צוות חוקרים מאוניברסיטת בן-גוריון בנגב פיתח שיטה חישובית המאפשרת להתחקות אחר מודל קבלת ההחלטות של בינה מלאכותית על-ידי הנדסה לאחור, ועל ידי כך לפרק תמונות רפואיות לרכיבים בעלי משמעות קלינית. הבנת מנגנון ההחלטה של מודלי בינה מלאכותית (AI) עשויה להשפיע על יישומים נרחבים בהבנה של תהליכים ביולוגיים ובעולם הרפואה. ממצאי המחקר פורסמו באחרונה בכתב העת היוקרתי Nature Communications.
"למידה עמוקה" באמצעות רשתות עצביות מלאכותיות היא שיטה חישובית מבוססת בינה מלאכותית, המסוגלת ללמוד תבניות של קשרים המורכבים מנתונים באופן ישיר על ידי חיקוי של תהליך הלמידה במוח האנושי. החיסרון המרכזי בשימוש בשיטות מבוססות AI מהסוג הזה הוא חוסר היכולת להבין ולהסביר מה עומד מאחורי ההחלטה של הרשת העצבית. המגבלה הזו נובעת מכך שתהליך האימון של הרשת נערך באופן אוטומטי, ישירות מהנתונים, ללא התערבות אנושית. חיסרון זה הוא חסם משמעותי בפני שימוש רחב יותר בתחומים כמו ביולוגיה ורפואה, שבהם ההסבר לא פחות חשוב מהיכולת של המכונה לקבל החלטה נכונה. צפו בסרטון התפתחות עובר במבחנה שבו השתמשו החוקרים כחלק מלימוד הבינה המלאכותית:
התפתחות עובר במבחנה
"AI הוא כלי מאוד חזק בעיקר בניתוח תמונות", מסביר פרופ' אסף זריצקי מהמחלקה להנדסת מערכות תוכנה ומידע באוניברסיטת בן-גוריון בנגב שהוביל את המחקר. "ה-AI יודע לזהות תבניות בתמונות רפואיות וביולוגיות שהעין האנושית לא מסוגלת לזהות, ולכן במקרים רבים ההחלטות שלו יותר מדויקות משל המומחה האנושי. הבעיה שלנו היא שבתור חוקרים או רופאים חשוב לנו לקבל החלטה באופן מושכל, אך אין לנו את היכולת להבין איך ה-AI קיבל את ההחלטה".
פרופ' אסף זריצקיצילום: שונית פלקו זריצקיבתחילה, הדוקטורנט עודד רותם בהנחייתו של פרופ' זריצקי, פיתח שיטה חישובית שמאפשרת להנדס לאחור את ה-AI באמצעות פירוק תמונה לרכיבים בעלי משמעות סמנטית שבאמצעותם ה-AI מקבל את ההחלטה. בשיתוף פעולה עם חברת ההזנק הישראלית AIVF, החוקרים הדגימו את היכולת של הטכנולוגיה לאפיין תכונות של עוברים שהיו המשמעותיות ביותר ל-AI על מנת לקבל החלטה. כדי לוודא שניתן להפעיל את הטכנולוגיה בהקשרים מעבר לעולם ההפריה החוץ-גופית, החוקרים הדגימו פרשנות של החלטת ה-AI גם עבור דימות MRI במוחות של חולי אלצהיימר ואף בתמונות שצולמו במצלמה רגילה כדי לפרש איך AI מבחין בין כלבים לחתולים ובין גברים ונשים.
פרופ' זריצקי: "אמנם למידה עמוקה מאפשרת לזהות דפוסים נסתרים בנתוני הדמיה ביו-רפואיים שהעין האנושית לא מזהה, אך כדי להיות מסוגלים לקבל החלטות קליניות או מדעיות, עלינו לפתור את התעלומה ולגלות מה ה-AI זיהה, לפרש את המשמעות הביולוגית או הקלינית של ההסבר"
"בעבר אנשי מקצוע היו מסתכלים בעין ומקבלים החלטות. כשהגיעה למידת המכונה הקלאסית היו מזינים לה נתונים: היו אומרים, "'זה הגודל של העובר', 'זו האיכות של מעטפת התאים' ומציגים את המדדים האלה למכונה שלמדה לקבל החלטה לפיהם. במקרים האלה החוקר יודע מראש מה נמדד, ולכן פשוט יותר לפרש את אופן קבלת ההחלטה של המכונה", אומר פרופ' זריצקי, "לעומת זאת, ב-AI המודרני, המכונה מקבלת תמונה או סרטון, 'עושה את הקסם שלה' ומקבלת החלטה. אין דרך פשוטה לפרש את הקשרים המורכבים שנלמדו ברשת העצבים המלאכותית העמוקה".
צעד נוסף לחשיפת מנגנון קבלת ההחלטות
צוות המחקר השתמש במאגר תמונות עשיר של אלפי עוברים מתהליך הפריה חוץ-גופית שנאסף בחברת AIVF. דימות העוברים נערך באמצעות מיקרוסקופ אור, ומומחים להתפתחות העובר (אמבריולוגים) בחברה בחנו ודירגו כל עובר על סמך מספר תכונות כמו גודל העובר ושרשרת תאים העוטפת אותו בשלבי ההתפתחות המוקדמים. החוקרים הוכיחו שה-AI מצליח במשימה של חיזוי איכות העובר עם ביצועים דומים למומחה האנושי. עם זאת, כאמור, ה-AI לא הציע לחוקרים רמזים לגבי מהן תכונות העובר שהובילו להצלחת החיזוי.
עודד רותםצילום: שונית פלקו זריצקי"אמנם למידה עמוקה מאפשרת לזהות דפוסים נסתרים בנתוני הדמיה ביו-רפואיים שהעין האנושית לא מזהה, אך כדי להיות מסוגלים לאפיין ולקבל החלטות קליניות או מדעיות, עלינו לפתור את התעלומה ולגלות מה AI זיהה, לפרש את המשמעות הביולוגית או הקלינית של ההסבר, ולהחליט לפי הפרשנות את הצעדים הבאים בטיפול או במחקר", מסביר פרופ' זריצקי.
בשלב הבא, פיתחו החוקרים שיטה חדשה בסגנון "דיפ-פייק", שמאפשרת, למשל, להחליף בתמונה פנים של אדם אחד באדם אחר. השיטה, הנושאת את השם "Discover'', מבוססת על רשת עצבית נוספת המסוגלת ליצור תמונות מלאכותיות של עוברים באופן מבוקר. יצירת התמונות מבוססת על הגדרה של רכיבים מסוימים ברשת, כך שכל רכיב מצד אחד יהיה משמעותי בחיזוי איכות העובר, ומצד שני יקודד חלקי תמונה בעלי משמעות. כל רכיב כזה מקודד חלקי תמונה ייחודיים תחת ההנחה שהם יתרגמו לתכונה חד-משמעית ושונה בין רכיב לרכיב.
באמצעות יצירת סדרת תמונות מלאכותיות של עוברים שמעולם לא התקיימו במציאות, הצליחו החוקרים לזהות שינוי בגודל העובר ובשרשרת התאים העוטפת את העובר - בהתאם לאופן ההחלטה של האמבריולוג בקליניקה. מעבר לכך, החוקרים הצליחו לזהות תכונה חדשה ש-AI זיהה כתכונה המייצגת עובר איכותי ללא הנחייה אנושית
שינוי הדרגתי של הרכיבים הללו, כל רכיב בנפרד, מאפשר יצירת תמונות של עוברים אשר כל אחד מהם שונה מתמונת האמת בתכונה אחת שחשובה לתהליך ההחלטה של AI. באופן הזה ניתן להציג למומחה את אותו העובר במספר אופנים שונים, כך שבכל תמונה "מודגשת" באופן מלאכותי תכונה אחת, בעוד יתר התמונה נשארת ללא שינוי. בכך השיטה מאפשרת למומחה לפרש את אופן הפעולה של ה-AI ואף לציין כמה חשיבות קיבלה כל תכונה בהחלטה.
"המהות הטכנית מאחורי הטכנולוגיה הזאת היא היכולת לייצר תמונות מלאכותיות כך שמצד אחד ייראו אמיתיות ומצד שני ישקפו תכונות ש'בעיני' AI ישקפו עוברים פחות או יותר איכותיים. היכולת לשלוט ולשנות בכל פעם תכונה אחת בתמונה מאפשרת למומחה לפרש כיצד התקבלה ההחלטה של ה-AI", מוסיף פרופ' זריצקי.
ואכן, באמצעות יצירת סדרת תמונות מלאכותיות של עוברים שמעולם לא התקיימו במציאות, הצליחו החוקרים לזהות שינוי בגודל העובר ובשרשרת התאים העוטפת את העובר - בהתאם לאופן ההחלטה של האמבריולוג בקליניקה. מעבר לכך, החוקרים הצליחו לזהות תכונה חדשה ש-AI זיהה כתכונה המייצגת עובר איכותי ללא הנחייה אנושית - מבנה מסוים של חלל פנימי בעובר המכיל חומרים מזינים למסה הפנימית של התאים המתואר קלינית כ"צפיפות הבלסטוציסט" (עובר שגדל כחמישה ימים). "ידענו שזה פרט שיש לו משמעות אך לא ידענו איך להסתכל עליו ולמדוד אותו", מוסיף פרופ' זריצקי. "צפיפות הבלסטוציסט לא נכלל בפרמטרים שאמבריולוגים מודדים בצורה מפורשת כאשר הם מקבלים החלטה בקליניקה".
3 צפייה בגלריה
ערבוב כל התכונות ביחד (מימין) מול פירוק לתכונות נפרדות (משמאל) שמאפשר פרשנות של התכונות המשמעותיות להחלטה
(איור: נטע כשר)
"אמבריולוגים מכירים היטב את חשיבותן של תכונות ביולוגיות מסוימות בקביעת איכות העובר, אך לעיתים קרובות העין האנושית מוגבלת ביכולתה למדוד ולהעריך אותן באופן מדויק", מסבירה דניאלה גלבוע, מנכ"לית חברת AIVF ואמבריולוגית קלינית בהכשרתה.
"דוגמה מצוינת לכך היא צפיפות הבלסטוציסט, תכונה בעלת חשיבות רבה באיכות העובר שאינה נמצאת בשימוש קליני נרחב מכיוון שקשה מאוד למדוד ולכמת אותה בעין אנושית בעת בחינת העובר במעבדה. כעת, עם ההסבר הוויזואלי של Discover, ניתן לזהות ולנתח תכונות ביולוגיות חשובות מעין אלה באופן מדויק ואובייקטיבי יותר. כתוצאה מכך, אנו יכולים לשפר משמעותית את תהליך בחירת העובר בעל הסיכויים הגבוהים ביותר להשרשה מוצלחת ברחם, ובכך להגדיל את סיכויי ההצלחה של טיפולי הפוריות".
"היכולות של Discover לזהות ולהגביר באופן מלאכותי דפוסי תמונה שחשובים ל-AI כדי לאפשר פרשנות, ניתנים לשימוש גם בתחומים של דימות ביולוגי, רפואי ובתחומים אחרים בהם הבינה המלאכותית היא כלי מסנן", מציין עודד רותם, הדוקטורנט שהגה ופיתח את השיטה. ד"ר גלית מזוז פרלמוטר, מחברת BGN, חברת המסחור של אוניברסיטת בן-גוריון בנגב, גם ציינה את הפוטנציאל הגלום בשיטה החישובית: "הפיתוח של פרופ' זריצקי וצוות המעבדה בעל חשיבות יישומית עבור תחומים שונים בעולם הרפואה".
לאן כל זה הולך להתפתח?
פרופ' זריצקי: "קודם כל בתחום ההפריה החוץ-גופית יצא לאחרונה מאמר שמדגים בצורה מאוד משכנעת שהבינה מלאכותית לא נופלת ממומחה אנושי. AI כבר כאן. הצעד הבא יהיה אינטגרציה של שיטות לפרשנות לתוך מערכות AI בקליניקה, איפה שההחלטה מתקבלת".
האם בעתיד בינה מלאכותית תחליף את מקצוע הרדיולוגיה?
פרופ' זריצקי: "היא תהיה מאוד דומיננטית, אך לפי דעתי עדיין צריך בסוף רדיולוג שיקבל החלטה, שיתווך בין המכונה לאדם. פיתוח טכנולוגיות פרשנות דומות ל-Discover הוא צעד הכרחי כדי לאפשר למומחה לקבל החלטה מושכלת על סמך ההצעה של מערכות AI מודרניות".
בצוות המחקר השתתפו תמר שוורץ, רון מאור, ישי טאובר, מאיה צרפתי-שפירו, דניאלה גלבוע ופרופ' דניאל זיידמן מחברת AIVF, וכן פרופ' מרכוס מסגר ממרפאת הפוריות IVI בוולנסיה, ספרד. מחקר זה נתמך על ידי קרן Rosetree Trust ועל ידי המועצה הישראלית להשכלה גבוהה באמצעות מרכז המחקר למדעי הנתונים, אוניברסיטת בן-גוריון בנגב.
