Forskare vid University of Michigan har utvecklat ett AI-system kallat Prima som tolkar hjärn-MR-skanningar på sekunder och identifierar neurologiska tillstånd med upp till 97,5 procents träffsäkerhet. Verktyget markerar också akuta fall som stroke och hjärnblödningar, vilket potentiellt kan påskynda medicinska insatser. Studiens resultat publiceras i Nature Biomedical Engineering.
Ett team ledd av neurokirurgen Todd Hollon vid University of Michigan har introducerat Prima, en vision-språkmodell utformad för att bearbeta hjärn-MR-skanningar tillsammans med patienthistorik. Tränad på över 200 000 MR-studier och 5,6 miljoner bildsekvenser från University of Michigan Health integrerar Prima kliniska data för att diagnostisera mer än 50 neurologiska sjukdomar. Under en ettårsperiod utvärderades systemet på mer än 30 000 MR-studier och överträffade andra avancerade AI-modeller i diagnostisk noggrannhet. Det identifierar inte bara tillstånd utan prioriterar också fall som kräver omedelbar uppmärksamhet, såsom stroke, genom att varna relevanta specialister som stroke-neurologer eller neurokirurger direkt efter bildtagning. «Med den globala ökningen av MR-behov som lägger stor press på våra läkare och hälso- och sjukvårdssystem har vår AI-modell potential att minska bördan genom att förbättra diagnos och behandling med snabb, korrekt information», säger Hollon. Yiwei Lyu, medförfattare och postdoc i datavetenskap och ingenjörsvetenskap, betonade balansen mellan hastighet och precision: «Noggrannhet är avgörande vid tolkning av hjärn-MR, men snabba svarstider är kritiska för timely diagnos och bättre utfall. Vid nyckelsteg i processen visar våra resultat hur Prima kan förbättra arbetsflöden och förenkla klinisk vård utan att offra noggrannhet.» Till skillnad från tidigare AI-verktyg begränsade till specifika uppgifter hanterar Prima ett brett spektrum av förutsägelser genom att efterlikna radiologers metoder. Dataforskaren Samir Harake noterade: «Prima fungerar som en radiolog genom att integrera patientens medicinska historik och bilddata för en heltäckande förståelse av deras hälsa. Detta ger bättre prestanda över ett brett spektrum av prediktiva uppgifter.» Avdelningschef för radiologi Vikas Gulani framhöll dess relevans mitt i växande MR-efterfrågan och brist: «Oavsett om du gör en skanning vid ett stort hälsosystem med ökande volym eller ett landsbygdssjukhus med begränsade resurser behövs innovativa teknologier för att förbättra tillgången till radiologitjänster.» Forskare planerar att förstärka Prima med mer data från elektroniska patientjournaler och anpassa den för andra bildtyper som mammografi och röntgen. Hollon beskrev den som «ChatGPT för medicinsk bildbehandling», och positionerade den som ett stödverktyg för kliniker.
