בינה מלאכותית מזהה סרטן ערמונית בשלב מוקדם שפספסו פתולוגים

דוחות מדעיים מראים כי בינה מלאכותית יכולה לזהות רמזים מורפולוגיים נסתרים של גידול בביופסיות הערמונית, אשר נחשבו בעבר שפירים על ידי פתולוג. מודל למידה עמוקה שאומן באמצעות גישת הפיקוח החלש ניבא אילו גברים עם PSA מוגבר יפתחו סרטן ערמונית בעל משמעות קלינית (ISUP > 1) ב-30 החודשים הקרובים ואילו יישארו ללא סרטן במשך 8 שנים לפחות. זה פותח את הדלת לריבוד סיכונים מוקדם מיד לאחר ביופסיה "נקייה" ראשונית ועשוי לסייע להחליט מי באמת זקוק להליכים פולשניים חוזרים ולמעקב משופר.

רקע המחקר

ביופסיה ראשונית של הערמונית מניבה לעיתים קרובות תוצאות שליליות שגויות: חלק משמעותי מסרטן בעל משמעות קלינית נותר "מחוץ לבדיקה", במיוחד בביופסיה מסורתית של TRUS שיטתית. הכנסת הנחיית MRI הגדילה את שיעור גילוי הסרטן בעל משמעות קלינית והפחיתה את מספר ההליכים החוזרים המיותרים, אך גם עם אסטרטגיות מודרניות, חלק מהגידולים האגרסיביים נותרים בלתי מזוהים. הדילמה הקלינית נותרת זהה: את מי יש להשגיח לאחר ביופסיה "נקייה" ואת מי יש להפנות לביופסיה חוזרת מוקדמת, כדי לא לעכב את האבחון ולא להעמיס על החולים התערבויות פולשניות.

הבסיס הביולוגי לפתרון בעיה זו הוא תופעת ה-TINT (tumor-instructed/indicating normal tissue): גידול "מעצב מחדש" את הרקמות הסובבות את האיבר, שנראות נורמליות לכאורה, ומשאיר בהן עקבות חלשות אך שיטתיות - החל משיפוץ סטרומלי והיפוקסיה ועד לשינויים מטבוליים. שינויים אלה תוארו במודלים ניסיוניים ובחולים עם סרטן הערמונית ומתואמים עם תוקפנות הגידול, מה שהופך רקמה "נורמלית" למקור פוטנציאלי של אותות אבחון, גם אם אין בלוטות סרטניות ברורות בליבת הביופסיה.

פתולוגיה דיגיטלית ושיטות למידה עמוקה מכוונות לחלץ מאפייני שדה "עדינים" כאלה מחתכי H&E סטנדרטיים. בניגוד למורפולוגיה קלאסית, המתמקדת במבנים גידוליים ברורים, אלגוריתמים יכולים ללכוד דפוסים מבוזרים בסטרומה ובאפיתל הקשורים לנוכחות גידול בחלק אחר של האיבר. זה פותח את הדרך לסיכון לריבוד מיד לאחר ביופסיה שלילית: "ציון" זכוכית גבוה מצביע על כדאיות של ביופסיה חוזרת מוקדמת או הנחיית MRI, בעוד ציון נמוך תומך בתצפית עדינה יותר.

זהו הרעיון העומד מאחורי מחקר חדש בכתב העת Scientific Reports: המחברים בדקו האם בינה מלאכותית יכולה לחזות סרטן ערמונית בעל משמעות קלינית ב-30 החודשים הקרובים על סמך רמזים מורפולוגיים מביופסיות TINT. העבודה מתבססת על קו של מחקר שהוצג בעבר מראש ומהווה בסיס יישומי ליישום סמנים ביולוגיים דיגיטליים "בשטח" בניתוב מטופלים לאחר ביופסיה "נקייה" ראשונית.

איך זה בוצע: עיצוב, נתונים, אלגוריתם

המחברים אספו באופן רטרוספקטיבי קבוצה של 232 גברים עם רמות PSA גבוהות ומסקנה ראשונית של "שפיר" בביופסיה באמצעות מחט (לאחר בקרה טכנית, 213 חולים ו-587 חתכים נכללו בניתוח הסופי; ביופסיות 1997-2016, אומאה, שבדיה). כל מטופל הותאם לזוג "מראה" לפי גיל, שנת אבחון ורמת PSA: מחציתם אובחנו עם סרטן הערמונית מאוחר יותר (≤30 חודשים), המחצית השנייה נותרה ללא סרטן במשך לפחות 8 שנים. שקופיות H&E עברו דיגיטציה (20×), נחתכו לאריחים של 256×256 פיקסלים והוזנו ל-CLAM (Clustering-constrained Attention Multiple-Instance Learning) - תוכנית מודרנית עם פיקוח חלש, שבה ידוע רק גורל המטופל, ולא הסימון של כל פיקסל. המאפיינים חולצו על ידי ResNet18 שאומן מראש על 57 מערכי נתונים היסטופתולוגיים. נקודת הסיום היא בינארית: סיכון נמוך (שפיר/ISUP1) לעומת סיכון גבוה (ISUP2-5).

דיוק החיזוי

בבדיקה עצמאית, המודל השיג AUC של 0.81 בכל שקופיות ו-AUC של 0.82 ברמת המטופל. בסף שסיפק איזון מקובל, הרגישות הייתה 0.92 עם שיעור חיובי שגוי של 0.32 (ברמת המטופל). במילים אחרות, בקרב אנשים שהביופסיה הראשונית שלהם "החמיצה", הבינה המלאכותית סימנה נכונה את הרוב המכריע של אלו שאובחנו במהרה כסובלים מסרטן משמעותי קלינית, אם כי במחיר של כמה אזעקות שווא. עבור המרפאה, זהו איתות: תגובת ביופסיה "שפירה" ≠ אפס סיכון, וניתן לריבוד אותה כמותית באמצעות זכוכית דיגיטלית.

מה בדיוק בינה מלאכותית "שמה לב" לרקמה "רגילה"?

פירוש באמצעות UMAP ומפות קשב הראה ששינויים סטרומליים הם האינפורמטיביים ביותר:

• יותר קולגן בסטרומה (דחיסת מטריקס, "פיברוזיס");
• פחות תאי שריר חלק סביב הבלוטות;
• פחות שכיחים הם אותות עדינים באפיתל הבלוטות, כנראה מתחת לרזולוציית הדגימה למטה הזמינה.
  דפוס זה משתלב בתפיסת TINT (tumour-instructed/indicating normal tissue): אפילו ה"נורמה" באיבר שבו גידול מוסתר מתעצבת מחדש תחת השפעתו ושונה מה"נורמה" באיבר ללא גידול. סרטן הוא לא רק נידוס, אלא גם שדה, ובינה מלאכותית לומדת לקרוא את אפקט השדה.

כיצד הגישה שימושית בפועל - תרחישים אפשריים

• ביופסיה חוזרת מבוססת סיכון: שיעור גבוה של בינה מלאכותית על זכוכית "נקייה" - טיעון בעד ביופסיה חוזרת מוקדמת או הנחיית MRI במקום המתנה.
• התאמה אישית של הניטור: מהירות נמוכה מאזנת חרדה לאחר MRI "גבולי" ומאפשרת מתון של עוצמת הניטור.
• אימון תבניות TINT: מפות קשב ושכבות-על אינטראקטיביות עוזרות לפתולוגים לראות שדות עדינים סביב סרטן, ומשפרות את עקביות הדיווחים.

חשוב להבין את המגבלות

זהו מרכז יחיד בצפון שבדיה (אוכלוסייה לבנה ברובה), התכנון הוא רטרוספקטיבי, הביופסיות הבסיסיות בוצעו ללא הנחיית MRI (ביופסיות TRUS שיטתיות), והסמנים הם תוצאות עתידיות ולא "גידול סמוי באותו שקופית". עדיין אין אימות חיצוני במרכזים/סורקים עצמאיים, וגם אין ניסוי פרוספקטיבי של השפעת האלגוריתם על החלטות קליניות ותוצאות. שיעור התוצאות החיוביות השגויות נותר משמעותי - המודל אינו מחליף את הרופא אלא מוסיף שכבה הסתברותית לקבלת החלטות משותפת.

מה הלאה: מפת דרכים ליישום

• אימות חיצוני רב-מרכזי (סורקים שונים, פרוטוקולים, קבוצות אתניות).
• מחקרי החלטה פרוספקטיביים: האם ציון AI משנה את מסלול המחלה של המטופל (זמן עד לאבחון, מספר ביופסיות חוזרות מיותרות, אבחון יתר/תת-אבחון).
• שילוב עם MRI ומרפאה: מודלים משולבים (PSA, MRI PIRADS, גורמים קליניים + ציון TINT לפי H&E).
• שלבים טכניים: סטנדרטיזציה של דיגיטציה, שליטה בסחף נתונים, הסבר (שכבות קשב לשגרה).

מקור: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C., et al. גילוי גידול המצביע על שינויים מורפולוגיים בביופסיות שפירות של הערמונית באמצעות בינה מלאכותית. Scientific Reports (Nature Portfolio), פורסם ב-21 באוגוסט 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6