AI-MRI-model bereikt 97,5% diagnostische nauwkeurigheid

Een team van wetenschappers van de University of Michigan heeft een AI‑systeem onthuld dat patiënten automatisch kan diagnosticeren aan de hand van MRI‑scans. Deze ontwikkeling heeft het potentieel de industrie te revolutioneren, door snellere en meer toegankelijke zorg te bieden aan patiënten wereldwijd. Hier is wat u moet weten.

Hoe MRI‑technologie werkt bij hersenbeeldvorming

Magnetic Resonance Imaging maakt gebruik van magnetische velden en radiogolven om diepgaande 2D/3D‑beelden van organen en andere vitale lichaamsdelen te creëren. MRI‑technologie is ontstaan uit eerder werk aan magnetische resonantie (NMR) uitgevoerd tijdens de Tweede Wereldoorlog.

In 1952 brachten Felix Bloch en Edward Purcell het concept verder en wonnen ze diezelfde jaar de Nobelprijs. Pas toen Paul Lauterbur ruimtelijke gradiënten toevoegde, kon de technologie 2D‑beelden van organen en weefsels maken. Opmerkelijk is dat de radiogolfpulsen die bij MRI‑scans worden gebruikt geen ioniserende straling produceren, waardoor ze ideaal zijn in vergelijking met CT‑scans.

Vandaag zijn MRI‑scans alledaags. Volgens rapporten worden jaarlijks 150‑200 miljoen scans uitgevoerd. Daarnaast tonen studies aan dat het gebruik van MRI toeneemt, met de meeste regio’s die een stijging van 3‑6 % in deze procedures zien. Het is dan ook geen verrassing dat MRI’s nu een cruciaal onderdeel van het medische systeem vormen.

Waarom het interpreteren van hersen‑MRI‑scans uitdagend is

Naarmate de afhankelijkheid van MRI toeneemt, komen de nadelen van deze technologie duidelijk naar voren. Ten eerste kost het interpreteren van deze beelden tijd en precisie. Deze vraag is toegenomen door de groeiende personeelstekorten in de zorgsector.

Het gevolg is dat een toenemend gebruik van MRI een extra belasting legt op een al gespannen medisch systeem. Studies tonen aan dat de druk verschilt tussen een groot ziekenhuis met een toestroom van patiënten en een kleinere instelling zonder toegang tot professionals die MRI‑beelden kunnen interpreteren. De uitkomst is echter hetzelfde – patiënten lopen verhoogde risico’s.

Klinische risico’s van vertraagde MRI‑interpretatie

Het probleem is dat veel neurologische aandoeningen die MRI kan detecteren onmiddellijke aandacht vereisen. Deze eis betekent dat er een balans moet worden gevonden tussen tijdige diagnose en verbeterde uitkomsten, wat vaak leidt tot gemiste deadlines.

Zo zijn hersenbloedingen en beroertes prominente voorbeelden van medische aandoeningen die MRI‑scans kunnen detecteren en onmiddellijke medische zorg vereisen. Deze aandoeningen zijn echter berucht moeilijk te herkennen en vereisen professionele beoordeling.

Hersenregio’s

Neuroimaging is een waardevol instrument voor de evaluatie van patiënten met neurologische aandoeningen. Als gevolg hiervan is de wereldwijde vraag naar MRI‑scans gestaag gestegen, waardoor de druk op gezondheidssystemen toeneemt, de doorlooptijden verlengen en de burn‑out onder artsen intensiveren.

University of Michigan ontwikkelt AI‑MRI‑model

De studie “Learning neuroimaging models from health system-scale data¹” gepubliceerd in Nature Biomedical Engineering introduceert een speciaal ontwikkeld AI‑algoritme dat MRI‑beelden in enkele seconden kan interpreteren. Hierdoor heeft het de potentie om de gezondheidszorg in de toekomst te revolutioneren.

Prima: Een vision‑language AI‑model voor MRI‑diagnose

Het Prima‑AI‑MRI‑beeldvormingsalgoritme wordt door de makers omschreven als de “ChatGPT voor medische beeldvorming”. Het AI‑systeem stroomlijnt en automatiseert veel van de meest complexe aspecten van medische beeldinterpretatie.

Prima verschilt van andere AI‑MRI‑scanners doordat het een vision‑language model (VLM) is, wat betekent dat het tekst, beelden en video gezamenlijk verwerkt. Het gebruik van een hiërarchische visie‑architectuur stelt het systeem in staat ongeëvenaarde nauwkeurigheid en prestaties te leveren.

Hoe Prima functioneert als diagnostische co‑pilot

Over het algoritme spraken de ontwikkelaars dat ze een betrouwbare co‑pilot wilden creëren voor het interpreteren van medische beeldstudies. In die zin zijn ze geslaagd, want Prima’s unieke aanpak stelt het in staat over een breed spectrum van diagnoses te opereren.

Deze benadering staat in schril contrast met eerdere systemen, die zich voornamelijk richtten op een specifiek subsegment van MRI‑beeldvorming. Omdat Prima getraind is op een veel grotere dataset, kan het MRI‑data beoordelen zoals een echte arts. Hierdoor belooft Prima alles te verbeteren, van diagnose tot workflow.

Training van het model op meer dan 200.000 MRI‑studies

Om Prima te trainen, wisten de wetenschappers dat ze toegang nodig hadden tot een enorme hoeveelheid data. Gelukkig bood de University of Michigan Health directe toegang tot meer dan 200.000 MRI‑studies, inclusief meer dan 5,6 miljoen beeldreeksen.

De ingenieurs integreerden vervolgens de resultaten van elke studie, inclusief patiëntgeschiedenissen en de reden voor de scan. Deze data werd vervolgens gekruist, en 50 verschillende radiologische diagnoses werden geïntegreerd, die diverse neurologische aandoeningen beslaan.

Hoe de AI differentiële diagnoses genereert

Prima is gebouwd om tijdige diagnoses te leveren. Het systeem kruist zijn enorme database van MRI‑scans en bijbehorende data om een breed scala aan neurologische aandoeningen te identificeren. Bovendien houdt het rekening met de specifieke medische geschiedenis van elke patiënt, waardoor het een uitgebreid dossier per patiënt kan opstellen, samen met een diagnose.

AI‑gedreven noodtriagesysteem

Indrukwekkend is dat Prima kan bepalen of de diagnose onmiddellijke medische zorg vereist. Wanneer urgentie wordt gedetecteerd, meldt het systeem automatisch zorgprofessionals, zodat er geen vertraging optreedt tussen diagnose en behandeling. Deze functie helpt levens te redden in gevallen waarin directe actie nodig is.

Geautomatiseerde workflow voor specialist‑notificatie

Een van de coolste aspecten van Prima is dat het automatisch de juiste subspecialist informeert na de diagnose. Bijvoorbeeld, als de scan een verhoogd risico op een beroerte aangeeft, weet het systeem de neurochirurg te contacteren en om spoedzorg te vragen.

Klinische testing en validatie van het AI‑model

De testing van het Prima‑systeem begon een jaar geleden. De wetenschappers besteedden deze tijd aan het uitvoeren van duizenden diagnoses op patiënten en deze vervolgens te vergelijken met de diagnose van artsen. In totaal werden 29.431 MRI‑studies voltooid.

AI‑MRI‑model behaalt 97,5 % diagnostische prestatie

Swipe om te scrollen →

De nauwkeurigheid van Prima bewees dat de ingenieurs gelijk hadden. Het model scoorde 97,5 %, ver boven de resultaten van elke AI‑concurrent. Bovendien merkte het team op dat het systeem de diagnose in seconden kon voltooien, terwijl artsen dagen nodig zouden hebben.

De tests toonden ook aan dat het systeem de reactietijd van de zorg aanzienlijk verbeterde. De data van de scans en diagnose waren onmiddellijk beschikbaar voor zorgspecialisten, en degenen die de data nodig hadden, kregen automatisch de informatie met prioriteit, waardoor patiënten kostbare tijd bespaarden.

Belangrijkste voordelen van AI‑ondersteunde MRI‑interpretatie

Er is een lange lijst met voordelen die deze technologie biedt. Ten eerste verkort het de tijd die nodig is om MRI‑scans uit te voeren en te interpreteren. Deze verbeterde prestaties helpen patiënten sneller zorg te ontvangen, zelfs terwijl de medische sector kampt met grote personeelstekorten.

Bewijst dat AI‑ondersteuning ideaal is

Een ander voordeel is dat de technologie aantoont hoe AI‑systemen veel huidige medische procedures kunnen verbeteren. Het systeem vermindert de last voor zorgprofessionals terwijl de resultaten verbeteren. Hierdoor dient het als een waardevol voorbeeld van de kracht van AI‑systemen in de hele medische sector.

Diagnose

In tegenstelling tot sommige AI‑systemen die geen reden geven voor hun conclusie, biedt het Prima‑AI‑model verklaarbare differentiële diagnoses. Deze aanpak maakt het mogelijk dat artsen het werk dubbel controleren om nauwkeurigheid te waarborgen en een second opinion te verkrijgen.

Toepassingen in de praktijk en vooruitzichten voor implementatie

Er zijn veel toepassingen van deze technologie, waarvan de voor de hand liggende is het verbeteren van de huidige medische praktijken. Opmerkelijk is dat deze technologie kan worden toegepast op andere beeldvormingssectoren, waardoor analisten voorspellen dat het in de komende jaren zal worden ingezet voor mammogrammen, thorax‑röntgenfoto’s en echografieën.

Reguleringspad en commerciële tijdlijn

Deze technologie zou binnen de komende vijf jaar op de markt kunnen verschijnen. Er is een sterke vraag naar alles wat de resultaten in de gezondheidszorg kan verbeteren terwijl de werklast en stress voor hedendaagse zorgprofessionals wordt verminderd.

Onderzoeksteam en institutionele steun

De AI‑MRI‑interpretatiestudie werd gepresenteerd door onderzoekers van de University of Michigan. Het artikel werd geleid door neurochirurg en assistent‑professor neurochirurgie aan de U‑M Medical School, Todd Hollon, en een data‑wetenschapper van het Machine Learning in Neurosurgery Lab, Samir Harake.

De studie vermeldt 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., en Honglak Lee, Ph.D. als bijdragers. Daarnaast is er financiële steun van het National Institute of Neurological Disorders and Stroke van de National Institutes of Health.

Toekomstige ontwikkeling van AI in neuroimaging

De ingenieurs erkennen dat ze zich nog in een vroeg stadium bevinden, maar de resultaten zien er veelbelovend uit. Hun doel is nu om het systeem te personaliseren, zodat de AI toegang krijgt tot medische dossiers en diagnoses kan stellen op basis van alle beschikbare data in realtime.

Investeren in AI / integraties in de gezondheidszorg

De impact van AI‑integratie in medische beeldvorming versnelt. In tegenstelling tot gediversifieerde apparaatfabrikanten, bouwt een nieuwe generatie bedrijven AI‑native radiologieplatformen die specifiek zijn ontworpen om de diagnostische snelheid, workflow‑efficiëntie en klinische besluitvorming te verbeteren. Hier is één beursgenoteerd bedrijf dat direct gepositioneerd is in de AI‑aangedreven beeldvormingsmarkt.

RadNet (RDNT)

RadNet (RDNT ) is een van de grootste aanbieders van poliklinische diagnostische beeldvorming in de Verenigde Staten, met honderden beeldvormingscentra landelijk. Opgericht in 1981 is het bedrijf uitgegroeid tot een verticaal geïntegreerd beeldvormingsplatform dat radiologiediensten combineert met kunstmatige intelligentie via haar dochteronderneming DeepHealth.

In plaats van AI te behandelen als een extra functie, heeft RadNet machine learning direct geïntegreerd in de beeldvormingsworkflows. Via overnames en interne ontwikkeling heeft het bedrijf AI‑tools ontwikkeld die radiologen helpen bij het vroegtijdig en consistenter detecteren van borstkanker, longnodulen, neurologische afwijkingen en andere aandoeningen.

Een belangrijk keerpunt kwam met de uitbreiding van DeepHealth, de AI‑divisie van RadNet, die zich richt op het inzetten van FDA‑goedgekeurde algoritmen over het hele beeldvormingsnetwerk. Door eigen beeldvormingsdata te combineren met AI‑ontwikkeling profiteert RadNet zowel van service‑inkomsten als van software‑verbeterde diagnostische mogelijkheden.

Deze verticaal geïntegreerde aanpak biedt een concurrentievoordeel: real‑world klinische data voeden algoritme‑refinement, terwijl AI‑tools de doorvoersnelheid en diagnostische precisie binnen de eigen beeldvormingscentra verhogen.

AI‑gedreven uitbreiding van het beeldvormingsplatform

RadNet blijft haar AI‑portfolio uitbreiden via partnerschappen en overnames, met als doel schaalbare inzet van diagnostische ondersteunings‑tools over radiologie‑subspecialisaties. Naarmate vergoedingsmodellen evolueren en het volume van beeldvorming stijgt, kunnen AI‑ondersteunde triage‑ en detectiesystemen de marges substantieel verbeteren en de werklast van radiologen verminderen.

Voor beleggers die blootstelling zoeken aan AI‑aangedreven medische beeldvorming met directe operationele hefboom, vertegenwoordigt RadNet een meer gerichte inzet op radiologie‑automatisering dan gediversifieerde medtech‑conglomeraten.

Laatste RadNet (RDNT) nieuws en prestaties

AI‑interpretatie hersenbeeldvorming | Conclusie

De AI‑interpretatie‑studie voor hersenbeeldvorming opent de deur naar een helderdere toekomst voor patiënten en medische professionals. Deze systemen helpen ervoor te zorgen dat patiënten hoogwaardige zorg ontvangen die consistent en 24 uur per dag beschikbaar is.

Ze verminderen ook de werklast van de reeds getrainde zorgprofessionals van vandaag. Hierdoor zou deze ontwikkeling kunnen bijdragen aan een effectiever zorgsysteem in de toekomst.

Lees hier meer over andere coole AI‑ontwikkelingen hier.

Referenties

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Learning neuroimaging models from health system-scale data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}