Um sistema de inteligência artificial recentemente desenvolvido pela Universidade de Michigan pode analisar uma ressonância magnética do cérebro e fazer um diagnóstico em segundos, de acordo com um novo estudo. O modelo identificou doenças neurológicas com precisão de até 97,5% e também foi capaz de estimar a urgência com que os pacientes precisavam de atendimento médico.
Os pesquisadores dizem que esta tecnologia inédita pode mudar 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 impõe um fardo significativo aos nossos médicos e sistemas de saúde, o nosso modelo de IA tem o potencial de reduzir o fardo, melhorando o diagnóstico e o tratamento com informações rápidas e precisas”, disse o autor sénior Todd Hollan, MD, neurocirurgião da Universidade de Michigan Health e professor assistente de neurocirurgia na Faculdade de Medicina da UM.
Testando o sistema Prima AI
Hollon chamou a nova tecnologia de Prima. Ao longo de um ano, sua equipe de pesquisa avaliou o sistema usando mais de 30 mil exames de ressonância magnética.
Em mais de 50 diagnósticos radiológicos diferentes envolvendo distúrbios neurológicos graves, o Prima oferece melhor desempenho diagnóstico do que outros modelos avançados de IA. Além da identificação de doenças, o sistema também provou ser capaz de determinar quais casos exigem maior prioridade.
Certas condições neurológicas, incluindo acidentes vasculares cerebrais e hemorragias cerebrais, requerem atenção médica imediata. Nessas situações, disse Hollon, a Prima pode alertar automaticamente os prestadores de cuidados de saúde para que medidas possam ser tomadas rapidamente.
O sistema foi projetado para notificar o especialista mais adequado, como um neurologista ou neurocirurgião de AVC. O feedback está disponível imediatamente após a conclusão da imagem do paciente.
“A precisão é fundamental na leitura de ressonâncias magnéticas cerebrais, mas o tempo de resposta rápido é fundamental para o diagnóstico oportuno e melhores resultados”, disse Yiwei Liu, M.S., coautor e estudante de doutorado no Departamento de Ciência da Computação e Engenharia da UM.
“Nas principais etapas do processo, nossos resultados mostram como a Prima pode melhorar os fluxos de trabalho e otimizar 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, vídeo e texto juntos em tempo real. Embora a inteligência artificial já tenha sido usada para analisar ressonâncias magnéticas, 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 detecção de lesões ou avaliação de risco de demência. Prima foi treinado em um conjunto de dados muito maior.
A equipe de Hollan usou todas as ressonâncias magnéticas disponíveis coletadas após a digitalização dos registros radiológicos 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 incluiu o histórico médico 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 obter 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 proporciona melhor desempenho em uma ampla gama de tarefas de previsão.”
Lidando com atrasos na ressonância magnética e escassez de radiologia
Milhões de exames de ressonância magnética são realizados em todo o mundo todos os anos, 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, pode levar dias ou até mais para que os resultados voltem.
“Quer você esteja realizando exames em um sistema de saúde maior que enfrenta um volume maior ou em um hospital rural com recursos limitados, são necessárias tecnologias inovadoras para melhorar o acesso aos serviços de radiologia”, disse Vikas Gulani, MD, coautor e presidente do Departamento de Radiologia da UM Health.
“Nossas equipes da Universidade de Michigan colaboraram para desenvolver uma solução avançada para este problema com um enorme potencial de escalabilidade”.
O futuro da inteligência artificial em imagens médicas
Embora o Prima tenha tido um bom desempenho, os pesquisadores destacam que o trabalho ainda está em fase inicial de avaliação. Pesquisas futuras se concentrarão na incorporação de informações mais detalhadas dos pacientes e 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 do mundo real. Embora a inteligência artificial já esteja a ser utilizada nos cuidados de saúde, a maioria dos sistemas existentes está limitada a tarefas estritamente definidas.
Hollon descreve o Prima como “ChatGPT para imagens médicas”, observando que tecnologia semelhante poderia eventualmente ser adaptada para outros tipos de imagens, incluindo mamografia, radiografia de tórax e ultrassom.
“Assim como as ferramentas de IA podem ajudar a escrever um e-mail ou fazer recomendações, o Prima pretende ser um copiloto na interpretação de estudos de imagens médicas”, disse Hollan.
“Acreditamos que a Prima exemplifica o potencial transformador da integração de sistemas de saúde e modelos baseados em IA para melhorar a saúde através da inovação.”
Autores adicionais: Asadur Chowdhury, MS, Soumyanil Banerjee, MS, Rachel Galagorsky, Shixuan Liu, Anna-Katharina Meisner, MD, Akshay Rao, Chenhui Zhao, Akhil Kandepudi, Chen Jiang, Xinhai Hou, Rushikesh S. Joshi, MD, Volker Neuschmelting, MD, Ashok Srinivasan, MD Sc., Don Kleindorfer, MD, Brian Atty, MD, Aditya Pandey, MD, e Honglak Lee, PhD, 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 reflete necessariamente as opiniões oficiais do NIH.
Este trabalho também foi apoiado pela Chan Zuckerberg Initiative (CZI), pelo Frankel Heart and Brain Institute, pela Marc Trauner Brain Research Foundation, pela Zenkel Family Foundation, pela Friends of the Jan Foundation e pelo programa de subsídios UM Precision Health Investigators Awards.
