Melan-Dx: מסגרת חזון־שפה משופרת בידע משפרת את האבחנה ההבדלתית של פתולוגיית נגעים מלנוציטיים

מדוע אבחון מלנומה חכם יותר חשוב

מלנומה, צורת סרטן עור מסוכנת, לעיתים קרובות ניתנת לריפוי אם תיתפס מוקדם — אך רק אם הרופאים שמפענחים דגימות רקמה במיקרוסקופ מזהים אותה כראוי. לצערנו, אפילו מומחים מנוסים לעתים קרובות אינם מסכימים ביניהם לגבי מה שהם רואים, במיוחד בגידולים גבוליים שנראים כמעט, אך לא לגמרי, ממאירים. מאמר זה מתאר את Melan‑Dx, מערכת בינה מלאכותית חדשה שמטרתה לתמוך במומחי סרטן העור על‑ידי שילוב אלפי תמונות מיקרוסקופיות המסומנות על ידי מומחים עם ידע רפואי מובנה, ולהציע אבחנות מהירות, אחידות ושקופות יותר.

בניית אטלס עשיר של תמונות גידולי עור

הצעד הראשון היה להרכיב "אטלס" איכותי של גידולים מלנוציטים — משפחה רחבה של צמיחות הכוללת שומות חיסרון ומלנומות מסכנות חיים. דרמוטו‑פתולוגים מאוניברסיטת פנסילבניה בחרו וסימנו בקפידה 2,893 תמונות מיקרוסקופיות המכסות 44 סוגים שונים של נגעים מלנוציטיים, משומות שפירות נפוצות ועד מלנומות תוקפניות ונדירות. כל תמונה מתמקדת באזור עניין וממופה להיררכיה בת שלוש רמות המבוססת על סיווגי הגידול של ארגון הבריאות העולמי (WHO), המאגדת מחלות תחילה לפי קטגוריה רחבה, אחר כך לפי תת‑סוג ובסופו של דבר לפי אבחנה ספציפית. סידור מובנה זה משקף את האופן שבו מומחים חושבים על נגעים אלה בשגרה הקלינית.

להכשיר בינה מלאכותית בעזרת ידע רפואי — לא רק פיקסלים

Melan‑Dx חורגת מהגישה הטיפוסית המבוססת תמונה בלבד על‑ידי שילוב תמונות עם תיאורים טקסטואליים שמקורם במקורות רפואיים מוסמכים. עבור כל סוג מחלה, הצוות ריכז רשומות קצרות ומובנות המתארות את מה שהפתולוגים מחפשים — כגון צורת התאים, דפוסי גדילה ותוצאות צביעות מיוחדות — ואיך תכונות אלה מבחינות בין נגעים שונים. מודל שפה גדול סייע בארגון המידע, אך המומחים האנושיים בדקו את הדיוק. ביחד התמונות והטקסט הומרו ל"הטמעות" מספריות והוכנסו למסד נתונים הניתן לחיפוש. כך המערכת לא רק מזהה דפוסים חזותיים, אלא גם מקשרת אותם לקריטריונים אבחוניים מפורשים, בדומה לרופא המתייעץ בספר לימוד ממוספר ומאויר.

כיצד Melan‑Dx מסתמכת על מקרה חדש

כש‑Melan‑Dx מקבלת תמונת ביופסיה חדשה, היא מעבדת אותה בשני סניפים מתואמים. בסניף התמונה, מודל חזון מקודד את התמונה ומשלוף את הדוגמאות הדומות ביותר מהאטלס, כשהוא מדגיש את אלה שמתאימים ביותר ומשלבן לייצוג משופר. בסניף הידע, אותה תמונה משמשת לשליפת קטעי טקסט הרלוונטיים ביותר המתארים אבחנות אפשריות. מודולים "מומחים" מיוחדים לכל סוג מחלה מאזנים אילו תמונות רפרנס ורשומות ידע חשובים ביותר, ובלוקים של איחוי משלבים את הרמזים האלה. המערכת מאומנת כך שעבור אבחנה נכונה, הייצוגים המשופרים של תמונה וטקסט יתיישרו זה עם זה באופן הדוק, בעוד שזוגות לא מתאימים יופרדו. למידה קונטרסטיבית זו עוזרת לבינה להבחין בעשרות סוגי גידול המבדילים לעדינות, תוך שמירה על עיגון בידע רפואי.

בדיקת דיוק, בטיחות ויעילות

החוקרים השוו אז את Melan‑Dx לכמה ממודלי הבינה המובילים בפתולוגיה במשימות שונות. לשאלה הבסיסית "מלנומה או לא?", Melan‑Dx השיגה עד 87% דיוק, תוך שהיא מובילה הן על מודלים שעברו התאמה קלה והן על כאלה שאומנו מחדש במלואם. במבחן קשה של סיווג בין 40 קטגוריות הכולל תתי‑סוגים רבים של מלנומה ושומות, היא הגיעה לכמעט 70% דיוק בניחוש הראשון ולמעל 87% כאשר הותרו שלוש ניחושים, ושוב עקפה גישות מתחרות. המערכת גם כיבדה את ההיררכיה המחלתית: כאשר טעתה, היא נוטה יותר לבלבל מצבים קרובים זה לזה מאשר לערבב קטגוריות שפירות וממאירות — דבר שמשקף טוב יותר את הסיכונים הקליניים במציאות. בתמונות של שקופיות שלמות — סריקות דיגיטליות גדולות של חתכי רקמה שלמים — Melan‑Dx שיפרה את גילוי הסרטן הן כאשר נתוני האימון היו מועטים והן כאשר היו שפע דוגמאות, ועשתה זאת תוך קיצוץ זמן האימון בכמעט 90–97% מכיוון שמודל החזון המרכזי אינו נדרש לאימון מחדש.

מה זה אומר למטופלים ולרופאים

בעבור מטופלים, ההבטחה של Melan‑Dx איננה רופא רובוט יודע־הכל, אלא חוות דעת שניה חכמה שיכולה לסייע להפחית מלנומות שלא זוהו וחרדות מיותרות הנובעות מאבחון-יתר. עבור קלינאים, המערכת מציעה לא רק תווית אלא גם ראיות: היא מציגה מקרי עבר דומים ואת הקריטריונים הכתובים המרכזיים התומכים בהצעתה, מה שמקל על בחינת ההיגיון שלה. למרות שהעבודה הנוכחית מתמקדת בגידולים מלנוציטיים ומתבססת על מערך נתונים מתוחזק בקפידה ממרכז אחד, אסטרטגיה זהה — קישור תמונות עם ידע רפואי מובנה ושימוש בשליפה להכוונת הבינה — ניתנת להרחבה למחלות רבות אחרות. ככלי קל־משקל ומוסבר שתוכנן לשיתוף פעולה בין אדם לבינה, Melan‑Dx מצביעה על עתיד שבו הפתולוגים נשארים אחראים, אך מצוידים טוב יותר למסור אבחנות סרטן עור מדויקות ובזמן הנדרש.

ציטוט: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

מילות מפתח: אבחון מלנומה, פתולוגיה חישובית, בינה מלאכותית רפואית, מודלי חזון־שפה, זיהוי סרטן העור