גוגל מנסה ללמד AI לקרוא את “הסרט” של הסוכר בגוף

במשך שנים, הרבה מהמידע הרפואי שלנו נאסף ברגעים בודדים. בדיקת דם בבוקר. ביקור אצל רופא. מספר אחד שמנסה לייצג מצב גופני מורכב. עכשיו, מד סוכר רציף משנה את התמונה הזאת. הוא לא מספק צילום סטילס, אלא סרט. לאורך היום הוא מראה איך הגוף מגיב לארוחה, לשינה, לפעילות, ללחץ, לתרופות ולעיתים גם לחיישן שמפספס רגע או מייצר רעש. עכשיו גוגל מנסה לבדוק אם בינה מלאכותית יכולה לקרוא את הסרט הזה טוב יותר. במחקר חדש של Google Research מציגה החברה את GlucoFM - מודל יסוד לנתוני ניטור סוכר רציף. מודל יסוד הוא מודל שאומן מראש על כמות גדולה של נתונים, כדי שיוכל לשמש בסיס לכמה משימות שונות. במקרה הזה, חומר הגלם הוא לא טקסט, תמונה או קול, אלא רצף של מדידות גלוקוז לאורך זמן.

כשהגוף הופך לרצף נתונים

מד סוכר רציף, או CGM, הוא חיישן שמעריך את רמת הגלוקוז כל כמה דקות ושומר את המדידות לאורך זמן. הוא מודד את רמת הסוכר בנוזל שבין התאים, שמושפעת מרמת הסוכר בדם, ומעביר את הנתונים לאפליקציה, משאבת אינסולין או מקלט ייעודי. עבור אנשים עם סוכרת, המידע הזה יכול לעזור להבין איך מזון, פעילות ותרופות משפיעים על רמות הסוכר בזמן אמת ולא רק בבדיקה נקודתית.

אבל כמות הנתונים היא גם הבעיה. גרף יומי של סוכר נראה לפעמים כמו קו ברור, אבל מאחוריו מסתתרים הרבה סיפורים שונים. קפיצה אחרי ארוחה אינה דומה לעלייה איטית לאורך היום. ירידה אחרי פעילות אינה דומה למדידה חסרה בגלל חיישן שהתנתק. אצל אדם אחד דפוס מסוים עשוי להיות תקין, ואצל אדם אחר הוא עשוי להצביע על סיכון שדורש בדיקה.

כדי ללמד מערכת לזהות מצבים רפואיים, בדרך כלל צריך נתונים מתויגים. כלומר, לא רק גרף של סוכר, אלא גם תשובה קלינית אמינה שמסבירה מה קרה לאותו אדם. תוויות כאלה יקרות, איטיות וקשות לאיסוף. כאן נמצא אחד הרעיונות המרכזיים ב-GlucoFM. המודל לומד קודם מתוך נתוני CGM לא מתויגים, כלומר מתוך הרצפים עצמם, ורק אחר כך בודקים עד כמה הייצוגים שלמד עוזרים במשימות רפואיות שונות.

לא כל תנודה בגרף מספרת אותו סיפור

גוגל (Google) אימנה את GlucoFM על 109,066 שעות של נתוני CGM לא מתויגים, שהגיעו ממחקר Wear-CGM ומארבעה מאגרי נתונים שפורסמו בעבר. בסך הכול מדובר ב-477 רשומות של משתתפים או ביקורים. זה בסיס משמעותי למחקר כזה, אבל עדיין לא מאגר עצום במונחי רפואה, ולכן חשוב לקרוא את התוצאות בזהירות.

החלק המעניין במודל הוא הדרך שבה הוא מפרק את האות. GlucoFM מנסה להפריד בין שני סוגי שינויים. הראשון הוא הרקע, כלומר המגמות האיטיות יותר של רמות הסוכר לאורך היום. השני הוא אירועים קצרי טווח, למשל קפיצה אחרי ארוחה, ירידה אחרי פעילות או סטייה רגעית שנובעת מהחיישן. ההפרדה הזאת חשובה כי גרף סוכר אינו רצף אחיד של מספרים אלא שילוב של פיזיולוגיה, התנהגות, זמן ביום ורעש מדידה.

GlucoFM מפרק את רצף מדידות הסוכר לשני סוגי מידע | Google Research

במקום לשחזר כל נקודת מדידה בדיוק, המודל לומד לחזות ייצוגים פנימיים של רצף הגלוקוז. במילים פשוטות, הוא מנסה להבין את הדפוס הרחב ולא רק לנחש את המספר הבא. זו גישה שמתאימה במיוחד לעולם שבו הנתונים אינם נקיים. במדידות גוף אמיתיות יש חוסרים, הפרעות, הבדלים בין חיישנים ושונות גדולה בין אנשים.

המבחן הראשון הוא לא אבחון, אלא זיהוי דפוסים

במחקר, GlucoFM נבחן על ארבעה מאגרי נתונים ועל שבע משימות חיזוי קליניות. בין המשימות היו הערכת סיכון לסוכרת, תנגודת לאינסולין, תפקוד תאי בטא בלבלב, השמנה, היפוגליקמיה, היפרליפידמיה וסיווג דפוסי גלוקוז. בסך הכול נבחנו 14 שילובים של מאגר ומשימה.

GlucoFM הציג ביצועים חזקים בכמה משימות מטבוליות | Google Research

באחת הבדיקות החוקרים הקפיאו את המודל, כלומר לא נתנו לו להמשיך ללמוד, ובחנו האם הייצוגים שכבר למד מיממה אחת של נתוני סוכר יכולים לעזור למסווג פשוט לזהות מאפיינים מטבוליים אצל אנשים שלא הופיעו באימון. במדד PR-AUC, מדד שמועיל במיוחד כאשר מחפשים אירועים או מצבים שאינם מופיעים באופן מאוזן בכל הקבוצות, GlucoFM הגיע לציון ממוצע של 58.8 לעומת 54.7 אצל מודל הבסיס החזק ביותר שהושווה אליו באותו מערך.

זה שיפור מעניין, אבל לא הוכחה קלינית. הוא אומר שבתנאי המחקר, וביחס למודלים ולמאגרי הנתונים שנבדקו, GlucoFM הצליח לחלץ מהגרפים מידע שימושי יותר. זה עדיין לא אומר שאפשר להשתמש בו כדי לאבחן אדם, לשנות טיפול או לוותר על רופא.

מה קורה אחרי ארוחה

המקום שבו המחקר נעשה הכי מוחשי הוא הרגע שאחרי הארוחה: האם אפשר לחזות איך רמות הסוכר יעלו וירדו? החוקרים ניסו לחזות את מסלול הגלוקוז במשך שעתיים אחרי תחילת הארוחה, תוך שימוש במידע שהיה זמין לפני הארוחה ובנתוני הקשר נוספים.

כדי לבדוק את זה, החוקרים הסתכלו על 874 ארוחות שתועדו אצל 34 משתתפים, וניסו לחזות איך רמות הסוכר שלהם ייראו בשעתיים שאחרי האוכל. זו בדיקה פשוטה להבנה, אבל קשה לביצוע: הגוף לא מגיב לארוחה רק לפי מה שאכלנו, אלא גם לפי מה קרה לפני כן, מצב בריאותי, דפוסים אישיים וסוג החיישן.

כשהמודל קיבל את ההקשר המלא, כולל שעה של מדידות סוכר לפני הארוחה, מידע תזונתי, גלוקוז בצום, BMI וסטטוס סוכרת, GlucoFM הציג את שגיאת החיזוי הנמוכה ביותר במחקר.

המספרים האלה חשובים פחות מהרעיון שהם ממחישים. הגוף לא מגיב לפחמימה בחלל ריק. אותה ארוחה יכולה להיראות אחרת אחרי לילה קצר, אחרי פעילות, אצל אדם עם דפוס מטבולי שונה או תחת חיישן אחר. לכן תחזית טובה יותר דורשת הקשר. GlucoFM מנסה להביא את ההקשר הזה מתוך ההיסטוריה של הגרף, ולא רק מתוך פירוט הארוחה עצמה.

הקשר אישי ותזונתי שיפר את תחזית הסוכר אחרי ארוחה | Google Research

למה המחקר הזה מעניין גם מעבר לסוכרת

GlucoFM הוא מקרה מבחן לכיוון רחב יותר בבינה מלאכותית רפואית. הרבה מהשיח הציבורי על AI ברפואה מתמקד בצ'אטבוטים שמסבירים תסמינים או מסכמים מסמכים רפואיים. כאן הסיפור אחר. המודל לא משוחח עם המטופל, אלא מנסה ללמוד אות ביולוגי רציף.

זה כיוון חשוב משום שהרפואה הולכת ומתמלאת במדידות כאלה. דופק, שינה, תנועה, סוכר, לחץ דם ומדדים נוספים נאספים יותר ויותר מחוץ לקליניקה. האתגר הוא כבר לא רק לאסוף את הנתונים, אלא להבין איזה דפוסים בתוכם יציבים, אילו תלויים באדם מסוים, אילו נובעים מהמכשיר ואילו עשויים להיות רלוונטיים לבריאות.

בנקודה הזאת מתחילות גם השאלות הקשות. נתוני סוכר הם מידע אישי ורגיש. מודל שלומד מהם צריך להיבחן על אוכלוסיות מגוונות, על חיישנים שונים, בתנאי חיים אמיתיים ולא רק במאגרי מחקר. הוא צריך להיות מספיק מדויק כדי לעזור, אבל גם מספיק שקוף וזהיר כדי שלא יהפוך תחזית סטטיסטית להמלצה רפואית מוקדמת מדי.

גם החוקרים מציינים את המגבלות. אוכלוסיית האימון עדיין צנועה יחסית, תגובות מטבוליות משתנות בין אנשים, מאגרים וחיישנים, והשלב הבא מבחינתם הוא אימון על אוכלוסיות גדולות ומגוונות יותר והרחבת המודל מרצפים יומיים לעבודה טבעית יותר עם ימים ושבועות של נתונים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

הדרך מהמעבדה למרפאה עדיין ארוכה

GlucoFM הוא לא מוצר רפואי זמין לציבור. זה מחקר שמראה פוטנציאל, לא כלי שאפשר להפעיל מחר כדי לקבל החלטות טיפוליות. ועדיין, יש כאן נקודה משמעותית. ככל שהגוף שלנו נמדד בתדירות גבוהה יותר, הרפואה מקבלת פחות "תוצאות בדיקה" ויותר רצפים. הרצפים האלה עשירים יותר, אבל גם קשים יותר לפענוח. GlucoFM מנסה לענות על השאלה האם מודל AI יכול ללמוד מהם דפוסים שימושיים בלי להזדקק לכמות עצומה של תיוג קליני יקר.

המבחן האמיתי לא יהיה רק עוד שיפור במדד מחקרי. השאלה תהיה אם גישה כזאת יכולה לעבוד על אוכלוסיות גדולות ומגוונות, עם חיישנים שונים, לאורך שבועות וחודשים, ובמערכת רפואית שבה טעות היא לא רק מספר בטבלה. אם התשובה תהיה כן, מודלים כמו GlucoFM עשויים להפוך את הנתונים שכבר נאספים מהגוף לכלי הבנה עמוק יותר. עד אז, הם בעיקר מזכירים עד כמה גדול הפער בין מדידה רציפה לבין הבנה רפואית שאפשר לסמוך עליה.