כלי בינה מלאכותית שיכול לנתח חריגות בצורה ובצורה של תאי דם, ובדיוק ואמינות גדולים יותר מאשר מומחים אנושיים, יכול לשנות את האופן שבו מאובחנים מצבים כמו לוקמיה.
חוקרים יצרו מערכת בשם CytoDiffusion שמשתמשת ב-AI יצירתי – אותו סוג של טכנולוגיה מאחורי מחוללי תמונות כמו DALL-E – כדי לחקור את הצורה והמבנה של תאי הדם.
שלא כמו מודלים רבים של AI, אשר מאומנים פשוט לזהות דפוסים, החוקרים – בראשות אוניברסיטת קיימברידג', אוניברסיטאי קולג' לונדון ואוניברסיטת קווין מרי בלונדון – הראו ש-CytoDiffusion יכול לזהות במדויק מגוון רחב של תאי דם נורמליים ולזהות תאים חריגים או נדירים שעלולים להעיד על מחלה. התוצאות שלהם מדווחות בכתב העת Nature Machine Intelligence.
איתור הבדלים עדינים בגודל, צורה ומראה של תאי דם הוא אבן יסוד באבחון הפרעות דם רבות. אבל המשימה דורשת שנים של הכשרה, וגם אז, רופאים שונים יכולים לחלוק על מקרים קשים.
לכולנו יש סוגים רבים ושונים של תאי דם בעלי תכונות שונות ותפקידים שונים בגופנו. תאי דם לבנים מתמחים במלחמה בזיהום, למשל. אבל לדעת איך נראית תא דם חריג או חולה תחת מיקרוסקופ היא חלק חשוב באבחון מחלות רבות".
סיימון Deltadahl מהמחלקה למתמטיקה שימושית ופיזיקה תיאורטית של קיימברידג', המחבר הראשון של המחקר
עם זאת, 'ממרח' דם טיפוסי מכיל אלפי תאים – הרבה יותר ממה שכל אדם יכול לנתח. "בני אדם לא יכולים להסתכל על כל התאים במריחה – זה פשוט לא אפשרי", אמר Deltadahl. "המודל שלנו יכול להפוך את התהליך הזה לאוטומטי, לבחון את המקרים השגרתיים ולהדגיש כל דבר חריג לביקורת אנושית".
"האתגר הקליני שעמד בפניי כרופא המטולוגיה זוטר היה שאחרי יום עבודה, אתמודד עם הרבה סרטי דם לנתח", אמרה הסופרת הבכירה, ד"ר סותש סיוופאלרטנם, מאוניברסיטת קווין מרי בלונדון. "כאשר ניתחתי אותם בשעות המאוחרות, השתכנעתי שה-AI יעשה עבודה טובה ממני."
כדי לפתח את CytoDiffusion, החוקרים אימנו את המערכת על למעלה מחצי מיליון תמונות של מריחות דם שנאספו בבית החולים Addenbrooke's בקיימברידג'. מערך הנתונים – הגדול מסוגו – כלל גם סוגי תאי דם נפוצים וגם דוגמאות נדירות יותר, כמו גם אלמנטים שיכולים לבלבל מערכות אוטומטיות.
על ידי מודל של התפלגות מלאה של מראה תאים במקום רק ללמוד להפריד בין קטגוריות, ה-AI הפך חזק יותר להבדלים בין בתי חולים, מיקרוסקופים ושיטות צביעה, ומסוגל לזהות טוב יותר תאים נדירים או חריגים.
בבדיקות, CytoDiffusion יכלה לזהות תאים חריגים הקשורים ללוקמיה ברגישות גדולה בהרבה ממערכות קיימות. זה גם התאים או התעלה על הדגמים העדכניים ביותר, אפילו כשניתן לו הרבה מאוד דוגמאות לאימון; ולכמת את חוסר הוודאות של עצמו.
"כשבדקנו את הדיוק שלה, המערכת הייתה מעט טובה יותר מבני אדם", אמר Deltadahl. "אבל המקום שבו זה באמת בלט היה לדעת מתי זה לא בטוח. המודל שלנו לעולם לא היה אומר שזה בטוח ואז יטעה, אבל זה משהו שבני אדם עושים לפעמים".
"הערכנו את השיטה שלנו מול רבים מהאתגרים הנראים בבינה מלאכותית בעולם האמיתי, כמו תמונות שטרם נראו, תמונות שצולמו על ידי מכונות שונות ומידת אי הוודאות בתוויות", אמר מחבר שותף בכיר פרופסור מייקל רוברטס, גם הוא מהמחלקה למתמטיקה שימושית ופיזיקה תיאורטית של קיימברידג'. "מסגרת זו נותנת ראייה רב-גונית של ביצועי מודל אשר אנו מאמינים שתועיל לחוקרים."
הצוות גם הראה ש-CytoDiffusion יכול ליצור תמונות של תאי דם סינתטיים שלא ניתן להבחין בהם מאלה האמיתיים. ב'מבחן טיורינג' עם עשרה המטולוגים מנוסים, המומחים האנושיים לא היו טובים יותר מאשר סיכוי לדעת אמיתי מתוך תמונות שנוצרו בינה מלאכותית.
"זה באמת הפתיע אותי," אמר דלתאדל. "אלה אנשים שבוהים בתאי דם כל היום, ואפילו הם לא ידעו לזהות."
כחלק מהפרויקט, החוקרים משחררים את מה שלדבריהם הוא מערך הנתונים הגדול ביותר בעולם של תמונות מריחת דם היקפית: יותר מחצי מיליון בסך הכל.
"על ידי הפיכת המשאב הזה לפתוח, אנו מקווים להעצים חוקרים ברחבי העולם לבנות ולבדוק מודלים חדשים של בינה מלאכותית, להפוך את הגישה לנתונים רפואיים באיכות גבוהה, ולבסוף לתרום לטיפול טוב יותר בחולים", אמר Deltadahl.
בעוד שהתוצאות מבטיחות, החוקרים אומרים כי CytoDiffusion אינו תחליף לרופאים מיומנים. במקום זאת, הוא נועד לתמוך בהם על ידי סימון מהיר של מקרים חריגים לבדיקה וטיפול אוטומטי יותר בשגרה.
"הערך האמיתי של AI בתחום הבריאות אינו טמון בקירוב המומחיות האנושית בעלות נמוכה יותר, אלא במתן כוח אבחוני, פרוגנוסטי ומרשם גדול יותר ממה שמומחים או מודלים סטטיסטיים פשוטים יכולים להשיג", אמר מחבר בכיר פרופסור פרשקב נאצ'ב מ-UCL. "העבודה שלנו מציעה שבינה מלאכותית גנרטיבית תהיה מרכזית במשימה הזו, שתשנה לא רק את הנאמנות של מערכות תמיכה קליניות אלא את התובנה שלהן לגבי גבולות הידע שלהן. המודעות ה'מטקוגניטיבית' הזו – לדעת מה שלא יודעים – היא קריטית לקבלת החלטות קליניות, וכאן אנו מראים שמכונות עשויות להיות טובות יותר בזה מאיתנו".
החוקרים אומרים כי נדרשת עבודה נוספת כדי להפוך את המערכת למהירה יותר ולבדוק אותה על פני אוכלוסיות מטופלים מגוונות כדי להבטיח הוגנות ודיוק.
המחקר נתמך בחלקו על ידי אתגר טריניטי, Wellcome, קרן הלב הבריטית, אוניברסיטת קיימברידג' בתי החולים NHS Trust, Barts Health NHS Trust, NIHR Cambridge Biomedical Centre, NIHR UCLH Biomedical Research Centre, ו-NHS Blood and Transplant. המחקר נערך על ידי קבוצת העבודה הדמיה בתוך ספירת הדם! קונסורציום, שמטרתו להשתמש בבינה מלאכותית לשיפור אבחון הדם ברחבי העולם. סיימון Deltadahl הוא חבר במכללת לוסי קוונדיש, קיימברידג'.
