השימוש באינטליגנציה מלאכותית (AI) – לרבות בטכניקות של לימוד מכונה (ML – Machine Learning) ושל למידה מעמיקה (Deep Learning) – אמור להפוך להיות כוח יוצר מהפיכה בתחום הרפואה. מטופלים, ספקים של שירותי בריאות, בתי חולים, יצרני ציוד רפואי, חברות תרופות, אנשי מקצוע ובעלי עניין מסוגים שונים במערכת הסביבתית, כולם עומדים להפיק יתרונות מהכלים מבוססי לימוד מכונה. החל במדידות גיאומטריות אנטומיות וגילוי סרטן, עד טיפולים בהקרנות, ניתוחים, גילוי תרופות וגלויים גנטיים, האפשרויות אינסופיות. בתרחישים אלו, לימוד מכונה יכול להוביל ליעילות תפעולית מוגברת, לתוצאות חיוביות ביותר ולהקטנה משמעותית של העלויות.

תמיכה של גופי ההסדרה, אף היא נמצאת בעלייה מתמדת, ומנהל המזון והתרופות הפדרלי של ארה”ב (FDA) מאשר יותר ויותר שיטות של לימוד מכונה למטרה של עזרה באבחון ויישומים נוספים. מנהל המזון והתרופות יצר גם מסגרת הסדרה חדשה עבור מוצרים מבוססי לימוד מכונה. מסגרת פעולה חדשה זו מתייחסת לטכניקות של לימוד מכונה כאילו הייתה “תוכנה שהיא התקן רפואי” (SaMD), והיא חוזה שהאיכות והיעילות של הטיפול הרפואי יפיקו מכך יתרונות מרובים. על מנת לתמוך ביוזמה זו, הכריז מנהל המזון והתרופות על “תוכנית של בקרת שינויים מוגדרת מראש”, כבר בשלב טרום השיווק (premarket submission), אשר תכלול את סוגי השינויים הצפויים ואת המתודולוגיות הכרוכות בהם, אשר ישמשו למימוש שינויים אלו באופן מבוקר.

מנהל המזון והתרופות מצפה שיצרנים של התקנים רפואיים יהיו מחויבים לשקיפות ולניטור של הביצועים בעולם הממשי של התקני SaMD, וכן לעדכונים תקופתיים בנוגע לשינויים שהם ביצעו במהלך המימוש, כחלק מהמפרט הראשוני שאושר ומפרוטוקול שינוי האלגוריתם. מסגרת פעולה זו מאפשרת למנהל המזון והתרופות וליצרנים, לנטר את המוצר משלב הפיתוח שלו, שמתבצע לפני היציאה לשוק, עד לביצועים שלו, שנמדדים לאחר היציאה לשוק, והיא מאפשרת לפיקוח ההסדרה לאמץ את יכולת ההשתפרות האיטרטיבית (חיזרורית) של התקני SaMD, תוך כדי שמירה על בטיחות המטופלים.

הזדמנויות ללימוד מכונה בתחום שירותי הבריאות

קיים טווח רחב של דרכים שבהן אפשר להשתמש בלימוד מכונה על מנת לפתור בעיות קריטיות בתחום הרפואי. לדוגמה, פתולוגיה, רדיולוגיה, דרמטולוגיה, אבחון וסקולארי ואופטלמולוגיה ספרתיים – כולם משתמשים בטכניקות סטנדרטיות לעיבוד תמונה.

איור 1. יישום של רדיולוגיה (צילום בקרני x של חזה) ופתולוגיה ספרתית

צילום בקרני רנטגן (קרני x) של החזה הוא התהליך הרדיולוגי הנפוץ ביותר, עם יותר משני מיליארד סריקות שמבוצעות ברחבי העולם מדי שנה, כלומר 548,000 סריקות מדי יום. כמות עצומה כזו של סריקות מציבה עומס כבד על מומחי רדיולוגיה ומכבידה על היעילות של זרימת העבודה. שיטות של לימוד מכונה, רשתות עצביות מלאכותיות עמוקות (DNN) ורשתות עצביות מלאכותיות בקונוולוציה (CNN), לעתים קרובות עולות במהירות ובדיוק שלהם על אלו של מומחי רדיולוגיה, אך עם זאת, המומחיות של מומחה רדיולוגיה עודה בעלת חשיבות עליונה. ואולם, בתנאי הלחץ הקיימים תוך כדי תהליך מהיר של קבלת החלטות, קצב השגיאות האנושי עלול להיות גבוה בשיעור של 30%. הסתייעות בשיטות של לימוד מכונה בתהליך קבלת ההחלטות יכול לשפר את איכות התוצאה ולספק כלי נוסף למומחי הרדיולוגיה ולמומחים אחרים.

תהליכי האימות של לימוד מכונה מגיעים כיום ממקורות רבים ואמינים ביותר. באחד המחקרים (מקור: קבוצת ML ב- Stanford – https://stanfordmlgroup.github.io/projects/chexnet/), הכשירו רשת עצבית CNN בת 121 שכבות לגלות דלקת ריאות בצורה טובה יותר מאשר ארבעה מומחי רדיולוגיה. באופן דומה, במחקרים רבים אחרים שבוצעו על ידי המוסד הלאומי לרפואה (בארה”ב) ובארגונים נוספים, ניסויים הקשורים לגילוי מוקדם של קשריות ריאתיות נגועות בסרטן ריאתי, בעזרת מודל רשתות DNN, הראו דיוק רב יותר מאשר זה שהושג באבחון של מומחי רדיולוגיה מרובים.

על אף שאימוץ של פתולוגיה ספרתית מתבצע באיטיות, אבחונים מבוססי אלגוריתמים מרובים המיושמים במחקרים של סרטן ריאתי משתווים היטב להערכות של סיכויים שבוצעו על ידי כמה מומחי פתולוגיה, אם לא עלו עליהם במידה מה, לפעמים. באופן דומה, אפשר לחזות שגישות מבוססות RNN/ LSTM לגבי פענוח גנומי, יתנו תוצאות טובות יותר לגבי הפוטנציאל שיש לווריאנט יחיד של נוקליאוטיד להיות גורם שמחולל מחלה (פתוגני).

פרוצידורות רבות בתחום של פתולוגיה, רדיולוגיה, דרמטולוגיה, אבחון וסקולארי ואופטלמולוגיה יכולות להיות, לא פעם, בגודל של 5 מגה – פיקסלים או אף גדולות יותר, ולהיזקק לעיבוד תמונה מורכב. כמו כן, זרימת העבודה של לימוד מכונה עלולה להיות מוגברת במחשוב ובזיכרון. החלק העיקרי של המחשוב הוא בתחום האלגברה הליניארית ונדרשים לו חישובים רבים וכמות גדולה של פרמטרים.

התוצאה היא מיליארדי פעולות כפל – צבירה (MAC), מאות מגה ביית של נתוני פרמטרים ונדרש להם כמות רבה של אופרטורים ותת מערכת זיכרון בעלת ביזור רב ביותר. לכן, הסקה יעילה של מסקנות מדויקות מתמונה לצורך אבחון או סיווג של רקמות באמצעות שיטות מחשוב מסורתיות במחשבים אישיים או במערכות עיבוד נתונים כלליות, הופכת להיות בלתי יעילה וחברות תרופות מחפשות טכניקות חלופיות כדי לענות על בעיה זו.

יעילות משופרת בעזרת התקני ACAP

הטכנולוגיה של Xilinx מציעה ארכיטקטורה מגוונת עם ביזור ברמה גבוהה על מנת לפתור את הבעיה הזו עבור חברות תרופות. משפחת פלטפורמות האצת המחשוב המסתגלת (ACAP) Versal™ של Xilinx במערכות על שבב (SoC) עם מערכי FPGA (מערכי שערים ניתנים לתכנות בשטח), מעבדי אותות ספרתיים משולבים (DSP), מאיצים משולבים ללמידה מעמיקה, מנועי SIMD VLIW בעלי ארכיטקטורת זיכרון מקומי בביזור גבוה ועם מערכות מרובות מעבדים, שנמצאות בהן, ידועה ביכולות שלה לבצע עיבוד אותות מקבילי ברמה גבוהה ביותר של נתונים מהירים כמעט בזמן אמת.

בנוסף, לפלטפורמת Versal ACAP יש יכולת העברת טרה סיביות מרובים של נתונים בשנייה בחיבורים פנימיים ברשת על שבב (NoC) ומנוע אינטליגנציה מלאכותית מתקדם שמכיל מאות מעבדי SIMD VLIW. המשמעות היא יכולת מחשוב שיכולה להיות מעבר ל- 100 טרה פעולות בשניה (TOPS).

יכולות אלו של ההתקן משפרות באופן דרמטי את היעילות שבה מתבצע פתרון של אלגוריתמים רפואיים מורכבים בלימוד מכונה ומסייעות להאיץ באופן משמעותי יישומים רפואיים בחזית הטכנולוגיה, הכל בעזרת פחות משאבים, עלויות והספק. בעזרת התקני פלטפורמת Versal ACAP, התמיכה ברשתות משוב (חוזרות) יכולה להיות מובנית בזכות האופי הפשוט של המבנה וספריות התמיכה שלהן.

לחברת Xilinx יש מערכת סביבתית חדשנית עבור מפתחי אלגוריתמים ויישומים. המשמעות של פלטפורמות מאוחדות בתוכנה, כגון Vitis™ לפיתוח יישומים ו- Vitis AI™ לביצוע אופטימיזציה ופרישת היקשים של לימוד מכונה היא שאנשי הפיתוח יכולים להשתמש בהתקנים מתקדמים – כגון פלטפורמות ACAP – בפרוייקטים שלהם.

איור 2 – מבט על של פלטפורמת התוכנה המאוחדת Vitis של Xilinx

זרימת העבודה של שירותי הבריאות בריאות וההתקנים הרפואיים עוברת שינויים משמעותיים. זרימות עבודה במערכות של שירותי הבריאות יהיו פרוייקטים של ‘נתוני עתק’ (big data) עם דרישות גבוהות יותר באופן משמעותי עבור צרכים חישוביים, פרטיות של נתונים, אבטחה, בטיחות מטופלים ודיוק. פלטפורמות מחשוב מבוזרות, שאינן ליניאריות, מקביליות והטרוגניות הן המפתח לפתרון ולניהול המורכבות הזו. ההתקנים של חברת Xilinx כגון Versal ופלטפורמת התוכנה Vitis הם אידיאליים לאספקה של ארכיטקטורות לימוד מכונה שמותאמות לעתיד.