Imported Article – 2026-03-04 14:30:19

Os pesquisadores afirmam que essa tecnologia pioneira tem o potencial de transformar a forma como a imagem cerebral é tratada nos sistemas de saúde nos Estados Unidos. Os resultados foram publicados na Nature Biomedical Engineering.

“À medida que a demanda global por ressonâncias magnéticas aumenta e coloca uma pressão significativa sobre nossos médicos e sistemas de saúde, nosso modelo de IA tem o potencial de reduzir a carga, melhorando o diagnóstico e o tratamento com informações rápidas e precisas,” disse o autor sênior Todd Hollon, M.D., neurocirurgião do University of Michigan Health e professor assistente de neurocirurgia na U-M Medical School.

Testando o Sistema Prima AI

Hollon nomeou a nova tecnologia de Prima. Ao longo de um ano, sua equipe de pesquisa avaliou o sistema usando mais de 30.000 estudos de ressonância magnética.

Em mais de 50 diagnósticos radiológicos diferentes envolvendo principais distúrbios neurológicos, Prima apresentou um desempenho diagnóstico superior em comparação com outros modelos avançados de IA. Além de identificar doenças, o sistema também foi capaz de determinar quais casos requeriam maior prioridade.

Certain conditions neurológicas, incluindo acidentes vasculares cerebrais e hemorragias cerebrais, exigem atenção médica imediata. Hollon afirmou que, nessas situações, Prima pode alertar automaticamente os profissionais de saúde para que ações possam ser tomadas rapidamente.

O sistema foi projetado para notificar o subspecialista mais apropriado, como um neurologista de acidente vascular cerebral ou neurocirurgião. O feedback está disponível imediatamente após o paciente completar a imagem.

“A precisão é fundamental ao ler uma ressonância magnética do cérebro, mas os prazos de resposta rápidos são críticos para um diagnóstico oportuno e melhores resultados,” disse Yiwei Lyu, M.S., co-primeiro autor e pós-doutorando em Ciência da Computação e Engenharia na U-M.

“Em etapas-chave do processo, nossos resultados mostram como Prima pode melhorar os fluxos de trabalho e agilizar o atendimento clínico sem abrir mão da precisão.”

O que é Prima?

Prima é classificada como um modelo de linguagem visual (VLM), um tipo de inteligência artificial que pode processar imagens, vídeos e texto em conjunto em tempo real. Embora a inteligência artificial já tenha sido aplicada à análise de ressonância magnética antes, os pesquisadores afirmam que Prima adota uma abordagem diferente.

Modelos anteriores eram tipicamente treinados em subconjuntos cuidadosamente selecionados de dados de ressonância magnética e projetados para realizar tarefas específicas, como identificar lesões ou estimar o risco de demência. Prima foi treinada em um conjunto de dados muito mais amplo.

A equipe de Hollon usou todos os exames de ressonância magnética disponíveis desde que os registros de radiologia foram digitalizados no University of Michigan Health. Isso incluiu mais de 200.000 estudos de ressonância magnética e 5,6 milhões de sequências de imagem. O modelo também incorporou os históricos clínicos dos pacientes e as razões pelas quais os médicos solicitaram cada estudo de imagem.

“Prima funciona como um radiologista, integrando informações sobre o histórico médico do paciente e os dados de imagem para produzir uma compreensão abrangente da saúde deles,” disse o co-primeiro autor Samir Harake, cientista de dados no Laboratório de Aprendizagem de Máquina em Neurocirurgia de Hollon.

“Isso permite um desempenho melhor em uma ampla gama de tarefas de previsão.”

Enfrentando Atrasos em Ressonâncias Magnéticas e Escassez de Radiologistas

A cada ano, milhões de ressonâncias magnéticas são realizadas em todo o mundo, muitas delas focadas em doenças neurológicas. Os pesquisadores afirmam que a demanda por esses exames está crescendo mais rapidamente do que a disponibilidade de serviços de neurorradiologia.

Esse desequilíbrio tem contribuído para a escassez de pessoal, atrasos diagnósticos e erros. Dependendo de onde um paciente recebe um exame, os resultados podem levar dias ou até mais para serem retornados.

“Quer você esteja recebendo um exame em um sistema de saúde maior que enfrenta um volume crescente ou em um hospital rural com recursos limitados, tecnologias inovadoras são necessárias para melhorar o acesso aos serviços de radiologia,” disse Vikas Gulani, M.D. Ph.D., coautor e chefe do Departamento de Radiologia do U-M Health.

“Nossas equipes da Universidade de Michigan colaboraram para desenvolver uma solução de ponta para esse problema com um potencial escalável tremendo.”

O Futuro da IA em Imagens Médicas

Embora Prima tenha apresentado um desempenho forte, os pesquisadores enfatizam que o trabalho ainda está em uma fase inicial de avaliação. Pesquisas futuras se concentrarão na incorporação de informações mais detalhadas sobre os pacientes e dados de prontuários eletrônicos para melhorar ainda mais a precisão dos diagnósticos.

Essa abordagem espelha a maneira como radiologistas e médicos interpretam ressonâncias magnéticas e outros estudos de imagem em configurações clínicas reais. Enquanto a inteligência artificial já é utilizada na saúde, a maioria dos sistemas existentes está limitada a tarefas definidas de forma restrita.

Hollon descreve Prima como “o ChatGPT para imagem médica,” observando que tecnologias semelhantes poderiam eventualmente ser adaptadas para outros tipos de imagem, incluindo mamografias, raios-X de tórax e ultrassons.

“Assim como as ferramentas de IA podem ajudar a redigir um e-mail ou fornecer recomendações, Prima tem como objetivo ser um copiloto para a interpretação de estudos de imagem médica,” disse Hollon.

“Acreditamos que Prima exemplifica o potencial transformador da integração de sistemas de saúde e modelos impulsionados por IA para melhorar os cuidados com a saúde por meio da inovação.”

Autores adicionais: 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. e Honglak Lee, Ph.D., todos da Universidade de Michigan.

Financiamento/divulgações: Este trabalho foi apoiado em parte pelo Instituto Nacional de Transtornos Neurológicos e Acidente Vascular Cerebral (K12NS080223) dos Institutos Nacionais de Saúde.

O conteúdo é de exclusiva responsabilidade dos autores e não necessariamente representa as opiniões oficiais do NIH.

Este trabalho também foi apoiado pela Chan Zuckerberg Initiative (CZI), Frankel Institute for Heart and Brain Health, Mark Trauner Brain Research Fund, Zenkel Family Foundation, Ian’s Friends Foundation e pelo programa de prêmios de investigadores do UM Precision Health.