Onderzoekers van de University of Michigan hebben een AI-gedreven model ontwikkeld dat hersen-MRI’s binnen enkele seconden kan analyseren en neurologische aandoeningen met een nauwkeurigheid tot 97,5 procent kan detecteren. Het systeem kan bovendien inschatten hoe urgent behandeling nodig is en welke medisch specialist moet worden ingeschakeld.
Het AI-model, dat de naam Prima heeft gekregen, is volgens de onderzoekers het eerste systeem dat hersen-MRI’s op deze schaal en met deze snelheid kan interpreteren. Daarmee speelt het in op een groeiend probleem in de zorg: de wereldwijde vraag naar MRI-onderzoek stijgt snel, terwijl het aantal beschikbare (neuro)radiologen en neurologen achterblijft.
“De toenemende vraag naar MRI’s legt grote druk op artsen en zorgsystemen,” zegt Todd Hollon, neurochirurg bij University of Michigan Health en senior auteur van de studie. “Ons AI-model heeft het potentieel om die druk te verlichten door sneller en accurater diagnoses te ondersteunen.” Het onderzoek is recentelijk gepubliceerd in Nature Biomedical Engineering.
Getraind op decennia aan data
Prima werd gedurende een jaar getest op meer dan 30.000 MRI-onderzoeken. Over ruim vijftig radiologische diagnoses van belangrijke neurologische aandoeningen presteerde het model beter dan bestaande state-of-the-art AI-oplossingen. Daarnaast bleek het systeem in staat om patiënten te prioriteren op basis van urgentie.
Bij aandoeningen zoals hersenbloedingen of beroertes, waar elke minuut telt, kan Prima automatisch een waarschuwing sturen naar de juiste zorgverlener, bijvoorbeeld een beroerteneuroloog of neurochirurg. De feedback is direct beschikbaar nadat het MRI-onderzoek is afgerond.
Wat Prima onderscheidt van eerdere AI-modellen is de manier waarop het is getraind. In plaats van geselecteerde datasets te gebruiken voor specifieke taken, is het model gevoed met alle MRI-onderzoeken die sinds de digitalisering van de radiologie bij University of Michigan Health zijn uitgevoerd: meer dan 200.000 studies en 5,6 miljoen MRI-sequenties. Ook klinische gegevens, zoals de medische voorgeschiedenis van de patiënt en de reden voor het aanvragen van het onderzoek, zijn meegenomen.
“Prima werkt zoals een radioloog dat doet,” legt co-eerste auteur Samir Harake uit. “Het combineert beelddata met klinische context om tot een integraal oordeel te komen. Dat verklaart de sterke prestaties over een breed scala aan voorspellingen.”
Vision-language model
Technisch gezien is Prima een zogeheten vision language model (VLM): een AI-systeem dat beelden, video en tekst gelijktijdig kan verwerken. Die aanpak is bekend uit generatieve AI, maar wordt nog weinig toegepast in de medische beeldvorming.
Volgens co-eerste auteur Yiwei Lyu, postdoc computer science and engineering, is die combinatie cruciaal. “Nauwkeurigheid is essentieel bij het lezen van een hersen-MRI, maar snelheid is minstens zo belangrijk voor tijdige behandeling. Onze resultaten laten zien dat Prima beide kan combineren en zo klinische workflows kan stroomlijnen.”
Werkdruk radiologen verlichten
Wereldwijd worden jaarlijks miljoenen MRI’s gemaakt, waarvan een groot deel gericht is op neurologische aandoeningen. Die vraag overstijgt steeds vaker de beschikbare capaciteit, wat leidt tot wachttijden, werkdruk en een verhoogd risico op diagnostische fouten. In sommige ziekenhuizen moeten patiënten dagen wachten op de uitslag van een scan.
“Of je nu wordt gescand in een groot academisch centrum met hoge volumes of in een regionaal ziekenhuis met beperkte middelen: innovatieve technologie is nodig om de toegang tot radiologische expertise te verbeteren,” zegt Vikas Gulani, hoogleraar en afdelingshoofd Radiologie.
Vervolgstappen
Hoewel de resultaten veelbelovend zijn, bevindt het onderzoek zich nog in een vroege fase. De onderzoekers willen het model verder uitbreiden met gedetailleerdere patiëntinformatie en elektronische patiëntendossiers, om het diagnostisch proces nog dichter bij de dagelijkse praktijk van artsen te brengen.
Hollon omschrijft Prima als een soort “ChatGPT voor medische beeldvorming”: een AI-copiloot die zorgprofessionals ondersteunt bij interpretatie, zonder hen te vervangen. In de toekomst zou dezelfde aanpak ook toepasbaar kunnen zijn op andere beeldvormende technieken, zoals mammografie, thoraxfoto’s en echografie.
“We zien Prima als een hulpmiddel dat meedenkt en voorbereidt, zodat artsen sneller en met meer vertrouwen beslissingen kunnen nemen,” aldus Hollon. “Het laat zien hoe de integratie van AI en zorgsystemen de kwaliteit en toegankelijkheid van zorg fundamenteel kan verbeteren.”
Attention-guided AI-techniek
Eind vorig jaar bleek uit onderzoek van onder leiding van York University toont aan dat een innovatieve AI-methode het verschil tussen tumorprogressie en stralingsnecrose na bestraling van hersentumoren aanzienlijk nauwkeuriger kan vaststellen. De attention-guided AI-techniek, gecombineerd met geavanceerde CEST-MRI, behaalt een nauwkeurigheid van meer dan 85 procent.
Ter vergelijking: standaard MRI komt uit op circa 60 procent en geavanceerde MRI zonder AI op ongeveer 70 procent. De AI herkent subtiele patronen die voor het menselijk oog moeilijk zichtbaar zijn en kan artsen ondersteunen bij gerichte behandelkeuzes. Dit kan leiden tot snellere beslissingen en betere uitkomsten voor patiënten binnen de neuro-oncologie.
