מה רואה הבינה המלאכותית בתמונות הרפואיות שנסתר מעינינו?

כיצד הבינה המלאכותית מסייעת לרופאים לפענח תמונות רפואיות?

הנדסה לאחור של בינה מלאכותית. שיטה חישובית שפיתחו חוקרים מאוניברסיטת בן-גוריון בנגב מאפשרת פירוק של תמונות רפואיות לרכיבים בעלי משמעות קלינית. הבנת מנגנון ההחלטה של מודלי בינה מלאכותית (AI) עשויה להשפיע על יישומים נרחבים בהבנה של תהליכים ביולוגיים ובעולם הרפואה. ממצאי המחקר פורסמו בכתב העת היוקרתי Nature Communications.

היתרונות והחסרונות של למידה עמוקה

"למידה עמוקה" באמצעות רשתות עצביות מלאכותיות היא שיטה חישובית מבוססת בינה מלאכותית המסוגלת ללמוד תבניות של קשרים המורכבים מנתונים באופן ישיר על ידי חיקוי של תהליך הלמידה במוח האנושי. החיסרון המרכזי בשימוש בשיטות מבוססות AI מהסוג הזה הוא חוסר היכולת להבין ולהסביר מה עומד מאחורי ההחלטה של הרשת העצבית. המגבלה הזו נובעת מכך שתהליך האימון של הרשת נערך באופן אוטומטי, ישירות מהנתונים, ללא התערבות אנושית. חסרון זה מהווה חסם משמעותי בפני שימוש רחב יותר בתחומים כגון ביולוגיה ורפואה בהם ההסבר לא פחות חשוב מהיכולת של המכונה לקבל החלטה נכונה.

שיטה חישובית חדשה לפענוח תמונות רפואיות

הדוקטורנט עודד רותם בהנחיית פרופ' אסף זריצקי, מהמחלקה להנדסת מערכות תוכנה ומידע באוניברסיטת בן-גוריון בנגב, פיתח שיטה חישובית שמאפשרת להנדס לאחור את ה-AI באמצעות פירוק תמונה לרכיבים בעלי משמעות סמנטית שבאמצעותם ה-AI מקבל את ההחלטה. בשיתוף פעולה עם חברת ההזנק הישראלית AIVF, החוקרים הדגימו את היכולת של הטכנולוגיה לאפיין את התכונות של העובר שהיו המשמעותיות ביותר ל-AI על מנת לקבל החלטה.

בכדי לוודא שניתן להפעיל את הטכנולוגיה בהקשרים מעבר לעולם ההפריה החוץ גופית, החוקרים הדגימו פרשנות של החלטת ה-AI גם עבור דימות MRI במוחות של חולי אלצהיימר ואף בתמונות שצולמו ע"י מצלמה רגילה  בכדי לפרש איך ה-AI מבחין בין כלבים לחתולים ובין גברים ונשים.

מאגר התמונות והצלחה של ה-AI בחיזוי איכות העוברים

צוות המחקר השתמש במאגר תמונות עשיר של אלפי עוברים מתהליך הפריה חוץ גופית שנאסף בחברת AIVF. דימות העוברים נערך באמצעות מיקרוסקופ אור, ומומחים להתפתחות העובר (אמבריולוגים) בחברה בחנו ודירגו כל עובר על סמך מספר תכונות כגון: גודל העובר ושרשרת תאים העוטפת אותו בשלבי ההתפתחות המוקדמים. החוקרים הוכיחו שה-AI מצליח במשימה של חיזוי איכות העובר עם ביצועים דומים למומחה האנושי, אך ה-AI לא הציע לחוקרים רמזים לגבי מהן תכונות העובר שהובילו להצלחת החיזוי.

"אמנם למידה עמוקה מאפשרת לזהות דפוסים נסתרים בנתוני הדמיה ביו-רפואיים שהעין האנושית לא מזהה, אך כדי להיות מסוגלים לאפיין ולקבל החלטות קליניות או מדעיות, עלינו לפתור את התעלומה ולגלות מה ה-AI זיהה, לפרש את המשמעות הביולוגית או הקלינית של ההסבר, ולהחליט לפי הפרשנות את הצעדים הבאים בטיפול או במחקר", הסביר פרופ' זריצקי.

בשלב הבא, פיתחו החוקרים שיטה חדשה בסגנון "דיפ-פייק", שמאפשרת, למשל, להחליף בתמונה פנים של אדם אחד באדם אחר. השיטה, הנושאת את השם  DISCOVER", מבוססת על רשת עצבית נוספת המסוגלת ליצור תמונות סינטטיות של עוברים באופן מבוקר. יצירת התמונות מבוססת על הגדרה של רכיבים מסוימים ברשת, כך שכל רכיב מצד אחד יהיה משמעותי בחיזוי איכות העובר ומצד שני יקודד חלקי תמונה בעלי משמעות. כל רכיב כזה מקודד חלקי תמונה ייחודיים תחת ההנחה שהם יתרגמו לתכונה חד משמעית ושונה בין רכיב לרכיב. שינוי הדרגתי של הרכיבים הללו, כל רכיב בנפרד, מאפשר יצירת תמונות של עוברים אשר כל אחד מהם שונה מתמונת האמת בתכונה אחת שחשובה לתהליך ההחלטה של ה-AI. באופן הזה ניתן להציג למומחה את אותו העובר במספר אופנים שונים, כך שבכל תמונה "מוגברת" באופן מלאכותי תכונה אחת, בעוד יתר התמונה נשארת ללא שינוי. בכך השיטה מאפשרת למומחה לפרש את אופן הפעולה של ה-AI ואף לציין כמה חשיבות קיבלה כל תכונה בהחלטה.

יישום DISCOVER ברפואה והפריה חוץ-גופית

באמצעות יצירת סדרת תמונות "מזויפות" של עוברים שמעולם לא התקיימו במציאות, הצליחו החוקרים לזהות שינוי בגודל העובר ובשרשרת התאים העוטפת את העובר – בהתאם לאופן ההחלטה של האמבריולוג בקליניקה. מעבר לכך, החוקרים הצליחו לזהות תכונה חדשה שה-AI זיהה כתכונה המייצגת עובר איכותי ללא הנחייה אנושית –  מבנה מסוים של חלל פנימי בעובר המכיל חומרים מזינים למסה הפנימית של התאים המתואר קלינית כ-"צפיפות הבלסטוציסט".

"אמבריולוגים מכירים היטב את חשיבותן של תכונות ביולוגיות מסוימות בקביעת איכות העובר, אך לעיתים קרובות העין האנושית מוגבלת ביכולתה למדוד ולהעריך אותן באופן מדויק", הסבירה דניאלה גלבוע, מנכ"לית חברת AIVF ואמבריולוגית קלינית בהכשרתה. "דוגמה מצוינת לכך היא צפיפות הבלסטוציסט, תכונה בעלת חשיבות רבה באיכות העובר שאינה נמצאת בשימוש קליני נרחב מכיוון שקשה מאוד למדוד ולכמת אותה בעין אנושית בעת בחינת העובר במעבדה. כעת, עם ההסבר הויזואלי של DISCOVER, ניתן לזהות ולנתח תכונות ביולוגיות חשובות מעין אלה באופן מדויק ואובייקטיבי יותר. כתוצאה מכך, אנו יכולים לשפר משמעותית את תהליך בחירת העובר בעל הסיכויים הגבוהים ביותר להשרשה מוצלחת ברחם, ובכך להגדיל את סיכויי ההצלחה של טיפולי הפוריות."

השלכות רחבות של השיטה על תחומים רפואיים נוספים

"היכולות של DISCOVER לזהות ולהגביר באופן מלאכותי דפוסי תמונה שחשובים ל-AI כדי לאפשר פרשנות, ניתנים לשימוש גם בתחומים של דימות ביולוגי, רפואי ובתחומים אחרים בהם הבינה המלאכותית היא כלי מסנן", ציין עודד רותם, הדוקטורנט שהגה ופיתח את השיטה. ד"ר גלית מזוז פרלמוטר, מחברת BGN, חברת המסחור של אוניברסיטת בן גוריון בנגב, גם ציינה את הפוטנציאל הגלום בשיטה החישובית: "הפיתוח של פרופ' זריצקי וצוות המעבדה בעל חשיבות יישומית עבור תחומים שונים בעולם הרפואה".

שיתוף פעולה ומימון המחקר

בצוות המחקר השתתפו תמר שוורץ, רון מאור, ישי טאובר, מאיה צרפתי-שפירו, דניאלה גלבוע ופרופ' דניאל זיידמן מחברת AIVF, וכן פרופ' מרכוס מסגר ממרפאת הפוריות IVI בולנסיה אשר בספרד.

מחקר זה נתמך על ידי קרן Rosetree Trust ועל ידי המועצה הישראלית להשכלה גבוהה באמצעות מרכז המחקר למדעי הנתונים, אוניברסיטת בן-גוריון בנגב.

חדשנות טכנולוגית בעמדות טעינה של טסלה