מערכת מבוססת למידה עמוקה לחיזוי נפח כריתה בגידול כבד באמצעות CT עם חומר ניגוד

תכנון חכם יותר לניתוחי סרטן כבד

עבור אנשים עם סרטן כבד, אחד האתגרים הגדולים של המנתחים הוא להחליט כמה מהכבד להסיר. אם יסירו מעט מדי, הגידול עלול לשוב; אם יסירו יותר מדי, עלול להישאר מעט מדי רקמה כבד בריאה כדי שהמטופל ישרוד. המחקר הזה מציג מערכת בינה מלאכותית חדשה המשתמשת בסריקות CT כדי לסייע לרופאים לתכנן במהירות ובדיוק את הניתוחים בכבד, במטרה להפוך את הניתוח לבטוח, מהיר ועקבי יותר.

מדוע גודל הכבד כל כך משמעותי

הסרטן הראשוני הנפוץ ביותר של הכבד, שנקרא קרצינומה תאית כבדית, הוא תוקפני והופך לנפוץ יותר בעולם. ניתוח שמסיר לחלוטין את הגידול מעניק לחלק מהחולים את הסיכוי הטוב ביותר להישרדות לטווח הארוך. אך הכבד איננו איבר שאפשר להוציא ממנו חלקים בלי תכנון זהיר. הוא ממלא תפקידים חיוניים רבים, מסינון רעלים ועד עיבוד מזונות. אם המנתחים יסירו יותר מדי ממנו, החולים עלולים לסבול מאי־ספיקת כבד מסכנת חיים אחרי הניתוח. מאידך, השארת שוליים קטנים מדי סביב הגידול מגבירה את הסיכון שמשארים תאים סרטניים. חישוב מדויק של כמה מהכבד ניתן להסיר בבטחה הוא אפוא מרכזי בניתוחי כבד מודרניים.

המצב הנוכחי — איטי והתערבותי

כיום, חישוב זה בדרך כלל נעשה באופן ידני. רדיולוגים ומנתחים טוענים סריקות CT עם חומר ניגוד לתוכנות תלת־ממדיות ייעודיות, מתארים את הכבד והגידולים פרוסת אחר פרוסה, מזהים כלי דם מרכזיים ואז מדמים תוכניות כריתה שונות. התהליך הזה יכול לקחת דקות רבות לכל מטופל ודורש צוות מיומן מאוד. הוא גם נתון לשונות אנושית: שני מומחים עשויים לצייר גבולות מעט שונים, ואף אותו אדם עלול שלא להיות עקבי במלואו בין הימים. בבתי חולים עמוסים שבהם מטופלים רבים זקוקים לניתוחי כבד, תכנון גוזל זמן זה יכול להאט את הטיפול ולהעלות עלויות.

עוזר בינה מלאכותית בשם LRVCD

החוקרים פיתחו מערכת מבוססת בינה מלאכותית שהם קוראים לה Liver Resection Volume Calculation with Deep Learning, או LRVCD. היא משתמשת במודלים של למידה עמוקה שאומנו על סריקות CT של 990 מטופלים שטופלו בשני בתי חולים גדולים לאורך עשור. בשלב הראשון, ה‑AI מזהה אוטומטית גידולים בכבד ומחלק את הכבד לקטעים אנטומיים מפורטים בתמונות ה‑CT. בשלב השני, המערכת משלבת את מפות הקטעים האלה עם תכנית הכריתה שנבחרה על ידי המנתח — בין אם כריתה סטנדרטית של קטע ובין אם חתך לא סדיר מותאם אישית — כדי לחשב כמה רקמת כבד בריאה וכמה גידול יוסרו. המערכת מדווחת על ערכים מרכזיים כגון נפח הכבד הכולל, נפח הגידול, נפח הכריתה המתוכנן ואחוז הכבד שיוסר.

בדיקת המערכת

כדי לבדוק האם LRVCD מהימנה, הצוות השווה את תוצאותיה לאלה של מנתחים מנוסים המשתמשים בתוכנת תכנון תלת־ממד מבוססת סטנדרט. הם העריכו שתי קבוצות מטופלים נפרדות: אחת מאותו בית חולים שבו אומן ה‑AI ואחת ממרכזים שונים. עבור כל מקרה מדדו עד כמה הערכות ה‑AI של נפח הכבד, נפח הגידול ונפח הכריתה המתוכנן התאימו להתייחסות הידנית. ההבדלים היו קטנים, וההסכמה במדד המפתח — אחוז הכבד שיוסר — הייתה קרובה בשתי הקבוצות. אמנם ה‑AI נטה להעריך במעט פחות את נפח הכבד הכללי ובמעט יותר את נפח הגידול, נטיות אלו נשארו בתוך גבולות קליניים מקובלים ומשקפות חריגויות ידועות של תכנון תלת־ממדי שמונע בידי אדם.

ממש שעות עבודה לשניות

אחד היתרונות הבולטים של LRVCD הוא המהירות. הן בקבוצות הבדיקה הפנימיות והן בחיצוניות, זרימת העבודה המונעת על ידי ה‑AI קיצרה את זמן התכנון בכ־20 פעמים לעומת תהליך התוכנה התלת־ממדית הקונבנציונלי. מה שלקח בעבר בסביבות עשר דקות או יותר יכול כעת להסתיים בפחות מחצי דקה. מאחר שה‑AI מבצע את המשימות הכבדות של הסגמנטציה וחישוב הנפחים, המעורבות האנושית מוגבלת בעיקר להזנת מידע כירורגי בסיסי ולעשיית התאמות קטנות בעת הצורך. משמעות הדבר היא שרדיולוגים ומנתחים יכולים למקד את זמנם בהחלטות קליניות ופחות בעבודת עכבר חזרתית.

מה המשמעות עבור החולים

עבור המטופלים, הפרטים הטכניים מצטמצמים בהבטחה פשוטה: תכנון ניתוחי מדויק ומהיר יותר, ללא סריקות נוספות או עלות נוספת. על ידי מתן הערכות מהירות ועקביות של כמה מהכבד ניתן להסיר בבטחה, LRVCD עשויה לסייע למנתחים לדחוף לעבר ניתוחים מרפאים תוך שמירה על סיכון לאי־ספיקת כבד לאחר הניתוח. המחקר מראה שכלי ה‑AI הזה מתפקד בערך כמו שיטות תכנון תלת־ממד מבוססות מוכרות, תוך הקטנת העומס באופן ניכר. המחברים מציינים שיש צורך בעבודת המשך כדי לבדוק את המערכת על קבוצות מטופלים רחבות יותר ולשפר את האוטומציה של קבלת ההחלטות הכירורגיות, אך תוצאותיהם מרמזות כי תכנון בהדרכת AI עשוי בקרוב להפוך לעזר מעשי בחדר הניתוח לטיפול בסרטן הכבד.

ציטוט: Wang, X., Zhang, L., Liu, P. et al. Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT. Sci Rep 16, 6388 (2026). https://doi.org/10.1038/s41598-026-37085-x

מילות מפתח: ניתוחי סרטן כבד, בינה מלאכותית בדימות רפואי, קרצינומה תאית כבדית, תכנון סריקה CT, נפח כריתת כבד