מבוא ל-AI לדרמטולוג: מ-Perceptron בשנת 1958 ועד Claude Opus 4.7
מסע מקיף בעולם ה-AI לדרמטולוג: היסטוריה, ארכיטקטורות, מהפכת ה-GPU, מודלים מובילים בשנת 2026, מודלים רפואיים ייעודיים ו-benchmarks קליניים

•AI Winter ראשון (1974-1980) - הביקורת של Minsky על ה-Perceptron הקפיאה את המימון. שיטות כמו Expert Systems שגשגו בינתיים

•AI Winter שני (1987-1993) - Expert Systems קרסו, מסובכים מדי לתחזוקה, כללים נכתבים ידנית

פיתוחים בקול דממה:

•Backpropagation (1986)

•LeNet לזיהוי תווים (1989)

נקודת המפנה:

•2012 - AlexNet

•2015 - ResNet

מדוע זה חשוב לרופא בשנת 2026: ההיסטוריה מלמדת ש-AI מתקדם בקפיצות ולא באופן ליניארי. ייתכן שאחרי האופוריה הנוכחית יבוא קור, אך הפעם הטכנולוגיה כבר מוטמעת במוצרים ומכניסה מיליארדי דולרים, ולכן 'Winter' כנראה לא יקרה - לכל היותר 'Autumn'

הצוות:

•Alex Krizhevsky (סטודנט)

•Ilya Sutskever (לימים co-founder של OpenAI)

•Geoffrey Hinton (לימים זוכה פרס Turing Award בשנת 2018)

תוצאות והשפעה:

•Top-5 error של 15.3% (מקום שני: 26.2%)

•בתוך שנתיים, כל המתחרים עברו לרשתות CNN

•עד שנת 2015, מודלים כמו ResNet הגיעו ל-3.5% top-5 error - מתחת לטעות אנושית של כ-5%

השלכה לדרמטולוגיה: בשנת 2017, Esteva et al (מאוניברסיטת Stanford) השתמשו ב-Inception v3 (רשת CNN) על 129,450 תמונות עור והוכיחו ביצועים ברמת דרמטולוג מומחה (פורסם בכתב העת Nature, כרך 542, עמודים 115 עד 118)

•מעבדי CPU (כגון Intel Xeon ו-AMD EPYC) - בין 16 ל-128 cores חזקים, אופטימלי למשימות sequential

•מעבדי GPU (כגון NVIDIA H100 ו-A100) - 16,896 CUDA cores ב-H100, ו-132 SMs (Streaming Multiprocessors)

מדוע GPU מתאים לרשתות עצביות:

•אימון רשת עצבית כולל פעולות מטריצה כפול וקטור, ומטריצה כפול מטריצה, בכמויות עצומות

•מעבד GPU מכפיל מטריצה בגודל 1000 על 1000 פי 50 עד 100 מהר יותר מ-CPU

•פלטפורמת NVIDIA CUDA (משנת 2007) - מאפשרת תכנות GPU לחישוב כללי, לא רק גרפיקה

כרטיסי GPU עיקריים:

•NVIDIA H100 (2022) - 80GB זיכרון HBM3, ביצועי 989 TFLOPS (ב-FP16), במחיר 30,000 דולר למכשיר

•NVIDIA B200 (Blackwell, 2024) - 192GB, פי 2.5 מהיר מ-H100

אימון GPT-4 (2022-2023): מוערך בכ-25,000 GPUs מסוג A100 במשך 100 ימים, בעלות של למעלה ממאה מיליון דולר

ארבעת השלבים:

•שלב 1 - כל מילה מומרת ל-3 וקטורים בגודל d_model (למשל 512). Q של 'needs' שואל: 'לאיזה דבר אני קשור?'. K של 'patient' עונה: 'אני subject פוטנציאלי'. K של 'Mohs' עונה: 'אני adjective ל-surgery'

•שלב 2 - dot product של Q ב-K נותן ציון לכל זוג

•שלב 3 - פונקציית softmax מנרמלת לסכום 1

•שלב 4 - סוכמים את ה-Values עם המשקלים

התוצאה: ייצוג חדש של המילה 'needs' המכיל מידע מ-'patient' ומ-'surgery'.

הפעולה מתבצעת במקביל לכל מילה. במודל GPT-4: 8,192 tokens כפול 96 heads כפול 96 layers - פעולה מסיבית

•Ashish Vaswani - עזב לסטארטאפ Adept

•Noam Shazeer - עזב, ייסד את Character.AI, וחזר ל-Google בשנת 2024 כ-co-CEO של Gemini

•Niki Parmar - עזבה ל-Adept

•Jakob Uszkoreit - עזב, ייסד את Inceptive

•Llion Jones - עזב, ייסד את Sakana AI

•Aidan Gomez - עזב, ייסד את Cohere

•Lukasz Kaiser - עזב ל-OpenAI

•Illia Polosukhin - עזב, ייסד את NEAR Protocol

ההשלכות:

•זה משקף את כוח השוק: כל אחד מהם הקים סטארטאפ בשווי מיליארד דולר ומעלה

•עיקר מחקרי ה-AI עברו מ-Google ל-OpenAI ול-Anthropic בין השנים 2018 ל-2022

•עבור Google זו הייתה מכה - היא פיתחה את ה-Transformer והפסידה את הריצה הראשונה ל-OpenAI

•תוך שנתיים עד שלוש שנים תיקנה זאת עם Gemini

•RNN (Recurrent Neural Network) - מעבד מילה אחר מילה. במשפט 'The cat ... was tired', המידע על 'cat' צריך לעבור דרך כל המילים שביניהם. קיימת בעיית 'vanishing gradient' - המידע מתפוגג

•LSTM (Long Short-Term Memory, 1997) - שיפור עם 'gates' המשמרים מידע. עדיין sequential ואיטי

•Transformer - כל המילים מעובדות במקביל. כל מילה רואה את כל האחרות בצעד אחד (סיבוכיות O(1) במקום O(n) ב-RNN). מהיר על GPU. תופס תלויות ארוכות בקלות

חיסרון: צריכת זיכרון בסיבוכיות O(n²) בגודל הקלט - לכן יש מגבלה על חלון ההקשר.

פתרונות:

•Flash Attention

•Sparse Attention

•Linear Attention

מודלי Mamba ו-State-Space Models (משנת 2023) ניסו לחזור ל-sequential אך ביעילות גבוהה - עדיין לא דחקו את ה-Transformer

•N - פרמטרים

•D - tokens באימון

•C - compute

לכל גורם: ירידת loss כ-power law. הנוסחה: L(N) = (8.8 * 10^13 / N)^0.076

דוגמאות:

•GPT-3 - 175 מיליארד פרמטרים, אומן על 300 מיליארד tokens

•GPT-4 (לפי שמועות) - 1.8 טריליון פרמטרים (8 מודלים ב-MoE), אומן על 13 טריליון tokens

חוקי Chinchilla scaling laws (של DeepMind, משנת 2022) חידדו: לא לבזבז על פרמטרים, להשקיע יותר ב-tokens.

כיום:

•כל חברה גדולה מתכננת מודלים לפי scaling laws

•חברות Anthropic, OpenAI ו-Google מפעילות חיזויים שאומרים 'מודל בגודל X על Y tokens יביא ביצועים Z'

•המודלים גדלים, התעשייה משקיעה מיליארדים

•יש סימני האטה בין השנים 2024 ל-2025 - האם הגענו ל'scaling wall'?

השוואת קצב צמיחה:

•TikTok - מיליארד תוך 9 חודשים

•Instagram - תוך שנתיים וחצי

•Twitter - תוך 5 שנים

•Facebook - תוך ארבע וחצי שנים

ההבדל: ChatGPT אינו רק אפליקציה - אלא יכולת חדשה.

שילוב של 4 גורמים:

•GPT-3.5 (מודל מוצלח)

•תהליך RLHF (תשובות שימושיות)

•ממשק פשוט (chat)

•היותו חינמי

ההשפעה (ציר זמן):

•ינואר 2023 - Microsoft השקיעה 10 מיליארד דולר נוספים ב-OpenAI (סך הכול 13 מיליארד דולר)

•פברואר 2023 - שילוב ב-Bing

•מרץ 2023 - שחרור GPT-4

•Google הכריזה על code red ושחררה את Bard (לימים Gemini) במהירות

•2026 - ChatGPT עם 700 מיליון MAU (משתמשים פעילים חודשיים)

הזרז של מהפכת ה-AI הציבורית - לפניו AI היה תחום מומחים, אחריו הוא הפך לכלי שכל אחד משתמש בו

חלון הקשר לפי גרסה:

•gpt-4 - 8K

•gpt-4-32k - 32K

•gpt-4-turbo (2023) - 128K

יכולת Vision: גרסת gpt-4-vision (יצאה בסתיו 2023) - מקבלת תמונות בתוספת טקסט.

ביצועים:

•Bar Exam - אחוזון 90 (לעומת GPT-3.5 באחוזון 10!)

•שאלות USMLE-style - 86% (סף מעבר 60%)

•SAT - 1410 מתוך 1600

הסכנה: תופעת hallucinations (הזיה - המודל ממציא מידע שגוי בביטחון מלא) - GPT-4 יכול להמציא מאמרים, ציטוטים ונתונים בביטחון מלא. בפרקטיקה רפואית: אין להשתמש לציטוט ללא אימות.

תמחור (התפתחות):

•2024 - 30 דולר למיליון tokens של input, 60 דולר עבור output

•2025-2026 - ירד ל-5/15 דולר (גרסת gpt-4o)

היורש GPT-5 (יצא ב-7 באוגוסט 2025):

•חלון הקשר של 256K

•ביצועים טובים יותר

•יכולות agentic (AI שמבצע משימות מרובות-שלבים באוטונומיה - לא רק עונה אלא פועל) לביצוע משימות מורכבות

•תמחור GPT-5.5 (מאי 2026): 5/30 דולר למיליון tokens (input/output), GPT-5.5 Pro: 30/180 דולר

•GPT-5.4 יצאה במרץ 2026, GPT-5.5 שוחררה ב-24 באפריל 2026 עם Terminal-Bench 2.0 של 82.7% ו-FrontierMath Tier 4 של 35.4%

•GPT-5.5 (OpenAI, יצא ב-24 באפריל 2026) - יורש של GPT-5 (7 באוגוסט 2025) ו-GPT-5.4 (מרץ 2026). חלון הקשר של 256K, multimodal, הטוב ביותר ב-coding. Terminal-Bench 2.0: 82.7%, FrontierMath Tier 4: 35.4%. במחיר 5/30 דולר למיליון tokens (input/output), GPT-5.5 Pro: 30/180 דולר. עם אינטגרציה ל-Microsoft

•Claude Opus 4.7 (Anthropic, יצא ב-16 באפריל 2026) - חלון הקשר של מיליון tokens, multimodal, הטוב ביותר ב-reasoning וכתיבה ארוכה. Terminal-Bench 2.0: 69.4%, FrontierMath Tier 4: 22.9%. במחיר 5/25 דולר (חצי מ-GPT-5.5 ב-input, דומה ב-output). מאושר ISO 42001 ו-HIPAA-eligible בגרסת Enterprise

•Gemini 3.1 Pro (Google, יצא ב-19 בפברואר 2026) - חלון הקשר של שני מיליון tokens, multimodal (כולל וידאו), הטוב ביותר ב-multilingual ובאינטגרציית search. FrontierMath Tier 4: 16.7%. זמין דרך מנוי Google AI Ultra. עם אינטגרציה ב-Workspace

•Llama 4 (Meta, יצא ב-5 באפריל 2025, עם גרסאות Scout ו-Maverick) - חלון הקשר של 128K, open source חינם, ביצועים דומים בערך ל-GPT-4. ניתן להריץ on-premise. ללא vendor lock-in. באפריל 2026 שוחרר גם Muse Spark כ-replacement

בחירה לרופא:

•למחקר אקדמי - Claude Opus 4.7 (חלון הקשר ארוך, ציטוטים מדויקים)

•לפרקטיקה יומיומית - GPT-4o או Gemini Pro

•עבור on-premise או דרישות HIPAA - Llama 4 בשילוב עם LM Studio

ביצועים:

•AIME math (תחרות מתמטיקה אמריקאית - מבחן AI ב-reasoning) - 79.8%

•MATH - 97.3%

•Codeforces - אחוזון 96

כמעט זהה ל-OpenAI o1 שעלה 60/240 דולר. מחיר R1: 0.55/2.19 דולר - הפחתה פי 30.

אימון:

•671 מיליארד פרמטרים בארכיטקטורת MoE (37 מיליארד פעילים)

•14.8 טריליון tokens

•2,048 GPUs מסוג H800 (גרסה מוגבלת של H100)

•משך חודשיים

•עלות מוערכת: בין 5 ל-6 מיליון דולר

תגובת השוק:

•מניית NVIDIA נפלה ב-17% ביום אחד (29 בינואר 2025) - הפסד של 600 מיליארד דולר בשווי השוק

•הסיבה: אם ניתן לאמן מודל ברמה כזו ב-6 מיליון דולר, ההשקעה במאגרי GPUs גדולים פחות מוצדקת

השפעה לרפואה:

•Open source הופך זמין יותר

•On-premise אפשרי בעלות סבירה

•פחות תלות בענן של ארה״ב

•GPT-4 - 30/60 דולר

•Claude 2 - 11/33 דולר

תמחור בשנת 2024:

•GPT-4o - 5/15 דולר

•GPT-4o-mini - 0.15/0.60 דולר

•Claude 3.5 Sonnet - 3/15 דולר

תמחור בשנת 2026:

•Claude Opus 4.7 - 5/25 דולר (חצי מ-GPT-5.5 ב-input)

•GPT-5.5 - 5/30 דולר; GPT-5.5 Pro - 30/180 דולר

•Gemini 3.1 Pro - דרך מנוי Google AI Ultra

•Llama 4 - חינם!

מקורות הירידה:

•Compute יעיל יותר - H100 לעומת B200 (פי 2.5 מהיר)

•שיפורים אלגוריתמיים - Mixture of Experts, sparse models, distillation

•תחרות בין 5 חברות

•Open source - Llama מאלץ closed providers לרדת

ההשפעה: שילוב AI בכל מוצר היה יקר, עתה הוא זול. סטארטאפים יכולים לבנות מוצרי AI בתקציב של 1,000 דולר במקום 100,000 דולר.

בקליניקה רפואית: שימוש ב-AI לסיכום ביקור (200 tokens output) עולה בין 0.01 ל-0.05 דולר. אפילו אם רופא משתמש ב-100 ביקורים ביום - בין דולר אחד ל-5 דולרים ליום. שווה לכל מי שנעזר ב-AI

•Med-PaLM (Singhal et al, פורסם ב-Nature בשנת 2023) - מבוסס PaLM של 540 מיליארד פרמטרים בתוספת instruction prompt tuning ו-ensemble refinement. ביצועים: 67.6% ב-MedQA (passing!). עדיין נמוך מרופאים מומחים

•Med-PaLM 2 (2023, מבוסס PaLM 2) - מגיע ל-86.5% ב-MedQA. למעלה ממומחים ממוצעים (בין 60% ל-75%)

השיפורים ב-Med-PaLM 2:

•מודל בסיס גדול יותר (PaLM 2)

•Ensemble refinement - 11 השלמות ובחירת הטובה ביותר

•Chain-of-thought prompting

•Self-consistency

•Domain-specific instruction tuning

הבעיות:

•זמין רק ב-Vertex AI ב-Google Cloud (ללא public API)

•ה-benchmarks הם USMLE - לא קליניקה

•מחקר ולא מוצר

•אינו מתורגם לעברית

תוצאות:

•MedQA - 91.1% (היה state-of-the-art לשנת 2024)

•CXR (צילום חזה) - 81% accuracy

•תמונות דרמטולוגיות - 73% accuracy

גרסאות שונות:

•Med-Gemini-2D - למודאליות 2D

•Med-Gemini-3D - למודאליות 3D (CT ו-MRI)

•Med-Gemini-Polygenic - לגנומיקה

•Med-Gemini-FH - ל-family history extraction מתיקים

גישה: דרך Vertex AI (בתשלום, HIPAA-eligible).

שימושים פוטנציאליים:

•סיכום ביקור (טקסט)

•קריאת רנטגן (תמונה)

•אבחנה דרמטולוגית (תמונה בתוספת סיפור)

מגבלות:

•ביצועים נמוכים יותר בתמונות דרמטולוגיות לעומת מודלים ייעודיים (כמו DermaSensor)

•תמיכה חלשה בעברית

•אינו בסל - יקר לשימוש שגרתי

גרסאות:

•MedGemma-4B - לטלפונים ול-edge

•MedGemma-27B - לשרת

אומן על:

•Medical literature (PubMed Central full-text של למעלה מ-5 מיליון מאמרים)

•De-identified clinical notes

•USMLE materials

•תיאורי תמונות רפואיות

ביצועים:

•MedQA 4B - 64.4%

•MedQA 27B-text - 87.7%

פחות מ-Claude ומ-GPT-5 הכלליים, אך ספציפי לרפואה ויכול לרוץ מקומית.

דרישות חומרה:

•גרסת 4B - 8GB VRAM (לפחות RTX 3060 Ti)

•גרסת 27B - 32GB ומעלה VRAM (כגון RTX 4090 או A6000)

•Quantization בגרסת Q4 מאפשר חצי מהזיכרון

שימושים:

•סיכום ביקור

•חיוב קוד

•בדיקת אינטראקציות בין תרופות

•שאילתות ספרות

כיצד להפעיל: דרך Ollama, LM Studio, או vLLM. הנתונים אינם יוצאים מהקליניקה.

בעברית: ביצועים בינוניים (לא אומן ספציפית על עברית). לרופא ישראלי - אפשרות מעניינת אך עדיין דרושה גרסה מקומית בעברית

דוגמה: 'A 65-year-old man presents with 3 months of progressive shortness of breath. PFTs show: FEV1/FVC 60%, FEV1 65% predicted. Most likely diagnosis? A) Asthma B) COPD C) IPF D) CHF E) Bronchiectasis'. מודל טוב יענה COPD.

ביצועים (2024-2025):

•GPT-4 - 86%

•Claude 3.5 - 87%

•Med-Gemini - 91%

•GPT-5 - 92%

•Claude Opus 4.7 - 90%

•רופאים מומחים על אותן שאלות - בין 75% ל-85%

נראה שמודלי LLM טובים יותר מרופאים? לא בדיוק.

הבעיה: שאלות רב-ברירה אינן משקפות מציאות. בקליניקה אמיתית:

•אין 4 אפשרויות

•יש איסוף נתונים, ביצוע בדיקות, החלטה תחת אי-ודאות

•רופאים בעת המבחן בלחץ זמן, מודלי LLM לא

מתודה:

•38 תיקים מ-MIMIC-IV (תיקי emergency אמיתיים)

•ה-LLM צריך: לקבל היסטוריה ראשונית, לבקש בדיקות, לפרש, ולהגיע לאבחנה

•השיטה: simulation של ביקור ER

תוצאות GPT-4:

•49% accuracy על אבחנה

•ביצוע בדיקות מיותרות (false positive) ב-30% מהמקרים

•השמטת בדיקות קריטיות ב-40%

•גם Med-PaLM, Llama ו-Mistral נכשלו באופן דומה

Failure modes:

•עיגון (anchoring) על אבחנה אחת

•התעלמות מערכי מעבדה קריטיים

•Hallucination של טיפולים

לעומת זאת: רופאי ER על אותם תיקים הגיעו ל-73% accuracy.

המסקנה: מודלי LLM טובים בידע, גרועים ב-clinical reasoning. Clinical reasoning דורש איסוף מידע איטרטיבי, שקילת ראיות, קבלת החלטה תחת אי-ודאות - מיומנויות שאינן נמדדות ב-benchmarks סטנדרטיים.

השלכה: אסור לסמוך על LLM כמקבל החלטות אוטונומי. כן ל-augmentation, לא להחלפה

•Citation hallucination - ציטוט מאמר שאינו קיים. דוגמה: 'Smith et al משנת 2022 הראו 87% efficacy' - אין מחקר כזה. שיעור ב-GPT-4: בין 30% ל-40% מהציטוטים

•Numerical hallucination - מספרים מומצאים. למשל 'מינון rituximab ל-pemphigus הוא 700 מ"ג' (לא נכון, הוא 1000 מ"ג)

•Treatment hallucination - תרופות לא קיימות לאינדיקציות

•Subtle hallucinations - פרטים קטנים שגויים בתוך תשובה נכונה

כיצד לזהות:

•ציטוטים - תמיד לאמת ב-PubMed

•מספרים - cross-check עם UpToDate

•תרופות - לאמת ב-MICROMEDEX

•אם נשמע 'טוב מכדי להיות אמיתי' - מדובר ב-hallucination

הפתרון הטכני: RAG (Retrieval-Augmented Generation) - מודל LLM שולף ממאגר ידע אמיתי לפני התשובה. שיעור ה-hallucinations יורד מ-30% לבין 3% ל-5%.

כלים:

•NotebookLM

•Perplexity

•Claude Projects

•71% משתמשים בכלי AI שבועית

•35% יומית

כלים בשימוש:

•ChatGPT - 75%

•Claude - 22%

•Gemini - 18%

•AI דרמטולוגי ייעודי (כגון DermaSensor ו-Triage.ai) - 12%

שימושים:

•תיעוד או scribe - 45%

•תקשורת עם מטופלים - 38%

•ספרות - 32%

•DDx - 28%

•חומרי הסבר למטופל - 22%

•Image triage - 8%

פריסה של AI דרמטולוגי ייעודי:

•SkinVision (מאושר CE) - אפליקציה למטופלים, עם למעלה משני מיליון משתמשים באירופה

•DermaSensor (אושר FDA ב-17 בינואר 2024; עדכון נובמבר 2025 - שני מחקרים חדשים אישרו generalizability ושיפור ב-skin of color) - מכשיר קליני לזיהוי סרטן עור, הפחית פספוסים מ-18% ל-9%, בשימוש במעל עשרות אלפי lesions ב-US

•AI scribes (כגון Heidi ו-Augmedix) - 25% מקליניקות הדרמטולוגיה בארה״ב בפיילוט

בישראל: כללית ומכבי מבצעות פיילוטים בין השנים 2024 ל-2026. מספרים קטנים של משתמשים בפועל.

עתיד וצפי:

•ניתוח תמונות AI בצמיחה

•Teledermatology עם AI triage בצמיחה

•בין השנים 2027 ל-2028, AI ישולב יותר, אך לא יחליף

מגבלות:

•אומן בעיקר על עור לבן - ביצועים נמוכים על עור כהה

•אינו תופס היסטוריה והקשר קליני

•ה-FDA והרגולציה עדיין מתפתחים

•Wang 2024 (BMJ) - AI scribe הפחית את זמן התיעוד ב-33%. האיכות נשמרה. השחיקה ירדה. אך outcomes קליניים לא נמדדו

•Jiang 2024 (Lancet Digital Health) - AI dermatology triage. רגישות של 92%, סגוליות (Specificity - אחוז ה-negative שזוהו נכון) של 60%. תמונה מעורבת

•Smith 2025 (NEJM) - meta-analysis של 47 מחקרי AI clinical decision support. שיפור מתון במדדים מסוימים (timely diagnosis עלה ב-8%), אך ללא השפעה משמעותית על תמותה, אשפוז חוזר או סיבוכים

•RCT של DermaSensor 2024 בתוספת עדכון נובמבר 2025 - מכשיר נייד לזיהוי סרטן עור ברפואה ראשונית. רגישות של 96%, NPV 97% (מלנומה 90.2%, BCC 97.8%, SCC 97.7%), סגוליות של 73%. שני מחקרים חדשים בנובמבר 2025 (כולל UPMC prospective) אישרו generalizability ושיפור ב-skin of color. הפחית פספוסים מ-18% ל-9% (חצי) ושיפר את ה-referral accuracy של רופאי ראשוני ב-50%. כיום בשימוש מעל עשרות אלפי lesions ב-US ע״י מאות רופאים

מחקרי השוואה בין AI לדרמטולוג:

•2017-2023 - AI משתווה לדרמטולוג על תמונות מבודדות

•Han 2023 (real-world) - AI הגיע ל-73% accuracy, דרמטולוג ל-85%

לסיכום:

•שיפורי יעילות הוכחו

•שיפורי outcomes - ראיות מוגבלות

•AI ב-screen-reading רדיולוגי - יתרונות outcome ברורים יותר

•AI בדרמטולוגיה - מתפתח

המסקנה: AI הוא כלי פרודוקטיביות אמיתי. ההשפעה הקלינית עדיין מתפתחת

•השערה 1 (סבירה) - AI scribe יהיה סטנדרט. כל קליניקה בישראל ובארה״ב תשתמש ב-AI scribe בשנת 2030. חיסכון של למעלה מ-80% בתיעוד. הפחתת שחיקה

•השערה 2 (סבירה למדי) - Clinical decision support יהפוך למיינסטרים. הצעות AI בזמן אמת ב-EHR. אינטראקציות תרופתיות, DDx, מבוסס guidelines. שימוש כברירת מחדל, עם אפשרות לעקיפה. לא אוטונומי

•השערה 3 (אפשרית) - ניתוח תמונה AI יהיה כלי סטנדרטי. מכשירים ניידים ברפואה ראשונית. סינון הפניות לדרמטולוגיה. Triage טוב יותר. זיהוי מלנומה מהיר יותר

•השערה 4 (לא סבירה) - אבחנה AI אוטונומית מלאה ללא רופא. לא סבירה בשנת 2030 בשל: רגולציה, אחריות משפטית, קבלה על ידי המטופל, ו-edge cases

סוגיות בולטות עד שנת 2030:

•רגולציה - חוק EU AI Act ייושם במלואו

•מסגרות אחריות - מי אחראי כש-AI טועה?

•החזר תשלום - כיסוי ביטוחי לכלי AI

•כוח אדם

שורה תחתונה: AI הוא כלי augmentation. דרמטולוגים בשנת 2030 עדיין חיוניים. ה-workflow ישתנה משמעותית. שיקול דעת, תקשורת ומיומנויות פרוצדורליות - הליבה האנושית

•ChatGPT (GPT-5.5) או Claude Opus 4.7 - לכל use case כללי. סיכום מאמרים, ניסוח מכתבים ו-brainstorming. עלות: 20 דולר לחודש (במנוי Plus או Pro)

•NotebookLM (Google) - העלה PDFs, שאל שאלות, קבל תשובות עם ציטוטים. הכלי הטוב ביותר למחקר ספרות. חינם

•Perplexity Pro - חיפוש באינטרנט עם ציטוטים, מצוין לעדכון מהיר על מחלות נדירות. 20 דולר לחודש

•Heidi Health או דומה - AI scribe לסיכום ביקור אוטומטי. בין 100 ל-200 דולר לחודש. בישראל - בוחנים בקופות

•DermaSensor (אושר FDA) - מכשיר נייד ל-triage של סרטן עור עם רגישות של 96%. עלות: בין 5,000 ל-10,000 דולר. רלוונטי לקליניקות עם הרבה בדיקות נגעים

בונוס למפתחים: GitHub Copilot ו-Claude Code.

שם הכלים פחות חשוב מההבנה: כל אחד מהם בשנת 2026 הוא commodity. הסוד: לדעת כיצד להשתמש (באמצעות prompting), לא באיזה כלי

•GPT-4 ו-GPT-5 - טובה

•Claude - טובה

•Gemini - טובה (Google מתאמצת על שפות שאינן אנגלית)

•Llama 4 - בינונית

•Mistral - חלשה

•MedGemma - לא אומן ספציפית על עברית, חלשה

Tokenization: השפה העברית מקודדת ב-cl100k_base בין 3 ל-4 tokens למילה (לעומת token אחד באנגלית) - יקר פי 3 עד 4.

ביצועים:

•על שאלות כלליות בעברית - GPT-5 מגיע לכ-95% מהביצועים באנגלית

•על מונחים רפואיים בעברית - יורד ל-80%

תופעות:

•שגיאות תחביר נדירות

•תרגום מילולי (כמו 'חולים סוכרת' במקום 'סוכרתיים')

•שילוב מילים שאינן קיימות

עצה מעשית: כתוב prompts באנגלית גם לתוכן בעברית, או הגדר פורמט (כגון 'ענה בעברית רפואית מקצועית, השתמש בלעז כשמקובל').

תרגום: GPT ו-Claude מתרגמים בין עברית לאנגלית היטב. שילוב דו-לשוני הוא pattern נפוץ

•הירשם ל-ChatGPT Pro או Claude Pro (במחיר 20 דולר לחודש - לא זול, אך פותח את הכל). השתמש 30 דקות ביום למשימות שונות: סיכום ביקור, ניסוח מכתבים, חיפוש בספרות ואבחנה מבדלת. תוך חודש - תזהה היכן זה חוסך זמן והיכן לא

•הקם מסלול עבודה לסיכום מאמרים: NotebookLM (חינם) בתוספת 5 PDFs כל שבוע ושאלה אחידה (כגון 'סכם clinical relevance, key findings, limitations'). תוך חודשיים - תהיה מעודכן בספרות בשליש מהזמן

•היזהר עם נתונים רגישים: לעולם אל תכניס PHI (Protected Health Information) ל-LLM בענן ללא הסכמה. במקום זאת - השתמש ב-anonymization (החלף שמות ו-IDs) או on-premise (כגון Llama 4 ב-Ollama). זה קריטי לעמידה בחוק הגנת הפרטיות וגם בעקבות תיקון 13

בונוס: עקוב אחר שתיים עד שלוש דמויות ב-X או ב-LinkedIn (כגון Andrej Karpathy, Yann LeCun ו-Eric Topol) - 5 דקות ביום מספיקות לעדכון