AI‑MRI‑model opnår 97,5% diagnostisk nøjagtighed

A team of University of Michigan scientists has unveiled an AI system that can automatically diagnose patients from MRI scans. This development has the potential to revolutionize the industry, providing faster and more accessibility to patients across the globe. Here’s what you need to know.

Hvordan MR‑teknologi fungerer i hjernebilleddannelse

Magnetisk resonansbilleddannelse (MRI) bygger på magnetfelter og radiobølger for at skabe dybdegående 2D/3D‑billeder af organer og andre vitale kropsdele. MRI‑teknologien opstod ud fra tidligere arbejde med magnetisk resonans (NMR) udført under Anden Verdenskrig.

I 1952 videreudviklede Felix Bloch og Edward Purcell konceptet og modtog Nobelprisen samme år. Det var dog først, da Paul Lauterbur tilføjede rumlige gradienter, at teknologien kunne skabe 2D‑billeder af organer og væv. Bemærkelsesværdigt er, at de radiobølgestråler, der anvendes i MR‑scanninger, ikke producerer ioniserende stråling, hvilket gør dem ideelle i forhold til CT‑scanninger.

I dag er MR‑scanninger almindelige. Ifølge rapporter udføres 150–200 millioner scanninger årligt. Desuden viser undersøgelser, at brugen af MR er stigende, hvor de fleste regioner oplever en stigning på 3–6 % i disse procedurer. Derfor er det ikke overraskende, at MR nu er en afgørende komponent i det medicinske system.

Hvorfor fortolkning af hjerne‑MR‑scanninger er udfordrende

Efterhånden som afhængigheden af MR øges, kaster det lys over nogle af teknologiens ulemper. For det første kræver fortolkning af disse billeder tid og præcision. Efterspørgslen er steget i takt med de voksende personalemangel i den medicinske sektor.

Resultatet er, at når MR‑brugen stiger, lægger det pres på det allerede belastede medicinske system. Undersøgelser viser, at belastningen varierer, om det er et stort hospital med patientoverbelastning eller en mindre facilitet uden adgang til fagfolk, der kan fortolke MR‑billeder. Resultatet er dog det samme – patienterne udsættes for øgede risici.

Kliniske risici ved forsinket MR‑fortolkning

Problemet er, at mange af de neurologiske sygdomme, som MR hjælper med at opdage, kræver øjeblikkelig opmærksomhed. Dette krav betyder, at der skal findes en balance mellem rettidig diagnose og forbedrede resultater, hvilket ofte fører til overskredne tidsfrister.

For eksempel er hjerneblødninger og slagtilfælde tydelige eksempler på medicinske tilstande, som MR‑scanninger kan opdage og som kræver øjeblikkelig lægehjælp. Disse tilstande er dog notorisk svære at opdage og kræver professionel gennemgang for at udføre opgaven.

Regioner i hjernen

Neuroimaging er et værdifuldt værktøj til evaluering af patienter med neurologiske sygdomme. Som følge heraf er den globale efterspørgsel efter MR‑scanninger steget støt, hvilket lægger betydeligt pres på sundhedssystemerne, forlænger behandlingstiderne og intensiverer lægers udbrændthed.

University of Michigan udvikler AI‑MR‑model

Studiet “Learning neuroimaging models from health system-scale data”¹, offentliggjort i Nature Biomedical Engineering, introducerer en specialbygget AI‑algoritme, der kan fortolke MR‑billeder på få sekunder. Derfor har den potentiale til at revolutionere sundhedssektoren fremover.

Prima: En vision‑sprog AI‑model til MR‑diagnostik

Prima AI MR‑billedalgoritmen er blevet beskrevet af sine skabere som “ChatGPT for medicinsk billeddannelse.” AI‑systemet strømliner og automatiserer mange af de mest komplekse aspekter af medicinsk billedfortolkning.

Prima adskiller sig fra andre AI‑MR‑scannere ved, at den er en vision‑sprog model (VLM), hvilket betyder, at den behandler tekst, billeder og video samtidigt. Denne brug af en hierarkisk visionarkitektur gør det muligt for systemet at levere uovertruffen nøjagtighed og ydeevne.

Hvordan Prima fungerer som en diagnostisk co‑pilot

Om algoritmen udtalte udviklerne, at de ønskede at skabe en pålidelig co‑pilot til fortolkning af medicinske billedstudier. I den henseende lykkedes det dem, da Primas unikke tilgang gør det i stand til at operere på tværs af et bredt spektrum af diagnoser.

Dette er i skarp kontrast til sine forgængere, som primært fokuserede på en specifik undersektor af MR‑billeddannelse. Da Prima blev trænet på et meget bredere datasæt, kan den gennemgå MR‑data som en rigtig læge. Derfor lover Prima at forbedre alt fra diagnoser til arbejdsgange.

Træning af modellen på over 200.000 MR‑undersøgelser

For at træne Prima vidste forskerne, at de skulle have adgang til en stor datamængde. Heldigvis gav University of Michigan Health direkte adgang til over 200.000 MR‑undersøgelser, som omfattede mere end 5,6 millioner billedsekvenser.

Ingeniørerne integrerede derefter resultaterne af hver undersøgelse, inklusive patienthistorier og begrundelsen bag scanningen. Disse data blev krydsrefereret, og 50 forskellige radiologiske diagnoser blev integreret, hvilket dækker flere neurologiske tilstande.

Hvordan AI’en genererer differentielle diagnoser

Prima er bygget til at levere rettidig diagnose. Systemet krydsrefererer sin enorme database af MR‑scanninger og tilhørende data for at identificere et bredt udvalg af neurologiske tilstande. Derudover tager det højde for hver patients særlige medicinske historie, hvilket gør det i stand til at oprette en omfattende fil på hver patient sammen med en diagnose.

AI‑drevet nødtriage‑system

Imponerende kan Prima afgøre, om diagnosen kræver øjeblikkelig medicinsk behandling. Når behovet for akut pleje opdages, underretter systemet automatisk sundhedsprofessionelle, så der ikke er nogen forsinkelse mellem diagnose og behandling. Denne funktion hjælper med at redde liv i tilfælde, hvor øjeblikkelig handling er påkrævet.

Automatiseret specialist‑notifikationsarbejdsgang

Et af de mest imponerende aspekter ved Prima er, at den automatisk underretter den rette subspecialist efter diagnosen. For eksempel, hvis scanningen viser risiko for slagtilfælde, ved systemet, at det skal kontakte neurokirurgen og anmode om akut behandling.

Klinisk testning og validering af AI‑modellen

Testning af Prima‑systemet startede for et år siden. Forskerne brugte denne tid på at udføre tusindvis af diagnoser på patienter og derefter sammenligne dem med lægens diagnose. I alt blev 29.431 MR‑undersøgelser gennemført.

AI‑MR‑model opnår 97,5 % diagnostisk præstation

Swipe to scroll →

Nøjagtigheden af Prima beviste, at ingeniørerne havde ret. Modellen opnåede 97,5 %, hvilket langt overgår resultaterne fra enhver AI‑konkurrent. Teamet bemærkede også, at systemet kunne fuldføre diagnosen på sekunder, mens det for læger ville have taget dage.

Testene afslørede også, at systemet signifikant forbedrede responstiden for pleje. Data fra scanningerne og diagnosen var straks tilgængelige for specialister, og dem, der havde brug for dataene, blev automatisk sendt den information, der krævede prioriteret opmærksomhed, hvilket sparede patienterne værdifuld tid.

Nøglefordele ved AI‑drevet MR‑fortolkning

Der er en lang række fordele, som denne teknologi bringer til markedet. For det første reducerer den den tid, der kræves for at udføre og fortolke MR‑scanninger. Denne forbedrede ydeevne hjælper patienter med at modtage pleje hurtigere, selvom den medicinske sektor kæmper med store personalemangel.

Beviser, at AI‑assistance er ideel

En anden fordel ved teknologien er, at den hjælper med at demonstrere, hvordan AI‑systemer kan forbedre mange af de nuværende medicinske procedurer. Systemet reducerer byrden på sundhedsprofessionelle, samtidig med at resultaterne forbedres. Derfor fungerer det som et værdifuldt eksempel på AI‑systemers kraft i hele den medicinske sektor.

Diagnose

I modsætning til nogle AI‑systemer, der ikke giver nogen begrundelse for, hvordan de nåede en bestemt konklusion, tilbyder Prima AI‑modellen forklarlige differentielle diagnoser. Denne tilgang gør det muligt for læger at dobbelttjekke arbejdet for at sikre nøjagtighed og indhente second opinions.

Virkelige anvendelser og udsigter for implementering

Der er mange anvendelser af denne teknologi, hvor den mest åbenlyse er at forbedre de nuværende medicinske praksisser. Bemærkelsesværdigt kan teknologien også anvendes i andre billeddannelsessektorer, hvilket får mange analytikere til at forudsige, at den vil blive brugt til mammografi, røntgenbilleder af brystet og ultralyd i de kommende år.

Regulatorisk vej og kommerciel tidslinje

Denne teknologi kan nå markedet inden for de næste fem år. Der er stor efterspørgsel efter alt, der kan forbedre sundhedsresultater, samtidig med at arbejdsbyrden og stressen for nutidens sundhedsprofessionelle reduceres.

Forskningshold og institutionel støtte

AI‑MR‑fortolkningsstudiet blev fremlagt af forskere fra University of Michigan. Papiret blev ledet af neurokirurg og adjunkt i neurokirurgi ved U‑M Medical School, Todd Hollon, samt dataforsker i Machine Learning in Neurosurgery Lab, Samir Harake.

Studiet lister Vikas Gulani, M.D. Ph.D.,: 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., and Honglak Lee, Ph.D. som bidragydere. Sammen med finansiel støtte fra National Institute of Neurological Disorders and Stroke fra National Institutes of Health.

Fremtidig udvikling af AI inden for neuroimaging

Ingeniørerne anerkender, at de stadig er i de tidlige faser af deres arbejde, men resultaterne ser lovende ud. Nu er deres mål at personalisere systemet, så AI’en kan få adgang til medicinske journaler og stille diagnoser baseret på alle tilgængelige data i realtid.

Investering i AI / sundheds‑integrationer

Indvirkningen af AI‑integration i medicinsk billeddannelse accelererer. I modsætning til diversificerede enhedsproducenter bygger en ny generation af virksomheder AI‑native radiologiplatforme, der er designet specifikt til at forbedre diagnostisk hastighed, arbejdsgangseffektivitet og klinisk beslutningstagning. Her er et offentligt selskab, der er direkte placeret i AI‑drevet billeddannelsesområdet.

RadNet (RDNT)

RadNet (RDNT ) er en af de største udbydere af ambulant diagnostisk billeddannelse i USA og driver hundredvis af billedcentre over hele landet. Grundlagt i 1981 har virksomheden vokset sig til en vertikalt integreret billedplatform, der kombinerer radiologitjenester med kunstig intelligens gennem datterselskabet DeepHealth.

I stedet for at betragte AI som et tillæg har RadNet integreret maskinlæring direkte i billedarbejdsprocesserne. Gennem opkøb og intern udvikling har virksomheden bygget AI‑værktøjer, der er designet til at hjælpe radiologer med at opdage brystkræft, lungennoduler, neurologiske abnormiteter og andre tilstande tidligere og mere konsistent.

Et vigtigt vendepunkt kom med udvidelsen af DeepHealth, RadNets AI‑division, som fokuserer på at implementere FDA‑godkendte algoritmer i sit billednetværk. Ved at kombinere proprietære billeddata med AI‑udvikling drager RadNet fordel af både serviceindtægter og softwareforbedrede diagnostiske kapaciteter.

Den vertikalt integrerede tilgang giver en konkurrencemæssig fordel: kliniske data fra den virkelige verden fodrer algoritmeforfining, mens AI‑værktøjer øger gennemløb og diagnostisk præcision i virksomhedens egne billedcentre.

AI‑drevet udvidelse af billedplatformen

RadNet fortsætter med at udvide sin AI‑portfolio gennem partnerskaber og opkøb med mål om skalerbar implementering af diagnostisk supportværktøjer på tværs af radiologiske subspecialer. Efterhånden som refusionsmodeller udvikler sig og billedvolumen stiger, kan AI‑assisterede triage‑ og detektionssystemer væsentligt forbedre marginerne, samtidig med at de reducerer radiologernes arbejdsbyrde.

For investorer, der søger eksponering mod AI‑drevet medicinsk billeddannelse med direkte operationel gearing, repræsenterer RadNet en mere fokuseret satsning på radiologi‑automatisering end diversificerede medtech‑konglomerater.

Seneste nyheder og resultater for RadNet (RDNT)

AI‑fortolkning af hjernebilleddannelse | Konklusion

AI‑fortolkning af hjernebilleddannelse‑studiet åbner døren til en lysere fremtid for patienter og medicinske fagfolk. Disse systemer vil hjælpe med at sikre, at patienter modtager førsteklasses pleje, som er konsistent og tilgængelig døgnet rundt.

Det reducerer også arbejdsbyrden for nutidens allerede uddannede sundhedsprofessionelle. Derfor kan denne udvikling hjælpe med at skabe et mere effektivt sundhedssystem i fremtiden.

Lær om andre spændende AI‑udviklinger her.

Referencer

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Læring af neuroimaging-modeller fra sundhedssystem-skala data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}