תוצאת חיפוש

 יישומי בינה מלאכותית ברפואה נפוצים בעשורים האחרונים. למידת מכונה, ענף של בינה מלאכותית, היא מתודולוגיה המאפשרת למחשבים ללמוד מתוך דוגמאות ולהסיק מסקנות על נתונים חדשים. ההתקדמות בבינה מלאכותית ובלמידת מכונה עשויה למלא תפקיד מרכזי בקבלת החלטות קליניות בשיקום, באבחון לקויות, בפיתוח ושיפור פרוטוקולים קיימים ובבניית תוכניות שיקום מותאמות אישית. בנוסף, יישומי בינה מלאכותית בשיקום עתידים להשתלב בטיפול לצורך שיפור הלקות בתפקודי הגוף ובהפעלת עזרים ממוחשבים, לפיצוי על תפקודי גוף שלא ניתן להשיבם (שימוש בממשקי אדם-מכונה).

הפתולוגיה היא חלק בלתי נפרד מהרצף האבחוני והטיפולי בעולם הרפואה, ויש לה חלק משמעותי בתהליכי  קבלת ההחלטות. תחום הפתולוגיה מוביל את עולם הרפואה המותאמת אישית, והוא ממלא תפקיד חשוב בתהליכים רבים הן בשדה הקליני והן בשדה הרפואה התרגומית.

פתולוגיה דיגיטלית היא תחום מתפתח שעשוי לתפוס בעתיד חלק משמעותי מצורת העבודה בפתולוגיה.

רעיונות שונים המכוונים לעיבוד דיגיטלי של דוגמאות רקמה קיימים מזה עשרות שנים, אך תחילת הפיתוחים המשמעותיים שאפשרו לפתולוגיה הדיגיטלית להתפתח למימדים שאנו רואים כיום (ועודם הולכים וגדלים), קרוב לוודאי שהחלה לפני מעט יותר מ-20 שנה – אז פותח הסורק הראשון שמסוגל לסרוק סלייד שלם, תחום שהלך והתפתח במהירות.

לצד החידושים הטכנולוגיים הללו, עולם הרפואה כולו מתקדם אל עבר גישות של רפואה מותאמת אישית, ושני אלה יחד מקדמים את עולם הפתולוגיה לכיוון המתבסס על פתולוגיה דיגיטלית – תחום שתופס נפחים הולכים וגדלים בעבודת הפתולוג. בראש ובראשונה התחום נותן תשתית לעבודת האבחון השגרתית, ועם התקדמותו יאפשר מיצוי מתקדם ומשופר של מידע מתוך אותן דגימות שעימן אנו עובדים כיום וקידום תחומים רבים, ביניהם רפואה מותאמת אישית, פיתוח תרופות חדשות, גילוי ביומרקרים ומטרות טיפוליות חדשות, מחקר אונקולוגי, מחקר אימונו-אונקולוגי ועוד.

בסקירה זו נדווח בקצרה על מהות הפתולוגיה הדיגיטלית, הפיתוח שלה, שיטות עיבוד מידע חדשות מבוססות בינה מלאכותית ולמידה עמוקה, יתרונות חסרונות ותפקידם של אלה בעשייה הקלינית ובמחקר הקליני והתרגומי כאחד, ונציג דוגמאות ליישום הרחב הנעשה בה.

ישראל נמצאת מתחת לממוצע העולמי של תמותה מסרטן הודות לאבחון מוקדם וטיפול מתקדם. למרות זאת, מדי שנה כ-30,000 מטופלים מאובחנים עם סרטן ו-11,000 נפטרים מן המחלה. חלק גדול מהמטופלים מאובחנים בשלב מתקדם של המחלה, כאשר כבר לא ניתן להציע ניתוח מרפא. גילוי והתערבות מוקדמים הוכחו כבעלי חשיבות גדולה ביותר בהפחתת תחלואה ותמותה מסרטן. אולם למרות שימוש קליני במספר מוגבל של טכנולוגיות, הרי שטכנולוגיות לאיתור ממאירות מוקדם ככל הניתן, עד כדי ניבוי ממאירות זמן רב לפני זיהויה הקליני, עדיין קיימות במסגרת פיתוח ומחקרים קליניים בלבד, כשהאתגר העיקרי הוא פיתוח בדיקה בעלת רגישות גבוהה מצד אחד, ומצד שני בעלת סגוליות (ספציפיות) מספקת למניעת בדיקות המשך מיותרות.

בשנים האחרונות, מספר טכניקות לחיזוי ממאירות הבשילו לכדי ניסויים קליניים ראשוניים, ומאמר זה סוקר את המתקדמות שבהן. בין הגישות הבולטות ניתן לציין בדיקת דם לאיתור מוטציות סרטניות או דפוסי מתילציה של דנ"א בזרם הדם, וכן יישום טכנולוגיות של למידת מכונה לחיזוי ממאירות על סמך סקירת תיקים רפואיים ממוחשבים ומעבר על בדיקות דימות.

הפתולוגיה היא חלק בלתי נפרד מהרצף האבחוני והטיפולי בעולם הרפואה, ויש לה חלק משמעותי בתהליכי  קבלת ההחלטות. תחום הפתולוגיה מוביל את עולם הרפואה המותאמת אישית, והוא ממלא תפקיד חשוב בתהליכים רבים הן בשדה הקליני והן בשדה הרפואה התרגומית.

פתולוגיה דיגיטלית היא תחום מתפתח שעשוי לתפוס בעתיד חלק משמעותי מצורת העבודה בפתולוגיה.

רעיונות שונים המכוונים לעיבוד דיגיטלי של דוגמאות רקמה קיימים מזה עשרות שנים, אך תחילת הפיתוחים המשמעותיים שאפשרו לפתולוגיה הדיגיטלית להתפתח למימדים שאנו רואים כיום (ועודם הולכים וגדלים), קרוב לוודאי שהחלה לפני מעט יותר מ-20 שנה – אז פותח הסורק הראשון שמסוגל לסרוק סלייד שלם, תחום שהלך והתפתח במהירות.

לצד החידושים הטכנולוגיים הללו, עולם הרפואה כולו מתקדם אל עבר גישות של רפואה מותאמת אישית, ושני אלה יחד מקדמים את עולם הפתולוגיה לכיוון המתבסס על פתולוגיה דיגיטלית – תחום שתופס נפחים הולכים וגדלים בעבודת הפתולוג. בראש ובראשונה התחום נותן תשתית לעבודת האבחון השגרתית, ועם התקדמותו יאפשר מיצוי מתקדם ומשופר של מידע מתוך אותן דגימות שעימן אנו עובדים כיום וקידום תחומים רבים, ביניהם רפואה מותאמת אישית, פיתוח תרופות חדשות, גילוי ביומרקרים ומטרות טיפוליות חדשות, מחקר אונקולוגי, מחקר אימונו-אונקולוגי ועוד.

בסקירה זו נדווח בקצרה על מהות הפתולוגיה הדיגיטלית, הפיתוח שלה, שיטות עיבוד מידע חדשות מבוססות בינה מלאכותית ולמידה עמוקה, יתרונות חסרונות ותפקידם של אלה בעשייה הקלינית ובמחקר הקליני והתרגומי כאחד, ונציג דוגמאות ליישום הרחב הנעשה בה.

ישראל נמצאת מתחת לממוצע העולמי של תמותה מסרטן הודות לאבחון מוקדם וטיפול מתקדם. למרות זאת, מדי שנה כ-30,000 מטופלים מאובחנים עם סרטן ו-11,000 נפטרים מן המחלה. חלק גדול מהמטופלים מאובחנים בשלב מתקדם של המחלה, כאשר כבר לא ניתן להציע ניתוח מרפא. גילוי והתערבות מוקדמים הוכחו כבעלי חשיבות גדולה ביותר בהפחתת תחלואה ותמותה מסרטן. אולם למרות שימוש קליני במספר מוגבל של טכנולוגיות, הרי שטכנולוגיות לאיתור ממאירות מוקדם ככל הניתן, עד כדי ניבוי ממאירות זמן רב לפני זיהויה הקליני, עדיין קיימות במסגרת פיתוח ומחקרים קליניים בלבד, כשהאתגר העיקרי הוא פיתוח בדיקה בעלת רגישות גבוהה מצד אחד, ומצד שני בעלת סגוליות (ספציפיות) מספקת למניעת בדיקות המשך מיותרות.

בשנים האחרונות, מספר טכניקות לחיזוי ממאירות הבשילו לכדי ניסויים קליניים ראשוניים, ומאמר זה סוקר את המתקדמות שבהן. בין הגישות הבולטות ניתן לציין בדיקת דם לאיתור מוטציות סרטניות או דפוסי מתילציה של דנ"א בזרם הדם, וכן יישום טכנולוגיות של למידת מכונה לחיזוי ממאירות על סמך סקירת תיקים רפואיים ממוחשבים ומעבר על בדיקות דימות.

הבינה המלאכותית הוצגה לראשונה בשנת 1956 ומהווה מרכיב מרכזי במהפכה התעשייתית הרביעית בתולדות האנושות. עם הזמן הפכה שיטה זו לשיטה המועדפת לניתוח תמונות רפואיות. כיום, היישומים של בינה מלאכותית בתחום הרפואה בכלל ורפואת עיניים בפרט מגוונים וכוללים אבחון ומעקב אחר התפתחות מחלות עיניות. לדוגמה, אלגוריתמים של בינה מלאכותית יכולים לזהות אקטזיות וסימנים פרה-קליניים של קרטוקונוס (קרנית חרוטית) באמצעות צילומים ופלט נתונים ממיפויי קרנית שונים.

למידת מכונה (Machine Learning) היא טכניקה ספציפית ליישום של בינה מלאכותית. היא מוגדרת כסדרה של שיטות אוטומטיות לזיהוי דפוסים ותבניות במידע נתון ומתן תחזית עתידית. טכנולוגיה זו יושמה לראשונה כבר בשנות השמונים של המאה הקודמת. למידה עמוקה ((Deep Learning היא סוג מתקדם של למידת מכונה בהשראת מידול פעולת המוח האנושי, הבנויה כשכבות שכל אחת אחראית על זיהוי תבניות ובכך מצליחה למדל תופעות מורכבות. היתרון המשמעותי של למידה עמוקה ברפואה הוא בכך שהיא מאפשרת מעקב וניטור זול ויעיל. למידה עמוקה נמצאת בשימוש במעקב במחלות עיניים כגון רטינופתיה סוכרתית, ניוון מקולרי תלוי גיל, גלאוקומה (ברקית), ירוד (קטרקט) ורטינופתיה של הפגות. מחלות אלה ואחרות דורשות מעקב תכוף על מנת לבחון שינויים לאורך זמן. טכנולוגיית מחשוב זו היא אמנם בעלת חשיבות רבה לזיהוי ודירוג מחלות עיניים שונות אך זקוקה עדיין למספר אישורים קליניים נוספים על מנת שתוכל להוות עזר רשמי בשימוש נרחב ליכולת אבחנתית אנושית.