מאת רדיולוג פעיל — מגשר בין תובנות טכנולוגיות למציאות הקלינית.

מ-CAD ל-AI: היסטוריה קצרה

רדיולוגים כבר שמעו את כל זה בעבר. לפני עשרות שנים, זיהוי בסיוע מחשב (CAD) הבטיחו לחולל מהפכה במשימות כמו בדיקות ממוגרפיה. עם זאת, מערכות CAD המוקדמות לרוב לא עמדו בציפיות – הן סבלו משיעורי תוצאות חיוביות כוזבות גבוהים ולא תרמו כמעט לשיפור הדיוק האבחוני. למעשה, מחקר נרחב מצא כי CAD מסורתי לממוגרפיה “אינו משפר את הדיוק האבחוני... ועלול להוביל לפספוס של מקרי סרטן”, ומציע “אין תועלת מוכחת” למרות עלותו. חסרונות אלה מיתנו את ציפיותינו.

נקודה מרכזית: ה-CAD מהדור הראשון היה מוגזם, ולעתים קרובות הוסיף רעש במקום תובנות.

קדימה מהירה לאמצע שנות ה-2010, וגל חדש של בינה מלאכותית – המונע על ידי למידה עמוקה – החל לשנות את כללי המשחק. אלגוריתמים אלה של בינה מלאכותית למדו ישירות ממיליוני תמונות, והשיגו הישגים בזיהוי תבניות שה-CAD הישן לא היה מסוגל להגיע אליהם. במיוחד בתחום הממוגרפיה, בינה מלאכותית המבוססת על למידה עמוקה החלה להפחית את מספר התוצאות החיוביות השגויות ולשפר את הספציפיות, תוך התייחסות לאחד הכשלים הגדולים ביותר של CAD. ההייפ סביב ה-AI ברדיולוגיה הגיע לשיאו בסביבות 2016, כאשר אישים בולטים כמו ג'פרי הינטון הציעו באופן פרובוקטיבי “להפסיק להכשיר רדיולוגים” מכיוון שה-AI יעלה עליהם בביצועים בתוך חמש שנים. כרדיולוג שחי את מחזור ההייפ הזה, אני יכול להעיד שהחמש שנים האלה חלפו – ואנחנו עדיין כאן. אבל AI יש הגיעו לתהליך העבודה שלנו, רק שלא בדיוק כפי שניבאו הנביאים הזועמים (או האוטופיסטים).

נקודה מרכזית: ה-AI של היום מבוסס על הלקחים של אתמול – הוא חזק ומבטיח יותר, אך דורש גישה ריאלית ומבוססת ראיות.

מה זה אמיתי היום: בינה מלאכותית כבר נמצאת בתהליך העבודה

בינה מלאכותית אינה מדע בדיוני בשנת 2025 – היא כבר מסייעת לרופאים בדרכים מוחשיות. בסוף שנת 2022, היו מעל 200 אלגוריתמי AI שאושרו על ידי ה-FDA עבור רדיולוגיה בלבד (וכמעט 400 לפי כמה הערכות בשנת 2024), שפותח על ידי יותר מ-100 יצרנים. כיום, רדיולוגים רבים (כולל אני) משתמשים ב- כלים משופרים באמצעות בינה מלאכותית כחלק שגרתי מהטיפול. אלה אינם מחליפים אותנו, אלא משפרים את זרימת העבודה שלנו בתחומים ספציפיים:

מיון וקביעת סדרי עדיפויות: “עוזרים וירטואליים” מבוססי בינה מלאכותית מנטרים את הבדיקות הנכנסות ומסמנים את אלה עם ממצאים קריטיים. לדוגמה, אלגוריתם יכול לזהות באופן מיידי דימום תוך-גולגולתי חשוד בבדיקת CT של הראש או פנאומוטורקס (ריאה מכווצת) בצילום רנטגן של החזה, ולהעביר את הבדיקות הללו לראש רשימת העבודה. Critical Care Suite של GE Healthcare הוא כלי כזה – הוא פועל על מכשיר הרנטגן עצמו ובשניות ספורות מודיעה לצוות הרפואי על נוכחות פנאומוטורקס, מה שמסייע במיון מקרי חירום. באופן דומה, בטיפול בשבץ מוחי, מיון מבוסס בינה מלאכותית לחסימת כלי דם גדולים הפך לסטנדרט במרכזים רבים לטיפול בשבץ מוחי. בבית החולים שלי, כאשר בינה מלאכותית מסמנת סריקת מוח כמקרה של שבץ או דימום מוחי חמור, אנו מקבלים התראה מיידית – מה שלעתים קרובות מקצר את הזמן עד לטיפול בדקות יקרות. מחקרים מאששים זאת: שימוש בבינה מלאכותית לבדיקת סריקות CT של הראש ולהתראה לרדיולוגים יכול לקצר את זמן הטיפול באופן משמעותי (מחקר אחד הראה כי 36% הפחתה בזמן התפנית למטופלים במיון עם דימום מוחי באמצעות הבינה המלאכותית של Aidoc (aidoc.com).
נקודה מרכזית: ה-AI פועל כזקיף בלתי נלאה, מאתר ממצאים קריטיים במהירות רבה יותר ומזרז את הטיפול.
איתור ותמיכה באבחון: מעבר למיון, מערכות בינה מלאכותית משמשות כ“זוג עיניים נוסף”. אלגוריתמים מודרניים יכולים להדגיש גושים ריאתיים עדינים בסריקות CT, לאתר מפרצות תוך-גולגולתיות בשלב מוקדם או לכמת את תפקוד הלב ב-MRI. בממוגרפיה, שבה ה-CAD הישן לעתים קרובות העלה אזעקות שווא רבות מדי, מערכות AI חדשות מוכיחות את ערכן. למעשה, ניסויים פרוספקטיביים באירופה הראו שהחלפת אחד משני הרדיולוגים בתוכנית סריקה כפולה ב-AI יכולה לשמור על רמת הדיוק או אפילו לשפר אותה מעט. להגדיל את שיעורי גילוי הסרטן תוך הפחתת עומס העבודה. ובפרקטיקה היומיומית, בינה מלאכותית יכולה לתחום גידולים או איברים בהדמיה, ולבצע מדידות מייגעות (כגון ניתוח נפחי של נגעים או סימון גבולות איברים) כך שרדיולוגים יכולים להתמקד בפרשנות. חשוב לציין כי כלים אלה הם “בינה מוגברת” – הם מסייעים ולא מאבחנים באופן עצמאי. הרדיולוג נשאר בשליטה, מאשר או מבטל את הצעות ה-AI. נקודה מרכזית: ה-AI העכשווי מצטיין במשימות ספציפיות – מציאת מחט בערימת שחת – ומאפשר לרופאים להקדיש יותר תשומת לב לתמונה הכוללת.
אוטומציה של זרימת העבודה: יש יישומים של בינה מלאכותית שמכוונים לשלבים “שגרתיים” אך חיוניים בתהליך העבודה. לדוגמה, כלים לעיבוד שפה טבעית (NLP) יכולים ליצור באופן אוטומטי טיוטות של דוחות רדיולוגיים מתוך ממצאים מובנים. מודלים אלה של בינה מלאכותית, שהוכשרו על בסיס מיליוני דוחות רדיולוגיים מהעבר, יכולים לתרגם רשימה של חריגות לפסקה קוהרנטית. בפועל, זה יכול להתבטא כך: אם אני מכתיב “נגעים מרובים בכבד עם הגברה עורקית ושטיפה”, הבינה המלאכותית יכולה להציע מסקנה מבוססת תבנית כמו “ממצאים התואמים גרורות בכבד”. אני עדיין בודק ועורך, אך זה חוסך הקלדה ומבטיח עקביות. באופן דומה, זיהוי דיבור מבוסס בינה מלאכותית (כמו Dragon המוכר של Nuance, המתפתח כעת עם בינה מלאכותית סביבתית) משמש ככלי עבודה מרכזי מזה שנים – ומאפשר לרדיולוגים רבים להכתיב דוחות בזמן אמת. השלב הבא הוא סופרי AI סביבתיים: מערכות המקשיבות לשיחות או להקלטות בחדר המרפאה ומייצרות באופן אוטומטי תיעוד מובנה. זה כבר קורה בתוכניות פיילוט – למשל, Nuance’s DAX (Dragon Ambient eXperience) מוטמע בבתי חולים כדי להקל על הרופאים את מלאכת רישום ההערות. עשרות מערכות בריאות משיקות כלים מסוג זה המשולבים במערכות התיקים הרפואיים האלקטרוניים (EHR), במטרה להפחית את העומס המוטל על הרופאים מהקלדה.
נקודה מרכזית: ה-AI מתחיל להיעלם אל הרקע של זרימת העבודה הקלינית, מטפל בניירת ובמשימות אדמיניסטרטיביות כדי שבני האדם יוכלו להתמקד במטופלים.
שיפור תמונה ויעילות: מעניין לציין כי חלק מה-AI הנפוצים ביותר ברדיולוגיה הם אלה שאתה לא רואה – הם פועלים מאחורי הקלעים כדי להפוך את ההדמיה למהירה או ברורה יותר. אלגוריתמים לשחזור תמונות מבוססי בינה מלאכותית מאפשרים כעת לבצע סריקות MRI ו-CT בחלקיק מהזמן על ידי מילוי פערים או הפחתת רעש. לדוגמה, רצפים של MRI המונעים על ידי בינה מלאכותית יכולים לייצר תמונות אבחנתיות עם זמני סריקה קצרים משמעותית. רדיולוגים נהנים מתפוקה גבוהה יותר ולעיתים מתמונות חדות יותר – אם כי, באופן אירוני, האצת הסריקות עלולה להגדיל את עומס העבודה שלנו על ידי הצפתנו במחקרים נוספים לקריאה. (כפי שאמר אחד מעמיתינו בבדיחות הדעת, “נהדר, עכשיו נוכל לסרוק 20% חולים נוספים... ונחשו מי יקרא את הבדיקות הנוספות?”) עם זאת, הדמיה מהירה יותר היא יתרון מובהק לטיפול בחולים.
נקודה מרכזית: ה-AI מאיץ את תהליך ההדמיה עצמו – חשבו על סריקות קצרות יותר, מינונים נמוכים יותר של קרינה – גם אם זה אומר שרופאי הרדיולוגיה צריכים לקרוא את התוצאות קצת יותר מהר.

מה זה כמעט מוכן: בינה מלאכותית מתפתחת באופק

בתחום זה, המתפתח במהירות, כמה טכנולוגיות בינה מלאכותית עומדות בפני אימוץ קליני נרחב יותר. הן מעוררות עניין ומספקות ראיות ראשוניות, אך עדיין אינן נפוצות בפועל:

בינה מלאכותית גנרטיבית ו-ChatGPT ברפואה: ההייפ סביב GPT-4 ומודלים לשוניים גדולים דומים (LLMs) התפשט גם לתחום הבריאות, ומסיבה טובה. מודלים אלה יכולים בפוטנציאל לסנתז כמויות עצומות של נתוני טקסט ולשוחח בשפה טבעית. יישום לטווח הקצר הוא שימוש ב-LLM כדי לסכם את התיקים הרפואיים של המטופלים או ממצאי הדמיה עבור רופאים. לדוגמה, LLM המשולב ב-EHR עשוי לאגד את ההיסטוריה הרפואית של המטופל, תוצאות מעבדה ודוחות רדיולוגיה כדי ליצור סיכום קליני תמציתי או אפילו לנסח תגובות להודעות בפורטל המטופלים. Epic Systems (הספק המוביל של EHR) מפעיל פיילוט של תכונות המופעלות על ידי GPT-4 במערכות בריאות מרכזיות. באופן דומה, ברדיולוגיה, לא מופרך להניח שבעתיד בינה מלאכותית תוכל לקרוא את תוצאות בדיקת ההדמיה וליצור באופן אוטומטי דוח ראשוני, שהרדיולוג יוכל לערוך לאחר מכן. אבטיפוסים מוקדמים הראו שמודלים בסגנון GPT יכולים לנסח דוחות רדיולוגיים מדויקים למדי על סמך ממצאי הבדיקה – למעשה, הם פועלים כמו מילוי אוטומטי מתקדם ביותר. עם זאת, זהירות הוא המפתח: בינה מלאכותית גנרטיבית יכולה לעיתים לייצר מידע כוזב (ה“הזיות” הידועות לשמצה), ולכן כל תוצאה חייבת לעבור אימות קפדני על ידי בני אדם. אנו נרגשים מהכלים הללו, אך אנו מתייחסים להצעותיהם כנקודת התחלה מועילה, ולא כמילה האחרונה.
נקודה מרכזית: בינה מלאכותית גנרטיבית עתידה להפוך לעוזרת מועילה בתיעוד ואחזור מידע – דבר מרגש, אך הדורש פיקוח כדי לשמור על אמינותה.
תמיכה משולבת בקבלת החלטות: תחום מבטיח נוסף הוא בינה מלאכותית (AI) ש... משלב נתונים ממקורות מרובים – הדמיה, תוצאות מעבדה, גנומיקה, הערות קליניות – כדי לסייע באבחון ובהחלטות טיפוליות. זה בינה מלאכותית רב-מודאלית גישה זו מחקה את אופן החשיבה של רופא, ומתאימה בין ממצאי ההדמיה לבין ההיסטוריה הרפואית של המטופל והנתונים הקליניים. לדוגמה, דמיינו בינה מלאכותית שרואה גוש בריאות בסריקת CT, ניגשת לגורמי הסיכון של המטופל ולבדיקות קודמות, ומציעה את ההסתברות לממאירות יחד עם הצעדים הבאים (מרווח מעקב או המלצה לביופסיה). כמה מערכות כבר מייצרות אב טיפוס לכך: אלגוריתמי בינה מלאכותית המנתחים נתוני רשומות רפואיות אלקטרוניות יכולים לחזות תוצאות כגון אילו חולים בטיפול נמרץ נמצאים בסיכון להידרדרות פתאומית, או אילו חולי סרטן עשויים להגיב לטיפול מסוים. ברדיולוגיה, ניתן לדמיין בינה מלאכותית המציגה אוטומטית סריקות קודמות רלוונטיות או הערות קליניות בחלון התצוגה שלנו כאשר היא מזהה דפוסים מסוימים (למשל, היסטוריה של סרטן כאשר נראית נגע בכבד, כדי לעזור להציע גרורות לעומת נגע שפיר). עוזרים חכמים מסוג זה הם כמעט מוכן – מבחינה טכנית זה אפשרי ומצופה מאוד, אבל צריך אימות קפדני ושילוב בתהליכי העבודה לפני שזה יהפוך לדבר שבשגרה.
נקודה מרכזית: הדור הבא של הבינה המלאכותית יהיה בעל ידע קליני רב יותר – הוא לא יסתפק בקריאת תמונות באופן מבודד, אלא ישלב נתונים כדי לספק הנחיות עשירות יותר ומותאמות יותר להקשר.
התרחבות השימוש ב-AI בתחומים אחרים: בעוד הרדיולוגיה הובילה את הדרך, הבינה המלאכותית עושה פריצות דרך דומות בפתולוגיה (ניתוח שקופיות מונחה בינה מלאכותית לתאי סרטן), קרדיולוגיה (פרשנות א.ק.ג. מונחה בינה מלאכותית והנחיית אולטרסאונד), רפואת עיניים (ניתוח תמונות רשתית לרטנופתיה סוכרתית) ועוד. לדוגמה, בדרמטולוגיה, אפליקציות בינה מלאכותית בדרמטוסקופים יכולות לסייע בזיהוי שומות חשודות, ובכירורגיה, ראייה ממוחשבת מסייעת בזיהוי אנטומיה בזמן אמת. ככל שהכלים הללו מתבגרים, אנו מצפים ליותר שיתופי פעולה – ה ספקים בתחום הבינה המלאכותית ברדיולוגיה מתרחבים לתחומים אחרים, ולהפך. חברה שבנתה אלגוריתם לזיהוי שבץ מוחי בסריקות מוח עשויה להתאים אותו לזיהוי דימומים במעבדה (פתולוגיה) או לסימון חריגות בתמונות כירורגיות גולמיות. התכנסות זו פירושה שרופאים מתחומים שונים צריכים להישאר מעודכנים; הבינה המלאכותית שעוזרת היום לרדיולוג שלכם עשויה לעזור לכם מחר במרפאה.
נקודה מרכזית: השפעת ה-AI מתרחבת בתחום הבריאות, והקשיים וההצלחות שלה ברדיולוגיה סוללים את הדרך לתחומים אחרים.
מוכנות רגולטורית ותהליכית: סימן לכך ש-AI הוא כמעט מוכנה לאימוץ נרחב יותר היא הבהירות הגוברת מצד הרגולטורים והגופים המקצועיים. ה-FDA מאשרת בהתמדה כלים רפואיים מבוססי בינה מלאכותית (עם הנחיות להערכה), וארגונים כמו המכללה האמריקאית לרדיולוגיה (American College of Radiology) הקימו רישומים ותקנים בתחום הבינה המלאכותית (למשל, AI Central של ACR עוקב אחר אלגוריתמים מאושרים). יש גם התקדמות בתחום תאימות – הבטחת שניתן לשלב את תוצאות הבינה המלאכותית בצורה חלקה במערכות PACS/EHR במקום שיפעלו כאפליקציות עצמאיות. תקנים עתידיים (כגון עדכוני FHIR ו-DICOM לתוצאות בינה מלאכותית) מתמקדים בהפיכת הבינה המלאכותית ל"plug-and-play" בסביבות קליניות. ברגע שהאינטגרציה תהיה חלקה יותר, סביר להניח שנראה נקודת מפנה שבה השימוש בבינה מלאכותית יהיה פשוט כמו לחיצה על תיבת סימון בתהליך העבודה, במקום להפעיל תוכנה נפרדת. אנחנו עדיין לא לגמרי שם בקנה מידה גדול, אבל בתי חולים רבים מפעילים אינטגרציות פיילוט.
נקודה מרכזית: כעת מונחים היסודות (הרגולטוריים, הטכניים והחינוכיים) כדי להבטיח שכאשר כלי ה-AI יגיעו לשיא הפופולריות שלהם, ניתן יהיה לאמץ אותם בבטחה וביעילות.

מה מוגזם (והלקחים שנלמדו)

כל טכנולוגיה מהפכנית מלווה בהייפ – ו-AI אינה יוצאת דופן. כקלינאי, אני מאזן בין אופטימיות לבין מידה בריאה של ספקנות. להלן כמה סיפורים בתחום ה-AI ברפואה שהוכחו כנכונים. מופרז או מוקדם מדי, ומה למדנו מהם:

“הבינה המלאכותית תחליף את הרופאים” – לא כל כך מהר: זה היה מקור כל ההייפ. רדיולוגים הפכו לסמל של הפחד הזה לאחר שציטוטים כמו דבריו של הינטון מ-2016 התפשטו כמו אש בשדה קוצים. המציאות: הבינה המלאכותית לא החליפה את הרדיולוגים, וגם לא קרוב לכך. במקום זאת, הוא מעצב מחדש את אופן העבודה שלנו. קרטיס לנגלוץ, חוזה ה-AI של סטנפורד, תיאר זאת בצורה הטובה ביותר בתגובתו: “הבינה המלאכותית לא תחליף את הרדיולוגים, אבל הרדיולוגים שישתמשו בבינה המלאכותית יחליפו את אלה שלא יעשו זאת.”במילים אחרות, אימוץ הבינה המלאכותית ככלי הוא המפתח להישאר רלוונטיים – זה לא תרחיש של סכום אפס בין בני אדם למכונות. הניסיון שלנו בתחום עד כה מאשש זאת: בינה מלאכותית יכולה לשפר היכולות שלנו (לזהות דברים שאנו עלולים לפספס, לשחרר אותנו מעבודה מפרכת), אך המומחיות, הפיקוח והאמפתיה האנושיים נותרים בלתי ניתנים להחלפה. בינה מלאכותית ברדיולוגיה פועלת בצורה הטובה ביותר כשותפות בין הרדיולוג לאלגוריתם. רופאים שציפו לרובוטי אבחון אוטונומי עד שנת 2023 התבררו כבעלי אופטימיות יתר.
נקודה מרכזית: הסיפור האמיתי הוא שיפור, לא החלפה – התוצאות הטובות ביותר מתקבלות כאשר בני אדם ובינה מלאכותית משתפים פעולה.
ביצועים מדהימים במעבדה לעומת שימושיות בעולם האמיתי: ראינו מודלים רבים של בינה מלאכותית שמתהדרים בדיוק על-אנושי במחקרים, אך נכשלים כאשר הם מיושמים בסביבות קליניות מגוונות. דוגמה בולטת לכך היא שטף מודלים של בינה מלאכותית לזיהוי COVID-19 בהדמיית חזה בתחילת המגפה. מאמרים טענו לדיוק גבוה במיוחד בזיהוי דלקת ריאות COVID בצילומי רנטגן או CT. אך בבדיקה מעמיקה יותר התגלו פגמים מתודולוגיים והטיה (חלק מה-AI זיהו הבדלים ברורים כמו מיקום המטופל או ממצאים ספציפיים לבית החולים). סקירה ציינה כי רוב ההייפ סביב ה-AI להדמיית COVID “הפריז בתיאור המשימות שהוא יכול לבצע, ניפח את יעילותו והיקפו... והתעלם מרמת המעורבות האנושית”. בפועל, אף אחד מאותם מערכות בינה מלאכותית מוקדמות ש“דיוקן 99%” לזיהוי COVID לא הפך לכלי קליני אמין – ההייפ חרג מהמציאות. זה לימד אותנו להיזהר מהכללות של בינה מלאכותית: אלגוריתם שהוכשר בהקשר אחד עלול להיכשל בהקשר אחר, אלא אם כן הוא אומת בקפדנות על פני אוכלוסיות וציוד שונים.
נקודה מרכזית: היזהרו מפרדוקס הביצועים – בינה מלאכותית יכולה להצטיין במבחן מבוקר, אך להיכשל במציאות. אימות בעולם האמיתי (וניטור מתמשך) הוא חיוני לפני שמפקידים בידי בינה מלאכותית את הטיפול בחולים.
ספקים שמבטיחים יותר מדי ו“שטיפת AI”: עם העלייה העצומה בעניין ב-AI, חלק מהספקים, למרבה הצער, הגזימו בקידום המוצרים שלהם כדי להתבלט. חומרי שיווק עשויים להבליט יכולות שאינן נתמכות באופן מלא על ידי ראיות או אפילו על ידי אישורי ה-FDA. ניתוח שנערך בשנת 2023 מצא כי כ- 1 מכל 8 במכשירים מבוססי בינה מלאכותית לאבחון רפואי שאושרו על ידי ה-FDA נמצאו אי-התאמות בין הטענות השיווקיות לבין מה שאושר בפועל על ידי ה-FDA – כאשר בחלק מהמקרים פורסמו שימושים לא מאושרים או ביצועים מוגזמים. “שטיפת בינה מלאכותית” זו – הדבקת תווית אופנתית על תוכנה מסורתית – עלולה להטעות את הרופאים. מערכת Watson for Oncology של IBM מהווה דוגמה מזהירה לכך: לאחר שהוכרזה כ"אורקל קליני", היא התקשתה לספק הנחיות משמעותיות בפועל, מה שהוביל לנסיגה מתוקשרת ולחיזוק הספקנות. הלקח לרופאים ברור: לבחון טענות ולבקש אימות עצמאי. מחקרים שנבדקו על ידי עמיתים, מסמכים שהוגשו ל-FDA ומשוב ממשתמשים אמיתיים הם אמינים יותר מחוברות מבריקות. לא כל כלי שנושא את התווית “מונע על ידי בינה מלאכותית” הוא באמת חדשני או יעיל; חלקם עשויים להיות רק עצי החלטה שעברו מיתוג מחדש.
נקודה מרכזית: שמרו על ספקנות בריאה – דרשו ראיות לפתרונות AI ואל תתפתו לטרנד עד שהנתונים וחוויות המשתמשים האמיתיות יגבו אותו.
מלכודות: הטיות ואתגרים אתיים: הנחה מוגזמת נוספת הייתה שה-AI תהיה אובייקטיבית ונטולת הטיות אנושיות. במציאות, ה-AI יורש את ההטיות של נתוני האימון שלו. אם קבוצות מטופלים מסוימות (למשל, מיעוטים, נשים או קשישים) אינן מיוצגות כראוי או מיוצגות באופן שגוי במערך ההכשרה, ביצועי ה-AI יהיו ככל הנראה גרועים יותר עבור קבוצות אלה. לדוגמה, אם אלגוריתם לזיהוי שברים הוכשר בעיקר על תמונות של מבוגרים צעירים, הוא עלול לפספס שברים עדינים בקרב חולים קשישים הסובלים מאוסטאופורוזיס. מובילי התחום השמיעו אזעקות כי אנו זקוקים למאגרי נתונים המשקפים את “המגוון היפה של המטופלים שלנו... אחרת, [האלגוריתמים] עלולים לתפקד בצורה לקויה עבור אוכלוסיות מטופלים שאינן מיוצגות כראוי”. זה לא רק תיאורטי – מחקרים הראו דוגמאות לביצועים מוטים גזעית באלגוריתמי תמונות. החששות האתיים משתרעים גם על פרטיות (נתוני אימון מכילים לעתים קרובות מידע רגיש על מטופלים) ועל חוסר יכולת להסביר של כמה “קופסאות שחורות” של בינה מלאכותית. אמנם בעיות אלה אינן מעידות על כך שבינה מלאכותית היא דבר רע או נידון לכישלון, אך הן הוסתרו במידה מסוימת בהתלהבות הראשונית. כעת הן עומדות במרכז הבמה, כפי שצריך להיות. קהילת הבינה המלאכותית הרפואית פועלת באופן פעיל להפחתת הטיות, ליצירת בינה מלאכותית ניתנת להסברה ולניהול איתן.
נקודה מרכזית: למדנו ש-AI אינו חף מטעויות או ניטרלי מטבעו – יש צורך בתכנון קפדני, בהכשרה מגוונת ובפיקוח אתי כדי להבטיח שהכלים הללו יסייעו לכל המטופלים ולא יגרמו נזק.
מחזור ההייפ עצמו: לבסוף, כדאי להכיר בכך ש מחזור ההייפ ברדיולוגיה, ה-AI נרגע מעט בהשוואה ללפני כמה שנים. הציפיות הבלתי מציאותיות הראשוניות פינו את מקומן להבנה מפוכחת יותר כי שילוב ה-AI בתחום הבריאות הוא מרתון, ולא ריצת ספרינט. ה-AI בתחום הבריאות הוא קשה: היא חייבת לעמוד בסטנדרטים רגולטוריים גבוהים, לעבוד בתוך תהליכי עבודה מורכבים ולזכות באמון של אנשי מקצוע בתחום הרפואה. ראינו כמה חברות סטארט-אפ בתחום הבינה המלאכותית נכשלות או משנות כיוון כאשר לא הצליחו לעמוד באתגרים אלה במהירות. אך ראינו גם התקדמות יציבה ושיפורים אמיתיים שממשיכים להשאיר אותנו אופטימיים. אם השנים 2016-2018 היו שיא ההייפ (עם כותרות כמו “בינה מלאכותית טובה יותר מרופאים!”), תחילת שנות ה-2020 התאפיינה ב יישום רציני ושיפורים חוזרים ונשנים. החדשות הטובות הן ששלב האכזבה סינן החוצה כמה שחקנים חלשים, והכלים הקיימים והחדשים בתחום הבינה המלאכותית הם ככל הנראה חזקים, מאומתים וממוקדים במשתמש.
נקודה מרכזית: ההתלהבות הפכה לחדשנות ממוקדת – ההייפ נרגע, אך ההתלהבות הופכת מוצדקת יותר ויותר בזכות תוצאות אמיתיות.

שחקנים מרכזיים בתחום הבינה המלאכותית ברפואה (במיוחד ברדיולוגיה): השוואה מהירה

כדי להבין את הדברים בפרספקטיבה הנכונה, הנה השוואה בין כמה ספקי/כלים בתחום הבינה המלאכותית שעליהם מדברים ואיך הם מסתדרים:

ספק / כלי	תכונות בולטות ומוקדי עניין	יתרונות	חסרונות
Aidoc חבילת מיון AI	פלטפורמת בינה מלאכותית לרדיולוגיה המציעה מיון רציף לממצאים מרובים (תסחיף ריאתי, שבץ, דימום וכו'). משתלבת עם PACS/רשימת עבודה.	– כיסוי נרחב של ממצאים חריפים במגוון שיטות. – הוכח כמפחית את זמני התגובה (לדוגמה, התראות ICH מהירות יותר ב-36%). – מאושר עבור אלגוריתמים רבים; פעיל ברקע באופן רציף.	– מתמקד בעיקר במקרים דחופים/חריפים (פחות השפעה על קריאות שגרתיות). – עלול לייצר התראות חיוביות כוזבות; על הרדיולוגים לאמת כל התראה (סיכון לעייפות מהתראות). – שילוב במערכת ה-IT הקיימת עלול להיות מורכב וייתכן שיידרשו תמיכה טכנית ושינויים בתהליכי העבודה.
Viz.ai שבץ מוחי ומעבר לו	תיאום טיפול מבוסס בינה מלאכותית, בתחילה עבור שבץ מוחי (איתור חסימה בכלי דם גדולים באמצעות אנגיוגרפיה CT, הודעה לצוותי שבץ מוחי). הרחבה לתסחיף ריאתי, דיסקציה באבי העורקים וכו'.	– הפחתה מוכחת בזמני הטיפול בשבץ מוחי באמצעות האצת ההודעה (מחקרים מראים כי זיהוי LVO והודעה עליו מהירים יותר ב-44%). – תקשורת מובנית: מתריעה אוטומטית לנוירולוגים, ומאפשרת שיתוף פעולה בין הצוותים (“אפליקציה סלולרית להתראות על שבץ מוחי”). – אימוץ קליני נרחב ברשתות לטיפול בשבץ מוחי; ראיות חזקות הממוקדות בתוצאות.	– התמקדות בנישה: מצטיין במרכזים לטיפול בשבץ, אך היקף פעילות מצומצם יותר (כל מצב רפואי דורש מודול נפרד). – התרחבות לתנאים חדשים (PE וכו') פירושה שבתי חולים עשויים להזדקק למספר חוזים/מודולים. – העלות יכולה להיות משמעותית עבור בתי חולים קטנים יותר, והיתרון הגדול ביותר הוא במקומות שבהם קיימים צוותי נוירו-התערבות מקיפים.
Lunit INSIGHT CXR, Mammo AI	ספק דרום קוריאני הידוע באלגוריתמים בעלי ביצועים מעולים בצילומי רנטגן של החזה ובממוגרפיה. מותקן ברחבי העולם לצורך בדיקות סקר לשחפת ואיתור סרטן.	– דיוק גבוה במחקרים עצמאיים (למשל, זכה באתגרי AI בינלאומיים בתחום הממוגרפיה). – הוכח קלינית כמסייע באיתור גידולים שלא אותרו בממוגרפיה וגידולים בציסטות בצילומי רנטגן של החזה. – משמש בתוכניות בריאות ציבוריות בקנה מידה גדול (בדיקות סקר לשחפת בתוכניות לאומיות), ומפגין יכולת הרחבה.	– התמקדות במודליות מוגבלת (בעיקר צילומי רנטגן, ממוגרפיה). – שחקן חדש בשוק האמריקאי – שילוב עם זרימת העבודה של Western PACS/EHR עדיין נמצא בפיתוח. – כמו כל בינה מלאכותית לזיהוי, יכול לסמן ממצאים רבים בעלי משמעות לא ברורה (למשל, צלקות ישנות בצילום חזה), הדורשים שיקול דעת של רדיולוג כדי לסנן אותם.
GE בריאות חבילת טיפול נמרץ, Edison AI	יצרן מקורי מוביל המשלב בינה מלאכותית בחומרה ותוכנה להדמיה. אלגוריתמים המותקנים במכשיר (לדוגמה, זיהוי פנאומוטורקס באמצעות רנטגן) ופלטפורמת Edison ליישומים שונים של בינה מלאכותית.	– שילוב חלק עם סורקי GE/PACS – תוצאות ה-AI יכולות להופיע באופן מיידי בקונסולה ובמציג של הרדיולוג. – מגוון רחב של כלים: שיפור איכות התמונה, מדידות אוטומטיות (למשל, תיוג אוטומטי של אולטרסאונד) והתראות מיון. – נתמך על ידי המשאבים והתמיכה של GE; צפוי להישמר לאורך זמן ולהתעדכן.	– נוטה לעבוד בצורה הטובה ביותר עם ציוד/אקוסיסטם של GE (חשש מ“גן סגור”). – עלות יישום השדרוגים גבוהה; ייתכן שיהיה צורך לרכוש את המכונות או רישיונות התוכנה העדכניים ביותר של GE. – התחרות מצד יצרני ציוד מקוריים גדולים אחרים (Siemens, Philips) פירושה שאין תקן אחיד – אם יש לכם ציוד מעורב, שילוב של מספר פתרונות AI עלול להיות מאתגר.
Nuance (מיקרוסופט) חווית הסביבה של הדרקון (DAX)	עוזר תיעוד מבוסס בינה מלאכותית עבור רופאים. מקשיב למפגש בין הרופא למטופל ומייצר הערות קליניות באופן אוטומטי. (אינו ספציפי לרדיולוגיה, אך משפיע על זרימת העבודה.)	– מטפל ישירות בשחיקה של רופאים כתוצאה מתיעוד – משחרר את הרופאים מהצורך להקליד, ומאפשר להם להקדיש יותר זמן למטופלים. – כעת משולבת בינה מלאכותית גנרטיבית (GPT-4) לשיפור האיכות; 150+ מערכות בריאות מתוכנן לפריסה עם אינטגרציה של Epic (מראה אימוץ מהיר). – הוכח כי הוא יוצר טיוטות מלאות של הערות, שלעתים קרובות נדרשות רק תיקונים קלים, מבלי לפגוע בדיוק או בחוויית המטופל.	– עדיין מתבגר: עלול לפספס ניואנסים או לדרוש תיקונים מצד הרופא, במיוחד בדיונים מורכבים. – שיקולים בנוגע לפרטיות והסכמה (המטופלים חייבים להרגיש בנוח עם העובדה שבינה מלאכותית “מאזינה” לביקורם). – עלויות פיננסיות ותשתיות IT לפריסה; החזר ההשקעה תלוי במידת החיסכון בפועל בזמן.
IBM Watson Health (Merative) ווטסון לאונקולוגיה (גרסה ישנה)	ה-AI של IBM, שזכה בעבר לשבחים רבים בזכות המלצותיו לטיפול אונקולוגי (כיום בהיקף מצומצם יותר). לאחרונה מתמקד בניתוח נתונים (Merative).	– חזון שאפתני של סינתזה של ספרות רפואית לצורך טיפול מותאם אישית. – הביא את ה-AI לתודעת הציבור, מה שגרם למתחרים להשקיע ב-AI קליני. – כמה כלים מתמשכים בתחום ההדמיה (IBM/Merative עדיין מציעה ניתוח תמונות באמצעות תיק המוצרים של Merge Healthcare).	– מופרז ומאכזב: Watson for Oncology נתן לעתים קרובות עצות שגויות או לא מועילות, מה שהוביל לאובדן אמון. – שינוי אסטרטגיה: IBM מכרה את Watson Health, והחזון הגדול של “רופא מבוסס בינה מלאכותית” הוקפא. – אזהרה: אפילו ענקיות טכנולוגיה עלולות למעוד בתחום הבריאות ללא שילוב קליני וראיות מוצקות.

(סמלים: ✔️ ו-❌ מציינים יתרונות וחסרונות בהתאמה. כל המידע מבוסס על ספרות עדכנית ודוחות מוצרים נכון לשנים 2024-2025.)

מסקנה: התלהבות מושכלת בעידן הבינה המלאכותית

בעומדי בצומת שבין טכנולוגיה מתקדמת וטיפול בחולים, אני חש אופטימיות זהירה. השיח סביב בינה מלאכותית בתהליכי עבודה קליניים התבגר: עברנו מ מפוחד (“האם הבינה המלאכותית תתפוס את מקומי?”) ו אופנתי (“הבינה המלאכותית תפתור את כל הבעיות בן לילה!”) לכיוון התלהבות ממוקדת ומבוססת על ראיות. כל אלגוריתם או מכשיר חדש שמגיע לחדר הקריאה שלי נתקל באותן שאלות שאני מניח שחבריי שואלים: האם זה באמת יעזור לי לספק טיפול טוב יותר? האם זה יחסוך זמן או ישפר את הדיוק? כאשר התשובה היא חיובית – כמו במקרה של רבים מכלי ה-AI המשולבים בתהליכי העבודה שתוארו לעיל – אנו מאמצים אותם בשמחה. כאשר התשובה אינה ברורה, אנו נוהגים בזהירות, מבצעים בדיקות פיילוט ומאמתים את הטענות. וכאשר התשובה היא שלילית – כאשר מוצר הוא יותר הייפ מאשר עזרה – אנו לא חוששים להניח אותו בצד.

ה שורה תחתונה הוא שה-AI הופך לכוח מעצים בתחום הבריאות, במיוחד בתחומים כמו רדיולוגיה העוסקים בנתונים אינטנסיביים. הוא מרחיב את טווח ההגעה שלנו (למשל, סריקה מהירה יותר של תמונות רבות יותר), מחדד את הדיוק שלנו (מאתר את מה שאולי היינו מפספסים) ומאתגר אותנו להמשיך ללמוד. אבל זה לא קסם, וזה לא כאן כדי להחליף את המגע האנושי. בעבודתי, הבינה המלאכותית לקחה על עצמה חלק מהעבודה השחורה (כמו סינון ממצאים דחופים והבאת השוואות קודמות באופן אוטומטי), מה שמאפשר לי להקדיש יותר זמן לקבלת החלטות מורכבות ולתקשורת עם המטופלים – הדברים ש בני האדם עושים את המיטב.

לרופאים שחוששים מבינה מלאכותית, הייתי אומר: הישארו מעודכנים ואולי תנסו אותה בסביבה שבה הסיכון נמוך. סביר להניח שתגלו שזו רק עוד כלי – כלי רב עוצמה, אך בכל זאת כלי – שנמצא בשליטתכם המקצועית. ולמי שממהר להטמיע בינה מלאכותית בכל מקום, הייתי מייעץ: שמרו על קפדנות בהערכתה; התעקשו על יעילות ובטיחות מוכחות. אנחנו חייבים זאת למטופלים שלנו.

בסופו של דבר, הנרטיב שבחרתי הוא אחד כזה “התלהבות מושכלת”.” אנו מכירים במגבלות ובלקחים שנלמדו מטעויות מוקדמות (חוסר דיוק, הטיות, הייפ מוגזם), אך אנו גם חוגגים את ההצלחות הממשיות שכבר הופכות את זרימת העבודה שלנו לחלקה יותר ואת הטיפול בחולים שלנו לטוב יותר. בינה מלאכותית בזרימת העבודה הקלינית היא דבר ממשי ומוכן בהיבטים רבים, ובמקומות שבהם היא עדיין לא מוכנה, היא מתקדמת במהירות לשם – כאשר אנו, הרופאים, מלווים אותה בכל צעד וצעד. וזה דבר שיש להתרגש ממנו. נקודה מרכזית: עתידו של ה-AI בתחום הבריאות נראה מבטיח – לא כתחליף לרופאים, אלא כבעל ברית שמשתפר כל הזמן ויכול לעזור לנו להרחיב את היכולות שלנו ולספק טיפול יעיל יותר מאי פעם.

מקורות: המידע והטענות המופיעים במאמר זה נתמכים במחקרים עדכניים, נתונים רגולטוריים והערות מומחים, כולל דוחות ממאגר המידע של המכללה האמריקאית לרדיולוגיה (American College of Radiology) בנושא בינה מלאכותית, מחקרים שנבדקו על ידי עמיתים בנושא בינה מלאכותית בבדיקות סקר, חדשות ממקורות אמינים כגון עסקים בתחום הרדיולוגיה ו STAT על מגמות בתעשייה, ומקרי בוחן מהעולם האמיתי ממרכזים אקדמיים וספקים.