בינה מלאכותית מצילה נשימה: אלגוריתם חדש מאתר חסימות סמויות בריאות טוב מרופאים

AI על סריקות CT: כשאלגוריתם רואה מה שרדיולוגים מפספסים

חלקיק מזון, קליפת אגוז, שבריר קליפה של סרטנים או חומר צמחי זעיר – כשגוף זר כזה נתקע בדרכי האוויר, הוא עלול להוביל לשיעול כרוני, חנק, זיהומים חוזרים, קוצר נשימה ולפעמים גם לסכנת חיים. הבעיה: בחלק גדול מהמקרים אותם גופים זרים הם "רדיו־לוצנטיים" – כמעט בלתי נראים בצילומי X-ray, וחמקמקים אפילו ב-CT חזה.

במחקר חדש מאוניברסיטת Southampton, שפורסם ב-npj Digital Medicine, צוות חוקרים בריטי-סיני מדגים כיצד מודל Deep Learning מצליח לזהות חסימות כאלה בסריקות CT טוב יותר ממומחי רדיולוגיה מנוסים. התוצאה: הדגמה חדה של כיצד AI הופך מכלי באזז למערכת קלינית עם פוטנציאל להציל חיים.

הבעיה הקלינית: כשאין צל על התמונה

"שאיפת גוף זר" (Foreign Body Aspiration, או FBA) איננה תרחיש נדיר לילדים בלבד. אצל מבוגרים, עד 75% מהמקרים מערבים גופים רדיו־לוצנטיים – כאלה שלא מטילים צל ברור בהדמיה. המשמעות בפועל:

• קשה מאוד לזהות אותם בזמן.
• מקרים מתפספסים או מתגלים באיחור.
• מטופלים ממשיכים שבועות וחודשים עם שיעולים, דלקות ריאה חוזרות או קוצר נשימה מסתורי.
• לעיתים רק ברונכוסקופיה פולשנית חושפת את המקור האמיתי.

גם רדיולוגים עם מעל עשור ניסיון יכולים להסתכל על CT חזה תקין לכאורה – ופשוט לא לראות את הרמזים העדינים. כאן נכנסת הבינה המלאכותית.

כך עובד המודל: שילוב חכם בין מיפוי אנטומי לרשת עצבית

הצוות, בהובלת Dr. Yihua Wang, Dr. Zehor Belkhatir ו-Prof. Rob Ewing, ובשיתוף חוקרים מווהאן, פיתח מערכת המשלבת:

• MedpSeg – טכניקת מיפוי אווירוניות (airway mapping) מדויקת, שמייצרת מודל תלת־ממדי ברור של דרכי האוויר מתוך סריקות CT.
• רשת נוירונים (Neural Network) שמנתחת את המידע הזה ומחפשת דפוסים עדינים שיכולים להעיד על גוף זר רדיו־לוצנטי: שינויים בזרימת האוויר, עיוותים מקומיים, חסימות חלקיות.

לצורך האימון והבדיקה השתמשו החוקרים בשלוש קבוצות מטופלים עצמאיות, מעל 400 מקרים, בשיתוף כמה בתי חולים בסין. זו אינה הדגמה על דאטה קטן ומפונק, אלא ניסוי שנועד לדמות תנאי עולם אמיתי.

מי מדויק יותר: הרדיולוגים או האלגוריתם?

כדי למדוד ביצועים בצורה הוגנת, החוקרים בנו ניסוי ממוקד:

• 70 סריקות CT חזה.
• 14 מתוכן – מקרי FBA רדיו־לוצנטיים שאושרו בברונכוסקופיה.
• שלושה רדיולוגים מומחים (10+ שנות ניסיון) מול מודל ה-AI.

התוצאות מחדדות את העליונות של המערכת החדשה באיתור:

• הרדיולוגים:
  • איתרו רק כ-36% מהמקרים האמיתיים.
  • כשהם סימנו מקרה – זה היה מדויק (0% חיוביים כוזבים).
• מודל ה-AI:
  • זיהה כ-71% מהמקרים.
  • עבד עם דיוק (Precision) של כ-77% – כלומר היו גם אזעקות שווא, אבל פחות מקרי FBA חמקו מתחת לרדאר.

כשבודקים F1 score – המדד שמשלב Recall (רגישות) ו-Precision (דיוק):

• הרדיולוגים: 53%
• ה-AI: 74%

במילים פשוטות: המודל טועה לפעמים לכיוון של "להיות בטוח מדי", אבל מפספס הרבה פחות גופים זרים מסוכנים.

למה זה חשוב בפועל – ולא רק בגרפים

בעולם האמיתי, בפרט בחדרי מיון ומכוני דימות עמוסים, התרחיש מוכר: מטופל מגיע עם שיעול ממושך, אולי חנק בעבר, סריקת CT נראית "לא דרמטית". קל לשחרר הביתה. אם ה-FBA לא מזוהה, הוא יכול להוביל ל:

• זיהומים כרוניים.
• פגיעה ברקמת הריאה.
• צורך בניתוחים מורכבים במקום ברונכוסקופיה פשוטה יחסית.

כאן נכנס הערך המוסף של ה-AI כ"סט עיניים נוסף":

• התרעה על מקרים גבוליים שמומחה אנושי עשוי להחמיץ.
• סיוע בקבלת החלטה אם להמשיך לבירור פולשני.
• הפחתת הסיכון לאבחון מאוחר – שווה ערך להצלת ריאה, ולעיתים חיים.

דברי החוקרים מדגישים זאת: המערכת אינה מיועדת להחליף רדיולוגים, אלא לחזק אותם. היא מוסיפה שכבת ביטחון, במיוחד במקרים מורכבים או לא חד־משמעיים.

מבט מהזווית הישראלית: כך זה פוגש את מערכת הבריאות המקומית

עבור הקהל הישראלי – רופאים, יזמי HealthTech, חברות AI וסטארטאפים – זהו Case Study שמגלם כמה מגמות חזקות:

• דוגמה ברורה ל-AI ייעודי (Narrow AI) שמכוון לבעיה קלינית ספציפית, במקום מודל כללי ועמום.
• שילוב חכם של ידע תחומי (אנטומיית דרכי האוויר, דפוסי זרימת האוויר) עם יכולות Deep Learning.
• אימות מול מומחים אנושיים באופן שקוף ומדיד.

מערכות בריאות כמו הישראלית, עם אימוץ יחסית מהיר של PACS דיגיטלי, תשתיות נתונים מרכזיות וקִרבה בין קלינאים לסטארטאפיסטים, יכולות:

• לשלב מודלים כאלה כפלאג-אין למערכות CT קיימות.
• להריץ מחקרי ולידציה מקומיים על אוכלוסייה מגוונת.
• לחזק תחומים נוספים: גילוי מוקדם של סרטן ריאה, זיהוי חסימות כרוניות, סיווג דלקות ועוד.

הדגש החשוב: רגולציה, שקיפות וניתוח הטיות. גם החוקרים מ-Southampton מתכננים מחקרים רב-מרכזיים על אוכלוסיות רחבות, בדיוק כדי לוודא שהמודל לא "מתאים מדי" לדאטה של מרכזים בודדים.

מה המשמעות הטכנולוגית: מ"מודל חכם" לכלי קליני אמיתי

מאחורי הסיפור הזה יש גם לקח טכנולוגי למפתחי AI:

1. אינטגרציה עם workflow קיים: שימוש ב-MedpSeg ובהדמיית CT סטנדרטית מאפשר חסמי כניסה נמוכים לבתי החולים.
2. מדדים קליניים, לא רק AUC: השוואת Recall, Precision ו-F1 מול רדיולוגים היא בדיוק סוג השקיפות שהרגולטורים והקלינאים מחפשים.
3. Human-in-the-loop: המערכת משמשת עזר החלטה, לא מחליפה רופא. זה מודל אימוץ ריאלי הרבה יותר.

לאן זה הולך מכאן?

לפי החוקרים, השלב הבא כולל:

• מחקרי multi-center בינלאומיים עם אוכלוסיות גדולות ומגוונות.
• שיפור האלגוריתם להפחתת אזעקות שווא.
• בחינת שילוב בזמן אמת בחדרי מיון ובקרב צוותי רפואה דחופה.

אם הניסויים המורחבים יאשרו את התוצאות, ניתן לצפות שבעשור הקרוב מערכות AI לגילוי FBA רדיו־לוצנטי יהיו חלק מובנה מתוכנות קריאת CT, בדומה לאלגוריתמים לזיהוי דימומים מוחיים או תסחיפים ריאתיים שכבר נכנסים לשימוש.

בשורה התחתונה: זהו עוד ציון דרך ברור במסע שבו בינה מלאכותית לא רק מנתחת טקסטים ותמונות כלליות, אלא מתערבת באופן מדויק, מדיד וקליני – כדי שלא נפספס את מה שמסתתר בין הפיקסלים.