מערכת בינה מלאכותית פרשנית מקטינה אבחנות MRI חיוביות שווא על ידי סיווג נגעי שד בסיכון גבוה

סריקות חכמות יותר, פחות פרוצדורות מיותרות

MRI של השד הוא אחד הכלים הטובים ביותר לגילוי מוקדם של סרטן, במיוחד בנשים בסיכון גבוה, אך לעתים קרובות הוא רואה "יותר מדי" ומסמן המון מוקדים חסרי חשד כחשודים. ממצאים אלו באיזור האפור מובילים לחרדה, בדיקות נוספות וביופסיות כואבות שהופכות בסופו של דבר לשפירות. המחקר מציג מערכת בינה מלאכותית חדשה שקוראת סריקות MRI של השד לצד הרדיולוגים ועוזרת להבחין בנגעים המסוכנים באמת מאלו שניתן לעקוב אחריהם בבטחה, במטרה לתפוס סרטן בלי לשלוח כל כך הרבה נשים לשולחן הביופסיה.

בעיית הממצאים הבלתי ודאיים ב‑MRI של השד

כאשר רדיולוגים קוראים MRI שד, הם מסמנים אזורים חשודים באמצעות סקלה שנקראת BI-RADS. קטגוריה 4 היא הבעיה הגדולה: היא כוללת נגעים שבהם הסבירות לסרטן נעה בין 2% ל‑95%. מכיוון שהטווח הזה כל כך רחב, הכלל המקובל כיום הוא לעשות ביופסיה כמעט לכל נגע בקטגוריה זו. כתוצאה מכך, נשים רבות עוברות פרוצדורות פולשניות בעבור נגעים שמתבררים כשפירים. בנוסף, פרשנות ה‑MRI היא סובייקטיבית. רדיולוגים שונים, ובמיוחד כאלה עם פחות ניסיון, עשויים לא להסכים לגבי אותה סריקה — לפעמים לקרוא על נגעים שפירים כחשודים או לפספס סרטן דק. החוקרים שאפו לבנות כלי שמקטין את חוסר הוודאות הזה ושמתאים לשגרת העבודה של בתי החולים.

שותף בינה מלאכותית שאומן על אלפי סריקות

החוקרים פיתחו את מערכת ניתוח נגעי BI-RADS 4, או BL4AS, מודל בינה מלאכותית שנועד במיוחד לממצאים אלה — מסוכנים אך מעורפלים. בשונה ממערכות קודמות שהסתמכו על תמונה אחת, BL4AS בוחנת נקודות זמן מרובות לאחר הזרקת חומר ניגוד, ועוקבת כיצד כל נגע מאיר ודועך עם הזמן. דפוסים משתנים אלה נושאים רמזים חשובים לגבי האם הרקמה סבירה להיות שפירה או ממאירה. הצוות קודם כל עיצב מודל "בסיסי" גדול שאומן על יותר מ‑17,000 נפחי MRI כדי ללמוד תכונות דימות כלליות, ואז כיוונן אותו על 2,803 נגעים ב‑BI-RADS 4 מ‑2,686 נשים שטופלו בשלושה מרכזים רפואיים. המערכת גם מתארת את גבולות הנגע וגם מסווגת אותו כסיכון נמוך או גבוה, ומספקת הסתברות שמדובר בסרטן.

עוקפת קוראים אנושיים במרפאות אמיתיות

כדי לבדוק עד כמה BL4AS פועלת מחוץ למעבדה, המחברים בדקו אותה על נתונים עצמאיים מבתי חולים אחרים ועל קבוצת מטופלות חדשה שנגבתה לפרוספקטיבית. בכל הסביבות האלה ה‑AI הראה דיוק חזק ובמיוחד רגישות ספציפית גבוהה בהרבה מרדיולוגים — כלומר, הוא היה טוב יותר בזיהוי נגעים שפירים ובהימנעות מאותות שווא. במחקר קוראים פרוספקטיבי, שמונה רדיולוגים פירשו תחילה מקרים לבד ולאחר מכן קראו אותם שוב בסיוע BL4AS. בעזרת ה‑AI, הדיוק האבחוני שלהם עלה, שיעור התוצאות החיוביות השווא ירד ביותר מרבע, וההסכמה בין הקוראים שופרה באופן ניכר. רדיולוגים צעירים נהנו מהשיפור ביותר, ובסיוע המערכת ביצועיהם כמעט השוו לאלה של עמיתים וותיקים.

עושה את החלטות ה‑AI שקופות ובעלות ערך קליני

מכיוון שמטפלים נבונים חוששים מ"קופסאות שחורות" של בינה מלאכותית, הצוות בנה הסברים חזותיים. BL4AS מייצרת מפות חום המדגישות אילו חלקים של הנגע השפיעו על ההחלטה, לעתים תוך התמקדות בצורות בלתי סדירות, בקצוות חדים ובדפוסי הגברה יוצאי דופן שרדיולוגים כבר מקשרים עם סרטן. המערכת גם הולכת צעד מעבר לניבוי כן/לא לסרטן על ידי הקצאת נגעים לתת‑קבוצות BI-RADS 4A, 4B או 4C שמשקפות סיכון עולה. במערכי מבחן חיצוניים, תת‑הקטגוריות שהוגדרו על ידי ה‑AI התאימו באופן הדוק לשיעורי הסרטן בפועל ועשו עבודה טובה יותר מרדיולוגים הן בזיהוי נגעים בסיכון נמוך שניתן להימנע מלבצע להם ביופסיה והן בסימון נגעים בסיכון גבוה שראוי לטפל בהם במהירות.

מה זה עשוי להוביל עבור מטופלות

בסך הכל, המחקר מצביע על כך שעוזר בינה מלאכותית פרשני כמו BL4AS יכול לסייע לרדיולוגים לקרוא סריקות MRI של השד ביתר עקביות, להקטין ביופסיות מיותרות ועדיין לשמור מרווח בטיחות גבוה מאוד מפני פספוסי סרטן. על ידי שימוש בעושר המלא של נתוני MRI תלויי‑זמן והצגת ההיגיון שלו בצורה נגישה לאדם, המערכת מציעה דרך מעשית לקראת טיפול מותאם יותר בסרטן השד: נשים עם נגעים שמדאיגים באמת יוכלו לעבור במהירות לטיפול, בעוד אלה עם ממצאים בסיכון נמוך עשויות להימנע מפרוצדורות פולשניות ולהיות במעקב צמוד לאורך הזמן.

ציטוט: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

מילות מפתח: MRI שד, בינה מלאכותית, אבחון סרטן, דימות רפואי, סטרטיפיקציית סיכון