GreenRFM：面向资源高效的放射学基础模型
计算机视觉与模式识别
2026-03-09 v1
摘要
放射学基础模型（RFMs）的开发受制于对暴力扩缩的依赖。现有方法常直接借鉴自然图像的方法，强调规模而非精度，从而导致临床实践中模型脆弱且昂贵。为此，我们提出一种资源高效的预训练框架GreenRFM，实现了最先进的性能。该框架确保在多样化患者群体和影像协议下的鲁�棒性，计算需求降低了多个数量级，同时超越复杂且参数密集的模型。这一能力源于原则性的监督设计，通过充分利用More distilled, Ubiquitous, Semantic-enforcing, and Task-aligning（MUST）监督信号，而非简单堆积训练数据的数量。我们提供两种GreenRFM配置：（i）一种性能卓越的模型，在单块24GB GPU上24小时内建立了新的最先进性能；（ii）一种轻量级模型，在4GB VRAM、4小时内即可匹配现有基准。我们使用来自四个机构、两个模态、超过20万张图像进行大规模实验。GreenRFM在胸部和腹部CT数据集上表现优异，无论是公开基准还是私有基准，均超越多种基线模型。此外，内部分布的肌肉MRI图像结果表明，相同的监督原则可在不同模态之间传递。我们的性能与效率挑战了“规模就是一切所需”的教条，使即使在笔记本电脑上也能为临床医生 democratize 均等开发最先进的RFMs。
引用
@article{arxiv.2603.06467,
title = {GreenRFM: Toward a resource-efficient radiology foundation model},
author = {Yingtai Li and Shuai Ming and Mingyue Zhao and Haoran Lai and Rongsheng Wang and Rui Zhou and Rundong Wang and Yujia Li and Wei Wei and Shaohua Kevin Zhou},
journal= {arXiv preprint arXiv:2603.06467},
year = {2026}
}