מסגרת למידה עמוקה גמישה זויתית לניתוח אוטומטי של אקו-לב דו־ממדי

מדוע סריקות לב זקוקות לעזרה

סריקות אולטרסאונד של הלב הן אבן יסוד בקרדיולוגיה המודרנית, אבל קבלת מידע מהימן מהן דורשת בדרך כלל שנות הכשרה. במרפאות עמוסות, בחדרי מיון או באזורים מרוחקים, המומחיות הזאת אינה תמיד זמינה, מה שעלול לעכב טיפול למטופלים עם בעיות לב. במחקר זה נבדק האם בינה מלאכותית (AI) יכולה לפרש סרטוני אולטרסאונד לב נפוצים מזוויות סטנדרטיות שונות, ולהפוך הערכות לב איכותיות לזמינות גם כאשר התמונה נרכשת על ידי משתמשים פחות מנוסים בעזרת מכשירים ניידים.

דרך חדשה לקרוא תמונות לב בתנועה

החוקרים פיתחו מסגרת למידה עמוקה שמסוגלת לנתח קליפים קצרים מאקו־לב דו־ממדי — תמונות שחור‑לבן נעות של הלב הפועם. שלא כמו כלים ממוחשבים מסורתיים שדורשים זווית מצלמה מאוד ספציפית, המערכת הזו מקבלת מספר מבטים שכיחים כל עוד החדר המשאבה המרכזי, החדר השמאלי (החדר הלבבי השמאלי), מופיע בתמונה. מתוך המראות המגוונים האלה ה‑AI מעריך שלושה דברים: כמה טוב הלב מזרים דם (שבר הפליטה של החדר השמאלי, LVEF), גילו של המטופל ומינו. הרעיון המרכזי הוא לשחרר את האולטרסאונד מדרישות זווית נוקשות כדי לאפשר מדידות טובות גם כאשר התמונות אינן מושלמות.

בדיקת המערכת על מטופלים מסוגים רבים

כדי להעריך את ביצועי המסגרת, הצוות אימן אותה על עשרות אלפי אקו־לב סטנדרטיים מאתרי Mayo Clinic במינסוטה ובווירג'יניה המערבית. לאחר מכן הם בדקו אותה על מספר קבוצות בלתי תלויות: מטופלים נוספים מאריזונה ופלורידה, מאגר ציבורי גדול מסטנפורד, ושתי אוספות של אולטרסאונד נייד. אחת מאוספות הנייד הגיעה ממטופלים שעברו גם בדיקת מכונה סטנדרטית וגם סריקת נייד באותה ביקור. השנייה הגיעה מבתי חולים בארצות הברית ובישראל, שבהם טכנאים מומחים וגם מתחילים — אחיות ומתמחים שעברו קורס קצר והשתמשו בתוכנת הנחיה בזמן אמת — הקליטו תמונות ניידות.

כמה מדויקות היו הערכות הלב והגוף של ה‑AI?

בין כל מאגרי הנתונים המגוונים האלה, הערכות ה‑LVEF של ה‑AI התואמו קרוב לערכים שחישבו קוראים מומחים, עם הבדלים טיפוסיים של פחות מעשרה נקודות אחוז ברוב המכריע של המקרים. הוא גם הצליח בשאלה מעשית מרכזית: להחליט האם תפקוד השאיבה של הלב ירוד במידה ברורה או לא. הן במכשירים סטנדרטיים והן במכשירי נייד, ביצועי המערכת בזיהוי לבבות עם LVEF נמוך משמעותית היו דומים לאלו של מומחים אנושיים. חשוב לציין שהתוצאות נשארו חזקות כאשר התמונות נרכשו בסורקים ניידים, ואף כאשר סריקות אלה בוצעו על ידי מתחילים שהשתמשו בתוכנת הנחיה. רק במיעוט קטן של מקרים הבדלים מהותיים נרשמו בין הערכות ה‑LVEF שנעשו מקליפים שנרכשו על ידי מתחילים לבין אלו שנרכשו על ידי מומחים לאותו מטופל.

רמזים נסתרים לגיל ומין בתוך תנועת הלב

מעבר לכוח השאיבה, ה‑AI היה טוב להפתיע בניחוש גילו ומינו של אדם על סמך אקו־לב בלבד. גיל מוערך התאקל בצורה חזקה לגיל האמיתי, בין אם התמונות הגיעו ממכונות סטנדרטיות ובין אם ממכשירים ניידים. סיווג המין היה גם הוא מדויק מאוד בכל קבוצות המבחן. אף על פי שמאפיינים אלה כבר ידועים במרפאה, היכולת להסיק אותם באופן אמין מתנועת הלב מרמזת שתמונות האולטרסאונד מכילות דפוסים עדינים של הזדקנות והבדלים ביולוגיים שהעין האנושית לא כמותית באופן שגרתי. המחברים מציעים כי אי־התאמות בין גיל מוערך על‑ידי ה‑AI לגיל האמיתי, למשל, עשויות יום אחד לשקף "גיל לב ביולוגי" ולעזור לזהות אנשים בסיכון לבבי גבוה יותר.

מה משמעות הדבר לטיפול לב עתידי

המחקר מראה שמסגרת AI יחידה יכולה להפוך מגוון רחב של קליפי אולטרסאונד שגרתיים של הלב למידע קליני שימושי ללא דרישה לזוויות מצלמה מושלמות או למפעילים מומחים. באמצעות הערכה מדויקת של תפקוד שאיבת הלב וחילוץ רמזים רחבים יותר לגבי מאפייני המטופל משני סוגי סריקות — סטנדרטיות וניידות — הגישה עשויה לתמוך במיון מהיר יותר במרפאות, בחדרי מיון ואפילו בטיפול לפני אשפוז. אף שהעבודה עדיין זקוקה למבחנים בקבוצות גזעיות ואתניות מגוונות יותר ובתנאים מציאותיים פחות מבוקרים, היא מצביעה לעתיד שבו מטפלים רבים יותר, מצוידים בסורקים ניידים פשוטים, יוכלו לקבל תובנות מהימנות על בריאות הלב ליד המיטה.

ציטוט: Anisuzzaman, D.M., Malins, J.G., Jackson, J.I. et al. A view-flexible deep learning framework for automated analysis of 2D echocardiography. npj Cardiovasc Health 3, 17 (2026). https://doi.org/10.1038/s44325-025-00100-7

מילות מפתח: אקוקרדיוגרפיה, בינה מלאכותית, אולטרסאונד נייד, שבר פליטה, דימות לב וכלי דם