מערכת למידה רב-משימתית בעזרת AI לסיוע באבחון קרצינומה של תאי בסיס עם הסבר כפול

מדוע זה חשוב לבריאות העור היומיומית

סרטן העור הוא הסרטן השכיח ביותר בעולם, וקרצינומה של תאי בסיס היא הצורה הנפוצה ביותר שלו. ככל שהטלה-רפואה מתרחבת, רופאי משפחה שולחים יותר תמונות עור לחברי צוות בית החולים מאשר אי פעם, מה שיוצר תורים ועיכובים. במחקר זה מוצג כלי בינה מלאכותית שלא רק מזהה תמונות שבהן סביר שמדובר בקרצינומה של תאי בסיס, אלא גם מראה לרופאים מדוע הגיע למסקנה זו, מה שמקל על האמון והשימוש בו במרפאות אמיתיות.

איך תמונות עור עוברות בטלה-רפואה היום

באזורי רבים רופאי משפחה משתמשים בטלה-דרמטולוגיה כדי לשלוח תמונות מקרוב של העור לדרמטולוגים בבתי חולים. המומחים מחפשים סט של רמזים ויזואליים, כגון צורות מסוימות, צבעים ודפוסי כלי דם, כדי להחליט האם נקודה היא קרצינומה של תאי בסיס או משהו חסר-סכנה. למרות שהכללים הבסיסיים ידועים היטב, כל מקרה יכול להיראות שונה, והמומחים נאלצים לסקור זרם הולך וגדל של תמונות ממרפאות רבות, מה שמאט את הטיפול ומעמיס על המערכת.

למפות את כללי המומחים לעוזר שימושי

החוקרים תכננו מערכת AI הפועלת לפי הלוגיקה שאותה משתמשים המומחים. היא מחפשת שבעה דפוסים ויזואליים מרכזיים בכל תמונת דרמוסקופיה, כגון כיב או צורות דמויות-עלה, ובנוסף בודקת דפוס שמצביע על כך שסביר שהנגע אינו קרצינומה של תאי בסיס. במקום להגיד רק "סרטן" או "לא סרטן", הכלי מדווח אילו מהדפוסים הללו הוא מזהה ואז משתמש בכללים פשוטים המבוססים על פרקטיקת הדרמטולוגים כדי להכריז האם נגע הוא סביר שממנו או לא. גישה זו הופכת את ההסקה של המחשב לקלה יותר להבנה.

לאמן את המערכת על בסיס דעות רבות

כדי ללמד את ה-AI, הצוות השתמש ב-1,559 תמונות עור שנאספו מ-60 מרכזי רפואת משפחה באנדלוסיה, בנוסף לתמונות נוספות שאינן סרטניות מארכיון ציבורי. ארבעה דרמטולוגים סומנו אילו מהשבעה דפוסים הם ראו בכל נגע, אך אין עיון מושלם לדפוסים מדויקים אלו ולעיתים המומחים אינם מסכימים. החוקרים השתמשו בשיטה סטטיסטית למיזוג הדעות השונות לתווית קונצנזוס אחת לכל תמונה, כך שתשקף את שיפוט הקבוצה ותפחית הטיה פרטנית.

מה ה-AI למד לעשות

גרעין המערכת הוא רשת זיהוי תמונה קומפקטית שמותאמת מארכיטקטורה ידועה למכשירים ניידים. היא מאומנת לבצע שתי משימות בו-זמנית: להבדיל בין קרצינומות של תאי בסיס לנגעים אחרים ולזהות את הדפוסים הוויזואליים התומכים בהחלטה זו. כדי להתמודד עם דפוסים נדירים ומאגר נתונים לא מאוזן, הצוות השתמש בטכניקות כמו פונקציות אובדן מתקדמות, הגברת נתונים (data augmentation) ובדיקת הצלבה זהירה (cross-validation). התוצאה היא מודל שמסווג נכונה נגעים כקרצינומה של תאי בסיס או לא בכ-90% מהמקרים ועדיין מתפקד היטב בזיהוי הדפוסים הוויזואליים הקריטיים שמנחים את ההחלטה.

לראות לאן ה-AI מסתכל

מעבר לרשימות דפוסים, המערכת מספקת מפות צבע שמדגישות את אזורי התמונה האחראיים ביותר להחלטתה. כדי לבדוק האם מפות אלו אכן תואמות את החשיבה הקלינית, דרמטולוגים סיפרו בקפדנות אזורי דפוסים על המאות תמונות. החוקרים השוו את האזורים המודגשים על ידי ה-AI לקווי המתאר הללו ומצאו שרוב "הקשב" של המודל נופל בתוך אותן אזורים שהמומחים מחשיבים כחשובים. ברוב המכריע של מקרים חיוביים לסרטן זוהה לפחות דפוס רלוונטי אחד נכון, וברוב המקרים שאינם סרטניים נכלל הכלל המצופה של דפוס "בטוח".

מה זה אומר עבור מטופלים ורופאים

במבט כולל, התוצאות מראות שכלי AI קומפקטי יכול לסייע במיון נגעי עור בטלה-דרמטולוגיה תוך מתן סיבות ברורות ובעלות משמעות קלינית לבחירותיו. הוא אינו מחליף דרמטולוגים, אך יכול להדגיש אילו מקרים ראויים להתראה ולטיפול דחוף ולהראות את הרמזים הוויזואליים שמאחורי האזהרות. מכיוון שהמערכת פועלת על חומרה קלה ומשקפת את הלוגיקה של המומחים, היא מתאימה לפריסה מהירה ברשתות רפואה ראשונית, עם פוטנציאל למהירות אבחון מוגברת, תמיכה בלמידה והגברת האמון בטיפול בסרטן העור בעזרת AI.

ציטוט: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

מילות מפתח: קרצינומה של תאי בסיס, טלה-דרמטולוגיה, AI מובן (explainable AI), הדמיית נגעי עור, דרמוסקופיה