New-Tech Magazine | July 2022 | Digital Edition

רבות קיימת בעיה ברזולוציה של תמונות, במספר הדגימות המעניינות של מחלות נדירות בבסיס הנתונים, או שקצב דגימות הנתונים אינו משקף את ההתפתחות של התהליך הקליני. כדי להתגבר על אתגר זה קיימים כיום פתרונות לבקרה ורגולציה המאפשרים נראות AI של מערכות ) ייחודית לצורך ניטור observability ( וגילוי שינויים בנתונים המוזנים למודלים וסחף בהתפלגות נתונים, אשר גורמים להידרדרות בביצועים לאורך זמן. הדמיה ודיאגנוסטיקה הדמיה היא אחת הדוגמאות הטובות ביותר לשימוש בבינה מלאכותית בתחום הרפואה. ניתן לשלב בינה מלאכותית , MRI בתהליך הפענוח המורכב של בדיקות , צילומים מיקרוסקופיים CT סריקות ובבדיקות רבות נוספות. כלי ניתוח מבוססי יכולים לחלץ מידע חשוב ולאפשר קבלת AI החלטות טובה יותר - לפעמים בדיוק רב יותר מאשר בני אדם, החל מזיהוי מדויק יותר של סרטן ועד לאבחון מהיר יותר של דלקת ריאות. AI עם זאת, למרות שמודלים מבוססי יכולים לאסוף תובנות חדשות מהדמיות רפואיות, קיימים מספר מחסומים עיקריים ליישום הטכנולוגיה במסגרות קליניות. עצם המורכבות שהופכת את ההדמיה הרפואית לתחום אידיאלי לניתוח על ידי אלגוריתמים, היא אותה מורכבות שמשבשת את השימוש בהם. גם במקרה זה, חוקרים ומפתחים זקוקים לכמויות אדירות של נתוני הדמיה כדי לאמן בהצלחה מודלים של בינה מלאכותית ולהבטיח שהם מוכנים לשימוש בשגרה. בנוסף, באופן אינהרנטי לתהליכים קליניים, ישנה סובייקטיביות ואמביוולנטיות באבחנה הרפואית והערכת המצב הקליני בין קלינאים שונים ולכן

שגרתיות של הרופא, לדוגמה, רוב הרופאים כיום מקלידים מידע ידנית למחשב בעת ביקור של מטופל. כלי בינה מלאכותית יכולים לבטל את הצורך בהקלדה על ידי תמלול השיחה בשידור חי, דבר שיאפשר לרופא להתמקד באדם שמולו. האתגר העיקרי במקרה זה נעוץ בעובדה שכל מטופל הוא מקרה ייחודי ולכל רופא זווית ייחודית לאבחון וטיפול בו. מידע שנאסף עבור מטופל יכול להשתנות בהתאם לרופא אותו הוא ביקר. אם לא די בכך, את רוב הנתונים שמשפיעים על הבריאות של המטופל – תזונה, שעות שינה, מתח - לא ניתן לאסוף בביקור רופא. יתרה מכך, קיימים אתגרים אתיים – נתונים רפואיים הם רגישים ביותר. אפילו ניסוי בבניית כלי חדש בתחום הבינה המלאכותית ידרוש אבטחת מידע הדוקה כדי להגן על נתוני המטופלים. לפיכך, כלי בינה מלאכותית בתחום הבריאות לעולם לא יחליפו רופאים, אך הם יכולים בשלב זה לסייע להם לעשות יותר.

תיוג המקרים צריך להתבצע בזהירות על מנת להימנע מהטיה לא מכוונת בבסיס הנתונים. על מנת להתמודד עם מצבים בעלי יכולת AI אילו יש הכרח לשלב כלי ) ואבחון שגיאות AI Explainability הסבר ( ) יחד עם שיתוף מומחי Error Analysis ( תוכן כחלק אינטגרלי מתהליך פיתוח המודלים. גם לאחר היישום, מערכות הבריאות צריכות לפקח באופן עקבי על המידע ולוודא AI ועל הביצועים של מערכות ה שהטכנולוגיה ממשיכה לשפר את האבחון והטיפול. הבעיה מתחילה בכך שמודלים רבים מבוססים על רשתות נוירונים המוגדרות כ'קופסאות שחורות', שלא מאפשרות להבין עד הסוף את אופן קבלת ההחלטות. חוקרים פועלים למצוא פתרונות לאתגרים אלה, בעוד גופים רגולטורים שונים פועלים על מנת להסדיר כללי שימוש במודלי קופסה שחורה, דבר שיש לקוות שיוביל לשיפור בדיאגנוסטיקה ובמתן טיפול רפואי בחולים. מעקב רפואי אחר מטופלים בעוד רופאים ואחיות לומדים מניסיונם האישי, כלי בינה מלאכותית יכולים ללמוד מניסיונם של מיליוני מטופלים ומהידע של אלפי רופאים. בכך הם יכולים לשפר את מיומנותם, לעזור להם לנתח תוצאות בדיקות או לזהות ולטפל במצבים נדירים. הם יכולים לעזור לנתח סוגים רבים של נתונים באמצעות מעקב דיגיטלי פרטני אחר סימפטומים, בין אם באמצעות אביזרים לבישים או ביקורים, ולהציע תמונה מקיפה יותר על מצבו של המטופל. בינה מלאכותית יכולה גם לייעל את הלוגיסטיקה של שירותי הבריאות על ידי ניהול פגישות ומתן תובנות לגבי תמהיל כוח אדם הדרוש בזמנים שונים של השבוע או השנה. היא יכולה גם לצמצם משימות

ד"ר אדם קובני, דירקטור למדעי « Data Science Group הנתונים ב- )DSG(

Save The Date 16-17.5.2023

Pavilion 1, EXPO Tel Aviv | 16-17.5.2023 | 10:00-15:00 2023 AI, Machine Vision & Machine Learning

39 l New-Tech Magazine