במפגש שעסק בנושא ראייה ממוחשבת שהתקיים השבוע במעבדת המחקר של יבמ בחיפה, הציג ד"ר שרון אלפרט מערכת מבוססת ווטסון היודעת לזהות הבדלים מובהקים בצילום MRI בין שני איברים סימטריים או בין שני חצאים של אותו איבר, כדי לאתר גידולים סרטניים, במקרה זה סרטן השד, שעד כה התאפשרה רק באמצעות עיני הרדיולוג
יש דברים שקל מאוד להסביר למחשב – למשל להבדיל בין סוגי מכוניות או אפילו לזהות פרצופים, אבל לזהות גידולים בתוך הדמיות רפואיות, אינו קל מסתבר.
בכנס מדעי שעסק בראיה ממוחשבת ואשר נערך ביום ראשון השבוע במעבדת המחקר של יבמ בחיפה הציגו חוקרים מקבוצת הראיה הממוחשבת במעבדת המחקר של יבמ בחיפה מערכת המאפשרת למחשב להתגבר על בעיות מיחשוביות רבות, ולסייע לרדיולוג להתמקד באיזורים החשודים.
מסביר ד"ר שרון אלפרט, חוקר בצוות של עיבוד תמונות רפואיות: "אנחנו מפתחים אלגוריתמים לראיה ממוחשבת שבאים לעזור לרדיולוג לבצע את העבודה שלו ולחפש ולמצוא גידולים או ממצאים אחרים שיכולים להחשיד למחלה כלשהי בכל הטווח הגדול של הדמיות רפואיות: רטנגן, CT, MRI. בנוסף אנו משתמשים בווטסון כדי להוציא מהם תובנה בשילוב עם נתונים אחרים כגון התיק הרפואי של החולה, מחקרים קודמים על המחלה ועוד, ולעזור לרדיולוג לקבל החלטות טובות יותר ולמנוע את הפספוס של גידולים בשלב מוקדם, דבר שעלול להיות קריטי לחולה."
שר הבריאות ליצמן הבטיח לקצר את התורים לבדיקת MRI ולתת לנבדקים תשובות בתוך יומיים. מכונות אולי אפשר להשיג בכסף ובתוך זמן קצר אבל אז יורגש המחסור ברדיולוגים מומחים שיוכלו לפענח את הררי הנתונים שמפיקה כל בדיקת MRI. הכשרתו של רדיולוג אורכת שנים רבות של לימודים בביה"ס לרפואה ובתקופת התמחות עד שהוא נהיה רדיולוג מומחה.
לדברי אלפרט הרדיולוגים בחדרי המיון רואים אלף תמונות הדמיה במשמרת, והסיכוי להחמצה גם עם כל המקצוענות גבוה, בעיקר לקראת סוף המשמרת. "המטרה שלנו היתה לקחת את כל המידע הגדול ולצמצם לו את זה לכמה משפטים עם התמונה הרלוונטית ולהראות לו מה הממצא כדי שהוא יאשר או ישלול את החשד. המחשב, באמצעות ווטסון יתן לרדילוג דיווח כאילו מדובר ברדיולוג אחר שהעביר אליו את הממצאים.
בחנו את המערכת על בסיס נתונים של צילומי ממוגרפיה של נשים בריאות וכן של נשים שחלו בסרטן השד, אך הדבר נכון גם למוח, הכליות, הערמונית ועוד. רופא היה מזהה גידול כאשר הוא משווה את השד החשוד לשד השני שגם אם הוא אינו זהה (או תמונת מראה) לאיבר המקביל (תעשו נסיון לשכפל חצי מפניו של אדם ולהחליף אותם בתמונה בחצי השני ותראו שלא תזהו את המצולם א.ב.) הוא מספיק דומה בהשוואה לאלו של נשים אקראיות.
המטרה שלנו היא להוסיף את המידע שבא משתי התמונות כדי לעזור לאלגוריתמים למצוא גידולים יותר טוב. יש המון עבודות בתחום הזה ורובם עובדים באותן שיטות – אם יש סימטריה קודם כל מוציאם את הסימטריה ואחר כך מנסים למצוא התאמה בין התמונות ועושים השוואה בין מקומות דומים בתמונה.
נסינו את אותן גישות המתוארות בספרות וגילינו כמה בעיות של ביצה ותרנגולת, ראינו שהאלגורימים שמחפשים סימטריה במוח עובדים טוב כשאין גידולים ועובדים רע כשיש גידולים אותו דבר שמנסים למצוא התאמה חד חד ערכית בין שני הצדדים של המוח, עובד טוב כשאין גידול,. לא מספיק כי הרי אנחנו מחפשים את הגידול.
"הרעיון היה לנסות גישה אחרת כדי לנסות לפתור את הבעיה הזו. יש ענף שלם בתחום הראיה הממוחשבת העוסק בנסיון לחקות את הפעולה האנושית – כאשר אדם מסתכל על תמונה הוא אינו סורק פיקסל אחר פיקסל כפי שעושה מחשב, אלא העין נמשכת לדברים בולטים. יש המון מחקרים שעוסקים בלימוד המחשב כיצד למצוא ולסמן את האיזורים הבולטים בתמונה שאדם היה רואה. לקחנו את השיטות הללו צעד אחד קדימה כדי לפתור את בעיית הסימטריה. הרעיון הוא לקחת את שתי התמונות ולמצוא רק את האיזורים שמבדילים ואינפורמטיביים כאילו אדם היה מסתכל. השתמשנו בבסיס נתונים חופשי באינטרנט של גידולי מוח. השתמשנו בווטסון כדי לזהות כיצד נראה גידול וכיצד נראית הרקמה שהוא מפעיל עליה לחץ וגורם לה לא לשחרר נוזלים, שני דברים הבולטים לעין בתצלומי MRI. אם התיאוריה שלנו נכונה האיזורים הכי בולטים יהיו תמיד הגידולים. כשהשתמשנו בנתונים של גידולים מסומנים והפעלנו את האלגוריתם גילינו שבלי אימון כלל המחשב תפקד כמעט כמו אלגוריתמים שנדרשו לאימון בספרות. לאחר אימון העלינו את שיעור הגילוי ב-16% מבלי להוסיף התראות שווא."
"ניקח את התמונה ונפרק אותה לריבועים של שמונה על שמונה פיקסלים (בממוגרפיה יש לנו מיליונים כאלה), הפרטים היותר חשובים הם אלו שאינם חוזרים על עצמם. ככל שהחתיכה הקטנה של התמונה חוזרת על עצמה היא פחות ופחות אינפורמטיבית. ולכן כשיש לנו שתי תמונות של ממוגרפיות אנחנו מסתכלים על המון חתיכות ואנחנו מוציאים את הטלאים הכי אינפורמטיביים ומבודדים אותם. "
"אנו מחפשים פרטים שלא חוזרים על עצמם וייחודיים לתמונה מסויימת. כשיש גידול, רוב הרקמה מסביב היא רקמה בריאה אבל לגידול יש איזורים – בעיקר בשפות שלו – השונים מהרקמות האחרות. בצורות כאלה אנו יכולים, בלי אימון למצוא 'מועמדים' לאיזורים בולטים מבחינה ויזואלית, כאילו הרדיולוג זיהה זאת בעצמו בהשוואה בין התמונות."
באיזה שלב נמצא הפיתוח?
אלפרט: "המערכת שלנו גדולה ומורכבת מהמון חלקים. מסחרית היא עדיין לא. המחקר פורסם רק לפני חודש בכנס של הדמיה רפואית בגרמניה. לפחות על בסיסי הנתונים והתמונות של המאגר הרפואי בהם השתמשנו זה עובד טוב. בראיה ממוחשבת אין מצב מוחלט. אתה תמיד שואף ליותר ויותר נתונים. בעיקר בתחום הרפאי בגלל בעיות פרטיות הקצב שאנחנו מקבלים נתונים יחסית קטן האלגוריתמים שלנו כל הזמן משתפרים."
"אני מאמין שזה יגיע לבתי החולים. אין ברירה אתה שומע את הרדיולוגים,, כמות הנתונים עולה על מה שהם יכולים לעבור עליה. MRI תוך יומיים יתן פיצוץ גדול. אפשר לרכוש את המכונות אבל צריך אנשים שיידעו איך לפענח את הגידולים. למצוא רדיולוג מומחה אחרי בית ספר לרפואה, אחרי התמחות שיעבור על כל התמונות זה מאוד קשה. אני חושב שבסופו של דבר לא תהיה ברירה. המערכות הללו קיימות בצורה יחסית בסיסית בשוק אבל הרופאים לא מנצלים אותם. הבעיה העיקרית שלהן היא התראות השווא. השלב הבא חייב להיות מערכות יותר אינטליגנטית שידברו עם הרופאים בצורה שהם מבינים ועל ידי כך יוכלו גם לשפר את עצצמם גם אם המכונה תטעה הרופא יכול להפעיל שיקול דעת. המערכות הללו יוכלו להגדיל את התפוקה של הרדיולוגים. אין מנוס מזה. אם אנחנו רוצים רפואה יותר טובה זה חייב להיות חלק השירות הרפואי, אין טעם במצב הנוכחי של המתנה של חודשים לבדיקה ושבועיים לפיענוח." מסכם אלפרט
עוד בנושא באתר הידען: