בינה רב‑מודלית לסינון אופורטוניסטי, דירוג שלבים וסיכון להחמרה במחלת כבד שומני

מדוע שומן וצלקות בכבד חשובים לכולם

מחלת כבד שומני כבר אינה נדירה או שולי: בערך אחד מתוך שלושה מבוגרים ברחבי העולם יש בצקת שומן בכבד, והמספר הזה רק עולה. אצל רבים היא שקטה, אך אצל אחרים היא גורמת לצלקת מסוכנת (פיברוזיס), לצירוזיס, לסרטן הכבד ולבעיות לב. במקביל, מיליוני אנשים עוברים כבר בדיקות CT מסיבות אחרות—כאב בחזה, מעקב אחרי סרטן או בדיקות שגרתיות—ולעיתים אין שמים לב לכבד. המחקר שואל שאלה פשוטה אך עוצמתית: האם ניתן להשתמש בבינה מלאכותית (AI) כדי לסרוק בשקט את התמונות הקיימות האלה, לסמן מחלת כבד נסתרת ולעזור לרופאים לפעול לפני שמתרחשת פגיעה משמעותית?

עוזר AI חדש שנבנה מנתוני בית חולים בעולם האמיתי

החוקרים פיתחו מערכת בינה רב‑מודלית שנקראת MAOSS (Multi‑modal AI for Opportunistic hepatic Steatosis Screening). במקום להסתמך על סוג מידע אחד, MAOSS משלבת שלושה מרכיבים: תמונות CT תלת‑ממדיות ללא חומר ניגוד של הכבד, תוצאות בדיקות דם סטנדרטיות ופרטים קליניים בסיסיים כגון גיל ומשקל הגוף. הצוות אימן את המערכת על יותר מ‑2,000 מטופלים מבית חולים גדול בסין, כולל כמעט 1,000 שמדגם כבד שלהם נבדק בהיסטולוגיה (התקן הזהב) ולמעלה מ‑1,100 שיעוריהם כללו דוחות רנטגן מפורטים. התערובת הזו איפשרה ל‑AI ללמוד הן מהתיוגים המדויקים ביותר (ביופסיות) והן מהדוחות הרחבים והקלים לאיסוף שמשתמשים בהם בשגרה.

למדו את ה‑AI לקרוא גם שומן וגם צלקות

MAOSS תוכננה לענות על שתי שאלות מרכזיות מכל סריקת CT: כמה שומן יש בכבד (סטאטוזיס) ועד כמה מתקדם כל צלקת (פיברוזיס). לכך המודל מתייחס לשלבי המחלה כסולם מסודר—מאין, דרך קל, בינוני ועד חמור—ומלמד למקם כל מטופל בסולם המתאים. עיצוב «רב‑מודלי» מיוחד מאפשר למערכת להתמודד בצורה גמישה עם מידע חסר; למשל, היא עדיין יכולה לפעול כאשר חלק מבדיקות הדם אינן זמינות ולהישען יותר על ההדמיה. החוקרים הוסיפו גם כלי להסבר המבוסס על "גרדיאנטים משולבים" (integrated gradients), המדגיש את האזורים והצפיפויות הספציפיות בתמונה של הכבד המשפיעות ביותר על החלטת ה‑AI, ומספק לרופאים מפת חום של שינויים שומניים חשודים.

כמה טוב MAOSS מתמודד ביחס לכלים קיימים

כאשר נבחנה על קבוצות שונות של מטופלים ממספר בתי חולים—כולל קולקטיב חיצוני וקבוצה עם מדידות שומן בכבד מבוססות MRI—MAOSS הפגינה דיוק גבוה גם בזיהוי שומן קל בכבד, עם שטחים מתחת לעקומת ROC (AUC) בסביבות 0.90–0.93. היא גם הציגה ביצועים טובים בזיהוי פיברוזיס קליני חשוב, עם AUCs סביב 0.82–0.89. הציונים הללו היו בעקביות טובים יותר ממודלים שהשתמשו רק בתמונות, רק בנתונים קליניים או במדדים סטנדרטיים המבוססים על אולטרסאונד כגון אלסטוגרפיה טרנזיינטית. במחקר קוראים שכלל 11 רדיולוגים, MAOSS שימשה כעוזר: כאשר הרופאים ראו את הציון של ה‑AI לצד ה‑CT, יכולתם לזהות כבד שומני בשלבים מוקדמים השתפרה באופן ניכר, במיוחד בהבחנה בין כבד תקין לכבד עם מחלה עדינה.

להפוך סריקות שגרתיות לרשת התרעה מוקדמת

הצוות המשיך לשאול כיצד MAOSS עשויה לפעול במציאות המסובכת של הרפואה היומיומית. הם יישמו את המערכת על יותר מ‑18,000 סריקות CT מהעולם האמיתי מאירועי מיון, חולים מאושפזים, מטופלים חיצוניים ומרכזי בדיקות בריאות, שרובן הוזמנו במקור מסיבות שאינן קשורות לכבד. ההערכות של MAOSS לגבי "כבד שומני" מול "כבד לא שומני" התיישבו היטב עם דוחות הרדיולוגים, במיוחד באוכלוסיות גדולות של בדיקות פיזיות. לאחר מכן שילבו את MAOSS בקו הנחיה רפואי קיים שמחליט אילו מטופלים עם כבד שומני יש להפנות למומחה. בקבוצת אנשים עם ביופסיה מאומתת של 1,192 איש, המסלול המשודרג ב‑MAOSS זיהה כ‑שליש יותר מטופלים בסיכון להתקדמות לסטאטוהפטיטיס או לפיברוזיס מתקדם מאשר הגישה הסטנדרטית המבוססת רק על מדידות אולטרסאונד, תוך שמירה על סינון בטוח של אנשים בסיכון נמוך.

מה זה אומר למטופלים ולטיפול בעתיד

לציבור הרחב, המסר המרכזי הוא שהתמונות של CT שכבר מבוצעות לצורך בעיות בריאות אחרות יכולות לשמש כפילטר שקט למחלת כבד, בלי תורים נוספים או פרוצדורות פולשניות. על ידי קריאה אוטומטית של תמונות CT לצד בדיקות דם שגרתיות, MAOSS יכולה לתפוס כבד שומני וצלקת מדאיגה מוקדם יותר מהשיטות המסורתיות, לעזור לרדיולוגים לזהות מחלה עדינה שייתכן והיו מפספסים ולדרג באופן מדויק יותר מטופלים לסיכון נמוך, בינוני וגבוה להתקדמות לצירוזיס. בעוד שהמחברים מציינים שנדרשים מחקרים רחבים וארוכי‑טווח יותר ושה־AI אינו מושלם, ממצאיהם מרמזים שבינה רב‑מודלית עשויה להפוך לחלק חשוב במניעת מחלות כבד חמורות לפני שהן מתקדמות בשקט.

ציטוט: Gao, Y., Li, C., Chang, W. et al. Multi-modal AI for opportunistic screening, staging and progression risk stratification of steatotic liver disease. Nat Commun 17, 1562 (2026). https://doi.org/10.1038/s41467-026-68414-3

מילות מפתח: מחלת כבד שומנית, בינה רפואית, הדמיית CT, צלקת כבד (פיברוזיס), סינון אופורטוניסטי