דילוג לתוכן הראשי

בינה מלאכותית בדרמוסקופיה

AI in Dermoscopy

מאת ד"ר יהונתן קפלן | עודכן: 2026-03-22

AI באבחון דרמטולוגי

אלגוריתמי deep learning (בעיקר CNN - Convolutional Neural Networks) הוכיחו ביצועים שווים או עולים על דרמטולוגים מומחים בסיווג נגעי עור בתנאי מחקר.

סוגי יישומים

  • סיווג תמונות קליניות: זיהוי נגע שפיר לעומת ממאיר מתמונה קלינית
  • סיווג דרמוסקופי: ניתוח תמונה דרמוסקופית לזיהוי מלנומה, BCC, SCC
  • סגמנטציה: מיפוי שוליי נגע אוטומטי
  • Triage/Screening: מיון ראשוני של נגעים חשודים
  • מעקב: זיהוי אוטומטי של שינויים בנגעים לאורך זמן

ביצועים

מטא-אנליזה (2024): AI algorithms for melanoma detection - sensitivity 88-92%, specificity 82-86%. דומה לדרמטולוגים מומחים ועדיף על דרמטולוגים מתחילים.

💡Clinical Pearls

  • •AI הוא כלי עזר לרופא, לא תחליף. ההחלטה הסופית חייבת להיות של הרופא
  • •AI מוגבל: amelanotic melanoma, nodular melanoma, nail unit melanoma - אלה אזורים שבהם ה-AI פחות מדויק
  • •Dataset bias - רוב ה-AI מאומן על עור בהיר (Fitzpatrick I-III). ביצועים ירודים יותר על עור כהה

⚠️אזהרות קליניות

  • •אין להסתמך על AI בלבד לאבחנה. AI לא רואה את הקונטקסט הקליני (היסטוריה, מיקום, מטופל)
  • •AI apps לצרכנים (smartphone apps) מוגבלים ויכולים להחמיץ מלנומות - אינם תחליף לבדיקת רופא

מגבלות, אתגרים רגולטוריים ועתיד - Limitations, Regulation & Future

למרות ביצועים מרשימים במחקר, שילוב AI בפרקטיקה הקלינית עדיין מוגבל ומחייב זהירות.

מגבלות עיקריות

  • Dataset bias: רוב ה-datasets מכילים תמונות של עור בהיר. ביצועי AI ירודים משמעותית על skin of color (Fitzpatrick IV-VI)
  • Out-of-distribution: אלגוריתמים נוטים לטעויות בנגעים נדירים שלא היו בסט האימון
  • Black box: חלק מהמודלים אינם מספקים הסבר לאבחנה (lack of explainability)
  • תנאי צילום: שינויים בתאורה, זום, ומכשיר משפיעים משמעותית על הביצועים

רגולציה

מערכות AI לאבחון עור מסווגות כ-Class II Medical Device (FDA). מערכות בעלות אישור FDA/CE כוללות Derm.AI, SkinVision, ו-MelaFind. בישראל, משרד הבריאות מחייב אישור AMAR לשימוש קליני.

כיוונים עתידיים

  • Multimodal AI: שילוב תמונות קליניות + דרמוסקופיה + נתונים קליניים + RCM
  • Federated learning: אימון מבוזר שמאפשר שימוש בנתונים מרובי-מרכזים ללא שיתוף נתונים רגישים
  • Explainable AI (XAI): מודלים שמספקים הסבר ויזואלי לאבחנה

💡Clinical Pearls

  • •בישראל, פלטפורמת Dermadetect (מכבי) משתמשת ב-AI לסינון ראשוני של תמונות טלדרמטולוגיה - מקצרת זמני תגובה ב-40%
  • •לפני שימוש ב-AI tool - וודאו שאושר לשימוש קליני (FDA/CE/AMAR) ושיש לו validation על אוכלוסייה דומה למטופלים שלכם

מקורות - References

  1. Esteva A, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118.[PMID: 28117445]
  2. Haenssle HA, et al. Man against machine: diagnostic performance of a deep learning CNN for dermoscopic melanoma recognition. Ann Oncol. 2018;29(8):1836-1842.[PMID: 29846502]
  3. Daneshjou R, et al. Disparities in dermatology AI performance on a diverse, curated clinical image set. Sci Adv. 2022;8(32):eabq6147.[PMID: 35960806]
→ חזרה לדרמוסקופיה ואבחון סרטן העור