Um sistema de inteligência artificial desenvolvido recentemente pela Universidade de Michigan pode analisar exames de ressonância magnética do cérebro e fornecer um diagnóstico em questão de segundos, de acordo com um novo estudo. O modelo identificou condições neurológicas com uma precisão de até 97,5% e também foi capaz de avaliar a urgência do atendimento médico necessário para os pacientes.
Os pesquisadores afirmam que esta tecnologia pioneira tem potencial para transformar a forma como a imagem cerebral é gerenciada nos sistemas de saúde dos Estados Unidos. Os resultados foram publicados na Nature Biomedical Engineering.
“À medida que a demanda global por ressonâncias magnéticas cresce e impõe uma pressão significativa sobre nossos médicos e sistemas de saúde, nosso modelo de IA tem o potencial de reduzir a carga ao melhorar o diagnóstico e o tratamento com informações rápidas e precisas,” disse o autor sênior Todd Hollon, M.D., neurocirurgião da Universidade de Michigan Health e professor assistente de neurocirurgia na U-M Medical School.
Testando o Sistema Prima AI
Hollon nomeou a nova tecnologia de Prima. Ao longo de um ano, sua equipe de pesquisa avaliou o sistema utilizando mais de 30.000 estudos de ressonância magnética.
Em mais de 50 diagnósticos radiológicos diferentes envolvendo grandes distúrbios neurológicos, o Prima apresentou um desempenho diagnóstico superior a outros modelos avançados de IA. Além de identificar doenças, o sistema também se mostrou capaz de determinar quais casos exigiam prioridade maior.
Certain neurological conditions, including strokes and brain hemorrhages, demand immediate medical attention. Hollon stated that in these situations, Prima can automatically alert healthcare providers so that action can be taken quickly.
O sistema foi projetado para notificar o subspecialista mais apropriado, como um neurologista de acidente vascular cerebral ou neurocirurgião. O feedback se torna disponível imediatamente após o paciente concluir a imagem.
“A precisão é fundamental ao ler uma ressonância magnética do cérebro, mas os tempos de resposta rápidos são críticos para um diagnóstico oportuno e melhores resultados,” disse Yiwei Lyu, M.S., co-primeiro autor e pós-doutorando em Ciência da Computação e Engenharia na U-M.
“Em etapas-chave do processo, nossos resultados mostram como o Prima pode melhorar fluxos de trabalho e simplificar o atendimento clínico sem comprometer a precisão.”
O que é o Prima?
Prima é classificado como um modelo de linguagem visual (VLM), um tipo de inteligência artificial que pode processar imagens, vídeos e textos simultaneamente em tempo real. Embora a inteligência artificial tenha sido aplicada à análise de ressonâncias magnéticas anteriormente, os pesquisadores afirmam que o Prima adota uma abordagem diferente.
Modelos anteriores geralmente eram treinados em subconjuntos cuidadosamente selecionados de dados de ressonância magnética e projetados para realizar tarefas limitadas, como identificar lesões ou estimar o risco de demência. O Prima foi treinado em um conjunto de dados muito mais amplo.
A equipe de Hollon utilizou todos os exames de ressonância magnética disponíveis desde que os registros de radiologia foram digitalizados na Universidade de Michigan Health. Isso incluiu mais de 200.000 estudos de ressonância magnética e 5,6 milhões de sequências de imagem. O modelo também incorporou os históricos clínicos dos pacientes e os motivos pelos quais os médicos solicitaram cada exame de imagem.
“O Prima funciona como um radiologista ao integrar informações sobre a história médica do paciente e os dados de imagem para produzir uma compreensão abrangente de sua saúde,” disse o co-primeiro autor Samir Harake, cientista de dados no Laboratório de Aprendizado de Máquina em Neurocirurgia de Hollon.
“Isso possibilita um desempenho melhor em uma ampla gama de tarefas de predição.”
Enfrentando Atrasos em Ressonâncias Magnéticas e Escassez de Radiologia
Cada ano, milhões de exames de ressonância magnética são realizados em todo o mundo, muitos deles focados em doenças neurológicas. Os pesquisadores afirmam que a demanda por esses exames está crescendo mais rapidamente do que a disponibilidade de serviços de neurorradiologia.
Esse desbalanço contribuiu para escassez de pessoal, atrasos diagnósticos e erros. Dependendo de onde um paciente realiza o exame, os resultados podem levar dias ou até mais para serem entregues.
“Seja você recebendo um exame em um grande sistema de saúde que enfrenta um aumento no volume, ou em um hospital rural com recursos limitados, tecnologias inovadoras são necessárias para melhorar o acesso aos serviços de radiologia,” disse Vikas Gulani, M.D., Ph.D., coautor e chefe do Departamento de Radiologia da U-M Health.
“Nossas equipes na Universidade de Michigan colaboraram para desenvolver uma solução de ponta para esse problema com um potencial escalável tremendo.”
O Futuro da IA em Imagens Médicas
Embora o Prima tenha apresentado um desempenho forte, os pesquisadores enfatizam que o trabalho ainda está em uma fase inicial de avaliação. Pesquisas futuras se concentrarão na incorporação de informações mais detalhadas dos pacientes e dados de prontuários médicos eletrônicos para melhorar ainda mais a precisão diagnóstica.
Essa abordagem espelha como radiologistas e médicos interpretam ressonâncias magnéticas e outros estudos de imagem em configurações clínicas reais. Embora a inteligência artificial já esteja sendo utilizada nos cuidados com a saúde, a maioria dos sistemas existentes é limitada a tarefas definidas de forma estreita.
Hollon descreve o Prima como “o ChatGPT para imagens médicas,” observando que uma tecnologia semelhante poderia eventualmente ser adaptada para outros tipos de imagens, incluindo mamografias, radiografias torácicas e ultrassons.
“Assim como os ferramentas de IA podem ajudar a elaborar um e-mail ou fornecer recomendações, o Prima busca ser um copiloto para a interpretação de estudos de imagem médica,” disse Hollon.
“Acreditamos que o Prima exemplifica o potencial transformador da integração de sistemas de saúde e modelos impulsionados por IA para melhorar o atendimento à saúde por meio da inovação.”
Autores adicionais: Asadur Chowdury, M.S., Soumyanil Banerjee, M.S., Rachel Gologorsky, Shixuan Liu, Anna-Katharina Meissner, M.D., Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, M.D., Volker Neuschmelting, M.D., Ashok Srinivasan, M.D., Dawn Kleindorfer, M.D., Brian Athey, Ph.D., Aditya Pandey, M.D., e Honglak Lee, Ph.D., todos da Universidade de Michigan.
Financiamento/divulgações: Este trabalho foi apoiado em parte pelo Instituto Nacional de Transtornos Neurológicos e Acidente Vascular Cerebral (K12NS080223) dos Institutos Nacionais de Saúde.
O conteúdo é de total responsabilidade dos autores e não representa necessariamente as visões oficiais do NIH.
Este trabalho também foi apoiado pela Iniciativa Chan Zuckerberg (CZI), Instituto Frankel para Saúde do Coração e do Cérebro, o Fundo de Pesquisa Cerebral Mark Trauner, a Fundação Família Zenkel, a Ian’s Friends Foundation e o programa de prêmios para investigadores em Saúde de Precisão da UM.
