למידת עומק לחלוקת כלי דם וניתוח זרימה לזיהוי אשכולות הקשורים לתוצאות שליליות ברגיסטרי חולים עם ניתוח פונטאן

מדוע חשוב לחקור את זרימת הדם בלב של ילדים

ילדים שנולדו עם משאבה לבבית אחת עובדת עוברים לעתים קרובות ניתוח מורכב שנקרא ניתוח פונטאן כדי לשרוד עד לבגרות. מטופלים אלה יכולים להיראות יציבים במשך שנים, אך חלקם מפתחים מאוחר יותר בעיות חמורות המשפיעות על הלב והכבד. רופאים כבר אוספים סריקות MRI מפורטות שמצלמות כיצד הדם נע בפועל דרך הלב וכלי הדם לאורך זמן, אך רוב המידע התנועתי העשיר הזה לעולם לא מנוצל. מחקר זה מראה איך בינה מלאכותית מודרנית יכולה לפתוח את המידע המוסתר הזה בקנה מידה גדול, ולחשוף דפוסי זרימה הקשורים לבריאות טובה או גרועה בטווח הארוך.

להפוך אלפי סריקות לנתונים ניתנים לשימוש

החוקרים עבדו עם הרגיסטרי FORCE, אוסף בינלאומי גדול של בדיקות MRI לבביות מיותר מ-3,000 אנשים עם מעגל פונטאן. כל בדיקה כוללת סרטונים מיוחדים המעקבים אחרי מהירות הזרימה בכלי דם מרכזיים בכל פעימת לב. כדי ללמוד מהסריקות האלה, הצוות היה צריך תחילה למקד את כלי הדם בכל מסגרת תמונה ולמדוד את הזרימה לאורך זמן — משימה ידנית מייגעת שהייתה לוקחת הערכה של שנה של עבודה מומחה רצופה. במקום זאת הם בנו מודל למידת עומק שיכול גם לזהות איזה כלי דם מצולם וגם לצייר באופן אוטומטי את גבול הכלי עבור חמישה מסלולים מרכזיים: האורטה וארבעה ורידים ועורקים גדולים שמובילים אל הריאות ומחוצה להן.

איך עובד המערכת החכמה לחלוקה

לב המערכת הוא רשת עצבית שמנתחת כל סרטון כבלוק תלת־ממדי קצר: שתי מימדים מרחביים בתוספת זמן. היא מקבלת שתי גרסאות של אות ה-MRI — אחת המציגה את האנטומיה והשנייה מדגישה את הדם הנע — ואומנה על 260 בדיקות שבהן מומחים כבר עקבו אחרי כלי הדם ביד. המודל לא רק מצייר מבנים; הוא גם לומד לזהות איזה כלי דם הוא, בעזרת מידע שמקליט המפעיל בסורק בעת הצילום. בעיצוב משולב של סיווג־וגם־סגמנטציה זה, המערכת השיגה חפיפה גבוהה מאוד עם סימונים אנושיים וזיהתה נכונה את סוג הכלי ברוב המקרים הנבדקים, למרות האנטומיה המפותלת ומשתנה שאופיינית לחולי פונטאן.

התרחבות לרגיסטרי בינלאומי שלם

לאחר אימות, המודל הוטמע בצינור עבודה אוטומטי בענן ושוחרר על יותר מ-4,500 בדיקות מהרגיסטרי. עבור כל סריקה הוא סינן את סרטוני הזרימה, סיגמנט את חמשת כלי היעד, ויצר עקומת זרימה־לפי־זמן לכל פעימת לב, הכל ללא התערבות אנושית. מומחים בדקו מאוחר יותר את התוצאות ומצאו שכ־90% מהסגמנטציות היו טובות די הצורך לשימוש קליני כאשר חמשת הכלים היו נוכחים. המערכת עבדה קצת פחות טוב בחולים עם אנטומיות יוצאות דופן במיוחד, כגון ורידים משוכפלים, אך עדיין סיפקה מאגר נתונים עצום, שבעבר לא היה ניתן להשיגו, של מדידות זרימת דם נקיות ומשתנות בזמן.

מציאת סוגי זרימה מוסתרים הקשורים לתוצאות

עם אלפי עקומות זרימה ביד, המודל השני של צוות החוקרים חיפש קיבוצים טבעיים של מטופלים המבוססים אך ורק על האופן שבו הדם נע בכלי לאורך זמן. מודל זה דחס כל זוג עקומות — או מאבי העורקים הריאתיים או מהורידים הגדולים — לייצוג פנימי קומפקטי ואז קבע אשכולות של "פנוטיפים" זרימתיים מובחנים. חלק מהקבוצות הציגו זרימה מאוזנת ובגדלים נורמליים; אחרות הראו ירידה בזרימה הכוללת, זרימה דומיננטית לריאה אחת, או זרימה שהוסטה לעבר שלב ההרפיה של פעימת הלב. החוקרים עקבו אחר המטופלים לאורך זמן וגילו כי דפוסי זרימה מסוימים היו קשורים לסיכונים גבוהים יותר של תמותה, משתל לב או מחלת כבד, גם לאחר התחשבות בגיל, בעוצמת פעימת הלב ובמדדים סטנדרטיים אחרים.

מה זה יכול למשמעות עתידית בטיפול

במילים פשוטות, המחקר מצביע על כך שאופן זרימת הדם במעגל הפונטאן — אילו כלי נושאים יותר או פחות זרימה ובאיזו נקודה במחזור הלב — מכיל רמזים חשובים לגבי מי מהמטופלים צפוי להתמודד עם סיבוכים רציניים. המחברים מראים שבינה מלאכותית יכולה להפוך ארכיונים גדולים של סרטוני MRI גולמיים לפרופילים משמעותיים של זרימה ולקבוצות סיכון, ללא סימון ידני או כללים מעוצבים מראש. בעתיד, מערכת כזו יכולה לפעול אוטומטית מיד לאחר ה-MRI של ילד, לסמן את אלה שדפוסי הזרימה שלהם דומים לקבוצות בסיכון גבוה ולעזור לרופאים לתכנן מעקב, בדיקות או אפילו ניתוח. מעבר לחולי פונטאן, אותה גישה יכולה להיות מותאמת למצבים לבביים אחרים, לסריקות המנטרות תנועה או אפילו לאותות יומיומיים כמו ECG, ובכך לנצל ביתר שאת מידע שבבתי חולים כבר נאסף אך לעתים נדירות מנותח לעומק.

ציטוט: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

מילות מפתח: מעגל פונטאן, MRI לבבי, למידת עומק, דפוסי זרימת דם, סיווג סיכונים של מטופלים