Wetenschappers creëren universele AI voor het analyseren van medische beelden

Om het model voor te bereiden, verzamelden de wetenschappers 's werelds grootste dataset met medische beeldvormingsgegevens en creëerden ze een 'kennisboom' van anatomie met 6502 termen, waarmee ze tekst en visuele informatie in één systeem konden combineren. SAT begrijpt medische terminologie en kan relevante gebieden in afbeeldingen markeren op basis van een tekstuele zoekopdracht.

Het model is beschikbaar in twee versies: SAT-Nano (110 miljoen parameters) en SAT-Pro (447 miljoen). SAT-Pro toonde resultaten op het niveau van 72 beste gespecialiseerde algoritmen, die samen goed zijn voor meer dan 2,2 miljard parameters. In tests met eigen data overtrof SAT-Pro de nauwkeurigheid van het populaire MedSAM-model met gemiddeld 7,1%, en in tests met beelden van andere klinieken was het beter dan concurrenten met een nauwkeurigheidstoename van 3,7%. Bovendien bleek het nieuwe systeem niet alleen universeel, maar ook veel compacter.

Volgens de auteurs van het artikel kan SAT het werk van radiologen aanzienlijk vereenvoudigen. Momenteel wordt de segmentatie van organen en weefsels in medische beelden vaak handmatig of met behulp van aparte algoritmen uitgevoerd, wat veel tijd kost en complexe datavoorbereiding vereist. SAT automatiseert het proces en past zich aan verschillende klinische scenario's aan zonder dat voor elke taak opnieuw training nodig is.

SAT zou potentieel geïntegreerd kunnen worden met grote taalmodellen, zoals de onlangs aangekondigde GPT-5, die OpenAI aanprijst als de meest robuuste oplossing voor medische taken. Deze combinatie zou de mogelijkheden van medische segmentatietechnologieën uitbreiden en een stap zijn in de richting van de vorming van universele medische AI.

Volgens de onderzoekers markeert de opkomst van SAT een verschuiving van een veelheid aan smalle instrumenten naar universele oplossingen in de geneeskunde. Een dergelijk model zou medische beeldvormingstechnologieën toegankelijker kunnen maken voor klinieken over de hele wereld.

Soortgelijke oplossingen worden ook in Rusland ontwikkeld. Zo heeft Yandex B2B Tech, samen met de School of Advanced Medical Studies en de St. Petersburg State Pediatric Medical University, een neuraal netwerk ontwikkeld dat de beoordeling van MRI-beelden van de hersenen van pasgeborenen automatiseert. De dienst identificeert grijze en witte stof, tekent contouren en toont hun verhouding, waardoor artsen snel mogelijke afwijkingen in de hersenontwikkeling kunnen identificeren en de analysetijd van uren naar minuten wordt verkort. Tegelijkertijd vervangt het systeem de arts niet, maar fungeert het als hulpmiddel bij de diagnose en de keuze van de therapie.

Naast wetenschappelijke ontwikkelingen wordt AI al toegepast in de dagelijkse medische praktijk. Sinds 2024 gebruiken Moskouse klinieken het voor de verwerking van röntgenfoto's en fluorografische beelden: als er geen tekenen van pathologie zijn, wordt de conclusie automatisch in het elektronische dossier van de patiënt opgenomen en als er afwijkingen worden geconstateerd, wordt de uitslag ter bevestiging naar de arts gestuurd.