בינה מלאכותית התפוצצה בפופולריות בשנים האחרונות, ותומכים רבים מתלהבים מהשימושים הפוטנציאליים שלה ברפואה: למשל, עיבוד דגימות במהירות או זיהוי סמני מחלה שעלולים להחמיץ בעין האנושית. עם זאת, האם יישום AI תמיד הוא האפשרות הטובה ביותר?
חוקרים מצאו שבעוד ששיטת AI הנקראת צביעה וירטואלית יכולה לשפר את השימוש בתמונות רפואיות במקרים מסוימים, במצבים אחרים היא עשויה למעשה להפחית את היכולת לקבל מידע שימושי מאותן תמונות. באופן כללי, הם מעודדים זהירות כאשר מחליטים אם להחיל AI על זרימת עבודה נתונה, כדי להבטיח שזה אכן משפר את הדיוק בהשוואה לשיטות אחרות.
"המסקנה הכללית היא שבינה מלאכותית יכולה להיות כלי נהדר – זה עוזר במקרים מסוימים – אבל אתה צריך להיות קצת זהיר", אמרה סוריה סנגופטה, סטודנטית לתואר שני במכון בקמן למדע וטכנולוגיה מתקדמים והמחברת הראשית של מחקר זה.
מחקר זה נערך על ידי חוקרים במרכז להדמיה נטולת תווית וביופוטוניקה מרובה קנה מידה, שמטרתו לשפר טכנולוגיות הדמיה ליישומים קליניים ומחקריים על ידי פיתוח שיטות ואלגוריתמים חדשים להדמיה. בנוסף ל-Sengupta, חוקרי CLIMB Phuong Nguyen, Frank Brooks, Yang Liu ומארק Anastasio כולם שיתפו פעולה בפרויקט זה.
לרובנו צולמה תמונה רפואית במהלך תור לרופא, כמו אולטרסאונד, MRI או רנטגן. כלים חיוניים אלו עוזרים לחוקרים ולרופאים לאבחן מחלות, לבדוק טיפולים חדשים ולנטר את בריאות המטופל. סוג נפוץ נוסף של תמונות רפואיות הן תמונות מיקרוסקופיה, המאפשרות לרופאים להתבונן מקרוב בדגימות רקמות ותאים מוגדלות.
כדי לשפר את הניגודיות של תמונת מיקרוסקופיה – למשל, כדי לגרום לחלק מסוים בתא לבלוט כך שהרופאים יוכלו לנתח את תכונותיו – דגימות הרקמה או התא מוכתמות לעתים קרובות באמצעות צבעים או כימיקלים אחרים. בעוד ששימוש נרחב, צביעה עשויה להיות אינטנסיבית זמן ועלולה לגרום נזק לתאים.
הדמיה ללא תווית היא חלופה לצביעה שבה לא מוסיפים כימיקלים לדגימה. במקום זאת, חוקרים משתמשים בתכונות טבעיות של חומרים ביולוגיים כדי לבצע תצפיות וליצור תמונות. לדוגמה, מדידת הדרכים השונות שבהן האור עובר דרך עצמים שקופים כמו תאים נותנת לנו מידע על צפיפות תאים וגדילה.
עם זאת, לשיטה זו יש גם חסרונות. תמונות ללא תוויות עדיין נוטות להיות פחות ניגודיות מאשר תמונות מוכתמות, מה שעלול להקשות על זיהוי תכונות מפתח. כדי לשפר את התועלת והאמינות של תמונות ללא תוויות, קיים לאחרונה התעניינות בשיטה חדשה בשם צביעה וירטואלית.
בתהליך הצביעה הוירטואלית, מודל חישובי מנתח תמונה נטולת תווית ומנבא איך התמונה תיראה מוכתמת. באופן אידיאלי, זה יביא לתמונה עם ניגודיות גבוהה של תמונה מוכתמת, אך מופקת הרבה יותר מהר וללא פוטנציאל לפגיעה כימית בדגימה. עם זאת, חשוב לאשר שהתמונות המוכתמות הללו הן באמת מדויקות ושימושיות עבור גילויים ביולוגיים ויישומים קליניים.
"ברפואה או בגילוי תרופות, צילום תמונות אינו המטרה הסופית", אמר סנגופטה. "בהדמיה ביו-רפואית, אנחנו תמיד חושבים במונחים של משימה: אפליקציה ביולוגית או קלינית שהתמונות נועדו לשרת. אז התחלנו לשאול: התמונות הללו שנוצרו בחישוב עשויות להיראות אמיתיות, אבל האם הן באמת עוזרות במשימה האמיתית?"
אחד האתגרים הגדולים ביותר בתשובה לשאלה מסוג זה הוא פשוט להחזיק מספיק נתונים. לעתים קרובות, חוקרים זקוקים לקבוצות גדולות של תמונות זוגיות – אחת מהדמיה ללא תווית והשנייה מצביעת פלורסנט – כדי לאמן ולבדוק מודלים שונים של AI. למרבה המזל, הצוות של ליו פיתח לאחרונה את Omni-Mesoscope, מערכת הדמיה רבת עוצמה שיכולה ללכוד עשרות אלפי תאים במצבים שונים בתוך דקות, וליצור מערכי נתונים גדולים ואיכותיים. מערכי נתונים אלה סיפקו את הבסיס לבדיקת ביצועי תמונות מוכתמות במשימות אנליטיות בעולם האמיתי.
החוקרים בדקו את הביצועים של תמונות מוכתמות בהשוואה לתמונות ללא תוויות ותמונות מוכתמות בשתי משימות. ראשית, התמונות שימשו במשימת פילוח: תהליך שבו רשת עצבית מזהה גרעיני תאים בודדים וחותכת אותם כך שכל אחד מהם יהיה תמונה משלו. כמו חיתוך תמונה, זה מאפשר לחוקרים ולרופאים לחדד את החלקים החשובים ביותר של התמונה.
שנית, החוקרים השתמשו בתמונות במשימת סיווג תאים, שבה זיהתה הרשת באילו שלבים נמצאים תאים שונים לאחר טיפול תרופתי. למשימה זו יש יישומים לניטור יעילות התרופה במחקר ובטיפול במחלות.
השוואה של תמונות ללא תווית (עמודה ראשונה), מוכתמת כמעט (עמודות אמצעיות) ותמונות מוכתמות ניאון (עמודה אחרונה) של שני תאים. התא בשורה התחתונה טופל בתרופה, בעוד התא בשורה העליונה לא.
עבור שתי המשימות, החוקרים העריכו את הביצועים של רשתות שונות בעת שימוש בכל סוג של תמונה. החוקרים רצו לדעת אם ההצלחה היחסית של כל סוג תמונה תשתנה בהתאם למאפייני הרשת שבה נעשה שימוש, אז הם חזרו על המשימות באמצעות חמש רשתות שונות.
רשתות רבות מבצעות משימות דומות, אך רשתות מסוימות עשויות להיות טובות יותר מאחרות בייצוג פונקציות מורכבות או מערכות יחסים, בהתאם לאופן שבו הרשת מתוכנתת ללמוד. רשתות אלו נקראות רשתות בעלות קיבולת גבוהה. לרשתות ששימשו במחקר זה היו מגוון של יכולות, כך שהחוקרים יכלו לראות אם הקיבולת השפיעה על האופן שבו הרשתות השתמשו בתמונות המוכתמות כמעט.
כאשר הם מעובדים על ידי רשתות בעלות קיבולת נמוכה, התמונות כמעט מוכתמות פעלו הרבה יותר מהתמונות ללא תוויות. עם זאת, עם רשתות בעלות קיבולת גבוהה, זה לא היה המקרה. כאשר הוחל על משימת הפילוח, התמונות כמעט מוכתמות וללא תוויות ביצעו בערך אותו הדבר כאשר עבדו על ידי רשתות בעלות קיבולת גבוהה. עם זאת, כאשר הוחל על משימת סיווג התאים, התמונות המוכתמות כמעט פעלו בצורה גרועה יותר. במילים אחרות, בעת שימוש ברשת בעלת קיבולת גבוהה כדי לנתח את התמונות שלך, סביר יותר שתקבל מידע מדויק אם תשתמש בתמונות נטולות תוויות ולא בתמונות כמעט מוכתמות.
תוצאה זו עולה בקנה אחד עם תפיסה הנקראת אי-שוויון בעיבוד נתונים, הקובעת שעיבוד כל תמונה (כגון על ידי צביעה וירטואלית) אינו יכול להגדיל את המידע הכלול בתמונה זו, אמר סנגופטה. זה דומה לטיטוש בתצלום משפחתי: אפשר לטשטש את הרקע כדי להבליט את האנשים, אבל שום כמות עריכות לא תפקח את עיניו של מי שהמצמץ כשהתריס נלחץ.
רשתות בעלות קיבולת נמוכה כנראה נעזרות בתמונות כמעט מוכתמות מכיוון שעיבוד יכול להדגיש מידע חשוב. לעומת זאת, רשתות בעלות קיבולת גבוהה, שכבר יכולות לברור מערכות יחסים מורכבות מהתמונות נטולות התוויות, אינן נעזרות בהכתמה וירטואלית. תהליך הצביעה הוירטואלי עשוי אפילו להסיר מידע שהוא חיוני למשימות מסוימות, מה שעשוי להסביר מדוע תמונות מוכתמות פעלו גרוע יותר מתמונות ללא תוויות במשימת סיווג התא.
בעוד של-AI יש יישומים פוטנציאליים בתחומים רבים של שירותי בריאות, סנגופטה מזכירה לקלינאים, לחוקרים ולאנשי ציבור המעוניינים בטכנולוגיה זו להיות מודעים למגבלותיה. אם נעשה שימוש בבינה מלאכותית עבור משימה מסוימת, חשוב לוודא שזה אכן יועיל במצב זה.
"גם אם בינה מלאכותית היא מילת באז עכשיו, אתה צריך להיות קצת זהיר כאשר מיישמים אותה בתחומים רגישים כמו הדמיה ביו-רפואית ובריאות", אמר סנגופטה. "בהרבה מקרים, AI מאוד שימושי, אבל אולי זה לא תמיד."
