מודלי יסוד בדרמטולוגיה: מהמעבדה למרפאה - פריסה קלינית בפועל 2026
סקירת עומק על מודלי יסוד (Foundation Models), מולטימודליים, טרנספורמרים ו-LLMs בדרמטולוגיה מעשית: מודל PaLM-Derm, מודל SkinGPT-4, מכשיר DermaSensor, אפליקציית Aysa, וההשפעה על תהליך העבודה הקליני

Vision Transformer (ViT) מחלק תמונה לרצועות (patches) של 16x16 פיקסלים, ממיר כל רצועה לוֶקטור מספרי, ומנתח את כל הרצועות בו-זמנית דרך מנגנון קשב-עצמי (Self-Attention). המנגנון קובע כמה "תשומת לב" כל רצועה צריכה לתת לכל שאר הרצועות.

דוגמה דרמטולוגית: בנגע מלנומה, ViT מסוגל לקשר בין צבע בהיר בפריפריה לאזור כהה במרכז, גם אם המרחק ביניהם עשרות פיקסלים. CNN היה מפספס את הקשר הזה.

תוצאה קלינית: Vision Transformers מראים יתרון בזיהוי דפוסים מבניים כמו מבנה כלי-דם חריג בדרמוסקופיה ומאפייני קרקעית הנגע.

מסוויי חלקי תמונה: הסתרת 75% מהתמונה ובקשת שחזור.

Contrastive Learning: הצגת שתי תמונות שצולמו מאותו אובייקט וביקוש לזיהויין כדומות.

Image-Text Matching: הצמדת תמונות לכיתובים טקסטואליים.

במהלך אימון על מאות מיליוני תמונות ממגוון מקורות, המודל מפתח ייצוג פנימי (representation) עשיר של מה שמהווה תמונת עור, נגע, מרקם, ומבנה. לאחר מכן, fine-tuning על אלפי תמונות דרמטולוגיות מתויגות מניב ביצועים משופרים משמעותית ביחס ל-CNN שאומן מאפס.

מנגנון ה-Fusion הנפוץ ב-2025: כל מודאליטי עובר ב-encoder נפרד, הוֶקטורים המתקבלים מאוחדים (concatenated) ועוברים דרך שכבות attention cross-modal.

יתרון קליני מוכח: מחקר Liu et al. (Nature Medicine 2024) הראה שמודל מולטימודלי הגיע לדיוק שווה-ערך לדרמטולוגים בניתוח 26 מצבי עור, בעוד המודל החזותי-בלבד נפל מאחור. המטאדטה הקלינית מספקת הקשר שהתמונה לבדה לא מסוגלת לתת.

ViT ומודל יסוד מכוונן בדרמטולוגיה (2024-2025): אמין על 23 מצבי עור בו-זמנית, מסוגל לסרב לתת תשובה כשאינו בטוח (Uncertainty Quantification), יכול לנסח הסבר בשפה טבעית, ולהשתמש גם בנתונים שאינם תמונה.

נקודה קריטית: הכח הגדול של ViT הוא שאפשר להוסיף לו יכולות חדשות (לדוגמה: מצב עור נוסף) על ידי fine-tuning קטן, ללא צורך לאמן מודל חדש כולו. זה מוריד דרמטית את עלות הפיתוח של יישומים קליניים חדשים.

עיקרון פעולה: המכשיר נוגע בנגע, פולט אור, ומנתח את פיזורו ממבנה התא, הגרעין וכלי הדם. אין צילום.

ביצועים בניסוי DERM-SUCCESS: רגישות 96% (CI 95% 90-99%), ספציפיות 43% לזיהוי ממאירות (מלנומה + קרצינומות) בקרב 1005 מטופלים ב-setting של רפואה ראשונית.

ביצועים בשטח: 90-92% רגישות בפריסה קהילתית, בעיקר בגלל מגוון עורות וטכניקת אחיזה של הרופא.

משתמשי יעד: רופאי משפחה ורפואה פנימית שרוצים לדעת אם להפנות לדרמטולוג. לא מחליף דרמוסקופיה דרמטולוגית.

עלות: השכרת מכשיר + עמלה לפי שימוש.

בסיס: Med-PaLM 2 (מודל שפה רפואי) עם הרחבה לניתוח תמונות.

פרסום מכונן: Liu et al., Nature Medicine 2024 - המודל נבדק על 26 מצבי עור עם קלט של תמונה קלינית + אנמנזה, הגיע לדיוק שווה-ערך לדרמטולוגים בדו-עיוור.

פריסה: זמין כ-API דרך Google Cloud Healthcare API למוסדות מחקר ופיתוח. לא פרוס ישירות למרפאות ב-2026.

חשיבות: ממחיש שמודל יסוד יכול להסתנן ביצועי מומחים בבנצ'מרק מבוקר. השאלה היא כמה זה מתורגם לשטח.

יכולות: ניתוח תמונה קלינית + שאלת-תשובה בשפה טבעית. יכול להסביר ממצא, להציע אבחנה מבדלת, לנסח הוראות טיפול.

פיילוט Stanford 2025: שילוב בפורטל מטופלים כשלב אינטראקטיבי לפני ביקור - המטופל מעלה תמונה + מתאר תלונה, המודל מייצר סיכום לרופא.

מגבלה קריטית: לא מאושר FDA לאבחון. משמש כלי סיוע לתיעוד ולחינוך בלבד.

נגישות: קוד פתוח (GitHub), ניתן לפריסה עצמאית.

גרסת מטופלים: אפליקציית Aysa לצרכנים, לניתוח עצמאי.

גרסת קלינאים: VisualDx Pro, עם אינטגרציה ל-Epic EHR בחלק ממרכזים אמריקאים.

מנגנון: המרופא מצלם נגע דרך האפליקציה, מזין גיל + גוון עור + מיקום אנטומי + תיאור תלונה, מקבל 5-10 אבחנות מבדלות מדורגות עם תמונות השוואה.

ביצועים: מחקר Lallas et al. 2023 הראה שהשימוש ב-VisualDx שיפר את דיוק אבחנת רופאים ראשוניים ב-15%.

אינטגרציה ישראל: לא מאושרת רשמית בקופות החולים ב-2026.

פעולה: מצרפים את המכשיר לסמארטפון, מצלמים נגע, AI מנתח בזמן-אמת ומציג המלצות (הפנה/עקוב/לא חשוד).

מחקרי validation מרובים: הוכח שסייע לדרמטולוגים בהכשרה (residents) לזהות דפוסים דרמוסקופיים מורכבים ביחס לקבוצת ביקורת.

חסרון: לא מאושר FDA/CE ב-2026 לשימוש אבחנתי עצמאי. מוצג כ-"כלי לימוד" ולא כלי אבחון.

רלוונטיות לישראל: מחיר נמוך (דרמוסקופ + מינוי חודשי), מה שהופך אותו לאופציה רלוונטית למרפאות קהילה.

פריסה: משמש ב-NHS כבר מ-2023, בפרקטיקות רפואה ראשונית בבריטניה, ולאחרונה גם בחלק ממרכזים בגרמניה.

מטרה: לסייע לרופאי GP להחליט אם נגע חשוד מחייב הפניה דחופה לדרמטולוג (two-week wait rule בבריטניה).

נתוני NHS: ניסוי פרוספקטיבי ב-890 מטופלים הראה הפחתה של 40% בהפניות מיותרות ללא פגיעה ב-sensitivity לממאירות.

ניסוי לעומת שטח: 95% sensitivity בניסוי → 88% בשטח, בעיקר בגלל תמונות שצולמו בתנאי מרפאה ריאליסטיים לעומת תמונות מחקר.

בשטח: רופאים מצלמים עם כל סמארטפון, בכל זווית, תחת אור ניאון או חלון, לעתים ללא דרמוסקופ, כאשר הנגע קשה להגיע אליו.

הפרש הביצועים: מחקר 2025 על 3 מוצרים שונים הראה שהחלפת תמונות ניסוי בתמונות שטח ירידה ממוצעת של 14% ב-AUC ללא שינוי אחר בגורמים.

מה ניתן לעשות: פרוטוקול צילום פשוט במרפאה, אוריינטציה צוות, בחינת תמונה לפני ניתוח.

דוגמה: מכשיר DermaSensor אומן בעיקר על נגעים מאוסטרליה ואירופה (Fitzpatrick I-III). בפריסה בערים גדולות בארה"ב עם אוכלוסיות מגוונות, ה-sensitivity ירד ב-5-8 נקודות אחוז.

נתון 2024: רק 12% מנגעי האימון בארבעה מוצרי AI מסחריים מובילים היו Fitzpatrick IV-VI (על פי ניתוח של Daneshjou lab, Stanford).

השלכה קלינית: בישראל, עם אוכלוסייה מגוונת הכוללת גוונים IV-V בנפח ניכר, חשוב לתשאל את חברות הכלים על נתוני ביצועים ספציפיים לאוכלוסיות.

השפעה על ערך ניבוי חיובי: אם שכיחות ממאירות בניסוי הייתה 20% ובמרפאה קהילתית היא 5%, אותה sensitivity/specificity מניבה ערך ניבוי חיובי (PPV) נמוך בהרבה.

דוגמה מספרית: sensitivity 96%, specificity 43%, prevalence 5% → PPV = 8% בלבד. כלומר 92% מהאזעקות הן False Positives.

המסקנה: ב-screening רחב, גם כלי מצוין ייצר עומס עבודה גדול ממה שהניסוי הרמז עליו. תכנון מראש של capacity הכרחי.

שלב 2: הורידו 10-15% לביצועים ריאליסטיים (מבוסס על מחקר Daneshjou 2024 של 12 פריסות).

שלב 3: חשבו PPV לפי הנוסחה: PPV = (sensitivity × prevalence) / [(sensitivity × prevalence) + ((1-specificity) × (1-prevalence))].

שלב 4: חישבו כמה False Positives לצפות ב-100 מטופלים מסוננים. האם ה-workflow בקליניקה יכול לעמוד בזה?

דוגמה: כלי עם sensitivity 90%, specificity 70%, שכיחות ממאירות 3% ב-GP setting → PPV = 8.8%. מתוך 100 מטופלים, 97 ישליכו שלילי נכון, 3 ממאירים יזוהו, אבל 29 נוספים יקבלו אזעקה מיותרת. האם 29 הפניות מיותרות ל-100 מטופלים מקובלות בהקשר שלנו?

הצלחה מוכחת: מחקרי real-world תיעדו צמצום משמעותי בזמני המתנה כאשר שולב כלי AI (VisualDx) בפורטל מטופלים לצורך עדיפות ממוקדת לחשודים.

בישראל: כמה מרפאות פרטיות בתל-אביב ניסו מנגנון דומה ב-2025 עם תוצאות ראשוניות חיוביות. קופות החולים נמצאות בהערכה.

אתגר: תמונות שצולמו בבית לרוב באיכות נמוכה יותר. יש צורך בתוספת "בדיקת איכות" שמודיעה למטופל לצלם מחדש לפני שהכלי מנתח.

מנגנון: הדרמוסקופ המחובר מזין פריים בזמן-אמת לאלגוריתם. על המסך, לצד תמונת הנגע, מופיעה הערכה: risk score, marker patterns ספציפיים שזוהו (regression, blue-white veil, atypical network), והמלצה.

מחקרי validation: שימוש בכלי AI דרמוסקופי בזמן-אמת סייע לדרמטולוגים בהכשרה לזהות יותר נגעים חשודים ולצמצם biopsies מיותרות.

למשתמש מנוסה: הכלי אינו מלמד אלא מבצע quality control בזמן-אמת, שמפחית שגיאות שמיעה-כשל (miss errors).

אינטגרציה: דורש דרמוסקופ תואם עם wireless connectivity.

מנגנון: מיקרופון (בסמארטפון או רמקול קטן) מקליט את שיחת הרופא-מטופל. AI מזהה דיבור, מחלץ ממצאים, מגבש סיכום רשומה (SOAP note), ומציג טיוטה לאישור הרופא.

נתון 2025: מרפאת דרמטולוגיה ב-Johns Hopkins פרסמה שניצול AI Scribe (DAX) חסך 45 דקות לרופא ביום ממוצע, וירד שיעור burn-out ב-referral load.

מה AI Scribe אינו עושה: הוא לא מאבחן ולא מחליט. הוא מתעד מה שהרופא אמר ומצא.

בישראל: eSayIt ו-Serenova מציעות פתרונות דיבור לרפואה בעברית, ויש עניין גובר מכיוון קופות החולים.

מנגנון: המטופל מצלם נגע מעוקב כל 4-8 שבועות. AI מנתח שינוי בגודל, צבע ומבנה ביחס לצילום קודם. מעל סף מוגדר, הרופא מקבל התראה.

יתרון: מרחיב את "עיני הרופא" ל-24/7 ומזהה שינויים שמטופל לא שם לב אליהם.

מגבלה: אמינות גבוהה רק לנגעים שצולמו בפרוטוקול עקבי. שינויי תאורה, זווית ואיכות מצלמה מייצרים false alarms.

רלוונטיות לישראל: שלוש קופות חולים מסתכלות על שילוב ניטור AI בפרוגרמת מעקב נבי (mole monitoring). עדיין בשלבי הערכה.

מה GPT-4V עושה היטב בהקשר דרמטולוגי: (1) חינוך - מסביר מאפיינים מורפולוגיים לסטודנטים ורסידנטים. (2) אבחנה מבדלת - מציע רשימת אפשרויות לדיון קליני. (3) תיעוד - מסייע לנסח תיאור נגע או מכתב הפניה. (4) חיפוש ספרות - מייצר סיכום מחקרים רלוונטיים.

מה הוא אינו עושה: (1) אינו מאובחן ומאושר. (2) אינו עקבי - אותה תמונה + שאלה עשויה להניב תשובות שונות בסשנים שונים. (3) לא בוחן את הנגע - הוא בוחן תמונה שאולי בדיוק לא מייצגת.

עמדה רשמית של OpenAI: ChatGPT מיועד לשימוש כמידע כללי בלבד ואינו כלי לאבחון רפואי.

סיכונים מרכזיים: (1) אחריות משפטית: אם תוצאה שגויה של ChatGPT נעשתה חלק בלתי-מסומן בהחלטה קלינית, ייתכן שהרופא נחשף. (2) חוסר עקביות: אין בדיקה פרמנה של ביצועים. (3) הפרת פרטיות: העלאת תמונת מטופל לשרת OpenAI ללא הסכמה מפורשת עלולה להפר HIPAA ו/או חוק פרטיות ישראלי.

המלצה פרקטית: אם משתמשים ב-ChatGPT-4V לצרכי חינוך, דיפרנציאל לא-קליני, או ניסוח - תדאגו ש: (א) אין בתמונה מידע מזהה, (ב) אתם מסכמים ומבקרים הפלט לפני שמשתמשים בו, (ג) אינכם מציגים אותו למטופל כ"תוצאת AI".

בניגוד ל-ChatGPT-4V, SkinGPT-4 אומן ספציפית על זוגות תמונה-תיאור דרמטולוגיים, מה שמניב תשובות יותר עקביות ומדויקות בהקשר דרמטולוגי.

יכולות מוכחות: זיהוי 40+ מצבי עור, הצגת הסבר בשפה טבעית, הצגת המלצות workup.

מגבלות: לא אושר FDA, ביצועים טובים בקטגוריות שיוצגו כ"שכיחות" בנתוני האימון, ביצועים נמוכים יותר על מצבים נדירים. עדיין בשלבי מחקר.

פיילוט Stanford 2025: שולב בפורטל מטופלים לסיוע ב-pre-visit assessment.

דוגמה היפותטית קרובה: מטופל מעלה תמונה + מתאר שינוי. Agent: (1) מנתח את הנגע, (2) משווה לצילום קודם שבמאגר, (3) מסיק "שינוי מדאיג", (4) מוציא הפניה אוטומטית לדרמטולוג, (5) מזמין ביקור בתוך 10 ימים, (6) שולח למטופל הוראות הכנה.

רפרנס: Esteva et al. NEJM AI 2025 - תיאור ראשוני של AI Agent workflow בדרמטולוגיה ב-pilot קטן.

אינם בשימוש קליני נרחב ב-2026, אבל שתיים עד שלוש מרפאות אקדמיות בארה"ב מנסות גרסאות ראשוניות.

PCCP (Predetermined Change Control Plan): בעת הרישום, החברה מגישה לFDA תוכנית מוגדרת של אילו שינויים מותר לה לבצע ללא אישור נוסף: לדוגמה, הוספת 5 מצבי עור חדשים, שיפור על אוכלוסיות נוספות, עדכוני threshold.

שינויים מחוץ לתוכנית עדיין מחייבים אישור.

השלכה: מאפשר לחברות לשמור מוצריהן מעודכנים, ומעודד שיפור מתמיד. אבל מחייב מנגנוני ניטור שיבטיחו שהשינויים לא פוגעים בביצועים.

כלי AI דרמטולוגי מסווג כ-High Risk אם: מסוגל לסייע בהחלטה שיש לה השפעה על בריאות המטופל, ומשתמש בנתוני תמונה.

חובות על יצרנים: תיעוד שקיפות (מה נלמד, על איזה נתונים), human oversight mechanism (לא ניתן ל-AI לקבל החלטה סופית ללא אישור אנושי), post-market surveillance (ניטור שוטף של ביצועים ודיווח), ורישום במאגר EU AI Act.

רלוונטיות לישראל: כלים שנרכשים מיצרנים אירופים כבר כפופים לתקנות. יצרנים ישראלים שרוצים לייצא לאירופה צריכים לעמוד בהן.

(1) שקיפות: מטופלים צריכים לדעת שנעשה שימוש ב-AI בהחלטה הקלינית שלהם.

(2) אחריות אנושית: הרופא אחראי על ההחלטה הסופית, לא ה-AI.

(3) ביצועים שוויוניים: כלים צריכים להיות בדוקים על אוכלוסיות מגוונות, כולל אוכלוסיות ישראליות שונות.

(4) פרטיות: נתוני מטופלים לא יועברו לחברות בינלאומיות ללא הסכמה מפורשת.

מה עדיין חסר: לא נקבע מסלול הסמכה ספציפי לכלי AI ישראלי. ה"נייר" טרם הפך לתקנות מחייבות.

(1) ציין את הכלי ששמשת: שם מוצר, גרסה, סטטוס רגולטורי.

(2) ציין מה הכלי אמר: תוצאה כמותית (risk score, המלצה).

(3) ציין שבחנת את תוצאת הכלי בצורה עצמאית: "עיינתי בתמונה בעצמי ושקלתי את ממצאי הבדיקה הקלינית".

(4) ציין מה השפיע על ההחלטה הסופית: "בהתבסס על ממצאי הכלי + ממצאים קליניים + שיקול דעת שלי, החלטתי...".

דוגמת ניסוח: "נבדק בעזרת DermaSensor (FDA cleared): תוצאה high risk. בדיקה קלינית ודרמוסקופית תומכת בחשד. הוחלט על ביופסיה."

מנגנון: מיקרופון קטן על שולחן או בסמארטפון מקליט את שיחת הרופא-מטופל. AI מעבד בזמן-אמת, מגבש ממצאים, ומציג טיוטת SOAP note עם: CC, HPI, PE findings, Assessment + Plan.

נתון Johns Hopkins 2025: ירידה של 47% בזמן תיעוד, ירידה ב-burnout score ב-22% בעצימות תיעוד.

אתגר: הסכמת מטופל להקלטה, חוקי הקלטה שונים בין מדינות, עיבוד בזמן-אמת on-device לשמירת פרטיות.

בדרמטולוגיה ספציפית: הכלים לא מאמנים ספציפית על שיחות דרמטולוגיות, ולכן זיהוי מינוח טכני כמו "ABCDE" או "regression white" עדיין אינו מיטבי. עדכונים צפויים ב-2026-2027.

בתחום גורדת-עור, מפותחים מודלים לניבוי התלקחות (AD flare) שעות מראש, המבוססים על נתוני wearable (הזעה, טמפרטורת עור, גירוד-חישה), מזג אוויר, ותצפית עצמית. עדיין בשלבי פיתוח.

חשיבות: המעבר מ"מה יש" ל"מה יהיה" מייצג שינוי פרדיגמה שישפיע על timing ותוכניות טיפול.

דוגמה מ-pilot UCSF 2025: Agent שמנתח תמונת נגע, משווה להיסטוריה, מגיש pre-authorization request לביטוח עבור ביופסיה, ומשלח appointment reminder למטופל - כל זה ב-5 דקות ללא מגע אנושי.

גורם מאפשר: GPT-4 + function calling + EMR API.

חסמים לפריסה רחבה: אחריות על שגיאות Agent, הסכמת מטופל, תאימות HIPAA, ואינטגרציה עם מערכות EMR ישנות.

ב-2026 זה pilot. ב-2027-2028 צפויה פריסה קהילתית ראשונה.

Aidoc: חברת AI ישראלית (תל-אביב) בתחום הרדיולוגיה הרפואית, עם הרחבה לתחומים נוספים. מהחברות הישראליות המובילות ב-medical AI.

Zebra Medical Vision: חברה ישראלית שנרכשה ב-2021, פיתחה כלי AI לניתוח תמונות רפואיות - מסמנת את ההיסטוריה של תעשיית ה-AI הרפואי הישראלי.

מספר חברות-הזנק ישראליות: פעילות בפיתוח מודלים דרמטולוגיים המותאמים לאוכלוסיות מגוונות, עם מיקוד על Fitzpatrick IV-VI שחסרים ייצוג מספק בנתוני אימון גלובליים.

מחקרי fine-tuning על אוכלוסייה ישראלית: כיוונון של מודלי Vision Transformer על תמונות קליניות מאוכלוסייה ישראלית מגוונת. ייצוג מגוון: Fitzpatrick III-IV ו-V בשיעורים גבוהים מאוכלוסיית האימון הגלובלי.

ממצאים: מודלים המכווּנים על אוכלוסייה ישראלית מציגים ביצועים טובים יותר על Fitzpatrick III-V לעומת מודלי ISIC כלליים.

משמעות: שיפור ממוקד בדיוק לאוכלוסייה ספציפית אפשרי בעלות יחסית נמוכה של fine-tuning. מסר להמשך: אמנו על הנתונים שלך, לא על נתונים גנריים.

מכבי: הסכם הערכה עם כלי ניטור נגעים (MetaOptima DermEngine) לחולים עם אנמנזה של מלנומה, בשלבי פיילוט.

מאוחדת: עדיין לא פיילוט רשמי. דיון בוועדת טכנולוגיות ב-2025 על מסגרת כניסה לשוק.

משרד הבריאות: נייר עמדה 2025 מגדיר רשימת שאלות שחברות AI צריכות לענות עליהן. לא תקנות מחייבות עדיין.

היעד הממשי ב-2026: דרמטולוג ישראלי שרוצה להשתמש בכלי AI בפרקטיקה הפרטית יכול להשיג מכשיר DermaSensor, MetaOptima DermEngine, או VisualDx Pro. כל האפשרויות אינן מאושרות רשמית על ידי משרד הבריאות אבל גם אינן אסורות.

(1) MetaOptima DermEngine: מערכת ניהול תמונות דרמטולוגיות + AI לניטור שינוי בנגעים. ניתן לרכוש כמנוי. CE mark.

(2) VisualDx Pro: כלי אבחנה מבדלת מולטימודלי. ניתן לרכוש כמנוי. אינו CE/FDA לאבחנה עצמאית.

(3) FotoFinder Moleanalyzer Pro: מערכת מלאה לניטור נגעים + AI. CE mark אירופי.

(4) ChatGPT-4V / Gemini: לשימוש off-label לחינוך ודיפרנציאל לא-קליני בלבד, ללא תמונות מטופלים מזוהים.

מה לבדוק לפני שימוש: CE/FDA status, נתוני ביצועים מפורטים לפי Fitzpatrick, מדיניות פרטיות לנתוני מטופלים ישראלים.