אבחון עור לפי תמונה באמצעות בינה מלאכותית: היכן נשברת הדיוק
אבחון עור לפי תמונה באמצעות בינה מלאכותית נשבר לא במודל, אלא בקלט. אותה תמונה בדיוק, שצולמה בתאורה שונה, ממרחק שונה ובחדות שונה, נותנת פיזור ניכר בתוצאות הניתוח — ההסתברות לפי המחלקה "אקנה" או "פיגמנטציה" יכולה להיות שונה בעשרות אחוזים. המשתמש מצלם שתי תמונות ברצף, מקבל שני פסקי דין שונים ומפסיק לסמוך על השירות.
הסיבה היא שהמודל לומד על מערך נתונים, ואל הקלט בפרודקשן מגיע זרם מטלפונים: חשיפת יתר מהפלאש, גוון צהוב מנורות ליבון, טשטוש מתנועת היד, קרופ אקראי.
דיוק זיהוי התמונות על זרם כזה יורד באופן לא ליניארי — ככל שפיזור איכות תמונות הקלט רחב יותר, כך גדלה הסתירה בין החיזויים בין סשנים של אותו אדם.
עבור הלקוח זה אינו מדד מופשט. פיזור תוצאות הניתוח משמעו גידול בפניות לתמיכה, נטישת משתמשים לאחר הניסיון הכושל הראשון וחוסר אפשרות להשתמש במסקנות המערכת בתרחיש קליני או קוסמטולוגי. אם השירות מוכר המלצות טיפול, פסק דין לא יציב פוגע בהחזרות ובמוניטין המותג.
זה נסגר לא במודל גדול אחד, אלא בקונטור: בקרת איכות של תמונות הקלט בצד הלקוח, נרמול צבע וקנה מידה לפני האינפרנס, כיול ספים לזרם האמיתי וניטור דריפט על נתונים חיים. מפרקים כיצד זה בנוי והיכן בדיוק אובד הדיוק.
מה נותח ניתוח AI של תמונות עור וכיצד הוא בנוי
מצבי ניתוח תמונות
המערכת פועלת בשני מצבים. מצב סינון מעריך את התמונה לפי סולמות סיכון ומחזיר מחלקה עם רמת ביטחון — תפקידו לסנן פריימים שבהם הפתולוגיה אינה נראית, ולא להחמיץ מקרים הדורשים התייחסות של מומחה.
מצב השוואה משווה בין שתי תמונות של אותו אזור, שצולמו בזמנים שונים, ומציג את הדינמיקה: האם האדמומיות התגברה, האם גבולות הנגע השתנו, האם הפיגמנטציה יציבה.
עיבוד מקדים של תמונות
איכות הפריים המקורי קובעת את תקרת הדיוק של המודל, ולכן לפני האינפרנציה התמונה עוברת נרמול: הבאה למרחב צבע אחיד, איזון לבן, חיתוך ברקים וצללים, יישור חדות.
פריימים שלא עברו את סף הטשטוש והתאורה אינם נשלחים למודל, אלא מוחזרים עם הנחיה לצלם מחדש — הדבר מפחית את שיעור ההתראות הכוזבות בכניסה.
השוואת גישות זיהוי
| גישה | מתי מתאימה | מגבלות |
|---|---|---|
| מסווג לפי סולמות | סינון המוני, תגובה מהירה | אינה ממקמת את המוקד, רגישה לרקע |
| סגמנטציה של המוקד | נדרשים גבולות ושטח הנגע | דורשת סימון, לומדת לאט יותר |
| השוואת זוג תמונות | מעקב אחר דינמיקה לאורך זמן | קריטית התאמת זווית הצילום והתאורה |
מדדי איכות המודל
המודל מוערך לא לפי דיוק אחד, אלא לפי סט: רגישות לפי כל מחלקה (כמה מקרים אמיתיים הוחמצו), ספציפיות (כמה בריאים סומנו בטעות), שיעור הפריימים באיכות ירודה שסוננו ויציבות ההערכה בצילום חוזר של אותו אזור.
בנפרד מחשבים מטריצת שגיאות — אילו מחלקות המודל מבלבל ביניהן, כדי לאמן מחדש באופן ממוקד על דוגמאות שנויות במחלוקת. ניתוח כזה מסיר את סוג השגיאה היקר ביותר — החמצה בטוחה.
המתודולוגיה של ולידציה נבנית לפי עקרונות שנבדקו באבחון חזותי רפואי DermNet: חלוקת מדגמים לפי מטופלים, ולא לפי תמונות, כדי שהמודל לא "יזהה" אדם אחד באימון ובבדיקה.
כיצד אנו מיישמים מערכת לניתוח עור שלב אחר שלב
יישום מערכת אבחון עור באמצעות תמונות ו-AI מתחיל לא מהמודל, אלא מהנתונים ומההיגיון הקליני: אם בקלט הסימון סותר, שום ארכיטקטורה לא תניב תוצאה יציבה. לכן השבועות הראשונים מוקדשים לביקורת מערך הנתונים ולקביעה אילו מצבים המערכת מחויבת להבדיל, ואילו — לשלוח ביושר לבדיקה פרונטלית. להלן שלבי היישום של AI, שלפיהם אנו מובילים את הפרויקט מצילומים גולמיים ועד למעגל עבודה פעיל.
- ביקורת מערך נתונים והגדרת המשימה. בוחנים מה כבר קיים: צילומים, היסטוריית מסקנות, סימון. בודקים איזון בין מחלקות, איכות תאורה וזוויות צילום, כפילויות ודליפות בין מדגמים. בפלט — רשימה מוסכמת של מצבים וקריטריונים שלפיהם הפתרון נחשב לנכון.
- תרשים צילום ופרוטוקול. קובעים כיצד המשתמש מצלם: תאורה, מרחק, אזורים. ללא קלט יציב המודל מדרדר על צילומים אמיתיים, לכן פרוטוקול הצילום הוא חלק מהמערכת, ולא משאלת לב.
- הכנת נתונים וסימון. מנקים את מערך הנתונים, משלימים מחלקות נדירות, מביאים את הסימון לתקן אחיד. מקרים שנויים במחלוקת מוציאים לתיאום עם מומחים בתחום, כדי שהתווית תשקף היגיון קליני ולא את דעתו של מסמן יחיד.
- אימון וכיול המודל. בוחרים ארכיטקטורה המתאימה למשימה, מכיילים ספי רגישות בנפרד לכל מחלקה. באבחון חשוב יותר לא להחמיץ מצב מסוכן מאשר לטעות לכיוון של בדיקה חוזרת.
- אימות המודל. בודקים על מדגם מוחזק שהמודל לא ראה באימון, ועל צילומים ממכשירים אחרים. מחשבים לא רק דיוק כולל, אלא גם שלמות לכל מחלקה — היא בדיוק מראה כמה מקרים המערכת מחמיצה.
- אינטגרציה ומסירת המערכת ללקוח. משתלים בממשק או בתהליך, מכיילים תיעוד החלטות ומשוב ממומחים. מוסרים תיעוד, הרשאות ותקנון עדכון המודל.
- תמיכה ולמידה נוספת. אוספים מקרים שבהם המערכת התלבטה, ומעת לעת מאמנים מחדש על נתונים חדשים. זה שומר על האיכות כאשר טכניקת הצילום משתנה או מגיעים סוגים חדשים של מצבים.
עקרון המפתח בכל השלבים — המערכת עוזרת למומחה לתעדף, ולא מחליפה בדיקה. תארו את המשימה ואת הנתונים הקיימים — נחזור עם הערכה ותוכנית עבודה.
במה שונה ניתוח מתמונה אחת לעומת סדרת צילומים?
תמונה בודדת מתעדת את מצב העור בנקודת זמן אחת ובזווית אחת. המודל מקבל וקטור מאפיינים אחד ומפיק הערכה — אך הערכה זו יורשת את כל פגמי הצילום: ברק מהבזק נקרא כברק שומני, צל בקמט נקרא כפיגמנטציה, וסיבוב אקראי של הראש משנה את הגיאומטריה של האזורים.
אבחון עור באמצעות בינה מלאכותית על צילום בודד נותן פיזור בין שתי תמונות של אותו עור, ופיזור זה אינו רעש של המודל, אלא תוצאה של הקלט.
סדרת צילומים משנה את מהות ההערכה. כאשר לקלט נכנסות 3-5 תמונות מזוויות שונות ובתאורה שונה, המערכת ממצעת לא פיקסלים, אלא מאפיינים: גוון, מרקם, גבולות של אדמומיות.
מיצוע התוצאות על פני הסדרה מדכא חריגות — ברק בודד או זווית לא מוצלחת מפסיקים לקבוע את התוצאה, כי שאר התמונות מאזנות אותם. היציבות של ההערכה גדלה לא בזכות מודל מורכב יותר, אלא בזכות העובדה שהקלט מפסיק להיות משתנה מקרי.
זווית ותאורה — המקור העיקרי לשגיאות בצילום בודד. תאורה חזיתית מחליקה את התבליט, תאורה צדית מדגישה אותו, ותאורה עליונה יוצרת צללים מדומים מתחת לעיניים ולאף. סדרה שצולמה עם שינויים צפויים במיקום ובמקור התאורה מאפשרת למערכת להפריד בין מאפייני עור קבועים לבין תנאי צילום משתנים. זה אותו עיקרון כמו בפוטוגרמטריה: נקודה אחת לא נותנת נפח, כמה — נותנות.
האפקט המעשי — חזרתיות. שני מפגשים בלתי תלויים על אותו עור נותנים הערכות קרובות, ולכן ניתן לעקוב אחר דינמיקה לאורך זמן: נעשה טוב יותר או גרוע יותר — זה נראה, ולא טובע בשגיאה. עבור תמונה בודדת השוואה כזו כמעט חסרת משמעות — ההבדל בין מפגשים דומה להבדל בין שתי תמונות של אותו מפגש.
מכאן הדרישה ההנדסית: לא "צלמו טוב יותר", אלא תקנון צילום — כמה תמונות, מאילו זוויות, באיזו תאורה. אנחנו מטמיעים את התקנון הזה בממשק, כדי שאיכות הקלט לא תהיה תלויה במידת הקפדנות שבה המשתמש מחזיק את הטלפון.
מקרה בוחן: כיצד גדלה דיוק הערכת מצב העור
הלקוח הגיע עם אב-טיפוס עובד: המודל אומן על תמונות מתויגות, ובתנאי מעבדה מפיק תוצאה סבירה. בתפעול בפועל התמונה התבררה אחרת — שיעור ההסכמה עם חוות דעת המומחה עמד על כ-60%, וכל תמונה שלישית מהמשתמש הייתה בלתי שמישה: חשיפת יתר, טשטוש, עור בצל או צולם בזווית חדה. המהנדסים בזבזו זמן על מיון ידני של תמונות פסולות במקום לעבוד על מקרים בעלי תוכן.
מה שינו
כשלב ראשון הוציאו את בקרת האיכות בכניסה לשכבה נפרדת: לפני ההזנה למודל, התמונה עוברת בדיקת חדות, חשיפה, מיקום הפנים בפריים ואחידות התאורה. תמונות בלתי שמישות אינן מגיעות לניתוח — המשתמש מקבל מיד הנחיה ברורה כיצד לצלם מחדש. זה הסיר את עיקר שיעור ההתראות הכוזבות והקל על המומחים.
כשלב שני — הרכיבו מחדש את מערך האימון: הוסיפו תמונות משתמשים אמיתיות בתאורה שונה ובסוגי עור שונים, ואת התיוג איחדו לפרוטוקול אחיד, כדי שהמומחים לא יחלקו בדעותיהם בהערכת אותן תמונות. המודל הפסיק "לצוף" במקרי גבול, שבהם קודם לכן הפיק תוצאה בטוחה אך שגויה.
תוצאה
| מדד | לפני | אחרי |
|---|---|---|
| הסכמה עם חוות דעת המומחה | ~60% | ~88% |
| שיעור תמונות בלתי שמישות שהגיעו לניתוח | כל תמונה שלישית | פחות מ-5% |
| זמן קבלת התוצאה | דקות של מיון ידני | שניות לאחר בדיקת התמונה |
הסינון בכניסה נתן לא רק דיוק, אלא גם צפיות: המומחה מסתכל כעת רק על אותם מקרים שבהם המערכת אכן מסופקת, ולא ממיין זרם של פסולים. זמן עיבוד התמונה הצטמצם לשניות, ושיעור ההסכמה עם המומחה גדל כמעט פי אחד וחצי — וזה היה הקריטריון העיקרי לקבלה.
המודל ושכבת בקרת האיכות נבנו על PyTorch עם קדם-עיבוד תמונות מופרד, מה שאיפשר לשנות את ספי הבדיקה ללא אימון מחדש של הרשת הראשית.
ספקות לפני ההפעלה: תאימות, חזרה לאחור, הרשאות גישה
אבחון עור לפי תמונה באמצעות בינה מלאכותית כמעט לעולם אינו מופעל "בשדה ריק" — הוא משולב במערך קיים: כרטיס הלקוח, תור לפגישה, יומן פניות. לכן השאלה הטכנית הראשונה אינה "עד כמה המדגם מדויק", אלא "מה יקרה למערכת הנוכחית כאשר נחבר מודול חדש".
מה אם נידרש לחזרה לאחור? המודול מוציא אל מחוץ לממשק מבודד: קליטת התמונה, תגובת המודל ורישום התוצאה מתבצעים בקריאות נפרדות, וגרסת המודל והמשקלות נקבעת בתצורה.
חזרה לאחור היא מעבר לגרסה קודמת ללא שינוי בקוד האינטגרציה; היסטוריית ההחלטות והצילומים המקוריים נשמרים, ולכן מסקנות שכבר הונפקו אינן הולכות לאיבוד.
מי מקבל גישה ולמה? התפקידים מופרדים לפי רמות: המפעיל רואה רק את התוצאה עבור הלקוח שלו, הרופא — את ההיסטוריה והנימוק, המנהל — את ההגדרות והיומן. הצילומים והמטא-נתונים נשמרים בנפרד, הגישה למקורות מתועדת ביומן, ולחשבונות שירות אין הרשאות לייצוא מאגר הנתונים.
האם זה תואם למערכת הנוכחית שלנו?
המודול מתקשר דרך ממשק תוכנה סטנדרטי ואינו מחייב שינוי בליבת מערכת החשבונאות. אם יש לכם מאגר צילומים ומרשם לקוחות — האינטגרציה מצטמצמת לחיבור שתי נקודות חילוף. אם אין מערכת, אנו פורסים את המערך כולו, כולל אחסון ותיעוד ביומן.
במסירה הלקוח מקבל לידיו:
- תרשים אינטגרציה עם נקודות חילוף וגבולות אחריות;
- תצורת המודל עם גרסאות וספי הפעלה קבועים;
- מטריצת תפקידים ומדיניות הפרדת הרשאות גישה;
- נוהל חזרה לאחור לגרסה קודמת עם בדיקה בסביבת ניסוי;
- יומן החלטות המודל וכללי שמירת הצילומים;
- הוראות הפעלה ורשימת בדיקה לקבלה.
תארו את המערכת הנוכחית שלכם ואת דרישות הגישה — נחזור עם הערכה ותוכנית אינטגרציה.
לוחות זמנים של שלבי הטמעת ניתוח תמונות
לוחות הזמנים אינם תלויים בנפח הקוד, אלא במוכנות הנתונים ובמהירות התיאום של החלק הקליני. להלן — אבני דרך לפרויקט אבחון עור לפי תמונה: מהגדרת המשימה ועד להעלאה לפעולה.
הטווחים ניתנים לזרימה עם מודאליות צילום אחת ותרחיש שימוש אחד; כאשר קיימים מספר סוגי מצלמות או מספר מחלות במודל אחד, לוחות הזמנים מתארכים.
הכנת נתונים — השלב הארוך ביותר והמקור העיקרי לסטיות: איכות הסימון קובעת ישירות כמה שגיאות המודל ייתן בזרימה. אם הצילומים כבר נאספו וסומנו לפי פרוטוקול אחיד, שלב זה מתקצר בחצי; אם הצילום בוצע במצלמות שונות וללא תקן, מתווסף זמן להבאת הסט לצורה אחידה.
אימון ובדיקה מתנהלים עם חזרות: לאחר ההערכה על מדגם נפרד בדרך כלל מתברר שהמודל מבלבל חלק מהמחלקות, ומחזור «סימון נוסף — אימון נוסף — בדיקה חוזרת» חוזר על עצמו. אנו מקצים לכך רזרבה נפרדת, ולא מתייחסים לאימון כמעבר חד-פעמי.
העלאה לפעולה — אינה נקודת סיום, אלא מצב של ליווי: המודל מאומן נוסף על צילומים חדשים, וספי ההפעלה מתחדדים ככל שנצברת סטטיסטיקה. תארו את התרחיש שלכם ואת נפח הצילומים — נחזור עם הערכה ותוכנית לפי שלבים.