מערכת תמיכה בהחלטה טשטשת-מובנת ממוקדת-אנוש לאבחון רפואי באמצעות מפות קוגניטיביות טשטושיות

מדוע הכלי הרפואי החדש הזה חשוב

כשרופאים מחליטים האם מטופל עלול לסבול ממחלת לב, סרטן או מצב חמור אחר, הם מאזנים בו-זמנית רמזים רבים: ערכים ממעבדה, תיאורי כאב, תוצאות סריקות ושנות ניסיון. תוכנות רבות יכולות לזהות תבניות בנתונים הללו, אך רבות מהן פועלות כמו תיבות סגורות שהלוגיקה הפנימית שלהן קשה לראות או לערער עליה. מאמר זה מציג כלי תמיכה בהחלטה שמנסה לחשוב יותר כמו קלינאי, משתמש בגווני סיכון טשטושיים במקום חוקים מוחלטים של כן/לא, ובו בזמן נשאר פתוח מספיק כך שמומחים רפואיים יכולים לבחון ולכוון את הייצוג הפנימי שלו.

מיזוג לוגיקה רכה עם הסקה רפואית

המחקר מבוסס על שתי רעיונות מתוך בינה מלאכותית. הראשון הוא לוגיקה טשטושית, שמאפשרת אמירות כמו "לחץ דם גבוה" להיות חלקית נכונות במקום לאלץ חיתוך חד. השני הוא מפה קוגניטיבית טשטושית — סוג של רשת מושגים שבה צמתים מייצגים רעיונות קליניים כמו תסמינים, ממצאים בבדיקות או סיכון למחלה, וחצים מראים כיצד מושג אחד מעלה או מוריד מושג אחר. ברפואה, מפות כאלה מושכות כי הן משקפות את הדרך שבה קלינאים מדברים ומסיקים מסקנות, וכיוון שניתן להראות ולדון בקישורים בין המושגים. אך מפות מסורתיות בדרך כלל קבועות לאחר שהמומחים בחרו את הקשרים, מה שהופך אותן לאטות להסתגלות כשנחיות, נתונים או אוכלוסיות חולים משתנים.

לתת לנתונים ללמוד בעוד המומחים נשארים בשליטה

מערכת התמיכה המוצעת — Human-Centric Fuzzy Decision Support System (HCFDSS) — מנסה לאזן בין ידע מומחה ללמידה מנתונים. היא מפרידה את התהליך לשתי לולאות. בלולאה הפנימית, המודל מקבל תכונות מטושטשות של מטופל, מריץ אותן דרך רשת המושגים, ומגיע לדפוס יציב של הפעלות שמייצג הצעה אבחונית. בלולאה החיצונית, חוזקות הקשרים בין המושגים מותאמות בעדינות כדי להתאים טוב יותר לנתונים קליניים, תוך שמירה על גבולות סבירים. באופן מכריע, רופאים יכולים לבחון קישורים ספציפיים ולהציע תיקונים, והמערכת משלב את ההתאמות האנושיות הללו עם העדכון הנתוני במקום למחוק באופן עיוור את האחד בזכות השני.

דוגמה פשוטה למחלת לב

כדי להדגים כיצד זה עובד, המאמר מציג דוגמה קטנה עם שלושה מושגים: לחץ דם גבוה, כאב בחזה ומחלת לב. הרשת מתחילה בקשרים הנבחרים על ידי מומחים שאומרים, למשל, שכאב בחזה תורם לסיכוי למחלת לב. כאשר מטופל נספר, המודל חוזה רמת הפעלה מסוימת למחלה. רופא בוחן אז את המפה ומחליט שהקשר מכאב בחזה למחלת לב צריך להיות חזק יותר מעט מאשר מה שלמידה בלבד הציעה. לאחר שהמומחה מעלה את אותו קישור בודד במעט, הרשת מורצת שנית ורמת ההפעלה של מחלת הלב עולה במעט, מה שעשוי להטות את ההחלטה משלילה לחיוב. שינוי זה קל לעקוב אחריו ולהצדיקו, כי הוא עובר בדרך נראית דרך מושגים ממוסמנים במקום תכונות מספריות נסתרות.

בדיקת המערכת על נתונים אמיתיים ומדומים

מעבר לדוגמה הפשוטה, המחבר מנסח תכנית הערכה קפדנית המשתמשת בתרחישים קליניים מדומים ובשלושה מערכות נתונים ציבוריות מוכרות על מחלת לב, סרטן השד ומחלת פרקינסון. תחזיות המערכת מושוות מול מספר קווים בסיסיים, כולל מפות מומחים קבועות, מפות שנלמדו בלי הדרכת מומחה ושיטות למידת מכונה מקובלות כגון רגרסיה לוגיסטית, מכונות וקטור תומך, יערות אקראיים, גרדיאנט בוסטינג, שכנים קרובים ורשתות עצביות. המחקר בוחן גם עד כמה הגישה נשארת חזקה כאשר חלק מהנתונים חסרים, כאשר המחלקות לא מאוזנות, וכאשר השפעת המומחה מוגברת או מוקטנת. ציון מיוחד עוקב אחר כמה פעמים הקשרים הנלמדים שומרים על המשמעות והרמיזה הרפואית המקורית שתכנן המומחה.

מה משמעות הדבר לכלי תמיכה רפואיים עתידיים

התוצאות מראות שבזמן שהמערכת החדשה לא תמיד גוברת על מודלים סטנדרטיים של למידת מכונה בדיוק הגולמי, היא בדרך כלל מתקרבת ובו-זמנית שומרת על מבנה שניתן לבחינה מלאה. בפרט, היא שומרת על הסימן ותפקידו המיועד של כל קשר פעיל מטעם המומחה, גם כשנלמדת מנתונים. עבור הקורא הפשוט, המסר הוא שמסגרת זו פחות נועדה לבנות רופא אוטומטי מושלם ויותר נועדה ליצור מפת מושגים ברורה ועריכה שניתן לחלוק בין רופאים ומחשבים. היא מציעה דרך לקלינאים לראות כיצד מודל מגיע להמלצותיו, לבדוק האם ההסקה הזו תואמת את ההבנה הרפואית ולכוון בעדינות את המערכת כאשר ראיות או ניסיון חדשים מצביעים על כך שיחסים מסוימים צריכים להשתנות.

ציטוט: Zakaria, A. A human-centric fuzzy decision support system for medical diagnosis using fuzzy cognitive maps. Sci Rep 16, 15336 (2026). https://doi.org/10.1038/s41598-026-51590-z

מילות מפתח: מפות קוגניטיביות טשטושיות, תמיכה בהחלטות רפואיות, בינה נתפסת (ניתנת לפרשנות), מומחה-בתוך-הלולאה, אבחון קליני