DermaGPT—מסגרת מולטימודל פדרטיבית עם פונקציית אמון שנלמדה מטא לאבחון דרמטולוגי מובן

מדוע בדיקות עור חכמות חשובות

בעיות בעור משפיעות על מיליארדי אנשים, אך בקהילות רבות יש מעט או לא כלום דרמטולוגים. משמעות הדבר היא שפיוניות חשודות או פריחות עלולות להימשך שגוי או לטופל מאוחר מדי, במיוחד במרפאות קטנות עם טכנולוגיה מוגבלת. מחקר זה מציג את DermaGPT, מערכת בינה מלאכותית שעוצבה לסייע לרופאים לזהות סוגי סרטן עור נפוצים ונגעים אחרים מתמונות, תוך מתן הסברים פשוטים בשפה יומיומית ושמירה על פרטיות המטופל.

עוזר דיגיטלי חדש לעור

DermaGPT בנויה כשני חלקים נפרדים. ראשית, מודול חזון בוחן תמונות מקרוב של העור, שצולמו במצלמות סמארטפון רגילות או בדרמטוסקופים, ומנבא באיזה אחד מ־11 סוגי נגעים נפוצים מדובר והאם הוא כנראה שפיר או ממאיר. שנית, מודול שפה נפרד ממיר את התחזיות האלה להסברים ידידותיים למטופל, שעונים על שאלות כמו מהו המצב, עד כמה הוא עשוי להיות חמור ואילו טיפולים נחשבים בדרך כלל. בהפרדה בין ה“ראייה” ל“ההסבר”, מעצבי המערכת שואפים לשמור על הליבה האבחנתית יציבה בעוד שצד ההסבר ניתן לשיפור או להחלפה עם הזמן.

מעוצב למרפאות בעולם האמיתי

בשונה ממערכות בינה רפואיות שזוכות לכותרות ורצות רק על שרתים גדולים ויקרים, DermaGPT תוכננה להיות קלת משקל במכוון. שלד החזון שלה, שמותאם ממודל ראיה־שפה של Google, מוּדכן בצורה שמשנה רק כ־אחוז מהפרמטרים שלו. זה הופך אותה למהירה וזולה מספיק כדי לפעול על כרטיסי גרפיקה צנועים שבדרך כלל זמינים בבתי חולים. המחברים אימנו את המערכת על תמונות שאושרו בביופסיה מארבע מרפאות פרטיות ואז בדקו אותה על מאגר ציבורי עצמאי של סטנפורד שכלל 4,452 תמונות. במבחן החיצוני הזה זיהה DermaGPT נכון את סוג הנגע בכ־90% מהמקרים והבחין נכון בין נגע שפיר לממאיר בכ־93% מהמקרים.

שמירה על הנתונים מקומית ולמידה לסמוך על כל אתר

מכיוון שתמונות רפואיות הן רגישות, DermaGPT מאומנת באמצעות למידה פדרטיבית: כל בית חולים שומר את התמונות באתר ומשתף רק עדכוני מודל, לא תמונות גולמיות. עם זאת, בתי חולים שונים בתמהיל המטופלים, איכות המצלמות וגווני העור, מה שעלול להפוך מודל משותף לפחות מהימן. כדי להתמודד עם זאת, הוסיפו המחברים פונקציית אמון שנלמדה מטא שמעריכה עד כמה העדכונים של כל מרפאה אמינים, בהתבסס על מדדים כמו אי־ודאות, כיול ועדויות להזזת הנתונים. במהלך האימון, עדכונים מאתרים עם כיול טוב יותר ועקביות גבוהה מקבלים משקל גבוה יותר, בעוד שאלו הרועשים מופחתים. תכנון "מודע אמון" זה שיפר הן את הדיוק והן את מהימנות ציוני הביטחון של המודל, במיוחד באתר המאתגר ביותר עם מגוון גדול יותר של גווני עור.

להסביר אבחנות בשפה יום־יומית

לצורך ההסברים, DermaGPT מזינה את התחזיות שלה לכמה מודלים גדולים של שפה ומשוות כיצד הם מתפקדים. היא גם משתמשת במודול "שאילתא מתקדמת" שאוגר קטעים קצרים ממקורות דרמטולוגיים מקוונים שנבדקו בקפידה ומספק אותם למודל השפה כהקשר. ארבעה דרמטולוגים בעלי תעודה מדדו את התשובות שהתקבלו על פי בהירות, מועילות, עיגון עובדתי והאם הם היו נוטים להשתמש בכלי כזה. בכל המודלים, הוספת שלב השליפה הפכה את ההסברים למעשירים יותר ופחות נוטים לטענות ללא גיבוי. מודל אחד, שנקרא DeepSeek-V3, בלט והפיק את ההסברים המדורגים הגבוהים ביותר תוך שימוש בארכיטקטורה יחסית יעילה המפעילה רק תת־קבוצה של הנוירונים שלו לכל תגובה.

יתרונות, הסתייגויות ומה הלאה

בסך הכל, DermaGPT מראה שאפשר לבנות עוזר לאבחון עור שהוא מהיר, מדויק, שומר פרטיות ויכול להסביר את עצמו במונחים אנושיים. הוא אינו מחליף דרמטולוגים; במקום זאת, הוא מיועד לסייע לא־מומחים למיין מקרים, לתמוך בייעוץ ולהרחיב הדרכה בסגנון מומחה למרפאות החסרות מומחים. המחברים מדגישים שמספר סיכונים נשארים—כגון הסברים בטוחים שמסתמכים על אבחנה שגויה—ושנדרשים ניסויים נוספים בעולם האמיתי. הם מתכננים להרחיב את טווח המצבים המכוסים, לשפר כיסוי למחלות נדירות ולגווני עור כהים יותר, ולהוסיף תכונות רב־לשוניות וביקורת עצמית. אם האתגרים הללו ייפתרו, מערכות כגון DermaGPT יכולות לסייע להנגיש טיפול עור איכותי ועקבי בהגדרה רחבה של מערכות בריאות שונות.

ציטוט: Hashjin, N.M., Amiri, M.H. & Najafabadi, M.K. DermaGPT a federated multimodal framework with a meta learned trust function for interpretable dermatology diagnostics. Sci Rep 16, 7959 (2026). https://doi.org/10.1038/s41598-026-38715-0

מילות מפתח: בינה מלאכותית בדרמטולוגיה, זיהוי סרטן העור, למידה פדרטיבית, בינה רפואית ניתנת להסבר, תמיכה בהחלטה קלינית