הקמת אנציקלופדיית דרמטופתולוגיה DermpathNet עם זרימת עבודה מבוססת בינה מלאכותית

מדוע ספריית תמונות עור חדשה חשובה

גידולים בעור וסרטן העור מאובחנים לעתים קרובות על ידי בדיקה של חתכי רקמה דקות במיקרוסקופ, תחום המכונה דרמטופתולוגיה. עם זאת, התמונות המשמשות להכשרת רופאים ובחינת כלי בינה מלאכותית בדרך כלל סגורות מאחורי חומות תשלום או כללי פרטיות. מאמר זה מציג את DermpathNet, אוסף מפורט ונבדק של אלפי תמונות ביופסיות עור הזמין חופשי ובנוי בעזרת בינה מלאכותית. המערכת נועדה להקל על הלמידה, בדיקת אבחנות ופיתוח כלים ממוחשבים חדשים, ולהפוך זאת למהימן ונגיש יותר עבור רופאים וחוקרים ברחבי העולם.

בעיית השקופיות החינוכיות המוסתרות

מרבית המתמחים הרפואיים לומדים משקופיות זכוכית או מקבצים דיגיטליים הנשלטים על ידי בית חולים יחיד. חומרי הלימוד הללו עלולים להכיל מזהי מטופלים או להיות מורשים בצורה המונעת שיתוף. המשאבים המקוונים הקיימים דורשים לרוב מנויים בתשלום, מציעים רק מקרים מועטים כדוגמה, או אינם נבדקים בעקביות על ידי מומחים. כתוצאה מכך, לסטודנטים ולרופאים חסר אוסף פתוח, רחב ומהימן של תמונות מיקרוסקופיות של העור שמציג גם גידולים שכיחים וגם נדירים. בלי משאב כזה קשה להשוות מקרים, לתקן שיטות הוראה או להעריך בהגינות את ביצועי מערכות הראייה הממוחשבת.

מציאת תמונות איכותיות בתוך ים של מאמרים

המחברים פנו לאוסף הגישה הפתוחה של PubMed Central, ספרייה רחבה של מאמרים ביומדיקליים בטקסט מלא שניתן להשתמש בתוכנם חוקית. הם התחילו עם רשימה מובנית, או לקסיקון, של 12 קבוצות של גידולים עוריים שפירים וממאירים וכמעט 200 אבחנות ספציפיות, שנבנו מקלטת מומחים ותחומי מונחים רפואיים מתועדים. באמצעות הלקסיקון שאלו מאגר PubMed Central עבור מאמרים שבהם הכותרות או התקצירים הזכירו מחלות אלה, הורידו את הטקסטים המלאים וחילצו את כל הדמויות ותיאורי הדמויות. מעבר ראשוני זה הניב יותר מ-200,000 דמויות מיותר מ-43,000 מאמרים — הרבה מדי, ורובם לא היו בפועל תמונות מיקרוסקופיות של עור.

כיצד בינה מלאכותית ומילות מפתח עבדו יחד

כדי למיין תמונות שימושיות מאלו שאינן רלוונטיות, הצוות יצר מערכת סינון משולבת. חלק אחד היה מודל למידה עמוקה שאומן על מאגר תמונות רפואיות נפרד כדי להחליט האם תמונה נראית כמו חתך פתולוגי או לא. החלק השני סרק את כיתוביות הדמויות אחרי ביטויים מאפיינים כגון רמות הגדלה או מונחי צביעה שלרוב מלווים תמונות מיקרוסקופיות. עבור אבחנות נפוצות מאוד נשמרו רק תמונות שעברו את שני הבדיקות, לשיפור הטוהר; עבור אבחנות נדירות התקבלו תמונות שעברו לפחות אחת מהבדיקות כדי לא להחמיץ דוגמאות נדירות. כששיטה משולבת זו נבדקה מול "תקן זהב" אנושי של 651 תמונות שסומנו ידנית, ביצועיה היו חזקים, עם F-score מעל 90%, טוב יותר מאשר שימוש בבינה מלאכותית או מילות מפתח לבדן.

מה DermpathNet מכיל וכיצד משתמשים בו

לאחר העיבוד, זרימת העבודה הניבה 7,772 תמונות המכסות 166 אבחנות שונות של גידולי עור. כל תמונה נבדקה על ידי דרמטופתולוגים בעלי הסמכה, וכל אחת מקושרת למטא-דטה עשירה שמתארת את מאמר המקור, סוג המחלה וקודי רפואה מקובלים. המאגר מאורגן כך שמשתמשים יכולים לחקור לפי קטגוריית מחלה, אבחנה ספציפית או פרסום מקור, תוך מעקב אחרי מידע רישוי. מעבר לחינוך, המחברים השתמשו ב-DermpathNet כדי לבחון את הגבולות של מודל ויז'ן–שפה מודרני: GPT‑4v. כאשר נדרשו לזהות גידולים עוריים מסוימים בתמונות מאתגרות בפורמטים של נכון/לא נכון, שאלות פתוחות ובחירה מרובה, המודל התפקד באופן לקוי, לעתים קרובות נכשל בהכרה של האבחנה הנכונה אפילו כאשר ניתנה לו רשימת אפשרויות קצרה.

מה משמעות הדבר לרופאים ולמכונות

עבור לא-מומחים, ניתן להחשיב את DermpathNet כאטלס פתוח ואיכותי של גידולי עור מיקרוסקופיים, שנבנה עם מערכת סינון חכמה המאפשרת למומחים אנושיים להתמקד בבדיקות סופיות במקום בגלישה ידנית. הוא מוריד חסמים להכשרה ולהשוואה בין מוסדות וחושף את קושי המשימה הוויזואלית: אפילו מערכת בינה מלאכותית מתקדמת התקשתה עם תמונות אלה. המחברים מסיקים שלמרות שבינה מלאכותית יכולה לסייע בהרכבת משאבים כאלה, המודלים הכלליים של היום עדיין אינם מוכנים להחליף את שיקול הדעת המומחה בדרמטופתולוגיה. במקום זאת, DermpathNet מציע בסיס מוצק להוראה ולבניית הדור הבא של כלי בינה מלאכותית רפואיים ייעודיים שיכולים באמת לסייע באבחון מחלות העור.

ציטוט: Xu, Z., Lin, M., Zhou, Y. et al. Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow. Sci Data 13, 368 (2026). https://doi.org/10.1038/s41597-026-06715-4

מילות מפתח: דרמטופתולוגיה, מאגר תמונות רפואיות, בינה מלאכותית, סרטן העור, פתולוגיה דיגיטלית