צילום של פצע הספיק לבינה מלאכותית לסמן חשד לזיהום

תצלום פשוט של פצע לאחר ניתוח עשוי לאפשר בעתיד לבינה מלאכותית לסמן למערכת הרפואית אילו מטופלים דורשים בדיקה מהירה יותר. מחקר חדש שפורסם ב-JAMA Surgery פיתח מודל למידה עמוקה שמנתח תמונות של פצעים ניתוחיים ומזהה אם הם נראים חשודים לזיהום באתר הניתוח.

המערכת אומנה על 4,978 תצלומים שנאספו ממאגרי מידע קיימים בכמה תחומי ניתוח. לצורך אימות חיצוני השתמשו החוקרים ב-407 תמונות חדשות שנאספו באופן פרוספקטיבי מ-95 מטופלים במרכז רפואי אקדמי גדול.

המבחן החשוב הגיע מחוץ למאגר האימון

באימות הפנימי השיג המודל שטח מתחת לעקומה של 0.91, עם רווח סמך של 0.88 עד 0.93. מדובר בביצועי הבחנה טובים מאוד - כלומר יכולת טובה להפריד בין תמונות שסווגו כחשודות לזיהום לבין כאלה שלא.

אלא שבאימות החיצוני ירד ה-AUC ל-0.82, עם רווח סמך של 0.75 עד 0.90.

הירידה הזאת אינה כישלון. להפך, היא אחת הנקודות החשובות במחקר, משום שהיא מדגימה מה קורה כאשר מערכת בינה מלאכותית יוצאת מהסביבה שבה פותחה ונבחנת על מטופלים ותמונות חדשים.

פרשנות שהתפרסמה לצד המחקר ב-JAMA Surgery ציינה כי מדובר באחד המאמצים הגדולים עד כה בתחום, ושיבחה במיוחד את האימות החיצוני ואת הדיווח על שינויי הכיול - בעיה שמחקרים רבים בתחום אינם מציגים באופן מלא.

מה בעצם המערכת למדה לזהות

כל תמונה סווגה בידי כמה רופאים ככזו שנראית חשודה או שאינה נראית חשודה לזיהום באתר הניתוח.

על בסיס התוויות האלה אומנה רשת עצבית קונבולוציונית המבוססת על InceptionV3 תוך שימוש בלמידת העברה.

המשמעות חשובה: המודל לא למד לזהות "זיהום מוכח" באמצעות תרבית, בדיקה גופנית מלאה או מהלך קליני.

הוא למד לחקות במידה מסוימת את הערכת הרופאים על סמך המראה החזותי של הפצע. לכן גם כאשר המודל מסמן תמונה כחשודה, המשמעות היא שהמראה מצדיק תשומת לב נוספת - לא שהמטופל אובחן בזיהום.

צילום אינו יכול להרגיש כאב או חום

לתצלום יש מגבלה בסיסית. הוא יכול להראות אודם, נפיחות, הפרשה, פתיחה של שולי הפצע ומאפיינים חזותיים אחרים, אבל אינו יכול למדוד כאב, רגישות במישוש, חום מקומי, ריח, עומק הפצע או חום גוף.

הוא גם אינו מספר אם המטופל מרגיש חולשה, צמרמורות או הידרדרות כללית.

זו בדיוק הנקודה שהדגיש המאמר הפרשני שהתלווה למחקר, שכותרתו "What a Wound Photograph Can and Cannot Diagnose". הפרשנות מכירה בחוזקה של המערכת, אך מזכירה שהצילום הוא רק חלק אחד מן התמונה הקלינית.

למה זה יכול להיות שימושי דווקא אחרי השחרור

זיהומים באתר הניתוח מתפתחים לא פעם לאחר שהמטופל כבר יצא מבית החולים. בעידן של מסלולי החלמה מהירים, שבהם השהות באשפוז מתקצרת, חלק משמעותי מהמעקב עובר הביתה. מטופל עלול להבחין בשינוי בפצע רק לאחר כמה ימים, ולעיתים אינו יודע אם מדובר בתהליך החלמה רגיל או בסיבה לפנות בדחיפות לצוות.

מערכת אוטומטית יכולה להשתלב במעקב מרחוק: המטופל שולח תמונה, האלגוריתם מדרג את מידת החשד, והתמונות החשודות ביותר עוברות במהירות לבדיקה אנושית.

החוקרים מדגישים שזהו היישום הסביר ביותר - מיון מוקדם של כמויות גדולות של תצלומים.

לא תחליף לרופא

המחקר אינו מציע לתת לאלגוריתם להחליט לבדו אם יש צורך באנטיביוטיקה, פתיחת הפצע או אשפוז.

גם AUC של 0.82 אינו שקול ל-82% "דיוק", ובוודאי שאינו אומר שהמערכת מזהה שמונה מכל עשרה זיהומים.

AUC מודד את יכולת ההפרדה בין שתי קבוצות לאורך טווח רחב של ספים. כדי להטמיע מערכת בפועל צריך לבחור נקודת סף מסוימת ולדעת מה הרגישות, הסגוליות, שיעור ההתראות השגויות והמחיר של מקרה שהמערכת מפספסת.

המחקר ביצע גם ניתוחי תועלת קלינית ומצא תועלת נטו אפשרית למודל, אך השאלה כיצד ייקבע סף הפעולה במערכת אמיתית עדיין תלויה באופן השימוש.

מדוע האימות החיצוני חשוב כל כך

מודלים רפואיים רבים נראים מצוינים כאשר הם נבחנים על תמונות שמגיעות מאותם מוסדות, מצלמות ואוכלוסיות שבהם אומנו.

אבל בעולם האמיתי משתנים התאורה, איכות התמונה, צבע העור, סוג הניתוח, המרחק מהמצלמה, סוג התחבושת ואפילו האופן שבו המטופל מחזיק את המכשיר.

לכן המבחן המרכזי הוא לא רק "כמה טוב המודל עובד על מאגר מוכר", אלא האם הוא שומר על ביצועים כאשר התנאים משתנים.

במחקר הנוכחי נעשה צעד חשוב בכיוון הזה באמצעות קבוצת אימות חיצונית פרוספקטיבית.

ועדיין מדובר רק ב-95 מטופלים

זהו גם המקום שבו נדרשת זהירות. אף שהיו 407 תמונות באימות החיצוני, הן הגיעו מ-95 מטופלים בלבד. תמונות רבות מאותו אדם אינן שקולות למאות אנשים בלתי תלויים.

לפני הטמעה רחבה יהיה צורך לבדוק את המודל באלפי מטופלים, במרכזים שונים ובסוגי ניתוח מגוונים יותר.

נדרש גם לבחון את ביצועיו בגוני עור שונים, משום שסימנים כגון אודם יכולים להיראות אחרת בתצלומים של עור בהיר וכהה.

טלפון סלולרי - אפשרי, אבל לא זה מה שהוכח

הפיתוי הוא לתאר את המחקר כמצב שבו "מצלמים בטלפון וה-AI מאבחן זיהום".

זה עדיין צעד אחד רחוק מדי.

המחקר מוכיח שמודל מסוגל לנתח תצלומי פצעים ולזהות מראה חשוד לזיהום. הוא לא מוכיח שכל תמונת טלפון ביתית, בכל תאורה ובכל מכשיר, תיתן אותה רמת ביצועים.

דווקא בשלב הבא יהיה צורך לבדוק את המערכת בתנאים האלה - צילום עצמי בבית, ללא צוות רפואי שמכוון את זווית הצילום ואיכותו.

היישום עשוי להיות מעניין במיוחד בישראל, שבה מערכי רפואה מרחוק כבר משולבים בקופות החולים ובבתי החולים.

מטופל ששוחרר לאחר ניתוח יכול כבר כיום לשלוח תמונה או להתייעץ מרחוק במערכות שונות. השכבה החדשה שמציע המחקר היא מיון אוטומטי לפני שהצילום מגיע לאחות או לרופא.

במערכת שבה מתקבלות אלפי תמונות, אלגוריתם כזה עשוי להעלות לראש התור את המקרים שנראים חריגים יותר.

היתרון אינו רק נוחות. אם זיהום אמיתי יזוהה מוקדם יותר, ייתכן שניתן יהיה להתחיל בירור וטיפול לפני שהמצב מחמיר.

אבל המחקר הנוכחי לא בדק אם המודל אכן מקצר בפועל זמן לאבחנה, מפחית אשפוזים או משפר תוצאות.

השלב הבא - לבדוק אם האלגוריתם באמת עוזר למטופלים

המבחן הבא אינו רק לשפר את ה-AUC. צריך לשלב את המערכת בתוך תהליך אמיתי: מטופלים מצלמים בבית, האלגוריתם ממיין, צוות רפואי מגיב, ולאחר מכן בודקים אם הזיהומים אכן מתגלים מוקדם יותר ואם יש פחות סיבוכים, ביקורים מיותרים או אשפוזים חוזרים.

רק מחקר כזה יוכל לענות אם המערכת אינה רק טובה בזיהוי תמונות, אלא גם טובה לרפואה.