Modelo de IA para ressonância magnética atinge 97.5% de precisão diagnóstica.

Uma equipe de cientistas da Universidade de Michigan revelou um sistema de IA capaz de diagnosticar pacientes automaticamente a partir de exames de ressonância magnética. Esse desenvolvimento tem o potencial de revolucionar o setor, proporcionando acesso mais rápido e eficiente a pacientes em todo o mundo. Veja o que você precisa saber.

Como funciona a tecnologia de ressonância magnética na imagem cerebral

A ressonância magnética utiliza campos magnéticos e ondas de rádio para criar imagens detalhadas em 2D/3D de órgãos e outras partes vitais do corpo. A tecnologia de RM surgiu a partir de trabalhos anteriores sobre ressonância magnética (RMN) realizados durante a Segunda Guerra Mundial.

Em 1952, Felix Bloch e Edward Purcell levaram o conceito adiante, ganhando o Prêmio Nobel naquele mesmo ano. No entanto, foi somente com a adição de gradientes espaciais por Paul Lauterbur que a tecnologia se tornou capaz de criar imagens 2D de órgãos e tecidos. Notavelmente, os pulsos de radiofrequência utilizados em exames de ressonância magnética não produzem radiação ionizante, tornando-os ideais em comparação com a tomografia computadorizada.

Hoje em dia, as ressonâncias magnéticas são comuns. De acordo com relatóriosSão realizados entre 150 e 200 milhões de exames por ano. Além disso, estudos Os dados mostram que o uso da ressonância magnética está em ascensão, com a maioria das regiões apresentando um aumento de 3 a 6% nesses procedimentos. Assim, não é surpresa que a ressonância magnética seja hoje um componente crucial do sistema médico.

Por que interpretar exames de ressonância magnética cerebral é um desafio

Com o aumento da dependência da ressonância magnética, algumas das desvantagens dessa tecnologia vêm à tona. Por exemplo, a interpretação dessas imagens exige tempo e precisão. Essa demanda aumentou em meio à crescente escassez de profissionais na área médica.

Os resultados mostram que, com o aumento do uso da ressonância magnética, a pressão sobre o já sobrecarregado sistema de saúde aumenta. Estudos demonstram que essa pressão varia dependendo se o hospital em questão é um grande centro com excesso de pacientes ou uma unidade menor sem acesso a profissionais capacitados para interpretar imagens de ressonância magnética. No entanto, o resultado é o mesmo: os pacientes correm maiores riscos.

Riscos clínicos da interpretação tardia da ressonância magnética

O problema é que muitas das doenças neurológicas que a ressonância magnética ajuda a detectar exigem atenção imediata. Essa necessidade implica um equilíbrio delicado entre o diagnóstico oportuno e a obtenção de melhores resultados, o que frequentemente resulta em atrasos.

Por exemplo, hemorragias cerebrais e acidentes vasculares cerebrais são exemplos claros de condições médicas que exames de ressonância magnética podem detectar e que exigem atenção médica imediata. No entanto, essas condições são notoriamente difíceis de identificar, necessitando de avaliação profissional para o diagnóstico preciso.

Regiões do cérebro

A neuroimagem é uma ferramenta valiosa para avaliar pacientes com doenças neurológicas. Consequentemente, a demanda global por exames de ressonância magnética tem aumentado constantemente, exercendo uma pressão substancial sobre os sistemas de saúde, prolongando os tempos de espera e intensificando o esgotamento profissional dos médicos.

Universidade de Michigan desenvolve modelo de IA para ressonância magnética

O "Aprendendo modelos de neuroimagem a partir de dados em escala de sistema de saúde.Um estudo publicado na Nature Biomedical Engineering apresenta um algoritmo de IA desenvolvido especificamente para interpretar imagens de ressonância magnética em segundos. Dessa forma, ele tem o potencial de revolucionar a área da saúde no futuro.

Prima: Um modelo de IA de visão e linguagem para diagnóstico por ressonância magnética.

O algoritmo de imagem por ressonância magnética Prima AI foi descrito por seus criadores como o “ChatGPT para imagens médicasO sistema de IA simplifica e automatiza muitos dos aspectos mais complexos da interpretação de imagens médicas.

O Prima se diferencia de outros scanners de ressonância magnética com IA por utilizar um modelo de linguagem visual (VLM), o que significa que processa texto, imagens e vídeo simultaneamente. Essa arquitetura de visão hierárquica permite que o sistema ofereça precisão e desempenho incomparáveis.

Como o Prima funciona como um copiloto de diagnóstico

Ao falar sobre o algoritmo, os desenvolvedores afirmaram que desejavam criar um copiloto confiável para a interpretação de exames de imagem médica. Nesse sentido, eles foram bem-sucedidos, já que a abordagem exclusiva do Prima permite que ele opere em um amplo espectro de diagnósticos.

Essa abordagem contrasta fortemente com a de seus antecessores, que se concentravam principalmente em um subsegmento específico da imagem por ressonância magnética. Como o Prima foi treinado com um conjunto de dados muito mais amplo, ele pode analisar os dados de ressonância magnética como um médico de verdade. Dessa forma, o Prima promete aprimorar tudo, desde o diagnóstico até os fluxos de trabalho.

Treinando o modelo com mais de 200,000 estudos de ressonância magnética.

Para treinar Prima, os cientistas sabiam que precisariam acessar um grande acervo de dados. Felizmente, a University of Michigan Health forneceu acesso direto a mais de 200,000 estudos de ressonância magnética, que incluíam mais de 5.6 milhões de sequências de imagens.

Em seguida, os engenheiros integraram os resultados de cada estudo, incluindo o histórico do paciente e o raciocínio por trás da tomografia. Esses dados foram então cruzados e 50 diagnósticos radiológicos diferentes foram integrados, abrangendo diversas condições neurológicas.

Como a IA gera diagnósticos diferenciais

O Prima foi desenvolvido para fornecer diagnósticos oportunos. O sistema cruza dados de seu extenso banco de dados de ressonâncias magnéticas e informações correspondentes para identificar uma ampla gama de condições neurológicas. Além disso, leva em consideração o histórico médico específico de cada paciente, permitindo a criação de um dossiê completo para cada um, juntamente com o diagnóstico.

Sistema de triagem de emergência baseado em IA

De forma impressionante, o Prima consegue determinar se o diagnóstico exige atendimento médico imediato. Quando a necessidade de cuidados urgentes é detectada, o sistema notifica automaticamente os profissionais de saúde, garantindo que não haja atrasos entre o diagnóstico e o atendimento. Esse recurso ajuda a salvar vidas em casos que exigem ação imediata.

Fluxo de trabalho de notificação automatizada de especialistas

Um dos aspectos mais interessantes do Prima é que ele notifica automaticamente o subespecialista correto após o diagnóstico. Por exemplo, se o exame indicar risco de AVC, o sistema sabe que deve contatar o neurocirurgião e solicitar atendimento de emergência.

Testes clínicos e validação do modelo de IA

Os testes do sistema Prima começaram há um ano. O cientista passou esse tempo realizando milhares de diagnósticos em pacientes e comparando-os com os diagnósticos médicos. No total, foram concluídos 29,431 exames de ressonância magnética.

Modelo de IA para ressonância magnética atinge desempenho diagnóstico de 97.5%.

Deslize para rolar →

A precisão do Prima comprovou que os engenheiros estavam certos. O modelo alcançou 97.5%, um resultado muito superior ao de qualquer concorrente de IA. A equipe observou com perspicácia que o sistema foi capaz de concluir o diagnóstico em segundos, enquanto os médicos levariam dias para realizá-lo.

Os testes também revelaram que o sistema melhorou significativamente o tempo de resposta no atendimento. Os dados dos exames e do diagnóstico ficaram imediatamente disponíveis para os especialistas, e aqueles que precisavam dos dados receberam automaticamente as informações que exigiam atenção prioritária, economizando tempo valioso para os pacientes.

Principais benefícios da interpretação de ressonância magnética com inteligência artificial

Há uma longa lista de benefícios que essa tecnologia traz para o mercado. Para começar, ela reduz o tempo necessário para realizar e interpretar exames de ressonância magnética. Esse desempenho aprimorado ajuda os pacientes a receberem atendimento mais rapidamente, mesmo diante da grave escassez de pessoal no setor médico.

Comprova que a assistência por IA é ideal.

Outro benefício da tecnologia é que ela ajuda a comprovar como os sistemas de IA podem aprimorar muitos dos procedimentos médicos atuais. Esse sistema reduz a carga de trabalho dos profissionais de saúde, ao mesmo tempo que melhora os resultados. Dessa forma, serve como um valioso exemplo do poder dos sistemas de IA no setor médico.

Diagnóstico

Ao contrário de alguns sistemas de IA que não fornecem justificativas para chegar a determinada conclusão, o modelo Prima AI oferece diagnósticos diferenciais explicáveis. Essa abordagem permite que seu trabalho seja verificado por médicos para garantir a precisão e obter segundas opiniões.

Aplicações no mundo real e perspectivas de implantação

Existem muitas aplicações para essa tecnologia, sendo a mais óbvia a melhoria das práticas médicas atuais. Notavelmente, essa tecnologia pode ser aplicada a outros setores de imagem, levando muitos analistas a preverem que ela será aplicada a mamografias, radiografias de tórax e ultrassonografias nos próximos anos.

Caminho regulatório e cronograma comercial

Essa tecnologia poderá chegar ao mercado nos próximos 5 anos. Há uma grande demanda por tudo que possa melhorar os resultados na área da saúde, ao mesmo tempo que reduz a carga de trabalho e o estresse dos profissionais de saúde da atualidade.

Equipe de pesquisa e apoio institucional

O estudo sobre interpretação de ressonância magnética por IA foi apresentado por pesquisadores da Universidade de Michigan. O artigo foi liderado pelo neurocirurgião e professor assistente de neurocirurgia da Faculdade de Medicina da UM, Todd Hollon, e por Samir Harake, cientista de dados do Laboratório de Aprendizado de Máquina em Neurocirurgia.

O estudo lista Vikas Gulani, MD, PhD; Asadur Chowdury, MS; Soumyanil Banerjee, MS; Rachel Gologorsky; Shixuan Liu; Anna-Katharina Meissner, MD; Akshay Rao; Chenhui Zhao; Akhil Kondepudi; Cheng Jiang; Xinhai Hou; Rushikesh S. Joshi, MD; Volker Neuschmelting, MD; Ashok Srinivasan, MD; Dawn Kleindorfer, MD; Brian Athey, PhD; Aditya Pandey, MD; e Honglak Lee, PhD como colaboradores. O estudo também recebeu apoio financeiro do Instituto Nacional de Distúrbios Neurológicos e Acidente Vascular Cerebral dos Institutos Nacionais de Saúde.

Desenvolvimento futuro da IA ​​em neuroimagem

Os engenheiros reconhecem que ainda estão nos estágios iniciais do trabalho, mas os resultados são promissores. Agora, o objetivo é personalizar o sistema, permitindo que a IA acesse prontuários médicos e faça diagnósticos com base em todos os dados disponíveis em tempo real.

Investindo em integrações de IA/Saúde

O impacto da integração da IA ​​na área de imagens médicas está se acelerando. Diferentemente dos fabricantes de dispositivos diversificados, uma nova geração de empresas está construindo plataformas de radiologia nativas de IA, projetadas especificamente para melhorar a velocidade de diagnóstico, a eficiência do fluxo de trabalho e a tomada de decisões clínicas. Aqui está uma empresa de capital aberto diretamente posicionada no setor de imagens com IA.

RadNet (RDNT)

A RadNet é uma das maiores provedoras de serviços ambulatoriais de diagnóstico por imagem nos Estados Unidos, operando centenas de centros de imagem em todo o país. Fundada em 1981, a empresa cresceu e se tornou uma plataforma de imagem verticalmente integrada, combinando serviços de radiologia com inteligência artificial por meio de sua subsidiária DeepHealth.

Em vez de tratar a IA como um complemento, a RadNet integrou o aprendizado de máquina diretamente nos fluxos de trabalho de imagem. Por meio de aquisições e desenvolvimento interno, a empresa criou ferramentas de IA projetadas para auxiliar radiologistas na detecção precoce e mais consistente de câncer de mama, nódulos pulmonares, anormalidades neurológicas e outras condições.

Um ponto de inflexão importante ocorreu com a expansão da DeepHealth, a divisão de IA da RadNet, que se concentra na implementação de algoritmos aprovados pelo FDA em toda a sua rede de imagens. Ao combinar dados de imagem proprietários com o desenvolvimento de IA, a RadNet se beneficia tanto da receita de serviços quanto dos recursos de diagnóstico aprimorados por software.

Essa abordagem verticalmente integrada proporciona uma vantagem competitiva: os dados clínicos do mundo real alimentam o aprimoramento dos algoritmos, enquanto as ferramentas de IA aumentam a produtividade e a precisão diagnóstica em seus próprios centros de imagem.

Expansão da plataforma de imagens orientada por IA

A RadNet continua a expandir seu portfólio de IA por meio de parcerias e aquisições, visando a implementação escalável de ferramentas de suporte ao diagnóstico em todas as subespecialidades da radiologia. À medida que os modelos de reembolso evoluem e o volume de exames de imagem aumenta, os sistemas de triagem e detecção assistidos por IA podem melhorar significativamente as margens de lucro, reduzindo a carga de trabalho dos radiologistas.

Para investidores que buscam exposição à tecnologia de imagens médicas com inteligência artificial e alavancagem operacional direta, a RadNet representa uma opção mais focada em automação radiológica do que conglomerados diversificados de tecnologia médica.

Últimas notícias e desempenho do RadNet (RDNT)

Interpretação de imagens cerebrais por IA | Conclusão

O estudo de interpretação de imagens cerebrais por IA abre caminho para um futuro mais promissor para pacientes e profissionais da saúde. Esses sistemas ajudarão a garantir que os pacientes recebam atendimento de excelência, consistente e disponível 24 horas por dia.

Isso também reduz a carga de trabalho dos profissionais de saúde já qualificados. Dessa forma, esse desenvolvimento pode contribuir para a criação de um sistema de saúde mais eficaz no futuro.

Aprenda sobre outros desenvolvimentos interessantes de IA aqui..

Referências

^{1. Lyu, Y., Harake, S., Chowdury, A. et ai. Aprendendo modelos de neuroimagem a partir de dados em escala de sistema de saúde. Nat. Biomédico. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}