Prima: il modello di IA per la risonanza magnetica cerebrale allo studio

Un gruppo di ricercatori dell’Università del Michigan ha presentato un sistema di intelligenza artificiale che analizza le risonanze magnetiche cerebrali e propone possibili diagnosi. La ricerca potrebbe favorire valutazioni più rapide e un accesso migliore alla diagnostica, ma non dimostra che il sistema possa sostituire i medici. Ecco cosa sapere.

Come funziona la risonanza magnetica nell’imaging cerebrale

La risonanza magnetica (RM) utilizza campi magnetici e onde radio per creare immagini dettagliate, bidimensionali e tridimensionali, degli organi e di altre parti del corpo. La tecnologia deriva dai precedenti studi sulla risonanza magnetica nucleare (NMR), sviluppati intorno al periodo della Seconda guerra mondiale.

Felix Bloch ed Edward Purcell contribuirono allo sviluppo del concetto e ricevettero il premio Nobel nel 1952. Successivamente, Paul Lauterbur introdusse gradienti spaziali che permisero di ottenere immagini bidimensionali di organi e tessuti. Gli impulsi a radiofrequenza utilizzati nella RM non producono radiazioni ionizzanti, un vantaggio rispetto alla tomografia computerizzata.

Oggi gli esami di RM sono comuni. Secondo alcune stime, ogni anno ne vengono eseguiti 150–200 milioni. Inoltre, gli studi di mercato indicano una crescita dell’utilizzo, con aumenti del 3–6% in molte regioni. La RM è quindi diventata una componente essenziale della diagnostica medica.

Perché interpretare le RM cerebrali è complesso

La crescente dipendenza dalla RM mette in evidenza anche i suoi limiti organizzativi. Interpretare le immagini richiede tempo e precisione, mentre la domanda aumenta in un settore sanitario che deve già affrontare carenze di personale.

L’aumento degli esami accresce la pressione su sistemi sanitari già sovraccarichi. Le difficoltà possono essere diverse: un grande ospedale deve gestire molti pazienti, mentre una struttura più piccola può non disporre di specialisti in grado di interpretare le immagini. In entrambi i casi, i ritardi possono aumentare i rischi per i pazienti.

Rischi clinici dei ritardi nell’interpretazione della RM

Molte patologie neurologiche individuabili con la RM richiedono un intervento tempestivo. Conciliare un’interpretazione accurata con la necessità di agire rapidamente può quindi essere difficile, soprattutto quando i tempi di refertazione si allungano.

Le emorragie cerebrali e gli ictus sono esempi di condizioni che la RM può contribuire a individuare e che richiedono assistenza immediata. Riconoscerne i segni nelle immagini può essere complesso e richiede una valutazione professionale.

Regioni del cervello

L’imaging neurologico è uno strumento prezioso per valutare i pazienti con patologie del sistema nervoso. La domanda mondiale di RM è cresciuta costantemente, aumentando il carico sui servizi sanitari, allungando i tempi di refertazione e contribuendo all’esaurimento professionale dei medici.

L’Università del Michigan sviluppa un modello di IA per la RM

Lo studio «Apprendimento di modelli di neuroimaging da dati su scala di sistema sanitario¹», pubblicato su Nature Biomedical Engineering, presenta un algoritmo di IA progettato per analizzare le RM in pochi secondi. I risultati indicano potenziali applicazioni cliniche, che richiedono ulteriori verifiche prima di un impiego ordinario.

Prima: un modello di IA basato su immagini e linguaggio per la diagnostica RM

I suoi creatori descrivono Prima come una sorta di «ChatGPT per l’imaging medico». Il sistema è progettato per semplificare e automatizzare alcune delle attività più complesse dell’interpretazione delle immagini, fornendo supporto ai professionisti.

Prima utilizza un’architettura gerarchica per elaborare le immagini e un addestramento che mette in relazione le sequenze RM con il linguaggio dei referti. Questo approccio permette di ottenere rappresentazioni utilizzabili per diversi compiti diagnostici, anziché limitare il modello a una singola patologia.

Come Prima può assistere il medico nella diagnosi

Gli sviluppatori spiegano di voler creare un assistente affidabile per l’interpretazione degli esami di imaging medico. L’approccio di Prima mira a sostenere la valutazione di un ampio insieme di diagnosi, lasciando al personale sanitario la responsabilità delle decisioni cliniche.

Molti sistemi precedenti erano concentrati su un settore molto specifico dell’imaging RM. L’addestramento più ampio di Prima potrebbe renderlo utile per diversi compiti, dalla formulazione di ipotesi diagnostiche alla gestione del lavoro. Ciò non equivale a dimostrare capacità cliniche autonome paragonabili a quelle di un medico.

Addestramento su oltre 220.000 esami di RM

Per addestrare Prima era necessario un grande volume di dati. University of Michigan Health ha fornito oltre 220.000 esami di RM, comprendenti più di 5,6 milioni di sequenze di immagini.

Il materiale di addestramento comprendeva i referti associati agli esami e le informazioni cliniche disponibili. I ricercatori hanno collegato questi dati alle categorie diagnostiche da valutare, coprendo un ampio insieme di patologie neurologiche.

Come l’IA propone diagnosi differenziali

Prima è progettato per produrre rapidamente ipotesi diagnostiche a partire dai dati degli esami. Il modello utilizza quanto appreso dalle immagini e dai referti per riconoscere possibili condizioni neurologiche. Le sue proposte devono essere interpretate nel contesto della storia clinica del paziente e verificate da un medico.

Supporto dell’IA al triage delle urgenze

Prima è stato valutato anche per identificare gli esami che potrebbero richiedere maggiore urgenza. Il sistema può supportare la segnalazione dei casi prioritari ai sanitari. Questo potrebbe ridurre alcuni ritardi, ma lo studio non garantisce l’eliminazione dei tempi d’attesa né dimostra un beneficio sulla sopravvivenza.

Raccomandazioni per l’invio allo specialista

Un’altra funzione consiste nel suggerire quale specialista coinvolgere. In presenza di segni compatibili con un ictus, per esempio, il percorso potrebbe interessare un neurologo esperto di ictus o un neurochirurgo, a seconda del caso. Le raccomandazioni devono essere integrate nei protocolli clinici e supervisionate dai sanitari.

Valutazione clinica e validazione del modello di IA

La valutazione descritta nello studio ha coperto un anno e incluso 29.431 esami di RM. I ricercatori hanno confrontato le previsioni del sistema con i riferimenti clinici disponibili per misurarne le prestazioni.

Prestazioni diagnostiche: AUC media di 0,920

Scorri lateralmente →

L’articolo originale riportava 0,975 come AUROC, ma lo studio pubblicato indica un’AUC diagnostica media di 0,920 sulle 52 diagnosi considerate. Un’AUROC di 0,975 non significherebbe comunque che il 97,5% delle diagnosi è corretto: misura la capacità di distinguere casi positivi e negativi al variare della soglia. Il tempo di elaborazione di pochi secondi non coincide con il tempo necessario per completare l’intero percorso diagnostico.

Le funzioni di prioritizzazione e di invio allo specialista potrebbero rendere disponibili prima le informazioni rilevanti e aiutare a organizzare il lavoro. Questi risultati indicano un potenziale miglioramento dei flussi clinici, senza dimostrare che tutti i pazienti ricevano già cure più rapide nella pratica quotidiana.

Potenziali vantaggi dell’interpretazione della RM assistita dall’IA

Una possibile utilità della tecnologia è ridurre il tempo dedicato ad alcune attività di analisi e prioritizzazione degli esami. Se validata e integrata correttamente, potrebbe aiutare i servizi a gestire la domanda crescente nonostante le carenze di personale.

Il valore del supporto dell’IA

Questa ricerca mostra come l’IA possa affiancare alcune procedure mediche esistenti. L’obiettivo è alleggerire il carico sui professionisti mantenendo la qualità della valutazione. Per stabilire l’effettivo beneficio sono però necessarie verifiche nei contesti in cui il sistema verrà utilizzato.

Diagnosi

Prima propone diagnosi differenziali accompagnate da elementi che ne rendono più comprensibile il ragionamento. I medici possono così esaminare e verificare i suggerimenti. La spiegabilità facilita il controllo, ma non garantisce da sola la correttezza della diagnosi.

Applicazioni pratiche e prospettive di adozione

L’applicazione più immediata riguarda il supporto all’interpretazione delle immagini neurologiche. I ricercatori prospettano possibili sviluppi anche in altri ambiti, come mammografia, radiografia del torace ed ecografia. Queste estensioni richiederebbero dati, addestramento e validazioni specifici.

Percorso normativo e tempi di commercializzazione

Prima resta una tecnologia di ricerca e non ha una data certa di commercializzazione indicata nello studio. Un eventuale impiego clinico ordinario dipenderebbe da ulteriori validazioni, dall’integrazione nei servizi e dai requisiti normativi applicabili. La previsione di un arrivo sul mercato entro cinque anni non è una scadenza confermata.

Gruppo di ricerca e sostegno istituzionale

La ricerca sull’interpretazione delle RM mediante IA è stata condotta all’Università del Michigan. Tra i ricercatori coinvolti figurano Todd Hollon, neurochirurgo e professore assistente di neurochirurgia alla U-M Medical School, e Samir Harake, data scientist del Machine Learning in Neurosurgery Lab.

Lo studio elenca tra i collaboratori 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., e Honglak Lee, Ph.D. La ricerca ha ricevuto sostegno finanziario dal National Institute of Neurological Disorders and Stroke dei National Institutes of Health.

Sviluppi futuri dell’IA nel neuroimaging

I ricercatori riconoscono che il lavoro è ancora in una fase iniziale. Tra gli obiettivi futuri vi è una maggiore personalizzazione, attraverso l’integrazione delle informazioni cliniche del paziente. Si tratta di una direzione di sviluppo, non di una capacità clinica pienamente dimostrata dal sistema attuale.

Investire nell’integrazione dell’IA in sanità

L’integrazione dell’IA nell’imaging medico sta attirando l’attenzione degli investitori. Accanto ai produttori di dispositivi diversificati, alcune aziende sviluppano piattaforme radiologiche in cui l’IA è parte centrale dei servizi. Un esempio quotato è RadNet, attiva nell’imaging diagnostico e nei relativi strumenti software; questo non implica un suo coinvolgimento nello sviluppo di Prima.

RadNet (RDNT)

RadNet (RDNT ) è uno dei maggiori fornitori statunitensi di imaging diagnostico ambulatoriale e gestisce centinaia di centri nel paese. Fondata nel 1981, l’azienda ha sviluppato una piattaforma verticalmente integrata che combina servizi radiologici e intelligenza artificiale attraverso DeepHealth.

RadNet integra strumenti di apprendimento automatico nei flussi di lavoro dell’imaging. Attraverso acquisizioni e sviluppo interno, ha costruito una gamma di soluzioni pensate per aiutare i radiologi a individuare tumori al seno, noduli polmonari, anomalie neurologiche e altre condizioni in modo più tempestivo e coerente.

L’espansione di DeepHealth, la divisione di IA di RadNet, ha rafforzato l’attenzione verso l’impiego di algoritmi autorizzati dalla FDA per specifiche indicazioni. La combinazione tra dati di imaging proprietari e sviluppo software può affiancare ai ricavi dei servizi nuove capacità diagnostiche assistite dalla tecnologia.

Questa integrazione verticale può offrire un vantaggio competitivo: i dati clinici contribuiscono al perfezionamento degli algoritmi e gli strumenti di IA possono sostenere la capacità operativa e la precisione diagnostica nei centri dell’azienda. I risultati dipendono comunque dalle prestazioni dei singoli strumenti e dal loro utilizzo.

Espansione della piattaforma di imaging basata sull’IA

RadNet amplia la propria offerta di IA attraverso collaborazioni e acquisizioni, puntando a distribuire strumenti di supporto diagnostico in diverse specialità radiologiche. Con l’evoluzione dei rimborsi e l’aumento degli esami, i sistemi di triage e rilevamento assistiti dall’IA potrebbero migliorare l’efficienza e ridurre il carico sui radiologi, senza garantire automaticamente margini più elevati.

Per gli investitori interessati all’imaging medico basato sull’IA, RadNet offre un’esposizione più concentrata all’automazione radiologica rispetto ai conglomerati medtech diversificati. Questa concentrazione comporta anche una maggiore dipendenza dai risultati del settore e dall’esecuzione della strategia aziendale.

Ultime notizie e andamento di RadNet (RDNT)

Interpretazione delle immagini cerebrali con l’IA | Conclusioni

La ricerca su Prima apre prospettive interessanti per pazienti e professionisti sanitari. Il supporto automatizzato all’analisi delle immagini potrebbe contribuire a servizi più tempestivi e coerenti, purché accompagnato da validazione, supervisione clinica e un’integrazione adeguata.

Alleggerire alcune attività dei sanitari potrebbe rendere più efficiente l’assistenza. I risultati attuali rappresentano però una tappa della ricerca e non una prova che il sistema sia già pronto a gestire autonomamente la diagnosi o il trattamento.

Scopri altri sviluppi dell’intelligenza artificiale qui.

Riferimenti

^{1. Lyu, Y., Harake, S., Chowdury, A. e altri. Apprendimento di modelli di neuroimaging da dati su scala di sistema sanitario. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}