אלגוריתמים של למידה עמוקה מתבוננים בסריקות MRI ובצילומי רנטגן במיומנות חסרת מתחרים, אך את מי עלינו להאשים כשהם טועים?

כשרג'ינה ברזילי עברה בדיקת ממוגרפיה שגרתית קצת אחרי גיל 40, הצילום הראה מערך מורכב של כתמים לבנים ברקמת החזה שלה. הסימנים יכלו להעיד על רקמה בריאה או סרטנית – אפילו הרדיולוג הטוב ביותר מתקשה לפעמים לזהות. הרופאים שלה הגיעו למסקנה שהכתמים אינם נותנים סיבה מיידית לדאגה. בדיעבד, היא אומרת, "בשלב הזה כבר היה לי סרטן, והם לא ראו אותו".

בשנתיים הבאות עברה ברזילי בדיקת ממוגרפיה שנייה, סריקת MRI חזה וביופסיה, וכולן הפיקו ממצאים רב-משמעיים או סותרים. בסופו של דבר אובחן אצלה סרטן השד בשנת 2014, אך דרך החתחתים שעברה עד לאבחון הייתה מתסכלת להחריד. "איך זה שעוברים שלוש בדיקות ומקבלים שלוש תוצאות שונות?" היא תהתה.

ברזילי טופלה והחלימה היטב. אבל היא נותרה מוטרדת מכך שהקושי להפיק תוצאות חד משמעיות מקריאת תוצאות הממוגרפיה עלול לעכב טיפול. "הבנתי עד כמה הגישות הקיימות אינן מגינות עלינו", היא אומרת, ולכן החליטה לפתוח בקריירה חדשה: "אני פשוט מוכרחה לשנות את המצב".

ברזילי, חוקרת מדעי המחשב במכון הטכנולוגי של מסצ'וסטס (MIT), לא למדה מדעי הבריאות קודם לכן. היא השתמשה במחקריה בטכניקות של למידת מכונה – צורה של בינה מלאכותית – לעיבוד שפה טבעית, אך חיפשה כעת כיוון חדש למחקר והחליטה לשתף פעולה עם רדיולוגים במטרה לפתח אלגוריתם של למידת מכונה שינצל את יכולות ניתוח התמונה המתקדמות שיש למחשבים כדי לזהות בממוגרמות תבניות עדינות שעלולות לחמוק מהעין האנושית.

לאורך ארבע השנים הבאות לימד צוותה תוכנת מחשב לנתח ממוגרמות של כ-32 אלף נשים בטווח רחב של גילאים וגזעים, ואמרו לה אצל מי מהן אובחן סרטן בחמש השנים שאחרי הסריקה. לאחר מכן בחנו את יכולות הזיהוי של המחשב על 3,800 נבדקות נוספות. האלגוריתם שהתקבל, ופורסם במאי 2019 בכתב העת Radiology, ניבא סרטן – או היעדר סרטן – בדיוק רב יותר באופן משמעותי בהשוואה להליכים הרפואיים הקיימים. כשהצוות של ברזילי הריץ את התוכנה על הממוגרמות הישנות שלה מ-2012 – אלו שהרופא שלה לא מצא בהן דבר – האלגוריתם ניבא נכונה שהסיכון לכך שתפתח סרטן השד בתוך חמש שנים עולה על זה של 98 אחוז מהנבדקות.

אלגוריתמים של בינה מלאכותית לא רק מאתרים פרטים עדינים מדי לזיהוי עבור העין האנושית. הם יכולים גם לפתח דרכים חדשות לגמרי לפרש צילומים רפואיים, לפעמים בדרכים שבני אדם כלל לא מבינים. שלל חוקרים, חברות הזנק ויצרני אמצעי סריקה שמפתחים תוכנות בינה מלאכותית שואפים לשפר באמצעותן את הדיוק והמהירות של תהליך האבחון, לספק טיפול טוב יותר במדינות מתפתחות ובאזורים נידחים שאין בהם רדיולוגים, לחשוף קשרים חדשים בין ביולוגיה למחלות, ואולי אפילו לעזור לנבא כמה זמן נותר לאדם לחיות.

בדיקת ממוגרפיהבדיקת ממוגרפיה. פרטים עדינים | צילום: שאטרסטוק

יישומי בינה מלאכותית חודרים במהירות לעולם הרפואה, והרופאים פוגשים בטכנולוגיה בתמהיל של התרגשות מהפוטנציאל להפחתת העומס עליהם וחשש שיאבדו את פרנסתם למכונות. האלגוריתמים גם מעלים שאלות חסרות תקדים על האופן שבו אפשר לנטר מכונה שלומדת ומשתנה בהתמדה, ואת מי יש להאשים כשאלגוריתם שוגה באבחנתו. ועדיין, רופאים רבים נרגשים מההבטחה הצפונה בתוכנות הבינה המלאכותית. "אם נוכל לבדוק כראוי את המודלים הללו ולהבין טוב יותר איך הם פועלים, נוכל לשפר את איכות הטיפול הרפואי עבור כולם", אומר הרדיולוג מת'יו לונגרן (Lungren), מאוניברסיטת סטנפורד.

"נושא לוהט להפליא"

הרעיון להשתמש במחשבים כדי לקרוא סריקות רדיולוגיות אינו חדש. כבר בשנות ה-90 החלו רדיולוגים להשתמש בתוכנה בשם CAD (אבחון נתמך מחשב: Computer-Assisted Diagnosis) כדי לגלות סרטן שד בסריקות ממוגרפיה. הטכנולוגיה הוכתרה כמהפכה, והרופאים מיהרו לאמץ אותה. אבל עד מהרה הוכח ש-CAD דורשת יותר זמן עבודה מהשיטות הקיימות ושהיא מסורבלת יותר לשימוש, ומחקרים מסוימים אף גילו שמרפאות שנעזרו בה עשו יותר טעויות מאלה שלא.

עם זאת, טכנולוגיית הראייה הממוחשבת התקדמה בצעדי ענק בעשור האחרון – ביישומים שימושיים כמו זיהוי פנים וברפואה. ההתקדמות נבעה בעיקר מההתפתחות של שיטות למידה עמוקה, שבהן מציגים למחשב סדרה של תמונות ומניחים לו לפענח בכוחות עצמו את הקשרים ביניהן, כך שבסופו של דבר הוא מפתח רשת של הקשרים. בדימות רפואית אפשר למשל לומר למחשב באילו מהתמונות יש סרטן ואז לשלוח אותו למצוא מאפיינים המשותפים לתמונות הללו ונעדרים מהתמונות נטולות הסרטן.

טכנולוגיות בינה מלאכותית ברדיולוגיה פותחו ואומצו במהירות רבה. "בשנה שעברה, בכל מפגש גדול שנכחתי בו, הנושא המרכזי היה בינה מלאכותית ודימות", אומרת ויג'יי ראו (Rao), לשעבר נשיאת אגודת הרדיולוגים של צפון אמריקה. "ברור שזהו נושא לוהט להפליא".

מינהל המזון והתרופות בארצות הברית (FDA) אומר שאין לו רשימה מסודרת של כל מוצרי הבינה המלאכותית שהוא אישר. אבל אריק טופול (Topol), חוקר רפואה דיגיטלית ממכון המחקר סקריפס בלה-הויה שבקליפורניה, מעריך שהמינהל מאשר לפחות אלגוריתם דימות רפואי אחד בחודש. בסקר שביצעה בשנת 2018 חברת המודיעין השיווקי Reaction Data נמצא ש-84 אחוז ממרפאות הרדיולוגיה בארצות הברית אימצו טכנולוגיות בינה מלאכותית או מתכוונות לאמץ אותן בקרוב. התחום צומח מהר במיוחד בסין, שם יותר ממאה חברות מפתחות יישומי בינה מלאכותית למערכות בריאות.

"זוהי תקופה מרתקת לשוק הזה", אומר אלעד וולך, מנכ"ל חברת ההזנק התל-אביבית Aidoc. החברה מפתחת אלגוריתמים לניתוח סריקות CT, שמזהים חריגויות ומקדמים את המטופלים הללו לראש סדר העדיפויות של הרופא שלהם. החברה גם בדקה באיזו תדירות הרופאים משתמשים בתוכנה וכמה זמן הם משקיעים בניסיונות לחזות את מסקנותיה. "בהתחלה הם חושדנים, אבל אחרי חודשיים הם מתרגלים אליה ולומדים לבטוח בה מאוד", אומר וולך.

חיסכון בזמן עשוי להכריע בשאלות של חיים ומוות. מחקר שפורסם לאחרונה על צילומי רנטגן חזה לקריסת ריאות מצא שרדיולוגים מסמנים יותר מ-60 אחוז מהצילומים שהם מזמינים בדירוג של חשיבות גבוהה, ועל כן ייתכן שהם משקיעים שעות ארוכות בסקירת מקרים לא חמורים במיוחד, בזמן שהדחופים באמת מתעכבים.

בדיקת סי-טיאישה עוברת בדיקת CT. למצוא את האלגוריתם הנכון | צילום: טיילר אולסון, שאטרסטוק

"כל רופא שדיברתי איתו ידע לספר על מטופל שלא הצליחו להציל בגלל ריאה שקרסה", אומר קרלי יודר (Yoder), סגן נשיא ומנכ"ל הבינה המלאכותית בחברת GE Healthcare היושבת בבוסטון, שהיא בין היצרניות המובילות של מכשירי דימות רפואי. בספטמבר האחרון אישר מינהל המזון והתרופות בארצות הברית סדרה של כלי בינה מלאכותית שיותקנו מעתה בסורקים תוצרת GE, ויתריעו אוטומטית על המקרים הדחופים ביותר.

מכיוון שמחשבים יכולים לעבד כמות נתונים עצומה, הם יכולים לבצע מטלות אנליטיות החורגות מהיכולת האנושית. חברת גוגל, למשל, משתמשת בכוח המחשוב שלה כדי לפתח אלגוריתמים של בינה מלאכותית שירכיבו סריקות CT דו-ממדיות לריאה תלת-ממדית שלמה, ויבחנו את המבנה כולו כדי לקבוע אם יש סרטן בריאה. רדיולוגים, בניגוד לכך, נאלצים להסתכל על התמונות בזו אחר זו, ולנסות להרכיב אותן בראשם.

אלגוריתם נוסף של גוגל יכול לעשות משהו שנבצר לחלוטין מכוחם של רדיולוגים: לקבוע את הסכנה לכך שמטופל סובל ממחלת לב או כלי דם על סמך סריקה של הרשתית שלו, הלוכדת שינויים עדינים הקשורים ללחץ דם, כולסטרול, היסטוריית עישון והזדקנות. "יש שם מידע פוטנציאלי שחורג ממה שידענו עד כה", אומר מנהל המוצר של גוגל, דניאל צה (Tse).

בעיית הקופסה השחורה

תוכנות בינה מלאכותית עשויות לחשוף קשרים חדשים לגמרי בין מאפיינים ביולוגיים להשלכותיהם על מטופלים. מאמר שפורסם ב-2019 בכתב העת JAMA Network Open תיאר אלגוריתם של למידה עמוקה שהתאמן על יותר מ-85 אלף צילומי רנטגן חזה של משתתפים בשני מחקרים רפואיים גדולים שעקבו אחריהם במשך יותר מ-12 שנה. האלגוריתם דירג את הסיכון של כל מטופל למות בתקופת המחקר.

החוקרים מצאו ש- 53 אחוז מהאנשים שהבינה המלאכותית דירגה בקטגוריית הסיכון הגבוה מתו בתוך 12 שנה, לעומת 4 אחוזים מאלה שדורגו בסיכון נמוך. החוקרים לא סיפקו לאלגוריתם כל מידע על זהות הנבדקים שמתו או על סיבת המוות. החוקר הראשי, הרדיולוג מייקל לוּ (Lu) מבית החולים הכללי של מסצ'וסטס, אומר שהאלגוריתם יכול להיות כלי עזר בהערכת בריאות המטופל אם משלבים אותו בבדיקה רפואית ובנתונים נוספים כמו גנטיקה.

על מנת להבין איך האלגוריתם פועל, זיהו החוקרים את החלקים בתמונה שבהם הוא השתמש לצורך חישוביו. חלקם, כמו היקף המותניים או מבנה השדיים של נשים היו הגיוניים, שכן האזורים האלה עשויים לרמוז על גורמי סיכון ידועים למחלות מסוימות. אבל האלגוריתם בחן גם את האזור שמתחת לשכמות, שאין לו משמעות רפואית ידועה. לוּ מנחש שחוסר גמישות עשוי לנבא אורך חיים קצר יותר. צילום רנטגן חזה מחייב לעיתים את הנבדק לחבק את המכונה, וייתכן שאנשים פחות בריאים, שאינם יכולים להקיף עד הסוף את המכונה בזרועותיהם מציבים את כתפיהם אחרת. "לא הייתי חושב על דברים כאלה בעצמי, ולאאת כולם אנחנו מבינים", הוא אומר.

ההבדל בין צורת המחשבה השונה של מחשבים ובני אדם מוכר כבעיית הקופסה השחורה: הרעיון שלפיו מוח המחשב פועל במרחב עלום שאיננו נגיש לבני אנוש. המומחים חלוקים ביניהם בשאלה אם זה מעיד על בעיה בתחום הדימות הרפואי. מצד אחד, אם אלגוריתם משפר באופן עקבי את תפקוד הרופאים ובריאות המטופלים, הרופאים לא צריכים לדעת איך בדיוק הוא פועל. אחרי הכול, חוקרים עדיין לא מבינים לחלוטין את מנגנוני הפעולה של תרופות רבות, כמו ליתיום, המשמש לטיפול בהפרעה דו-קוטבית מאז שנות ה-50. "אולי עלינו להיות פחות מקובעים, שהרי גם הדרך שבה בני אדם פועלים ברפואה היא קופסה שחורה מוחלטת", אומר טופול. "האם הדרישות שלנו ממכונות גבוהות יותר?"

רובוט מטפל בחולהמה עובר במעגליו של הרובוט? | צילום: מרים דואר ומרטין פרומהרץ, שאטרסטוק

ועדיין, אין ספק שהקופסה השחורה מספקת הזדמנויות רבות לקצרים בתקשורת בין בני אדם לבינה מלאכותית. לדוגמה, חוקרים מבית הספר לרפואה אייכּהן (Icahn) בבי ת החולים הניו יורקי מאונט סיני השתאו לנוכח הבדלים שנמצאו באיכות הביצועים של אלגוריתם למידה עמוקה שהם פיתחו לזיהוי דלקת ריאות בצילומי ריאות. הוא הפגין דיוק של למעלה מ-90 אחוז בפענוח צילומים שהופקו במאונט סיני, אבל היה הרבה פחות מדויק כשעבד על צילומים שנעשו במוסדות אחרים. לבסוף הבינו שבמקום להסתפק בניתוח הצילומים עצמם, האלגוריתם נעזר בעת חישוב הסיכויים לממצא חיובי גם בסבירות לקיומה של דלקת ריאות בכל אחד מהמוסדות – דבר שהם לא ציפו לו ולא רצו שהתוכנה תעשה.

גורמים מתערבים כאלה מדאיגים את סמואל פינליסון (Finlayson), שחוקר יישומים ביו-רפואיים של למידת מכונה בבית הספר לרפואה של הרווארד. הוא מציין שמערכי הנתונים שהבינה המלאכותית מתאמנת עליהם עלולים לסבול מהטיות שהמפתחים לא העלו בדעתם. לדוגמה, כשסריקה נעשתה במחלקת טיפול נמרץ או באישון לילה, סביר יותר להניח שהיא שייכת לאדם חולה, בהשוואה לסריקה שנעשתה במהלך בדיקה שגרתית. האלגוריתם יכול גם ללמוד להסתכל גם על צלקות או שתלים של מכשור רפואי שמעידים על בעיה רפואית קודמת, ולהחליט שאנשים שאין להם סימנים כאלה אינם חולים.

אפילו הדרך שבה המוסד מתייג את התמונות עלולה לבלבל את האלגוריתם ולמנוע מהמודל לתפקד כראוי במוסד אחר שמפעיל מערכת סימון אחרת. "אם מאמנים [אלגוריתם] בצורה נאיבית בבית חולים ממקום אחד, זמן אחד וקבוצת אוכלוסייה אחת, אין לדעת את כל אלפי הגורמים הקטנים שהמודלים מביאים בחשבון. אם אחד מהם משתנה, אתה עשוי למצוא את עצמך בגיהינום", מזהיר פינליסון.

הפתרון, אומר פינליסון, הוא לאמן את האלגוריתם על נתונים שהגיעו ממקומות רבים ומאוכלוסיות נבדקים מגוונות, ואז לבדוק את ביצועיו – בלי שום התאמות – על אוכלוסיית נבדקים חדשה. אולם מעט מאוד אלגוריתמים נבדקו כך. סקירה של טופול שפורסמה לאחרונה בכתב העת Nature Medicine מעלה שמבין עשרות מחקרים הטוענים שהביצועים של הבינה המלאכותית שלהם עולים על אלה של רדיולוגים אנושיים, רק קומץ נבדקו על אוכלוסיות שונות מזו שבאמצעותה הם פותחו מלכתחילה.

ככל שגוברת מודעות החוקרים לבעיה הזאת, אפשר לראות באופק יותר ויותר מחקרים עתידיים שנעשים תחת הגדרות חדשות. הצוות של ברזילי סיים לאחרונה לבחון את אלגוריתם הממוגרפיה שלהם על 10,000 סריקות שנעשו ממכון קרולינסקה (Karolinska) בשבדיה, ומצא שביצועיו שם היו טובים כפי שהיו במסצ'וסטס. הקבוצה עובדת כעת עם בתי חולים בטייוואן ובדטרויט כדי לבדוק את התוכנה על קבוצות נבדקים מגוונות יותר. לדברי ברזילי, הם מצאו שהתקנים הנוכחיים להערכת הסיכון לסרטן השד מדויקים הרבה פחות אצל נשים שחורות, מכיוון שהתקנים הללו פותחו בעיקר על סמך סריקות שנעשו על נשים לבנות: "אני חושבת שאנחנו באמת נמצאים במצב שיאפשר לנו לתקן את המצב העגום הזה".

ארץ משפטית לא נודעת

גם אם מסקנותיה של הבינה המלאכותית רלוונטיות מבחינה רפואית, הקופסה השחורה עדיין מעוררת שאלות משפטיות. אם בינה מלאכותית מאבחנת לא נכון, עלול להיות קשה לקבוע אם האשמה מוטלת על הרופא או על התוכנה. "הרבה דברים רעים קורים במערכות בריאות, ולא תמיד אפשר לדעת למה הדברים הרעים קורים", אומר ניקולסון פרייס (Price), מומחה לחוק ובריאות באוניברסיטת מישיגן. אם מערכת של בינה מלאכותית מובילה את הרופא לטעות באבחנה, ייתכן שהרופא לא יוכל להסביר מדוע זה קרה, וסביר להניח שהמידע שיש לחברה על שיטת הבדיקה יהיה סוד מסחרי שמור היטב.

מערכות בינה מלאכותית רפואיות עודן חדשות מדי כדי לעמוד באתגר של תביעות רשלנות רפואית. לכן לא ברור עדיין איך בתי המשפט יקבעו אחריות פלילית ובאילו אופנים תידרש שקיפות.

מכונת רנטגןמכשיר רנטגן בפעולה. מי ייקח אחריות? { צילום: רומן צייטס, שאטרטוק

חוקרת מדעי המחשב סינתיה רודין (Rudin) מאוניברסיטת דְיוּק מתוסכלת מהנטייה לבנות אלגוריתמים של קופסה שחורה. הבעיה נובעת מכך שרוב האלגוריתמים הרפואיים נבנים באמצעות כלי למידה עמוקה שפותחו במקור לסוגים אחרים של ניתוח תמונה. "אין מניעה לבנות רובוט שיכול להסביר את עצמו", היא מתעקשת. אבל הרבה יותר קשה לבנות מאפס אלגוריתם שקוף, מאשר להסב אלגוריתם קופסה שחורה קיים על מנת שינתח נתונים רפואיים. בשל כך רודין חושדת שרוב החוקרים מניחים לאלגוריתם לפעול ורק אז מנסים להבין איך הוא הגיע למסקנה שאליה הגיע.

רודין מפתחת אלגוריתמים של בינה מלאכותית שקופה, שמנתחים סריקות ממוגרפיה לאיתור חשד לגידולים ומעדכנים את החוקרים ברציפות בכל מה שהם עושים. אולם המחקר שלה נתקל בקשיים עקב מחסור בתמונות זמינות שיוכלו לאמן באמצעותן את האלגוריתם. התמונות הזמינות במאגרים פתוחים  מתויגות לא פעם בצורות שגויות ולא פעם נוצרו במכשירים ישנים שכבר יצאו משימוש, אומרת רודין, ובהיעדר מאגר נתונים עצום ומגוון, האלגוריתמים עלולים לצבור השפעות של גורמים מתערבים.

קופסות שחורות, כמו גם יכולתם של אלגוריתמים של בינה מלאכותית ללמוד מהניסיון, מציגים אתגרים גם בפני גורמי פיקוח. בשונה מתרופה, שתמיד תעבוד באותה צורה, אלגוריתמים של למידת מכונה משתנים ומשתפרים לאורך זמן ככל שמצטבר המידע שהם מקבלים על עוד ועוד מטופלים. מאחר שהאלגוריתם שואב משמעות מכל כך הרבה סוגים של קלט, שינויים תמימים לכאורה, כמו התקנת מערכת טכנולוגיית מידע חדשה בבית החולים, עלולים להרוס בבת אחת את תוכנת הבינה המלאכותית. "מכונות יכולות לחלות בדיוק כמו בני אדם, והן עלולות להידבק בתוכנות זדוניות", אומר טופול. "אי אפשר לבטוח באלגוריתם כשחייו של אדם מונחים על הכף".

באפריל שעבר גיבש מינהל המזון והתרופות בארצות הברית מערכת הנחיות לניהול אלגוריתמים המתפתחים עם הזמן. ביניהם נמנית הציפייה שהיצרנים ימשיכו להשגיח על האופן שבו האלגוריתמים שלהם משתנים, כדי להבטיח שהם ממשיכים לפעול כפי שתוכננו, ועליהם לעדכן את הסוכנות אם הם מבחינים בשינויים חריגים שאולי ידרשו  הערכה מחודשת. הסוכנות גם מפתחת הנחיות להליכי ייצור מיטביים ועשויה לדרוש מהחברות לדווח איך האלגוריתמים עשויים להשתנות לדעתם ולקבוע נהלים להתמודדות עם השינויים הללו. "אנחנו צריכים להבין שאין מידה אחת המתאימה לכולם", אומר בַּקוּל פאטל (Patel), מנהל בריאות דיגיטלית במינהל המזון והתרופות.

האם מכונות ידחקו את רגלי הרופאים?

מגבלותיה של הבינה המלאכותית אמורות להרגיע את הרדיולוגים החוששים שמכונות יתפסו את משרותיהם. ב-2012 וינוד קושלה (Khosla), משקיע הון סיכון בתחום הטכנולוגיה וממייסדי Sun Microsystems, זעזע את מאזיניו הרופאים כשחזה שאלגוריתמים יתפסו את מקומם של 80 אחוז מהם. לאחרונה הוא טען שרדיולוגים שיישארו במקצועם בעוד עשר שנים "יהרגו מטופלים". הערות כאלה עוררו תגובות של בהלה ורתיעה בתחום הרדיולוגיה, אומרת ראו. "אני חושבת שהמהומה מסביב יוצרת ציפיות גבוהות".

אבל לחששות הללו יש גם השפעה אמיתית. בשנת 2015 אוישו רק 86 אחוז מהמשרות שהוקצו למתמחים ברדיולוגיה בארצות הברית, לעומת 94 אחוז בשנה שקדמה לה, אף שהמספרים השתפרו בשנים האחרונות. ולפי סקר שנעשה בשנת 2018 בהשתתפות 322 סטודנטים לרפואה בקנדה, 68 אחוז מהם האמינו שבינה מלאכותית תפחית את הביקוש לרדיולוגים.

רופאים מנתחים סריקותלשחרר את הרופאים מהעבודות השחורות | צילום: Gorodenkoff, שאטרסטוק

ועדיין, מרבית המומחים ויצרני הבינה המלאכותית מפקפקים באפשרות שהיא תתפוס את מקומם של רופאים בעתיד הנראה לעין. "פתרונות של בינה מלאכותית לומדים מצוין לעשות דבר אחד היטב", אומר וולך. אך מכיוון שהביולוגיה האנושית מורכבת, הוא אומר, "נחוצים לרוב אנשים שעושים יותר מדבר אחד בצורה מצוינת". במילים אחרות, גם אם אלגוריתם מסוים מאבחן טוב יותר בעיה מסוימת, התוצאות הטובות ביותר יושגו אם ישלבו אותו עם הניסיון שיש לרופא וההכרות שלו עם סיפורו האישי של המטופל.

בינה מלאכותית שיודעת לבצע היטב משימה אחת יכולה לשחרר רדיולוגים מעיסוק במלאכות שחורות, ולפנות להם יותר זמן לתקשר עם המטופלים. "הם יוכלו לעלות מהמרתפים האפלוליים שלהם", אומר טופול. "חסרים לנו ברפואה יותר מגע וקשר בין אישיים".

עם זאת, ראו ואחרים מאמינים שהכלים וההכשרה שרדיולוגים מקבלים, לרבות עבודתם היומיומית, ישתנו מהקצה אל הקצה בשנים הקרובות, בהשפעת אלגוריתמים של בינה מלאכותית. "בינה מלאכותית לא תתפוס את מקומם של רדיולוגים, אבל רדיולוגים שישתמשו בבינה מלאכותית יחליפו את אלה שלא", אומר הרדיולוג קרטיס לנגלוץ (Langlotz) מסטנפורד.

אבל יש גם יוצאים מן הכלל. ב-2018 אישר מינהל המזון והתרופות בארצות הברית את האלגוריתם הראשון שיכול לקבל החלטה רפואית בלי צורך ברופא שיתבונן בצילום. התוכנה, שפותחה בידי חברת IDx Technology מקורלוויל שבמדינת איווה בארצות הברית, בוחנת צילומי רשתית כדי לגלות את מחלת הרטינופתיה הסוכרתית ולפי נתוני החברה היא מדייקת ב-87 אחוז מהמקרים. מנכ"ל IDx מייקל אברמוף (Abramoff) מסביר שבהיעדר מעורבות של רופא, החברה נטלה על עצמה אחריות משפטית לכל שגיאה רפואית.

בטווח הקצר, סביר יותר להניח שאלגוריתמים של בינה מלאכותית יסייעו לרופאים מאשר שיתפסו את מקומם. למשל, ייתכן שלרופאים העובדים במדינות מתפתחות לא תהיה גישה לאותם סוגים של אמצעי דימות כפי שיש למכון רפואי גדול בארצות הברית או באירופה, וגם לא רדיולוגים מומחים שיוכלו לפרש את הסריקות. ככל שהרפואה מתמחה יותר ותלויה יותר בניתוח תמונה, כך גדל הפער בין איכות הטיפול שניתן באזורים עשירים ועניים, לדברי לונגרן. אלגוריתמים עשויים לספק דרך זולה לסגור את הפער, ואפשר להפעיל אותם אפילו בטלפון נייד.

הקבוצה של לונגרן מפתחת כלי שיאפשר לרופאים לצלם בטלפון סריקת רנטגן אנלוגית – בשונה מהסריקות הדיגיטליות הנפוצות במדינות עשירות – ולהפעיל אלגוריתם שינתח את התמונה ויחשוף בה מצבים כמו שחפת. "זה לא מחליף אף אחד", הוא אומר, שכן במדינות מתפתחות רבות אין רדיולוגים מלכתחילה. "אנחנו מאפשרים למי שאינם רדיולוגים להרחיב את יכולותיהם בלחיצת כפתור".

עוד מטרה קצרת טווח של בינה מלאכותית יכולה להיות בחינת גיליונות תיעוד רפואי כדי לקבוע אם מטופל צריך בכלל להיבדק, אומרת ראו. מומחים רבים בכלכלה רפואית מאמינים שנעשה שימוש מופרז בדימות רפואי – בארצות הברית לבדה נעשות מדי שנה יותר מ-80 מיליון סריקות CT. אף על פי שעושר המידע הזה מסייע לחוקרים לאמן את האלגוריתמים שלהם, הסריקות הללו יקרות מאוד ועלולות לחשוף את המטופלים לקרינה מיותרת. בדומה לכך, לנגלוץ מוסיף שהאלגוריתמים יוכלו בבוא היום לנתח את התמונות בשעה שהמטופל עדיין נמצא בתוך הסורק ולחזות את התוצאה הסופית, וכך להקטין את משך הבדיקה ואת כמות החשיפה לקרינה הדרושים לקבלת תמונה טובה.

בסופו של דבר, אומרת ברזילי, בינה מלאכותית תועיל במיוחד במקרים שבהם ישתמשו בה כשותף חד ראייה כדי להתמודד עם בעיות שרופאים לא יכולים לגלות או לפתור בכוחות עצמם. "אילו היה דפוס נוח וקל לתיאור", היא מציינת, "האנושות כבר הייתה מסוגלת לעשות את זה בעצמה". היא יודעת על בשרה שלעיתים קרובות המציאות שונה.

תרגם: גל מנלה

פורסם במקור בגיליון מיוחד של כתב העת סיינטיפיק אמריקן בשיתוף נייצ'ר, שהוקדש לקשרים בין בינה מלאכותית לרפואה, פברואר 2020

 

2 תגובות

  • ויגדור רכניץ

    שדרוג פנימיותנו = האלגוריטם המדוייק ביותר של הטבע

    קופסות שחורות, אלגוריטמים וממוגרפיה הינם תוצרים חשובים בהתפתחות הטכנולוגיה והבינה המלאכותית.
    אנחנו יודעים גם על בעלי חיים שבתנאים מאוד מסויימים התגלו כבעלי יכולת לאתר תחלואות שונות (להבדיל אלפי הבדלות)
    לאן אני חותר: שלנו בני האדם, בשינוי עצמנו (וזו שאלה בפני עצמה מה זה אומר) נוכל להיות הרנטגן המדוייק ביותר של הטבע.
    (רמז: אנחנו עשויים ממולקולות שעובדות בצורה מאוד מסויימת ותפיסת המציאות שלנו היא פועל יוצא של אותם המולקולות).

  • ד.ה.

    צריך מחנך טוב כדי למנוע הטיות קוגניטיביות נרכשות

    כאשר יש לנו תהליך למידה כדאי להשתמש בטכניקות חינוך.
    למשל: חלק גדול מן הכשלים המתוארים בכתבה נבעו מחשיפת התהליך הלומד למידע מטעה (למשל המקום והשעה שבהם נאספו הנתונים), מתוך ההנחה השגויה שהתהליך יתבונן רק במידע הלא-מטעה, כפי שהיה עושה מומחה אנושי שמבין את מטרות הלימוד החורגות בהרבה מהמדגם. מחנך טוב יודע לאיזה צידע לחשוף את התלמיד קודם ולאיזה מידע מאוחר יותר.