AI模型“秒懂”脑部磁共振成像并标记紧急病例

随着脑部成像需求增长，放射科医生面临日益严重的工作量积压。科学家们正在测试大规模AI模型能否帮助填补这一缺口。密歇根大学的研究人员开发了一款名为Prima的神经影像基础AI模型，能够在几秒内解读脑部MRI（磁共振成像）研究并标记需要紧急护理的病例。

Prima接受了超过22万份MRI研究的训练，这些研究来自密歇根大学卫生中心的数字化放射科记录，并在一项涉及29,431次MRI检查的前瞻性研究中进行了为期一年的评估。相关结果于本月早些时候发表在《自然·生物医学工程》（《Nature Biomedical Engineering》）上。

磁共振成像被广泛应用于评估神经系统疾病，但在许多地区，需求增长速度超过了放射科的处理能力。作者指出，不断增长的成像量延长了周转时间，给临床工作流程带来了额外压力，特别是在农村和资源有限的地区。Prima的设计目标是处理真实的临床MRI研究及其相关放射科报告，以支持常规诊断工作。

“随着全球MRI需求上升，给我们的医生和卫生系统带来重大压力，我们的AI模型有潜力通过提供快速、准确的信息来改善诊断和治疗，从而减轻负担。”资深作者Todd Hollon博士在文章中表示。Hollon是密歇根大学卫生中心的神经外科医生，也是密歇根大学医学院神经外科助理教授。

根据论文显示，Prima在52项放射科诊断中达到了平均92%的曲线下面积（AUC），这是对主要神经系统疾病整体诊断准确性的衡量标准。作者声称，该模型的表现优于在同一任务上测试的其他通用型和医学AI系统。除了诊断分类，Prima还能生成可解释的鉴别诊断，为放射科医生分配工作列表优先级，并提供转诊建议。

Prima是一个视觉语言基础模型，是一种多模态AI系统，旨在从医学图像和相关文本中学习。该模型采用分层视觉transformer架构，通过对比目标进行预训练，将三维MRI体积与配对的放射科报告对齐。MRI研究被分割成子体积，并使用矢量量化变分自编码器进行编码，生成tokens，这些tokens通过序列和研究级别的transformer，产生完整检查的表示。在迁移学习步骤中，预训练组件被固定，并在学习到的研究特征上训练一个小型前馈网络，以预测特定诊断和临床结果。

为构建训练数据集，团队查询了密歇根大学卫生中心服务器，获取所有带有相关报告的颅脑MRI。在过滤元数据完整性后，生成的UM-220K数据集包含221,147项研究和560万个成像序列。大语言模型被用于总结放射科报告并提取结构化发现，以进行对比预训练。作者报告，模型在与LLM生成的总结对齐的性能和与人类专家总结对齐的性能之间，没有统计学显著差异。

Prima还评估了在人口群体中的公平性。前瞻性队列中性别、种族和地理区域的交叉分析显示，诊断性能变化极小，等化几率分析表明，不同群体间真阳性和假阳性率的差异有限。

根据密歇根大学医学院的文章，未来版本的Prima可能能够整合更详细的患者信息和电子病历数据，以实现更准确的诊断。Prima还有朝一日可能应用于其他类型的成像，如乳腺X光和超声检查。

“就像AI工具可以帮助起草邮件或提供建议一样，Prima旨在成为解读医学影像研究的数字助理。”Hollon说，“我们相信，Prima体现了将卫生系统与AI驱动模型相结合、通过创新改善医疗保健的变革潜力。”