דילוג לתוכן הראשי
Journal of the American Academy of Dermatology · 2026Multi-institutional CME collaboration

AI ורפואת עור: מדריך הדרמטולוג - מה כבר עובד ומה עוד בלוף
סקירת CME דו-חלקית מ-JAAD על בינה מלאכותית בדרמטולוגיה: טכנולוגיות, כלים מאושרים, הטיות ורגולציה

Artificial Intelligence in Dermatology - JAAD CME 2026 (Parts I & II)

✍️ Schlessinger D et al. (Part I); Dovigi E et al. (Part II)
📋 תמונה רחבה

🎯 בקצרה: על מה מדובר?

סדרת CME דו-חלקית שפורסמה ב-JAAD בינואר 2026 מציגה תמונה מקיפה על מצב הבינה המלאכותית (Artificial Intelligence) בדרמטולוגיה. החלק הראשון (Schlessinger ועמיתים) מכסה את היסודות הטכנולוגיים, הכלים שכבר אושרו על ידי ה-FDA (Food and Drug Administration), ואת היישומים הקליניים של AI בדרמוסקופיה, פתולוגיה ואפליקציות סלולריות. החלק השני (Dovigi ועמיתים) מתמקד בבעיות הקשות: הטיות (bias) באלגוריתמים, חוסר ייצוג של גווני עור כהים במאגרי נתונים, שאלות של רגולציה ואתיקה, והאתגרים של הטמעת AI בפרקטיקה הקלינית. ביחד, שני החלקים מספקים לדרמטולוג כלים מעשיים להערכה ביקורתית של מוצרי AI ומסגרת להבנת ההזדמנויות והמגבלות של הטכנולוגיה.
✅
3+
כלים מאושרי FDA
🔍
~90%
רגישות AI לסרטן עור
⚠️
<5%
ייצוג עור כהה במאגרים
📱
100+
אפליקציות עור בחנויות
⚖️
2024
שנת אישור EU AI Act

💡 מה חייבים לזכור מהמאמר הזה

🧠AI בדרמטולוגיה מתבסס בעיקר על רשתות עצביות קונבולוציוניות (Convolutional Neural Networks) שמנתחות תמונות קליניות ודרמוסקופיות. מודלים חדשים מסוג Transformer ומודלי יסוד (Foundation Models) מתחילים להציג יכולות משופרות, כולל ניתוח טקסט ותמונות בו זמנית.
✅שלושה כלים מאושרי FDA כבר זמינים לשימוש קליני: DermaSensor למדידת ספקטרוסקופיה של נגעים, 3Derm AI לניתוח תמונות סרטן עור, ו-Skinive לבדיקת סיכון מהסמארטפון. כל אחד מהם עובד בצורה שונה ומיועד לתרחיש שימוש אחר.
📊במחקרי השוואה, אלגוריתמי AI השיגו רגישות של כ-90% לזיהוי מלנומה, אבל בתנאים מבוקרים עם תמונות איכותיות. בתנאים אמיתיים של מרפאה, הביצועים יורדים בגלל תאורה, זווית צילום ומגוון גווני עור.
⚠️ההטיה המרכזית: מאגרי הנתונים שעליהם אומנו רוב המודלים מייצגים בעיקר עור בהיר (Fitzpatrick I עד III). התוצאה היא ביצועים נחותים על עור כהה, שם זיהוי מוקדם של סרטן עור חשוב במיוחד בגלל אבחון מאוחר יותר באופן היסטורי.
⚖️ה-EU AI Act שנכנס לתוקף ב-2024 מסווג כלי AI רפואיים כ"סיכון גבוה" (High Risk) ומחייב שקיפות, מעקב אחרי ביצועים, ותיעוד של נתוני אימון. בארצות הברית, מסלול ה-SaMD (Software as a Medical Device) של ה-FDA הוא הדרך לאישור, אבל הרגולציה עדיין בהתפתחות.
📋לפני שמשתמשים בכלי AI כלשהו, צריך לשאול שאלות מעשיות: על אילו אוכלוסיות הוא אומן? מהם שיעורי הרגישות והסגוליות? האם יש אישור רגולטורי? מי נושא באחריות המשפטית לטעות? ומה קורה כשהכלי אומר "לא יודע"?

🧠 מה זה AI בדרמטולוגיה

בינה מלאכותית (Artificial Intelligence) בדרמטולוגיה מתייחסת בעיקר ללמידה עמוקה (Deep Learning), ענף של למידת מכונה (Machine Learning) שבו מחשב לומד לזהות תבניות בתמונות ללא תכנות ידני של כללים. למידה מונחית (Supervised Learning) היא השיטה הנפוצה ביותר: מאמנים את המודל על אלפי תמונות שרופאים כבר תייגו (לדוגמה, מלנומה מול נבוס שפיר), והמודל לומד לבד אילו מאפיינים ויזואליים מבדילים ביניהם. בלמידה בלתי מונחית (Unsupervised Learning), המודל מוצא תבניות ללא תיוגים מוקדמים, מה שמאפשר לדוגמה לקבץ נגעים דומים יחד. הרשת העצבית הקונבולוציונית (Convolutional Neural Network) היא הארכיטקטורה שסוללת את הדרך: שכבות של מסננים מחלצות מאפיינים מהתמונה, החל מקצוות פשוטים ועד מבנים מורכבים. ארכיטקטורת Transformer, שמקורה בעיבוד שפה טבעית, מציעה גישה חלופית שמנתחת את התמונה כולה ולא רק חלקים ממנה. מודלי יסוד (Foundation Models) הם הדור החדש: מודלים ענקיים שאומנו על מיליונים עד מיליארדי תמונות ללא מטרה ספציפית, ואז ניתן לכוונן אותם (fine-tuning) למשימה מסוימת כמו זיהוי מלנומה עם מעט יחסית תמונות ייעודיות. ההבנה הבסיסית של המושגים האלו חיונית כדי להעריך בצורה ביקורתית מוצרי AI שמוצגים לדרמטולוגים.
בלמידה מונחית (Supervised Learning), כל תמונה באימון מלווה בתיוג שרופא נתן: מלנומה, קרצינומה בזאלית, נבוס שפיר וכדומה

המודל לומד את הקשר בין פיקסלים לתיוג

הדיוק תלוי באיכות התיוגים ובכמות הדוגמאות

בלמידה בלתי מונחית (Unsupervised Learning), אין תיוגים כלל

המודל מקבץ (Clustering) תמונות דומות יחד או מזהה דפוסים חריגים (Anomaly Detection)

שימוש שלישי, למידה חצי-מונחית (Semi-supervised), משלב כמות קטנה של תמונות מתויגות עם כמות גדולה של תמונות לא מתויגות

כל שיטה מתאימה למשימות שונות

Supervised LearningUnsupervised LearningתיוגיםClustering
רשת CNN עובדת כמו סדרה של מסננים שמעבירים על התמונה. השכבות הראשונות מזהות קצוות, צבעים ומרקמים בסיסיים. שכבות עמוקות יותר משלבות מאפיינים אלו למבנים מורכבים יותר כמו דפוסים של רשת פיגמנטרית או מבנים דרמוסקופיים

בשכבה האחרונה, הרשת מחליטה: מלנומה או שפיר. ארכיטקטורות נפוצות כוללות את ResNet, Inception ו-EfficientNet

היתרון: הרשת מחלצת מאפיינים בעצמה בלי שרופא צריך לתכנת כללים כמו "חפש אסימטריה"

החיסרון: לא תמיד ברור למה הרשת החליטה מה שהחליטה (בעיית ה-Black Box)

CNNDeep LearningBlack BoxFeature Extraction
ארכיטקטורת Transformer פותחה במקור לעיבוד שפה (כמו GPT), אבל הותאמה גם לתמונות (Vision Transformer)

בניגוד ל-CNN שסורקת חלקים קטנים, Transformer מנתחת קשרים בין כל חלקי התמונה בו זמנית, מה שמאפשר לה לתפוס הקשרים רחבים יותר

מודלי יסוד (Foundation Models) הם מודלים ענקיים שאומנו על מאגרים עצומים ללא משימה מוגדרת

לאחר אימון כללי, ניתן לכוונן אותם למשימה ספציפית (fine-tuning) כמו זיהוי מלנומה, עם כמות קטנה יחסית של תמונות דרמטולוגיות

היתרון הוא שהם מביאים ידע כללי רחב, אבל מודלים ספציפיים לדרמטולוגיה עדיין בשלבי פיתוח

TransformerFoundation ModelVision TransformerFine-tuning

✅ כלים מאושרי FDA

נכון ל-2026, מספר כלי AI קיבלו אישור או פטור (clearance) מה-FDA (Food and Drug Administration) לשימוש דרמטולוגי. DermaSensor הוא מכשיר פיזי שמשתמש בספקטרוסקופיה אלסטית (Elastic Scattering Spectroscopy) כדי לנתח נגע עור ולהעריך את הסיכון שהוא ממאיר. הוא לא מצלם תמונה אלא מודד איך אור מוחזר מהרקמה, ונותן תוצאה של "חקור עוד" או "סיכון נמוך". המכשיר 3Derm AI מנתח תמונות קליניות של נגעי עור ומסווג אותם באמצעות אלגוריתם למידה עמוקה, עם התמקדות בסרטן עור. Skinive היא אפליקציה שמאפשרת לצלם נגע עם הסמארטפון ולקבל הערכת סיכון ראשונית, ומיועדת בעיקר למסננת (triage) ולא לאבחון סופי. חשוב להבין שאישור FDA לא אומר שהכלי מחליף את הרופא. האישורים בדרך כלל מתירים שימוש ככלי עזר (Clinical Decision Support) ולא כאבחון עצמאי. בנוסף, כל כלי אושר על אוכלוסייה ספציפית ולא בהכרח מייצג את כל גווני העור או כל סוגי הנגעים.
DermaSensor משתמש בספקטרוסקופיה אלסטית (Elastic Scattering Spectroscopy) כדי לנתח את המבנה הסלולרי של נגע עור. המכשיר פולט אור ומודד את האופן שבו הוא מוחזר מהרקמה, מה שמספק מידע על גודל תאים, גרעינים ומבנה כלי דם. התוצאה היא הערכת סיכון שמכוונת את הרופא האם לבצע ביופסיה

יתרון: לא תלוי באיכות תמונה או במיומנות צילום

חיסרון: דורש מגע פיזי עם הנגע, לא עובד על נגעים תת-עוריים עמוקים, ואינו מחליף ביופסיה כשהתוצאה חשודה

FDA clearedספקטרוסקופיהtriageסרטן עור
3Derm AI הוא מערכת שמנתחת תמונות קליניות (לא דרמוסקופיות) באמצעות אלגוריתם Deep Learning. המערכת אומנה על עשרות אלפי תמונות ומסווגת נגעים לקטגוריות סיכון. אושרה על ידי ה-FDA ככלי עזר לרופאים ראשוניים ודרמטולוגים

יתרון: אינה דורשת ציוד מיוחד מעבר למצלמה

חיסרון: הביצועים תלויים באיכות הצילום, בתאורה ובגוון העור, וכמו כל כלי AI, אינה מחליפה שיקול דעת קליני

FDA clearedתמונות קליניותDeep Learningtriage
Skinive מאפשרת למשתמשים לצלם נגע עור עם הסמארטפון ולקבל הערכת סיכון מבוססת AI. האפליקציה מיועדת בעיקר למסננת (screening/triage) ולא לאבחון סופי. היא מכוונת משתמשים להיבדק אצל רופא כשהסיכון גבוה

יתרון: נגישות גבוהה, ניתן לשימוש בבית

חיסרון: תלויה באיכות מצלמת הסמארטפון ובתנאי תאורה, אינה מחליפה בדיקה קלינית, ויש חשש מהרגעת שווא כשהאפליקציה מסווגת נגע ממאיר כשפיר

אפליקציהscreeningסמארטפוןנגישות
אישור FDA לכלי AI רפואי מגיע בדרך כלל דרך מסלול 510(k) clearance או De Novo pathway, שדורשים הוכחת בטיחות ויעילות אבל לא בהכרח ניסוי קליני אקראי מבוקר (Randomized Controlled Trial)

רוב הכלים אושרו ככלי עזר (Clinical Decision Support) ולא ככלי אבחון עצמאי

זה אומר שהתוצאה של הכלי צריכה להיות חלק משיקול דעת קליני רחב יותר שכולל אנמנזה, בדיקה פיזית ואם צריך ביופסיה

חשוב לבדוק על אילו אוכלוסיות הכלי אושר ומהן המגבלות הרשומות

510(k)De NovoClinical Decision Supportרגולציה

🔬 AI בדרמוסקופיה

דרמוסקופיה היא אחד התחומים שבהם AI הראה את התוצאות המבטיחות ביותר. במחקרי השוואה שפורסמו בשנים האחרונות, אלגוריתמי AI הגיעו לרגישות (Sensitivity) של כ-90% לזיהוי מלנומה מתמונות דרמוסקופיות, ובחלק מהמחקרים אף עלו על ביצועי דרמטולוגים ממוצעים. מאגר ה-ISIC (International Skin Imaging Collaboration) הוא מאגר הנתונים הגדול ביותר שמשמש לאימון ובדיקה של מודלי AI לנגעי עור, עם מאות אלפי תמונות דרמוסקופיות מתויגות. עם זאת, יש פער משמעותי בין ביצועים במחקר לבין ביצועים בקליניקה. במחקרים, התמונות הן באיכות גבוהה, מנגעים ברורים, באוכלוסיות מוגדרות. במציאות, הרופא מתמודד עם תמונות בתנאי תאורה משתנים, נגעים בגדלים ובמיקומים שונים, ואוכלוסייה מגוונת שלא בהכרח דומה לזו שהמודל אומן עליה. הטיית Fitzpatrick היא בעיה מרכזית: רוב מאגרי הנתונים מכילים בעיקר תמונות של עור בהיר (Fitzpatrick I עד III), ולכן הביצועים על עור כהה (Fitzpatrick IV עד VI) נחותים משמעותית. סגוליות (Specificity) היא אתגר נוסף: הרבה כלים "מזהים" מלנומה עם רגישות גבוהה, אבל על חשבון סגוליות נמוכה שמובילה לביופסיות מיותרות.
מטה-אנליזות מצאו שאלגוריתמי AI מגיעים לרגישות של כ-87 עד 92% וסגוליות של כ-75 עד 83% לזיהוי מלנומה מתמונות דרמוסקופיות

ביצועים אלו דומים או קצת טובים מדרמטולוגים ממוצעים

אבל חשוב לזכור: במחקרים, ה-AI קיבל תמונות שנבחרו מראש, בלי הקשר קליני כמו אנמנזה, מיקום גיאוגרפי של הנגע או שינויים לאורך זמן

דרמטולוגים משתמשים במידע נוסף מעבר לתמונה, ולכן ההשוואה אינה שווה

מחקרי Reader Study הראו שהשילוב של AI עם דרמטולוג נותן תוצאות טובות יותר מכל אחד מהם בנפרד

רגישותסגוליותמטה-אנליזהReader Study
ISIC (International Skin Imaging Collaboration) הוא מאגר פתוח של מאות אלפי תמונות דרמוסקופיות מתויגות, ומשמש כסטנדרט לאימון ולהערכה של מודלי AI

תחרויות שנתיות (ISIC Challenge) מקדמות פיתוח אלגוריתמים

אבל המאגר סובל ממגבלות: ייצוג יתר של נגעים מלנוציטריים על חשבון נגעים לא מלנוציטריים, ייצוג חסר של גווני עור כהים, ותיוגים שלפעמים מבוססים על הערכה קלינית ולא על פתולוגיה

מודל שמצליח בתחרות ISIC לא בהכרח יצליח באותה מידה באוכלוסייה אמיתית ומגוונת

ISICמאגר נתוניםתיוגיםייצוג חסר
סולם Fitzpatrick (I עד VI) מסווג את סוג העור לפי תגובתו לקרינת שמש

רוב מאגרי התמונות הדרמוסקופיות מכילים בעיקר תמונות של Fitzpatrick I עד III (עור בהיר)

כתוצאה מכך, אלגוריתמי AI שאומנו על מאגרים אלו מראים ביצועים טובים פחות על עור כהה (Fitzpatrick IV עד VI)

זו בעיה קלינית חמורה כי מלנומה אקרלית (Acral Melanoma), שהיא שכיחה יותר באוכלוסיות עם עור כהה, מתאפיינת ממילא באיחור באבחון

שימוש בכלי AI עם הטיה כזו עלול להחמיר את הפער

Fitzpatrickעור כהההטיהAcral Melanoma

📱 אפליקציות סלולריות

יותר ממאה אפליקציות סלולריות מציעות הערכה של נגעי עור באמצעות AI, אבל רק מעט מהן עברו בדיקה מדעית רצינית. חלק מהאפליקציות מבוססות על אלגוריתמי למידה עמוקה שאומנו על מאגרי תמונות מוכרים, בעוד אחרות משתמשות בשיטות פשוטות יותר ואפילו שולחות את התמונה לרופא אנושי ברקע. הסכנה המרכזית באפליקציות ללא אישור רגולטורי היא הרגעת שווא (False Reassurance): משתמש מצלם נגע חשוד, מקבל הודעה שהכל בסדר, ולא פונה לרופא. מחקרים שבדקו אפליקציות מסחריות מצאו שחלקן מפספסות עד 30% ממקרי המלנומה. מצד שני, אפליקציות שעברו ולידציה (validation) קלינית יכולות לשמש ככלי מסננת (screening tool) יעיל, במיוחד באזורים שבהם הגישה לדרמטולוג מוגבלת. להעריך אפליקציה בצורה נכונה צריך לבדוק: האם פורסמו מחקרים בכתבי עת שפיטים (peer-reviewed journals)? האם יש אישור רגולטורי? על אילו אוכלוסיות היא נבדקה? ומהו שיעור הטעות? לא כל מה שזמין בחנות האפליקציות בטוח לשימוש קליני.
False Reassurance קורה כשאפליקציה מסווגת נגע ממאיר כשפיר

המשתמש סומך על התוצאה ולא פונה לרופא, מה שמוביל לעיכוב באבחון ולפגיעה בפרוגנוזה

מחקרים שפורסמו ב-BMJ ו-JAMA Dermatology מצאו שאפליקציות מסחריות ללא אישור רגולטורי פיספסו 20 עד 30% ממקרי המלנומה

במקרים מסוימים, נגעים ממאירים סווגו ברמת סיכון "נמוכה"

ההשלכות המשפטיות של הרגעת שווא מאפליקציה הן עדיין תחום אפור שלא הוכרע

False Reassuranceעיכוב אבחוןמלנומהסיכון
אפליקציות AI יכולות להיות שימושיות בכמה תרחישים: מסננת ראשונית (triage) לפני פנייה לדרמטולוג, במיוחד באזורים כפריים או מדינות עם מחסור בדרמטולוגים

מעקב אחרי נגעים קיימים על ידי צילום תקופתי והשוואה אוטומטית

חינוך מטופלים והגברת מודעות לבדיקת עור עצמית

כלי עזר לרופאים ראשוניים שצריכים להחליט אם להפנות לדרמטולוג

בכל המקרים האלו, האפליקציה משמשת כשכבה נוספת של מידע ולא כתחליף לבדיקה קלינית

triageטלה-דרמטולוגיהמעקבנגישות
לפני שממליצים למטופל או משתמשים בעצמכם באפליקציית AI, בדקו חמישה דברים: (1) אישור רגולטורי, האם האפליקציה קיבלה אישור FDA, סימון CE או רגולציה מקבילה? (2) עדויות מדעיות, האם פורסמו מחקרי ולידציה בכתבי עת שפיטים? (3) מאגר אימון, על כמה תמונות ומאילו אוכלוסיות אומן המודל? (4) ביצועים מדווחים, מהם שיעורי הרגישות, הסגוליות וה-AUC (Area Under the Curve)? (5) שקיפות, האם החברה מפרסמת מידע על המגבלות ושיעורי הטעות?
ולידציהאישור רגולטוריAUCשקיפות

⚠️ הטיות (Bias)

הטיות (Bias) הן אולי האתגר הגדול ביותר של AI בדרמטולוגיה, וההשלכות שלהן קליניות ולא רק תיאורטיות. הטיית מאגר נתונים (Dataset Bias) מתרחשת כשהנתונים שהמודל אומן עליהם לא מייצגים את האוכלוסייה הכללית. בדרמטולוגיה, המשמעות היא ייצוג חסר של גווני עור כהים: מחקרים הראו שפחות מ-5% מהתמונות במאגרי נתונים גדולים הם של עור Fitzpatrick IV עד VI. הטיה אלגוריתמית (Algorithmic Bias) היא תוצאה ישירה: מודל שלמד בעיקר מתמונות של עור בהיר לא יזהה ביעילות נגעים חשודים על עור כהה. זה לא רק עניין טכני, זו בעיה של צדק בריאותי (Health Equity). אוכלוסיות עם עור כהה כבר סובלות מאיחור באבחון של מלנומה ומפרוגנוזה גרועה יותר, ושימוש בכלי AI מוטה עלול להחמיר את הפער הזה. מעבר לגוון עור, יש הטיות נוספות: ייצוג חסר של נגעים באזורים אנטומיים מסוימים, ייצוג חסר של ילדים וקשישים, והטיה לכיוון אבחנות שכיחות על חשבון נדירות. Algorithmic Fairness, כלומר הוגנות אלגוריתמית, היא תחום מחקר שמנסה לפתח שיטות להבטיח שמודלי AI יעבדו באופן שווה על כל האוכלוסיות.
ניתוח של מאגרי נתונים מרכזיים לדרמטולוגיה (כולל ISIC, HAM10000, PH2) מצא שהרוב המכריע של התמונות הן של עור בהיר, Fitzpatrick I עד III

עור כהה מיוצג באחוזים בודדים

בנוסף, יש ייצוג יתר של נגעים מלנוציטריים ומלנומה, וייצוג חסר של קרצינומות תאי קשקש (Squamous Cell Carcinoma) ונגעים שכיחים אחרים

גם מבחינה גיאוגרפית, רוב הנתונים מגיעים ממרכזים רפואיים באירופה, אוסטרליה וצפון אמריקה

מודל שאומן על נתונים מוטים ייצר תוצאות מוטות

Dataset BiasFitzpatrickISICייצוג חסר
מחקרים שבדקו ביצועי אלגוריתמי AI על עור כהה מצאו ירידה משמעותית ברגישות ובסגוליות בהשוואה לעור בהיר

לדוגמה, אלגוריתמים שהגיעו לרגישות של 90% על עור בהיר הראו רגישות של 70 עד 75% בלבד על עור כהה

בהקשר של מלנומה, שבה אבחון מוקדם קריטי להישרדות, הפער הזה עלול לעלות בחיים

מלנומה אקרלית (Acral Melanoma), שמופיעה בכפות ידיים ורגליים ושכיחה יותר באוכלוסיות עם עור כהה, מיוצגת באופן מינימלי במאגרי אימון

רגישותעור כההAcral Melanomaצדק בריאותי
Algorithmic Fairness כוללת כמה גישות: (1) Data-level: איסוף מכוון של תמונות מאוכלוסיות חסרות ייצוג, שימוש בטכניקות Augmentation או תמונות סינתטיות. (2) Algorithm-level: שינוי פונקציית ההפסד (Loss Function) כדי להעניש את המודל יותר על טעויות באוכלוסיות מיעוט. (3) Post-processing: התאמת סף ההחלטה (Threshold) לפי תת-קבוצות אוכלוסייה. (4) דיווח מפורט: פרסום ביצועים בחלוקה לפי Fitzpatrick, גיל ומין, ולא רק ביצועים ממוצעים. מאגרים חדשים כמו Diverse Dermatology Images מנסים לצמצם את הפער.
FairnessAugmentationLoss Functionדיווח מפורט

⚖️ רגולציה ואתיקה

המסגרת הרגולטורית לכלי AI רפואיים עדיין בהתפתחות, אבל כמה צעדים משמעותיים כבר נעשו. ה-EU AI Act שאושר ב-2024 מסווג כלי AI רפואיים כ"סיכון גבוה" (High Risk), מה שמחייב עמידה בדרישות קפדניות של שקיפות, ניהול סיכונים, מעקב אחרי ביצועים לאחר שיווק (Post-market Surveillance), ותיעוד מפורט של נתוני האימון. בארצות הברית, ה-FDA מפקח על כלי AI דרך מסלול ה-SaMD (Software as a Medical Device), שמחלק כלים לפי רמת סיכון. אישור 510(k) מתאים לכלים בסיכון בינוני שדומים למכשיר קיים, בעוד מסלול De Novo מיועד לכלים חדשניים ללא תקדים. שאלת האחריות המשפטית (Liability) היא אחת הסבוכות ביותר: אם כלי AI גורם לפספוס אבחנה, מי אחראי? הרופא שהשתמש בכלי, החברה שפיתחה אותו, או המאגר שעליו הכלי אומן? שאלות אתיות נוספות כוללות הסכמה מדעת (Informed Consent) לשימוש ב-AI, פרטיות נתוני מטופלים, ושקיפות כלפי המטופל. האם המטופל צריך לדעת ש-AI משתתף בהחלטה הקלינית לגביו?
ה-EU AI Act שנכנס לתוקף ב-2024 מגדיר AI רפואי כ-High Risk ומחייב: תיעוד מפורט של מאגרי אימון כולל מקורות ותיוגים, ניהול סיכונים מתועד, מעקב אחרי ביצועים לאחר שיווק (Post-market Surveillance), ייצוג אנושי בהחלטות קריטיות (Human Oversight), ושקיפות כלפי המשתמשים לגבי יכולות ומגבלות

הפרה של הדרישות עלולה לגרור קנסות גבוהים

לדרמטולוגים בישראל ובאירופה, הרגולציה משמעותית כי כלים שלא עומדים בדרישות לא יוכלו להימכר בשוק האירופי

EU AI ActHigh RiskPost-market Surveillanceשקיפות
ה-FDA מסווג תוכנה רפואית לפי רמת סיכון: Class I (סיכון נמוך, פטור), Class II (סיכון בינוני, מסלול 510(k)), ו-Class III (סיכון גבוה, מסלול PMA)

רוב כלי ה-AI לדרמטולוגיה עברו מסלול 510(k) או De Novo

אתגר ייחודי ל-AI: מודלים שמתעדכנים עם נתונים חדשים (Continuously Learning) מחייבים גישה רגולטורית חדשה, כי הכלי שאושר משתנה עם הזמן

ה-FDA מפתח מסגרת של Predetermined Change Control Plan שמאפשרת לתכנן מראש סוגי שינויים מותרים ללא אישור מחדש

510(k)De NovoContinuously LearningSaMD
אם כלי AI גרם לפספוס אבחנה, האחריות המשפטית יכולה ליפול על כמה גורמים: הרופא שהסתמך על הכלי ללא שיקול דעת עצמאי, היצרן שפיתח את האלגוריתם, או המוסד שעליו אומן המודל ואולי סיפק נתונים מוטים

כרגע, הגישה המשפטית הרווחת מטילה אחריות על הרופא כי הכלי מוגדר כ-"עזר" ולא כ-"מאבחן"

אבל ככל שכלים יהפכו ליותר אוטונומיים, השאלה תתחדד

לדרמטולוגים מומלץ לתעד שהם בחנו את תוצאת ה-AI בצורה עצמאית, ושה-AI היה רק חלק אחד מתהליך ההחלטה

Liabilityאחריות רופאאחריות יצרןתיעוד
שאלת ההסכמה מדעת (Informed Consent) לשימוש ב-AI מעלה דילמות חדשות

רוב הגופים הרגולטוריים דורשים שקיפות כלפי המטופל, אבל עדיין לא ברור מה בדיוק צריך לגלות: שכלי AI נמצא בשימוש? את שיעורי הטעות שלו? את מגבלותיו על גוון העור הספציפי של המטופל? בנוסף, פרטיות נתוני מטופלים היא סוגייה רגישה: תמונות עור שנשלחות לשרתי ענן לניתוח AI עלולות להכיל מידע מזהה

כלים שפועלים מקומית על המכשיר (On-device Processing) מציעים פתרון חלקי, אבל לעתים על חשבון דיוק

Informed ConsentפרטיותOn-deviceשקיפות

📋 Checklist מעשי: 7 שאלות לפני שימוש בכלי AI

לפני שמאמצים כלי AI בפרקטיקה הדרמטולוגית, צריך לשאול שבע שאלות מעשיות. ראשית: על אילו אוכלוסיות הכלי אומן ונבדק? מודל שאומן רק על עור בהיר לא מתאים לאוכלוסייה מגוונת. שנית: מהם שיעורי הרגישות והסגוליות בחלוקה לפי גוון עור, גיל ואזור אנטומי? ביצועים ממוצעים יכולים להסתיר פערים משמעותיים. שלישית: האם יש אישור רגולטורי (FDA clearance, סימון CE, או רגולציה מקומית)? אפליקציה בחנות ללא אישור היא לא כלי רפואי. רביעית: מי נושא באחריות המשפטית כשהכלי טועה? חשוב להבין את מבנה האחריות לפני שמסתמכים על כלי כלשהו. חמישית: מה קורה כשהכלי אומר "לא יודע" או שהתמונה לא מספיק טובה? כלי טוב מכיר במגבלותיו ולא נותן תשובה על כל מה שמזינים לו. שישית: כיצד נתוני המטופל מאוחסנים ומעובדים? שאלת הפרטיות היא קריטית, במיוחד אם התמונות נשלחות לשרתים חיצוניים. ושביעית: האם הכלי משפר את תהליך העבודה או מכביד עליו? כלי AI שלוקח יותר זמן מהתהליך הרגיל לא ישתלב בקליניקה.
(1) אוכלוסיית אימון: בקשו מהיצרן פירוט של הרכב מאגר האימון לפי Fitzpatrick, גיל, מין ואזור גיאוגרפי

אם אין שקיפות, זה סימן מדאיג. (2) ביצועים מפורטים: דרשו רגישות וסגוליות בחלוקה לפי תת-קבוצות, לא רק ממוצע כולל

AUC (Area Under the Curve) כולל אינו מספיק. (3) סטטוס רגולטורי: בדקו במאגר ה-FDA (510(k) database) או במאגר ה-CE האירופי

אל תסתמכו על הצהרת היצרן בלבד

אוכלוסיית אימוןביצועיםרגולציהAUC
(4) אחריות משפטית: בדקו בתנאי השימוש מי נושא באחריות

אם הכלי מוגדר רק כ-"מידע" ולא כ-"ייעוץ רפואי", האחריות נופלת עליכם

תעדו שהשתמשתם בכלי כחלק מתהליך ולא כתחליף. (5) ניהול אי ודאות: כלי AI טוב יציג רמת ביטחון (Confidence Score) ויסרב לתת תוצאה כשהתמונה לא מספיק טובה או כשהמקרה מחוץ לתחום שלו

כלי שנותן תשובה "בטוחה" על כל תמונה הוא חשוד

אחריותConfidence Scoreתיעודאי ודאות
(6) פרטיות: בררו אם התמונות מעובדות מקומית (On-device) או נשלחות לשרת חיצוני

אם נשלחות, בדקו אם יש הצפנה, עמידה ב-HIPAA או GDPR, ומה קורה עם הנתונים אחרי הניתוח

האם התמונות משמשות לאימון עתידי? (7) השתלבות בתהליך: נסו את הכלי בסביבה מבוקרת לפני שמכניסים אותו לשגרה

מדדו כמה זמן הוא מוסיף או חוסך

כלי שדורש חמש דקות נוספות לכל מטופל לא ישרוד בקליניקה עמוסה

HIPAAGDPROn-deviceתהליך עבודה
🔑

שורה תחתונה

בינה מלאכותית בדרמטולוגיה כבר לא עניין של עתיד, אלא של הווה, אבל הווה שדורש זהירות ושיקול דעת. כלים מאושרי FDA קיימים ויכולים לסייע בהחלטות קליניות, אבל הם לא מחליפים את הדרמטולוג. ההטיות במאגרי הנתונים, במיוחד ייצוג חסר של עור כהה, הן בעיה אמיתית שמשפיעה על חולים אמיתיים. כל דרמטולוג שמשתמש בכלי AI חייב להבין את המגבלות, לתעד את השימוש, ולהפעיל שיקול דעת קליני עצמאי. הרגולציה מתפתחת, אבל אנחנו עדיין בתחילת הדרך.

הכיוון הבא כולל מודלי יסוד (Foundation Models) שאומנו על מיליוני תמונות דרמטולוגיות ומאפשרים כיוונון מהיר למשימות ספציפיות, מאגרי נתונים מגוונים יותר שמייצגים את כל גווני העור, שילוב AI עם דרמוסקופיה דיגיטלית לניטור אוטומטי של נגעים לאורך זמן, ורגולציה ברורה יותר שתגן על מטופלים ותאפשר חדשנות. השאלה המרכזית היא לא האם AI ישולב בדרמטולוגיה, אלא איך לעשות את זה בצורה בטוחה, הוגנת ואפקטיבית.

📋 פרטי מקור ומחבר

מאת: ד"ר יהונתן קפלן

מומחה ברפואת עור ומין | מנתח מוז (FACMS)

📅 פורסם: 22.3.2026🔄 עודכן: 26.3.2026

מבוסס על:

Artificial Intelligence in Dermatology - JAAD CME 2026 (Parts I & II)

Schlessinger D et al. (Part I); Dovigi E et al. (Part II)

Journal of the American Academy of Dermatology, 2026

DOI: 10.1016/j.jaad.2024.09.090PMID: 40090589

הערת עריכה: תוכן זה נכתב ונערך על ידי ד"ר יהונתן קפלן ומבוסס על המאמר המקורי.

אין להסתמך על תוכן זה ללא קריאת המקור המלא.