב- AI ייכנס וישפר את העבודה כי מחשב עושה דברים שהיום אינו לא יודעים לעשות כל הארגונים בעולם צריכים לעשות אדפטציה ארגונית איך עובדים איתו, אולם בשורה התחתונה, להבין את בעיות המערכת ולתת פתרון ולא להתרכז רק ב AI
פרופ גרינשפן דיברה על השימוש בכלי AI במהלך הקורונה. ועל השימושים ב- network של דאטה רפואי. בנוסף העלתה את הסוגייה האם שימוש במתודות אנליטיות מתקדמות כמו למשל deep learning רלוונטיות לדאטה רפואי, האם באמת מאפשר לזהות פתולוגיות תוך שימוש ברשתות (2015).
כבר בשנת 2018 ה-NIH שחרר מאגר תמונות דימות רפואי (לינק לפרסום, ולמאגר), בין היתר לאפשר יכולות מחקר ולהדגיש את נושא האימון כשעושים שימוש ב-AI בוודאי שבדאטה רפואי.
העניין הוא, שככל שמסתכלים על פתולוגיות ייחודיות יש פחות דאטה שמאפשר אימון.
ולכן בדומה לגישה של הקמת dataset רפואי, כאשר מקימים database של תמונות דימות, כדאי לחשוב לכלול תיוג- annotation, כשהרעיון לבנות רשת תמונות דימות רפואיות radio-image-net ובאמצעותה לבחון האם נוכל ללמוד על בעיה חדשה יותר מהר.
בפרויקט שנקרא RadImagNet ניתן לאמן ב-open dataset תמונות דימות רפואיות מתוייגות של מגוון פתולוגיות. ניתן גם לתגבר עי הוספת דאטה סינטטי – זה טוב כדי לשפר יכולת סיווג וזה אכן מועיל משמעותית בפיתוח AI רדיולוגי.
במסע שש השנים האחרונות חברת Viz.ai הביאה את הטכנולוגיה לפרקטיקה קלינית. החברה מאפשרת התראות במצבי שבץ מוחי, שבהם רב המטופלים לא מקבלים טיפול בזמן.
מבחינה קליני במצב של שבץ מוחי, נוצרת איסכמיה- שבאמצעות צנתור מוח ניתן לשלוף קרישי דם. זמן התגובה הוא קריטי, כל דקה בעיכוב שני מיליון נוירונים מתים וקצת יותר מ-1000 דולר לעיכוב בדקה. באמצעות תחקור צוותים קליניים בהית החולים הכי טוב. ארה"ב בתחום שבץ חולה עובר שרשרת ארוכה עד הטיפול סדר גודל של שעתיים מהגעה עד תחילת צנתור
החזון – לחבר את בדיקות הדימות (באמצעות ענן) ישירות לטלפון הנייד כולל התראות ב –DICOM viewer מלא- כל הצוות הרפואי יודע שיש מקרה שבץ ומתארגן הרבה יותר מהר- כמה מהר? הזמן ירד לכ-33 דקות
המוצר הוגש לאישור במסלול de novo ב-FDA, מכיוון שיש התראה על ממצא פתולוגי שהוא time critical ולכן זה המסלול
המוצר מותקן ב-1000 בתי חולים בארה"ב (לקוחות משלמים). ותוצאים הקליניים מעודדים, יותר מטופלים משתחררים עם הרבה פחות פגיעה או מצבי נכות לאחר השבץ. בנוסף באמצעות המוצר הרבה יותר חולים מטופלים מקבלים טיפול.
בביטוח הבריאות הפדראלי האמריקאי אישרו החזר של שיפוי על כל סריקה שעושה שימוש ב-viz.ai כי זה חוסך כסף ב-downstream. המדד מעודד את בתי החולים להטמיע את המערכת כי הם מקבלים החזרים
מרכז פיתוח נמצא בתל אביב והחברה מתרחבים לזיהוי ואפיון של מצבים נוספים בדימות – תבחיני ריאה, מפרצות וכו
בשנה האחרונה נכנסים לאירופה וישראל כולל רישום אמ״ר
מה למדנו בדרך?
במוצרי AI יש חשיבות למדד positive predictive value. PPV , הכיוון לדיוקים גבוהים מצריך ללכת למומחים רלוונטיים ולא רק לרדיולוגים.
עטיפה של ai המוצר – יש צוותי תמיכה, הטמעה וכו מעבר לפיתוח. צריכים להיות מהירים, ולכן יש מעטפת לכל שימוש – באים לבתי החולים להתאים את חווית השימוש לכאבים שלהם
ai כמתנה שממשיכה לתת ולקראת אישור FDA ואז מגלים שהמסע האמיתי רק התחיל. האישור רחוק מאד מ-production גם מבחינה רגולטורית וקלינית ומעקב אחרי הדאטה שזורם עוקבים אחרי ביצועים של בתי חולים כולל איתור של פרוטוקולים שגויים בבתי חולים
פתולוגיה כמקצוע אבחוני הוא המדע שאחרי הריפוי, השוני מהמצב התקין ולכן מעניקה אפשרות להגדיל את היכולת לאבחן. פתולוגיה דיגיטלית היא המדע שאחרי האבחון והריפוי, והיא מקדמת לתהליכי אבחון מדויקים כמו . precision medicine
ההסתכלות על פתולוגיה השתנתה – לא עי פתולוגיה מולקולרית או ריצוף גידולים, אלא אבחון בעין של הפתולוג. אם בעבר יושבים ליד מיקרוסקופ וליד מסך. כל תחום האבחון כעת משולב ב- AI, לדוג' פתולוגיה מולקולרית ורפואה מותאמת אישית – מציאה וזיהוי של ביו מרקרים עי ריצוף תהליכים וגידולים.
כשיש תשתית נכונה ניתן לעשות שימוש נוסף לעיבוד תמונה , tele pathology , ארכיב ולימוד ניתן לראות עלייה אקספוננציאלית בכמות המאמרים שפורסמו בתחומי הפתולוגיה דיגיטלית בשנים האחרונות.
בשיבא עובדים במעבדה הפתולוגית full digitalization, כלומר מעבר לסריקה של slides מתמודדים עם ממשקים חדשים ממשקי IT של טכנולוגיה ושל מעבדה והם אמנם אפשרו לפתח שימוש ב -AI Application of AI pathology לדוגמא בכימות אוטומטי, סיווג וקלסיפיקציה אוטומטית של תאים, דוח פתולוגי, זיהוי תהליכים כמו צבר לימפוציטים / גרעינים שונים, זיהוי של biomarkers לצד מורפולוגיה, זיהוי מיקרואורגניזמים במנועים שונים של AI ועוד. בנוסף פתולוג יכול לקשר בין הרקמה לגידול באמצעות המהפכה של תגובה לטיפול ופרוגנוזה precision medicine
פוסטים אחרונים
האם המאמר הועיל לך? נשמח לקבל דירוג כדי לדעת איך להשתפר
5/5
