בינה מלאכותית בממוגרפיה — יותר גילוי, פחות בלבול

ממוגרפיה היא בסיס תוכנית הסקר לגילוי מוקדם של סרטן השד. השאלה הגדולה בשנים האחרונות: האם כלי בינה מלאכותית משפרים את הדיוק בצורה שממש מורגשת לחולות ולמערך הבריאות, ולא רק בגרפים ובאלגוריתמים? נתונים עדכניים משטחי פעילות אמיתיים מראים שכן — ובאופן שלא מגדיל את מספר הזימונים החוזרים.

המסר המחקרי — מה צריך לדעת

בעדכון רחב של סקר ממוגרפיה שנערך במדינה אירופית גדולה, שילוב מערכת AI בקריאת הצילומים הוביל לעלייה של ~17.6% בגילוי (6.7 לעומת 5.7 מקרים ל־1,000 נשים), מבלי להעלות את שיעור הזימון החוזר ולצד שיפור ב-PPV — כלומר, יותר מן המזומנות אכן אובחנו עם ממאירוּת. זה לא ניסוי מעבדה אלא תיעוד של יישום בשגרה.

למה זה משנה למטופלות

המשמעות הפרקטית: יותר גידולים אמיתיים מזוהים בזמן, בלי “רעשי רקע” של בדיקות מיותרות. במקומות עם מחסור ברדיולוגים, לכלי AI יש פוטנציאל להפחית עומסים ולזרז תשובות, כל עוד ההטמעה נעשית בזהירות ובבקרה.

איך זה עובד בקצרה

ה-AI מסמן לרדיולוג/ית אזורים בעלי הסתברות גבוהה לחריגה. ההחלטה הסופית נשארת אנושית. במודלים מסוימים ה-AI פועל כ“קורא נוסף”; באחרים הוא מחליף את הקורא השני. שתי הגישות דורשות מדיניות איכות ברורה.

קריאה ביקורתית — נקודות עיקריות

חוזקות

• היקף נתונים גדול ממרכזים רבים — תוקף חיצוני גבוה.

• מדדים שמדברים למטופלת: גילוי, זימון חוזר, חיוביות מנבאת.

• התאמה למגמה עולמית של שימוש אחראי ב-AI.

מגבלות

• לא אקראי ברמת מוקד/אישה — ייתכנו הבדלים בין אתרים.

•טכנולוגית “AI” אינו דבר אחד — המסקנות אינן ניתנות להשלכה אוטומטית לכל מוצר.

• צריך מעקב ארוך-טווח על שלב גידול ותמותה.

שאלות פתוחות

• מהו מודל העבודה האופטימלי בישראל (שני קוראים + AI או קורא אחד + AI)?

• כיצד מבטיחים הוגנות לכל סוגי הצפיפות השדית ולאוכלוסיות מגוונות?

• מה ההשפעה על עומסים, תורים וזמן תשובה?

מה עושים עכשיו

למטופלות: המשיכי להגיע לממוגרפיה בהתאם להנחיות. למערך הבריאות: פיילוטים מדורגים עם בקרה, מדדי איכות ושקיפות פומבית.

קישורים חיצוניים

• משרד הבריאות — דוח בקרת איכות לתוכנית הלאומית

משרד הבריאות — דף מידע לנבדקת

• לקריאת סקירות עומק נוספות

-- אודות ד״ר גיא רופא

--תוכן נוסף להאזנה מאת ד״ר גיא רופא