הקדמה: מהו CT ומדוע נדרש שחזור מתקדם?

ה-CT (Computed Tomography) הוא אחת הטכנולוגיות המרכזיות בדימות הרפואי, המאפשרת קבלת “תמונות חתך” של הגוף. בשיטה זו, קרני רנטגן עוברות דרך רקמות הגוף בזוויות שונות, וחיישנים קולטים את הקרינה שעברה. לאחר עיבוד ממוחשב, מתקבלת תמונה תלת-ממדית המאפשרת לרופא להתבונן באיברים פנימיים וברקמות באופן מפורט יותר מאשר צילום רנטגן דו-ממדי רגיל. מטרת טכנולוגיית ה-CT היא להעניק לרופאים ולאנשי הצוות הרפואי מידע קליני מדויק ורב-ממדי, כדי שיוכלו לאתר פתולוגיות (כגון גידולים, דימומים או פגיעות טראומטיות), להעריך נזקים פנימיים או לתכנן ניתוחים מורכבים. אולם, תהליך הסריקה כרוך בחשיפה לרמות שונות של קרינה רדיואקטיבית. חשיפה זו מצטברת עם הזמן ויכולה לסכן מטופלים, במיוחד כאשר יש צורך בסריקות חוזרות או כשמדובר באוכלוסיות רגישות דוגמת ילדים או חולים כרוניים. בשנים האחרונות, הרפואה מתמודדת עם אתגר מרכזי: כיצד לצמצם את חשיפת המטופל לקרינה מבלי לפגוע באיכות התמונה הנדרשת לצורך אבחון. כאן נכנסת לתמונה הבינה המלאכותית (AI), אשר מאפשרת לשפר את תהליך העיבוד והשחזור של תמונות CT, ולהשיג תוצאות גבוהות ברמת הדיוק עם כמות נתונים חלקית או חשיפה חלקית יותר לקרינה. בפרויקט הנוכחי, השאיפה המרכזית הייתה לפתח מערכת CT חדשה שתתמקד באיבר יחיד ותצמצם חשיפה לאיברים אחרים בגוף. הדגש הוא על שחזור מדויק ואמין של האיבר הנסרק, תוך שמירה על איכות תמונה מספקת לצורכי אבחון. כדי להשיג זאת, נדרש איסוף כמות גדולה של נתונים רפואיים, לצד פיתוח אלגוריתמים מבוססי למידת מכונה ולמידה עמוקה, אשר יאפשרו להשלים את המידע החסר ולשחזר תמונות בעלות רזולוציה גבוהה ומשמעות רפואית. בהמשך נסקור לעומק את תהליך הפיתוח, החל מסקר ספרות מקיף באמצעות מערכות AI מתקדמות, דרך שיתופי פעולה עם מרכזי ידע עולמיים, ועד פיתוח האלגוריתם הסופי שמשפר באופן ניכר את איכות התמונות וביצועי הסריקה. כמו כן, נבחן כיצד השימוש ב-AI סייע לנו לייעל את התהליך, החל מתכנון המערכת ועד שלבי הבדיקה והאימות, וכיצד תוצאות העבודה מביאות בשורה חדשה לתחום הדימות הרפואי.

סקירת מערכת CT המתמקדת באיבר יחיד

הצורך להגן על מטופלים מקרינה מיותרת הוליד את הרעיון למערכת CT המתמקדת באיבר אחד בלבד (למשל, סריקת הלב, המוח, או הריאה). באופן כזה, ניתן למקד את קרני הרנטגן ואת הגלאים סביב אזור ממוקד, ולהפחית משמעותית את החשיפה של יתר הגוף. הדבר חשוב במיוחד באזורים הרגישים לקרינה (כגון בלוטת התריס, מח העצם באגן, או שחלות ונשיאת עוברים אצל נשים בהריון).

היתרונות במערכת כזו כוללים:

• הפחתת הסיכון של התפתחות מחלות הקשורות לקרינה, בעיקר כשמדובר בסריקות חוזרות.
• מיקוד קליני מדויק יותר, משום שהמערכת מתוכננת מראש לדימות איכותי של האיבר הספציפי.
• צמצום עלויות תפעול, כיוון שמדובר במערכת קטנה יותר ובזוויות צילום מוגבלות. לעיתים, ניתן אף למזער את הגלאים ולהפוך את המכונה לניידת או נוחה יותר לשימוש במרפאות קטנות.

הסיכונים או האתגרים:

• ירידה פוטנציאלית באיכות התמונה, שכן ניתן לקבל פחות מידע מזוויות שונות.
• קושי באבחון ממצאים מחוץ לאיבר הנסרק (לדוגמה, אם ממוקדים בריאה ולא ניתן מידע על איברים שכנים).
• פיתוח ותכנון מערכת הדמיה חדשה מאפס עשוי להיות כרוך בעלויות מחקר ופיתוח גבוהות, לצד התמודדות עם סוגיות רגולטוריות נוספות. לכן, האלגוריתם שאנו מפתחים נדרש להתמודד עם מידע חלקי יותר ולייצר שחזור תמונה אמין למרות מספר מוגבל של מדידות. כדי לעמוד בתנאי הרגולציה נדרש להוכיח שהשיטה המוצעת אמינה ובעלת ביצועיים עקביים.

שלבי הפיתוח

1. סקר ספרות באמצעות AI

בשלב הראשוני, בוצע סקר ספרות מקיף על ידי שימוש בכלי בינה מלאכותית לאיתור מאמרים, פטנטים, תוכנות קוד פתוח ודוחות מחקר בתחום שחזור תמונות CT. בזכות יכולות NLP (עיבוד שפה טבעית), הצלחנו לאתר במהירות שיטות מתקדמות ומוקדי ידע מובילים ברחבי העולם, שחסכו לנו זמן מחקר יקר ואפשרו לנו למקד את המאמצים בטכנולוגיות העדכניות והרלוונטיות ביותר.

1. זיהוי מילות מפתח ודפוסים: האלגוריתם חיפש טרמינולוגיה נפוצה במאמרים בתחום הדימות הרפואי, כגון “Low-Dose CT Reconstruction”, “Sparse CT”, “Iterative Reconstruction”, “Deep Learning CT”, וכן שילובים שונים, כדי לאתר מגוון רחב של מקורות. באמצעות הגמישות הרבה של ניתוח השפה, לעיתים החיפוש העלה טכנולוגיות רלוונטיות אף שלא כללו את מילות המפתח.
2. בדיקת ציטטות והתייחסויות: לאחר איתור המאמרים, הפטנטים ומידע חופשי אחר, האלגוריתם סימן אילו מאמרים זוכים להרבה ציטוטים, מי הכותבים המובילים, ואיפה מתנהלים המחקרים הפעילים ביותר.
3. סיווג ותיעדוף מאמרים: המערכת דירגה את המאמרים לפי מדדי השפעה (Impact Factor), רלוונטיות לתחום הספציפי שלנו, ואזורים גיאוגרפיים שבהם נמצאים המומחים. כך יכלנו לקבל במהירות תמונה מקיפה של הנעשה בעולם, ואף למקד את החיפושים לשיטות שהוכחו כמבטיחות. התהליך הזה קיצר משמעותית את פרק הזמן שהיינו זקוקים לו כדי להבין לעומק את עולם המחקר, ולגלות מה כבר נעשה, איפה יש עדיין פרצות ידע או מגבלות שהטכנולוגיה שלנו יכולה לפתור, ואילו קבוצות מחקר פיתחו גישות דומות.

מעבר לכך, בעזרת טכנולוגיות של ניתוח טקסטים, המערכת איתרה מחקרים שעוסקים ברכיבים מאוד ספציפיים. למשל, שימוש ב-GAN לשחזור תמונות CT בתנאי חשיפה נמוכה במיוחד. הדבר אפשר לנו לא רק ללמוד את השיטות הקיימות, אלא גם לשער מה היעילות המקסימלית שאנו עשויים להשיג, ועל מה כדאי לשים דגש בפיתוח שלנו.

2. יצירת קשר עם מרכזי הידע העולמיים

בעקבות הסקר הממוקד, יצרנו קשר עם מרכזי הידע העולמיים שנמצאו בתחום. שיתוף הפעולה סייע לנו להבין את מגבלות השיטות הקיימות ולקבל גישה לתובנות ייחודיות ולמאגרי נתונים נדירים. כך הבטחנו שנוכל לבסס את הפיתוח שלנו על הידע והניסיון העולמי העדכני ביותר.

אין תחליף לשיח הישיר עם חוקרים שעבדו על פתרונות דומים או משלימים. בשל הפתיחות ושיתוף הפעולה, יכולנו להבין אילו גישות כשלו בעבר ולא לחזור על אותן הטעויות. במקביל, למדנו על רכיבי חומרה חדשניים, תכנון אופטימלי של מערכי הגלאים (Detectors) והיבטים רגולטוריים שעלולים להתעורר כאשר מגישים את הטכנולוגיה לאישורי FDA או CE.

מעבר לכך, בקשרים הללו נוצר לא רק שיתוף אינפורמציה, אלא גם אפשרות לערוך ניסויים השוואתיים (Benchmark) על אותם נתוני בדיקה. כך הפיתוח שלנו הושווה ישירות לפתרונות קיימים, באופן שמאפשר הסקת מסקנות אמינות לגבי האיכות היחסית של האלגוריתם.

3. הקמת מערכת בדיקת איכות באמצעות AI

בשלב הבא, הטמענו אלגוריתם בינה מלאכותית המתמחה בהערכת איכות תמונה (Image Quality Assessment). האלגוריתם אִפשר לנו להעריך בזמן אמת את הדיוק, הרזולוציה והנאמנות של כל תמונה משוחזרת ביחס לנתוני האמת הקרקעית (Ground Truth). בשיטה זו, השווינו בין פרמטרים שונים והגדרנו תהליך איטרטיבי לשיפור המודל. כדי לעקוף את המגבלה של “תמונת ייחוס מושלמת” (שלעיתים אינה קיימת), שילבנו מנגנוני AI המבצעים הערכה תפיסתית (Perceptual Quality). כלומר, רשת הנוירונים הוכשרה להבדיל בין “רעשים” או עיוותים שאינם משפיעים קלינית על האבחון, לבין עיוותים שיכולים לטשטש גבולות חשובים (כמו גבולות בין איברים). בדרך זו, יכולנו להריץ אלפי או אפילו עשרות אלפי דוגמאות של תמונות משוחזרות באלגוריתם החדש, ולבחון בזמן קצר מאוד את איכותן ביחס לתמונות המלאות המקוריות או ביחס למדדים סטנדרטיים. הדבר אפשר לנו להתמקד ולשפר היבטים ספציפיים בתהליך השחזור, כמו הסרת רעשים, הדגשת גבולות של איברים (Edge Enhancement) או שמירה על טווח דינמי רחב של הגוונים (Dynamic Range).

4. פיתוח אלגוריתם חדש המותאם למערכת האיסוף

לאחר שצברנו תובנות ממוקדי הידע ושיפרנו את יכולות האלגוריתם, פיתחנו פתרון חדש התפור בדיוק למערכת האיסוף (Acquisition) שהגדרנו מראש - כזו שתתמקד באיבר אחד ותצמצם חשיפה מיותרת. פותח אלגוריתם אנליטי שמאפשר הבנה ברורה של תהליך השחזור של התמונה. במהלך הפיתוח, נעזרנו ב-AI יוצר (Generative AI) גם לכתיבת קוד וגם לבדיקות איכות ולאופטימיזציה של האלגוריתם.

• ניצול Generative AI ליצירת סימולציות: במקרים שבהם היה חסר מידע מסוים, או שהזוויות היו מוגבלות במיוחד, השתמשנו במודלי Diffusion או GAN כדי “לנחש” כיצד הייתה נראית התמונה המלאה. לאחר מכן, האלגוריתם המשיך לכייל את תמונת ה-GAN לפי הנתונים האמיתיים שהתקבלו מהגלאים.
• ניצול AI יוצר (Generative AI) בתהליך הפיתוח: לא רק לשחזור התמונות, אלא גם לייעול תהליך הכתיבה של קוד ולקיצור זמני הפיתוח. בעזרת כלי AI המסוגלים לנתח קוד ולחולל אוטומטית קטעים או פונקציות, יכולנו לקצר זמני פיתוח, לבדוק היתכנות של רעיונות בקצב מהיר יותר, ואף ליישם בדיקות אוטומטיות (Unit Tests) כדי לוודא איכות ועמידות של האלגוריתם בשינויים עתידיים.

תוצאות פורצות דרך

בסיום התהליך, הצלחנו ליצור אלגוריתם שחזור אנליטי שנוגע בביצועים המקסימליים האפשריים בתחום. האלגוריתם החדש עולה בביצועיו על כל השיטות המפורסמות כיום, ומאפשר הדמיה איכותית במיוחד לאיבר הספציפי הנבדק - תוך שמירה על חשיפה מינימלית לשאר הגוף.