סינרגיה ביולוגית בין נוירומורפיקה ל‑XAI לתובנה שקופה ובריאות פחמנית-נמוכה

טכנולוגיה חכמה יותר בבתי חולים — לאנשים ולכדור הארץ

בתי חולים פונים לבינה מלאכותית כדי לקרוא אותות לב, לזהות קצבים מסוכנים ולתמוך בהחלטות של רופאים. אך האלגוריתמים החזקים של היום פועלים לעתים כקופסאות שחורות וזקוקים למעבדי גרפיקה צמאי‑אנרגיה, מה שמסתר עם יעדי האקלים ומעמיס על יחידות טיפול במגבלות חשמל. מאמר זה מציע סוג חדש של מערכת לניטור לב שמטרתה להיות מובנת יותר לקלינאים ובאותה עת חסכונית ביותר באנרגיה, ומציע מסלול לעבר מערכת בריאות דיגיטלית בטוחה ופחמנית‑נמוכה.

מדוע בינה רפואית עכשווית אינה מספיקה

בינה רפואית מודרנית יכולה להשוות ואף לעלות על ביצועי מומחים במשימות כמו קריאת רנטגן או זיהוי פעימות לא תקינות. עם זאת מרבית המודלים פועלים במרכזי נתונים או על GPUs מתקדמים שצורכים מאות ואטים ברצף. ביחידת טיפול נמרץ, מערכת מבוססת GPU הפועלת סביב השעון עלולה לצרוך מעל 2,000 קוט״ש בשנה. באותה עת המודלים האלה בדרך כלל מספקים מעט תובנה לגבי אופן הגעתם למסקנות, מה שמקשה על אמון מצד רופאים וגופים רגולטוריים. כלי ההסבר הקיימים יכולים לסייע, אך לעתים קרובות הם עצמם דורשים חישוב כבד נוסף, מה שמגדיל עוד את צריכת האנרגיה ואת ההשהיה.

נתיב בהשראת המוח לחישוב עדין יותר

המחברים בוחנים חישוב נוירומורפי, סגנון של חומרה ואלגוריתמים המדמים כיצד תאי עצב ביולוגיים מתקשרים באמצעות ניצוצות חשמליים קצרים במקום אותות רציפים. במסגרת NEXAI‑Health שלהם, אותות ECG נכנסים מומרות לזרמי ניצוצות דלילים, שבהם המידע נושא בעיקר בזמן הופעת הניצוצות ולא בערכים מספריים צפופים. עיצוב המערכת המונע על‑ידי אירועים משמעותו שהחישוב מתבצע רק כאשר צריך, מה שמפחית עד מאוד את צריכת האנרגיה בהשוואה לשבבים מסורתיים שעובדים בכל צעד זמן בין אם האות משתנה ובין אם לא.

בתוך המסגרת הזו הקבוצה בונה רשתות עצביות זוהרות (spiking neural networks) המותאמות לסיווג פעימות לב מתוך מאגר המידע הידוע MIT‑BIH Arrhythmia Database. הם מעצבים את ההצפנה כך שרק כ‑16 אחוז מאירועי הניצוץ האפשריים יופעלו בפועל, איזון בין שימור מאפיינים רפואיים חשובים — כגון צורת השיא המרכזי של פעימת הלב והתזמון בין פעימות — לבין הימנעות מפעילות מבוזבזת. סימולציות מצביעות על כך שהייצוג הדלילי הזה מבוסס‑ניצוצות יכול לשמור על מידע אבחוני גבוה תוך צמצום משמעותי של מספר האופציות שהחומרה תצטרך לבצע.

להפוך החלטות מכונה לקלות יותר לאמון

כדי לטפל בבעיית הקופסה השחורה, המחברים מתאימים טכניקת הסבר בשם integrated gradients לעבודה על רכבי ניצוצות במקום קלטים מספריים סטנדרטיים. בפועל זה מייצר מפות חום על פני כל פעימת לב שמדגישות אילו נקודות זמן השפיעו חזק ביותר על החלטת המערכת. קריטי כי הם משזרים את ההסבר כחלק מפעולת המודל במקום לחבר אותו לאחר מכן, וכי הם מתאימים את רמת הפירוט של ההסבר בהתאם לתקציב האנרגיה. כשהאנרגיה זמינה בשפע המערכת משתמשת בשלבים רבים למתן הסברים ברזולוציה גבוהה; כשהאנרגיה מוגבלת היא חוזרת לסיכומים גסים יותר אך עדיין אינפורמטיביים. במבחנים ההסברים הללו התאימו היטב לאזורים קליניים חשובים ב‑ECG, כגון השיא המרכזי החד וגל ההתאוששות, והשיגו ציונים גבוהים במדדים כמותיים של נאמנות.

תכנון בהתחשב במגבלות אנרגיה בעולם האמיתי

מעבר למודל עצמו, המאמר משרטט אקוסיסטמה רחבה יותר לפריסה בת קיימא. הוא מחבר את המנוע הנוירומורפי למודל סולארי פשוט ולסוללה, ומשתמש באלגוריתם תזמון שמחליט אילו משימות ניטור מטופלות לפי דחיפות קלינית וזמינות אנרגיה. בסימולציות על יותר מ‑100,000 פעימות לב מתויגות, המסגרת הגיעה לכ‑95 אחוז דיוק אבחוני — מעט גבוה יותר מבסיסי למידה עמוקה חזקים — ובאותו זמן קיצרה השהיה ושימוש בזיכרון מספיק כדי להתאים למכשירי קצה צנועים. המחברים מעריכים חיסכון אנרגטי גדול בהשוואה למערכות מבוססות GPU, אם כי הם מדגישים שמספרים אלה הם תחזיות המבוססות על מפרטי שבבי נוירומורפיקה פורסמו ולא מדידות בפועל.

מה משמעות הדבר לעתיד הבריאות

עבור מי שאינם מומחים, המסקנה המרכזית היא שעבודה זו מהווה תוכנית אב ולא מוצר גמור. המחקר מראה שלפחות בסימולציות תוכנה, מודל בהשראת המוח יכול לקרוא אותות לב בדיוק טוב, לספק לרופאים הסברים חזותיים ידידותיים על הסיבות להחלטותיו, ותיאורטית לפעול על חלק קטן מצריכת האנרגיה של הבינה הנפוצה כיום. עם זאת המחברים ברורים בכך שעדיין לא בנו או בחנו מכשיר נוירומורפי פיזי, ולא ערכו ניסויים קליניים. כדי לספק בפועל בינה רפואית שקופה ופחמנית‑נמוכה יש להעביר עיצובים אלה לשבבים נוירומורפיים אמיתיים, לאמת את צריכת החשמל בפועל, ולהדגים ביצועים בטוחים ואמינים לצד המיטה.

ציטוט: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

מילות מפתח: חישוב נוירומורפי, בינה מלאכותית מוסברת, אריתמיה ECG, בריאות חסכונית באנרגיה, אבחון פחמני‑נמוך