תחזיות ניתנות לפרשנות מצילומי FDG-PET/CT של כל הגוף באמצעות פרמטרים הקשורים לתוצאים קליניים

סריקות חכמות יותר לטיפול בסרטן

רופאים כבר מסתמכים על סריקות גוף עוצמתיות לגילוי ומעקב סרטן, אך רבים מהפרטים בתמונות אלה אינם מנוצלים כי הם מורכבים מדי לניתוח בעין. מחקר זה מראה כיצד מערכת בינה מלאכותית (AI) יכולה להפוך סריקות כל־הגוף לצורה מקוצרת וקלה לניתוח ועדיין לספק תחזיות מדויקות ומובנות לגבי הגידולים ומצבו הכללי של המטופל. הגישה נועדה לא רק להיות חכמה, אלא גם שקופה מספיק כך שמטפלים יוכלו לראות למה ה‑AI "מביט", ובכך לסייע בבניית אמון בהחלטות בעזרת מחשב.

הפיכת סריקות תלת‑ממדיות לרצועות תמונה שטוחות

החוקרים עבדו עם יותר מאלף סריקות PET/CT משולבות של חולי סרטן ובקרות בריאות. סריקות אלה מראות הן את מבנה הגוף (CT) והן כמה הרקמות צורכות סוכר (PET), דבר חשוב כיוון שבהרבה מקרים הגידולים צורכים יותר סוכר מרקמה בריאה. במקום להזין את התמונות התלת‑ממדיות המלאות ל‑AI — מה שהיה דורש משאבי־חומרה כבדים — הם דחסו את הסריקות ל"היטליות" דו‑ממדיות. הם גם הפרידו את הגוף לקבוצות רקמות פשוטות: עצם, רקמה רזה כמו שריר ואיברים, שומן גוף וחללים מלאי אוויר כגון הריאות. עבור כל סוג רקמה ולזוויות צפייה שונות יצרו ערוצי תמונה שמייצגים את מראה הרקמה ואת פעילותה, ואז סידרו את הערוצים הללו לתמונה דמויית קולאז' עבור כל אדם.

לימוד ה‑AI לקרוא אותות בריאות

באמצעות הקולאז'ים הממוינים לפי רקמה, הצוות אימן מודל למידה עמוקה לחזות כמה ערכים מרכזיים הידועים כבעלי משמעות לתוצאים בסרטן. בין השאר נכללו נפח מטבולי כולל של הגידול (מדד לכמה גידול פעיל קיים), מספר נגעים נפרדים, גיל המטופל, והאם המטופל חולה בסרטן או לא. המודל התבקש גם להבחין בין זכר לנקבה. חלק מהמטרות, כמו נפח הגידול, ניתנות לזיהוי בסריקות; אחרות, כמו גיל, אינן ברורות כלל ודורשות שה‑AI יזהה דפוסים עדינים במבנה ובמטבוליזם הגוף. כדי להבטיח הערכה הוגנת, החוקרים חלקו את המידע שוב ושוב לקבוצות אימון ובדיקה כך שכל סריקה שימשה כשירות מבחן עצמאי בנקודה מסוימת.

עד כמה המערכת עבדה טוב

ה‑AI שהשתמש בכל ערוצי ה‑PET הספציפיים לרקמה חזה בדיוק רב את נפח הגידול ומספר הנגעים, והתקרב לביצועים של שיטות תלת‑ממדיות מורכבות שמנתחות כל פרוסת סריקה. הוא גם העריך את הגיל בממוצע בטווח של כשבע שנים והבחין במגדר כמעט באופן מושלם. כאשר הוחלט האם סריקה שייכת לאדם עם סרטן, המערכת השיגה דיוק גבוה מאוד. חשוב לציין, שכלילת מידע ממספר רקמות וכיווני צפייה שיפרה כמעט תמיד את הביצועים בהשוואה לשימוש בתמונה אחת פשוטה. ממצא זה מצביע על כך שסרטניים "משאירים את חותמם" לא רק בנקודות חמות ברורות, אלא גם בשינויים עדינים בגוף שההיטליות הרב‑ערוציות מסייעות לגלות.

להראות היכן ה‑AI מסתכל

כדי לענות על דאגה נפוצה לגבי AI — שהוא פועל כמו קופסה שחורה — החוקרים השתמשו בטכניקה שנקראת מיפוי סליאנסי כדי להדגיש אילו חלקים בתמונות השפיעו ביותר על כל תחזית. עבור נפח הגידול והבחנה בין סרטן ללא‑סרטן, המקומות החמים במפות אלה תואמו למיקומי גידולים אמיתיים, מה שמראה שהמודל שם לב לאזורים בעלי היגיון רפואי. עבור חיזוי גיל, הוא התמקד באזורים כגון הכבד, שרירי הירך והכתף, ואזורים ליד האגן, הידועים ככאלה שמשתנים עם הגיל והרכב הגוף. למטרת סיווג מגדר, הוא התרכז בחזה ובאזור האגן. דפוסים אלה, שאושרו על פני קבוצת המטופלים כולה, מרמזים שהמערכת לומדת רמזים משמעותיים במקום להסתמך על רעש אקראי.

מה משמעות הדבר עבור מטופלים

למרות שזהו הוכחה ראשונית לקונספט, המחקר מראה שניתן לעבד סריקות סרטן מורכבות של כל הגוף לתמונות דו‑ממדיות יעילות וניתנות לפרשנות שעדיין מאפשרות ל‑AI לחזות מידע בעל חשיבות קלינית. בעתיד, מודלים דומים עשויים להתקדם מעבר לגודל ולמספר הגידולים כדי להעריך כמה זמן צפוי שהמטופל יחיה, עד כמה ייענה לטיפול, או כיצד מחלתו מתקדמת — באמצעות מידע שכבר נאסף בטיפול שגרתי. מכיוון שהשיטה גם מראה מאיפה ה‑AI שואב את מסקנותיו, היא עשויה לסייע לרופאים להבין ולהסתמך יותר על המלצותיו, ובכך לתמוך בטיפול בסרטן מותאם ושקוף יותר.

ציטוט: Tarai, S., Lundström, E., Ahmad, N. et al. Interpretable predictions from whole-body FDG-PET/CT using parameters associated with clinical outcome. Commun Med 6, 232 (2026). https://doi.org/10.1038/s43856-026-01567-w

מילות מפתח: דימות FDG-PET/CT, למידה עמוקה באונקולוגיה, חיזוי עומס גידול, בינה מלאכותית מְסַבִּירָה, דוגמנות תוצאים קליניים