AI模型“秒懂”腦部磁共振成像并標記緊急病例

隨著腦部成像需求增長，放射科醫生面臨日益嚴重的工作量積壓。科學家們正在測試大規模AI模型能否幫助填補這一缺口。密歇根大學的研究人員開發了一款名為Prima的神經影像基礎AI模型，能夠在幾秒內解讀腦部MRI（磁共振成像）研究并標記需要緊急護理的病例。

Prima接受了超過22萬份MRI研究的訓練，這些研究來自密歇根大學衛生中心的數字化放射科記錄，并在一項涉及29,431次MRI檢查的前瞻性研究中進行了為期一年的評估。相關結果于本月早些時候發表在《自然·生物醫學工程》（《Nature Biomedical Engineering》）上。

磁共振成像被廣泛應用于評估神經系統疾病，但在許多地區，需求增長速度超過了放射科的處理能力。作者指出，不斷增長的成像量延長了周轉時間，給臨床工作流程帶來了額外壓力，特別是在農村和資源有限的地區。Prima的設計目標是處理真實的臨床MRI研究及其相關放射科報告，以支持常規診斷工作。

“隨著全球MRI需求上升，給我們的醫生和衛生系統帶來重大壓力，我們的AI模型有潛力通過提供快速、準確的信息來改善診斷和治療，從而減輕負擔。”資深作者Todd Hollon博士在文章中表示。Hollon是密歇根大學衛生中心的神經外科醫生，也是密歇根大學醫學院神經外科助理教授。

根據論文顯示，Prima在52項放射科診斷中達到了平均92%的曲線下面積（AUC），這是對主要神經系統疾病整體診斷準確性的衡量標準。作者聲稱，該模型的表現優于在同一任務上測試的其他通用型和醫學AI系統。除了診斷分類，Prima還能生成可解釋的鑒別診斷，為放射科醫生分配工作列表優先級，并提供轉診建議。

Prima是一個視覺語言基礎模型，是一種多模態AI系統，旨在從醫學圖像和相關文本中學習。該模型采用分層視覺transformer架構，通過對比目標進行預訓練，將三維MRI體積與配對的放射科報告對齊。MRI研究被分割成子體積，并使用矢量量化變分自編碼器進行編碼，生成tokens，這些tokens通過序列和研究級別的transformer，產生完整檢查的表示。在遷移學習步驟中，預訓練組件被固定，并在學習到的研究特征上訓練一個小型前饋網絡，以預測特定診斷和臨床結果。

為構建訓練數據集，團隊查詢了密歇根大學衛生中心服務器，獲取所有帶有相關報告的顱腦MRI。在過濾元數據完整性后，生成的UM-220K數據集包含221,147項研究和560萬個成像序列。大語言模型被用于總結放射科報告并提取結構化發現，以進行對比預訓練。作者報告，模型在與LLM生成的總結對齊的性能和與人類專家總結對齊的性能之間，沒有統計學顯著差異。

Prima還評估了在人口群體中的公平性。前瞻性隊列中性別、種族和地理區域的交叉分析顯示，診斷性能變化極小，等化幾率分析表明，不同群體間真陽性和假陽性率的差異有限。

根據密歇根大學醫學院的文章，未來版本的Prima可能能夠整合更詳細的患者信息和電子病歷數據，以實現更準確的診斷。Prima還有朝一日可能應用于其他類型的成像，如乳腺X光和超聲檢查。

“就像AI工具可以幫助起草郵件或提供建議一樣，Prima旨在成為解讀醫學影像研究的數字助理?！盚ollon說，“我們相信，Prima體現了將衛生系統與AI驅動模型相結合、通過創新改善醫療保健的變革潛力。”