Model AI MRI Mencapai Akurasi Diagnostik 97,5%

Sebuah tim ilmuwan Universitas Michigan telah meluncurkan sistem AI yang dapat secara otomatis mendiagnosis pasien dari pemindaian MRI. Pengembangan ini berpotensi merevolusi industri, memberikan kecepatan dan aksesibilitas yang lebih baik kepada pasien di seluruh dunia. Berikut yang perlu Anda ketahui.

Bagaimana Teknologi MRI Bekerja dalam Pencitraan Otak

Magnetic Resonance Imaging mengandalkan medan magnet dan gelombang radio untuk membuat gambar 2D/3D mendalam dari organ dan bagian penting tubuh lainnya. Teknologi MRI lahir dari pekerjaan sebelumnya pada resonansi magnetik (NMR) yang dilakukan selama Perang Dunia II.

Pada tahun 1952, Felix Bloch dan Edward Purcell mengembangkan konsep tersebut lebih jauh, memenangkan Hadiah Nobel pada tahun 1952. Namun, baru ketika Paul Lauterbur menambahkan gradien spasial teknologi ini dapat membuat gambar 2D organ dan jaringan. Secara khusus, pulsa frekuensi radio yang digunakan dalam pemindaian MRI tidak menghasilkan radiasi pengion, menjadikannya ideal dibandingkan dengan pemindaian CT.

Saat ini, pemindaian MRI sudah umum. Menurut laporan, terdapat 150-200 juta pemindaian yang selesai setiap tahun. Selain itu, studi menunjukkan bahwa penggunaan MRI terus meningkat, dengan sebagian besar wilayah mengalami peningkatan 3-6% pada prosedur ini. Oleh karena itu, tidak mengherankan bahwa MRI kini menjadi komponen penting dalam sistem medis.

Mengapa Interpretasi Pemindaian MRI Otak Menjadi Tantangan

Seiring ketergantungan pada MRI meningkat, hal ini menyoroti beberapa kelemahan teknologi tersebut. Salah satunya, interpretasi gambar ini membutuhkan waktu dan ketelitian. Permintaan ini meningkat di tengah kekurangan tenaga kerja di sektor medis.

Hasilnya, seiring peningkatan penggunaan MRI, beban pada sistem medis yang sudah tegang semakin berat. Studi menunjukkan beban ini berbeda antara rumah sakit besar yang menangani kelebihan pasien atau fasilitas kecil yang tidak memiliki akses ke profesional yang mampu menginterpretasikan gambar MRI. Namun, hasilnya tetap sama – pasien mengalami risiko yang meningkat.

Risiko Klinis Interpretasi MRI yang Tertunda

Masalahnya, banyak penyakit neurologis yang dideteksi oleh MRI memerlukan perhatian segera. Persyaratan ini berarti ada keseimbangan antara diagnosis tepat waktu dan hasil yang lebih baik yang sering menyebabkan tenggat waktu terlewat.

Sebagai contoh, perdarahan otak dan stroke merupakan contoh utama kondisi medis yang dapat dideteksi oleh pemindaian MRI dan memerlukan penanganan medis segera. Namun, kondisi ini terkenal sulit dideteksi, memerlukan peninjauan profesional untuk menyelesaikannya.

Wilayah Otak

Neuroimaging adalah alat berharga untuk mengevaluasi pasien dengan penyakit neurologis. Akibatnya, permintaan global untuk pemindaian MRI terus meningkat secara stabil, menimbulkan beban signifikan pada sistem kesehatan, memperpanjang waktu penyelesaian, dan memperparah kelelahan dokter.

Universitas Michigan Mengembangkan Model AI MRI

Studi “Learning neuroimaging models from health system-scale data”¹ yang dipublikasikan di Nature Biomedical Engineering memperkenalkan algoritma AI khusus yang dapat menginterpretasikan gambar MRI dalam hitungan detik. Dengan demikian, ia berpotensi merevolusi perawatan kesehatan ke depan.

Prima: Model AI Vision-Language untuk Diagnosis MRI

Algoritma pencitraan MRI Prima AI telah digambarkan oleh penciptanya sebagai “ChatGPT untuk pencitraan medis”. Sistem AI ini menyederhanakan dan mengotomatisasi banyak aspek paling kompleks dari interpretasi gambar medis.

Prima berbeda dari pemindai AI MRI lainnya karena merupakan model vision-language (VLM), yang berarti ia memproses teks, gambar, dan video secara bersamaan. Penggunaan arsitektur visi hierarkis ini memungkinkan sistem memberikan akurasi dan kinerja yang tak tertandingi.

Bagaimana Prima Berfungsi sebagai Co-Pilot Diagnostik

Bicara tentang algoritma tersebut, para pengembang menyatakan bahwa mereka ingin menciptakan co-pilot yang dapat diandalkan untuk menginterpretasikan studi pencitraan medis. Dalam hal ini, mereka berhasil, karena pendekatan unik Prima memungkinkannya beroperasi di berbagai spektrum diagnosis.

Pendekatan ini sangat kontras dengan pendahulunya, yang terutama fokus pada subsektor tertentu dari pencitraan MRI. Karena Prima dilatih dengan dataset yang jauh lebih luas, ia dapat meninjau data MRI seperti dokter sejati. Dengan demikian, Prima menjanjikan peningkatan segala hal mulai dari diagnosis hingga alur kerja.

Melatih Model dengan Lebih dari 200.000 Studi MRI

Untuk melatih Prima, para ilmuwan tahu bahwa mereka memerlukan akses ke kumpulan data yang besar. Untungnya, University of Michigan Health menyediakan akses langsung ke lebih dari 200.000 studi MRI, yang mencakup lebih dari 5,6 juta urutan gambar.

Para insinyur kemudian mengintegrasikan hasil setiap studi, termasuk riwayat pasien dan alasan di balik pemindaian. Data ini kemudian dicocokkan, dan 50 diagnosis radiologis yang berbeda diintegrasikan, mencakup beberapa kondisi neurologis.

Bagaimana AI Menghasilkan Diagnosis Diferensial

Prima dibangun untuk memberikan diagnosis tepat waktu. Sistem ini mencocokkan basis data besar pemindaian MRI dan data terkait untuk mengidentifikasi berbagai kondisi neurologis. Selain itu, ia mempertimbangkan riwayat medis khusus setiap pasien, memungkinkan pembuatan berkas komprehensif pada setiap pasien, bersamaan dengan diagnosis.

Sistem Triase Darurat Berbasis AI

Secara mengesankan, Prima dapat menentukan apakah diagnosis memerlukan perawatan medis segera. Ketika kebutuhan perawatan darurat terdeteksi, sistem secara otomatis memberi tahu profesional kesehatan, memastikan tidak ada penundaan antara diagnosis dan perawatan. Fitur ini membantu menyelamatkan nyawa dalam kasus yang memerlukan tindakan segera.

Alur Kerja Notifikasi Spesialis Otomatis

Salah satu aspek paling menarik dari Prima adalah bahwa ia secara otomatis memberi tahu subspesialis yang tepat setelah diagnosisnya. Misalnya, jika pemindaian menunjukkan risiko stroke, sistem akan menghubungi ahli saraf dan meminta perawatan darurat.

Pengujian Klinis dan Validasi Model AI

Pengujian sistem Prima dimulai setahun yang lalu. Para ilmuwan menghabiskan waktu ini melakukan ribuan diagnosis pada pasien dan kemudian membandingkannya dengan diagnosis dokter. Secara total, 29.431 studi MRI selesai.

Model AI MRI Mencapai Kinerja Diagnostik 97,5%

Geser untuk menggulir →

Akurasi Prima membuktikan bahwa para insinyur benar. Model mencetak 97,5%, jauh melampaui hasil kompetitor AI mana pun. Menariknya, tim mencatat bahwa sistem dapat menyelesaikan diagnosis dalam hitungan detik dibandingkan dengan apa yang akan memakan waktu berhari-hari bagi dokter.

Tes juga mengungkapkan bahwa sistem secara signifikan meningkatkan waktu respons perawatan. Data dari pemindaian dan diagnosis langsung tersedia bagi spesialis perawatan, dan mereka yang membutuhkan data secara otomatis dikirimkan informasi yang memerlukan perhatian prioritas, menghemat waktu berharga bagi pasien.

Manfaat Utama Interpretasi MRI Berbasis AI

Ada banyak manfaat yang dibawa teknologi ini ke pasar. Salah satunya, teknologi ini mengurangi waktu yang dibutuhkan untuk melakukan dan menginterpretasikan pemindaian MRI. Kinerja yang ditingkatkan ini membantu pasien menerima perawatan lebih cepat, bahkan saat sektor medis menghadapi kekurangan tenaga kerja yang signifikan.

Membuktikan Bantuan AI Ideal

Manfaat lain dari teknologi ini adalah membantu membuktikan bagaimana sistem AI dapat meningkatkan banyak prosedur medis saat ini. Sistem ini mengurangi beban pada profesional kesehatan sambil meningkatkan hasil. Dengan demikian, ia menjadi contoh berharga dari kekuatan sistem AI di seluruh sektor medis.

Diagnosis

Berbeda dengan beberapa sistem AI yang tidak memberikan alasan bagaimana mereka mencapai kesimpulan tertentu, model Prima AI menawarkan diagnosis diferensial yang dapat dijelaskan. Pendekatan ini memungkinkan pekerjaannya diperiksa kembali oleh dokter untuk memastikan akurasi dan memperoleh pendapat kedua.

Aplikasi Dunia Nyata dan Prospek Penyebaran

Terdapat banyak aplikasi teknologi ini, dengan yang paling jelas adalah meningkatkan praktik medis saat ini. Secara khusus, teknologi ini dapat diterapkan pada sektor pencitraan lain, membuat banyak analis memprediksi bahwa ia akan diterapkan pada mamografi, sinar-X dada, dan ultrasonografi dalam beberapa tahun mendatang.

Jalur Regulasi dan Jadwal Komersial

Teknologi ini dapat masuk pasar dalam 5 tahun ke depan. Ada permintaan kuat untuk apa pun yang dapat meningkatkan hasil perawatan kesehatan sambil mengurangi beban kerja dan stres pada profesional kesehatan saat ini.

Tim Peneliti dan Dukungan Institusional

Studi interpretasi AI MRI diprakarsai oleh peneliti Universitas Michigan. Makalah tersebut dipimpin oleh ahli bedah saraf dan asisten profesor bedah saraf di Sekolah Kedokteran U-M, Todd Hollon, serta ilmuwan data di Laboratorium Machine Learning in Neurosurgery, Samir Harake.

Studi tersebut mencantumkan 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., dan Honglak Lee, Ph.D. sebagai kontributor. Bersamaan dengan dukungan keuangan dari National Institute of Neurological Disorders and Stroke dari National Institutes of Health.

Pengembangan Masa Depan AI dalam Neuroimaging

Para insinyur mengakui bahwa mereka masih berada pada tahap awal pekerjaan mereka, namun hasilnya menjanjikan. Sekarang, tujuan mereka adalah mempersonalisasi sistem, memungkinkan AI mengakses rekam medis dan membuat diagnosis berdasarkan semua data yang tersedia secara real-time.

Investasi dalam Integrasi AI / Kesehatan

Dampak integrasi AI ke dalam pencitraan medis semakin cepat. Tidak seperti produsen perangkat yang beragam, generasi baru perusahaan membangun platform radiologi berbasis AI yang dirancang khusus untuk meningkatkan kecepatan diagnosis, efisiensi alur kerja, dan pengambilan keputusan klinis. Berikut satu perusahaan publik yang secara langsung berada di ruang pencitraan berbasis AI.

RadNet (RDNT)

RadNet (RDNT ) adalah salah satu penyedia pencitraan diagnostik rawat jalan terbesar di Amerika Serikat, mengoperasikan ratusan pusat pencitraan di seluruh negeri. Didirikan pada tahun 1981, perusahaan ini telah berkembang menjadi platform pencitraan terintegrasi secara vertikal yang menggabungkan layanan radiologi dengan kecerdasan buatan melalui anak perusahaan DeepHealth-nya.

Alih-alih memperlakukan AI sebagai tambahan, RadNet telah mengintegrasikan pembelajaran mesin langsung ke dalam alur kerja pencitraan. Melalui akuisisi dan pengembangan internal, perusahaan telah membangun alat AI yang dirancang untuk membantu radiolog dalam mendeteksi kanker payudara, nodul paru, kelainan neurologis, dan kondisi lainnya lebih awal dan lebih konsisten.

Titik balik utama terjadi dengan ekspansi DeepHealth, divisi AI RadNet, yang fokus pada penyebaran algoritma yang disetujui FDA di seluruh jaringan pencitraannya. Dengan menggabungkan data pencitraan proprietari dengan pengembangan AI, RadNet memperoleh manfaat dari pendapatan layanan serta kemampuan diagnostik yang ditingkatkan oleh perangkat lunak.

Pendekatan terintegrasi secara vertikal ini memberikan keunggulan kompetitif: data klinis dunia nyata memberi umpan balik untuk penyempurnaan algoritma, sementara alat AI meningkatkan throughput dan presisi diagnostik di pusat pencitraannya sendiri.

Ekspansi Platform Pencitraan Berbasis AI

RadNet terus memperluas portofolio AI-nya melalui kemitraan dan akuisisi, menargetkan penyebaran skala alat dukungan diagnosis di seluruh subspesialisasi radiologi. Seiring model pembayaran berubah dan volume pencitraan meningkat, sistem triase dan deteksi berbasis AI dapat secara material meningkatkan margin sambil mengurangi beban kerja radiolog.

Bagi investor yang mencari eksposur ke pencitraan medis berbasis AI dengan leverage operasional langsung, RadNet mewakili peluang yang lebih terfokus pada otomatisasi radiologi dibandingkan konglomerat medtech yang beragam.

Berita dan Kinerja Terbaru RadNet (RDNT)

AI Interpretation Brain Imaging | Conclusion

Studi interpretasi AI pada pencitraan otak membuka pintu untuk masa depan yang lebih cerah bagi pasien dan profesional medis. Sistem ini akan membantu memastikan bahwa pasien menerima perawatan berkualitas tinggi yang konsisten dan tersedia sepanjang waktu.

Itu juga mengurangi beban kerja pada profesional kesehatan yang sudah terlatih saat ini. Dengan demikian, pengembangan ini dapat membantu menciptakan sistem perawatan kesehatan yang lebih efektif di masa depan.

Pelajari tentang pengembangan AI keren lainnya di sini.

Referensi

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Mempelajari model neuroimaging dari data skala sistem kesehatan. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}