AI‑MRI‑modell uppnår 97,5% diagnostisk noggrannhet

Ett forskarteam vid University of Michigan har presenterat ett AI-system som automatiskt kan ställa diagnoser utifrån MR-bilder. Utvecklingen kan revolutionera området genom att ge patienter över hela världen snabbare och bättre tillgång till diagnostik. Här är vad du behöver veta.

Så fungerar MR-teknik vid avbildning av hjärnan

Magnetresonanstomografi använder magnetfält och radiovågor för att skapa detaljerade två- och tredimensionella bilder av organ och andra viktiga kroppsdelar. MR-tekniken växte fram ur tidigare forskning om kärnmagnetisk resonans (NMR) under andra världskriget.

År 1952 vidareutvecklade Felix Bloch och Edward Purcell konceptet och belönades med Nobelpriset. Men först när Paul Lauterbur lade till rumsliga gradienter kunde tekniken skapa tvådimensionella bilder av organ och vävnader. De radiofrekvenspulser som används vid MR-undersökningar ger ingen joniserande strålning, vilket är en fördel jämfört med datortomografi.

I dag är MR-undersökningar vanliga. Enligt rapporter genomförs 150–200 miljoner undersökningar årligen. Dessutom visar studier att användningen av MR ökar, med en ökning på 3–6 % i de flesta regioner. Det är därför inte förvånande att MR nu är en central del av sjukvården.

Varför det är svårt att tolka MR-bilder av hjärnan

När beroendet av MR ökar blir också teknikens nackdelar tydligare. Att tolka bilderna kräver tid och noggrannhet. Efterfrågan har ökat samtidigt som personalbristen inom vården har blivit större.

Den ökande användningen av MR belastar alltså ett redan pressat sjukvårdssystem. Studier visar att belastningen ser olika ut på stora sjukhus med många patienter och på mindre mottagningar som saknar tillgång till personal med kompetens att tolka MR-bilder. Resultatet är dock detsamma: patienterna utsätts för större risker.

Kliniska risker med fördröjd tolkning av MR-bilder

Problemet är att många av de neurologiska sjukdomar som MR kan upptäcka kräver omedelbar vård. Kraven på snabb diagnos och bättre behandlingsresultat skapar därför ofta tidsramar som är svåra att hålla.

Hjärnblödningar och stroke är exempel på tillstånd som MR kan upptäcka och som kräver omedelbar läkarvård. Dessa tillstånd är dock svåra att identifiera och kräver att bilderna granskas av utbildad personal.

Hjärnans regioner

Neuroavbildning är ett värdefullt verktyg för att bedöma patienter med neurologiska sjukdomar. Den globala efterfrågan på MR-undersökningar har därför ökat stadigt, vilket belastar sjukvården, förlänger svarstiderna och förvärrar utbrändheten bland läkare.

University of Michigan utvecklar AI-modell för MR

Studien ”Att träna neuroavbildningsmodeller med data i sjukvårdssystemets skala¹”, publicerad i Nature Biomedical Engineering, presenterar en specialutvecklad AI-algoritm som kan tolka MR-bilder på några sekunder. Den kan därmed revolutionera framtidens sjukvård.

Prima: en AI-modell för bild och språk för MR-diagnostik

Skaparna beskriver AI-algoritmen Prima för MR-avbildning som ”ChatGPT för medicinsk avbildning”. AI-systemet förenklar och automatiserar många av de mest komplicerade delarna av tolkningen av medicinska bilder.

Prima skiljer sig från andra AI-system för MR genom att vara en modell för bild och språk (VLM), vilket innebär att den bearbetar text, bilder och video tillsammans. Den hierarkiska bildarkitekturen gör det möjligt för systemet att uppnå enastående noggrannhet och prestanda.

Så fungerar Prima som diagnostisk assistent

Utvecklarna förklarade att de ville skapa en tillförlitlig assistent för tolkning av medicinska bildundersökningar. Primas unika arbetssätt gör det möjligt att arbeta med ett brett spektrum av diagnoser och uppfylla det målet.

Detta skiljer sig tydligt från föregångarna, som främst var inriktade på ett specifikt delområde inom MR-avbildning. Eftersom Prima tränades på ett mycket bredare dataset kan modellen granska MR-data på ett sätt som liknar en läkares. Prima kan därför förbättra allt från diagnostik till arbetsflöden.

Träning av modellen på över 200 000 MR-undersökningar

Forskarna visste att de behövde stora mängder data för att träna Prima. University of Michigan Health gav tillgång till över 200 000 MR-undersökningar med mer än 5,6 miljoner bildsekvenser.

Därefter integrerade utvecklarna resultaten från varje undersökning, inklusive patienthistorik och orsaken till undersökningen. Uppgifterna jämfördes sedan och kopplades till 50 olika radiologiska diagnoser som omfattade flera neurologiska tillstånd.

Så genererar AI:n differentialdiagnoser

Prima utvecklades för att ge snabba diagnoser. Systemet jämför informationen med sin omfattande databas över MR-bilder och tillhörande uppgifter för att identifiera ett brett spektrum av neurologiska tillstånd. Det tar också hänsyn till varje patients medicinska historik och kan sammanställa en heltäckande patientfil tillsammans med diagnosen.

AI-driven prioritering vid akut vårdbehov

Prima kan avgöra om en diagnos kräver omedelbar läkarvård. När systemet upptäcker ett akut vårdbehov meddelar det automatiskt vårdpersonalen så att det inte uppstår någon fördröjning mellan diagnos och vård. Funktionen kan rädda liv när snabba insatser krävs.

Automatiska meddelanden till rätt specialist

En särskilt intressant funktion är att Prima automatiskt meddelar rätt subspecialist efter diagnosen. Om en undersökning exempelvis visar risk för stroke vet systemet att det ska kontakta neurokirurgen och begära akut vård.

Klinisk testning och validering av AI-modellen

Testningen av Prima började för ett år sedan. Forskarna ställde tusentals diagnoser och jämförde dem med läkarnas bedömningar. Totalt omfattade testningen 29 431 MR-undersökningar.

AI-modell för MR uppnår 97,5 % diagnostisk prestanda

Svep för att rulla →

Primas noggrannhet visade att utvecklarna hade rätt. Modellen uppnådde 97,5 %, vilket låg långt över resultaten för andra AI-system. Teamet framhöll dessutom att systemet kunde slutföra diagnosen på sekunder, medan läkare kunde ha behövt flera dagar.

Testerna visade också att systemet avsevärt förbättrade vårdens svarstid. Bilddata och diagnos blev omedelbart tillgängliga för behandlande specialister, och de som behövde uppgifterna fick automatiskt information om det som krävde prioriterad uppmärksamhet. Därmed sparade patienterna värdefull tid.

Viktiga fördelar med AI-baserad tolkning av MR-bilder

Tekniken ger en lång rad fördelar. Den minskar tiden som behövs för att genomföra och tolka MR-undersökningar. Det hjälper patienter att få vård snabbare, även när sjukvården har stor personalbrist.

Visar värdet av AI-assistans

En annan fördel är att tekniken visar hur AI-system kan förbättra många av dagens medicinska metoder. Systemet minskar belastningen på vårdpersonalen samtidigt som resultaten förbättras. Det är därför ett värdefullt exempel på AI-systemens potential inom sjukvården.

Diagnos

Till skillnad från AI-system som inte förklarar hur de har nått en viss slutsats ger Prima förklarbara differentialdiagnoser. Det gör att läkare kan dubbelkontrollera arbetet för att säkerställa noggrannheten och få en kompletterande bedömning.

Praktiska tillämpningar och utsikter för införande

Tekniken har många användningsområden, med förbättring av dagens medicinska metoder som det mest uppenbara. Den kan även användas inom andra delar av bilddiagnostiken. Många analytiker förutspår därför att den kommer att tillämpas på mammografi, lungröntgen och ultraljud under de kommande åren.

Regulatorisk väg och tidsplan för marknadsintroduktion

Tekniken kan nå marknaden inom de närmaste fem åren. Efterfrågan är stor på lösningar som förbättrar vårdresultaten och samtidigt minskar arbetsbelastningen och stressen hos dagens vårdpersonal.

Forskarteam och institutionellt stöd

Studien om AI-baserad MR-tolkning genomfördes av forskare vid University of Michigan. Arbetet leddes av Todd Hollon, neurokirurg och biträdande professor i neurokirurgi vid U-M Medical School, samt Samir Harake, dataforskare vid Machine Learning in Neurosurgery Lab.

Studien anger 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., och Honglak Lee, Ph.D., som medverkande. Arbetet fick ekonomiskt stöd från National Institute of Neurological Disorders and Stroke vid National Institutes of Health.

Framtida utveckling av AI inom neuroavbildning

Utvecklarna medger att arbetet fortfarande är i ett tidigt skede, men resultaten är lovande. Målet är nu att individanpassa systemet så att AI:n kan få tillgång till patientjournaler och ställa diagnoser i realtid utifrån all tillgänglig information.

Investeringar i AI-integrering inom sjukvården

Integreringen av AI i medicinsk avbildning går allt snabbare. Till skillnad från tillverkare med ett brett utbud av medicinteknisk utrustning bygger en ny generation företag radiologiplattformar med AI som grund, särskilt utformade för snabbare diagnostik, effektivare arbetsflöden och bättre kliniska beslut. Här är ett börsnoterat företag som är direkt verksamt inom AI-baserad bilddiagnostik.

RadNet (RDNT)

RadNet (RDNT ) är en av USA:s största leverantörer av bilddiagnostik inom öppenvården och driver hundratals mottagningar över hela landet. Företaget grundades 1981 och har vuxit till en vertikalt integrerad plattform som kombinerar radiologitjänster med artificiell intelligens genom dotterbolaget DeepHealth.

RadNet har integrerat maskininlärning direkt i bilddiagnostikens arbetsflöden. Genom förvärv och intern utveckling har företaget byggt AI-verktyg som ska hjälpa radiologer att upptäcka bröstcancer, lungnoduli, neurologiska avvikelser och andra tillstånd tidigare och mer konsekvent.

En viktig vändpunkt var utbyggnaden av DeepHealth, RadNets AI-avdelning, som fokuserar på att införa algoritmer som fått klartecken från FDA i sitt nätverk för bilddiagnostik. Genom att kombinera egna bilddata med AI-utveckling får RadNet både tjänsteintäkter och diagnostiska möjligheter som förbättras med programvara.

Det vertikalt integrerade arbetssättet ger en konkurrensfördel: kliniska data från den faktiska verksamheten används för att förbättra algoritmerna, medan AI-verktygen ökar kapaciteten och den diagnostiska precisionen på företagets egna mottagningar.

AI-driven expansion av plattformen för bilddiagnostik

RadNet fortsätter att utöka sin AI-portfölj genom samarbeten och förvärv, med målet att införa diagnostiska stödverktyg i stor skala inom olika radiologiska specialområden. När ersättningsmodellerna utvecklas och antalet undersökningar ökar kan AI-stödd prioritering och upptäckt förbättra marginalerna avsevärt och samtidigt minska radiologernas arbetsbelastning.

För investerare som söker exponering mot AI-baserad medicinsk avbildning med direkt påverkan på verksamhetens effektivitet erbjuder RadNet en mer renodlad inriktning mot automatisering av radiologi än diversifierade medicintekniska koncerner.

Senaste nyheter och utveckling för RadNet (RDNT)

AI-tolkning av hjärnbilder | Slutsats

Studien om AI-tolkning av hjärnbilder öppnar för en ljusare framtid för patienter och vårdpersonal. Sådana system kan bidra till att patienter får vård av hög kvalitet som är konsekvent och tillgänglig dygnet runt.

Tekniken minskar också arbetsbelastningen för dagens utbildade vårdpersonal. Utvecklingen kan därför bidra till ett effektivare sjukvårdssystem i framtiden.

Läs om andra spännande framsteg inom AI här.

Referenser

^{1. Lyu, Y., Harake, S., Chowdury, A. m.fl. Att träna neuroavbildningsmodeller med data i sjukvårdssystemets skala. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}