Um novo sistema de inteligência artificial desenvolvido na Universidade de Michigan pode analisar exames de ressonância magnética do cérebro e fazer um diagnóstico em segundos, mostra um novo estudo. O modelo identificou doenças neurológicas com 97,5% de precisão e também foi capaz de avaliar a urgência da necessidade de atendimento médico de um paciente.
Os pesquisadores dizem que esta tecnologia inédita tem o potencial de remodelar a forma como o sistema de saúde dos EUA lida com imagens cerebrais. Os resultados da pesquisa foram publicados em Engenharia Biomédica da Natureza.
“À medida que a procura global por ressonâncias magnéticas continua a aumentar, colocando uma pressão significativa sobre os nossos médicos e sistemas de saúde, o nosso modelo de inteligência artificial tem o potencial de melhorar o diagnóstico e o tratamento com informações rápidas e precisas que podem aliviar a carga”, disse o autor sénior Todd Hollon, MD, neurocirurgião da U-M Health e professor assistente de neurocirurgia na Faculdade de Medicina da Universidade de Michigan.
Testando o sistema Prima AI
Hollen chamou a nova tecnologia de Prima. Ao longo de um ano, sua equipe de pesquisa avaliou o sistema usando mais de 30 mil estudos de ressonância magnética.
Prima oferece desempenho de diagnóstico mais forte do que outros modelos avançados de IA em mais de 50 diagnósticos radiológicos diferentes envolvendo as principais doenças neurológicas. Além de identificar doenças, o sistema também consegue determinar quais casos exigem maior prioridade.
Certas condições neurológicas, incluindo acidente vascular cerebral e hemorragia cerebral, requerem atenção médica imediata. Nessas situações, a Prima pode alertar automaticamente os prestadores de cuidados de saúde para que possam tomar medidas rápidas, disse Hollon.
O sistema foi projetado para notificar o especialista mais adequado, como um neurologista ou neurocirurgião de AVC. O feedback está disponível imediatamente após os pacientes concluírem a imagem.
“A precisão é crítica na leitura de ressonâncias magnéticas cerebrais, mas o tempo de resposta rápido é fundamental para o diagnóstico oportuno e melhores resultados”, disse o coautor Yiwei Lyu, Ph.D., pós-doutorado no Departamento de Ciência da Computação e Engenharia da U-M.
“Numa etapa crítica do processo, nossos resultados mostram como a Prima pode melhorar o fluxo de trabalho e agilizar o atendimento clínico sem abrir mão da precisão”.
O que é Prima?
Prima é classificado como um modelo de linguagem visual (VLM), um tipo de inteligência artificial que pode processar imagens, vídeos e texto em tempo real. Embora a inteligência artificial já tenha sido aplicada à análise de ressonância magnética antes, os pesquisadores dizem que a Prima adota uma abordagem diferente.
Os primeiros modelos eram normalmente treinados em subconjuntos cuidadosamente selecionados de dados de ressonância magnética e projetados para realizar tarefas restritas, como identificar lesões ou estimar o risco de demência. Prima foi treinado em um conjunto de dados mais amplo.
A equipe de Hollen usou todas as ressonâncias magnéticas disponíveis coletadas desde que os registros radiológicos foram digitalizados no Centro de Saúde da Universidade de Michigan. Isso inclui mais de 200 mil estudos de ressonância magnética e 5,6 milhões de sequências de imagens. O modelo também incorporou a história clínica do paciente e os motivos do médico para solicitar cada exame de imagem.
“Prima trabalha como um radiologista, integrando informações do histórico médico de um paciente e dados de imagem para obter uma compreensão abrangente de sua saúde”, disse o coautor Samir Harake, cientista de dados do Hollon Neurosurgery Machine Learning Laboratory.
“Isso permite melhor desempenho em uma ampla gama de tarefas de previsão.”
Lidando com atrasos na ressonância magnética e escassez de radiologia
Todos os anos, milhões de exames de ressonância magnética são realizados em todo o mundo, muitos deles focados em doenças neurológicas. Os investigadores dizem que a procura por estes exames está a crescer mais rapidamente do que a disponibilidade de serviços de neurorradiologia.
Esse desequilíbrio leva à escassez de pessoal, atrasos no diagnóstico e erros. Dependendo de onde o paciente é examinado, pode levar vários dias ou até mais para que os resultados cheguem.
“Quer você esteja realizando exames em um grande sistema de saúde que enfrenta volumes crescentes ou em um hospital rural com recursos limitados, são necessárias tecnologias inovadoras para melhorar o acesso aos serviços de radiologia”, disse o Dr. Vikas Gulani, MD, chefe de radiologia da Universidade de Michigan Health.
“Nossa equipe da Universidade de Michigan colaborou para desenvolver uma solução de ponta para esse problema que tem um potencial tremendo e escalonável.”
O futuro da inteligência artificial em imagens médicas
Apesar do forte desempenho da Prima, os pesquisadores ressaltam que o trabalho ainda está em fase inicial de avaliação. Pesquisas futuras se concentrarão na integração de informações mais detalhadas do paciente e de dados de registros médicos eletrônicos para melhorar ainda mais a precisão do diagnóstico.
Esta abordagem reflete como radiologistas e médicos interpretam a ressonância magnética e outros estudos de imagem em ambientes clínicos reais. Embora a inteligência artificial já esteja a ser utilizada nos cuidados de saúde, a maioria dos sistemas existentes está limitada a tarefas estritamente definidas.
Hollon descreveu Prima como “ChatGPT para imagens médicas”, observando que tecnologia semelhante poderia eventualmente ser adaptada a outros tipos de imagens, incluindo mamografias, radiografias de tórax e ultrassonografias.
“Assim como uma ferramenta de IA pode ajudar a redigir um e-mail ou fornecer conselhos, o Prima pretende ser um copiloto na interpretação de estudos de imagens médicas”, disse Holen.
“Acreditamos que Prima exemplifica o potencial transformador dos sistemas de saúde integrados e dos modelos baseados em IA para melhorar os cuidados de saúde através da inovação.”
Outros autores: 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 e Honglak Lee, MD, PhD, ambos da Universidade de Michigan.
Financiamento/Divulgação: Este trabalho foi apoiado em parte pelo Instituto Nacional de Distúrbios Neurológicos e Derrame dos Institutos Nacionais de Saúde (K12NS080223).
O conteúdo é de responsabilidade exclusiva dos autores e não representa necessariamente a opinião oficial do NIH.
Este trabalho também foi apoiado pela Chan Zuckerberg Initiative (CZI), pelo Frankel Institute for Heart and Brain Health, pelo Mark Trauner Brain Research Fund, pela Zenkel Family Foundation, pela Friends of Ian Foundation e pelo Programa de Subsídios para Prêmios de Investigadores de Saúde de Precisão da Universidade de Michigan.
