AI‑MRI‑modell oppnår 97,5% diagnostisk nøyaktighet

Et forskerteam ved University of Michigan har presentert et KI-system som automatisk kan stille diagnoser ut fra MR-bilder. Utviklingen kan revolusjonere feltet ved å gi pasienter over hele verden raskere og bedre tilgang til diagnostikk. Dette bør du vite.

Hvordan MR-teknologi fungerer i hjerneavbildning

Magnetresonanstomografi bruker magnetfelt og radiobølger til å lage detaljerte 2D- og 3D-bilder av organer og andre viktige kroppsdeler. MR-teknologien bygger på tidligere forskning på kjernemagnetisk resonans (NMR) fra andre verdenskrig.

I 1952 videreutviklet Felix Bloch og Edward Purcell konseptet og mottok Nobelprisen. Først da Paul Lauterbur la til romlige gradienter, kunne teknologien lage todimensjonale bilder av organer og vev. Radiofrekvenspulsene i MR gir ikke ioniserende stråling, noe som er en fordel sammenlignet med CT.

I dag er MR-skanninger vanlige. Ifølge rapporter utføres 150–200 millioner skanninger årlig. Studier viser dessuten at MR-bruken øker, med en vekst på 3–6 % i de fleste regioner. Det er derfor ikke overraskende at MR er blitt en kritisk del av helsevesenet.

Hvorfor tolkning av hjerne‑MR‑skanninger er utfordrende

Økende avhengighet av MR synliggjør også teknologiens ulemper. Det tar tid og stor nøyaktighet å tolke bildene, samtidig som mangelen på personell i helsesektoren øker.

Resultatene er at når MR‑bruken øker, legger den press på det allerede belastede medisinske systemet. Studier viser at belastningen varierer om det er et stort sykehus med en overflod av pasienter eller en mindre institusjon uten tilgang til fagfolk som kan tolke MR‑bilder. Likevel er resultatet det samme – pasienter pådrar seg økt risiko.

Kliniske risikoer ved forsinket MR‑tolkning

Problemet er at mange nevrologiske sykdommer som MR kan påvise, krever umiddelbar behandling. Behovet for rask diagnose og bedre resultater skaper derfor ofte tidsfrister som er vanskelige å overholde.

For eksempel er hjerneblødninger og slag primære eksempler på medisinske tilstander som MR‑skanninger kan oppdage og som krever umiddelbar medisinsk oppmerksomhet. Disse tilstandene er notorisk vanskelige å oppdage, og krever profesjonell gjennomgang for å utføre oppgaven.

Hjerneregioner

Nevroavbildning er et verdifullt verktøy for å undersøke pasienter med nevrologiske sykdommer. Den globale etterspørselen etter MR har derfor økt jevnt, noe som belaster helsevesenet, forlenger svartidene og forsterker utbrenthet blant leger.

University of Michigan utvikler AI‑MRI‑modell

Studien «Læring av nevroavbildningsmodeller fra data i helsesystemskala¹», publisert i Nature Biomedical Engineering, introduserer en spesialutviklet KI-algoritme som kan tolke MR-bilder på sekunder. Den kan dermed få stor betydning for fremtidens helsetjenester.

Prima: En visjon‑språk AI‑modell for MR‑diagnostikk

Skaperne beskriver Prima-algoritmen som «ChatGPT for medisinsk avbildning». KI-systemet forenkler og automatiserer mange av de mest komplekse delene av tolkningen av medisinske bilder.

Prima skiller seg fra andre KI-baserte MR-systemer ved å være en visjon-språkmodell (VLM) som behandler tekst, bilder og video samlet. Den hierarkiske visjonsarkitekturen gir svært høy nøyaktighet og ytelse.

Hvordan Prima fungerer som diagnostisk co‑pilot

Utviklerne ønsket å lage en pålitelig medpilot for tolkning av medisinske bildestudier. Primas særegne tilnærming gjør at modellen kan arbeide med et bredt spekter av diagnoser.

Dette står i sterk kontrast til forgjengerne, som hovedsakelig var rettet mot én bestemt del av MR-feltet. Prima er trent på et langt bredere datasett og kan derfor vurdere MR-data mer som en lege. Modellen kan forbedre alt fra diagnostikk til arbeidsflyt.

Trening av modellen på over 200 000 MR‑studier

Forskerne visste at trening av Prima krevde store datamengder. University of Michigan Health ga tilgang til over 200 000 MR-studier med mer enn 5,6 millioner bildesekvenser.

Ingeniørene integrerte deretter resultatene fra hver studie, inkludert pasienthistorikk og begrunnelsen for undersøkelsen. Dataene ble kryssjekket og knyttet til 50 radiologiske diagnoser som dekket flere nevrologiske tilstander.

Hvordan AI genererer differensialdiagnoser

Prima er utviklet for å gi raske diagnoser. Systemet sammenligner data mot en omfattende database av MR-bilder for å identifisere mange nevrologiske tilstander. Det tar også hensyn til hver pasients medisinske historie og kan lage en helhetlig pasientfil sammen med diagnosen.

AI-drevet akutttriagesystem

Prima kan avgjøre om en diagnose krever øyeblikkelig behandling. Når systemet oppdager et akutt behov, varsler det automatisk helsepersonell slik at det ikke oppstår forsinkelse mellom diagnose og behandling. Dette kan redde liv når rask handling er avgjørende.

Automatisert varslingsarbeidsflyt for spesialister

En viktig funksjon er at Prima automatisk varsler riktig subspesialist etter diagnosen. Hvis en skanning for eksempel viser risiko for hjerneslag, kontakter systemet nevrokirurgen og ber om akutt behandling.

Klinisk testing og validering av AI‑modellen

Testingen av Prima begynte for ett år siden. Forskerne gjennomførte tusenvis av diagnoser og sammenlignet dem med legenes vurderinger. Totalt omfattet testingen 29 431 MR-studier.

AI‑MRI‑modell oppnår 97,5 % diagnostisk ytelse

Sveip for å bla →

Primas nøyaktighet bekreftet utviklernes forventninger. Modellen oppnådde 97,5 %, langt bedre enn andre KI-løsninger. Teamet påpekte dessuten at systemet stilte diagnosen på sekunder, mens leger kunne ha brukt flere dager.

Testene viste også at systemet forkortet responstiden betydelig. Skannedata og diagnose ble straks tilgjengelig for behandlingsspesialister, og de som trengte informasjonen, mottok automatisk prioriterte varsler. Dermed sparte pasientene verdifull tid.

Nøkkelfordeler med AI‑drevet MR‑tolkning

Teknologien gir en lang rekke fordeler. Den reduserer tiden som kreves for å utføre og tolke MR-skanninger, slik at pasientene får raskere behandling selv når helsesektoren står overfor stor personellmangel.

Beviser at AI‑assistanse er ideell

Teknologien viser også hvordan KI kan forbedre mange eksisterende medisinske prosedyrer. Systemet reduserer belastningen på helsepersonell samtidig som resultatene blir bedre, og er et verdifullt eksempel på KI-systemenes potensial i helsesektoren.

Diagnostikk

I motsetning til KI-systemer som ikke forklarer hvordan de kom frem til en konklusjon, gir Prima forklarbare differensialdiagnoser. Leger kan dermed kontrollere arbeidet for å sikre nøyaktighet og få et supplerende faglig syn.

Virkelige anvendelser og utsikter for utrulling

Teknologien har mange anvendelser, først og fremst forbedring av dagens medisinske praksis. Den kan også tas i bruk på andre bildeområder, og mange analytikere forventer anvendelse på mammografi, røntgen av brystkassen og ultralyd de kommende årene.

Regulatorisk vei og kommersiell tidslinje

Teknologien kan nå markedet i løpet av de neste fem årene. Etterspørselen er stor etter løsninger som forbedrer behandlingsresultater og samtidig reduserer arbeidsbelastningen og stresset hos helsepersonell.

Forskningsgruppe og institusjonell støtte

Studien om KI-basert MR-tolkning ble utført av forskere ved University of Michigan. Arbeidet ble ledet av nevrokirurg og førsteamanuensis ved U-M Medical School, Todd Hollon, og dataforskeren Samir Harake fra Machine Learning in Neurosurgery Lab.

Studien oppgir 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. og Honglak Lee, Ph.D. som bidragsytere. Arbeidet fikk økonomisk støtte fra National Institute of Neurological Disorders and Stroke ved National Institutes of Health.

Fremtidig utvikling av AI i neuroavbildning

Ingeniørene erkjenner at arbeidet fortsatt er i en tidlig fase, men resultatene er lovende. Målet er nå å tilpasse systemet til den enkelte pasient, slik at KI kan hente journaldata og stille diagnoser i sanntid ut fra all tilgjengelig informasjon.

Investering i AI / helseintegrasjoner

Integreringen av KI i medisinsk avbildning går stadig raskere. I stedet for brede utstyrsprodusenter bygger en ny generasjon selskaper KI-native radiologiplattformer som skal forbedre diagnosehastighet, arbeidsflyt og kliniske beslutninger. Ett børsnotert selskap er direkte posisjonert i dette markedet.

RadNet (RDNT)

RadNet (RDNT ) er en av USAs største tilbydere av poliklinisk bildediagnostikk og driver hundrevis av sentre over hele landet. Selskapet ble grunnlagt i 1981 og har utviklet en vertikalt integrert plattform som kombinerer radiologitjenester med kunstig intelligens gjennom datterselskapet DeepHealth.

RadNet behandler ikke KI som et tillegg, men har integrert maskinlæring direkte i arbeidsflyten. Gjennom oppkjøp og intern utvikling har selskapet laget verktøy som hjelper radiologer med å oppdage brystkreft, lungeknuter, nevrologiske avvik og andre tilstander tidligere og mer konsekvent.

Et viktig vendepunkt kom med utvidelsen av DeepHealth, RadNets KI-avdeling, som ruller ut FDA-godkjente algoritmer i bildediagnostikknettverket. Ved å kombinere egne bildedata med KI-utvikling får RadNet både tjenesteinntekter og programvareforbedrede diagnosemuligheter.

Den vertikalt integrerte modellen gir et konkurransefortrinn: kliniske data fra den virkelige verden forbedrer algoritmene, mens KI-verktøy øker kapasiteten og den diagnostiske presisjonen i selskapets egne sentre.

AI‑drevet utvidelse av bildediagnostikkplattformen

RadNet utvider KI-porteføljen gjennom partnerskap og oppkjøp med sikte på skalerbar utrulling av diagnostiske støtteverktøy på tvers av radiologiske fagområder. Når refusjonsmodellene utvikles og bildevolumet øker, kan KI-assistert prioritering og påvisning forbedre marginene betydelig og redusere radiologenes arbeidsbelastning.

For investorer som ønsker eksponering mot KI-drevet medisinsk avbildning med direkte operasjonell effekt, er RadNet en mer rendyrket investering i radiologiautomatisering enn diversifiserte medisintekniske konsern.

Siste nyheter og resultater for RadNet (RDNT)

AI‑tolkning av hjerneavbildning | Konklusjon

Studien av KI-tolkning av hjernebilder åpner for en bedre fremtid for pasienter og helsepersonell. Slike systemer kan bidra til at pasienter får behandling av høy kvalitet som er konsekvent og tilgjengelig døgnet rundt.

Teknologien reduserer også arbeidsbelastningen for dagens allerede hardt pressede helsepersonell. Utviklingen kan dermed bidra til et mer effektivt helsevesen i fremtiden.

Lær mer om andre spennende AI‑utviklinger her.

Referanser

^{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}