שימוש במודלים ויזואליים‑לשוניים גדולים מאומנים מראש לאבחון מקדים של פלאקות לבנות בוושט בסקר מקיף של סרטן הוושט

למה הנקודות האלה בגרון חשובות

במהלך בדיקות שגרתיות של הבטן והגרון רופאים נתקלים לעתים בכתמים לבנים קטנים בתוך הוושט. ברוב המקרים הם בלתי מזיקים, אך חלקם מסמנים סרטן מוקדם שניתן לרפא אם תתפסו אותו בזמן. להבחין בין הכתמים הדומים האלה בתכניות סקר צפופות קשה, אפילו למומחים. המחקר הזה בודק האם מערכת בינה מלאכותית מתקדמת יכולה לעזור לרופאים למיין במהירות בין כתמים מסוכנים לבלתי מזיקים, ואפילו לתאר בפשטות מה היא רואה.

כתמים לבנים שכיחים עם סיכונים שונים מאוד

פלאקות לבנות בוושט נפוצות יותר ממה שחושבים: בתכנית סקר רחבה זו יותר מאחד מתוך חמישה מטופלים נמצא עם כאלו. עם זאת, פלאקות אלה עלולות לנבוע מבעיות שונות מאוד. חלקן הן מקרים של סרטן וושט מוקדם, המופיעים כאזורים לבנים מעט בולטים וקשים שניתן להבחין כי אי אפשר לנגב אותם. אחרות נגרמות מזיהום פטרייתי, שיוצר ציפוי לבן רך שעשוי להיפרץ ולחשוף רקמה גולמית מתחתיו. יש גם גידולים שפירים זעירים הנקראים פפילומות, או אזורים שטוחים וגרגירים הידועים כאכנתוזיס גליקוגני, שלרוב בלתי מזיקים ומתאימים למעקב פשוט. מאחר שהבחירות הטיפוליות נעות בין ביופסיה דחופה להתבוננות פשוטה, הערכה ויזואלית ראשונית נכונה היא קריטית.

להפוך תמונות אנדוסקופיות להנחיות חכמות

החוקרים בנו מערכת אבחון בעזרת מחשב על בסיס מודל ראייה‑שפה חזק הידוע בשם BLIP, שאומן במקור על אוספים עצומים של תמונות וטקסט. הם הזינו למערכת 13,922 תמונות אנדוסקופיות מיותר מ‑2,000 מטופלים, המכסות את ארבעת הגורמים העיקריים לפלאקות לבנות ובשימוש גם בתצוגות אור לבן סטנדרטיות וגם במצב ניגוד מיוחד שנקרא narrow‑band imaging. בניגוד לכלים קודמים שהקצו רק תווית מחלה, המערכת הזו עושה שתי פעולות בו‑זמנית: היא מנבאת איזו מהארבע מצבים קיימת ומייצרת תיאור כתוב קצר של מה שהיא "רואה" בתמונה, כמו מיקום ומראה הפלאקות.

להעביר למודלים רפואיים יותר ידע עם מעט נתונים

מאגרי תמונות רפואיות קטנים יחסית לארכיונים של תמונות יומיומיות, וזה עלול להגביל את ביצועי ה‑AI. כדי להתמודד עם זה, הצוות הוסיף למודל BLIP מודולים מיוחדים של "רעשים בעלות תמריץ חיובי". באופן פשוט, מודולים אלה יוצרים וריאציות עדינות מונחות נתונים של כל תמונה ושל המפות הפנימיות של התכונות במודל, ומידרים את המערכת ללמוד דפוסים יותר עמידים בלי להציפה בשינויים אקראיים. המודל הורדק (fine‑tuned) כך שהבנת התמונה שלו תיישר קו באופן הדוק עם אבחנות המומחים והתיאורים הטקסטואליים שסיפקו אנדוסקופיסטים מנוסים.

עולה על מודלים מתחרים וגם על מומחים אנושיים

במבחנים, המערכת החדשה עקפה מספר מודלים מובילים המתמקדים בתמונה בלבד בכל מדדי הביצוע המרכזיים עבור ארבע המחלות, ובשני מצבי האנדוסקופיה. היא גם עלתה על מודל ראייה‑שפה רפואי ייעודי בשם LLaVA‑Med בביצוע משימת יצירת מילות מפתח אבחוניות מדויקות בתוך התיאורים הטקסטואליים שלה. בתחרות ישירה של "קריאת" תמונות מול ארבעה אנדוסקופיסטים — שניים בכירים ושניים צעירים — ה‑AI השיג דיוק כולל גבוה יותר בסיווג התמונות. המעניין ביותר, הוא היה טוב יותר מכל הרופאים בזיהוי סרטן וושט מוקדם, במיוחד מבחינת ריקול (recall), כלומר החמיץ פחות מקרי סרטן תוך שמירה על דיוק יציב.

מה זה יכול להשפיע על בדיקות בעתיד

המחקר מציע שמודלי ראייה‑שפה מותאמים בקפידה יכולים להפוך לעצמאים מועילים בתכניות סקר רחבות היקף. מערכת כזו יכולה לסמן כתמים לבנים חשודים בזמן אמת, להפחית את מקרי הסרטן המוקדם החמיצים ולחסוך לרבים מבין המטופלים ביופסיות מיותרות על‑ידי הרגעה רפואית כשהפצע נראה בטוח ופיברוגני. העבודה עדיין צריכה להיבדק על סרטוני אנדוסקופיה, על סוגים נדירים יותר של פלאקות לבנות ובמספר בתי חולים, אך היא מצביעה לעתיד שבו ה‑AI לא רק מזהה בעיות בתמונות רפואיות, אלא גם מסביר את ההנמקות שלו בשפה התומכת בקבלת החלטות קליניות מהירה ועקבית יותר.

ציטוט: Li, Y., Li, X., Zhang, D. et al. The application of pre-trained large visual-language models for preliminary diagnosis of esophageal whitish plaques in large-scale esophageal cancer screening. npj Precis. Onc. 10, 94 (2026). https://doi.org/10.1038/s41698-026-01301-8

מילות מפתח: סריקה לסרטן הוושט, בינה מלאכותית באנדוסקופיה, מודלים ראייה‑שפה, אבחון בעזרת מחשב, פלאקות לבנות בוושט