The Integral Project ברשתות · בקרוב
המומחיםמילוןפודקאסט

בריאות, נפש וטכנולוגיה

כתבות ומחקרים

ב־4,026 מטופלים, AI לאולטרסאונד סיווג בלוטות לימפה ב־AUC עד 0.95 — אך טרם נבדק במסלול טיפולי

מודל ששילב סרטוני אולטרסאונד בשני מצבים עם מידע קליני הבחין בין בלוטות לימפה שפירות לממאירות בחמישה מרכזים, ושיפר את ביצועי הרדיולוגים הצעירים. המחקר מדד דיוק אבחוני — לא השפעה על ביופסיות, טיפול או תוצאות למטופלים.

צוות The Integral Project · בעריכת יורי אלטשולרעל העריכה והאחריות המערכתית30.9.20262 דק' קריאה
שיתוף הכתבה
ב־4,026 מטופלים, AI לאולטרסאונד סיווג בלוטות לימפה ב־AUC עד 0.95 — אך טרם נבדק במסלול טיפולי
הדמיה ארכיונית: מערכת The Integral Project · נוצרה באמצעות בינה מלאכותית

אולטרסאונד של בלוטת לימפה חשודה אינו מסתכם בתמונה אחת: הרופא בוחן את המבנה בתצוגת B-mode ואת זרימת הדם בדופלר צבעוני. מחקר רב־מרכזי חדש ב־Radiology: Artificial Intelligence בדק אם מודל שלומד משני סוגי הסרטונים יחד יכול לעזור להבחין בין ממצא שפיר לממאיר.

חמישה מרכזים ו־4,026 מטופלים

המחקר כלל מטופלים עם אבחנה שאומתה בפתולוגיה מחמישה מרכזים בסין. החוקרים פיתחו את DMUVL-DiagNet, מודל שמשלב סרטוני B-mode ודופלר צבעוני עם מידע קליני בסיסי.

מאגר רטרוספקטיבי של 1,616 מטופלים שימש לאימון ולבדיקה פנימית. האימות החיצוני כלל שתי קבוצות נוספות: 454 מטופלים שנאספו פרוספקטיבית עם סרטונים בשני המצבים, ו־1,956 מטופלים עם תמונות אולטרסאונד סטטיות. בסך הכול נכללו 4,026 מטופלים.

AUC של 0.91–0.95 במשימה המרכזית

בהבחנה בין בלוטות שפירות לממאירות, המודל הגיע ל־AUC של 0.91–0.95 במערכי הבדיקה. במשימה המורכבת יותר — הבחנה בין לימפומה לגרורה — ה־AUC נע בין 0.87 ל־0.91. לפי התקציר, הביצועים נשמרו גם בתתי־קבוצות, עם AUC של 0.85–0.93.

AUC מתאר עד כמה המודל מדרג נכון מקרים על פני ספים שונים. הוא אינו אומר לבדו כמה אבחנות שגויות יתקבלו בסף שבו ישתמשו בפועל, ולכן אינו תחליף לדיווח מלא על רגישות, סגוליות וערך מנבא באוכלוסיית היעד.

הסיוע שיפר את הרדיולוגים הצעירים

במחקר קוראים, סיוע המודל העלה אצל רדיולוגים צעירים את ה־AUC מ־0.72 ל־0.88 במשימת שפיר מול ממאיר, ומ־0.58 ל־0.77 בהבחנה בין לימפומה לגרורה. זהו סימן מעודד לכך שהכלי עשוי להיות שימושי כעין נוספת — בעיקר כאשר הניסיון מוגבל.

עם זאת, מחקר קוראים מבוקר אינו זהה לעבודה שגרתית במרפאה. הוא אינו מראה אם השימוש במודל מקצר זמן לאבחנה, משנה החלטה על ביופסיה או מפחית בדיקות מיותרות.

מה עדיין לא הוכח

למחקר יש חוזקות ברורות: חמישה מרכזים, אימות חיצוני פרוספקטיבי, אבחנת ייחוס פתולוגית ובדיקה גם על סרטונים וגם על תמונות סטטיות. מנגד, כל המרכזים היו בסין והמדגם כלל מטופלים שכבר הגיעו לבירור וקיבלו אימות פתולוגי; הביצועים באוכלוסיות, מכשירים ומסלולי הפניה אחרים עדיין דורשים אימות.

גם אין כאן ניסוי קליני של הטמעת המודל. לפני שימוש שגרתי נדרשים ספי החלטה מוגדרים מראש, בדיקה פרוספקטיבית בתוך זרימת העבודה ומדידה של טעויות ושל השלכותיהן.

השורה התחתונה

המודל הציג יכולת הבחנה גבוהה באימות רב־מרכזי ושיפר את ביצועי הרדיולוגים הצעירים במחקר קוראים. זו ראיה חזקה יותר מבדיקת מעבדה חד־מרכזית, אך עדיין לא הוכחה שהמערכת משפרת טיפול או תוצאות למטופלים.

מה אפשר לקחת מהמחקר?

שינויים קטנים ועקביים בהרגלי התזונה וההתאוששות עשויים להיות משמעותיים לאורך זמן. מומלץ לבחון אותם לצד מדדים אישיים ובהתייעצות מקצועית כשנדרש.

Zhu et al., Radiology: Artificial Intelligence (2026), doi:10.1148/ryai.260131 · PMID: 42813999המקור המחקרי
THE INTEGRAL UPDATE

העדכונים החשובים, ישר למייל

כתבות חדשות, מחקרים ועדכונים כלליים מ־The Integral Project — בלי רעש מיותר.

האימייל נשמר באופן מאובטח ולא יימסר לצדדים שלישיים לצורכי פרסום.

אהבתם את הכתבה?

המשוב שלכם עוזר לנו לבחור את התוכן הבא.

תגובות הקוראים

היו הראשונים להגיב

התגובה תפורסם לאחר בדיקה קצרה.
שאלו את PulseAI על המחקר
היועץ המדעי PulseAI