חיזוי מהיר של הפעלת הלב בחדר השמאלי באמצעות למידה עמוקה גאומטרית: צעד בתכנון תרפיית סינכרון לבבי

מדוע התזמון חשוב ללב הנאבק

לרבים מהאנשים עם אי‑ספיקת לב חמורה, פולסים חשמליים זעירים ממכשיר מושתל יכולים לסייע לחללים המשאבה המרכזיים של הלב להתכווץ בהרמוניה טובה יותר. טיפול זה, המכונה תרפיית סינכרון לבבי, יכול להקל על תסמינים ולהאריך חיים. עם זאת, בערך אחת מכל שלוש מטופלים נהנית מועט מהטיפול, לעיתים קרובות מפני שכבל קצב בצד השמאלי של הלב אינו ניתן למיקום האופטימלי. המחקר בוחן האם מודלים ממוחשבים המופעלים בבינה מלאכותית מודרנית יכולים לחזות במהירות כיצד החשמל מתפשט בחדר השמאלי ולעזור לרופאים לבחור מיקומי קיצוב המותאמים לכל מטופל.

ממצבי סימולציה איטיים לניבויים מיידיים

המודלים הממוחשבים המדויקים ביותר של הלב כיום נסמכים על משוואות מורכבות המדמות כיצד אותות חשמליים נעים דרך שריר הלב. למרות הדיוק, סימולציות אלה יכולות לקחת דקות על מחשבים חזקים — איטי מדי לשימוש שגרתי במהלך הליך רפואי. המחברים שאפו לבנות מודלים מהירים כמודל־תחליף (surrogate) שלמדו מהסימולציות המסובכות והצליחו לשחזר את תוצאותיהן כמעט מיד. הם התמקדו בחדר השמאלי, חדר המשאבה הראשי של הלב, ובחיזוי "מפות זמן הפעלה" המראות כמה מהר אזורים שונים בחדר זה מופעלים חשמלית במהלך פעימת לב.

לימוד ה־AI את שפת צורות הלב

לכל לב יש צורה מעט שונה, והבדלים אלה משפיעים על אופן התפשטות הגלים החשמליים. במקום לכפות כל הלבבות על רשת קשיחה, החוקרים השתמשו במשפחה של שיטות הנקראות למידה עמוקה גאומטרית, שיכולות לעבוד ישירות עם צורות לא סדירות. הם פיתחו והשוו שתי גישות קשורות. האחת, מבוססת רשת עצבית גרפית, מתייחסת לחדר השמאלי כאוסף נקודות המקושרות כמו רשת. השנייה, שנקראת אופרטור עצבי מודע גאומטריה, מקודדת תחילה את הצורה הלא סדירה הזו על רשת פנימית סדירה, מעבדת אותה ואז ממפה את התוצאה חזרה לאנטומיה המקורית. שני המודלים מקבלים כקלט את צורת הלב התלת‑ממדית, את המיקומים שבהם הוא מגרה, וכמה טוב הרקמה מוליכה חשמל, ואז חוזים כיצד ההפעלה מתפשטת דרך דופן השריר.

בניית אוכלוסייה וירטואלית של לבבות

מכיוון שאוספים גדולים של נתוני מטופלים אמיתיים עם מפות הפעלה תלת‑ממדיות מלאות נדירים, הצוות ייצר מאגר וירטואלי משלו. הם התחילו מ‑75 צורות אמיתיות של חדר שמאל המכסות לבבות בריאים וחולים ושימושו במודל סטטיסטי של צורה ליצירת 35,000 וריאנטים סינתטיים. עבור כל אחד מהם קבעו כיווני סיבים שריריים ריאליסטיים, בחרו אתר או שניים לקיצוב וגוונו את מוליכויות הרקמה במגוון רחב. סימולציות מבוססות פיזיקה מפורטת ייצרו מפות זמן הפעלה לכל אותם לבבות וירטואליים, ששימשו לאימון ובחינת מודלי הלמידה העמוקה. את המודלים גם אתגרו עם רשתות ברזולוציה גבוהה יותר ועם גיאומטריות חדר שמאל שנלקחו משתי קבוצות קליניות בלתי תלויות כדי לבחון עד כמה הם מgeneralize על מעבר לסט האימונים הסינטטי.

כמה טוב ביצעו המודלים?

בלבבות סינתטיים דומים לאלו שבהם אותן אימנו, שני המודלים חזו מפות הפעלה עם שגיאות קטנות, אך האופרטור העצביי המודע גאומטריה היה בקירוב מדויק פי שניים מהרשת הגרפית. כאשר החוקרים עברו לצורות לב מהעולם האמיתי, השגיאה גדלה בשניהם וביצועיהם הפכו לניתנים להשוואה. הדבר מרמז שהמגבלה המרכזית אינה בעוצמת האלגוריתמים, אלא בפער בין הצורות הפשוטות בסט האימון לבין המורכבות המלאה של אנטומיית המטופל האמיתית. עם זאת, המודלים יכלו להפיק תחזיות במילישניות — הרבה יותר מה‑עשר דקות הנדרשות לסימולציה מסורתית — מה שהופך אותם לאטרקטיביים למשימות שדורשות אלפי הערכות חוזרות, כגון חיפוש אחר מיקומי קיצוב אפשריים מרובים.

בדיקת כלי תכנון וירטואלי

לאחר מכן השולבו המודלים המאומנים בתוך זרימת עבודה הוכחת‑מושג לתכנון תרפיית סינכרון. בהתבסס על צורת חדר שמאל ומפת הפעלה רועשת שנועדה לדמות מדידות קליניות, הזרימה תחילה עבדה לאחור כדי לאמוד את אתר הקיצוב הטבעי של המטופל ואת מוליכות הרקמה. לאחר מכן חיפשה על פני משטח החדר מיקום קיצוב שני שימזער את זמן ההפעלה הכולל — כמות שקשורה במחקרים קודמים לתגובה טובה יותר לטיפול. שני מודלי הלמידה העמוקה הצליחו לשחזר פרמטרים ספציפיים למטופל מתוך נתונים רועשים ולהציע אתרי קיצוב שקיצרו בצורה משמעותית את זמן ההפעלה, הכל בתוך עשרות שניות על מעבד גרפי יחיד. המחברים גם בנו ממשק מבוסס רשת שבו משתמשים יכולים להעלות גיאומטריות, לחקור תרחישי קיצוב ולהפעיל אופטימיזציה זו באופן אינטראקטיבי.

מה זה אומר למטופלים

העבודה הזו מראה שמודלי למידה עמוקה מאומנים בקפידה יכולים לחקות סימולציות חשמליות מפורטות של חדר שמאל עבור מגוון צורות ותצורות קיצוב, ושהם עושים זאת במהירות מספקת לשילוב בכלי תכנון. בעוד שהמודלים הנוכחיים נסמכים על נתוני אימון סינתטיים ומתמקדים רק בהתנהגות החשמלית בחדר השמאלי, הם מניחים את הבסיס לזוגות דיגיטליים מקיפים יותר שיכללו את שני צידי הלב ואת פעולת המשאבה המכנית שלו. עם נתונים עשירים יותר מהעולם האמיתי ושיפורים נוספים, כלים כאלה עשויים יום אחד לסייע למרפאים לבדוק אסטרטגיות קיצוב רבות במחשב לפני כניסה לקליניקה, ולהעלות את הסיכוי שכל חולה יקבל תצורת מכשיר שמחזירה באמת את קצב ליבו.

ציטוט: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

מילות מפתח: תרפיית סינכרון לבבי, למידה עמוקה גאומטרית, אלקטרופיזיולוגיה של הלב, מודלים מותאמים למטופל, זוג דיגיטלי