כשהמכונה לובשת חלוק: הבינה המלאכותית נכנסת למעבדה

הסיפור של הבינה המלאכותית הוא כבר לא רק אוטומציה וייעול תהליכים, אלא שינוי שיטת העבודה: מודלים שמזהים דפוסים נסתרים, מנסחים השערות ומאיצים גילוי במדע וברפואה

מאת: ליזה אדלשטיין, ד"ר דניאל קידר פרידמן, ד"ר נדב שורק, המרכז הרפואי הציבורי אסותא אשדוד

גם תחומים שמורים כמו רפואה ומדעי המעבדה זוכים לכלים ייעודיים מבוססי בינה מלאכותית העוזרים לרופאים ולמדענים בעבודתם. בקצרה, תחום הנלמד שנים רבות ובמשך כל חייו של מומחה, נלמד בן רגע על ידי מודלי בינה מלאכותית ומתורגם לתוצאות מהירות יותר משל אותו מומחה, לדוגמא, פענוח בדיקות דימות ע"י בינה מלאכותית. כלי בינה מלאכותית מתחילים להיכנס לתחומי הדיאגנוסטיקה במעבדות הקליניות ותחום הרישום הרפואי והלוגיסטיקה, זאת במטרה להקל על המומחה ו/או המערכת ולייעל את השימוש במשאבים בסביבה זו.

כבר היום, המעבדות הרפואיות משתנות בקצב מסחרר. עובדי המעבדה לא רק יושבים על הבנץ' (שולחן המעבדה), מערבבים תמיסות ומתבוננים במיקרוסקופ. הרבה מעבודת המעבדה כיום נעשית בעזרת מכשירי אוטומטציה מתוחכמים, היכולים לבצע בעצמם ספירת דם, בדיקות נוגדנים שונות, תרביות חיידקים ועוד. במעבדות פתולוגיה קיימים היום מכשירים המסייעים לפתולוגים באבחון מחלות באמצעות עיבוד תמונה. השינוי הזה יכול להיראות קצת מלחיץ למי שמביט מהצד, אבל עם עומס העבודה הקיים, הבדיקות השונות שנכנסות לשוק ולמערכת הרפואית, השינוי הזה רק משפר את התהליכים ומפנה את הזמן לעובדי המעבדה להתמקד בפענוח התוצאות ובבדיקות המורכבות יותר, להן עדיין אין פתרון אוטומטי.

ידעתם שיש יותר מסוג אחד של בינה מלאכותית?

כלי בינה מלאכותית מתחלקים לשני סוגים: מנבאים ויוצרים (predictive and generative). כל אחד בעל פונקציה משלו, כשהמנבאים משתמשים במידע קיים (תמונות, נתוני בדיקות וכו') ומוציאים הערכות סיכונים למטופלים, מנבאים סיכויים לחלות במחלות על פי חלוקה לקבוצות סיכון, מתאימים תרופות למטופלים ואף מסוגלים לחשב את הצורך במשאבים כמו חיסונים או מכונות הנשמה. הסוג השני, היוצר, המוכר יותר לרוב האנשים, הוא בעל היכולת לייצר מידע חדש כמו פיתוח מולקולות חדשות, בניית מודלים תלת ממדיים של חלבונים על בסיס רצפים בלבד, ייצור נתונים לצורך מחקר וכל דבר שניתן לייצר מחדש. ככלל, ניתן לומר שבמנבא נעשה שימוש למזעור סיכונים וטיפול מבוסס רפואה אישית, והיוצר בעיקר למחקר וחדשנות.

בניה מלאכותית מנבאת ברפואה ודיאגנוסטיקה

מבין הכלים והתוכנות הרבות המציעות ניתוח מידע מבוסס בינה מלאכותית, הבולטת מבניהן היא היכולת לזיהוי עצמים מתוך תמונה (image-based analysis). במאמר שפורסם בשנת 2024, נמצא כי תוכנות בינה מלאכותית הצליחו לזהות התחלה של גידול סרטני בשד בנשים כ4 עד 6 שנים לפני הזיהוי שלו. המחקר השתמש באלגוריתם לקריאת ממוגרפיות מבוסס בינה מלאכותית (INSIGHT MMG), כשמפתחיו טוענים שהוא מסוגל לזהות גידולים סרטניים ברמת דיוק של 96%.

שיתוף פעולה בין חברת ​​​bioMérieux המייצרת מכשירי דיאגנוסטיקה למעבדות קליניות, בעיקר בתחום המחלות הזיהומיות, לבין חברת Mila, מכון מחקר לבינה מלאכותית, עובד על ניבוי עמידות לאנטיביוטיקה על בסיס פיתוח מודל בינה מלאכותית מבוסס ריצוף חיידקים. בעזרת מידע גנומי של חיידקים, הם צופים שיהיה ניתן להעריך עמידות לאנטיביוטיקה בחיידקים ובכך ליישם את כוחה של הבינה המלאכותית בתחום הדיאגנוסטיקה. בדיקת עמידות לאנטיביוטיקה כיום נעשית בשלל שיטות, כשכולן ללא יוצא מן הכלל דורשות עבודה ידנית של עובדי מעבדה מנוסים שלוקחת זמן רב.

בינה מלאכותית יוצרת ברפואה

דוגמא לכלי בינה מלאכותית יוצרת שבו נעשה שימוש כיום בסביבה קלינית היא HealthScribe של חברת שירותי הענן של אמזון, AWS. התוכנה משמשת לרישום אוטומטי של היסטוריית המטופל מתוך הקלטה בביקור רופא סטנדרטי. בעזרת תוכנות רישום אוטומטיות, השירות מקווה לפנות לרופא זמן יקר בו היה רושם רישומים רפואיים לטובת טיפול ודיאגנוסטיקה של החולה.

המחקר הביולוגי זוכה גם הוא לתשומת לב רבה של ענקיות ההייטק העולמיות

חברת הבינה מלאכותית של גוגל, DeepMind (שפיתחו בין היתר את מודל הבינה מלאכותית Gemini) פיתחה כלים לניבוי מבני חלבונים מרצפים, AlphaFold וכמו כן, את AlphaGenome, המבטיחה לספק מידע רב על בסיס רצף דנא יחסית ארוך המוכנס לתוכנה. זיהוי מבנים תלת ממדיים של חלבונים נעשה בשיטות רבות, כשהפופולארית ביניהן היא זיהוי בעזרת קרני רנטגן (דיפרקציית קרני X) בה מדענים עומלים שנים רבות על בניית גבישים נקיים מחלבונים ומקרינים אותם בקרניים לצורך סידור האטומים במרחב בחלבון. גם כאן, מדובר בתהליך ארוך הדורש שנים של ניסיון וטעיה וניסיון רב בתחום על מנת להצליח לזהות מבנה שכזה. בפיתוח החדש שלהם, AlphaGenome, גוגל מבטיחים לספק מידע אודות ווריאנטים, אתרי שחבור, כמות החלבון המופקת מכל רצף, רצפים קושרי דנא ועוד שלל דיאגנוזות ביואינפורמטיות אשר דורשות ידע ונסיון רב בשימוש כלים ביואינפורמטיים בתחום הביולוגיה.

ביואתיקה וירקות אחרים

לצד הפוטנציאל האדיר של הבינה המלאכותית, היא מביאה עמה אתגרים אתיים בלתי מבוטלים: חשש מצמצום תפקידו של הרופא והמדען, יצירת הטיות הנובעות ממידע לא מאוזן, דליפת מידע רפואי רגיש, והתרחקות מהקשר האנושי שבין מטפל למטופל. עם זאת, חשוב להבהיר כי הבינה המלאכותית אינה מחליפה את האדם, אלא מעצימה אותו ויכולותיו. תפקידה לתמוך בקבלת החלטות, להוריד עומסים תפעוליים ולשחרר את אנשי הרפואה והמדע להתמקד בלב העשייה, המתבטאת בטיפול אישי ובמתן תוצאות מהירות ומדויקות יותר למטופל.

בדומה לחששות שעלו בפריצות דרך מדעיות קודמות, גם כאן נדרשת בגרות אתית, רגולציה שקופה ומנגנוני בקרה חכמים. יש לזכור שגם הרפואה המסורתית אינה חפה מטעויות או מהטיות, ולעיתים דווקא הכלים הממוחשבים מצליחים לזהות דפוסים שאינם נראים לעין אנושית.

לסיכום, עתיד הרפואה אינו תלוי בהחלפה של רופאים על ידי מכונות, אלא בשיתוף פעולה פורה בין אנושיות לחדשנות. השילוב הנכון בין תבונה אנושית ובינה מלאכותית יוכל להבטיח רפואה מדויקת, שוויונית, יעילה, ובעיקר כזו שממשיכה לשים את האדם במרכז.

ביבליוגרפיה:

1. The Cost Of AI In Healthcare: Future Savings Vs. Current Spending
2. Artificial intelligence and predictive algorithms in medicine: Promise and problems – PMC
3. The Role of AI in Hospitals and Clinics: Transforming Healthcare in the 21st Century – PMC
4. Artificial Intelligence Algorithm for Subclinical Breast Cancer Detection | Oncology | JAMA Network Open | JAMA Network
5. bioMérieux partners with Mila to harness artificial intelligence for diagnostics | Pioneering Diagnostics