בדיקה ושיפור בינלאומיים של אלגוריתמים של בינה מלאכותית החוזים תת־סוגים של לוקמיה חריפה מתוך נתוני מעבדה שגרתיים

מדוע זה חשוב לחולים בכל מקום

עבור רבים החולים בלוקמיה חריפה, השעון מתחיל להסתובב הרבה לפני שהם נפגשים עם מומחה. באזורים שבהם בדיקות מתקדמות נדירות או איטיות, קביעת סוג הלוקמיה עלולה לקחת ימים — זמן שלעתים אין לחולה. המחקר בחן האם תוכנית בינה מלאכותית, המשתמשת אך ורק בבדיקות דם שגרתיות שמרבית בתי החולים כבר מבצעים, יכולה במהירות להציע את תת־הסוג הסביר של הלוקמיה ולעזור לרופאים לפעול מהר יותר, במיוחד במקומות עם משאבים מוגבלים.

להפוך בדיקות דם יום־יומיות לאות אזהרה מוקדמת

המטפחים שילבו רשומות של 6,206 חולים עם לוקמיה חריפה שטופלו ב־20 מרכזים ב־16 מדינות, המשתרעות על כל היבשות המאוכלסות וברמות הכנסה שונות. במקום להסתמך על סריקות מיוחדות או בדיקות גנטיות, הזינו למודל בינה מלאכותית קיים מדידות מעבדה סטנדרטיות שנלקחו באבחון, כגון ספירות דם, מדדי קרישה ותוצאות כימיה בסיסית. המטרה הייתה לבדוק האם כלי שאומן בתחילה על נתונים צרפתיים עדיין יכול לזהות שלושה סוגי לוקמיה עיקריים — לוקמיה מיאלואידית חריפה (AML), לוקמיה פרומיאלוציטית חריפה (APL) ולוקמיה לימפובלסטית חריפה (ALL) — בבתי חולים, אוכלוסיות וקבוצות גיל שונים.

אותות חזקים, אבל פערים במי שמרוויח

כאשר הוטמע באופן רחב במבוגרים, המודל של הבינה המלאכותית הציג ביצועים טובים באופן כללי: הוא היה מדויק במיוחד עבור AML ו־APL, שני סוגים שבהם זיהוי מוקדם יכול להשפיע רבות על ההישרדות. עם זאת, הגרסה המקורית כללה כלל פנימי קפדני של "ביטחון" שהציג תוצאה רק כשהיא הייתה ודאית מאוד. זה הפך את המספרים למרשימים על הנייר, אבל גם גרם לכך שבפועל יותר מ־90% מהחולים עשויים לא לקבל כלל הצעה מהבינה המלאכותית. גם ללא כלל זה, הביצועים השתנו במידה רבה בין מרכזים וסוגי לוקמיה, מה שהשתקף בהבדלים בגילי החולים, בתבניות המחלה המקומיות ואפילו בסוגי המכשור המעבדתי שנעשה בו שימוש.

ללמד את המערכת להתמודד עם נתוני עולם־אמיתי מסורבלים

כדי להפוך את הכלי לשימושי יותר בשגרה, הצוות התמקד בסיבות לכישלון במקרים מסוימים. הם השוו בין דפוסי בדיקות הדם של חולים שסומנו נכון לאלו שסומנו באופן שגוי והשתמשו בשיטות הסבר סטטיסטיות כדי לראות אילו מדידות חשובות ביותר. כמה סמנים של קרישה ותכונות של תאי דם אדומים התגלו כחשובים במיוחד כדי להבדיל בין APL לסוגים אחרים, בעוד שתבניות בתאי הדם הלבנים סייעו להפריד בין AML ל־ALL. החוקרים הוסיפו לאחר מכן שלב עיבוד מוקדם חדש שבודק "חריגים" — חולים שתוצאות מעבדתם שונות מאוד ממה שהמודל ראה בעבר. על ידי שילוב של שני מסננים כאלה והסרת רק חלק צנוע מהמקרים, הם שיפרו את הדיוק לקבוצות קשות — במיוחד לחולים שלפני כן לא עמדו בסף הביטחון של המודל — תוך שמירה על זמינות חיזויים לרוב האנשים.

להתאים את הבינה לילדים, לא רק למבוגרים

ילדים עם לוקמיה לעיתים מציגים דפוסי מעבדה שונים ממבוגרים, ונקודה זו התבררה כקריטית. כאשר המודל שאומן על מבוגרים הופעל על 1,746 חולים פדיאטריים, ביצועיו ירדו, במיוחד עבור AML. הצוות הראה שערכי דם מרכזיים, כגון גורמי קרישה וספירות תאים, נעים בטווחים מובחנים אצל מטופלים צעירים. במקום לקבל ביצועים חלשים יותר, הם אימנו מחדש את המודל במיוחד על נתונים פדיאטריים, מה שהשפר באופן משמעותי את יכולתו לזהות ALL ו־AML בילדים תוך שמירה על תוצאות חזקות גם במקרים הפדיאטריים הנדירים של APL. זה מדגיש לקח חשוב: מערכות בינה מלאכותית שנועדו לתמוך באבחון חייבות להיות מותאמות לאוכלוסיות המיועדות להן.

לקראת טיפול מהיר והוגן יותר בלוקמיה

המחברים מדגישים שכלי הבינה המלאכותית הזה אינו מחליף את הנוהלים הסטנדרטיים — בדיקה מיקרוסקופית, ציטומטריית זרימה ובדיקות גנטיות — שעל רופאים להסתמך עליהם כדי לאשר את סוג הלוקמיה ולבחור טיפול מדויק. במקום זאת, הוא מציע דרך לאיתות מהיר של תתי־הסוגים הסבירים של לוקמיה באמצעות בדיקות מעבדה שכבר זמינות באופן נרחב, אפילו במדינות בעלות הכנסה נמוכה ובינונית. על ידי שיפור המודל כדי להתאים לבתי חולים מגוונים, סינון חיזויים לא אמינים ויצירת גרסה פדיאטרית, המחקר מדגים כיצד בינה מלאכותית עשויה לקצר את הזמן להיפגש עם מומחה ולקבלת טיפול מציל חיים. העבודה מציבה את הבסיס לניסויים עתידיים שיבחנו האם תמיכה החלטתית כזו אכן תוכל להפחית תמותה מוקדמת ולהקרב את יתרונות הטיפול המודרני בלוקמיה לחולים ללא קשר למקום מגוריהם.

ציטוט: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

מילות מפתח: לוקמיה חריפה, בינה מלאכותית, תמיכה באבחון, שוויון בבריאות, בדיקות מעבדה