אחד האתגרים הגדולים בגילוי מוקדם של סרטן הפה אינו עוד עצם הזיהוי של נגע חשוד, אלא השאלה הקשה יותר: איזה נגע אכן עתיד להפוך לממאיר? הפרעות רירית בעלות פוטנציאל ממאיר, המכונות OPMDs ‏(Oral Potentially Malignant Disorders), כוללות קבוצה הטרוגנית של נגעים ומצבים שבהם הסיכון להתפתחות קרצינומה של תאי קשקש בחלל הפה, OSCC ‏(Oral Squamous Cell Carcinoma), גבוה מהרגיל. אלא שהסיכון משתנה מאוד בין חולה לחולה ובין נגע לנגע, ולעיתים ההתמרה מתרחשת גם לאחר שנים של יציבות קלינית.

לויקופלקיה היא ההפרעה בעלת הפוטנציאל הממאיר השכיחה והנחקרת ביותר, אך עצם האבחנה אינה מאפשרת לנבא את גורלו של הנגע. מטא־אנליזה מקיפה שפורסמה ב־2025 וכללה 55 מחקרים ו־41,231 מטופלים מצאה שיעור התמרה ממאירה כולל של 6.64%. הסיכון היה גבוה במיוחד בנגעים לא־הומוגניים, בנגעים גדולים, בנגעים הממוקמים בגבול הצדי של הלשון ובנוכחות דיספלזיה אפיתליאלית (1). נתונים אלה ממחישים מדוע ההגדרה „נגע טרום־ממאיר” לבדה אינה מספיקה לקבלת החלטות קליניות.

הכלי המרכזי להערכת הסיכון נותר כיום הבדיקה ההיסטופתולוגית, ובעיקר דרגת הדיספלזיה האפיתליאלית. דיספלזיה אכן מעלה את הסיכון להתמרה; במטא־אנליזה הגדולה נמצא סיכון יחסי של 2.75 בנגעים שבהם הייתה דיספלזיה לעומת נגעים ללא דיספלזיה (1). עם זאת, יכולת הניבוי של הדירוג ההיסטולוגי מוגבלת. קיימת שונות בין פתולוגים בדירוג אותו נגע, וחלק מהנגעים עם דיספלזיה קלה מתקדמים לממאירות, בעוד נגעים עם שינויים היסטולוגיים משמעותיים עשויים להישאר יציבים. מכאן נולד אחד מכיווני המחקר החשובים של השנים האחרונות: מעבר מתיאור מורפולוגי של הרקמה למדידה של הביולוגיה המולקולרית שלה.

אחד הסמנים המבטיחים בתחום הוא מדידת תכולת הדנ״א בתאים, DNA ploidy. מצב של aneuploidy, כלומר מספר בלתי תקין של כרומוזומים או כמות בלתי תקינה של דנ״א, משקף אי־יציבות גנומית – מאפיין מרכזי בהתפתחות ממאירות. סקירה שיטתית ומטא־אנליזה שפורסמה ב־2025 וכללה 12 מחקרים ו־1,374 מטופלים מצאה כי לויקופלקיה אנאופלואידית הייתה קשורה לסיכון גבוה פי 14.1 להתמרה ממאירה בהשוואה לנגעים דיפלואידיים (2). המחברים אף הציעו לשלב בין מדידת ploidy לבין דרגת הדיספלזיה: נגע דיפלואידי עם דיספלזיה קלה או בינונית יסווג בסיכון נמוך יותר, בעוד נגע עם דיספלזיה קשה או נגע אנאופלואידי ייחשב לבעל סיכון גבוה.

התוצאות הללו מעניינות משום שהן מצביעות על אפשרות להוסיף למדידה הסובייקטיבית יחסית של המראה ההיסטולוגי מדד ביולוגי כמותי. עם זאת, בדיקת DNA ploidy עדיין אינה בדיקה שגרתית להערכת נגעים בעלי פוטנציאל ממאיר, והמחקרים משתמשים בשיטות שונות, ובהן flow cytometry ו־DNA image cytometry ‏(2). לפני אימוץ רחב יהיה צורך בסטנדרטיזציה ובאימות פרוספקטיבי.

במקביל נבדקים סמנים מולקולריים רבים נוספים הקשורים לבקרת מחזור התא, שגשוג תאים, אפופטוזיס ואי־יציבות גנומית. הבעיה היא שריבוי הסמנים הביולוגיים המבטיחים לא הוביל עדיין לסמן יחיד בעל רגישות, סגוליות ושחזור המספיקים לקבלת החלטה קלינית. נראה אפוא שהעתיד אינו נמצא ב״סמן מנצח״ אחד, אלא בשילוב מספר מאפיינים ביולוגיים וקליניים לכדי פרופיל סיכון אישי.

כאן נכנסת הבינה המלאכותית. למידת מכונה מאפשרת להזין למודל בו־זמנית נתונים כגון גיל ומין, מיקום וגודל הנגע, הרגלי עישון ואלכוהול, סוג הנגע, דרגת הדיספלזיה ומאפיינים היסטולוגיים ומולקולריים, ולנסות לחשב עבור החולה הבודד את ההסתברות להתמרה ממאירה.

מחקר רב־מרכזי שפורסם ב־2025 בחן 1,094 חולים עם נגעים בעלי פוטנציאל ממאיר משלושה מוסדות, על בסיס נתונים שנאספו בשנים 2004–2023. החוקרים השוו מודלים סטטיסטיים מסורתיים למספר מודלים של למידת מכונה ופיתחו רשת עצבית מלאכותית המבוססת על מנגנון Self-Attention ‏(SANN). המודל החדש השיג ערך AUC של 0.9877, כאשר הרגישות, הסגוליות והדיוק היו מעל 96%. לשם השוואה, מודל Cox proportional hazards השיג ערכי AUC של 0.880–0.902 ‏(3).

אלה ביצועים מרשימים מאוד, אך חשוב לפרשם בזהירות. הצלחה של אלגוריתם באוכלוסיית מחקר אינה מבטיחה ביצועים דומים כאשר הוא מועבר למרפאות אחרות, לאוכלוסיות שונות ולמערכות איסוף נתונים שונות. לפני שמודל כזה יוכל להשפיע על החלטות טיפוליות נדרש אימות חיצוני רחב ובעיקר מחקרים פרוספקטיביים.

כיוון חדש במיוחד הוא פתולוגיה חישובית, computational pathomics – שימוש באלגוריתמים לניתוח שקופיות היסטופתולוגיות דיגיטליות. במקום שהפתולוג יעריך רק מספר מאפיינים מורפולוגיים מוכרים, המחשב יכול לכמת מאות תכונות של גרעיני התאים, ארכיטקטורת האפיתל, היחסים בין התאים וסביבת הרקמה. סקירה שפורסמה ב־2026 בחנה את השימוש בבינה מלאכותית מבוססת תמונה לחיזוי ההתמרה של נגעים בעלי פוטנציאל ממאיר ומצאה ביצועים מבטיחים של computational pathomics, למידה עמוקה של תצלומים קליניים וניתוח תמונות אופטיות וספקטרוסקופיות (4).

עם זאת, אותה סקירה ממחישה גם את המרחק שבין מחקר מבטיח ליישום קליני. מרבית המחקרים בתחום עדיין רטרוספקטיביים, חלקם מבוססים על מאגרי תמונות קטנים והטרוגניים ורק מיעוט עבר אימות חיצוני. בעיה נוספת היא יכולת ההסבר של המערכת: כאשר אלגוריתם מגדיר נגע כבעל סיכון גבוה, הרופא והפתולוג צריכים להבין במידה מספקת אילו מאפיינים הובילו להחלטה זו, במיוחד כאשר לתוצאה עשויות להיות השלכות של ביופסיות חוזרות, כריתה או מעקב אינטנסיבי.

השינוי המעניין ביותר הוא אפוא תפיסתי. השאלה אינה עוד רק האם קיימת דיספלזיה, אלא מהו פרופיל הסיכון הביולוגי של הנגע. סביר שמערכת החיזוי העתידית לא תתבסס על בדיקה יחידה. היא עשויה לשלב מאפיינים קליניים והיסטולוגיים עם DNA ploidy, שינויים גנומיים ונתונים מולקולריים נוספים, כאשר הבינה המלאכותית תחבר ביניהם לציון סיכון אישי.

לרופא השיניים עשויה להיות לכך משמעות מעשית רבה. במקום מעקב דומה אחר קבוצה גדולה והטרוגנית של נגעים בעלי פוטנציאל ממאיר, ניתן יהיה אולי להבחין בין נגע בעל הסתברות נמוכה להתמרה, המתאים למעקב, לבין נגע בעל חתימה ביולוגית בסיכון גבוה המצדיק מעקב תכוף יותר, ביופסיות חוזרות או התערבות מוקדמת.

נכון ל־2026 עדיין אין מודל כזה שיכול להחליף את השיקול הקליני וההיסטופתולוגיה. אולם כיוון ההתפתחות ברור: הגילוי המוקדם של סרטן הפה עובר בהדרגה מחיפוש אחר סרטן שכבר נוצר לניסיון לזהות את הנגע שעתיד להפוך לסרטן עוד לפני שעשה זאת. אם DNA ploidy, פתולוגיה דיגיטלית ומודלים רב־משתניים מבוססי בינה מלאכותית יאומתו במחקרים פרוספקטיביים גדולים, המעבר מחיזוי המבוסס בעיקר על מורפולוגיה לחיזוי סיכון אישי עשוי להיות אחד השינויים המשמעותיים בתחום בשנים הקרובות.

ספרות

  1. Pimenta-Barros LA, Ramos-García P, González-Moles MA, Aguirre-Urizar JM, Warnakulasuriya S. Malignant transformation of oral leukoplakia: systematic review and comprehensive meta-analysis. Oral Dis. 2025;31(1):69-80. doi:10.1111/odi.15140.
  2. Thakkar N, Mane DR, Angadi PV. DNA ploidy status as a predictor for malignant transformation in oral leukoplakia: a systematic review and meta-analysis. Oral Surg Oral Med Oral Pathol Oral Radiol. 2025;139(6):700-708. doi:10.1016/j.oooo.2024.12.025.
  3. Li JW, Zhang MJ, Zhou YF, Adeoye J, Pu JYJ, Thomson P, et al. Enhancing malignant transformation predictions in oral potentially malignant disorders: a novel machine learning framework using real-world data. iScience. 2025;28(3):112062. doi:10.1016/j.isci.2025.112062.
  4. Kolarkodi SH, Alotaiby F, Almutairy MF, Mohsin SF, Shaikh SS, Awinashe MV, et al. Image-based artificial intelligence for predicting malignant transformation of oral potentially malignant disorders: a scoping review. J Clin Med. 2026;15(14):5623. doi:10.3390/jcm15145623.