Исследователи из Мичиганского университета представили NeuroVFM — универсальную фундаментальную модель для нейровизуализации. Она обучена на 5,24 млн клинических снимков МРТ и КТ с использованием архитектуры Vol-JEPA. Модель способна распознавать анатомические структуры мозга и патологии без необходимости в предварительной разметке радиологами, что значительно упрощает обработку больших объемов неструктурированных медицинских данных.

В основе NeuroVFM лежит метод обучения Vol-JEPA, который является расширением подходов I-JEPA и V-JEPA для работы с трехмерными медицинскими данными. В отличие от традиционных моделей, требующих точных текстовых описаний к каждому снимку, NeuroVFM обучается на «сырых» клинических архивах. Это позволяет системе эффективно извлекать контекстуальные признаки из объемных данных, что критически важно для автоматизации диагностики в радиологии.

Разработка демонстрирует потенциал самообучающихся моделей в медицине, где создание размеченных датасетов является дорогостоящим и трудоемким процессом. Использование некурируемых данных открывает путь к созданию более масштабируемых диагностических инструментов, способных работать с реальными клиническими потоками данных, поступающими из больниц, без участия специалистов на этапе подготовки обучающей выборки.

Ключевые факты

  • Модель обучена на массиве из 5,24 миллиона клинических томов МРТ и КТ.
  • В качестве архитектурной базы использован метод Vol-JEPA, адаптированный для объемной визуализации.
  • Система не требует наличия радиологических отчетов или экспертной разметки для обучения.
  • Разработка принадлежит специалистам Мичиганского университета.
  • NeuroVFM демонстрирует способность к пониманию сложной анатомии и выявлению патологий в автоматическом режиме.