AI-MRI-malli saavuttaa 97,5% diagnostisen tarkkuuden

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.

Kuinka MRI-teknologia toimii aivojen kuvantamisessa

Magnetic Resonance Imaging relies on magnetic fields and radio waves to create in-depth 2D/3D images of organs and other vital body parts. MRI technology was born out of earlier work on magnetic resonance (NMR) done during WWII.

In 1952, Felix Bloch and Edward Purcell took the concept further, winning the Nobel Prize in 1952. However, it wasn’t until Paul Lauterbur added spatial gradients that the technology was able to create 2D images of organs and tissues. Notably, the radio frequency pulses used in MRI scans don’t produce ionizing radiation, making them ideal compared to CT scans.

Vuonna 1952 Felix Bloch ja Edward Purcell viedä konseptia eteenpäin, voittaen Nobel-palkinnon samana vuonna. Kuitenkin vasta kun Paul Lauterbur lisäsi spatiaaligradiantit, teknologia pystyi luomaan 2D-kuvia elimistä ja kudoksista. Merkittävää on, että MRI-skannauksissa käytetyt radiofrekvenssipulssit eivät tuota ionisoivaa säteilyä, mikä tekee niistä ihanteellisia verrattuna CT-skannauksiin.

Nykyään MRI-skannaukset ovat yleisiä. Raporttien mukaan vuosittain suoritetaan 150–200 miljoonaa skannausta. Lisäksi tutkimukset osoittavat, että MRI:n käyttö on kasvussa, ja useimmilla alueilla näiden toimenpiteiden määrä kasvaa 3–6 %. Tästä syystä ei ole yllättävää, että MRI:t ovat nyt keskeinen osa terveydenhuoltojärjestelmää.

Miksi aivojen MRI-kuvien tulkitseminen on haastavaa

As MRI dependence increases, it sheds light on some of the drawbacks of this technology. For one, interpreting these images takes time and precision. This demand has increased amongst growing staffing shortages in the medical sector.

Kun MRI-riippuvuus kasvaa, se paljastaa joitakin tämän teknologian haittoja. Yksi niistä on, että kuvien tulkitseminen vaatii aikaa ja tarkkuutta. Tämä vaatimus on kasvanut terveydenhuollon henkilöstöpulan myötä.

The results are that as MRI usage increases, it places a strain on the already flexed medical system. Studies show that the strain differs whether it’s a large hospital dealing with an overflow of patients or a smaller facility with no access to professionals capable of interpreting MRI images. However, the results are the same – patients suffer increased risks.

Kliiniset riskit viivästyneessä MRI-tulkinnassa

The problem is that many of the neurological diseases that MRIs help to detect require immediate attention. This requirement means that there is a balance between timely diagnosis and improved outcomes that often creates missed deadlines.

Esimerkiksi aivoverenvuodot ja aivoinfarktit ovat esimerkkejä lääketieteellisistä tiloista, jotka MRI-skannaukset voivat havaita ja jotka vaativat välitöntä hoitoa. Näiden tilojen havaitseminen on kuitenkin tunnetusti vaikeaa, ja se edellyttää ammattilaisen tarkastelua.

Aivojen alueet

Neurokuvaus on arvokas työkalu neurologisia sairauksia sairastavien potilaiden arviointiin. Tästä syystä MRI-skannausten globaali kysyntä on noussut tasaisesti, aiheuttaen merkittävää rasitusta terveydenhuoltojärjestelmille, pidentäen läpimenoaikoja ja lisäten lääkärien uupumista.

University of Michigan kehittää AI-MRI-mallia

The “Learning neuroimaging models from health system-scale data”¹ study published in Nature Biomedical Engineering introduces a purpose-built AI algorithm that can interpret MRI images in seconds. As such, it has the potential to revolutionize healthcare moving forward.

Prima: Näkö-kielimalli MRI-diagnoosia varten

The Prima AI MRI imaging algorithm has been described by its creators as the “ChatGPT for medical imaging”. The AI system streamlines and automates many of the most complex aspects of medical image interpretation.

Prima eroaa muista AI-MRI-skannereista siinä, että se on näkö-kielimalli (VLM), mikä tarkoittaa, että se käsittelee tekstiä, kuvia ja videoita yhdessä. Tämä hierarkkinen näköarkkitehtuuri mahdollistaa järjestelmän tarjoavan vertaansa vailla olevaa tarkkuutta ja suorituskykyä.

Kuinka Prima toimii diagnostisena apulaisena

Speaking on the algorithm, the developers stated that they wanted to create a reliable co-pilot for interpreting medical imaging studies. To that extent, they succeeded, as Prima’s unique approach enables it to operate across a broad spectrum of diagnoses.

Tämä lähestymistapa on selvästi erilaista edeltäjiinsä nähden, jotka keskittyivät pääasiassa tiettyyn MRI-kuvantamisen alasektoriin. Koska Prima on koulutettu paljon laajemmalla aineistolla, se voi tarkastella MRI-dataa kuin todellinen lääkäri. Näin Prima lupaa parantaa kaikkea diagnoosista työnkulkuihin.

Mallin koulutus yli 200 000 MRI-tutkimuksella

To train Prima, the scientist knew they would need to access a large trove of data. Luckily, the University of Michigan Health provided direct access to +200,000 MRI studies, which included more than 5.6 million image sequences.

Insinöörit yhdistivät sitten jokaisen tutkimuksen tulokset, mukaan lukien potilashistoriat ja skannauksen taustalla olevat perustelut. Nämä tiedot ristiriitaisivat ja 50 erilaista radiologista diagnoosia integroitui, kattaen useita neurologisia sairauksia.

Kuinka AI tuottaa differentiaali-diagnooseja

Prima was built to provide timely diagnosis. The system cross-references its massive database of MRI scans and corresponding data to identify a wide range of neurological conditions. Additionally, it takes into account each patient’s special medical history, enabling it to create a comprehensive file on each patient, alongside a diagnosis.

AI-pohjainen hätätriage-järjestelmä

Impressively, Prima can determine if the diagnosis requires immediate medical care. When the need for urgent care is detected, the system automatically notifies health care professionals, ensuring that there is no delay between diagnosis and care. This feature helps to save lives in cases where immediate action is required.

Automaattinen erikoislääkärin ilmoitusprosessi

One of the coolest aspects of Prima is that it automatically notifies the correct subspecialist after its diagnosis. For example, if the scan returns the risk of stroke, the system knows to contact the neurosurgeon and request emergency care.

AI-mallin kliininen testaus ja validointi

Testing of the Prima system began a year ago. The scientist spent this time conducting thousands of diagnoses on patients and then comparing them to the physician’s diagnosis. In total, 29,431 MRI studies were completed.

AI-MRI-malli saavuttaa 97,5 % diagnostisen suorituskyvyn

Swipe to scroll →

Priman tarkkuus osoitti, että insinöörit olivat oikeassa. Malli saavutti 97,5 %, mikä on selvästi paremmin kuin mikään AI-kilpailijan tulos. Tiimi huomautti tarkasti, että järjestelmä pystyi suorittamaan diagnoosin sekunneissa, kun taas lääkäreiltä se olisi vienyt päiviä.

Testit paljastivat myös, että järjestelmä paransi hoitovastea merkittävästi. Skannausten ja diagnoosin tiedot olivat välittömästi saatavilla hoitoon osallistuville erikoislääkäreille, ja ne, jotka tarvitsivat tiedot, saivat automaattisesti prioriteettitiedot, mikä säästi potilailta arvokasta aikaa.

AI-pohjaisen MRI-tulkinnan keskeiset hyödyt

There’s a long list of benefits that this technology brings to the market. For one, it reduces the time needed to conduct and interpret MRI scans. This improved performance helps patients receive care faster, even as the medical sector deals with major staffing shortages.

Todistaa, että AI-avustus on ihanteellinen

Another benefit of the technology is that it helps to prove how AI systems can enhance many of the current medical procedures. This system reduces the burden on healthcare professionals while improving the results. As such, it serves as a valuable example of the power of AI systems across the medical sector.

Diagnostointi

Unlike some AI systems that provide no reasoning as to how they arrived at a certain conclusion, the Prima AI model offers explainable differential diagnoses. This approach enables its work to be double-checked by physicians to ensure accuracy and gain second opinions.

Käytännön sovellukset ja käyttöönoton näkymät

There are many applications of this technology, with the obvious one being to improve the current medical practices. Notably, this technology can be applied to other imaging sectors, leading many analysts to predict that it will be applied to mammograms, chest X-rays, and ultrasounds in the coming years.

Sääntelypolku ja kaupallinen aikajana

This technology could hit the market in the next 5-years. There’s strong demand for anything that can improve healthcare results while reducing the workload and stress on today’s healthcare professionals.

Tutkimusryhmä ja institutionaalinen tuki

The AI MRI interpretation study was put forth by University of Michigan researchers. The paper was led by neurosurgeon and assistant professor of neurosurgery at the U-M Medical School, Todd Hollon, and a Machine Learning in Neurosurgery Lab data scientist, Samir Harake.

Tutkimuksessa luetellaan 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., ja Honglak Lee, Ph.D. kontribuutioina. Lisäksi taloudellista tukea on saanut National Institute of Neurological Disorders and Stroke, National Institutes of Health -laitos.

Tekoälyn tuleva kehitys neurokuvauksessa

The engineers acknowledge that they are still in the early stages of their work, but the results look promising. Now, their goal is to personalize the system, enabling the AI to access medical records and make diagnoses based on all available data in real time.

Sijoittaminen AI:hin / terveydenhuollon integraatioihin

The impact of AI integration into medical imaging is accelerating. Unlike diversified device manufacturers, a new generation of companies is building AI-native radiology platforms designed specifically to improve diagnostic speed, workflow efficiency, and clinical decision-making. Here’s one public company directly positioned in the AI-powered imaging space.

RadNet (RDNT)

RadNet is one of the largest outpatient diagnostic imaging providers in the United States, operating hundreds of imaging centers nationwide. Founded in 1981, the company has grown into a vertically integrated imaging platform combining radiology services with artificial intelligence through its DeepHealth subsidiary.

Sen sijaan, että AI:ta pidettäisiin lisänä, RadNet on integroinut koneoppimisen suoraan kuvantamistyönkulkuihin. Yritys on hankintojen ja sisäisen kehityksen kautta rakentanut AI-työkaluja, jotka on suunniteltu auttamaan radiologeja havaitsemaan rintasyöpä, keuhkonodulit, neurologiset poikkeavuudet ja muut sairaudet aikaisemmin ja johdonmukaisemmin.

Merkittävä käännekohta tuli DeepHealthin, RadNetin AI-yksikön, laajentumisessa, joka keskittyy FDA-hyväksyttyjen algoritmien käyttöönottoon sen kuvantamisverkostossa. Yhdistämällä omaan käyttöönsä kuuluvat kuvantamistiedot AI-kehitykseen, RadNet hyötyy sekä palvelutuloista että ohjelmistopohjaisista diagnostisista kyvyistä.

Tämä pystysuunnassa integroidtu lähestymistapa tarjoaa kilpailuedun: todelliset kliiniset tiedot syöttävät algoritmien tarkennukseen, kun taas AI-työkalut parantavat läpimenoa ja diagnostista tarkkuutta omissa kuvantamiskeskuksissaan.

AI-pohjainen kuvantamisalustan laajentuminen

RadNet jatkaa AI-portfolionsa laajentamista kumppanuuksien ja yritysostojen kautta, tavoitteena skaalautuva diagnostiikkatyökalujen käyttöönotto radiologian erikoisalojen välillä. Kun korvausmallit kehittyvät ja kuvantamismäärät kasvavat, AI-avusteiset triage- ja havaitsemisjärjestelmät voivat merkittävästi parantaa marginaaleja samalla kun ne vähentävät radiologien työkuormaa.

Sijoittajille, jotka etsivät altistumista AI-pohjaiseen lääketieteelliseen kuvantamiseen suoran operatiivisen vaikutuksen kautta, RadNet tarjoaa tarkemmin kohdennetun mahdollisuuden radiologian automaatioon kuin monialaiset medtech-konsernit.

Uusimmat RadNet (RDNT) -uutiset ja suorituskyky

AI-tulkinta aivojen kuvantamisessa | Yhteenveto

The AI Interpretation brain imaging study opens the door for a brighter future for patients and medical professionals. These systems will help ensure that patients receive top-notch care that is consistent and available around the clock.

Se myös vähentää nykyisten, jo koulutettujen terveydenhuollon ammattilaisten työkuormaa. Näin ollen tämä kehitys voi auttaa luomaan tehokkaamman terveydenhuoltojärjestelmän tulevaisuudessa.

Tutustu muihin hienoihin AI-kehityksiin.

Viitteet

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Neurokuvausmallien oppiminen terveydenhuollon järjestelmälaajuisista tiedoista. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}