מערכת בינה מלאכותית שפותחה לאחרונה מאוניברסיטת מישיגן יכולה לנתח סריקות MRI במוח ולספק אבחנה תוך שניות, לפי מחקר חדש. המודל זיהה מצבים נוירולוגיים בדיוק שהגיע ל-97.5% והצליח גם להעריך באיזו דחיפות החולים זקוקים לטיפול רפואי.
חוקרים אומרים שלטכנולוגיה ראשונה מסוגה זו יש פוטנציאל לעצב מחדש את אופן הטיפול בהדמיה מוחית במערכות בריאות בארצות הברית. הממצאים פורסמו ב טבע הנדסה ביו-רפואית.
"ככל שהביקוש העולמי ל-MRI עולה וגורם ללחץ משמעותי על הרופאים ומערכות הבריאות שלנו, למודל הבינה המלאכותית שלנו יש פוטנציאל להפחית עומס על ידי שיפור האבחון והטיפול עם מידע מהיר ומדויק", אמר הסופר הבכיר טוד הולון, MD, נוירוכירורג באוניברסיטת מישיגן בריאות ועוזר פרופסור לנוירוכירורגיה בבית הספר לרפואה של UM.
בדיקת מערכת פרימה AI
חולון כינה את הטכנולוגיה החדשה Prima. במהלך תקופה של שנה, צוות המחקר שלו העריך את המערכת באמצעות יותר מ-30,000 מחקרי MRI.
על פני יותר מ-50 אבחנות רדיולוגיות שונות הכוללות הפרעות נוירולוגיות עיקריות, פרימה סיפקה ביצועי אבחון חזקים יותר ממודלים מתקדמים אחרים של AI. בנוסף לזיהוי מחלות, המערכת הוכיחה את עצמה גם מסוגלת לקבוע אילו מקרים דורשים עדיפות גבוהה יותר.
מצבים נוירולוגיים מסוימים, כולל שבץ מוחי ודימומים במוח, דורשים טיפול רפואי מיידי. חולון אמר שבמצבים אלה, פרימה יכולה להזהיר באופן אוטומטי את ספקי שירותי הבריאות כדי שניתן יהיה לנקוט פעולה מהירה.
המערכת תוכננה להודיע לתת-מומחה המתאים ביותר, כגון נוירולוג שבץ או נוירוכירורג. משוב הופך זמין מיד לאחר שהמטופל משלים את ההדמיה.
"דיוק הוא בעל חשיבות עליונה בקריאת MRI מוחי, אך זמני אספקה מהירים הם קריטיים לאבחון בזמן ולתוצאות משופרות", אמר Yiwei Lyu, MS, מחבר ראשון ועמית פוסט-דוקטורט במדעי המחשב והנדסת מחשבים ב-UM.
"בשלבים מרכזיים בתהליך, התוצאות שלנו מראות כיצד פרימה יכולה לשפר זרימות עבודה ולייעל את הטיפול הקליני מבלי לנטוש את הדיוק".
מהי פרימה?
פרימה מסווגת כמודל שפת ראייה (VLM), סוג של בינה מלאכותית שיכולה לעבד תמונות, וידאו וטקסט ביחד בזמן אמת. בעוד שבינה מלאכותית יושמה בעבר על ניתוח MRI, החוקרים טוענים כי פרימה נוקטת בגישה שונה.
מודלים מוקדמים יותר אומנו בדרך כלל על קבוצות משנה שנבחרו בקפידה של נתוני MRI ותוכננו לבצע משימות צרות, כגון זיהוי נגעים או הערכת הסיכון לדמנציה. פרימה הוכשרה על מערך נתונים רחב הרבה יותר.
הצוות של הולון השתמש בכל MRI זמין שנאסף מאז שרשומות הרדיולוגיה עברו דיגיטציה באוניברסיטת מישיגן בריאות. זה כלל יותר מ-200,000 מחקרי MRI ו-5.6 מיליון רצפי הדמיה. המודל שילב גם את ההיסטוריה הקלינית של המטופלים ואת הסיבות לכך שרופאים הזמינו כל מחקר הדמיה.
"פרימה עובדת כמו רדיולוג על ידי שילוב מידע בנוגע להיסטוריה הרפואית של המטופל ונתוני הדמיה כדי לייצר הבנה מקיפה של בריאותו", אמר המחבר הראשון, סמיר הרק, מדען נתונים במעבדת המכונה למידת מכונה במעבדת נוירוכירורגיה של חולון.
"זה מאפשר ביצועים טובים יותר במגוון רחב של משימות חיזוי."
טיפול בעיכובים ב-MRI ובמחסור ברדיולוגיה
בכל שנה מבוצעות מיליוני סריקות MRI ברחבי העולם, רבות מהן מתמקדות במחלות נוירולוגיות. חוקרים אומרים שהביקוש לסריקות אלו גדל מהר יותר מהזמינות של שירותי נוירורדיולוגיה.
חוסר איזון זה תרם למחסור בכוח אדם, עיכובים באבחון וטעויות. בהתאם למקום שבו המטופל יקבל סריקה, התוצאות עשויות להימשך ימים ואף יותר זמן לחזור.
"בין אם אתה מקבל סריקה במערכת בריאות גדולה יותר שמתמודדת עם נפח הולך וגובר או בבית חולים כפרי עם משאבים מוגבלים, יש צורך בטכנולוגיות חדשניות כדי לשפר את הגישה לשירותי רדיולוגיה", אמר Vikas Gulani, MD Ph.D., מחבר שותף ויו"ר המחלקה לרדיולוגיה ב-UM Health.
"הצוותים שלנו באוניברסיטת מישיגן שיתפו פעולה כדי לפתח פתרון חדשני לבעיה זו עם פוטנציאל אדיר וניתן להרחבה".
העתיד של AI בהדמיה רפואית
למרות שפרימה עשתה הישגים חזקים, החוקרים מדגישים שהעבודה עדיין נמצאת בשלב הערכה מוקדם. מחקר עתידי יתמקד בשילוב מידע מטופל מפורט יותר ונתוני רשומות רפואיות אלקטרוניות כדי לשפר עוד יותר את דיוק האבחון.
גישה זו משקפת את האופן שבו רדיולוגים ורופאים מפרשים בדיקות MRI ומחקרי הדמיה אחרים במסגרות קליניות אמיתיות. בעוד שבינה מלאכותית כבר נמצאת בשימוש בתחום הבריאות, רוב המערכות הקיימות מוגבלות למשימות מוגדרות באופן צר.
הולון מתאר את פרימה כ"ChatGPT להדמיה רפואית", ומציין כי טכנולוגיה דומה יכולה להיות מותאמת בסופו של דבר לסוגי הדמיה אחרים, כולל ממוגרפיה, צילומי חזה ואולטרסאונד.
"כמו הדרך שבה כלי בינה מלאכותית יכולים לעזור לנסח אימייל או לספק המלצות, פרימה שואפת להיות טייס משנה לפירוש מחקרי הדמיה רפואית", אמר חולון.
"אנו מאמינים שפרימה מדגימה את הפוטנציאל הטרנספורמטיבי של שילוב מערכות בריאות ומודלים מונעי בינה מלאכותית כדי לשפר את שירותי הבריאות באמצעות חדשנות."
מחברים נוספים: 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, Dahrin Neuschokting, MD, Volker Neuschmelting, MD קלינדורפר, MD, Brian Athey, Ph.D., Aditya Pandey, MD, והונגלק לי, Ph.D., כולם מאוניברסיטת מישיגן.
מימון/גילויים: עבודה זו נתמכה בחלקה על ידי המכון הלאומי להפרעות נוירולוגיות ושבץ (K12NS080223) של המכונים הלאומיים לבריאות.
התוכן הוא באחריות הכותבים בלבד ואינו מייצג בהכרח את הדעות הרשמיות של ה-NIH.
עבודה זו נתמכה גם על ידי יוזמת צ'אן צוקרברג (CZI), מכון פרנקל לבריאות הלב והמוח, קרן מחקרי המוח של מארק טראונר, קרן משפחת זנקל, קרן החברים של איאן ותוכנית המענקים של UM Precision Health Investigators Awards.
קישור לכתבת המקור – 2026-02-10 08:04:00
