Un modello di intelligenza artificiale, addestrato su oltre 30mila risonanze, può accelerare la lettura delle risonanze cerebrali aiutando il personale medico a individuare i casi urgenti e a gestire meglio la crescente mole di esami.
In molti ospedali ottenere il referto di una risonanza magnetica al cervello può richiedere ore o giorni, soprattutto quando i reparti di radiologia sono sotto pressione e le richieste di esami aumentano. Una nuova ricerca pubblicata su “Nature Biomedical Engineering” mostra come l’intelligenza artificiale (IA) può aiutare a ridurre questi tempi: un sistema sviluppato all’University of Michigan è in grado di analizzare una risonanza magnetica in pochi secondi, proporre ipotesi diagnostiche di supporto e indicare quali casi potrebbero essere più urgenti.
Il modello “Prima” per l’analisi delle risonanze
Il modello, chiamato “Prima”, è stato addestrato su oltre 30mila risonanze magnetiche cerebrali e, in alcuni test, ha raggiunto un’accuratezza fino al 97,5% nel riconoscere diverse condizioni neurologiche. Non nasce per sostituire i medici, ma per affiancarli con uno strumento che acceleri l’interpretazione delle immagini e aiuti a individuare più rapidamente i casi in cui il fattore tempo è decisivo, come ictus o emorragie cerebrali. In parallelo, il sistema può anche orientare la scelta verso la branca di specialisti più corretta da consultare.
Photo: Unsplash / Vitaly Gariev
Lo strumento è quello che i ricercatori chiamano un vision-language model: un modello di intelligenza artificiale in grado di mettere insieme contemporaneamente immagini e informazioni testuali, che “vede” la risonanza magnetica e la legge insieme al contesto clinico del paziente.
Questo approccio è diverso rispetto a molti sistemi di IA utilizzati finora in radiologia, che erano addestrati su porzioni limitate di dati e progettati per compiti molto specifici, come riconoscere solo un certo tipo di lesioni.
Nel caso di Prima, il gruppo dell’University of Michigan ha utilizzato esami di risonanza magnetica raccolti nel tempo per permettere al modello di imparare a riconoscere una grande varietà di pattern e situazioni cliniche, invece di specializzarsi su un solo problema.
Oltre alle immagini, i ricercatori hanno inserito le storie cliniche dei pazienti e le motivazioni per cui il medico aveva richiesto l’esame. Questo tipo di integrazione è rilevante anche alla luce della situazione attuale: l’elevato numero di risonanze da refertare si scontra spesso con la carenza di specialisti in neuroradiologia, aumentando la pressione sui reparti e il rischio di ritardi o errori diagnostici.
Photo: Unsplash / Vitaly Gariev
L’impatto sulle diagnosi e i prossimi passi
Nonostante i risultati promettenti, il gruppo di ricerca sottolinea che Prima è ancora in una fase iniziale di valutazione. Il lavoro futuro del team prevede di integrare nel modello informazioni cliniche più dettagliate, attingendo direttamente ai dati delle cartelle cliniche elettroniche, per migliorare ulteriormente l’accuratezza delle analisi.
«Sia che si riceva una scansione in un sistema sanitario più ampio che deve far fronte a un volume crescente di prestazioni sia che si faccia in un ospedale rurale con risorse limitate, sono necessarie tecnologie innovative per migliorare l’accesso ai servizi di radiologia», ha spiegato Vikas Gulani, coautore e presidente del Dipartimento di Radiologia alla University of Michigan Health. «I nostri team hanno collaborato per sviluppare una soluzione all’avanguardia a questo problema, con un potenziale enorme e scalabile».
Secondo i ricercatori, infatti, se ulteriormente sviluppato e validato, un sistema come Prima potrebbe in futuro essere adattato anche ad altre forme di imaging medico, dalle mammografie alle radiografie del torace fino alle ecografie, diventando una sorta di “copilota” per l’interpretazione degli esami diagnostici.
Photo cover: Unsplash / Vitaly Gariev
