Modelong AI sa MRI Nakakamit ang 97.5% na Katumpakan sa Diagnosis

Isang koponan ng mga siyentipiko mula sa University of Michigan ang naglunsad ng isang AI system na awtomatikong makadiagnose ng mga pasyente mula sa mga MRI scan. Ang pag-unlad na ito ay may potensyal na baguhin ang industriya, na magbigay ng mas mabilis at mas madaling access sa mga pasyente sa buong mundo. Narito ang mga kailangang malaman mo.

Paano Gumagana ang Teknolohiyang MRI sa Imaging ng Utak

Ang Magnetic Resonance Imaging ay umaasa sa mga magnetic field at radio wave upang lumikha ng detalyadong 2D/3D na mga imahe ng mga organo at iba pang mahahalagang bahagi ng katawan. Ang teknolohiyang MRI ay nag-ugat mula sa mas naunang pag-aaral sa magnetic resonance (NMR) na isinagawa noong Ikalawang Digmaang Pandaigdig.

Noong 1952, pinalawak nina Felix Bloch at Edward Purcell ang konsepto, na nagkamit ng Nobel Prize noong 1952. Gayunpaman, hanggang kay Paul Lauterbur na nagdagdag ng spatial gradients lamang nagawang lumikha ng 2D na mga imahe ng mga organo at tisyu ang teknolohiya. Kapansin-pansin, ang mga radio frequency pulse na ginagamit sa MRI scan ay hindi naglalabas ng ionizing radiation, kaya mas mainam ito kumpara sa CT scan.

Sa kasalukuyan, karaniwan na ang mga MRI scan. Ayon sa mga ulats, may 150-200 milyong scan na natatapos bawat taon. Dagdag pa, ipinapakita ng mga pag-aaral na tumataas ang paggamit ng MRI, kung saan karamihan ng mga rehiyon ay nakararanas ng 3-6% na pagtaas sa mga prosedurang ito. Kaya’t hindi nakakagulat na ang mga MRI ay naging mahalagang bahagi na ng sistemang medikal.

Bakit Mahirap Ang Pag-interpret ng mga MRI Scan ng Utak

Habang tumataas ang pag-asa sa MRI, lumilitaw ang ilang kahinaan ng teknolohiyang ito. Una, ang pag-interpret ng mga imaheng ito ay nangangailangan ng oras at katumpakan. Ang pangangailangang ito ay lumalala dahil sa tumitinding kakulangan sa tauhan sa sektor ng medikal.

Ang resulta ay habang tumataas ang paggamit ng MRI, nagdudulot ito ng karagdagang pasanin sa umiiral nang napaka-pressured na sistemang medikal. Ipinapakita ng mga pag-aaral na ang pasanin ay iba-iba depende kung ito ay isang malaking ospital na may labis na pasyente o isang maliit na pasilidad na walang access sa mga propesyonal na kayang mag-interpret ng MRI images. Gayunpaman, pareho ang kinalabasan – tumataas ang panganib para sa mga pasyente.

Mga Klinikal na Panganib ng Naantala na Pag-interpret ng MRI

Ang problema ay marami sa mga neurological na sakit na natutuklasan ng MRI ang nangangailangan ng agarang atensyon. Ang pangangailangang ito ay nangangahulugang kailangang balansehin ang napapanahong diagnosis at pinabuting kinalabasan na madalas nagreresulta sa mga nalampasang deadline.

Halimbawa, ang pagdurugo sa utak at stroke ay pangunahing halimbawa ng mga medikal na kondisyon na maaaring matuklasan ng MRI scan at nangangailangan ng agarang medikal na atensyon. Gayunpaman, ang mga kondisyong ito ay kilalang mahirap makita, kaya kinakailangan ang propesyonal na pagsusuri upang maisakatuparan ito.

Mga Rehiyon ng Utak

Ang neuroimaging ay mahalagang kasangkapan para sa pagsusuri ng mga pasyente na may neurological na sakit. Dahil dito, patuloy na tumataas ang pandaigdigang pangangailangan para sa mga MRI scan, na nagdudulot ng malaking pasanin sa mga sistemang pangkalusugan, nagpapahaba ng turnaround time, at nagpapalubha ng pagkapagod ng mga doktor.

Ang University of Michigan ay Nag-develop ng AI MRI Model

Ang pag-aaral na “Learning neuroimaging models from health system-scale data”¹ na inilathala sa Nature Biomedical Engineering ay nagpakilala ng isang espesyal na AI algorithm na kayang mag-interpret ng mga MRI image sa loob ng ilang segundo. Dahil dito, may potensyal itong baguhin ang pangangalagang pangkalusugan sa hinaharap.

Prima: Isang Vision-Language AI Model para sa Diagnosis ng MRI

Ang Prima AI MRI imaging algorithm ay inilarawan ng mga lumikha nito bilang “ChatGPT para sa medikal na imaging”. Pinapasimple at ina-automate ng AI system ang marami sa pinaka-komplikadong aspeto ng pag-interpret ng medikal na imahe.

Ang Prima ay naiiba sa ibang AI MRI scanner dahil ito ay isang vision language model (VLM), na nangangahulugang pinoproseso nito ang teksto, imahe, at video nang sabay. Ang paggamit ng hierarchical vision architecture ay nagbibigay-daan sa system na maghatid ng walang kapantay na katumpakan at pagganap.

Paano Gumagana ang Prima Bilang Diagnostic Co-Pilot

Sa kanilang pahayag tungkol sa algorithm, sinabi ng mga developer na nais nilang lumikha ng isang maaasahang co-pilot para sa pag-interpret ng mga medikal na imaging study. Sa puntong iyon, nagtagumpay sila, dahil ang natatanging lapit ng Prima ay nagpapahintulot nitong mag-operate sa malawak na saklaw ng mga diagnosis.

Ang lapit na ito ay lubhang naiiba sa mga nauna nito, na kadalasang nakatuon lamang sa isang tiyak na subsektor ng MRI imaging. Dahil sinanay ang Prima sa mas malawak na dataset, kaya nitong suriin ang MRI data tulad ng isang tunay na doktor. Bilang resulta, nangangako ang Prima na mapabuti ang lahat mula sa diagnosis hanggang sa mga workflow.

Pagsasanay ng Model sa Mahigit 200,000 MRI Study

Upang sanayin ang Prima, alam ng mga siyentipiko na kailangan nila ng malaking koleksyon ng data. Sa kabutihang palad, nagbigay ang University of Michigan Health ng direktang access sa mahigit 200,000 MRI study, na kinabibilangan ng higit sa 5.6 milyong sekwens ng imahe.

Pagkatapos, pinagsama ng mga inhinyero ang mga resulta ng bawat pag-aaral, kabilang ang kasaysayan ng pasyente at ang dahilan ng scan. Ang data na ito ay pinag-ugnay, at 50 iba’t ibang radiologic diagnosis ang isinama, na sumasaklaw sa ilang neurological na kondisyon.

Paano Nagbuo ang AI ng mga Diferensyal na Diagnosis

Ang Prima ay binuo upang magbigay ng napapanahong diagnosis. Ang system ay nag-cross-reference sa napakalaking database nito ng mga MRI scan at kaugnay na data upang matukoy ang malawak na hanay ng mga neurological na kondisyon. Dagdag pa, isinasaalang-alang nito ang natatanging kasaysayan ng medikal ng bawat pasyente, na nagbibigay-daan upang lumikha ng komprehensibong file para sa bawat pasyente, kasama ang diagnosis.

Sistema ng Emergency Triage na Pinapatakbo ng AI

Kahanga-hanga, kayang matukoy ng Prima kung ang diagnosis ay nangangailangan ng agarang medikal na pangangalaga. Kapag natukoy ang pangangailangan ng agarang pangangalaga, awtomatikong ini-notify ng system ang mga propesyonal sa pangangalagang pangkalusugan, na tinitiyak na walang pagkaantala sa pagitan ng diagnosis at pangangalaga. Ang tampok na ito ay tumutulong magligtas ng buhay sa mga kaso kung saan kinakailangan ang agarang aksyon.

Awtonatikong Workflow ng Notipikasyon sa Espesyista

Isa sa mga pinaka-kapanapanabik na aspeto ng Prima ay awtomatikong ini-notify nito ang tamang subspecialist pagkatapos ng diagnosis. Halimbawa, kung ang scan ay nagpakita ng panganib ng stroke, alam ng system na kontakin ang neurosurgeon at humiling ng agarang pangangalaga.

Pagsusuri at Pagpapatunay ng Klinikal ng AI Model

Nagsimula ang pagsubok sa Prima system isang taon na ang nakalipas. Ginugol ng mga siyentipiko ang panahong ito sa paggawa ng libu-libong diagnosis sa mga pasyente at ikinumpara ito sa diagnosis ng mga doktor. Sa kabuuan, natapos ang 29,431 MRI study.

AI MRI Model Nakakamit ang 97.5% na Pagganap sa Diagnosis

Mag-swipe upang mag-scroll →

Pinatunayan ng katumpakan ng Prima na tama ang mga inhinyero. Nakamit ng modelo ang 97.5%, na lagpas sa anumang resulta ng AI competitor. Mahigpit na napansin ng koponan na nagawa ng system na tapusin ang diagnosis nito sa loob ng ilang segundo kumpara sa mga araw na aabutin ng mga doktor.

Ipinakita rin ng mga pagsusuri na ang system ay malaki ang naitulong sa pagpapabilis ng oras ng tugon sa pangangalaga. Ang data mula sa mga scan at diagnosis ay agad na naging available sa mga espesyalista, at ang mga nangangailangan ng data ay awtomatikong natanggap ang impormasyong kailangang bigyan ng prayoridad, na nagliligtas ng mahalagang oras para sa mga pasyente.

Pangunahing Benepisyo ng AI-Powered na Pag-interpret ng MRI

May mahabang listahan ng mga benepisyo na hatid ng teknolohiyang ito sa merkado. Una, binabawasan nito ang oras na kinakailangan upang magsagawa at mag-interpret ng mga MRI scan. Ang pinahusay na pagganap na ito ay tumutulong sa mga pasyente na makatanggap ng pangangalaga nang mas mabilis, kahit na ang sektor ng medikal ay humaharap sa malalaking kakulangan sa tauhan.

Pinapatunayan na Ang Tulong ng AI ay Perpekto

Isa pang benepisyo ng teknolohiya ay ang pagtulong nito na patunayan kung paano maaaring pagbutihin ng mga AI system ang maraming kasalukuyang medikal na pamamaraan. Binabawasan ng system na ito ang pasanin sa mga propesyonal sa pangangalagang pangkalusugan habang pinapabuti ang mga resulta. Dahil dito, nagsisilbing mahalagang halimbawa ito ng kapangyarihan ng mga AI system sa buong sektor ng medikal.

Diagnosis

Hindi tulad ng ilang AI system na walang ibinibigay na paliwanag kung paano nila nakuha ang isang konklusyon, ang Prima AI model ay nag-aalok ng mga maipapaliwanag na diferensyal na diagnosis. Ang lapit na ito ay nagbibigay-daan upang ma-double-check ng mga doktor ang trabaho nito upang matiyak ang katumpakan at makakuha ng pangalawang opinyon.

Mga Real-World na Aplikasyon at Outlook sa Deployment

Maraming aplikasyon ang teknolohiyang ito, at ang halatang isa ay upang mapabuti ang kasalukuyang mga medikal na praktis. Kapansin-pansin, maaaring ilapat ang teknolohiyang ito sa iba pang sektor ng imaging, na nagdudulot sa maraming analyst na hulaan na ito ay ilalapat sa mga mammogram, chest X-ray, at ultrasound sa mga susunod na taon.

Regulatory Pathway at Timeline ng Komersyal

Maaaring lumabas ang teknolohiyang ito sa merkado sa susunod na limang taon. May matinding pangangailangan para sa anumang makapagpapabuti ng resulta ng pangangalagang pangkalusugan habang binabawasan ang workload at stress ng mga kasalukuyang propesyonal sa pangangalagang pangkalusugan.

Koponan ng Pananaliksik at Suporta ng Institusyon

Ang pag-aaral sa AI MRI interpretation ay inilunsad ng mga mananaliksik mula sa University of Michigan. Ang papel ay pinangunahan ng neurosurgeon at assistant professor ng neurosurgery sa U-M Medical School, si Todd Hollon, at ng data scientist ng Machine Learning in Neurosurgery Lab, si Samir Harake.

Ipinapakita ng pag-aaral sina 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., at Honglak Lee, Ph.D. bilang mga kontribyutor. Kasama ang pinansyal na suporta mula sa National Institute of Neurological Disorders and Stroke ng National Institutes of Health.

Hinaharap na Pag-unlad ng AI sa Neuroimaging

Kinilala ng mga inhinyero na nasa maagang yugto pa lamang sila ng kanilang trabaho, ngunit maganda ang itsura ng mga resulta. Ngayon, ang kanilang layunin ay i-personalize ang system, na nagpapahintulot sa AI na ma-access ang mga medikal na rekord at gumawa ng diagnosis batay sa lahat ng magagamit na data sa real time.

Pamumuhunan sa AI / Integrasyon sa Healthcare

Ang epekto ng integrasyon ng AI sa medikal na imaging ay mabilis na umuunlad. Hindi tulad ng mga diversified na tagagawa ng device, isang bagong henerasyon ng mga kumpanya ang nagtatayo ng AI‑native na mga radiology platform na partikular na dinisenyo upang mapabuti ang bilis ng diagnosis, kahusayan ng workflow, at paggawa ng klinikal na desisyon. Narito ang isang pampublikong kumpanya na direktang nakaposisyon sa AI‑powered imaging space.

RadNet (RDNT)

Ang RadNet (RDNT ) ay isa sa pinakamalaking outpatient diagnostic imaging provider sa Estados Unidos, na nagpapatakbo ng daan‑daang imaging center sa buong bansa. Itinatag noong 1981, lumago ang kumpanya tungo sa isang vertically integrated na imaging platform na pinagsasama ang mga serbisyong radiology sa artificial intelligence sa pamamagitan ng subsidiary nitong DeepHealth.

Sa halip na ituring ang AI bilang karagdagang bahagi, isinama ng RadNet ang machine learning nang direkta sa mga imaging workflow. Sa pamamagitan ng mga acquisition at internal na pag‑develop, nakabuo ang kumpanya ng mga AI tool na dinisenyo upang tulungan ang mga radiologist sa mas maagang at mas konsistent na pagtuklas ng breast cancer, lung nodules, neurological abnormalities, at iba pang kondisyon.

Isang mahalagang punto ng pagbabago ang naganap sa pagpapalawak ng DeepHealth, ang AI division ng RadNet, na nakatuon sa pag‑deploy ng mga FDA‑cleared na algorithm sa buong imaging network nito. Sa pamamagitan ng pagsasama ng proprietary imaging data at AI development, nakikinabang ang RadNet mula sa parehong service revenue at software‑enhanced diagnostic capabilities.

Ang vertically integrated na lapit na ito ay nagbibigay ng competitive advantage: ang real‑world clinical data ay nagpapakain sa pagpapabuti ng algorithm, habang ang mga AI tool ay nagpapahusay ng throughput at diagnostic precision sa loob ng sarili nitong imaging center.

Pagpapalawak ng AI‑Driven Imaging Platform

Patuloy na pinalalawak ng RadNet ang AI portfolio nito sa pamamagitan ng mga partnership at acquisition, na naglalayong scalable deployment ng mga diagnostic support tool sa iba’t ibang subspecialty ng radiology. Habang umuunlad ang mga modelo ng reimbursement at tumataas ang dami ng imaging, ang AI‑assisted triage at detection system ay maaaring makabuluhang mapabuti ang margin habang binabawasan ang workload ng mga radiologist.

Para sa mga mamumuhunan na naghahanap ng exposure sa AI‑powered medical imaging na may direktang operational leverage, ang RadNet ay kumakatawan sa mas nakatutok na paglaro sa radiology automation kumpara sa diversified medtech conglomerates.

Pinakabagong Balita at Pagganap ng RadNet (RDNT)

AI Interpretation Brain Imaging | Konklusyon

Ang pag-aaral sa AI Interpretation brain imaging ay nagbubukas ng pintuan para sa mas maliwanag na kinabukasan para sa mga pasyente at mga propesyonal sa medisina. Tutulungan ng mga sistemang ito na matiyak na ang mga pasyente ay makakatanggap ng de‑kalidad na pangangalaga na pare‑pareho at magagamit sa anumang oras.

Binabawasan din nito ang workload ng mga kasalukuyang sanay na propesyonal sa pangangalagang pangkalusugan. Dahil dito, maaaring makatulong ang pag‑unlad na ito na lumikha ng mas epektibong sistema ng pangangalagang pangkalusugan sa hinaharap.

Alamin ang iba pang kahanga‑hang AI developments dito.

Mga Sanggunian

^{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}