מדינט - מכונות לומדות המסייעות בקבלת החלטות רפואיות
14/05/2019
חברה ישראלית משתמשת באינטליגנציה מלאכותית לפיתוח מוצר שעשוי ליצור מהפכה בעולם הטיפולים הרפואיים. הטכנולוגיה מאחורי המיזם משלבת למידת מכונה עם שיטות מחקר הנהוגות גם בקהילת המודיעין הישראלית.
בחירת טיפול רפואי מתאים היא משימה מורכבת, הכוללת אתגרים רבים. שגיאה בתהליך הבחירה עלולה להוביל לבחירת טיפול לא אופטימלי ואף שגוי, שעלול להיות קטלני. הצלחת התהליך דורשת איתור, הערכה וניתוח של מידע רפואי רב, תוך התמודדות עם אתגרים כמו מורכבות המידע הרפואי והכמויות האדירות שלו, הממשיכות לגדול בקצב מהיר. לרוב, המידע אינו מאוגד, אינו כולל התאמה למטופל יחיד, ואינו נגיש לאדם הפשוט. במקרים רבים, המידע אפילו לא נגיש כראוי לרופא המטפל. גם אם מצליחים להתגבר על מכשולים אלו, אין בטחון שסטטיסטיקה שנאספה על חולים, אפילו במספרים גדולים, תסייע לבחירה נכונה של טיפול עבור חולה אחר. הבעיה חמורה במיוחד במקרה של מחלות נדירות, עבורן קיים תיעוד מועט.
המגבלות הקיימות של המערכת הרפואית והצורך לאסוף ולנתח מידע רפואי רב באופן יעיל, דורשים טכניקות חדשות לזיקוק תובנות מעשיות מתוך ים הידע הרפואי. חברה ישראלית בשם MEDINT [1] , שהוקמה על ידי יוצאי יחידות מודיעין, מנסה לתקוף את הבעיה בגישה חדשה המבוססת על למידת מכונה בשילוב שיטות מודיעין. החברה מפתחת כלי תומך, המסייע הן למטופל והן לרופא המטפל לקבל החלטות נכונות יותר.
הרעיון הכללי הוא לייצר סדר במידע הנתון עבור החולה. לבנות מבני נתונים המתאימים לכלים של למידת מכונה, להגדיר את פערי הידע, ולנסות להשלימם בעזרת איסוף מידע ממוקד. בשלב הראשון, יאסף כל המידע העשוי להיות רלוונטי למצבו הרפואי של המטופל. מידע זה כולל מדדים רפואיים, רקע גנטי, היסטוריה רפואית ותופעות לוואי מהן סבל. בנוסף לפרמטרים הרפואיים, בשל העובדה כי מטרת התהליך היא לאתר טיפול עבור בני אדם, נלקחות בחשבון גם העדפותיו של החולה. למשל, ניתוח או כימותרפיה, להלחם בסרטן או לקבל את המחלה. באופן בלתי נמנע, גם את התקציב הרפואי יש לשקלל, ולמעשה כל פיסת מידע שתוכל לסייע לבחור כראוי טיפול המתאים למטופל.
בשלב השני, מזוקק המידע, ומגדירים מה ידוע ומהם פערי הידע שיש להשלים. שלב זה דומה מאוד לגישת הצ"יח (ציון ידיעות חיוניות) מעולם המודיעין, המתבצע בעזרת חוקר מוסמך בעל ניסיון בתחום. בשלב הזה, יוחלט באילו חלקים מ"וקטור המידע" המתאר את החולה תתמקד המערכת הלומדת.
בשלב השלישי, נעשה שימוש ברשת לומדת, הנמצאת כרגע בשלבי פיתוח (כתבנו בעבר על אלגוריתם בסיסי המבצע פעולות קיטלוג [2]). הרשת תסייע לרופא ולמטופל לבחור מבין מסלולי הטיפול האפשריים. באופן כללי, הקלט של מערכות לומדות הוא רשימות משתנים המתארים את האובייקט אותו מנסים ללמוד (המונח המקצועי הוא פיצ'רים) [3-5]. הגדרת המשתנים היא שלב קריטי בלמידת מכונה, ויכולה להיות ההבדל בין יעילות גבוהה מאוד ליעילות אפסית. כאן, המטופל מתואר בעזרת וקטור משתנים הכולל "זיקוק" של המידע שנאסף בשלב הראשון, ואוגד בשלב השני. בין היתר, תיתן המערכת משקלים שונים למשתנים, ותבדוק אילו משקלים הביאו לתוצאות טובות יותר. חלק אחר של האלגוריתם עובר על חלקי המידע השונים, בכדי לזהות דפוסים לוגיים כמו נטילת תרופות, ושינויים במצבו הרפואי של החולה לאורך תקופת זמן.
הרשת תבצע הצלבות בין הפרופיל הרפואי והאישי של המטופל לבין הטיפול המתאים ביותר, בהתאם לסיכויי ההצלחה המירביים, התקציב, והעדפות המטופל. בכדי ששלב זה יפעל כראוי, המערכת חייבת "ללמוד" כמות מספקת של מידע. לשם כך, נעשה שימוש באלגוריתמים האוספים מידע רפואי ממאגרים יעודיים ומנסים להתאים בין מדדים לבין אבחונים רפואיים.
בשלב האחרון, תבוצע התאמה בין התוצאות השונות שהתקבלו בכדי לשפר אותן לאורך זמן באמצעות אלגוריתם התאמה וכלים סטטיסטיים. בסוף התהליך, יקבלו המטופל והרופא המטפל תמונה שלמה יותר של המידע הקשור לחולה, בכדי לבנות טיפול מתאים יותר.
ברוב המקרים של למידת מכונה, פעולות האלגוריתם אינן שקופות למשתמש, שיודע מה הקלט ומה הפלט, אך לא כיצד התקבל הפלט. במקרים של אבחון רפואי, שגיאות כאלו עשויות להיות קטלניות. הפתרון שמציעה החברה בשלב זה הוא שילוב של חוקר מוסמך בתהליך, בכדי לבצע את הפעולות האנליטיות שהמכונה טרם הוכשרה לעשות.
האם אנו נמצאים בפתחה של מהפכה? מערכות לומדות הוכיחו בעבר כי הן יכולות לפתור בעיות קשות מאוד, שלא נפתרות כראוי בצורות אחרות (דוגמה מפורסמת היא זיהוי פנים [6]). יתכן ופריצת הדרך הגדולה בבעיה הקשה של ניטור ואנליזה של מידע רפואי עומדת להגיע דווקא מכיוון לא צפוי - חברה ישראלית המבוססת על יוצאי קהילת המודיעין, ומשתמשת בשילוב של מתודולוגיה מחקרית וטכנולוגיה לומדת.
נציין, כי מדינט איננה החברה היחידה שמנסה לפתור בעיות של ניתוח מידע רב בשיטות מתקדמות של לימוד מכונה. על חברות מעולם הביטחון והסייבר המשתמשות בשיטות וטכנולוגיה דומה ניתן לקרוא בקישור [7].
"ככלל, הרופאים בארץ מצוינים ובעלי יכולת וידע מקצועי לתת שירות בסטנדרט גבוה. הבעיה היא שהמערכת אינה מעמידה, וגם לא צפויה להעמיד לרשותם, את המשאבים הנדרשים כדי שיוכלו לתת שירות שמתאים למה שיש למאה ה-21 להציע. למשל, במחלות נדירות או יתומות אנו רואים לעתים פערי מידע גדולים בין מה שקיים כיום בעולם לבין מה שידוע לממסד הרפואי בישראל. רופא בישראל מנוסה ככל שיהיה יכול לטפל במספר מוגבל של מקרים, כאשר הידע בעולם הולך וגדל כל הזמן. לפיכך, תפקיד המערכת הינו להוות כלי מסייע לרופא, ולא להחליפו."
מקורות:
[4] על Adaboost, אלגוריתם הנותן משקלים שונים לפרמטרים שונים
[6] על זיהוי פנים בעזרת מכונות לומדות
[7] על חברות נוספות המפתחות טכנולוגיה מבוססת מכונות לומדות:
דוקטור לפיזיקה, בוגר הטכניון בחיפה. התמחה בפיזיקה של חלקיקים יסודיים, פיזיקה של מצב מוצק ואופטיקה. כיום, עוסק בעיבוד תמונה, עיבוד אותות ובלמידת מכונה. לשעבר המנהל המקצועי של עמותת "מדע גדול, בקטנה".
