IA lê ressonâncias magnéticas cerebrais em segundos e sinaliza emergências

Os pesquisadores dizem que esta tecnologia inédita tem o potencial de remodelar a forma como as imagens cerebrais são tratadas nos sistemas de saúde nos Estados Unidos. As descobertas foram publicadas em Engenharia Biomédica da Natureza.

“À medida que a procura global por ressonância magnética aumenta e coloca uma pressão significativa nos nossos médicos e sistemas de saúde, o nosso modelo de IA tem potencial para reduzir a carga, melhorando o diagnóstico e o tratamento com informações rápidas e precisas”, disse o autor sénior Todd Hollon, MD, neurocirurgião da Universidade de Michigan Health e professor assistente de neurocirurgia na UM Medical School.

Testando o sistema Prima AI

Hollon chamou a nova tecnologia de Prima. Durante o período de um ano, sua equipe de pesquisa avaliou o sistema usando mais de 30.000 estudos de ressonância magnética.

Em mais de 50 diagnósticos radiológicos diferentes envolvendo distúrbios neurológicos importantes, o Prima apresentou desempenho diagnóstico mais forte do que outros modelos avançados de IA. Além de identificar doenças, o sistema também se mostrou capaz de determinar quais casos exigiam maior prioridade.

Certas condições neurológicas, incluindo acidentes vasculares cerebrais e hemorragias cerebrais, exigem atenção médica imediata. Hollon disse que nestas situações, Prima pode alertar automaticamente os prestadores de cuidados de saúde para que medidas possam ser tomadas rapidamente.

O sistema foi projetado para notificar o subespecialista mais adequado, como um neurologista ou neurocirurgião de AVC. O feedback fica disponível imediatamente após o paciente concluir a imagem.

“A precisão é fundamental na leitura de uma ressonância magnética cerebral, mas tempos de resposta rápidos são críticos para um diagnóstico oportuno e melhores resultados”, disse Yiwei Lyu, MS, coautor e pós-doutorado em Ciência da Computação e Engenharia na UM.

“Nas principais etapas do processo, nossos resultados mostram como a Prima pode melhorar os fluxos de trabalho e agilizar o atendimento clínico sem abandonar a precisão.”

O que é Prima?

Prima é classificado como um modelo de linguagem de visão (VLM), um tipo de inteligência artificial que pode processar imagens, vídeo e texto juntos em tempo real. Embora a inteligência artificial já tenha sido aplicada à análise de ressonância magnética antes, os pesquisadores dizem que a Prima adota uma abordagem diferente.

Os modelos anteriores eram normalmente treinados em subconjuntos cuidadosamente selecionados de dados de ressonância magnética e projetados para realizar tarefas restritas, como identificar lesões ou estimar o risco de demência. Prima foi treinado em um conjunto de dados muito mais amplo.

A equipe de Hollon usou todas as ressonâncias magnéticas disponíveis coletadas desde que os registros radiológicos foram digitalizados na Universidade de Michigan Health. Isso incluiu mais de 200 mil estudos de ressonância magnética e 5,6 milhões de sequências de imagens. O modelo também incorporou os históricos clínicos dos pacientes e os motivos pelos quais os médicos solicitaram cada estudo de imagem.

“Prima trabalha como um radiologista, integrando informações sobre o histórico médico do paciente e dados de imagem para produzir uma compreensão abrangente de sua saúde”, disse o coautor Samir Harake, cientista de dados do Laboratório de Aprendizado de Máquina em Neurocirurgia de Hollon.

“Isso permite melhor desempenho em uma ampla gama de tarefas de previsão.”

Lidando com atrasos na ressonância magnética e escassez de radiologia

Todos os anos, milhões de exames de ressonância magnética são realizados em todo o mundo, muitos deles focados em doenças neurológicas. Os investigadores dizem que a procura por estes exames está a crescer mais rapidamente do que a disponibilidade de serviços de neurorradiologia.

Este desequilíbrio contribuiu para a escassez de pessoal, atrasos no diagnóstico e erros. Dependendo de onde o paciente recebe o exame, os resultados podem levar dias ou até mais para retornar.

“Quer você esteja recebendo um exame em um sistema de saúde maior que enfrenta um volume crescente ou em um hospital rural com recursos limitados, são necessárias tecnologias inovadoras para melhorar o acesso aos serviços de radiologia”, disse Vikas Gulani, MD Ph.D., coautor e presidente do Departamento de Radiologia da UM Health.

“Nossas equipes da Universidade de Michigan colaboraram para desenvolver uma solução de ponta para este problema com um potencial tremendo e escalável”.

O futuro da IA ​​em imagens médicas

Embora o Prima tenha tido um bom desempenho, os pesquisadores enfatizam que o trabalho ainda está em fase inicial de avaliação. Pesquisas futuras se concentrarão na incorporação de informações mais detalhadas do paciente e de dados de registros médicos eletrônicos para melhorar ainda mais a precisão do diagnóstico.

Essa abordagem reflete como radiologistas e médicos interpretam ressonâncias magnéticas e outros estudos de imagem em ambientes clínicos reais. Embora a inteligência artificial já seja utilizada nos cuidados de saúde, a maioria dos sistemas existentes está limitada a tarefas estritamente definidas.

Hollon descreve Prima como “ChatGPT para imagens médicas”, observando que tecnologia semelhante poderia eventualmente ser adaptada para outros tipos de imagens, incluindo mamografias, radiografias de tórax e ultrassonografias.

“Assim como as ferramentas de IA podem ajudar a redigir um e-mail ou fornecer recomendações, o Prima pretende ser um copiloto na interpretação de estudos de imagens médicas”, disse Hollon.

“Acreditamos que Prima exemplifica o potencial transformador da integração de sistemas de saúde e modelos baseados em IA para melhorar os cuidados de saúde através da inovação”.

Autores adicionais: Asadur Chowdury, MS, Soumyanil Banerjee, MS, Rachel Gologorsky, Shixuan Liu, Anna-Katharina Meissner, MD, Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, MD, Volker Neuschmelting, MD, Ashok Srinivasan, MD, Dawn Kleindorfer, MD, Brian Athey, Ph.D., Aditya Pandey, MD, e Honglak Lee, Ph.D., todos da Universidade de Michigan.

Financiamento/divulgações: Este trabalho foi apoiado em parte pelo Instituto Nacional de Distúrbios Neurológicos e Derrame (K12NS080223) dos Institutos Nacionais de Saúde.

O conteúdo é de responsabilidade exclusiva dos autores e não representa necessariamente a opinião oficial do NIH.

Este trabalho também foi apoiado pela Chan Zuckerberg Initiative (CZI), pelo Frankel Institute for Heart and Brain Health, pelo Mark Trauner Brain Research Fund, pela Zenkel Family Foundation, pela Ian’s Friends Foundation e pelo programa de subsídios UM Precision Health Investigators Awards.