Um sistema de inteligência artificial recentemente desenvolvido na Universidade de Michigan pode analisar exames de ressonância magnética do cérebro e fazer um diagnóstico em segundos, de acordo com um novo estudo. O modelo identificou condições neurológicas com 97,5% de precisão e foi capaz de avaliar a urgência com que os pacientes precisavam de cuidados médicos.
Os pesquisadores dizem que a tecnologia inédita tem o potencial de remodelar a forma como as imagens cerebrais são tratadas no sistema de saúde dos EUA. Os resultados são publicados Engenharia Biomédica da Natureza.
“À medida que a procura global por ressonância magnética aumenta e coloca uma pressão significativa sobre os nossos médicos e sistemas de saúde, o nosso modelo de IA tem o potencial de reduzir a carga, melhorando o diagnóstico e o tratamento com informações mais 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
Holon chamou a nova tecnologia de Prima. Ao longo de um ano, sua equipe de pesquisa avaliou o sistema usando mais de 30 mil 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 detectar doenças, o sistema é capaz de determinar quais casos exigem alta prioridade.
Certas condições neurológicas, incluindo acidentes vasculares cerebrais e hemorragias cerebrais, requerem tratamento imediato. Holon 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 está disponível à medida que o paciente conclui a imagem.
“A precisão é fundamental na leitura de ressonância magnética cerebral, mas tempos de resposta rápidos são críticos para o diagnóstico oportuno e melhores resultados”, disse Yiwei Lyu, MS, coautor e pós-doutorado em Ciência da Computação e Engenharia na UM.
“Numa etapa fundamental do processo, nossos resultados mostram como a Prima pode melhorar o fluxo de trabalho e agilizar o atendimento clínico sem sacrificar a precisão”.
O que é prima?
Prima é classificado como Vision Language Model (VLM), um tipo de inteligência artificial que pode processar imagens, vídeos 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 detectar lesões ou estimar o risco de demência. Prima foi treinado em um conjunto de dados muito mais amplo.
A equipe de Holon usou todas as ressonâncias magnéticas disponíveis coletadas desde que os registros radiológicos da Universidade de Michigan Health foram digitalizados. Isso incluiu mais de 200 mil estudos de ressonância magnética e 5,6 milhões de sequências de imagens. O modelo também incluiu a história clínica dos pacientes e os motivos pelos quais os médicos solicitaram cada exame de imagem.
“Prima trabalha como um radiologista, combinando informações sobre o histórico médico de um paciente e dados de imagem para criar uma compreensão abrangente de sua saúde”, disse o coautor Samir Harke, cientista de dados de aprendizado de máquina no Laboratório de Neurocirurgia de Hallon.
“Isso permite melhor desempenho em uma ampla gama de tarefas de previsão.”
Lidando com atrasos na ressonância magnética e déficits radiológicos
Todos os anos, milhões de exames de ressonância magnética são realizados em todo o mundo, muitos dos quais se concentram 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 faz o exame, pode demorar mais ou mais para os resultados voltarem.
“Quer você esteja realizando exames em um sistema de saúde maior com 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, PhD, 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 a Prima tenha trabalhado de forma sólida, os pesquisadores ressaltam 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.
Esta abordagem reflete como radiologistas e médicos interpretam a ressonância magnética e outros estudos de imagem em ambientes clínicos reais. Embora a inteligência artificial já seja utilizada na área da saúde, a maioria dos sistemas existentes está limitada a tarefas estritamente definidas.
Holon descreveu 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.
“Da mesma forma que 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 Holon.
“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 Chowdhury, MS, Soumyanil Banerjee, MS, Rachel Golgorsky, Shixuan Liu, Anna-Katharina Meissner, MD, Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Xiang, Xinhai Hou, Rushikesh S. Joshi, MD, Volker Nevas, MD, Ashmelvan, MD. Kleindorfer, MD, Brian Athey, Ph.D., Aditya Pandey, MD, e Honglak Lee, Ph.D., todos da Universidade de Michigan.
Financiamento/Divulgação: 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 Treanor Brain Research Fund, pela Jenkel Family Foundation, pela Jans Friends Foundation e pelo UM Precision Health Investigator Awards Grant Program.
